KR102541576B1 - 머신비전 판정 모델의 서빙 시스템 - Google Patents
머신비전 판정 모델의 서빙 시스템 Download PDFInfo
- Publication number
- KR102541576B1 KR102541576B1 KR1020230015323A KR20230015323A KR102541576B1 KR 102541576 B1 KR102541576 B1 KR 102541576B1 KR 1020230015323 A KR1020230015323 A KR 1020230015323A KR 20230015323 A KR20230015323 A KR 20230015323A KR 102541576 B1 KR102541576 B1 KR 102541576B1
- Authority
- KR
- South Korea
- Prior art keywords
- model
- machine vision
- unit
- decision
- judgment
- Prior art date
Links
- 238000004519 manufacturing process Methods 0.000 claims abstract description 60
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000007547 defect Effects 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 2
- 230000006866 deterioration Effects 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 abstract description 5
- 238000007726 management method Methods 0.000 description 58
- 238000010586 diagram Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 2
- 238000010924 continuous production Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/027—Alarm generation, e.g. communication protocol; Forms of alarm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Computer Interaction (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 머신비전 판정 모델의 서빙 시스템에 관한 것으로서, 보다 구체적으로는 태양광 모듈 제조 공정 설비에서 수집된 영상으로부터 판정 결과를 출력하는 인공지능 기반의 머신비전 판정 모델을 학습, 배포, 관리 및 업데이트하는 서빙 시스템으로서, 상기 태양광 모듈 제조 공정 설비에서 수집된 영상으로부터 판정 결과를 출력하는 인공지능 기반의 머신비전 판정 모델을 컨테이너에 저장하는 저장부; 상기 태양광 모듈 제조 공정 설비에 상기 머신비전 판정 모델에 의한 판정 결과를 제공하는 AI 서비스부; 클라우드 기반으로 운영되며, 상기 머신비전 판정 모델의 입력 영상 및 판정 결과를 저장하고, 상기 태양광 모듈 제조 공정 설비의 시스템 지표를 전달받아 모니터링하며, 상기 머신비전 판정 모델과 관련된 데이터를 저장하고 관리하는 웹 서비스부; 상기 머신비전 판정 모델을 배치(deploy)하고 관리하는 관리부; 및 상기 AI 서비스부의 판정 결과 업데이트 이벤트가 발생하면, 상기 태양광 모듈 제조 공정 설비에서 수집된 학습 데이터를 전달받아 상기 머신 비전 판정 모델을 업데이트하는 업데이트부를 포함하는 것을 그 구성상의 특징으로 한다.
본 발명에서 제안하고 있는 머신비전 판정 모델의 서빙 시스템에 따르면, 태양광 모듈 제조 공정 설비에서 수집된 영상으로부터 판정 결과를 출력하는 인공지능 기반의 머신비전 판정 모델을 학습, 배포, 관리 및 업데이트함으로써, 다양한 목적을 가진 여러 머신비전 모델을 관리하고 배포하며, 다양한 시나리오에 따른 모델 서빙 관리를 지원하여, 태양광 모듈 제조 현장에서 쉽게 머신비전 서비스를 이용할 수 있다.
또한, 본 발명에서 제안하고 있는 머신비전 판정 모델의 서빙 시스템에 따르면, 머신비전 판정 모델을 배치(deploy)하고 관리하는 관리부를 포함함으로써, 모델 버전을 관리하고 머신비전 판정 모델을 배치할 수 있으며, 새로운 모델로 교체하거나 쉐도우 모드(Shadow mode)에서 모델을 테스트할 수 있도록 지원함으로써, 쉽고 빠르게 태양광 모듈의 각 제조 공정에 적합한 머신비전 판정 모델을 도입 및 배치할 수 있다.
뿐만 아니라, 본 발명에서 제안하고 있는 머신비전 판정 모델의 서빙 시스템에 따르면, 업데이트 이벤트 발생 시 태양광 제조 공정 설비에서 수집된 데이터를 전달받아 머신비전 판정 모델을 업데이트하여 재배포함으로써, 고객사 엔지니어의 개입 없이 머신비전 모델을 자동으로 원격 업데이트하여 서비스 열화를 방지하고, 최적의 성능을 안정적으로 유지할 수 있다.
본 발명에서 제안하고 있는 머신비전 판정 모델의 서빙 시스템에 따르면, 태양광 모듈 제조 공정 설비에서 수집된 영상으로부터 판정 결과를 출력하는 인공지능 기반의 머신비전 판정 모델을 학습, 배포, 관리 및 업데이트함으로써, 다양한 목적을 가진 여러 머신비전 모델을 관리하고 배포하며, 다양한 시나리오에 따른 모델 서빙 관리를 지원하여, 태양광 모듈 제조 현장에서 쉽게 머신비전 서비스를 이용할 수 있다.
또한, 본 발명에서 제안하고 있는 머신비전 판정 모델의 서빙 시스템에 따르면, 머신비전 판정 모델을 배치(deploy)하고 관리하는 관리부를 포함함으로써, 모델 버전을 관리하고 머신비전 판정 모델을 배치할 수 있으며, 새로운 모델로 교체하거나 쉐도우 모드(Shadow mode)에서 모델을 테스트할 수 있도록 지원함으로써, 쉽고 빠르게 태양광 모듈의 각 제조 공정에 적합한 머신비전 판정 모델을 도입 및 배치할 수 있다.
뿐만 아니라, 본 발명에서 제안하고 있는 머신비전 판정 모델의 서빙 시스템에 따르면, 업데이트 이벤트 발생 시 태양광 제조 공정 설비에서 수집된 데이터를 전달받아 머신비전 판정 모델을 업데이트하여 재배포함으로써, 고객사 엔지니어의 개입 없이 머신비전 모델을 자동으로 원격 업데이트하여 서비스 열화를 방지하고, 최적의 성능을 안정적으로 유지할 수 있다.
