KR102525667B1 - 2d 이미지 정보를 이용하여, 물품의 결함을 검사하는 방법 - Google Patents

Abstract

본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 물품의 결함 여부를 예측하기 위한 방법이 개시된다. 상기 방법은 하나 이상의 이미지를 획득하는 단계; 상기 신경망 모델에 상기 획득된 이미지를 입력하고, 복수의 특징 맵들을 생성하는 단계; 상기 복수의 특징 맵들에 기초하여, 제 1 특징 벡터를 추출하는 단계; 상기 추출된 제 1 특징 벡터에 기초하여, 상기 복수의 특징 맵들 중 결함 여부와 관련 있는 특징 맵을 식별하기 위한 제 2 특징 벡터를 추출하는 단계; 상기 복수의 특징 맵들에 기초하여, 결함 여부와 관련 있는 특징 맵 영역을 식별하기 위한 제 3 특징 벡터를 추출하는 단계; 및 상기 신경망 모델을 활용하여, 상기 제 1 특징 벡터, 상기 제 2 특징 벡터, 및 상기 제 3 특징 벡터에 기초하여 결함 여부를 예측하는 단계를 포함할 수 있다.

Description

2D 이미지 정보를 이용하여, 물품의 결함을 검사하는 방법{METHOD FOR INSPECTING DEFECTS OF PRODUCT BY USING 2D IMAGE INFORMATION}

본 개시는 2D 이미지 정보를 이용하여, 물품의 결함을 검사하는 방법에 관한 것으로, 보다 구체적으로 물품의 결함을 검사할 때 2D 이미지 정보를 활용하여 실시간으로 결함을 검사하는 방법에 관한 것이다.

기존의 3D 카메라를 이용하여 물품의 결함을 검사하는 경우, 높은 가격과 긴 처리 시간으로 인해 실시간으로 결함을 검사하기에는 사용하기 어려운 문제가 있었다.

또한, 기존에 물품의 결함을 검사할 때 인간 노동자를 사용하여 품질을 검사하였으나, 눈의 피로로 인하여 검사 시간 동안에 높은 수준의 정밀 검사 프로세스를 수행하는 데에 어려움이 있으며, 정확한 작업을 계속 수행하기 위해서 특정 시간에 휴식을 취해야 했고, 각 작업자는 검사 품질을 위해서 물품 분석에 대한 충분한 경험을 가지고 있어야 했다. 따라서, 인간 노동자를 사용하여 품질을 검사할 때 생산 효율성이 저하되는 문제가 있었다.

따라서, 기존의 물품 결함 검사에서 발생하는 문제였던 높은 가격, 긴 처리시간 및 품질 검사의 일관성 문제를 고려하여 결함 검사의 처리 시간 및 비용을 줄이면서, 품질 검사의 일관성을 보장할 수 있는 방법이 필요하게 되었으며, 이러한 문제점 또는 단점을 해결할 수 있는 새로운 기술이 요구되고 있다.

한편, 본 개시는 이상에서 살핀 기술적 배경에 적어도 기초하여 도출되었으나, 본 개시의 기술적 과제 또는 목적은, 이상에서 살핀 문제점 또는 단점을 해결하는 것에 한정되지는 않는다. 즉, 본 개시는, 이상에서 살핀 기술적 이슈(issue) 이외에도, 이하에서 설명할 내용과 관련된 다양한 기술적 이슈들을 커버(cover)할 수 있다.

본 개시는 물품의 결함을 검사할 때 2D 이미지 정보를 활용하여 실시간으로 결함을 검사하는 것을 해결 과제로 한다.

한편, 본 개시가 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 기술적 과제가 포함될 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 상기 방법은, 하나 이상의 이미지를 획득하는 단계; 신경망 모델에 상기 획득된 이미지를 입력하고, 복수의 특징 맵들을 생성하는 단계; 상기 복수의 특징 맵들에 기초하여, 제 1 특징 벡터를 추출하는 단계; 상기 추출된 제 1 특징 벡터에 기초하여, 상기 복수의 특징 맵들 중 결함 여부와 관련 있는 특징 맵을 식별하기 위한 제 2 특징 벡터를 추출하는 단계; 상기 복수의 특징 맵들에 기초하여, 결함 여부와 관련 있는 특징 맵 영역을 식별하기 위한 제 3 특징 벡터를 추출하는 단계; 및 상기 신경망 모델을 활용하여, 상기 제 1 특징 벡터, 상기 제 2 특징 벡터, 및 상기 제 3 특징 벡터에 기초하여 결함 여부를 예측하는 단계를 포함할 수 있다.

대안적으로, 상기 하나 이상의 이미지는, 하나 이상의 2D 이미지를 포함하고, 상기 하나 이상의 이미지를 획득하는 단계는, 물품의 정면 이미지, 후면 이미지, 우측 이미지, 좌측 이미지, 윗면 이미지, 또는 바닥면 이미지 중 하나 이상의 이미지를 획득하는 단계를 포함할 수 있다.

대안적으로, 상기 신경망 모델에 상기 획득된 이미지를 입력하고, 복수의 특징 맵들을 생성하는 단계는, 상기 획득된 이미지에 대해 감마 보정(Gamma Correction)을 수행하는 단계; 및 상기 신경망 모델에 상기 감마 보정이 수행된 이미지를 입력하는 단계를 포함할 수 있다.

대안적으로, 상기 신경망 모델에 상기 획득된 이미지를 입력하고, 복수의 특징 맵들을 생성하는 단계는, 상기 신경망 모델에 포함된 복수의 제 1 컨벌루션 층(Convolution Layer)과 복수의 제 1 풀링 층(Pooling Layer)을 이용하여 상기 이미지의 특징들을 추출하고, 상기 추출된 특징들에 기초하여 복수의 특징 맵들을 생성하는 단계를 포함할 수 있다.

대안적으로, 상기 복수의 특징 맵들에 기초하여, 제 1 특징 벡터를 추출하는 단계는, 상기 복수의 특징 맵들에 대해 추가적인 풀링(pooling)을 수행하여, 상기 제 1 특징 벡터를 추출하는 단계를 포함할 수 있다.

대안적으로, 상기 추출된 제 1 특징 벡터에 기초하여, 상기 복수의 특징 맵들 중 결함 여부와 관련 있는 특징 맵을 식별하기 위한 제 2 특징 벡터를 추출하는 단계는, 상기 제 1 특징 벡터를 하나 이상의 제 1 완전 연결 층(Fully-connected layer)에 입력하고, 상기 복수의 특징 맵들 중 결함 여부와 관련 있는 특징 맵을 식별하기 위한 제 2 특징 벡터를 추출하는 단계를 포함할 수 있다.

대안적으로, 상기 복수의 특징 맵들에 기초하여, 결함 여부와 관련 있는 특징 맵 영역을 식별하기 위한 제 3 특징 벡터를 추출하는 단계는,

하나 이상의 제 2 컨벌루션 층(Convolution Layer)에 상기 복수의 특징 맵들을 입력하고, 컨벌루션 연산을 적용하는 단계; 및 상기 컨벌루션 연산이 적용된 특징 맵들에 대해 추가적인 풀링(pooling)을 수행하고, 결함 여부와 관련 있는 특징 맵 영역을 식별하기 위한 제 3 특징 벡터를 추출하는 단계를 포함할 수 있다.

대안적으로, 상기 추가적인 풀링(pooling)은, 전역 평균 풀링(Global average pooling)을 포함할 수 있다.

