KR102532531B1 - 복수의 뉴럴 네트워크를 이용하여 절단 공정을 위한 스마트 팩토리를 운용하는 방법 및 장치 - Google Patents

Abstract

실시예들은 복수의 뉴럴 네트워크(neural network)를 이용하여 절단 공정을 위한 스마트 팩토리를 운용하는 방법 및 장치를 제시한다. 일 실시예에 따른 상기 방법은, 생산 관리 서버는 절단 공정이 필요한 제품에 대한 주문 정보를 수신하고, 상기 주문 정보는 제품에 대한 정보, 제품에 대한 설계도, 제품의 주문량 및 주문량에 대한 납기일을 포함하고, 상기 절단 공정을 위한 스마트 팩토리에 배치된 복수의 장비에 대한 정보 및 복수의 장비 각각에 설정된 작업자 정보를 획득하고, 상기 주문 정보, 상기 복수의 장비에 대한 정보 및 상기 복수의 장비 각각에 설정된 작업자 정보를 기반으로 제1 뉴럴 네트워크를 이용하는 납기일 결정 모델을 통해 예상 납기일을 결정하고, 상기 복수의 장비 각각에 구비된 센서 모듈로부터 공정 제품에 대한 복수의 이미지를 수신하고, 상기 센서 모듈은 적어도 하나의 카메라를 포함하고, 상기 공정 제품은 상기 주문 정보에 따라 상기 복수의 장비에 의해 절단 공정이 수행된 제품이고, 상기 공정 제품에 대한 복수의 이미지를 기반으로 제2 뉴럴 네트워크를 이용하는 품질 관리 모델을 통해 상기 공정 제품에 대한 품질 점수를 결정하고, 상기 품질 점수가 기준 점수보다 크거나 같은 것에 기반하여, 상기 공정 제품에 대한 복수의 이미지를 기반으로 제3 뉴럴 네트워크를 이용하는 이물질 검출 모델을 통해 상기 공정 제품이 정상 제품인지 여부를 결정하고, 상기 공정 제품을 스마트 팩토리의 생산 현황을 업데이트하고, 상기 스마트 팩토리의 생산 현황에 대한 정보를 관리자 단말에게 전송하는 단계를 포함할 수 있다. 예를 들어, 상기 기준 점수는 상기 납기일과 상기 예상 납기일 사이의 차이 값에 기반하여 조절될 수 있다.

Description

복수의 뉴럴 네트워크를 이용하여 절단 공정을 위한 스마트 팩토리를 운용하는 방법 및 장치{METHOD AND APPARATUS FOR OPERATING SMART FACTORY FOR CUTTING PROCESS USING A PLURALITY OF NEURAL NETWORK}

본 개시의 실시예들은 절단 공정을 위한 스마트 팩토리를 운용하는 기술에 관한 것으로, 복수의 뉴럴 네트워크를 이용하여 절단 공정을 위한 스마트 팩토리를 운용하는 기술에 대한 것이다.

최근, 제조 혁신에 대한 관심이 증가하면서 그 중심에 있는 것이 바로 스마트 팩토리 기술이다. 스마트 팩토리 기술은 ICT(Information and Communication Technology)와 기존의 제조업 기술인 생산제조 기술과 융합하여 사물인터넷, 빅데이터, 클라우드 컴퓨팅, CPS(Cyber Physical System)등의 기술 등을 통해서 공장내의 장비, 장치 부품들이 서로 연결되고 상호 소통되는 생산 체계로 정의된다.

종래 스마트 팩토리와 관련된 일정 관리는 공정계획 수립과 공정일정 변경을 수작업에 의존하고 있고, 종래 전사적 자원관리 시스템(ERP)은 제조 공정 일정에 대한 데이터를 자동으로 입력받는 수단이 없어서 모든 제조공정 일정에 대한 데이터를 수작업으로 입력하여 납기일을 관리해야 하는 번거로움이 있다. 이에, 인공지능을 이용해 공정 일정이 수월하게 진행되는지를 파악하거나 예상하지 못한 문제점을 미리 예측할 수 있는 기능을 수행하고, 자동으로 일정을 관리하는 시스템이 필요할 수 있다.

또한, 생산 현장에서 근무하는 전문인력의 고령화와 인구의 감소로 인해 공정과 관련된 노하우가 전수되지 않아 생산성이 감소하고 있고, 품질을 육안으로 검사하는 시스템이 여전히 사용되고 있다. 특히, 절단 공정에서는 절단면에 포함된 미세한 이물질에 대한 검사가 필요하나, 육안으로는 절단면에 포함된 이물질을 판단하기 어려울 수 있다.

이에, 주문자로부터 수신된 주문 정보, 복수의 장비에 대한 정보 및 복수의 장비 각각에 설정된 작업자 정보를 기반으로 뉴럴 네트워크를 이용하여 예상 납기일을 결정하고, 절단 공정이 수행된 제품에 대한 복수의 이미지를 기반으로 뉴럴 네트워크를 이용하여 공정 제품에 대한 품질 점수를 결정하고, 이물질을 검출함으로써, 절단 공정을 위한 스마트 팩토리를 운용하는 방법이 필요할 수 있다.

본 개시의 실시예들은, 복수의 뉴럴 네트워크를 이용하여 절단 공정을 위한 스마트 팩토리를 운용하는 방법 및 장치를 제공할 수 있다.

실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.

일 실시예에 따른 복수의 뉴럴 네트워크(neural network)를 이용하여 생산 관리 서버가 절단 공정을 위한 스마트 팩토리를 운용하는 방법은, 절단 공정이 필요한 제품에 대한 주문 정보를 수신하고, 상기 주문 정보는 제품에 대한 정보, 제품에 대한 설계도, 제품의 주문량 및 주문량에 대한 납기일을 포함하고, 상기 절단 공정을 위한 스마트 팩토리에 배치된 복수의 장비에 대한 정보 및 복수의 장비 각각에 설정된 작업자 정보를 획득하고, 상기 주문 정보, 상기 복수의 장비에 대한 정보 및 상기 복수의 장비 각각에 설정된 작업자 정보를 기반으로 제1 뉴럴 네트워크를 이용하는 납기일 결정 모델을 통해 예상 납기일을 결정하고, 상기 복수의 장비 각각에 구비된 센서 모듈로부터 공정 제품에 대한 복수의 이미지를 수신하고, 상기 센서 모듈은 적어도 하나의 카메라를 포함하고, 상기 공정 제품은 상기 주문 정보에 따라 상기 복수의 장비에 의해 절단 공정이 수행된 제품이고, 상기 공정 제품에 대한 복수의 이미지를 기반으로 제2 뉴럴 네트워크를 이용하는 품질 관리 모델을 통해 상기 공정 제품에 대한 품질 점수를 결정하고, 상기 품질 점수가 기준 점수보다 크거나 같은 것에 기반하여, 상기 공정 제품에 대한 복수의 이미지를 기반으로 제3 뉴럴 네트워크를 이용하는 이물질 검출 모델을 통해 상기 공정 제품이 정상 제품인지 여부를 결정하고, 상기 공정 제품을 스마트 팩토리의 생산 현황을 업데이트하고, 상기 스마트 팩토리의 생산 현황에 대한 정보를 관리자 단말에게 전송하는 단계를 포함할 수 있다. 예를 들어, 상기 기준 점수는 상기 납기일과 상기 예상 납기일 사이의 차이 값에 기반하여 조절될 수 있다.

예를 들어, 상기 장비에 대한 정보는 장비의 유형, 장비의 모델명, 장비의 설치일, 장비의 가동 시간, 장비의 관리 이력, 장비의 작업량 및 장비에 대해 대기중인 작업량을 포함할 수 있다. 상기 복수의 장비 각각에 설정된 작업자 정보는 작업자의 직급, 작업자의 수, 작업자의 경력, 작업자의 수행 능력 및 작업자의 근무 일정을 포함할 수 있다. 상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 상기 주문 정보, 상기 복수의 장비에 대한 정보 및 상기 복수의 장비 각각에 설정된 작업자 정보에 대한 데이터 전처리를 통해 제1 입력 벡터가 생성될 수 있다. 상기 제1 입력 벡터는 원자재와 관련된 값, 주문량에 대한 값, 상기 절단 공정에 사용되는 장비와 관련된 값, 각 장비에서 해당 제품을 생산하기 위해 소요되는 시간에 대한 값 및 해당 제품의 생산이 가능한 날짜에 대한 값으로 구성될 수 있다. 상기 제1 입력 벡터가 상기 제1 뉴럴 네트워크에 입력되는 것에 기반하여 상기 예상 납기일이 결정될 수 있다. 복수의 제1 입력 벡터 및 복수의 정답 납기일로 구성된 각각의 학습 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되어 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터로 출력되고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실 값이 작아지는 방향으로 학습될 수 있다.

일 실시예에 따르면, 상기 공정 제품에 대한 복수의 이미지에 대한 데이터 전처리를 통해 복수의 관심 영역에 대한 픽셀 값으로 구성된 제1 이미지 벡터가 생성될 수 있다. 상기 복수의 관심 영역은 상기 공정 제품의 복수의 절단면과 관련된 영역을 포함할 수 있다. 상기 제1 이미지 벡터가 상기 제2 뉴럴 네트워크에 입력되는 것에 기반하여 상기 공정 제품에 대한 품질 점수가 결정될 수 있다. 상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 복수의 제1 이미지 벡터, 복수의 제1 기준 이미지 벡터, 복수의 제2 기준 이미지 벡터 및 복수의 정답 품질 점수로 구성된 각각의 학습 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되어 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터로 출력되고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실 값이 작아지는 방향으로 학습될 수 있다. 정답 품질 점수는 제1 이미지 벡터와 제1 기준 이미지 벡터 사이의 제1 유사도, 제1 이미지 벡터와 제2 기준 이미지 벡터 사이의 제2 유사도 및 제1 이미지 벡터와 제2 기준 이미지 벡터 사이의 제3 유사도를 기반으로 결정될 수 있다. 상기 제1 유사도는 절단면의 직각도에 대한 유사도이고, 상기 제2 유사도는 절단면의 거칠기에 대한 유사도이고, 상기 제3 유사도는 절단면의 절단폭에 대한 유사도일 수 있다.