Description
본 발명은 머신비전 판정 모델의 서빙 시스템에 관한 것으로서, 보다 구체적으로는 태양광 모듈 제조 공정에서 촬영되는 영상을 이용하는 머신비전 판정 모델의 서빙 시스템에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 발명의 일실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
태양광 모듈(Solar Module)은 태양전지를 종 및 횡으로 연결하여 결합한 형태로, 개별 태양전지에서 생산된 전기가 모듈에 동시에 모이게 된다. 태양전지를 많이 붙일수록 태양광 모듈의 발전 용량은 커지게 되는데, 점차 대형화 추세에 있다.
태양광 모듈의 제조 공정은 여러 개의 태양전지를 배열해 라미네이션(Lamination)을 통해 모듈을 제조하는 과정으로 이루어진다. 태양광 모듈은 여러 단계로 구성된 연속적인 과정을 통해 제조되므로, 앞 공정의 불량이 뒤 공정의 불량과 직결되므로, 최종 생산된 태양광 모듈의 품질을 관리하는 것뿐만 아니라 중간 단계에서의 품질 관리도 매우 중요하다.
최근에는 급격하게 발달하고 있는 인공지능 기술이 다양한 산업 분야에 적용되면서, 태양광 모듈의 제조 공정의 여러 단계에도 적용되고 있다. 특히, 태양광 모듈은 연속적인 과정을 통해 제조되므로, 각 공정에서 머신비전 모델을 활용해 제품 외관 검사나 불량 판정 등을 통해, 품질 관리를 자동화하려는 시도가 이루어지고 있다.
특히, 인공지능 기술의 성능이 높아지고 적용 범위가 넓어지면서, 태양광 모듈 제조 공정에서도 다양한 머신비전 모델이 필요하게 되었다. 따라서 다양한 목적을 가진 여러 머신비전 모델을 관리하고 배포하며, 다양한 시나리오에 따른 모델 서빙 관리를 지원할 수 있는 기술이 필요하다.
한편, 영상 처리 분야에서는 대규모 데이터 및 파라미터 기반 초거대 모델 개발 방법론이 부재하다. 따라서 고객사 및 개발사들은 비용 절감을 위해 On-premise 서비스 구축을 요청하며, 이에 따라 일관된 시스템 구축에 어려움이 있다. 또한, 유지보수에 어려움이 있어, 머신비전 판정 모델의 열화 가능성이 존재한다. 따라서 고객사 엔지니어의 개입 없이 머신비전 모델을 자동으로 업데이트하여 최적의 성능을 안정적으로 유지할 수 있는 기술의 개발이 필요하다.
한편, 본 발명과 관련된 선행기술로, 한편, 본 발명과 관련된 선행기술로, 등록특허 제10-1567550호(발명의 명칭: 제조업에서의 데이터 수집 및 제공 방법, 등록일자: 2015년 11월 03일) 등이 개시된 바 있다.
전술한 배경 기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지 기술이라 할 수는 없다.
본 발명은 기존에 제안된 방법들의 상기와 같은 문제점들을 해결하기 위해 제안된 것으로서, 태양광 모듈 제조 공정 설비에서 수집된 영상으로부터 판정 결과를 출력하는 인공지능 기반의 머신비전 판정 모델을 학습, 배포, 관리 및 업데이트함으로써, 다양한 목적을 가진 여러 머신비전 모델을 관리하고 배포하며, 다양한 시나리오에 따른 모델 서빙 관리를 지원하여, 태양광 모듈 제조 현장에서 쉽게 머신비전 서비스를 이용할 수 있는, 머신비전 판정 모델의 서빙 시스템을 제공하는 것을 그 목적으로 한다.
또한, 본 발명은, 머신비전 판정 모델을 배치(deploy)하고 관리하는 관리부를 포함함으로써, 모델 버전을 관리하고 머신비전 판정 모델을 배치할 수 있으며, 새로운 모델로 교체하거나 쉐도우 모드(Shadow mode)에서 모델을 테스트할 수 있도록 지원함으로써, 쉽고 빠르게 태양광 모듈의 각 제조 공정에 적합한 머신비전 판정 모델을 도입 및 배치할 수 있는, 머신비전 판정 모델의 서빙 시스템을 제공하는 것을 그 목적으로 한다.
뿐만 아니라, 본 발명은, 업데이트 이벤트 발생 시 태양광 제조 공정 설비에서 수집된 데이터를 전달받아 머신비전 판정 모델을 업데이트하여 재배포함으로써, 고객사 엔지니어의 개입 없이 머신비전 모델을 자동으로 원격 업데이트하여 서비스 열화를 방지하고, 최적의 성능을 안정적으로 유지할 수 있는, 머신비전 판정 모델의 서빙 시스템을 제공하는 것을 또 다른 목적으로 한다.
다만, 본 발명이 이루고자 하는 기술적 과제는 상기한 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있고, 명시적으로 언급하지 않더라도 과제의 해결수단이나 실시 형태로부터 파악될 수 있는 목적이나 효과도 이에 포함됨은 물론이다.
상기한 목적을 달성하기 위한 본 발명의 특징에 따른 머신비전 판정 모델의 서빙 시스템은,
태양광 모듈 제조 공정 설비에서 수집된 영상으로부터 판정 결과를 출력하는 인공지능 기반의 머신비전 판정 모델을 학습, 배포, 관리 및 업데이트하는 서빙 시스템으로서,
상기 태양광 모듈 제조 공정 설비에서 수집된 영상으로부터 판정 결과를 출력하는 인공지능 기반의 머신비전 판정 모델을 컨테이너에 저장하는 저장부;
상기 태양광 모듈 제조 공정 설비에 상기 머신비전 판정 모델에 의한 판정 결과를 제공하는 AI 서비스부;
클라우드 기반으로 운영되며, 상기 머신비전 판정 모델의 입력 영상 및 판정 결과를 저장하고, 상기 태양광 모듈 제조 공정 설비의 시스템 지표를 전달받아 모니터링하며, 상기 머신비전 판정 모델과 관련된 데이터를 저장하고 관리하는 웹 서비스부;
상기 머신비전 판정 모델을 배치(deploy)하고 관리하는 관리부; 및
상기 AI 서비스부의 판정 결과 업데이트 이벤트가 발생하면, 상기 태양광 모듈 제조 공정 설비에서 수집된 학습 데이터를 전달받아 상기 머신 비전 판정 모델을 업데이트하는 업데이트부를 포함하는 것을 그 구성상의 특징으로 한다.