대안적으로, 상기 신경망 모델을 활용하여, 상기 제 1 특징 벡터, 상기 제 2 특징 벡터, 및 상기 제 3 특징 벡터에 기초하여 결함 여부를 예측하는 단계는, 상기 제 2 특징 벡터, 및 상기 제 3 특징 벡터를 연관(concatenate)시켜 제 1 합성 벡터를 생성하는 단계; 상기 제 1 합성 벡터 및 상기 제 1 특징 벡터를 연관(concatenate)시켜 최종 합성 벡터를 생성하는 단계; 및 상기 최종 합성 벡터에 기초하여 결함 여부를 예측하는 단계를 포함할 수 있다.

대안적으로, 상기 최종 합성 벡터에 기초하여 결함 여부를 예측하는 단계는, 상기 최종 합성 벡터를 하나 이상의 제 2 완전 연결 층(Fully-connected layer)에 입력하고, 결함 여부를 예측하는 단계를 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 상기 하나 이상의 프로세서로 하여금 물품의 결함 여부를 예측하기 위한 동작들을 수행하도록 하며, 상기 동작들은: 하나 이상의 이미지를 획득하는 동작; 신경망 모델에 상기 획득된 이미지를 입력하고, 복수의 특징 맵들을 생성하는 동작; 상기 복수의 특징 맵들에 기초하여, 제 1 특징 벡터를 추출하는 동작; 상기 추출된 제 1 특징 벡터에 기초하여, 상기 복수의 특징 맵들 중 결함 여부와 관련 있는 특징 맵을 식별하기 위한 제 2 특징 벡터를 추출하는 동작; 상기 복수의 특징 맵들에 기초하여, 결함 여부와 관련 있는 특징 맵 영역을 식별하기 위한 제 3 특징 벡터를 추출하는 동작; 및 상기 신경망 모델을 활용하여, 상기 제 1 특징 벡터, 상기 제 2 특징 벡터, 및 상기 제 3 특징 벡터에 기초하여 결함 여부를 예측하는 동작을 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 프로세서; 및 메모리를 포함하고, 상기 프로세서는, 하나 이상의 이미지를 획득하고;

신경망 모델에 상기 획득된 이미지를 입력하고, 복수의 특징 맵들을 생성하고; 상기 복수의 특징 맵들에 기초하여, 제 1 특징 벡터를 추출하고; 상기 추출된 제 1 특징 벡터에 기초하여, 상기 복수의 특징 맵들 중 결함 여부와 관련 있는 특징 맵을 식별하기 위한 제 2 특징 벡터를 추출하고; 상기 복수의 특징 맵들에 기초하여, 결함 여부와 관련 있는 특징 맵 영역을 식별하기 위한 제 3 특징 벡터를 추출하고; 그리고 상기 신경망 모델을 활용하여, 상기 제 1 특징 벡터, 상기 제 2 특징 벡터, 및 상기 제 3 특징 벡터에 기초하여 결함 여부를 예측하도록 구성될 수 있다.

본 개시는 2D 이미지 정보를 이용하여, 물품의 결함을 검사하는 방법을 제공할 수 있으며, 이를 통해 물품의 결함을 검사할 때 2D 이미지 정보를 활용하여 실시간으로 결함을 검사할 수 있다.

한편, 본 개시의 효과는 이상에서 언급한 효과들로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 효과들이 포함될 수 있다.

도 1은 본 개시의 일 실시예에 따른 2D 이미지 정보를 이용하여, 물품의 결함을 검사하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타내는 개략도이다.
도 3은 본 개시의 일 실시예에 따른 2D 이미지 정보를 이용하여, 물품의 결함을 검사하는 방법을 나타낸 순서도이다.
도 4는 본 개시의 실시예에 따른 하나 이상의 이미지를 획득하고, 획득된 이미지에 대해 감마 보정(Gamma Correction)을 수행하는 과정을 나타낸 개략도이다.
도 5는 본 개시의 일 실시예에 따라 신경망 모델에 획득된 이미지를 입력하고, 상기 신경망 모델에 포함된 복수의 제 1 컨벌루션 층(Convolution Layer)과 복수의 제 1 풀링 층(Pooling Layer)을 이용하여 이미지의 특징들을 추출하고, 상기 추출된 특징들에 기초하여 복수의 특징 맵들을 생성하는 과정을 나타낸 개략도이다.
도 6은 본 개시의 일 실시예에 따라 복수의 특징 맵들에 기초하여, 제 1 특징 벡터, 제 2 특징 벡터, 및 제 3 특징 벡터를 추출하는 과정을 나타낸 개략도이다.
도 7a는 본 개시의 일 실시예에 따라 추출된 제 1 특징 벡터에 기초하여, 복수의 특징 맵들 중 결함 여부와 관련 있는 특징 맵을 식별하기 위한 제 2 특징 벡터를 추출하는 과정을 나타낸 개략도이다.
도 7b는 본 개시의 일 실시예에 따라 복수의 특징 맵들에 기초하여, 결함 여부와 관련 있는 특징 맵 영역을 식별하기 위한 제 3 특징 벡터를 추출하는 과정을 나타낸 개략도이다.
도 8은 본 개시의 일 실시예에 따라 신경망 모델을 활용하여, 제 1 특징 벡터, 제 2 특징 벡터, 및 제 3 특징 벡터에 기초하여 결함 여부를 예측하는 과정을 나타낸 개략도이다.
도 9는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.

통상의 기술자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안 된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

본 개시에서 네트워크 함수와 인공 신경망 및 뉴럴 네트워크(neural network)는 상호교환 가능하게 사용될 수 있다.

도 1은 본 개시의 일 실시예에 따른 2D 이미지 정보를 이용하여, 물품의 결함을 검사하기 위한 컴퓨팅 장치의 블록 구성도이다.

도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.

컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.

프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망 모델의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망 모델의 가중치 업데이트 등의 신경망 모델의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 신경망 모델의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 신경망 모델의 학습, 신경망 모델을 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 신경망 모델의 학습, 신경망 모델을 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따른 네트워크부(150)는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.

또한, 본 개시에서 제시되는 네트워크부(150)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.

본 개시에서 네트워크부(150)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다. 본 개시에서 설명된 기술들은 위에서 언급된 다른 네트워크들 에서도 사용될 수 있다.

도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.

본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화 학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.

뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.

도 3은 본 개시의 일 실시예에 따른 2D 이미지 정보를 이용하여, 물품의 결함을 검사하는 방법을 나타낸 순서도이다.

본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 "물품의 결함을 검사하기 위한 이미지 정보"를 직접 획득하거나 또는 외부 시스템으로부터 수신할 수 있다. 외부 시스템은 이미지 정보들을 저장하고 관리하는 서버, 데이터베이스 등일 수 있다. 컴퓨팅 장치(100)는 직접 획득하거나 외부 시스템으로부터 수신된 이미지 정보를 " 물품의 결함을 검사하기 위한 입력 데이터"로서 사용할 수 있다.