일 실시예에 따르면, 상기 이물질 검출 모델은 패스터 R-CNN(faster regions with convolutional neural network) 모델이 사용될 수 있다. 상기 제3 뉴럴 네트워크는 제3 입력 레이어, 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 포함할 수 있다. 상기 제1 이미지 벡터가 상기 제3 뉴럴 네트워크에 입력되는 것에 기반하여 상기 공정 제품에 포함된 제1 유형의 이물질에 대한 제1 면적 및 제2 유형의 이물질에 대한 제2 면적이 결정될 수 있다. 상기 공정 제품에 포함된 제1 유형의 이물질에 대한 제1 면적이 사전 설정된 제1 면적 이하이고, 및 제2 유형의 이물질에 대한 제2 면적이 사전 설정된 제2 면적 이하인 것에 기반하여, 상기 공정 제품이 정상 제품으로 결정될 수 있다. 복수의 제1 이미지 벡터, 제1 유형의 이물질과 관련된 복수의 제2 이미지 벡터, 제2 유형의 이물질과 관련된 복수의 제3 이미지 벡터, 복수의 정답 제1 유형의 이물질에 대한 제1 면적 및 복수의 정답 제2 유형의 이물질에 대한 제2 면적으로 구성된 각각의 학습 데이터는 상기 제3 뉴럴 네트워크의 상기 제3 입력 레이어에 입력되어 상기 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 통과하여 제3 출력 벡터로 출력되고, 상기 제3 출력 벡터는 상기 제3 출력 레이어에 연결된 제3 손실함수 레이어에 입력되고, 상기 제3 손실함수 레이어는 상기 제3 출력 벡터와 각각의 학습 데이터에 대한 제3 정답 벡터를 비교하는 제3 손실함수를 이용하여 제3 손실 값을 출력하고, 상기 제3 뉴럴 네트워크의 파라미터가 상기 제3 손실 값이 작아지는 방향으로 학습될 수 있다. 상기 제1 유형의 이물질은 세척이 가능한 이물질이고, 상기 제2 이미지 벡터는 상기 제1 유형의 이물질이 포함된 공정 제품의 절단면에 대한 이미지 벡터일 수 있다. 상기 제2 유형의 이물질은 세척이 불가능한 이물질이고, 상기 제3 이미지 벡터는 상기 제2 유형의 이물질이 포함된 공정 제품의 절단면에 대한 이미지 벡터일 수 있다.

일 실시예에 따르면, 복수의 장비에 각각에 구비된 센서 모듈로부터 상기 생산 관리 서버에게 장비의 상태와 관련된 정보가 수신될 수 있다. 상기 장비의 상태와 관련된 정보는 각 장비에서 발생하는 소음 정보, 각 장비에서 발생하는 열에 대한 정보 및 각 장비의 주요 부품에 대한 이미지를 포함할 수 있다. 상기 장비의 상태와 관련된 정보에 기반하여 상기 복수의 장비 각각에 대한 권장 가동 중지 시간이 결정될 수 있다. 상기 복수의 장비 각각에 대한 권장 가동 중지 시간에 대한 정보가 상기 관리자 단말에게 전송될 수 있다.

부가적으로, 예를 들어, 정답 품질 점수는 하기 수학식에 의해 결정될 수 있다.

상기 수학식에서, 상기 Q는 상기 품질 점수이고, 상기 m₁은 원자재의 종류와 관련된 값이고, 상기 m₂는 원자재의 형태와 관련된 값이고, 상기 m_d는 원자재에 대한 기본 값이고, 상기 n은 절단면의 개수이고, 상기 s_i는 i번째 절단면의 직각도이고, 상기 r1_i는 i번째 절단면의 기준 직각도이고, 상기 k는 i번째 절단면에 설정된 일부 영역의 개수이고, 상기 w_ij는 i번째 절단면의 j번째 일부 영역에 대한 절단 폭이고, 상기 r2_ij는 i번째 절단면의 j번째 일부 영역에 대한 기준 절단 폭이고, 상기 r_ij는 i번째 절단면의 j번째 일부 영역에 대한 거칠기이고, 상기 r3_ij는 i번째 절단면의 j번째 일부 영역에 대한 기준 거칠기일 수 있다.

부가적으로, 예를 들어, 권장 가동 중지 시간은 하기 수학식에 의해 결정될 수 있다.

상기 수학식에서, 상기 t_stop은 상기 권장 가동 중지 시간이고, 상기

는 해당 장비의 마모도이고, 상기 n_f는 해당 장비에 설정된 시간동안 이상 주파수가 발생한 빈도 수이고, 상기 n_ref는 해당 장비에 설정된 기준 빈도 수이고, 상기 t_s는 해당 장비가 설정된 온도 이상으로 유지된 최대 시간이고, 상기 t_d는 해당 장비에 설정된 기본 중지 시간일 수 있다.

부가적으로, 예를 들어, 생산 관리 서버는 장비의 상태와 관련된 정보 및 공정 제품에 포함된 제1 유형의 이물질에 대한 제1 면적에 기반하여 복수의 장비 각각에 대한 클리닝 주기를 결정할 수 있다. 여기서, 클리닝 주기는 해당 장비를 점검 또는 세척하기 위한 주기일 수 있다. 예를 들어, 클리닝 주기는 하기 수학식에 의해 결정될 수 있다.

상기 수학식에서, 상기 c_period는 상기 클리닝 주기이고, 상기 q는 제1 유형의 이물질이 포함된 공정 제품의 개수이고, 상기 z_x는 x번째 공정 제품에 포함된 제1 유형의 이물질의 제1 면적에 대한 값이고, 상기 t_stop은 해당 장비에 대한 권장 가동 중지 시간이고, 상기 t_d는 해당 장비에 설정된 기본 중지 시간이고, 상기 z_d는 상기 제1 면적에 대한 기본 값이고, 상기 p_d는 해당 장비에 설정된 기본 클리닝 주기일 수 있다.

실시예들에 따르면, 생산 관리 서버는 주문 정보, 복수의 장비에 대한 정보 및 복수의 장비 각각에 설정된 작업자 정보를 기반으로 제1 뉴럴 네트워크를 이용하는 납기일 결정 모델을 통해 예상 납기일을 결정함으로써, 예상 납기일을 반영하여 품질을 판단하기 위한 기준 점수를 효율적으로 결정할 수 있다.

실시예들에 따르면, 생산 관리 서버는 공정 제품에 대한 복수의 이미지를 기반으로 제2 뉴럴 네트워크를 이용하는 품질 관리 모델을 통해 상기 공정 제품에 대한 품질 점수를 결정함으로써, 자동으로 절단 공정이 수행된 제품의 품질을 보다 정확하게 결정할 수 있다.

실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.

실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 복수의 뉴럴 네트워크를 이용하여 생산 관리 서버가 절단 공정을 위한 스마트 팩토리를 운용하는 방법을 나타낸다.
도 4는 일 실시예에 따른 이물질 검출 모델을 나타낸 도면이다.
도 5는 일 실시예에 따른 복수의 뉴럴 네트워크를 이용하여 생산 관리 서버가 절단 공정을 위한 스마트 팩토리를 운용하는 방법을 나타낸 흐름도이다.
도 6은 일 실시예에 따른 생산 관리 서버의 구성을 나타내는 블록도이다.

이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.

도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.

이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.

또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.

도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.

도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 있다.

프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.

보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다.

인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.

메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.

프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.

입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.

음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.

디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.

오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.

센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.

인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.

연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.

햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.

카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.

전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.

배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.

통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.

무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.

안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.

다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.

상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.

일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.

서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 애플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 서비스 서버(Service Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Python, Golang, kotlin 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH, TOMCAT 등을 이용하여 웹 서비스를 구현할 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.

제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜, TCP, UDP(user datagram protocol) 등의 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.

데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.

도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.

도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM, TizenTM, 또는 BadaTM를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신 될 수 있다. 프로그램(140)의 전부 또는 일부는 뉴럴 네트워크를 포함할 수 있다.

운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.

미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.

어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.

데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.

시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.

어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.

장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.

본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은, "뉴런(neuron)"들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.

뉴럴 네트워크 내에서, 링크를 통해 연결된 둘 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. 전술한 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 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 뉴럴 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 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.

전술한 바와 같이, 뉴럴 네트워크는, 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 뉴럴 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 뉴럴 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망 네트워크가 존재하는 경우, 두 개의 신경망 네트워크들은 서로 상이한 것으로 인식될 수 있다.

도 3은 일 실시예에 따른 복수의 뉴럴 네트워크를 이용하여 생산 관리 서버가 절단 공정을 위한 스마트 팩토리를 운용하는 방법을 나타낸다. 도 3의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.

도 3을 참조하면, 단계 S301에서, 생산 관리 서버(예: 도 1의 서버(108))는 절단 공정이 필요한 제품에 대한 주문 정보를 수신할 수 있다.

생산 관리 서버는 특정 자재에 대한 절단 공정을 수행하는 스마트 팩토리의 생산 품질과 작업량을 관리하는 서버일 수 있다. 여기서, 스마트 팩토리는 IoT(사물인터넷) 기반으로 현장의 정보를 자동으로 수집 및 관리하는 공장을 지칭할 수 있다.

주문 정보는 원자재에 대한 정보, 공정 제품에 대한 설계도, 공정 제품의 주문량 및 주문량에 대한 납기일을 포함할 수 있다. 공정 제품은 주문 정보에 따라 원자재에 대해 절단 공정이 수행된 제품을 지칭할 수 있다. 원자재에 대한 정보는 절단 공정이 수행되는 원자재의 종류 및 형태를 포함할 수 있다. 예를 들어, 원자재의 종류는 강철, 알루미늄, 구리 등과 같은 금속, 폴리에틸렌, 폴리프로필렌, 폴리스티렌 등과 같은 플라스틱, 참나무, 소나무, 단풍나무 등과 같은 목재, 점토 및 도자기 등과 같은 세라믹 및 탄소 섬유, 유리 섬유와 같은 복합 재료와 기타 재료를 포함할 수 있다. 예를 들어, 원자재의 형태는 판 형태, 원통 형태, 파이프 형태, 블록 형태, 롤 형태 및 기타 다양한 형태를 포함할 수 있다. 공정 제품에 대한 설계도는 원자재에 대한 절단 공정을 통해 완성되는 제품의 형태를 나타낼 수 있다. 공정 제품의 주문량은 해당 스마트 팩토리에 공정 제품이 주문된 수량일 수 있다.