바람직하게는, 상기 AI 서비스부는,
상기 태양광 모듈 제조 공정 설비 또는 클라우드에서 운영될 수 있다.
바람직하게는, 상기 관리부는,
쿠버네티스(Kubernetes) 기반으로 상기 머신비전 판정 모델을 배치하고 관리할 수 있다.
바람직하게는, 상기 관리부는,
상기 머신비전 판정 모델의 모델 타입, 개발 프레임워크 및 모델 버전을 포함하는 모델 관리 데이터를 관리하는 모델 관리부;
상기 머신비전 판정 모델이 사용되는 프로젝트의 프로젝트 관리 데이터를 관리하는 프로젝트 관리부; 및
프로젝트와 상기 머신비전 판정 모델을 연결해 배치하기 위한 설정 정보를 관리하며, 새로운 쉐도우 모드 모델을 추가하거나, 배치되어 작동하는 머신비전 판정 모델의 성능을 모니터링하는 배치 관리부를 포함할 수 있다.
더욱 바람직하게는, 상기 관리부는,
상기 배치 관리부에서 모니터링하는 성능이 미리 설정된 기준 미만이면, 미검을 최소화하는 비상 모델을 가동하는 비상 모델 가동부를 더 포함할 수 있다.
바람직하게는, 상기 업데이트부는,
업데이트 이벤트가 발생하면, 상기 웹 서비스부로부터 이벤트 발생 알람을 수신하는 알람 수신부;
상기 웹 서비스부로부터 상기 태양광 모듈 제조 공정 설비에서 수집된 학습 데이터를 전달받는 데이터 센터부;
상기 데이터 센터부로 전달된 학습 데이터를 이용해 상기 머신비전 판정 모델을 업데이트하는 모델 빌드부; 및
업데이트된 머신비전 판정 모델을 상기 저장부에 저장하고, 상기 관리부에 재배포를 요청하는 재배포 요청부를 포함할 수 있다.
더욱 바람직하게는, 상기 업데이트부는,
미리 설정된 시간에 상기 학습 데이터를 전달받고, 미리 설정된 기준에 따라 자동으로 상기 학습 데이터의 일부를 선별한 다음, 상기 선별된 학습 데이터를 이용해 상기 머신비전 판정 모델을 업데이트할 수 있다.
바람직하게는, 상기 AI 서비스부는,
상기 머신비전 판정 모델에 의한 판정 결과를 제공하되, 그래프 형태로 시간별, 결함별, 및 카메라별 통계 결과를 제공할 수 있다.
본 발명에서 제안하고 있는 머신비전 판정 모델의 서빙 시스템에 따르면, 태양광 모듈 제조 공정 설비에서 수집된 영상으로부터 판정 결과를 출력하는 인공지능 기반의 머신비전 판정 모델을 학습, 배포, 관리 및 업데이트함으로써, 다양한 목적을 가진 여러 머신비전 모델을 관리하고 배포하며, 다양한 시나리오에 따른 모델 서빙 관리를 지원하여, 태양광 모듈 제조 현장에서 쉽게 머신비전 서비스를 이용할 수 있다.
또한, 본 발명에서 제안하고 있는 머신비전 판정 모델의 서빙 시스템에 따르면, 머신비전 판정 모델을 배치하고 관리하는 관리부를 포함함으로써, 모델 버전을 관리하고 머신비전 판정 모델을 배치할 수 있으며, 새로운 모델로 교체하거나 쉐도우 모드에서 모델을 테스트할 수 있도록 지원함으로써, 쉽고 빠르게 태양광 모듈의 각 제조 공정에 적합한 머신비전 판정 모델을 도입 및 배치할 수 있다.
뿐만 아니라, 본 발명에서 제안하고 있는 머신비전 판정 모델의 서빙 시스템에 따르면, 업데이트 이벤트 발생 시 태양광 제조 공정 설비에서 수집된 데이터를 전달받아 머신비전 판정 모델을 업데이트하여 재배포함으로써, 고객사 엔지니어의 개입 없이 머신비전 모델을 자동으로 원격 업데이트하여 서비스 열화를 방지하고, 최적의 성능을 안정적으로 유지할 수 있다.
더불어, 본 발명의 다양하면서도 유익한 장점과 효과는 상술한 내용에 한정되지 않으며, 본 발명의 구체적인 실시 형태를 설명하는 과정에서 보다 쉽게 이해될 수 있을 것이다.
도 1은 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템의 구성을 도시한 도면.
도 2는 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템의 구조를 도시한 도면.
도 3은 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템에서, 관리부의 세부적인 구성을 도시한 도면.
도 4는 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템에서, 모델 관리 화면을 예를 들어 도시한 도면.
도 5는 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템에서, 프로젝트 관리 화면을 예를 들어 도시한 도면.
도 6은 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템에서, Deploy 관리 화면을 예를 들어 도시한 도면.
도 7은 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템에서, 업데이트부의 세부적인 구성을 도시한 도면.
도 8 및 도 9는 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템에서, 업데이트부의 머신비전 판정 모델 업데이트 과정을 설명하기 위해 도시한 도면.
도 10은 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템의 AI 서비스부가 제공하는 대시보드 화면을 예를 들어 도시한 도면.
도 2는 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템의 구조를 도시한 도면.
도 3은 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템에서, 관리부의 세부적인 구성을 도시한 도면.
도 4는 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템에서, 모델 관리 화면을 예를 들어 도시한 도면.