컴퓨팅 장치(100)는 하나 이상의 이미지를 획득할 수 있다(S110). 예를 들어, 하나 이상의 이미지는 결함을 검사하기 위한 물품의 이미지를 포함할 수 있다. 구체적으로, 상기 결함을 검사하기 위한 물품의 이미지는 직물, 병, 차체 표면 및 금속 등에 대한 이미지를 포함할 수 있다. 또한, 상기 하나 이상의 이미지는 볼 조인트 소켓과 같은 3차원(3D) 기계 제품에 대한 이미지를 포함할 수 있으며, 하나 이상의 2D 이미지를 포함할 수 있다. 한편, 본 개시의 일 실시예에 따르면 컴퓨팅 장치(100)는 물품의 정면 이미지, 후면 이미지, 우측 이미지, 좌측 이미지, 윗면 이미지, 또는 바닥면 이미지 중 하나 이상의 이미지를 획득할 수 있다. 하나 이상의 이미지를 획득하는 구체적인 과정은 이하 도 4를 통해 후술된다.

컴퓨팅 장치(100)는 S110 단계를 통해 획득된 이미지를 신경망 모델에 입력하고, 복수의 특징 맵들을 생성할 수 있다(S120). 예를 들어, 컴퓨팅 장치(100)는 상기 획득된 이미지에 대해 감마 보정(Gamma Correction)을 수행하고, 상기 신경망 모델에 상기 감마 보정이 수행된 이미지를 입력할 수 있다. 이때, 상기 획득된 이미지가 금속 재질의 물품에 대한 이미지일 경우 표면의 광반사 값이 다를 수 있기 때문에 감마 보정을 통해 상기 획득된 이미지의 빛의 강도를 줄여서 빛의 반사 없이 선명한 물품의 이미지를 획득할 수 있다. S110 단계를 통해 획득된 이미지에 대해 감마 보정을 수행하고, 보정된 이미지를 획득하는 구체적인 과정은 이하 도 4를 통해 후술된다.

또한, 컴퓨팅 장치(100)는 신경망 모델에 상기 감마 보정이 수행된 이미지를 입력하고, 복수의 특징 맵들을 생성할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 신경망 모델에 포함된 복수의 제 1 컨벌루션 층(Convolution Layer)과 복수의 제 1 풀링 층(Pooling Layer)을 이용하여 상기 이미지의 특징들을 추출하고, 상기 추출된 특징들에 기초하여 복수의 특징 맵들을 생성할 수 있다. 구체적으로, 컴퓨팅 장치(100)는 복수의 제 1 컨벌루션 층(Convolution Layer)과 복수의 제 1 풀링 층(Pooling Layer)이 번갈아 연결된 구조에 상기 감마 보정이 수행된 이미지를 입력하고, 상기 이미지의 특징들을 추출하고, 상기 추출된 특징들에 기초하여 복수의 특징 맵들을 생성할 수 있다. 이때, 상기 복수의 제 1 컨벌루션 층들은 입력된 이미지에서 분류에 필요한 이미지의 특징들을 추출하는 데 사용될 수 있다. 예를 들어, 복수의 제 1 컨벌루션 층에 이미지를 통과시키며 합성곱 연산(Convolution operation)을 수행하고, 통과된 이미지를 복수의 제 1 컨벌루션 층과 번갈아 연결된 복수의 제 1 풀링 층(Pooling Layer)에 통과시켜 맥스 풀링(Max pooling)을 수행함으로써 상기 입력된 이미지의 특징들을 추출할 수 있고, 상기 추출된 이미지의 특징들에 기초하여 복수의 특징 맵들을 생성할 수 있다. 이때, 맥스 풀링을 수행하는 이유는 ① 가장 큰 특징(feature) 값이 계산 시 가장 큰 영향을 주기 때문에 출력 값에 영향이 가장 크고 ② 특징을 가장 잘 나타내기 때문이다. 신경망 모델에 포함된 복수의 제 1 컨벌루션 층(Convolution Layer)과 복수의 제 1 풀링 층(Pooling Layer)을 이용하여 이미지의 특징들을 추출하고, 추출된 특징들에 기초하여 복수의 특징 맵들을 생성하는 구체적인 과정은 이하 도 5를 통해 후술된다.

컴퓨팅 장치(100)는 S120 단계를 통해 생성된 복수의 특징 맵들에 기초하여, 제 1 특징 벡터를 추출할 수 있다(S130-1). 예를 들어, 컴퓨팅 장치(100)는 상기 복수의 특징 맵들에 대해 추가적인 풀링(pooling)을 수행하여, 상기 제 1 특징 벡터를 추출할 수 있다. 구체적으로, 컴퓨팅 장치(100)는 상기 복수의 특징 맵들에 대해 전역 평균 풀링(Global average pooling)을 수행하고, 상기 제 1 특징 벡터를 추출할 수 있다. 이때, 상기 복수의 특징 맵들에 대해 채널 별로 전역 평균 풀링(Global average pooling)을 수행함으로써, HxW의 사이즈(size)인 1개의 특징 맵(feature map)을 1개의 값(value)로 수렴시킬 수 있으므로 상기 복수의 특징 맵들을 하나의 제 1 특징 벡터로 추출할 수 있다. 상기 추출된 제 1 특징 벡터는 복수의 특징 맵들 중 결함 여부와 관련 있는 특징 맵을 식별하기 위한 제 2 특징 벡터를 추출하는 과정에서 이용될 수 있고, 신경망 모델을 활용하여, 결함 여부를 예측하는 과정에서 사용될 수 있으며, 이에 대한 구체적인 설명은 이하 도 6, 도 7a, 및 도 8을 통해 후술된다.

컴퓨팅 장치(100)는 S130-1 단계를 통해 추출된 제 1 특징 벡터에 기초하여, 복수의 특징 맵들 중 결함 여부와 관련 있는 특징 맵을 식별하기 위한 제 2 특징 벡터를 추출할 수 있다(S130-2). 구체적으로, 컴퓨팅 장치(100)는 상기 제 1 특징 벡터를 하나 이상의 제 1 완전 연결 층(Fully-connected layer)에 입력하고, 상기 복수의 특징 맵들 중 결함 여부와 관련 있는 특징 맵을 식별하기 위한 제 2 특징 벡터를 추출할 수 있다. 예를 들어, 상기 복수의 특징 맵들에 전역 평균 풀링이 수행되어 공간적인 정보가 제거되고, 채널(Channel)의 정보만 남은 상기 제 1 특징 벡터를 두 개의 제 1 완전 연결 층(Fully-connected layer)에 입력하여, 각 채널별로 중요한 정도가 학습되고, 상기 복수의 특징 맵들 중 결함 여부와 가장 관련 있는 특징 맵을 식별하기 위한 제 2 특징 벡터가 추출될 수 있다. 상기 추출된 제 2 특징 벡터는 신경망 모델을 활용하여, 결함 여부를 예측하는 과정에서 사용될 수 있으며, 이에 대한 구체적인 설명은 이하 도 6, 도 7a 및 도 8을 통해 후술된다.