예를 들어, 생산 관리 서버는 절단 공정이 필요한 제품에 대한 주문 정보를 주문자 단말로부터 수신할 수 있다. 예를 들어, 주문자 단말은 스마트 팩토리를 통해 절단 공정을 수행할 제품을 주문하는 주문자가 사용하는 단말로, 도 1의 전자 장치(101)를 포함할 수 있다. 생산 관리 서버는 주문 정보를 수신한 날짜를 납기를 요청하는 날짜로 결정할 수 있다.

단계 S302에서, 생산 관리 서버는 절단 공정을 위한 스마트 팩토리에 배치된 복수의 장비에 대한 정보 및 복수의 장비 각각에 설정된 작업자 정보를 획득할 수 있다.

복수의 장비는 컴퓨터 프로그램을 사용하여 절단 공정을 수행하는 장비를 포함할 수 있다. 예를 들어, 복수의 장비는 CNC(Computer Numerical Control) 라우터(router), CNC 플라즈마 절단 장치, CNC 밀링 머신, CNC 워터젯 절단 장치 및 CNC 레이저 절단 장치를 포함할 수 있다.

예를 들어, 복수의 장비에 대한 정보 및 복수의 장비 각각에 설정된 작업자 정보는 생산 관리 서버에 사전 저장될 수 있다.

단계 S303에서, 생산 관리 서버는 주문 정보, 복수의 장비에 대한 정보 및 복수의 장비 각각에 설정된 작업자 정보를 기반으로 제1 뉴럴 네트워크를 이용하는 납기일 결정 모델을 통해 예상 납기일을 결정할 수 있다.

장비에 대한 정보는 장비의 유형, 장비의 모델명, 장비의 설치일, 장비의 가동 시간, 장비의 관리 이력, 장비의 작업량 및 장비에 대해 대기중인 작업량을 포함할 수 있다.

장비의 유형은 CNC 라우터, CNC 플라즈마 절단 장치, CNC 밀링 머신, CNC 워터젯 절단 장치 및 CNC 레이저 절단 장치를 포함할 수 있다. 장비의 설치일은 해당 장비가 스마트 팩토리에 설치된 날짜이고, 장비의 가동 시간은 해당 장비가 하루에 가동되는 평균 시간과 해당 장비가 현재까지 가동된 총 시간을 포함할 수 있다. 장비의 관리 이력은 해당 장비의 고장 이력과 해당 장비의 수리 이력을 포함할 수 있다. 장비의 작업량은 해당 장비가 하루에 작업하는 물품의 평균 개수와 해당 장비가 현재까지 작업한 물품의 총 개수를 포함할 수 있다. 장비에 대해 대기중인 작업량은 이전 주문 정보에 따라 작업을 해야 하는 물품의 개수 및 이전 주문 정보에 따라 작업을 해야 하는 시간을 포함할 수 있다. 여기서, 이전 주문 정보는 주문자 단말로부터 주문 정보를 수신하기 이전에 수신된 다른 주문 정보이다.

복수의 장비 각각에 설정된 작업자 정보는 작업자의 직급, 작업자의 수, 작업자의 경력, 작업자의 수행 능력 및 작업자의 근무 일정을 포함할 수 있다. 작업자의 직급은 해당 장비에 배치된 작업자의 직급이고, 작업자의 수는 해당 장비에 배치된 작업자의 수를 의미한다. 작업자의 경력은 해당 장비에 배치된 작업자에 대한 경력이고, 작업자의 수행 능력은 해당 장비에 배치된 작업자의 숙련도를 의미한다. 예를 들어, 작업자의 수행 능력은 작업자의 직급별로 상, 중, 하로 분류될 수 있다. 작업자의 근무 일정은 해당 장비에 배치된 작업자의 근무일, 근무시간, 휴무일, 초과 근무가 가능한 시간 및 날짜 등을 포함할 수 있다.

예를 들어, 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 주문 정보, 복수의 장비에 대한 정보 및 복수의 장비 각각에 설정된 작업자 정보에 대한 데이터 전처리를 통해 제1 입력 벡터가 생성될 수 있다.

예를 들어, 제1 입력 벡터는 원자재와 관련된 값, 주문량에 대한 값, 절단 공정에 사용되는 장비와 관련된 값, 각 장비에서 해당 제품을 작업하기 위해 소요되는 시간에 대한 값 및 해당 제품의 작업이 가능한 날짜에 대한 값으로 구성될 수 있다.

여기서, 원자재와 관련된 값은 원자재의 종류 및 원자재의 유형의 조합 별로 매칭된 값으로, 원자재의 종류 및 원자재의 유형의 조합별로 매칭된 값은 생산 관리 서버에 사전 설정된 값일 수 있다. 예를 들어, 원자재의 종류가 강철이고, 원자재의 유형이 판 형태라면, 강철과 판 형태에 매칭된 값이 1인 경우, 상기 원자재와 관련된 값이 1로 결정될 수 있다. 예를 들어, 원자재의 종류가 강철이고, 원자재의 유형이 원통 형태라면, 강철과 원통 형태에 매칭된 값이 2인 경우, 상기 원자재와 관련된 값이 2로 결정될 수 있다. 주문량에 대한 값은 공정 제품의 개수일 수 있다. 절단 공정에 사용되는 장비와 관련된 값은 장비의 유형별로 매칭된 값일 수 있다. 예를 들어, 장비의 유형이 CNC 레이저 절단 장치인 경우, 절단 공정에 사용되는 장비와 관련된 값은 1일 수 있다. 예를 들어, 절단 공정에 사용되는 장비가 복수 개이면, 절단 공정에 사용되는 장비와 관련된 값은 복수의 값으로 결정될 수 있다. 절단 공정에 사용되는 장비가 CNC 밀링 머신과 CNC 레이저 절단 장치로 2개인 경우, 절단 공정에 사용되는 장비와 관련된 값은 (5, 1)로 결정될 수 있다.

각 장비에서 해당 제품을 작업하기 위해 소요되는 시간에 대한 값은 해당 장비가 하루에 가동되는 평균 시간, 해당 장비가 하루에 작업하는 물품의 평균 개수, 작업자의 직급, 작업자의 수, 작업자의 경력, 작업자의 수행 능력 및 작업자의 근무 일정을 기반으로 결정될 수 있다. 예를 들어, 해당 장비가 하루에 가동되는 평균 시간, 해당 장비가 하루에 작업하는 물품의 평균 개수에 따라 하나의 공정 제품 당 소요되는 시간이 결정될 수 있다. 작업자의 직급, 작업자의 수, 작업자의 경력 및 작업자의 수행 능력을 작업자와 관련된 가중치가 결정될 수 있다. 이를 통해, 각 장비에서 해당 제품을 작업하기 위해 소요되는 시간에 대한 값은, 하나의 공정 제품 당 소요되는 시간에 작업자와 관련된 가중치가 적용됨으로써, 결정될 수 있다. 이때, 작업자와 관련된 가중치는 작업자의 직급, 작업자의 수, 작업자의 경력 및 작업자의 수행 능력이 높을수록 큰 값을 가질 수 있다. 해당 제품의 작업이 가능한 날짜에 대한 값은 장비에 대해 대기중인 작업량 및 작업자의 근무 일정에 기반하여 결정될 수 있다.

예를 들어, 제1 입력 벡터가 상기 제1 뉴럴 네트워크에 입력되는 것에 기반하여 예상 납기일이 결정될 수 있다.

복수의 제1 입력 벡터 및 복수의 정답 납기일로 구성된 각각의 학습 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되어 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터로 출력되고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실 값이 작아지는 방향으로 학습될 수 있다.

예를 들어, 납기일 결정 모델은 다변량 LSTM(long short term memory networks) 모델을 사용할 수 있다. 일반적으로 RNN(recurrent neural network)은 내부에 저장된 기존 입력에 대한 히든 레이어 값이 다음 입력 값에 대한 출력에서 고려되기 때문에, 시계열적 정보를 효과적으로 모델링할 수 있다. 그러나, RNN은 과거 관측 값에 의존하는 구조이므로, 기울기가 소실(vanishing gradient)되거나 기울기가 매우 큰 값(exploding gradient)을 가지게 되는 문제가 발생할 수 있다. 이를 해결하기 위한 모델이 LSTM이며, LSTM 내부의 노드는 메모리 셀로 대체함으로써, 정보를 축적하거나 과거 정보의 일부를 삭제가 가능하며, 상기 RNN의 문제를 보완할 수 있다.

예를 들어, 상기 하나 이상의 제1 히든 레이어는 하나 이상의 LSTM 블록을 포함하고, 하나의 LSTM 블록은 메모리 셀(memory cell), 입력 게이트(input gate), 삭제 게이트(forget gate), 출력 게이트(output gate)를 포함할 수 있다.

예를 들어, 상기 메모리 셀은 활성화 함수를 통해 결과를 출력하는 노드이며, 상기 메모리 셀은 바로 이전 시점에서의 메모리 셀에서 출력된 값을 현재 시점에서 자신의 입력으로 사용하는 재귀적 동작을 수행할 수 있다. 예를 들어, 현재 시점이 t인 경우, 현재 시점 t에서 메모리 셀에 의해 출력되는 값은 과거의 메모리 셀들의 값에 영향을 받을 수 있다. 메모리 셀은 셀 스테이트(Ct) 값과 히든 스테이트(ht) 값을 출력할 수 있다. 즉, 메모리 셀은 t-1 시점의 메모리 셀이 전달한 셀 스테이트 값(Ct-1) 및 히든 스테이트 값(ht-1)을 t 시점의 셀 스테이트 값과 히든 스테이트 값을 계산하기 위한 입력 값으로 사용할 수 있다.