도 5는 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템에서, 프로젝트 관리 화면을 예를 들어 도시한 도면.
도 6은 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템에서, Deploy 관리 화면을 예를 들어 도시한 도면.
도 7은 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템에서, 업데이트부의 세부적인 구성을 도시한 도면.
도 8 및 도 9는 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템에서, 업데이트부의 머신비전 판정 모델 업데이트 과정을 설명하기 위해 도시한 도면.
도 10은 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템의 AI 서비스부가 제공하는 대시보드 화면을 예를 들어 도시한 도면.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하의 실시예는 본 발명의 이해를 돕기 위한 상세한 설명이며, 본 발명의 권리 범위를 제한하는 것이 아니다. 따라서 본 발명과 동일한 기능을 수행하는 동일 범위의 발명 역시 본 발명의 권리 범위에 속할 것이다.
또한, 본 발명의 각 실시예에 포함된 각 구성, 과정, 공정 또는 방법 등은 기술적으로 상호간 모순되지 않는 범위 내에서 공유될 수 있다.
도 1은 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템의 구성을 도시한 도면이다. 도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템은, 태양광 모듈 제조 공정 설비에서 수집된 영상으로부터 판정 결과를 출력하는 인공지능 기반의 머신비전 판정 모델을 학습, 배포, 관리 및 업데이트하는 서빙 시스템으로서, 저장부(100), AI 서비스부(200), 웹 서비스부(300), 관리부(400) 및 업데이트부(500)를 포함하여 구성될 수 있다.
도 2는 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템의 구조를 도시한 도면이다. 도 2에 도시된 바와 같이, 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템은, 머신비전 운영 플랫폼을 운영하며, 태양광 모듈 제조 공정 설비가 영상을 전송하면서 판정 요청을 하면, 판정 시스템에서 해당 태양광 모듈 제조 공정 설비에 배치된 AI 모델에 의한 추론 엔진을 통해 판정 결과를 제공할 수 있다. 특히, 머신비전 판정 모델을 이중화하여 서빙함으로써, 고가용성을 확보하고 안정적으로 서비스를 제공할 수 있다. 또한, 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템은, API를 통해 태양광 모듈 제조 공정 설비와 통신함으로써, 태양광 모듈 제조 과정의 다양한 환경에서 머신비전 기술을 쉽게 이용할 수 있다.
이하에서는, 도 1 및 도 2를 참조하여 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템의 각 구성요소에 대해 상세히 설명하도록 한다.
저장부(100)는, 태양광 모듈 제조 공정 설비에서 수집된 영상으로부터 판정 결과를 출력하는 인공지능 기반의 머신비전 판정 모델을 컨테이너에 저장할 수 있다. 이때, 저장부(100)는 머신비전 판정 모델을 이중화하여 저장함으로써, 고가용성을 확보할 수 있다.
AI 서비스부(200)는, 태양광 모듈 제조 공정 설비에 머신비전 판정 모델에 의한 판정 결과를 제공할 수 있다. AI 서비스부(200)는, 태양광 모듈 제조 공정 설비로부터 API를 통해 영상을 전달받으면서 판정 요청을 받고, 머신비전 판정 모델에 의한 판정 결과를 제공할 수 있다. 이때, 설비 관리자는 AI 서비스부(200)에서 제공하는 판정 결과를 머신비전 운영 플랫폼 등에 접속해 확인할 수 있다.
보다 구체적으로, AI 서비스부(200)는, 태양광 모듈 제조 공정 설비 또는 클라우드에서 운영될 수 있으며, 태양광 모듈 제조 공정 설비와 클라우드 모두에서 운영하여, 머신비전 판정 모델에 의한 AI 서비스를 안정적으로 이용할 수 있다.
웹 서비스부(300)는, 클라우드 기반으로 운영되며, 머신비전 판정 모델의 입력 영상 및 판정 결과를 저장하고, 태양광 모듈 제조 공정 설비의 시스템 지표를 전달받아 모니터링하며, 머신비전 판정 모델과 관련된 데이터를 저장하고 관리할 수 있다. 웹 서비스부(300)는, 아마존웹서비스(Amazon Web Services, AWS) 등을 통해 구현될 수 있다.
보다 구체적으로, 웹 서비스부(300)는, 클라우드 기반으로 AI 서비스부(200), 관리부(400) 및 업데이트부(500)와 연동할 수 있으며, 태양광 모듈 제조 공정 설비에서 촬영된 영상 등을 저장하는 Object Storage, 머신비전 판정 모델의 판정 결과를 저장하는 Database, 메시지를 저장하는 Message Queue, 태양광 모듈 제조 공정 설비의 영상을 이용한 판정 결과 및 시스템 지표를 모니터링하는 Monitoring, 머신러닝 판정 모델 및 시스템 운영과 관련된 데이터를 저장하는 Repository를 포함하여 구성될 수 있다. 특히, 웹 서비스부(300)는, 판정 결과와 태양광 모듈 제조 공정 설비의 시스템 지표를 전달받아 모니터링하면서, 판정 이상 또는 시스템 이상 등의 이벤트가 발생하면 관리부(400) 또는 업데이트부(500)에 알람을 전송할 수 있다.
관리부(400)는, 머신비전 판정 모델을 배치(deploy)하고 관리할 수 있다. 보다 구체적으로, 관리부(400)는, 쿠버네티스(Kubernetes) 기반으로 머신비전 판정 모델을 배치(deploy)하고 관리할 수 있다. 또한, 관리부(400)는 웹 서비스부(300)와 연동하여, 관리를 위한 웹페이지를 제공할 수 있다.
도 3은 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템에서, 관리부(400)의 세부적인 구성을 도시한 도면이다. 도 3에 도시된 바와 같이, 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템에서 관리부(400)는, 모델 관리부(410), 프로젝트 관리부(420) 및 배치 관리부(430)를 포함하여 구성될 수 있으며, 비상 모델 가동부(440)를 더 포함하여 구성될 수 있다.
