KR102561029B1

KR102561029B1 - 초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템 및 그 검사 방법

Info

Publication number: KR102561029B1
Application number: KR1020220104040A
Authority: KR
Inventors: 김태훈; 조하은
Original assignee: (주)그린광학
Priority date: 2022-08-19
Filing date: 2022-08-19
Publication date: 2023-07-31

Abstract

본 발명의 목적은 이물질 구분 등을 위해 모노셀의 초분광 이미지를 획득하고, 획득된 초분광 이미지를 분석하여 모노셀의 이상 상태 여부를 판별하고, 판별된 결과에 기반하여 대상 이미지에 이상 영역을 표시하여 모노셀 결함 정보를 판별할 수 있는 초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템 및 그 검사 방법을 제공하는 것이다.
상기 목적을 달성하기 위해, 본 발명에 따른 초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템은, 피사체의 초분광 이미지를 획득하는 초분광 카메라; 상기 초분광 이미지로부터 모노셀 상의 이상 상태를 판별하는 프로세서; 및 상기 프로세서에서 처리되는 이미지를 표시하는 표시부;를 포함하는 것을 특징으로 한다..

Description

초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템 및 그 검사 방법{MONOCELL DEFECT INSPECTION SYSTEM BASED ON HYPERSPECTRAL IMAGE ANALYSIS AND METHOD THE SAME}

본 발명은 초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템 및 그 검사 방법에 관한 것으로, 더욱 상세하게는 초분광 이미지의 분석 및 학습에 따라 모노셀 상의 결함을 실시간으로 분석 및 검출하는 초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템 및 그 검사 방법에 관한 것이다.

영상 분광 분해기란 2차원 공간의 영상 정보와 각 화소의 파장 정보를 동시에 획득하여 3차원의 데이터를 획득할 수 있는 장치를 말하며, 그 중에서 파장 분해능이 10 ㎚ 이하의 영상 분광 분해기를 초분광 분해기(Hyperspectral Imaging System)라 한다.

초분광 분해기는 입사되는 빛을 분광시켜 영상의 각 화소에 대한 스펙트럼을 측정하는 전자 광학 센서로, 물질마다 가지고 있는 고유의 광학적 성질 및 물질의 흡수와 반사 특징을 분석하는 장치이다.

초분광 분해기는 영상 스캔, 영상 분광, 영상 병합의 세 단계로 진행된다.

첫 번째 영상 스캔 단계에서 회전하는 거울과 슬릿을 이용하여 피사체에 대해 가로축으로 스캔하면서 매번 슬릿을 통과한 1차원 선 영상을 획득하고, 두 번째 영상 분광 단계에서 획득된 1차원 선 영상을 분광시켜 2차원의 스펙트럼을 추출한다.

그리고 마지막 영상 병합 과정에서 추출된 2차원 스펙트럼들을 순차적으로 모아 3차원 초분광 데이터 영상을 획득한다.

이러한 초분광 분해기를 이용한 초분광 이미지 기술은 대상물에 대한 영상 및 영상 내의 각 점에 대한 연속된 광 스펙트럼을 동시에 측정하는 기술이다.

이러한 초분광 이미지 기술은 기존의 스팟(Spot) 분광에 대비하여 대상물의 각 부분의 광 스펙트럼을 빠른 시간 내에 측정할 수 있다.

이미지 내의 각 화소가 스펙트럼 정보를 포함하고 있는 특성상 원격으로 이미지를 촬영하여 대상물의 성질 및 특성을 측정하는 여러 가지 응용이 가능하다.

예를 들어, 드론 및 인공위성, 항공기 등에서 지상 촬영을 하여 농업 현장 상태 분석, 광물 분포, 지표면 식생, 오염 정도 등을 분석하는 데 초분광 이미지 기술이 적용될 수 있으며, 식품 안전, 피부/얼굴 분석, 인증 인식, 생체 조직 분석 등의 다양한 분야에서도 응용이 검토되고 있다.

이러한 초분광 이미지 기술에서, 전통적으로는 점 스캔(Point-Scan) 방식(즉, 다른 말로, Whisker-Broom 방식) 또는 라인 스캔(Line Scan) 방식(즉, 다른 말로, Push-Broom방식) 등과 같이 좁은 개구(Aperture)를 통과한 빛을 격자 등으로 분산시켜 영상과 스펙트럼을 동시에 획득하고 있다.

최근에는, 이미지 센서 상에 대역 통과 필터 어레이 또는 가변 필터(Tunable Filter) 등을 결합하여 영상을 각 파장 대별로 동시에 촬영하는 스냅샷(Snapshot) 방식도 도입되고 있다.

한편, 이차 전지 중 산화 환원 반응에 리튬 이온을 이용하는 리튬 이차 전지의 경우, 충전과 방전의 사용 환경에 따라 전극에 리튬이 석출될 수 있다.