예를 들어, 입력 게이트, 삭제 게이트 및 출력 게이트는 모두 시그모이드 레이어를 포함하고, 시그모이드 레이어를 통해 입력된 정보가 얼마만큼 전달되는지를 나타낼 수 있다. 예를 들어, 시그모이드 레이어는 시그모이드 함수(

)가 활성화 함수인 레이어일 수 있다. 또한, 예를 들어, 입력 게이트, 삭제 게이트 및 출력 게이트를 통해 셀 스테이트가 제어되고, 각 게이트와 입력에 따른 가중치들이 존재할 수 있다.

예를 들어, 제1 입력 벡터가 상기 제1 입력 레이어에 입력되고, 상기 삭제 게이트는 상기 제1 입력 벡터를 기반으로 생성된 ht-1(t-1 시점의 히든 스테이트)과 xt(t 시점의 입력 값)를 기반으로 0과 1 사이의 값을 Ct-1로 전달할 수 있다. 여기서, 0과 1사이의 값은 삭제 과정을 거친 정보의 양이며, 0에 가까울수록 정보가 많이 삭제되고, 1에 가까울수록 온전한 정보가 전달될 수 있다.

예를 들어, 상기 입력 게이트는 시그모이드 레이어를 통해 업데이트할 값을 결정하고, tanh 레이어가 새로운 후보 값들인 Ct 벡터를 생성하고, 셀 스테이트에 저장시킬 수 있다. 예를 들어, 과거 셀 스테이트인 Ct-1가 업데이트됨으로써, 새로운 셀 스테이트인 Ct가 생성될 수 있다. 예를 들어, tanh는 비선형 활성화 함수(하이퍼볼릭 탄젠트 함수)를 의미한다.

예를 들어, 출력 게이트는 시그모이드 레이어에서 제1 입력 벡터에 기반하여 출력할 셀 스테이트의 부분을 결정할 수 있고, 출력 게이트는 상기 시그모이드 레이어에서 결정된 셀 스테이트를 tanh 레이어를 통해 -1에서 1 사이의 값으로 출력된 값과 곱할 수 있다

따라서, 생산 관리 서버가 상기 납기일 결정 모델을 통해 학습된 제1 뉴럴 네트워크의 파라미터를 사용할 수 있고, 다양한 변수를 고려하여 주문량에 대한 예상 납기일을 결정할 수 있다.

단계 S304에서, 생산 관리 서버는 복수의 장비 각각에 구비된 센서 모듈로부터 공정 제품에 대한 복수의 이미지를 수신할 수 있다. 공정 제품은 주문 정보에 따라 복수의 장비에 의해 절단 공정이 수행된 제품일 수 있다.

예를 들어, 센서 모듈은 적어도 하나의 카메라를 포함할 수 있다. 센서 모듈은 컴퓨터 프로그램을 사용하여 절단 공정을 수행하는 장비의 주요 부품 근처에 설치될 수 있다. 예를 들어, 센서 모듈은 장비의 작동 상태(예: 전력, 온도, 소음, 외관), 또는 외부의 환경 상태를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 센서 모듈은 전기 신호 또는 데이터 값에 따라 센서 모듈에 포함된 적어도 하나의 카메라를 통해 주요 부품이 포함된 영역 또는 공정 제품의 절단면과 관련된 영역 중 적어도 하나를 촬영할 수 있다. 예를 들어, 센서 모듈은 장비에 의해 절단 공정이 수행된 공정 제품의 절단면을 촬영할 수 있다. 예를 들어, 센서 모듈은 기압 센서, 마그네틱 센서, 가속도 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 음향 센서, 온도 센서, 습도 센서 또는 조도 센서 등 다양한 센서와 함께, 프로세서, 메모리, 통신 모듈을 포함할 수 있다.

단계 S305에서, 생산 관리 서버는 공정 제품에 대한 복수의 이미지를 기반으로 제2 뉴럴 네트워크를 이용하는 품질 관리 모델을 통해 공정 제품에 대한 품질 점수를 결정할 수 있다.

예를 들어, 공정 제품에 대한 복수의 이미지에 대한 데이터 전처리를 통해 복수의 관심 영역 각각에 대한 픽셀 값으로 구성된 제1 이미지 벡터가 생성될 수 있다. 복수의 관심 영역은 상기 공정 제품의 복수의 절단면과 관련된 영역을 포함할 수 있다. 예를 들어, 복수의 절단면과 관련된 영역은 각각의 절단면에 대한 복수의 일부 영역과 각각의 절단면에 수직한 표면 영역을 포함할 수 있다. 복수의 관심 영역은 생산 관리 서버에 사전 설정될 수 있다. 예를 들어, 복수의 관심 영역은 이물질이 포함될 확률이 높은 영역으로, 이물질 검출 모델을 통해 학습된 영역을 포함할 수 있다.

예를 들어, 품질 관리 모델은 CNN 모델을 사용할 수 있다. 예를 들어, 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다.

예를 들어, 제1 이미지 벡터가 상기 제2 뉴럴 네트워크에 입력되는 것에 기반하여 상기 공정 제품에 대한 품질 점수가 결정될 수 있다. 복수의 제1 이미지 벡터, 복수의 제1 기준 이미지 벡터, 복수의 제2 기준 이미지 벡터 및 복수의 정답 품질 점수로 구성된 각각의 학습 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되어 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터로 출력되고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실 값이 작아지는 방향으로 학습될 수 있다.

정답 품질 점수는 학습 데이터로 사용되는 제1 이미지 벡터와 제1 기준 이미지 벡터 사이의 제1 유사도, 학습 데이터로 사용되는 제1 이미지 벡터와 제2 기준 이미지 벡터 사이의 제2 유사도 및 학습 데이터로 사용되는 제1 이미지 벡터와 제2 기준 이미지 벡터 사이의 제3 유사도를 기반으로 결정될 수 있다. 여기서, 제1 유사도는 절단면의 직각도에 대한 유사도이고, 상기 제2 유사도는 절단면의 거칠기에 대한 유사도이고, 상기 제3 유사도는 절단면의 절단폭에 대한 유사도일 수 있다. 절단면의 거칠기는 절단면의 질감의 정도를 나타내고, 절단면의 절단폭은 절단면의 가로폭을 나타내며, 절단면의 직각도는 절단면이 절단된 재료의 표면에 대해 얼마나 수직인지를 나타내는 정도를 의미한다.

예를 들어, 복수의 제1 이미지는 다양한 공정 제품에 대한 이미지를 포함할 수 있다. 예를 들어, 제1 기준 이미지는 학습 데이터로 사용되는 제1 이미지와 하나의 세트로 구성될 수 있다. 즉, 품질 관리 모델의 학습을 위해 특정 공정 제품에 대해 제1 이미지와 제1 기준 이미지가 하나의 세트로 구성될 수 있다. 제1 기준 이미지 벡터는 공정 제품의 복수의 절단면에 수직한 표면 영역과 비교하기 위한 벡터이며, 정상 공정 제품의 이미지를 기반으로 결정될 수 있다. 즉, 제1 기준 이미지 벡터는 정상적인 절단 공정이 수행된 공정 제품의 절단면에 수직한 표면 영역을 촬영한 이미지를 기초로 결정된 픽셀 값을 포함할 수 있다.

예를 들어, 제2 기준 이미지는 학습 데이터로 사용되는 제1 이미지와 하나의 세트로 구성될 수 있다. 즉, 품질 관리 모델의 학습을 위해 특정 공정 제품에 대해 제1 이미지와 제2 기준 이미지가 하나의 세트로 구성될 수 있다. 제2 기준 이미지 벡터는 공정 제품의 복수의 절단면 각각의 복수의 일부 영역과 비교하기 위한 벡터이며, 정상 공정 제품의 이미지를 기반으로 결정될 수 있다. 즉, 제2 기준 이미지 벡터는 정상적인 절단 공정이 수행된 공정 제품의 복수의 절단면을 촬영한 이미지를 기초로 결정된 픽셀 값을 포함할 수 있다.

부가적으로, 예를 들어, 정답 품질 점수는 하기 수학식 1에 의해 결정될 수 있다.

상기 수학식 1에서, 상기 Q는 상기 품질 점수이고, 상기 m₁은 원자재의 종류와 관련된 값이고, 상기 m₂는 원자재의 형태와 관련된 값이고, 상기 m_d는 원자재에 대한 기본 값이고, 상기 n은 절단면의 개수이고, 상기 s_i는 i번째 절단면의 직각도이고, 상기 r1_i는 i번째 절단면의 기준 직각도이고, 상기 k는 i번째 절단면에 설정된 일부 영역의 개수이고, 상기 w_ij는 i번째 절단면의 j번째 일부 영역에 대한 절단 폭이고, 상기 r2_ij는 i번째 절단면의 j번째 일부 영역에 대한 기준 절단 폭이고, 상기 r_ij는 i번째 절단면의 j번째 일부 영역에 대한 거칠기이고, 상기 r3_ij는 i번째 절단면의 j번째 일부 영역에 대한 기준 거칠기일 수 있다.

예를 들어, 원자재의 종류와 관련된 값은 원자재의 종류에 따른 절단 공정의 난이도를 나타낸 값일 수 있다. 원자재의 종류와 관련된 값은 원자재의 종류에 따른 절단 공정의 난이도가 높을수록 큰 값을 가질 수 있다. 예를 들어, 원자재의 형태와 관련된 값은 원자재의 형태에 따른 절단 공정의 난이도를 나타낸 값일 수 있다. 원자재의 형태와 관련된 값은 원자재의 형태에 따른 절단 공정의 난이도가 높을수록 큰 값을 가질 수 있다. 원자재의 종류와 관련된 값 및 원자재의 형태와 관련된 값은 생산 관리 서버에 사전 설정될 수 있다. 원자재에 대한 기본 값은 원자재의 종류 및 형태에 따른 기본적인 난이도를 나타내는 값으로, 원자재에 대한 기본 값은 생산 관리 서버에 사전 설정될 수 있다.