모델 관리부(410)는, 머신비전 판정 모델의 모델 타입, 개발 프레임워크 및 모델 버전을 포함하는 모델 관리 데이터를 관리할 수 있다. 도 4는 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템에서, 모델 관리 화면을 예를 들어 도시한 도면이다. 도 4에 도시된 바와 같이, 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템에서는, 모델 관리부(410)를 통해 모델 리스트를 확인하고, 모델 관리 데이터를 생성, 삭제, 변경할 수 있다. 도 4에 도시된 바와 같이, 모델 관리 데이터는, 개발 프레임워크, 버전, 리포지토리 정보 등을 포함할 수 있으며, 머신비전 판정과 관련해 임계값(Threshold) 등을 확인할 수도 있다.
프로젝트 관리부(420)는, 머신비전 판정 모델이 사용되는 프로젝트의 프로젝트 관리 데이터를 관리할 수 있다. 도 5는 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템에서, 프로젝트 관리 화면을 예를 들어 도시한 도면이다. 도 5에 도시된 바와 같이, 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템에서는, 프로젝트 관리부(420)를 통해 프로젝트 리스트를 확인하고, 프로젝트를 생성, 삭제, 변경할 수 있으며, 각 프로젝트에서 사용하는 머신비전 판정 모델을 확인할 수 있다. 도 5에 도시된 바와 같이, 프로젝트 관리 데이터는, 고객사, 서비스 유형, 프로젝트 기간 등을 포함할 수 있으며, 서비스 유형에 따라 머신비전 판정 모델이 상이할 수 있다.
배치 관리부(430)는, 프로젝트와 머신비전 판정 모델을 연결해 배치하기 위한 설정 정보를 관리하며, 새로운 쉐도우 모드(Shadow mode) 모델을 추가하거나, 배치되어 작동하는 머신비전 판정 모델의 성능을 모니터링할 수 있다. 도 6은 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템에서, Deploy 관리 화면을 예를 들어 도시한 도면이다. 도 6에 도시된 바와 같이, 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템에서는, 배치 관리부(430)를 통해 머신비전 판정 모델의 Deploy와 관련된 각종 정보를 확인하고 설정하며, 모니터링을 할 수 있다.
즉, 도 6에 도시된 바와 같은 메뉴에서, “Create Deploy” 및 “Edit Deploy” 항목의 기능을 통해 프로젝트와 머신비전 판정 모델을 연결해 배치하기 위한 설정 정보를 입력하고, 편집 및 관리할 수 있다. 예를 들어, 배치될 머신비전 판정 모델 관련 설정, Scaling 관련 설정, GPU 개수 등 Deploy하는 인프라의 용량 설정 등 각종 설정을 입력 및 관리할 수 있다. 이때, 머신비전 판정 모델의 배치 이후에 설정 내용을 변경할 수도 있으며, API 작동 확인 등을 위한 Deploy test를 실행하거나, 이전 버전 모델로 원상 복구하는 Rollback 기능을 포함할 수 있다. Rollback 기능은 모델의 신규 배포 또는 새로운 버전 배포 시 성능이 불안정할 수 있으므로, 이전 버전으로 복구할 수 있도록 하는 기능이다. 또한, 배치 관리부(430)를 통해 배포한 모델을 저장한 저장소에서 적용할 모델을 선택할 수 있도록 함으로써, 관리자가 현장에 적용할 머신비전 모델을 선택할 수 있다.
또한, 도 6에 도시된 바와 같은 메뉴에서, “A/B Test” 항목의 기능을 통해 새로운 쉐도우 모드 모델을 추가해 테스트할 수 있다. 즉, 이미 배치되어 작동 중인 머신비전 판정 모델(A 모델) 외에, 새로운 모델을 쉐도우 모드로 추가(B 모델)하여, A 모델과 B 모델의 결과를 중복으로 확인할 수 있도록 하여, 사용 중인 A 모델 외에 B 모델의 성능도 실시간으로 확인할 수 있다. 따라서 두 모델의 성능을 비교하여 모델의 적용이나 변경 시에 활용할 수 있다.
또한, 도 6에 도시된 바와 같은 메뉴에서, “Monitoring” 항목의 기능을 통해, Deploy되어 작동 중인 머신비전 판정 모델의 성능을 모니터링할 수 있다. 이때, AI 서비스부(200)의 판정 결과를 전달받아 판정 결과에 따른 성능 모니터링을 할 수 있으며, 성능을 점수화할 수 있다. 또한, 인프라 관점으로 태양광 모듈 제조 설비의 시스템 지표도 모니터링할 수 있다.
비상 모델 가동부(440)는, 배치 관리부(430)에서 모니터링하는 성능이 미리 설정된 기준 미만이면, 미검을 최소화하는 비상 모델을 가동할 수 있다. 비상 모델 가동부(440)는, 점수화한 성능이 미리 설정된 기준 미만으로 저하되면, 자동으로 또는 관리자의 지시에 따라 비상 모델을 가동할 수 있다. 이때, 비상 모델은 미검을 최소화하는 영상 처리 모델일 수 있다. 이와 같은 비상 모델 가동부(440)를 통해, 현장 상황 변화로 미검이 다량 발생할 경우 빠르게 대처할 수 있다.
업데이트부(500)는, AI 서비스부(200)의 판정 결과 업데이트 이벤트가 발생하면, 태양광 모듈 제조 공정 설비에서 수집된 학습 데이터를 전달받아 머신 비전 판정 모델을 업데이트할 수 있다. 보다 구체적으로, 업데이트부(500)는, 미리 설정된 시간에 학습 데이터를 전달받고, 미리 설정된 기준에 따라 자동으로 학습 데이터의 일부를 선별한 다음, 선별된 학습 데이터를 이용해 머신비전 판정 모델을 업데이트할 수 있다.
도 7은 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템에서, 업데이트부(500)의 세부적인 구성을 도시한 도면이다. 도 7에 도시된 바와 같이, 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템에서 업데이트부(500)는, 알람 수신부(510), 데이터 센터부(520), 모델 빌드부(530) 및 재배포 요청부(540)를 포함하여 구성될 수 있다.