컴퓨팅 장치(100)는 S120 단계를 통해 생성된 복수의 특징 맵들에 기초하여, 결함 여부와 관련 있는 특징 맵 영역을 식별하기 위한 제 3 특징 벡터를 추출할 수 있다(S130-3). 구체적으로, 컴퓨팅 장치(100)는 하나 이상의 제 2 컨벌루션 층(Convolution Layer)에 상기 복수의 특징 맵들을 입력하고, 컨벌루션 연산을 적용하고, 상기 컨벌루션 연산이 적용된 특징 맵들에 대해 추가적인 풀링(pooling)을 수행하고, 결함 여부와 관련 있는 특징 맵 영역을 식별하기 위한 제 3 특징 벡터를 추출할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 상기 컨벌루션 연산이 적용된 특징 맵들에 대해 전역 평균 풀링(Global average pooling)을 수행하고, 결함 여부와 관련 있는 특징 맵 영역을 식별하기 위한 제 3 특징 벡터를 추출할 수 있다. 이때, 컴퓨팅 장치(100)는 하나 이상의 제 2 컨벌루션 층(Convolution Layer)에 상기 복수의 특징 맵들을 입력하고, 컨벌루션 연산을 적용함으로써 채널의 정보를 삭제하고 공간적인 중요도를 가진 특징 맵(feature map)을 생성할 수 있고, 생성된 상기 공간적인 중요도를 가진 특징 맵에 대해 전역 평균 풀링을 수행하여 결함 여부와 관련 있는 특징 맵 영역을 식별하기 위한 제 3 특징 벡터를 추출할 수 있다. 상기 추출된 제 3 특징 벡터는 신경망 모델을 활용하여, 결함 여부를 예측하는 과정에서 사용될 수 있으며, 이에 대한 구체적인 설명은 이하 도 6, 도 7b 및 도 8을 통해 후술된다.

컴퓨팅 장치(100)는 신경망 모델을 활용하여, S130-1 단계를 통해 생성된 제 1 특징 벡터, S130-2 단계를 통해 생성된 제 2 특징 벡터, 및 S130-3 단계를 통해 생성된 제 3 특징 벡터에 기초하여, 결함 여부를 예측할 수 있다(S140). 예를 들어, 컴퓨팅 장치(100)는 상기 제 2 특징 벡터, 및 상기 제 3 특징 벡터를 연관(concatenate)시켜 제 1 합성 벡터를 생성하고, 상기 제 1 합성 벡터 및 상기 제 1 특징 벡터를 연관(concatenate)시켜 최종 합성 벡터를 생성하고, 상기 최종 합성 벡터에 기초하여 결함 여부를 예측할 수 있다. 구체적으로, 컴퓨팅 장치(100)는 상기 최종 합성 벡터를 하나 이상의 제 2 완전 연결 층(Fully-connected layer)에 입력하고, 결함 여부를 예측할 수 있다. 상기 최종 합성 벡터에 기초하여 결함 여부를 예측하는 과정에 대한 구체적인 설명은 이하 도 8을 통해 후술된다.

도 4는 본 개시의 실시예에 따른 하나 이상의 이미지를 획득하고, 획득된 이미지에 대해 감마 보정(Gamma Correction)을 수행하는 과정을 나타낸 개략도이다.

도 4를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 물품의 결함을 검사하기 위해 물품(10)에 대한 하나 이상의 이미지(12)를 획득할 수 있다(11). 구체적으로, 상기 결함을 검사하기 위한 대상이 되는 물품의 이미지는 직물, 병, 차체 표면 및 금속 등에 대한 이미지를 포함할 수 있다. 또한, 상기 하나 이상의 이미지는 볼 조인트 소켓과 같은 3차원(3D) 기계 제품에 대한 이미지를 포함할 수 있으며, 하나 이상의 2D 이미지를 포함할 수 있다. 한편, 볼 조인트 소켓과 같은 3차원(3D) 기계 제품의 결함 검사 절차는 3D 물품의 어느 부분에서나 결함이 발생할 수 있기 때문에 결함 검사 과정이 더욱 까다로운 문제점이 있고, 일반적으로 3D 카메라를 이용하여 결함 검사를 위한 데이터를 수집하지만 2D 카메라의 이미지에 비해 비용이 훨씬 비싸며, 3D 데이터 포인트 처리 등 다양한 전처리 과정을 수행해야 하기 때문에 2D 카메라 이미지를 사용하는 것에 비하여 작업 시간이 많이 소요되어 실시간으로 결함을 검사하기에는 적용이 어렵다. 이와 달리, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 물품의 정면 이미지, 후면 이미지, 우측 이미지, 좌측 이미지, 윗면 이미지, 또는 바닥면 이미지 등 다양한 각도에서 3D 물체의 모든 부분의 이미지를 2D 카메라로 촬영하고(11), 하나 이상의 이미지(12)를 획득할 수 있다. 이때, 2D 이미지의 처리 시간은 3D 카메라 데이터에 비해 짧아 실시간으로 결함 검사에 적용이 가능하며, 전처리 과정이 3D 카메라 데이터에 비하여 비교적 간단하기 때문에 비용이 상대적으로 저렴하다.

본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 직접 획득하거나 또는 외부 시스템으로부터 수신한 하나 이상의 이미지(12)를 물품의 결함을 검사하기 위한 입력 데이터로 사용할 수 있다. 한편, 하나 이상의 이미지(12)는 물품의 정면 이미지, 후면 이미지, 우측 이미지, 좌측 이미지, 윗면 이미지, 또는 바닥면 이미지에 한정되지 않고, 이러한 예시들 이외에도 다양한 각도에서 촬영된 이미지들이 포함될 수 있다. 또한, 상기 물품(10)은 볼 조인트 소켓에 한정되지 않고, 이러한 예시들 이외에도 결함 검사의 대상이 되는 다양한 3차원 물품들이 포함될 수 있다.

컴퓨팅 장치(100)는 상기 하나 이상의 이미지(12)에 대하여 감마 보정(Gamma Correction)을 수행할 수 있다(13). 한편, 결함 검사의 대상이 되는 물품이 금속 제품인 경우 물품의 빛 반사율이 표면의 각 부분마다 다를 수 있으며, 광원과 강도의 균형이 문제가 될 수 있다. 예를 들어, 광원의 강도가 높으면 금속 물품의 반짝이는 부분에서 빛 반사가 덜 되는 부분에 비해 반사율이 높고, 광원의 강도가 낮으면 금속 물품의 빛 반사가 적은 부분을 캡쳐하기가 어렵다. 따라서, 본 개시의 일 실시예에 따라 컴퓨팅 장치(100)는 먼저 물품의 빛나는 부분에서 빛 반사가 없는지 확인하기 위해 빛의 강도를 줄일 수 있고, 상기 획득된 하나 이상의 이미지(12)의 밝기를 높이기 위해 감마 보정을 수행(13)함으로써, 빛의 반사 없이 선명한 물품의 감마 보정된 이미지(14)를 획득할 수 있다. 한편, 본 개시의 또 다른 실시예에 따르면 컴퓨팅 장치(100)는 상기 획득된 하나 이상의 이미지(12)에 대해 크기를 조정할 수 있다. 예를 들어, 제 1 물품의 정면 이미지와 제 2 물품의 정면 이미지가 다른 크기일 경우에 컴퓨팅 장치(100)는 두 장의 이미지를 같은 크기로 조정할 수 있다. 이때, 원본 이미지와 크기가 조정된 이미지의 차이가 지나치게 커지면 물품의 작은 결함이 상기 크기가 조정된 이미지에서 거의 표현되지 않을 수 있기 때문에 결함 검사 작업이 훨씬 어려워질 수 있다. 따라서, 원본 이미지와 크기가 조정된 이미지의 차이가 지나치게 커지지 않도록 이미지의 크기가 조정되어야 할 수 있고, 예시적으로 조정되는 크기는 380x380(Height x Width)의 크기로 지정될 수 있다. 상기 획득된 하나 이상의 이미지(12)에 대해 이미지가 조정되는 크기는 실험적으로 선택될 수 있으며, 상기 380x380(Height x Width)의 크기는 예시에 불과할 뿐, 상기 획득된 하나 이상의 이미지(12)에 대하여 다양한 크기의 조정이 수행될 수 있다. 한편, 상기 감마 보정된 이미지(14) 또는 상기 크기가 조정된 이미지는 신경망 모델에 입력되어 복수의 특징 맵들이 생성되는 과정에서 사용될 수 있으며 구체적인 과정은 이하 도 5를 통해 설명된다.