절단면의 직각도, 절단면의 기준 직각도, 절단면의 거칠기 및 절단면의 기준 거칠기는 0을 초과하는 값으로, 마이크로미터 단위일 수 있다. 절단면의 절단 폭 및 절단면의 기준 절단 폭은 0을 초과하는 값으로 밀리미터 단위일 수 있다. 절단면의 기준 직각도, 절단면의 기준 거칠기, 절단면의 기준 절단 폭은 공정 제품의 설계도를 기반으로 결정될 수 있다. 예를 들어, 생산 관리 서버는 공정 제품의 설계도에 기재된 공정 제품의 사양을 OCR(optical character recognition) 기법을 통해 획득함으로써, 절단면의 기준 직각도, 절단면의 기준 거칠기, 절단면의 기준 절단 폭을 결정할 수 있다. 예를 들어, 절단면의 기준 직각도, 절단면의 기준 거칠기, 절단면의 기준 절단 폭은 생산 관리 서버에 사전 설정된 값일 수 있다.

이를 통해, 생산 관리 서버는 절단면의 거칠기, 직각도 및 절단 폭을 기반으로 절단 공정이 수행된 공정 제품의 품질을 정확하게 반영한 정답 품질 점수를 생성할 수 있고, 생성된 정답 품질 점수를 이용하여 품질 결정 모델을 효율적으로 학습시킬 수 있다.

단계 S306에서, 생산 관리 서버는 품질 점수가 기준 점수보다 크거나 같은 것에 기반하여, 공정 제품에 대한 복수의 이미지를 기반으로 제3 뉴럴 네트워크를 이용하는 이물질 검출 모델을 통해 공정 제품이 정상 제품인지 여부를 결정할 수 있다.

예를 들어, 기준 점수는 납기일과 예상 납기일 사이의 차이 값에 기반하여 조절될 수 있다. 예를 들어, 생산 관리 서버는 사전 설정된 기본 점수에 현재 날짜에서 납기일까지의 제1 기간에서 현재 날짜에서 예상 납기일까지의 제2 기간을 뺀 값을 반영한 가중치를 적용하여 기준 점수를 결정할 수 있다. 예를 들어, 현재 날짜에서 납기일까지의 제1 기간에서 현재 날짜에서 예상 납기일까지의 제2 기간을 뺀 값이 클수록 가중치도 큰 값으로 결정될 수 있다.

예를 들어, 제3 뉴럴 네트워크는 제3 입력 레이어, 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 포함할 수 있다.

상기 이물질 검출 모델은 패스터(faster) R-CNN 모델이 사용될 수 있다.

R-CNN(Regions with Convolutional Neural Network)은 설정한 영역을 CNN의 입력 값으로 활용하여 객체 탐지를 수행하는 뉴럴 네트워크를 의미한다. R-CNN은 영역을 추정하고, 영역을 분류하는 두 동작을 수행할 수 있다. 예를 들어, R-CNN은 이미지에 있는 데이터와 레이블을 투입하여 카테고리에 무관하게 물체의 영역을 탐색하는 영역 제안(Region Proposal), 제안된 영역으로부터 고정된 크기의 특징 벡터를 워핑/크롭(warping/crop)하여 CNN의 인풋으로 사용할 수 있다. 여기서, CNN은 사전 훈련된 네트워크가 사용되고, CNN을 통해 나온 특징 맵을 활용하여 선형 지도학습 모델인 SVM(Support Vector Machine)을 통한 분류를 수행하고, 레그레서(Regressor)를 통한 경계 박스 회귀(bounding box regression)을 진행할 수 있다. 이때, R-CNN은 한 이미지당 2천번의 CNN을 수행하므로 매우 느린 단점이 있으며, 이를 해결하기 위해 패스트(Fast) R-CNN은 해당 영역의 특징을 원본 이미지에서 추출(Crop)하는 것이 아니라, 특징 맵에서 추출함으로써, 1번의 CNN을 통과시킬 수 있다. 즉, 패스트 R-CNN은 관심 영역(ROI)(region of interest)에 대한 풀링을 수행함으로써, 각각의 영역을 고정 크기의 벡터로 변환시키고, 각각의 벡터를 FC(fully connected) 레이어를 통과시켜 속도를 개선시킬 수 있다. 다만, 패스트 R-CNN에서 영역을 제안하기 위해 사용되는 알고리즘의 병목 현상으로 인해 여전히 속도가 느린 문제가 있었고, 패스터 R-CNN은 영역 제안에 대한 알고리즘 대신 RPN(region proposal network)을 사용하여 영역 제안 속도를 향상시켰다.

상기 제1 이미지 벡터가 상기 제3 뉴럴 네트워크에 입력되는 것에 기반하여 상기 공정 제품에 포함된 제1 유형의 이물질에 대한 제1 면적 및 제2 유형의 이물질에 대한 제2 면적이 결정될 수 있다. 예를 들어, 제1 면적은 공정 제품의 복수의 절단면 및 절단면에 수직한 표면 영역 각각에 포함된 제1 유형의 이물질의 면적을 모두 합한 면적일 수 있다. 예를 들어, 제2 면적은 공정 제품의 복수의 절단면 및 절단면에 수직한 표면 영역 각각에 포함된 제2 유형의 이물질의 면적을 모두 합한 면적일 수 있다.

상기 공정 제품에 포함된 제1 유형의 이물질에 대한 제1 면적이 사전 설정된 제1 면적 이하이고, 및 제2 유형의 이물질에 대한 제2 면적이 사전 설정된 제2 면적 이하인 것에 기반하여, 상기 공정 제품이 정상 제품으로 결정될 수 있다. 예를 들어, 사전 설정된 제1 면적은 사전 설정된 제2 면적보다 큰 값일 수 있다.

복수의 제1 이미지 벡터, 제1 유형의 이물질과 관련된 복수의 제2 이미지 벡터, 제2 유형의 이물질과 관련된 복수의 제3 이미지 벡터, 복수의 정답 제1 유형의 이물질에 대한 제1 면적 및 복수의 정답 제2 유형의 이물질에 대한 제2 면적으로 구성된 각각의 학습 데이터는 상기 제3 뉴럴 네트워크의 상기 제3 입력 레이어에 입력되어 상기 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 통과하여 제3 출력 벡터로 출력되고, 상기 제3 출력 벡터는 상기 제3 출력 레이어에 연결된 제3 손실함수 레이어에 입력되고, 상기 제3 손실함수 레이어는 상기 제3 출력 벡터와 각각의 학습 데이터에 대한 제3 정답 벡터를 비교하는 제3 손실함수를 이용하여 제3 손실 값을 출력하고, 상기 제3 뉴럴 네트워크의 파라미터가 상기 제3 손실 값이 작아지는 방향으로 학습될 수 있다.

절단 공정에서 절단 시 열을 최소화하기 위한 미스트 오일(절삭유)을 분사하기 때문에, 이물질은 미스트 오일로 인해서 절단 시 생성되는 조각일 수 있다. 또한, 이물질은 미스트 오일로 인해서 공기 중에 부유하는 물질이 공정 제품에 부착되어 발생할 수 있다. 상기 제1 유형의 이물질은 세척이 가능한 이물질이다. 예를 들어, 상기 제2 이미지 벡터는 상기 제1 유형의 이물질이 포함된 공정 제품의 절단면에 대한 이미지 벡터이며, 제1 유형의 이물질이 포함된 공정 제품의 절단면에 대한 픽셀 값으로 구성될 수 있다. 상기 제2 유형의 이물질은 세척이 불가능한 이물질이다. 예를 들어, 상기 제3 이미지 벡터는 상기 제2 유형의 이물질이 포함된 공정 제품의 절단면에 대한 이미지 벡터이며, 제2 유형의 이물질이 포함된 공정 제품의 절단면에 대한 픽셀 값으로 구성될 수 있다.

예를 들어, 복수의 제2 이미지 벡터 및 복수의 제3 이미지 벡터는 생산 관리 서버에 사전 저장될 수 있다.

정답 제1 유형의 이물질에 대한 제1 면적 및 정답 제2 유형의 이물질에 대한 제2 면적이 클수록 불량 제품에 가까울 수 있다. 예를 들어, 하나의 제2 이미지 벡터에 정답 제1 유형의 이물질에 대한 제1 면적이 매칭될 수 있고, 하나의 제3 이미지 벡터에 정답 제2 유형의 이물질에 대한 제2 면적이 매칭될 수 있다. 예를 들어, 정답 제1 유형의 이물질에 대한 제1 면적은 제2 이미지 벡터에 매칭되어 생산 관리 서버에 사전 저장될 수 있다. 예를 들어, 정답 제2 유형의 이물질에 대한 제2 면적은 제3 이미지 벡터에 매칭되어 생산 관리 서버에 사전 저장될 수 있다.

단계 S307에서, 생산 관리 서버는 공정 제품이 정상 제품인 것에 기반하여, 스마트 팩토리의 생산 현황을 업데이트할 수 있다.

스마트 팩토리의 생산 현황은 스마트 팩토리에서 생산된 정상 제품의 개수, 스마트 팩토리에서 생산된 불량 제품의 개수, 스마트 팩토리에 주문된 공정 제품의 주문량에 대한 정보, 스마트 팩토리에서 가동 중인 장비에 대한 정보, 스마트 팩토리에서 정비가 필요한 장비에 대한 정보 및 스마트 팩토리에서 현재 작업 중인 작업자에 대한 정보를 포함할 수 있다. 예를 들어, 생산 관리 서버는 정상 제품으로 판단된 공정 제품의 개수를 현재 스마트 팩토리에서 생산된 정상 공정 제품의 개수에 반영할 수 있다.

단계 S308에서, 생산 관리 서버는 스마트 팩토리의 생산 현황에 대한 정보를 관리자 단말에게 전송할 수 있다.

예를 들어, 관리자 단말은 스마트 팩토리를 관리하는 관리자가 사용하는 단말로, 도 1의 전자 장치(101)를 포함할 수 있다.

일 실시예에 따르면, 복수의 장비에 각각에 구비된 센서 모듈로부터 상기 생산 관리 서버에게 장비의 상태와 관련된 정보가 수신될 수 있다.

예를 들어, 장비의 상태와 관련된 정보는 각 장비에서 발생하는 소음 정보, 각 장비에서 발생하는 열에 대한 정보 및 각 장비의 주요 부품에 대한 이미지를 포함할 수 잇다. 소음 정보는 장비에서 발생한 소리의 파형 및 소리의 크기를 포함할 수 있다. 열에 대한 정보는 장비에서 발생하는 온도를 포함할 수 있다. 주요 부품에 대한 이미지는 해당 장비의 주요 부품에 대한 이미지로, 센서 모듈에 포함된 카메라에 의해 촬영된 이미지일 수 있다.