도 8 및 도 9는 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템에서, 업데이트부(500)의 머신비전 판정 모델 업데이트 과정을 설명하기 위해 도시한 도면이다. 이하에서는, 도 7 내지 도 9를 참조하여, 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템의 업데이트부(500)의 각 구성에 대해 상세히 설명하도록 한다.
알람 수신부(510)는, 업데이트 이벤트가 발생하면, 웹 서비스부(300)로부터 이벤트 발생 알람을 수신할 수 있다. 즉, 도 8에 도시된 바와 같이, 웹 서비스부(300)는 머신비전 판정 모델의 입력 영상 및 판정 결과를 저장하고, 판정 결과와 시스템 지표를 전달받아 모니터링하는데, 모니터링 과정에서 업데이트 이벤트가 발생하면 업데이트부(500)의 알람 수신부(510)로 이벤트 발생 알람을 전달할 수 있다. 여기서, 업데이트 이벤트는, 배치 관리부(430)에서 모니터링하는 성능이 미리 설정된 기준 미만이거나, 시스템 지표의 모니터링 결과 시스템 이상이 발생한 경우 웹 서비스부(300)가 생성하는 이벤트일 수 있으며, 미리 정해진 주기로 자동으로 업데이트 이벤트가 생성될 수도 있다.
데이터 센터부(520)는, 웹 서비스부(300)로부터 태양광 모듈 제조 공정 설비에서 수집된 학습 데이터를 전달받을 수 있다. 즉, 도 8에 도시된 바와 같이 웹 서비스부(300)는 AI 서비스부(200)의 입출력 데이터인 입력 영상과 판정 결과를 저장하는데, 도 9에 도시된 바와 같이 웹 서비스부(300)가 저장한 데이터를 데이터 센터부(520)가 학습 데이터로 전달받을 수 있다.
모델 빌드부(530)는, 데이터 센터부(520)로 전달된 학습 데이터를 이용해 머신비전 판정 모델을 업데이트할 수 있다. 즉, 모델 빌드부(530)는, 머신비전 판정 모델을 새로 수집된 학습 데이터로 학습해 업데이트하는 구성일 수 있다.
보다 구체적으로, 데이터 센터부(520)는 미리 정해진 기간 동안 웹 서비스부(300)에서 수집된 학습 데이터를 미리 설정된 시간에 전달받고, 미리 설정된 기준에 따라 자동으로 학습 데이터의 일부를 선별한 다음, 선별된 학습 데이터를 이용해 머신비전 판정 모델을 업데이트할 수 있다. 예를 들어, 데이터 센터부(520)는 하루 동안 태양광 모듈 제조 공정 설비에서 수집된 학습 데이터(입력 영상과 판정 결과)를 설비 휴식 시간인 새벽 6~7시에 다운로드할 수 있다. 그다음 사용된 머신비전 판정 모델 외의 다른 머신비전 판정 모델(비교 모델)에 입력 영상을 입력해 출력된 판정 결과를 학습 데이터에 포함된 판정 결과와 비교한다. 이때, 비교를 위해 사용하는 비교 모델로는 서로 다른 4개 이상의 모델을 사용할 수 있다. 이러한 판정 결과 비교를 통해 학습이 필요한 미리 정해진 개수의 영상을 선별할 수 있다. 이때, 학습 데이터의 판정 결과와 비교 모델의 판정 결과가 서로 다른 영상이 선별될 수 있으며, 50장 정도의 영상이 선별될 수 있다. 선별된 영상은 레이블링 업체를 통해 레이블되고, 모델 빌드부(530)는 영상과 레이블을 이용해 머신비전 판정 모델을 학습해 업데이트할 수 있다.
재배포 요청부(540)는, 업데이트된 머신비전 판정 모델을 저장부(100)에 저장하고, 관리부(400)에 재배포를 요청할 수 있다. 즉, 도 9에 도시된 바와 같이, 재배포 요청부(540)는 업데이트된 머신비전 판정 모델을 웹 서비스부(300)에 업로드하고 관리부(400)에 재배포를 요청하며, 관리부(400)는 웹 서비스부(300)의 리포지토리에서 업데이트된 머신비전 판정 모델을 다운로드하여 태양광 모듈 제조 공정에서 사용할 수 있다.
도 10은 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템의 AI 서비스부(200)가 제공하는 대시보드 화면을 예를 들어 도시한 도면이다. 도 10에 도시된 바와 같이, 본 발명의 일실시예에 따른 머신비전 판정 모델의 서빙 시스템의 AI 서비스부(200)는, 머신비전 판정 모델에 의한 판정 결과를 제공하되, 그래프 형태로 시간별, 결함별, 및 카메라별 통계 결과를 제공할 수 있다.
전술한 바와 같이, 본 발명에서 제안하고 있는 머신비전 판정 모델의 서빙 시스템에 따르면, 태양광 모듈 제조 공정 설비에서 수집된 영상으로부터 판정 결과를 출력하는 인공지능 기반의 머신비전 판정 모델을 학습, 배포, 관리 및 업데이트함으로써, 다양한 목적을 가진 여러 머신비전 모델을 관리하고 배포하며, 다양한 시나리오에 따른 모델 서빙 관리를 지원하여, 태양광 모듈 제조 현장에서 쉽게 머신비전 서비스를 이용할 수 있다.
또한, 본 발명에서 제안하고 있는 머신비전 판정 모델의 서빙 시스템에 따르면, 머신비전 판정 모델을 배치하고 관리하는 관리부(400)를 포함함으로써, 모델 버전을 관리하고 머신비전 판정 모델을 배치할 수 있으며, 새로운 모델로 교체하거나 쉐도우 모드에서 모델을 테스트할 수 있도록 지원함으로써, 쉽고 빠르게 태양광 모듈의 각 제조 공정에 적합한 머신비전 판정 모델을 도입 및 배치할 수 있다.