도 5는 본 개시의 일 실시예에 따라 신경망 모델에 획득된 이미지를 입력하고, 상기 신경망 모델에 포함된 복수의 제 1 컨벌루션 층(Convolution Layer)과 복수의 제 1 풀링 층(Pooling Layer)을 이용하여 이미지의 특징들을 추출하고, 상기 추출된 특징들에 기초하여 복수의 특징 맵들을 생성하는 과정을 나타낸 개략도이다.

도 5를 참조하면, 컴퓨팅 장치(100)는 상기 감마 보정된 이미지(14)를 신경망 모델(20)에 입력하고, 신경망 모델에 포함된 복수의 제 1 컨벌루션 층(Convolution Layer)과 복수의 제 1 풀링 층(Pooling Layer)(21)을 이용하여 상기 이미지(14)의 특징들을 추출하고, 상기 추출된 특징들에 기초하여 복수의 특징 맵들(22)을 생성할 수 있다. 구체적으로, 컴퓨팅 장치(100)는 복수의 제 1 컨벌루션 층(Convolution Layer)과 복수의 제 1 풀링 층(Pooling Layer)이 번갈아 연결된 구조(21)에 상기 감마 보정이 수행된 이미지(14)를 입력하고, 상기 이미지(14)의 특징들을 추출하고, 상기 추출된 특징들에 기초하여 복수의 특징 맵들(14)을 생성할 수 있다. 이때, 상기 복수의 제 1 컨벌루션 층들은 입력된 이미지에서 분류에 필요한 이미지의 특징들을 추출하는 데 사용될 수 있다. 예를 들어, 복수의 제 1 컨벌루션 층에 이미지(14)를 통과시키며 합성곱 연산(Convolution operation)을 수행하고, 통과된 이미지를 복수의 제 1 컨벌루션 층과 번갈아 연결된 복수의 제 1 풀링 층(Pooling Layer)에 통과시켜 맥스 풀링(Max pooling)을 수행함으로써 상기 입력된 이미지(14)의 특징들을 추출할 수 있고, 상기 추출된 이미지의 특징들에 기초하여 복수의 특징 맵들(22)을 생성할 수 있다. 이때, 맥스 풀링을 수행하는 이유는 ① 가장 큰 특징(feature) 값이 계산 시 가장 큰 영향을 주기 때문에 출력 값에 영향이 가장 크고 ② 입력된 데이터의 특징을 가장 잘 나타내기 때문이다. 다만, 본 개시의 일 실시예에서 통과된 이미지를 복수의 제 1 컨벌루션 층과 번갈아 연결된 복수의 제 1 풀링 층(Pooling Layer)에 통과시켜 맥스 풀링(Max pooling)을 수행하는 것은 예시에 불과할 뿐, 상기 이미지를 복수의 제 1 컨벌루션 층과 번갈아 연결된 복수의 제 1 풀링 층(Pooling Layer)에 통과시키는 과정에서 맥스 풀링 이외에도 평균 풀링(Average pooling) 등 다양한 풀링이 수행될 수 있다. 한편, 상기 입력된 데이터가 상기 복수의 제 1 컨벌루션 층과 번갈아 연결된 복수의 제 1 풀링 층(Pooling Layer)에 통과됨으로써 상기 복수의 제 1 컨벌루션 층으로부터 출력된 특징 맵의 차원이 낮춰지고, 이를 통해 모델의 처리 시간이 줄어들 수 있다. 예를 들어, 컴퓨팅 장치(100)는 입력된 이미지(14)를 7개의 제 1 컨벌루션 층과 7개의 제 1 풀링 층을 번갈아 연결된 구조에 통과 시킬 수 있다. 이때, 입력된 이미지(14)에서 유용한 지역적 패턴을 얻기 위해 상기 7개 중 첫번째 제 1 컨벌루션 층에서 차원이 3x3이고, 스트라이드(Stride, 필터의 이동량)가 1x1인 필터(filter) 32개가 사용될 수 있고, 상기 7개 중 두 번째부터 다섯 번째 제 1 컨벌루션 층에서는 차원이 3x3이고, 스트라이드(Stride, 필터의 이동량)가 1x1인 필터(filter) 64개가 사용될 수 있으며, 상기 7개 중 여섯 번째부터 마지막 제 1 컨벌루션 층에서는 차원이 3x3이고, 스트라이드(Stride, 필터의 이동량)가 1x1인 필터(filter) 128개가 사용될 수 있다. 한편, 복수의 제 1 컨벌루션 층의 활성화 함수는 모두 ReLU(rectified linear unit)가 사용될 수 있고, 상기 복수의 제 1 풀링 층은 맥스 풀링 층일 수 있으며, 상기 복수의 제 1 풀링 층은 각 제 1 컨벌루션 층 다음에 적용되는 풀 사이즈(pool size)와 스트라이드(stride)의 크기가 각각 2x2인 맥스 풀링 층(max pooling layer)을 포함할 수 있다. 예를 들어, 입력 이미지(14)의 텐서 형태(Input Tensor Shape)가 380x380x3 (height x width x channel)인 경우, 상기 7개의 제 1 컨벌루션 층과 7개의 제 1 풀링 층을 번갈아 연결된 구조에 통과되어 생성된 복수의 특징 맵들(22)의 텐서 형태(Output Tensor Shape)는 2x2x128 (height x width x channel)의 형태가 될 수 있다. 상기 생성된 복수의 특징 맵들(22)은 입력 이미지(14)에서 결함 검사에 필요한 특징들을 포함하고 있으나, 물품의 결함이 아주 작은 경우, 결함이 있는 이미지와 결함이 없는 이미지의 유사도가 매우 높기 때문에 입력 이미지(14)에서 추가적인 특징들을 이용하여야 신경망 모델이 물품의 결함을 예측하는 정확도가 높아질 수 있다. 따라서, 컴퓨팅 장치(100)는 상기 복수의 특징맵들(22)에 기초하여, 제 1 특징 벡터, 복수의 특징 맵들 중 결함 여부와 관련 있는 특징 맵을 식별하기 위한 제 2 특징 벡터, 및 결함 여부와 관련 있는 특징 맵 영역을 식별하기 위한 제 3 특징 벡터를 추출할 수 있으며, 구체적인 과정은 이하 도 6 내지 도 7b를 통해 후술된다.

도 6은 본 개시의 일 실시예에 따라 복수의 특징 맵들에 기초하여, 제 1 특징 벡터, 제 2 특징 벡터, 및 제 3 특징 벡터를 추출하는 과정을 나타낸 개략도이다.