예를 들어, 상기 장비의 상태와 관련된 정보에 기반하여 상기 복수의 장비 각각에 대한 권장 가동 중지 시간이 결정될 수 있다. 권장 가동 중지 시간은 해당 장비의 고장을 예방하기 위해 권장되는 가동 중지 시간으로, 장비마다 상이한 값을 가질 수 있다. 예를 들어, 권장 가동 중지 시간은 하루를 기준으로 가동 중지를 권장하는 시간일 수 있다. 예를 들어, 생산 관리 서버는 권장 가동 중지 시간에 대한 정보를 관리자 단말에게 전송할 수 있다.

부가적으로, 예를 들어, 권장 가동 중지 시간은 하기 수학식 2에 의해 결정될 수 있다.

상기 수학식 2에서, 상기 t_stop은 상기 권장 가동 중지 시간이고, 상기

는 해당 장비의 마모도이고, 상기 n_f는 해당 장비에 설정된 시간동안 이상 주파수가 발생한 빈도 수이고, 상기 n_ref는 해당 장비에 설정된 기준 빈도 수이고, 상기 t_s는 해당 장비가 설정된 온도 이상으로 유지된 최대 시간이고, 상기 t_d는 해당 장비에 설정된 기본 중지 시간일 수 있다.

예를 들어, 해당 장비의 마모도는 주요 부품에 대한 이미지를 해당 주요 부품이 마모된 이미지와 비교하여 분석한 유사도에 따라 결정된 값일 수 있다. 예를 들어, 주요 부품에 대한 이미지가 해당 주요 부품이 마모된 이미지와의 유사도가 높을수록 해당 장비의 마모도가 크게 결정될 수 있다. 예를 들어, 주요 부품이 복수 개인 경우, 해당 장비의 마모도는 주요 부품에 대한 마모도를 평균한 값에 기반하여 결정될 수 있다. 해당 장비의 마모도와 관련된 가중치는 0을 초과하고 1 이하인 값일 수 있다.

예를 들어, n_f와 관련하여, 이상 주파수는 해당 장비가 비정상적으로 동작할 때 발생하는 주파수로서, 장비의 유형마다 상이한 값으로 사전 설정될 수 있다. 예를 들어, 해당 장비에 설정된 기준 빈도 수는 해당 장비가 정상적으로 동작할 때 이상 주파수가 발생하는 횟수로서, 장비의 유형마다 상이한 값으로 사전 설정될 수 있다.

예를 들어, 상기 t_s와 관련하여 해당 장비에 설정된 온도는 해당 장비가 비정상적으로 동작할 때 해당 장비에서 발생하는 온도로서, 장비의 유형마다 상이한 값으로 사전 설정될 수 있다.

예를 들어, 해당 장비에 설정된 기본 중지 시간은 장비가 하루동안 가동을 중지하여야 하는 최소 시간으로, 장비의 유형마다 상이한 값으로 사전 설정될 수 있다.

이를 통해, 생산 관리 서버는 장비에서 발생하는 소음 및 열 뿐만 아니라 주요 부품의 상태를 장비의 유형별로 고려하여, 장비의 상태 이상을 미리 예방하기 위해 권장되는 가동 중지 시간을 효과적으로 결정할 수 있다.

예를 들어, 상기 복수의 장비 각각에 대한 권장 가동 중지 시간에 대한 정보가 생산 관리 서버로부터 상기 관리자 단말에게 전송될 수 있다.

부가적으로, 예를 들어, 생산 관리 서버는 권장 가동 중지 시간이 사전 설정된 시간을 초과하는 경우, 해당 장비에 대한 점검을 요청하는 메시지를 상기 관리자 단말에게 전송할 수 있다.

부가적으로, 예를 들어, 생산 관리 서버는 장비의 상태와 관련된 정보 및 공정 제품에 포함된 제1 유형의 이물질에 대한 제1 면적에 기반하여 복수의 장비 각각에 대한 클리닝 주기를 결정할 수 있다. 여기서, 클리닝 주기는 해당 장비를 점검 또는 세척하기 위한 주기일 수 있다. 예를 들어, 클리닝 주기는 하기 수학식 3에 의해 결정될 수 있다.

상기 수학식 3에서, 상기 c_period는 상기 클리닝 주기이고, 상기 q는 제1 유형의 이물질이 포함된 공정 제품의 개수이고, 상기 z_x는 x번째 공정 제품에 포함된 제1 유형의 이물질의 제1 면적에 대한 값이고, 상기 t_stop은 해당 장비에 대한 권장 가동 중지 시간이고, 상기 t_d는 해당 장비에 설정된 기본 중지 시간이고, 상기 z_d는 상기 제1 면적에 대한 기본 값이고, 상기 p_d는 해당 장비에 설정된 기본 클리닝 주기일 수 있다.

예를 들어, 제1 면적에 대한 기본 값은 정상 공정 제품으로 판단 가능한 제1 면적에 대한 값으로, 생산 관리 서버에 사전 설정될 수 있다. 예를 들어, 기본 클리닝 주기는 장비의 유형마다 상이할 수 있고, 생산 관리 서버에 사전 설정될 수 있다. 즉, 클리닝 주기는 장비의 상태가 비정상적이고, 공정 제품에 이물질이 검출되는 횟수가 증가할수록 더 짧게 설정될 수 있다. 예를 들어, min 함수는 괄호 안의 두 값 중에서 가장 작은 값을 결정하는 함수일 수 있다.

이를 통해, 생산 관리 서버는 장비의 상태뿐만 아니라 공정 제품에서 이물질이 검출되는 빈도를 고려하여 해당 장비를 청소하기 위한 주기를 효율적으로 결정할 수 있다.

도 4는 일 실시예에 따른 이물질 검출 모델을 나타낸 도면이다. 도 4의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.

도 4를 참조하면, 이물질 검출 모델에 사용되는 뉴럴 네트워크는 패스터(faster) R-CNN 기반의 뉴럴 네트워크일 수 있다. 뉴럴 네트워크는 제3 입력 레이어(410), 하나 이상의 제3 히든 레이어(420) 및 제3 출력 레이어(430)을 포함할 수 있다.

예를 들어, 생산 관리 서버는 제1 유형의 이물질이 포함된 공정 제품의 절단면에 대한 이미지 및 제2 유형의 이물질이 포함된 공정 제품의 절단면에 대한 이미지에 대해 데이터 전처리를 수행함으로써, 제2 이미지 벡터 및 제3 이미지 벡터를 생성할 수 있다. 예를 들어, 생산 관리 서버는 제1 유형의 이물질이 포함된 공정 제품의 절단면에 대한 이미지 및 제2 유형의 이물질이 포함된 공정 제품의 절단면에 대한 이미지에 대해 이진화(thresholding), 블러링(blurring), 배경 제거 및 모양 인식을 수행하여, 제2 이미지 벡터 및 제3 이미지 벡터를 생성할 수 있다. 예를 들어, 생산 관리 서버는 제1 유형의 이물질이 포함된 공정 제품의 절단면에 대한 이미지 및 제2 유형의 이물질이 포함된 공정 제품의 절단면에 대한 이미지에 대해 적응형 이진화를 수행하고, 이진화된 이미지에 슬라이딩 윈도우 기법을 사용하여 임계 값 이상이고, 특정 픽셀 이상의 크기의 이물질 후보 영역을 검출함으로써, 제2 이미지 벡터 및 제3 이미지 벡터를 생성할 수 있다.

하나 이상의 제3 히든 레이어(420)는 패스트 R-CNN과 RPN(Region Proposal Network)을 포함할 수 있다. RPN은 컨벌루션 레이어, 영역 제안(region proposal) 레이어 및 분류(classification) 레이어, 회귀(regression) 레이어를 포함할 수 있다. 구체적으로, 예를 들어, 생산 관리 서버는 영역 제안을 위해 종단간(end-to-end) 러닝을 통해 RPN을 학습시킬 수 있고, 학습된 RPN에서 기본적인 CNN을 제외한 영역 제안 레이어만을 사용하여 패스트(Fast) R-CNN을 학습시킬 수 있다. 이후, 생산 관리 서버는 첫 번째 특징 맵을 추출하는 CNN을 미세 조정하고, 학습시킨 패스트 R-CNN과 RPN을 사용하여 다른 가중치들을 고정시키고, RPN에 해당하는 레이어들만 미세 조정할 수 있다. 이후, 생산 관리 서버는 공유된 컨벌루션 레이어를 고정시키고, 패스트 R-CNN에 해당하는 레이어를 미세 조정함으로써, 패스터 R-CNN을 학습시킬 수 있다.

예를 들어, 제1 이미지 벡터, 제2 이미지 벡터 및 제3 이미지 벡터가 제3 입력 레이어(410)에 입력되고, 컨벌루션 레이어를 통해 특징 맵이 추출될 수 있다. 특징 맵은 RPN과 패스트 R-CNN에 전달되고, RPN은 특징 맵을 기반으로 영역 제안 레이어를 통해 이물질 후보 영역을 탐색할 수 있고, 이물질 후보 영역을 관심 영역으로 풀링할 수 있다. 최종적으로, 생산 관리 서버는 특징 맵과 영역 제안 경계 박스를 활용해 이물질에 대한 탐지를 수행할 수 있다.

예를 들어, RPN(Region Proposal Networks)은 크기에 상관없이 이미지 전체를 입력받을 수 있고, 영역 제안 경계 박스를 반환할 수 있다. 각 경계 박스는 객체가 존재하는 여부를 점수로 나타낼 수 있다. 각 슬라이딩 윈도우는 작은 차원의 피처로 매핑될 수 있고, 슬라이딩 윈도우로 구한 피처는 분류 레이어와 회귀 레이어로 전달될 수 있다. 각 슬라이딩 윈도우의 중심 위치마다 여러 경계 박스 영역이 예측될 수 있다. 각 슬라이딩 윈도우 위치마다 최대로 예측할 수 있는 경계 박스 영역 개수는 k개인 경우, 회귀 레이어는 좌표 값을 4k개 가질 수 있으며, 분류 레이어는 2k개의 점수 값을 가질 수 있다.