뿐만 아니라, 본 발명에서 제안하고 있는 머신비전 판정 모델의 서빙 시스템에 따르면, 업데이트 이벤트 발생 시 태양광 제조 공정 설비에서 수집된 데이터를 전달받아 머신비전 판정 모델을 업데이트하여 재배포함으로써, 고객사 엔지니어의 개입 없이 머신비전 모델을 자동으로 원격 업데이트하여 서비스 열화를 방지하고, 최적의 성능을 안정적으로 유지할 수 있다.
본 발명의 실시예는 컴퓨터에 의해 실행되는 매체에 저장된 컴퓨터 프로그램 또는 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비 분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비 분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다.
본 발명은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명된 각 구성요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명된 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 저장부
200: AI 서비스부
300: 웹 서비스부
400: 관리부
410: 모델 관리부
420: 프로젝트 관리부
430: 배치 관리부
440: 비상 모델 가동부
500: 업데이트부
510: 알람 수신부
520: 데이터 센터부
530: 모델 빌드부
540: 재배포 요청부
200: AI 서비스부
300: 웹 서비스부
400: 관리부
410: 모델 관리부
420: 프로젝트 관리부
430: 배치 관리부
440: 비상 모델 가동부
500: 업데이트부
510: 알람 수신부
520: 데이터 센터부
530: 모델 빌드부
540: 재배포 요청부
Claims (8)
- 태양광 모듈 제조 공정 설비에서 수집된 영상으로부터 판정 결과를 출력하는 인공지능 기반의 머신비전 판정 모델을 학습, 배포, 관리 및 업데이트하는 서빙 시스템으로서,
상기 태양광 모듈 제조 공정 설비에서 수집된 영상으로부터 판정 결과를 출력하는 인공지능 기반의 머신비전 판정 모델을 컨테이너에 저장하는 저장부(100);
상기 태양광 모듈 제조 공정 설비에 상기 머신비전 판정 모델에 의한 판정 결과를 제공하는 AI 서비스부(200);
클라우드 기반으로 운영되며, 상기 머신비전 판정 모델의 입력 영상 및 판정 결과를 저장하고, 상기 태양광 모듈 제조 공정 설비의 시스템 지표를 전달받아 모니터링하며, 상기 머신비전 판정 모델과 관련된 데이터를 저장하고 관리하는 웹 서비스부(300);
상기 머신비전 판정 모델을 배치(deploy)하고 관리하는 관리부(400); 및
상기 AI 서비스부(200)의 판정 결과 업데이트 이벤트가 발생하면, 상기 태양광 모듈 제조 공정 설비에서 수집된 학습 데이터를 전달받아 상기 머신 비전 판정 모델을 업데이트하는 업데이트부(500)를 포함하며,
상기 관리부(400)는,
상기 머신비전 판정 모델의 모델 타입, 개발 프레임워크 및 모델 버전을 포함하는 모델 관리 데이터를 관리하는 모델 관리부(410);
상기 머신비전 판정 모델이 사용되는 프로젝트의 프로젝트 관리 데이터를 관리하는 프로젝트 관리부(420); 및
프로젝트와 상기 머신비전 판정 모델을 연결해 배치하기 위한 설정 정보를 관리하며, 새로운 쉐도우 모드(Shadow mode) 모델을 추가하고, 배치되어 작동하는 머신비전 판정 모델의 성능을 모니터링는 배치 관리부(430)를 포함하며,
상기 배치 관리부(430)는,
이미 배치되어 작동 중인 머신비전 판정 모델(A 모델) 외에, 새로운 모델을 쉐도우 모드로 추가(B 모델)하여, 상기 A 모델과 B 모델의 결과를 중복으로 확인할 수 있도록 하며,
상기 업데이트부(500)는,
업데이트 이벤트가 발생하면, 상기 웹 서비스부(300)로부터 이벤트 발생 알람을 수신하는 알람 수신부(510);
상기 웹 서비스부(300)로부터 상기 태양광 모듈 제조 공정 설비에서 수집된 학습 데이터를 전달받는 데이터 센터부(520);
상기 데이터 센터부(520)로 전달된 학습 데이터를 이용해 상기 머신비전 판정 모델을 업데이트하는 모델 빌드부(530); 및
업데이트된 머신비전 판정 모델을 상기 저장부(100)에 저장하고, 상기 관리부(400)에 재배포를 요청하는 재배포 요청부(540)를 포함하고,
상기 업데이트 이벤트는,
상기 배치 관리부(430)에서 모니터링하는 성능이 미리 설정된 기준 미만이거나 시스템 지표의 모니터링 결과 시스템 이상이 발생한 경우 상기 웹 서비스부(300)가 생성하는 이벤트, 도는 미리 정해진 주기로 자동으로 생성되는 이벤트이고,
상기 업데이트부(500)는,
미리 설정된 시간에 상기 학습 데이터를 전달받고, 미리 설정된 기준에 따라 자동으로 상기 학습 데이터의 일부를 선별한 다음, 상기 선별된 학습 데이터를 이용해 상기 머신비전 판정 모델을 업데이트하되,
상기 데이터 센터부(520)는,
하루 동안 태양광 모듈 제조 공정 설비에서 수집된 학습 데이터(입력 영상과 판정 결과)를 설비 휴식 시간에 다운로드하고, 미리 정해진 개수의 영상을 선별하며, 선별된 영상은 레이블링 업체를 통해 레이블되고,
상기 모델 빌드부(530)는,
상기 선별된 영상과 상기 레이블을 이용해 머신비전 판정 모델을 학습해 업데이트하며,
상기 데이터 센터부(520)는,
배치되어 작동하는 머신비전 판정 모델 외의 다른 머신비전 판정 모델(비교 모델)에 입력 영상을 입력해 출력된 판정 결과를 상기 학습 데이터에 포함된 판정 결과와 비교해 학습이 필요한 미리 정해진 개수의 영상을 선별하며, 서로 다른 4개 이상의 비교 모델을 사용한 판정 결과 비교를 통해 영상을 선별하는 것을 특징으로 하는, 머신비전 판정 모델의 서빙 시스템.