도 6을 참조하면, 본 개시의 일 실시예에 따라 컴퓨팅 장치(100)는 상기 복수의 특징 맵들(22)에 대해 전역 평균 풀링 (Gloval average Pooling)을 수행(30)하고, 제 1 특징 벡터(31)를 추출할 수 있다. 이때, 상기 복수의 특징 맵들(22)에 대해 채널 별로 전역 평균 풀링(Global average pooling)을 수행함으로써, 높이 x 너비(Height x Width)의 사이즈(size)가 2x2인 1개의 특징 맵(feature map)을 1개의 값(value)로 수렴시킬 수 있으므로 상기 복수의 특징 맵들(22)을 하나의 제 1 특징 벡터(31)로 추출할 수 있다. 예를 들어, 상기 복수의 특징 맵들(22)이 128개의 채널 별로 존재하는 2x2의 사이즈를 가진 특징 맵들과 대응되는 경우, 2x2x128 (Height x Width x Channel)의 텐서 형태에 대해 전역 평균 풀링을 수행하면 128개의 값을 가지는 1차원 형태의 제 1 특징 벡터(31)가 추출될 수 있다. 상기 추출된 제 1 특징 벡터(31)는 복수의 특징 맵들(22) 중 결함 여부와 관련 있는 특징 맵을 식별하기 위한 제 2 특징 벡터(41)를 추출하는 과정(40)에서 이용될 수 있고, 신경망 모델(20)을 활용하여, 결함 여부를 예측하는 과정에서 사용될 수 있다. 제 2 특징 벡터(41)를 추출하는 과정(40)에 대한 구체적인 설명은 이하 도 7a를 통해 후술된다.

한편, 도 6을 참조하면, 컴퓨팅 장치(100)는 상기 복수의 특징 맵들(22)에 기초하여 제 3 특징 벡터(51)를 추출(50)할 수 있다. 상기 추출된 제 3 특징 벡터(51)는 신경망 모델을 활용하여, 결함 여부를 예측하는 과정에서 사용될 수 있으며, 제 3 특징 벡터(51)를 추출하는 과정에 대한 구체적인 설명은 이하 도 7b를 통해 후술된다.

도 7a는 본 개시의 일 실시예에 따라 추출된 제 1 특징 벡터에 기초하여, 복수의 특징 맵들 중 결함 여부와 관련 있는 특징 맵을 식별하기 위한 제 2 특징 벡터를 추출하는 과정을 나타낸 개략도이다.

도 7a를 참조하면, 컴퓨팅 장치(100)는 상기 추출된 제 1 특징 벡터(31)를 하나 이상의 제 1 완전 연결층에 입력하고, 복수의 특징 맵들(22) 중 결함 여부와 관련 있는 특징 맵을 식별하기 위한 제 2 특징 벡터(41)를 추출할 수 있다. 예를 들어, 상기 복수의 특징 맵들(22)에 전역 평균 풀링이 수행되어 공간적인 정보가 제거되고, 채널(Channel)의 정보만 남은 상기 제 1 특징 벡터(31)가 두 개의 제 1 완전 연결 층(Fully-connected layer)(40-1)에 입력되어, 각 채널 별로 중요한 정도가 학습되고, 상기 복수의 특징 맵들(22) 중 결함 여부와 가장 관련 있는 특징 맵을 식별하기 위한 제 2 특징 벡터(41)를 추출될 수 있다(40). 예를 들어, 상기 제 2 특징 벡터(41)는 다음과 같은 수학식을 기초로 연산되어 추출될 수 있다.

[수학식 1]

상기 수학식 1 에서 FC1은 두개의 제 1 완전 연결 층(40-1) 중 첫 번째 층을, FC2는 두개의 제 1 완전 연결 층(40-1) 중 두 번째 층을 의미할 수 있고, 상기 FC1의 은닉 층(hidden layer)은 128로 설정되고, 상기 FC2의 은닉 층(hidden layer)은 64로 설정될 수 있으며, 이를 통해 제 2 특징 벡터(41)의 사이즈(size)는 64로 추출될 수 있다. 한편, 도 7a의 상기 제 2 특징 벡터(41)가 추출되는 과정은 채널 간의 상호 의존성을 활용하여 필요한 입력 특징점에 집중하고, 글로벌 에버리지 풀링(Global Average Pooling; GAP)을 사용하여 채널 정보를 압축하고 컨볼루션 층 을 통해 입력 특징점을 복원하며, 네트워크 내에서 집중해야 할 부분에 대한 입력 특징점들을 강화하고 복원하는 채널 어텐션(Channel attention) 과정을 포함할 수 있다.

또한, 상기 채널 어텐션 과정을 통해 상기 복수의 특징맵들(22) 중 결함 여부와 가장 관련성이 높은 특징 맵을 추출할 수 있으며, 결함 여부와 가장 관련 있는 특징 맵에 대한 정보를 포함한 제 2 특징 벡터(41)를 다른 특징 벡터(제 1, 또는 제 3 특징 벡터)와 연관(concatenate)시키는 과정을 통해 채널 어텐션의 출력값이 결함 예측 과정에서 적용될 수 있다. 이에 대한 구체적인 설명은 이하 도 8을 통해 후술된다.

도 7b는 본 개시의 일 실시예에 따라 복수의 특징 맵들에 기초하여, 결함 여부와 관련 있는 특징 맵 영역을 식별하기 위한 제 3 특징 벡터를 추출하는 과정을 나타낸 개략도이다.

도 7b를 참조하면, 컴퓨팅 장치(100)는 상기 생성된 복수의 특징맵들(22)을 하나 이상의 제 2 컨벌루션 층(50-1)에 입력하고, 결함 여부와 관련 있는 특징 맵 영역을 식별하기 위한 제 3 특징 벡터(51)를 추출할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 3 개의 제 2 컨벌루션 층(Convolution Layer)(50-1)에 상기 복수의 특징 맵들을 입력하고, 컨벌루션 연산을 적용함으로써 채널의 정보를 삭제하고 공간적인 중요도를 가진 특징 맵(feature map)을 생성할 수 있고, 생성된 상기 공간적인 중요도를 가진 특징 맵에 대해 전역 평균 풀링(50-2)을 수행하여 결함 여부와 관련 있는 특징 맵 영역을 식별하기 위한 제 3 특징 벡터(51)를 추출할 수 있다. 이를 통해, 상기 추출된 제 3 특징 벡터(51)는 "상기 공간적인 중요도를 가진 특징 맵들에 대한 결함 검사에서 중요한 영역의 정보”를 포함할 수 있다.

예를 들어, 상기 제 3 특징 벡터(51)는 다음과 같은 수학식을 기초로 연산되어 추출될 수 있다.

[수학식 2]

상기 수학식 2 에서 Z1, Z2, Z3은 각각 세 개의 제 2 컨벌루션 층(50-1) 중 첫 번째, 두번째, 세번째 층을 의미할 수 있고, GAP는 전역 평균 풀링(50-2)를 의미할 수 있다. 또한, 상기 Z1 층 및 상기 Z3 층은 사이즈가 1x1인 64개의 필터를 포함할 수 있고, 상기 Z2 층은 사이즈가 3x3인 64개의 필터를 포함할 수 있다. 컴퓨팅 장치(100)는 상기 Z1, Z2, 및 Z3의 3개의 제 2 컨벌루션 층(Convolution Layer)(50-1)에 상기 복수의 특징 맵들(22)을 입력하고, 컨벌루션 연산을 적용함으로써 채널의 정보를 삭제하고 공간적인 중요도를 가진 특징 맵(feature map)을 생성할 수 있고, 생성된 상기 공간적인 중요도를 가진 특징 맵에 대해 전역 평균 풀링(50-2)을 수행함으로써, 높이 x 너비(Height x Width)의 사이즈(size)가 2x2인 1개의 상기 공간적인 중요도를 가진 특징 맵(feature map)을 1개의 값(value)로 수렴시킬 수 있으므로 상기 공간적인 중요도를 가진 특징 맵들을 하나의 제 3 특징 벡터(51)로 추출할 수 있다. 예를 들어, 상기 공간적인 중요도를 가진 특징 맵들이 64개의 채널 별로 존재하는 2x2의 사이즈를 가진 특징 맵들과 대응되는 경우, 2x2x64 (Height x Width x Channel)의 텐서 형태에 대해 전역 평균 풀링을 수행하면 64개의 값을 가지는 1차원 형태의 제 3 특징 벡터(51)가 추출될 수 있다. 한편, 도 7b의 상기 제 3 특징 벡터(41)가 추출되는 과정은 이미지에서의 각 픽셀들의 위치(가운데, 모서리, 왼쪽, 오른쪽 등)에 대해서 집중하여 구분하는 역할을 수행할 수 있는 공간 어텐션(Spatial attention) 과정을 포함할 수 있다.