예를 들어, 7x7 크기의 특징 맵이 존재하는 경우, 3x3 크기의 커널 크기로 슬라이딩 윈도우 방식으로 모든 격자 셀마다 서로 다른 크기의 9개의 앵커 박스가 정의될 수 있다. RPN은 특징 맵을 3x3 컨벌루션에 패딩을 1로 하여, (256, 7, 7) 크기로 변환시키고, 이후 물체가 존재하는지 하지 않는지를 예측하는 분류을 수행하기 위해 1x1 컨벌루션으로 2(배경/전경) * 9(앵커) = 18 채널로 변환시키고, 경계 박스의 좌표를 예측하는 회귀를 수행하기 위해 1x1 컨벌루션으로 4(x,y,x,h) * 9(앵커) = 36채널로 변환시킬 수 있다. 이를 통해, 각 그리드 (7x7) 별로 9개 앵커의 클래스와 좌표 값 예측이 수행될 수 있다.

도 5는 일 실시예에 따른 복수의 뉴럴 네트워크를 이용하여 생산 관리 서버가 절단 공정을 위한 스마트 팩토리를 운용하는 방법을 나타낸 흐름도이다. 도 5의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.

도 5를 참조하면, 단계 S501에서, 생산 관리 서버는 주문자 단말로부터 절단 공정이 필요한 제품에 대한 주문 정보를 수신할 수 있다.

예를 들어, 생산 관리 서버는 주문자 단말로부터 주문 정보를 수신한 것에 기반하여 복수의 장비에 대한 정보 및 복수의 장비 각각에 설정된 작업자 정보를 획득할 수 있다. 예를 들어, 생산 관리 서버는 복수의 장비 각각에 구비된 센서 모듈로부터 공정 제품에 대한 복수의 이미지를 수신할 수 있다.

단계 S502에서, 생산 관리 서버는 주문 정보, 복수의 장비에 대한 정보 및 복수의 장비 각각에 설정된 작업자 정보를 기반으로 제1 뉴럴 네트워크를 이용하는 납기일 결정 모델을 통해 예상 납기일을 결정하고, 공정 제품에 대한 복수의 이미지를 기반으로 제2 뉴럴 네트워크를 이용하는 품질 관리 모델을 통해 품질 점수를 결정할 수 있다.

단계 S503에서, 생산 관리 서버는 품질 점수가 기준 점수 이상인지 여부를 결정할 수 있다.

단계 S504에서, 품질 점수가 기준 점수 이상인 경우, 생산 관리 서버는 제2 이미지의 개수 및 제3 이미지의 개수가 사전 설정된 개수 이상인지 여부를 결정할 수 있다. 제2 이미지는 제1 유형의 이물질이 포함된 공정 제품의 절단면에 대한 이미지이고, 제3 이미지는 제2 유형의 이물질이 포함된 공정 제품의 절단면에 대한 이미지이다.

예를 들어, 생산 관리 서버는 이물질 검출 모델을 학습시키기 위해 필요한 제2 이미지의 최소 개수 및 제3 이미지의 최소 개수를 결정할 수 있다. 예를 들어, 사전 설정된 개수는 제2 이미지의 최소 개수 또는 제3 이미지의 최소 개수 중 더 큰 개수로 결정될 수 있다. 이를 통해, 제2 이미지

단계 S505에서, 제2 이미지의 개수 또는 제3 이미지의 개수 중 적어도 하나가 사전 설정된 개수 미만인 경우, 생산 관리 서버는 제2 이미지 또는 제3 이미지를 생성할 수 있다.

예를 들어, 제2 이미지의 개수가 사전 설정된 개수 미만인 경우, 생산 관리 서버는 사전 설정된 개수에서 제2 이미지의 개수를 뺀 개수만큼 제2 이미지를 생성할 수 있다. 제3 이미지의 개수가 사전 설정된 개수 미만인 경우, 생산 관리 서버는 사전 설정된 개수에서 제3 이미지의 개수를 뺀 개수만큼 제3 이미지를 생성할 수 있다.

구체적으로, 예를 들어, 생산 관리 서버는 기존의 공정 제품에 대한 복수의 이미지와 공정 제품에 대한 제2 이미지의 픽셀들을 비교하여 제1 유형의 이물질이 포함된 제1 영역을 추출할 수 있다. 생산 관리 서버는 기존의 공정 제품에 대한 복수의 이미지와 공정 제품에 대한 제3 이미지의 픽셀들을 비교하여 제2 유형의 이물질이 포함된 제2 영역을 추출할 수 있다. 즉, 생산 관리 서버는 공정 제품에 대한 복수의 이미지, 제2 이미지 및 제3 이미지를 통해 CNN을 포함하는 이미지 생성 모델에 대해 제1 영역과 제2 영역을 학습시킬 수 있다. 생산 관리 서버는 제1 영역과 제2 영역을 학습시킨 이미지 생성 모델을 통해 제2 이미지와 제3 이미지를 생성할 수 있다. 예를 들어, 생산 관리 서버는 인페인팅(in-painting) 기법, 블렌딩(blending) 기법 및 생산적 적대 신경망(GAN: Generative Adversarial Networks) 등의 다양한 방식을 이용하여 제2 이미지와 제3 이미지를 생성할 수 있다. 예를 들어, 생산 관리 서버가 인페인팅 기법을 이용하는 경우, 제1 영역 및 제2 영역에 대응되는 이물질 패턴을 학습시켜 이물질을 자연스러운 형태로 채워 넣어 제2 이미지 및 제3 이미지를 생성할 수 있다. 즉, 생산 관리 서버는 인페이팅 기법을 이용하여 공정 제품에 대한 이미지 내의 특정 영역을 이물질에 관련된 정보로 재구성하여 채워 넣을 수 있다. 예를 들어, 생산 관리 서버가 GAN 기법을 이용하는 경우, 새로운 제2 이미지 및 제3 이미지를 생성하는 생성기(generator)와 생성기에서 생성된 제2 이미지 및 제3 이미지의 진위를 평가하는 판별기(discriminator)의 구조를 이용할 수 있다. 생성기와 판별기를 경쟁적으로 학습시켜 생성기에서 만든 제2 이미지 및 제3 이미지를 실제 제2 이미지 및 제3 이미지에 가까운 형태로 생성할 수 있다.

상술한 바와 같이, 생산 관리 서버는 이물질 검출을 위해 필요로 하는 다양한 제2 이미지 및 제3 이미지를 생성할 수 있다. 즉, 생산 관리 서버는 이물질 검출 모델을 학습시키기 위한 제2 이미지의 최소 개수 및 제3 이미지의 최소 개수를 확보한 후, 이물질 검출 모델을 학습시킬 수 있다.

단계 S506에서, 제2 이미지 및 제3 이미지의 개수가 사전 설정된 개수 이상인 경우, 생산 관리 서버는 공정 제품에 대한 복수의 이미지를 기반으로 제3 뉴럴 네트워크를 이용하는 이물질 검출 모델을 통해 공정 제품에 대한 제1 면적 및 제2 면적을 결정할 수 있다.

단계 S507에서, 생산 관리 서버는 공정 제품에 포함된 제2 면적이 사전 설정된 제2 면적 이하인지 여부를 결정할 수 있다.

단계 S508에서, 생산 관리 서버는 해당 공정 제품을 불량 제품으로 결정할 수 있다.

예를 들어, 품질 점수가 기준 점수보다 작은 경우, 생산 관리 서버는 해당 공정 제품을 불량 제품으로 결정할 수 있다.

예를 들어, 공정 제품에 대한 제2 면적이 사전 설정된 제2 면적을 초과한 경우, 생산 관리 서버는 공정 제품을 불량 제품으로 결정할 수 있다.

예를 들어, 생산 관리 서버는 불량 제품으로 판단된 공정 제품의 개수를 현재 스마트 팩토리에서 생산된 불량 제품의 개수에 반영할 수 있다.

단계 S509에서, 제2 면적이 사전 설정된 제2 면적 이하인 경우, 생산 관리 서버는 공정 제품에 포함된 제1 면적이 사전 설정된 제1 면적 이하인지 여부를 결정할 수 있다.

단계 S510에서, 제1 면적이 사전 설정된 제1 면적을 초과하는 경우, 생산 관리 서버는 공정 제품을 세척이 필요한 제품으로 결정할 수 있다. 예를 들어, 생산 관리 서버는 세척이 필요한 제품에 대해 관리자 단말에게 통지할 수 있다. 예를 들어, 생산 관리 서버는 세척이 필요한 제품으로 판단된 공정 제품의 개수를 현재 스마트 팩토리에서 생산된 정상 제품의 개수에 반영할 수 있다.

단계 S511에서, 제1 면적이 사전 설정된 제1 면적 이하인 경우, 생산 관리 서버는 공정 제품을 정상 제품으로 결정할 수 있다. 예를 들어, 생산 관리 서버는 정상 제품으로 판단된 공정 제품의 개수를 현재 스마트 팩토리에서 생산된 정상 제품의 개수에 반영할 수 있다.

단계 S512에서, 생산 관리 서버는 스마트 팩토리의 생산 현황에 대한 정보를 전송할 수 있다.

도 6은 일 실시예에 따른 생산 관리 서버의 구성을 나타내는 블록도이다. 도 6의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.

도 6에 도시된 바와 같이, 생산 관리 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630)를 포함할 수 있다. 그러나, 도 6에 도시된 구성 요소 모두가 생산 관리 서버(600)의 필수 구성 요소인 것은 아니다. 도 6에 도시된 구성 요소보다 많은 구성 요소에 의해 생산 관리 서버(600)가 구현될 수도 있고, 도 6에 도시된 구성 요소보다 적은 구성 요소에 의해 생산 관리 서버(600)가 구현될 수도 있다. 예를 들어, 일부 실시예에 따른 생산 관리 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630) 이외에 사용자 입력 인터페이스(미도시), 출력부(미도시) 등을 더 포함할 수도 있다.