- 제1항에 있어서, 상기 AI 서비스부(200)는,
상기 태양광 모듈 제조 공정 설비 또는 클라우드에서 운영되는 것을 특징으로 하는, 머신비전 판정 모델의 서빙 시스템.
- 제1항에 있어서, 상기 관리부(400)는,
쿠버네티스(Kubernetes) 기반으로 상기 머신비전 판정 모델을 배치(deploy)하고 관리하는 것을 특징으로 하는, 머신비전 판정 모델의 서빙 시스템.
- 삭제
- 삭제
- 삭제
- 삭제
- 제1항에 있어서, 상기 AI 서비스부(200)는,
상기 머신비전 판정 모델에 의한 판정 결과를 제공하되, 그래프 형태로 시간별, 결함별, 및 카메라별 통계 결과를 제공하는 것을 특징으로 하는, 머신비전 판정 모델의 서빙 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230015323A KR102541576B1 (ko) | 2023-02-06 | 2023-02-06 | 머신비전 판정 모델의 서빙 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230015323A KR102541576B1 (ko) | 2023-02-06 | 2023-02-06 | 머신비전 판정 모델의 서빙 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102541576B1 true KR102541576B1 (ko) | 2023-06-14 |
Family
ID=86744574
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230015323A KR102541576B1 (ko) | 2023-02-06 | 2023-02-06 | 머신비전 판정 모델의 서빙 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102541576B1 (ko) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210019564A (ko) * | 2018-06-28 | 2021-02-22 | 지티이 코포레이션 | 운영 유지 시스템 및 방법 |
| KR102244978B1 (ko) * | 2020-12-23 | 2021-04-28 | 주식회사 케이씨씨건설 | 작업 현장의 위험성을 판단하는 인공지능 모델의 학습 방법, 장치 및 컴퓨터프로그램 |
| KR20220047535A (ko) * | 2019-08-19 | 2022-04-18 | 엘지전자 주식회사 | Ai 기반의 사전 훈련 모델 결정 시스템 및 이를 이용한 제품 생산 라인을 위한 ai 기반의 비전 검사 관리 시스템 |
| KR20220075194A (ko) * | 2020-11-25 | 2022-06-07 | 유아이패스, 인크. | 머신 러닝 모델을 호스팅, 모니터링, 및 리트레이닝하기 위한 로보틱 프로세스 오토메이션 아키텍처 및 프로세스 |
-
2023
- 2023-02-06 KR KR1020230015323A patent/KR102541576B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210019564A (ko) * | 2018-06-28 | 2021-02-22 | 지티이 코포레이션 | 운영 유지 시스템 및 방법 |
| KR20220047535A (ko) * | 2019-08-19 | 2022-04-18 | 엘지전자 주식회사 | Ai 기반의 사전 훈련 모델 결정 시스템 및 이를 이용한 제품 생산 라인을 위한 ai 기반의 비전 검사 관리 시스템 |
| KR20220075194A (ko) * | 2020-11-25 | 2022-06-07 | 유아이패스, 인크. | 머신 러닝 모델을 호스팅, 모니터링, 및 리트레이닝하기 위한 로보틱 프로세스 오토메이션 아키텍처 및 프로세스 |
| KR102244978B1 (ko) * | 2020-12-23 | 2021-04-28 | 주식회사 케이씨씨건설 | 작업 현장의 위험성을 판단하는 인공지능 모델의 학습 방법, 장치 및 컴퓨터프로그램 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2018280266B2 (en) | Near real-time messaging service for data center infrastructure monitoring data | |
| US10819556B1 (en) | Data center agent for data center infrastructure monitoring data access and translation | |
| US10079721B2 (en) | Integrated digital network management platform | |
| CN109189680B (zh) | 一种应用发布和配置的系统及方法 | |
| US9354871B2 (en) | Multi-stage push notifications for software logistic tools | |
| CN104142660A (zh) | 用于工业自动化的经由云平台的远程协助 | |
| CN112448858B (zh) | 网络通信控制方法及装置、电子设备和可读存储介质 | |
| CN113569987A (zh) | 模型训练方法和装置 | |
| CN102916839A (zh) | 一种糖厂农务自动化监管系统 | |
| CN102201934A (zh) | 集中管理分布式自动测试巡检方法及系统 | |
| CN111178837B (zh) | 一种基于微服务架构的智能制造信息系统 | |
| CN112835604B (zh) | 系统灰度版本发布管理方法、系统、设备和介质 | |
| CN107247592A (zh) | 应对多业务场景下的模型管理系统及方法 | |
| CN106407075B (zh) | 一种用于大数据平台的管理方法及系统 | |
| CN111176713A (zh) | 一种基于Kubernetes平台和Istio网格技术的灰度发布编排方法 | |
| CN106934507A (zh) | 一种针对油田石化领域的新型巡检系统和方法 | |
| CN109861837A (zh) | 一种基于容器技术的网关部署升级方法及装置 | |
| KR102541576B1 (ko) | 머신비전 판정 모델의 서빙 시스템 | |
| KR102549857B1 (ko) | 머신비전 판정 모델 서비스 플랫폼 시스템 | |
| Verma et al. | A reliability assurance framework for cloud-native telco workloads | |
| CN115426370A (zh) | 一种异构容器云平台及其边缘制造服务订阅实现方法 | |
| US8190780B2 (en) | Cluster architecture having a star topology with centralized services | |
| CN109357897B (zh) | 航天器部组件级真空热试验控制系统 | |
| CN112860854A (zh) | 售货机的线上监控及故障修复系统及方法 | |
| CN113296825A (zh) | 一种应用的灰度发布方法、装置和应用发布系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| N231 | Notification of change of applicant | ||
| GRNT | Written decision to grant |