또한, 상기 공간 어텐션 과정을 통해 상기 추출된 제 3 특징 벡터(51)는 "상기 공간적인 중요도를 가진 특징 맵들에 대한 결함 검사에서 중요한 영역의 정보”를 추출할 수 있으며, 결함 여부와 관련 있는 특징 맵 영역에 대한 정보를 포함한 제 3 특징 벡터(51)를 다른 특징 벡터(제 1, 또는 제 2 특징 벡터)와 연관(concatenate)시키는 과정을 통해 공간 어텐션의 출력값이 결함 예측 과정에서 적용될 수 있다. 이에 대한 구체적인 설명은 이하 도 8을 통해 후술된다.

도 8은 본 개시의 일 실시예에 따라 신경망 모델을 활용하여, 제 1 특징 벡터, 제 2 특징 벡터, 및 제 3 특징 벡터에 기초하여 결함 여부를 예측하는 과정을 나타낸 개략도이다.

도 8을 참조하면, 컴퓨팅 장치(100)는 상기 제 2 특징 벡터(41) 및 상기 제 3 특징 벡터(51)를 연관(concatenate)시켜 제 1 합성 벡터(52)를 생성할 수 있다. 예를 들어, 상기 제 2 특징 벡터(41)가 64개의 값을 가진 1차원 형태의 벡터이고, 상기 제 3 특징 벡터(51)가 64개의 값을 가진 1차원 형태의 벡터일 때, 두 벡터를 연관(concatenate)시켜 제 1 합성 벡터(52)를 생성할 수 있다. 이때, 상기 제 2 특징 벡터(41)는 복수의 특징 맵들(22)에서 결함 여부와 가장 관련성이 높은 특징에 대한 정보를 포함하고 있고, 상기 제 3 특징 벡터(51)는 복수의 특징 맵들(22)에서 결함 여부와 관련 있는 특징 맵 영역에 대한 정보를 포함하고 있으므로 상기 두 개의 벡터(41,51)는 상호 보완적이고, 상기 두 개의 벡터(41,51)를 연관시켜 생성된 상기 제 1 합성 벡터(52)는 복수의 특징 맵들(22)에서 결함 여부와 가장 관련성이 높은 특징에 대한 정보와 결함 여부와 관련 있는 특징 맵 영역에 대한 정보를 모두 포함할 수 있다.

추가적으로, 컴퓨팅 장치(100)는 상기 제 1 합성 벡터(52) 및 상기 제 1 특징 벡터(31)를 연관(concatenate)시켜 최종 합성 벡터(53)를 생성할 수 있고, 상기 최종 합성 벡터(53)에 기초하여 결함 여부를 예측할 수 있다. 예를 들어, 상기 복수의 특징 맵들(22)에서 결함 여부와 가장 관련성이 높은 특징에 대한 정보와 결함 여부와 관련 있는 특징 맵 영역에 대한 정보가 모두 포함된 상기 제 1 합성 벡터(52)를 상기 복수의 특징 맵들(22)의 결함 검사에 필요한 특징들에 대한 정보가 포함된 상기 제 1 특징 벡터(31)와 연관 시킴으로써, 상기 최종 합성 벡터(53)는 상기 복수의 특징 맵들(22)의 결함 검사에 필요한 특징들에 대한 정보에 상기 복수의 특징 맵들(22)에서 결함 여부와 가장 관련성이 높은 특징에 대한 정보와 결함 여부와 관련 있는 특징 맵 영역에 대한 정보가 반영된 정보를 포함할 수 있다. 따라서, 상기 최종 합성 벡터(53)를 하나 이상의 제 2 완전 연결 층(Fully Connected Layer)(54)에 입력하고, Sotfmax 함수를 이용하여 신경망 모델은(20) 물품의 결함 여부를 예측할 수 있다(55). 본 개시의 실시예에 따르면 2D 이미지를 기초로 물품의 결함 여부를 예측함으로써, 3D 카메라를 이용한 방법에 비하여 비용이 저렴하고, 예측 속도가 빠른 기술적 효과가 존재한다. 또한, 각각 채널 어텐션 과정과 공간 어텐션 과정에 대응되는, “복수의 특징 맵들(22) 중 결함 여부와 관련 있는 특징 맵을 식별하기 위한 상기 제 2 특징 벡터(41)가 추출되는 과정”과 “결함 여부와 관련 있는 특징 맵 영역을 식별하기 위한 제 3 특징 벡터(51)를 추출하는 과정”이 병렬적으로 수행되고, 상호 보완적인 두가지 벡터(41,51)가 결함 예측 과정에서 같이 사용됨으로써 결함 예측의 정확도가 상승될 수 있는 기술적 효과가 있다. 물품의 결함 예측에 활용되는 상기 신경망 모델(20)은 훈련용 80%, 테스트용 20%로 구성된 데이터 세트 중 훈련용 데이터인 80%의 데이터 세트를 통해 학습될 수 있고, 상기 데이터 세트에 포함된 신경망 모델에 입력되는 이미지는 380 x 380 x 3 (Height x Width x Channel)의 차원으로 설정될 수 있고, 상기 신경망 모델(20)을 학습하는 데 사용되는 손실 함수는 CE(Cross Entropy) loss가 활용될 수 있다.

상기 신경망 모델(20)의 기술적 효과와 관련한 실험 데이터는 다음 표을 참조하여 설명된다.

<제 1, 제 2, 제 3 특징 벡터 이용 여부에 따른 신경망 모델(20)에 각각에 대한 예측 수행 결과의 정확도 비교표>

상기 비교표에서 MODEL-1은 제 1 특징 벡터(31)만을 활용하여 결함 예측을 수행하는 신경망 모델이고, MODEL-2는 제 1 특징 벡터와 제 2 특징 벡터를 활용하여 결함 예측을 수행하는 신경망 모델이고, MODEL-3은 제 1 특징 벡터와 제 3 특징 벡터를 활용하여 결함 예측을 수행하는 신경망 모델이고, MODEL-4는 제 1 특징 벡터, 제 2 특징 벡터, 및 제 3 특징 벡터를 활용하여 결함 예측을 수행하는 신경망 모델(본 개시의 실시예에 따른 신경망 모델(20)과 대응됨)이다. Accuracy는 결함 예측의 정확도를 의미할 수 있다.