프로세서(610)는, 통상적으로 생산 관리 서버(600)의 전반적인 동작을 제어한다. 프로세서(610)는 하나 이상의 프로세서를 구비하여, 생산 관리 서버(600)에 포함된 다른 구성 요소들을 제어할 수 있다. 예를 들어, 프로세서(610)는, 메모리(630)에 저장된 프로그램들을 실행함으로써, 통신부(620) 및 메모리(630) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(610)는 메모리(630)에 저장된 프로그램들을 실행함으로써, 도 3 내지 도 5에 기재된 생산 관리 서버(600)의 기능을 수행할 수 있다.

통신부(620)는, 생산 관리 서버(600)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 생산 관리 서버(600)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 통신부(620)는 네트워크를 통해, 다른 전자 장치로부터의 사용자 입력을 수신하거나, 외부 장치로부터 외부 장치에 저장된 데이터를 수신할 수 있다.

예를 들어, 통신부(620)는 적어도 하나의 장치와 연결을 확립하기 위한 메시지를 송수신할 수 있다. 통신부(620)는 프로세서(610)에서 생성된 정보를 서버와 연결된 적어도 하나의 장치에게 전송할 수 있다. 통신부(620)는 서버와 연결된 적어도 하나의 장치로부터 정보를 수신할 수 있다. 통신부(620)는 적어도 하나의 장치로부터 수신한 정보에 대응하여, 수신한 정보와 관련된 정보를 전송할 수 있다.

메모리(630)는, 프로세서(610)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 예를 들어, 메모리(630)는 서버에 입력된 정보 또는 네트워크를 통해 다른 장치로부터 수신된 정보를 저장할 수 있다. 또한, 메모리(630)는 프로세서(610)에서 생성된 데이터를 저장할 수 있다. 메모리(630)는 생산 관리 서버(600)로 입력되거나 생산 관리 서버(600)로부터 출력되는 정보를 저장할 수도 있다.

메모리(630)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(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), 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.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (5)

1. 복수의 뉴럴 네트워크(neural network)를 이용하여 생산 관리 서버가 절단 공정을 위한 스마트 팩토리를 운용하는 방법에 있어서,
   절단 공정이 필요한 제품에 대한 주문 정보를 수신하는 단계;
   상기 주문 정보는 제품에 대한 정보, 제품에 대한 설계도, 제품의 주문량 및 주문량에 대한 납기일을 포함하고,
   상기 절단 공정을 위한 스마트 팩토리에 배치된 복수의 장비에 대한 정보 및 복수의 장비 각각에 설정된 작업자 정보를 획득하는 단계;
   상기 주문 정보, 상기 복수의 장비에 대한 정보 및 상기 복수의 장비 각각에 설정된 작업자 정보를 기반으로 제1 뉴럴 네트워크를 이용하는 납기일 결정 모델을 통해 예상 납기일을 결정하는 단계;
   상기 복수의 장비 각각에 구비된 센서 모듈로부터 공정 제품에 대한 복수의 이미지를 수신하는 단계;
   상기 센서 모듈은 적어도 하나의 카메라를 포함하고, 상기 공정 제품은 상기 주문 정보에 따라 상기 복수의 장비에 의해 절단 공정이 수행된 제품이고,
   상기 공정 제품에 대한 복수의 이미지를 기반으로 제2 뉴럴 네트워크를 이용하는 품질 관리 모델을 통해 상기 공정 제품에 대한 품질 점수를 결정하는 단계;
   상기 품질 점수가 기준 점수보다 크거나 같은 것에 기반하여, 상기 공정 제품에 대한 복수의 이미지를 기반으로 제3 뉴럴 네트워크를 이용하는 이물질 검출 모델을 통해 상기 공정 제품이 정상 제품인지 여부를 결정하는 단계;
   상기 공정 제품을 스마트 팩토리의 생산 현황을 업데이트하는 단계;
   상기 스마트 팩토리의 생산 현황에 대한 정보를 관리자 단말에게 전송하는 단계를 포함하고,
   상기 공정 제품에 대한 복수의 이미지에 대한 데이터 전처리를 통해 복수의 관심 영역에 대한 픽셀 값으로 구성된 제1 이미지 벡터가 생성되고,
   상기 복수의 관심 영역은 상기 공정 제품의 복수의 절단면과 관련된 영역을 포함하고,
   상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함하고,
   복수의 제1 이미지 벡터, 복수의 제1 기준 이미지 벡터, 복수의 제2 기준 이미지 벡터 및 복수의 정답 품질 점수로 구성된 각각의 학습 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되어 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터로 출력되고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실 값이 작아지는 방향으로 학습되고,
   정답 품질 점수는 제1 이미지 벡터와 제1 기준 이미지 벡터 사이의 제1 유사도, 제1 이미지 벡터와 제2 기준 이미지 벡터 사이의 제2 유사도 및 제1 이미지 벡터와 제2 기준 이미지 벡터 사이의 제3 유사도를 기반으로 결정되고,
   상기 제1 유사도는 절단면의 직각도에 대한 유사도이고, 상기 제2 유사도는 절단면의 거칠기에 대한 유사도이고, 상기 제3 유사도는 절단면의 절단폭에 대한 유사도이고,
   상기 제3 뉴럴 네트워크는 제3 입력 레이어, 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 포함하고,
   상기 제1 이미지 벡터가 상기 제3 뉴럴 네트워크에 입력되는 것에 기반하여 상기 공정 제품에 포함된 제1 유형의 이물질에 대한 제1 면적 및 제2 유형의 이물질에 대한 제2 면적이 결정되고,
   상기 공정 제품에 포함된 제1 유형의 이물질에 대한 제1 면적이 사전 설정된 제1 면적 이하이고, 및 제2 유형의 이물질에 대한 제2 면적이 사전 설정된 제2 면적 이하인 것에 기반하여, 상기 공정 제품이 정상 제품으로 결정되고,
   복수의 제1 이미지 벡터, 제1 유형의 이물질과 관련된 복수의 제2 이미지 벡터, 제2 유형의 이물질과 관련된 복수의 제3 이미지 벡터, 복수의 정답 제1 유형의 이물질에 대한 제1 면적 및 복수의 정답 제2 유형의 이물질에 대한 제2 면적으로 구성된 각각의 학습 데이터는 상기 제3 뉴럴 네트워크의 상기 제3 입력 레이어에 입력되어 상기 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 통과하여 제3 출력 벡터로 출력되고, 상기 제3 출력 벡터는 상기 제3 출력 레이어에 연결된 제3 손실함수 레이어에 입력되고, 상기 제3 손실함수 레이어는 상기 제3 출력 벡터와 각각의 학습 데이터에 대한 제3 정답 벡터를 비교하는 제3 손실함수를 이용하여 제3 손실 값을 출력하고, 상기 제3 뉴럴 네트워크의 파라미터가 상기 제3 손실 값이 작아지는 방향으로 학습되고,
   상기 제1 유형의 이물질은 세척이 가능한 이물질이고, 상기 제2 이미지 벡터는 상기 제1 유형의 이물질이 포함된 공정 제품의 절단면에 대한 이미지 벡터이고,
   상기 제2 유형의 이물질은 세척이 불가능한 이물질이고, 상기 제3 이미지 벡터는 상기 제2 유형의 이물질이 포함된 공정 제품의 절단면에 대한 이미지 벡터이고,
   복수의 장비에 각각에 구비된 센서 모듈로부터 상기 생산 관리 서버에게 장비의 상태와 관련된 정보가 수신되고,
   상기 장비의 상태와 관련된 정보는 각 장비에서 발생하는 소음 정보, 각 장비에서 발생하는 열에 대한 정보 및 각 장비의 주요 부품에 대한 이미지를 포함하고,
   상기 장비의 상태와 관련된 정보에 기반하여 상기 복수의 장비 각각에 대한 권장 가동 중지 시간이 결정되고,
   상기 복수의 장비 각각에 대한 권장 가동 중지 시간에 대한 정보가 상기 관리자 단말에게 전송되고,
   상기 복수의 장비 각각에 대한 클리닝 주기가 하기 수학식에 의해 결정되고,
   

   

   
   상기 수학식에서, 상기 c_period는 상기 클리닝 주기이고, 상기 q는 제1 유형의 이물질이 포함된 공정 제품의 개수이고, 상기 z_x는 x번째 공정 제품에 포함된 제1 유형의 이물질의 제1 면적에 대한 값이고, 상기 t_stop은 해당 장비에 대한 권장 가동 중지 시간이고, 상기 t_d는 해당 장비에 설정된 기본 중지 시간이고, 상기 z_d는 상기 제1 면적에 대한 기본 값이고, 상기 p_d는 해당 장비에 설정된 기본 클리닝 주기인,
   방법.
   
2. 제 1항에 있어서,
   상기 장비에 대한 정보는 장비의 유형, 장비의 모델명, 장비의 설치일, 장비의 가동 시간, 장비의 관리 이력, 장비의 작업량 및 장비에 대해 대기중인 작업량을 포함하고,
   상기 복수의 장비 각각에 설정된 작업자 정보는 작업자의 직급, 작업자의 수, 작업자의 경력, 작업자의 수행 능력 및 작업자의 근무 일정을 포함하고,
   상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함하고,
   상기 주문 정보, 상기 복수의 장비에 대한 정보 및 상기 복수의 장비 각각에 설정된 작업자 정보에 대한 데이터 전처리를 통해 제1 입력 벡터가 생성되고,
   상기 제1 입력 벡터는 원자재와 관련된 값, 주문량에 대한 값, 상기 절단 공정에 사용되는 장비와 관련된 값, 각 장비에서 해당 제품을 생산하기 위해 소요되는 시간에 대한 값 및 해당 제품의 생산이 가능한 날짜에 대한 값으로 구성되고,
   상기 제1 입력 벡터가 상기 제1 뉴럴 네트워크에 입력되는 것에 기반하여 상기 예상 납기일이 결정되고,
   복수의 제1 입력 벡터 및 복수의 정답 납기일로 구성된 각각의 학습 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되어 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터로 출력되고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실 값이 작아지는 방향으로 학습되는,
   방법.
3. 삭제
4. 삭제
5. 삭제

Images