상기 표를 참조하면, “본 개시의 실시예에 따라 결함 예측을 수행하는 신경망 모델(20)”이 “제 1 특징 벡터(31)만을 이용하여 결함 예측을 수행하는 신경망 모델”, “제 1 특징 벡터(31) 및 제 2 특징 벡터(41)를 이용하여 결함 예측을 수행하는 신경망 모델”, 및 “제 1 특징 벡터(31) 및 제 3 특징 벡터(51)를 이용하여 결함 예측을 수행하는 신경망 모델”보다 결함 예측을 정확하게 수행함을 알 수 있다.

본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다. 데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.

데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.

비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 이하에서는 신경망으로 통일하여 기술한다. 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.

데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

도 9는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 통상의 기술자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 통상의 기술자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 통상의 기술자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (12)

1. 컴퓨팅 장치에 의해 수행되는, 물품의 결함 여부를 예측하기 위한 방법으로서,
   하나 이상의 이미지를 획득하는 단계;
   신경망 모델에 상기 획득된 이미지를 입력하고, 복수의 특징 맵들을 생성하는 단계;
   상기 복수의 특징 맵들에 기초하여, 제 1 특징 벡터를 추출하는 단계;
   상기 추출된 제 1 특징 벡터에 기초하여, 상기 복수의 특징 맵들 중 결함 여부와 관련 있는 특징 맵을 식별하기 위한 제 2 특징 벡터를 추출하는 단계;
   상기 복수의 특징 맵들에 기초하여, 결함 여부와 관련 있는 특징 맵 영역을 식별하기 위한 제 3 특징 벡터를 추출하는 단계; 및
   상기 신경망 모델을 활용하여, 상기 제 1 특징 벡터, 상기 제 2 특징 벡터, 및 상기 제 3 특징 벡터에 기초하여 결함 여부를 예측하는 단계;
   를 포함하고,
   상기 추출된 제 1 특징 벡터에 기초하여, 상기 복수의 특징 맵들 중 결함 여부와 관련 있는 특징 맵을 식별하기 위한 제 2 특징 벡터를 추출하는 단계는,
   상기 제 1 특징 벡터를 하나 이상의 제 1 완전 연결 층(Fully-connected layer)에 입력하고, 상기 복수의 특징 맵들 중 결함 여부와 관련 있는 특징 맵을 식별하기 위한 제 2 특징 벡터를 추출하는 단계;
   를 포함하는,
   방법.
   
2. 제 1 항에 있어서,
   상기 하나 이상의 이미지는,
   하나 이상의 2D 이미지를 포함하고,
   상기 하나 이상의 이미지를 획득하는 단계는,
   물품의 정면 이미지, 후면 이미지, 우측 이미지, 좌측 이미지, 윗면 이미지, 또는 바닥면 이미지 중 하나 이상의 이미지를 획득하는 단계를 포함하는,
   방법.
   
3. 제 1 항에 있어서,
   상기 신경망 모델에 상기 획득된 이미지를 입력하고, 복수의 특징 맵들을 생성하는 단계는,
   상기 획득된 이미지에 대해 감마 보정(Gamma Correction)을 수행하는 단계; 및
   상기 신경망 모델에 상기 감마 보정이 수행된 이미지를 입력하는 단계;
   를 포함하는,
   방법.
   
4. 제 1 항에 있어서,
   상기 신경망 모델에 상기 획득된 이미지를 입력하고, 복수의 특징 맵들을 생성하는 단계는,
   상기 신경망 모델에 포함된 복수의 제 1 컨벌루션 층(Convolution Layer)과 복수의 제 1 풀링 층(Pooling Layer)을 이용하여 상기 이미지의 특징들을 추출하고, 상기 추출된 특징들에 기초하여 복수의 특징 맵들을 생성하는 단계;
   를 포함하는,
   방법.
   
5. 제 1 항에 있어서,
   상기 복수의 특징 맵들에 기초하여, 제 1 특징 벡터를 추출하는 단계는,
   상기 복수의 특징 맵들에 대해 추가적인 풀링(pooling)을 수행하여, 상기 제 1 특징 벡터를 추출하는 단계를 포함하는,
   방법.
   
6. 제 5 항에 있어서,
   상기 추가적인 풀링(pooling)은,
   전역 평균 풀링(Global average pooling)을 포함하는,
   방법.
   
7. 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에 의해 실행되는 경우, 상기 하나 이상의 프로세서로 하여금 물품의 결함 여부를 예측하기 위한 동작들을 수행하도록 하며, 상기 동작들은:
   하나 이상의 이미지를 획득하는 동작;
   신경망 모델에 상기 획득된 이미지를 입력하고, 복수의 특징 맵들을 생성하는 동작;
   상기 복수의 특징 맵들에 기초하여, 제 1 특징 벡터를 추출하는 동작;
   상기 추출된 제 1 특징 벡터에 기초하여, 상기 복수의 특징 맵들 중 결함 여부와 관련 있는 특징 맵을 식별하기 위한 제 2 특징 벡터를 추출하는 동작;
   상기 복수의 특징 맵들에 기초하여, 결함 여부와 관련 있는 특징 맵 영역을 식별하기 위한 제 3 특징 벡터를 추출하는 동작; 및
   상기 신경망 모델을 활용하여, 상기 제 1 특징 벡터, 상기 제 2 특징 벡터, 및 상기 제 3 특징 벡터에 기초하여 결함 여부를 예측하는 동작;
   을 포함하고,
   상기 추출된 제 1 특징 벡터에 기초하여, 상기 복수의 특징 맵들 중 결함 여부와 관련 있는 특징 맵을 식별하기 위한 제 2 특징 벡터를 추출하는 동작은,
   상기 제 1 특징 벡터를 하나 이상의 제 1 완전 연결 층에 입력하고, 상기 복수의 특징 맵들 중 결함 여부와 관련 있는 특징 맵을 식별하기 위한 제 2 특징 벡터를 추출하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
8. 컴퓨팅 장치로서,
   적어도 하나의 프로세서; 및
   메모리
   를 포함하고,
   상기 적어도 하나의 프로세서는,
   하나 이상의 이미지를 획득하고;
   신경망 모델에 상기 획득된 이미지를 입력하고, 복수의 특징 맵들을 생성하고;
   상기 복수의 특징 맵들에 기초하여, 제 1 특징 벡터를 추출하고;
   상기 추출된 제 1 특징 벡터에 기초하여, 상기 복수의 특징 맵들 중 결함 여부와 관련 있는 특징 맵을 식별하기 위한 제 2 특징 벡터를 추출하고;
   상기 복수의 특징 맵들에 기초하여, 결함 여부와 관련 있는 특징 맵 영역을 식별하기 위한 제 3 특징 벡터를 추출하고; 그리고
   상기 신경망 모델을 활용하여, 상기 제 1 특징 벡터, 상기 제 2 특징 벡터, 및 상기 제 3 특징 벡터에 기초하여 결함 여부를 예측하도록 구성되고,
   상기 추출된 제 1 특징 벡터에 기초하여, 상기 복수의 특징 맵들 중 결함 여부와 관련 있는 특징 맵을 식별하기 위한 제 2 특징 벡터를 추출하는 것은,
   상기 제 1 특징 벡터를 하나 이상의 제 1 완전 연결 층에 입력하고, 상기 복수의 특징 맵들 중 결함 여부와 관련 있는 특징 맵을 식별하기 위한 제 2 특징 벡터를 추출하는 것;
   을 포함하는,
   컴퓨팅 장치.
   
   
9. 삭제
10. 삭제
11. 삭제
12. 삭제

Images