리튬이 석출되는 경우 배터리 셀의 특성이 변할 수 있으므로, 리튬이 석출되는 것을 조기에 검출하는 것이 요구되고 있다.

하지만, 종래에는 리튬 이차 전지에서 리튬이 석출되는 것을 검출하기 위해, 배터리 파우치를 분해 후 연구원들의 목시 검사를 통해 불량 여부를 판단하였으며, 목시 검사 대신 머신 비전 방식으로 측정할 경우에는 가성 불량과의 비교가 난해한 문제점이 있었다.

즉, 목시 검사의 경우, 연구원들에 따라 판단하는 불량률이 달라지는 한계가 있는 문제점이 있었다.

또한, 머신 비전을 활용한 모노셀 불량 검사의 경우, 흑백 이미지를 확보하는 특성에 따라 단순 오염 또는 전해액으로 인한 오염 등의 가성 불량과 리튬 석출 등의 위험 불량과의 비교가 난해한 문제점이 있었다.

따라서, 종래의 측정 방법의 데이터는 신뢰성이 낮아 모노셀 불량 측정에 한계가 있는 문제점이 있었다.

국내 공개특허공보 제10-2021-0090491호

상기한 바와 같은 종래의 문제점을 해결하기 위한 본 발명의 목적은 이물질 구분 등을 위해 모노셀의 초분광 이미지를 획득하고, 획득된 초분광 이미지를 분석하여 모노셀의 이상 상태 여부를 판별하고, 판별된 결과에 기반하여 대상 이미지에 이상 영역을 표시하여 모노셀 결함 정보를 판별할 수 있는 초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템 및 그 검사 방법을 제공하는 것이다.

상기 목적을 달성하기 위해, 본 발명에 따른 초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템은, 피사체의 초분광 이미지를 획득하는 초분광 카메라; 상기 초분광 이미지로부터 모노셀 상의 이상 상태를 판별하는 프로세서; 및 상기 프로세서에서 처리되는 이미지를 표시하는 표시부;를 포함하는 것을 특징으로 한다.

또한, 본 발명에 따른 초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템에서, 상기 피사체는 모노셀 상의 결함인 것을 특징으로 한다.

또한, 본 발명에 따른 초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템에서, 상기 결함은 분리막 손상 또는 오염인 것을 특징으로 한다.

또한, 본 발명에 따른 초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템에서, 상기 초분광 카메라는 가시 광선 대역과, 적외선 대역의 초분광 이미지를 획득하는 것을 특징으로 한다.

또한, 본 발명에 따른 초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템은, 상기 초분광 카메라에서 출력되는 초분광 이미지로부터 스펙트럼을 추출하는 추출부; 추출된 상기 스펙트럼을 보정하는 보정부; 보정된 상기 스펙트럼에서 상기 모노셀의 결함 및 이상 상태를 판정하기 위해 적어도 하나의 파라미터를 분석하는 분석부; 상기 파라미터의 분석 결과에 기반하여 상기 모노셀의 결함 상태를 판정하는 판정부; 및 상기 판정부에 의해 판정된 상기 모노셀의 결함 상태가 상기 모노셀의 이미지에 표시되도록 처리하는 이미지 처리부;를 포함하는 것을 특징으로 한다.

또한, 본 발명에 따른 초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템에서, 상기 스펙트럼의 보정은 상기 초분광 카메라의 촬영 조건과, 전자기파에 대한 보정인 것을 특징으로 한다.

또한, 본 발명에 따른 초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템은, 상기 보정부에 의해 보정된 모노셀 결함의 스펙트럼 값과, 이를 분류하기 위한 기준 값을 포함하는 라이브러리를 저장하는 메모리;를 포함하는 것을 특징으로 한다.

또한, 본 발명에 따른 초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템에서, 상기 라이브러리는 상기 초분광 카메라의 촬영 조건에 대응되도록 구비되며, 상기 촬영 조건은 촬영되는 피사체의 위치, 노출, 획득되는 픽셀 수 중 하나 이상인 것을 특징으로 한다.

또한, 본 발명에 따른 초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템에서, 상기 프로세서는 상기 초분광 카메라에서 촬영되는 초분광 이미지의 스펙트럼을 추출하며, 상기 메모리의 정보에 기반하여 추출된 상기 스펙트럼을 분석하고, 분석 결과에 따라 상기 모노셀 상에 포함된 이상 상태를 판별하는 것을 특징으로 한다.

또한, 본 발명에 따른 초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템은, 상기 판별부의 모노셀 판별 동작을 제어하기 위한 입력을 발생하는 입력부;를 포함하는 것을 특징으로 한다.

한편, 상기 목적을 달성하기 위해, 본 발명에 따른 초분광 이미지 분석에 기반한 모노셀 불량 검사 방법은, 초분광 카메라에 의해 모노셀 상의 결함에 대한 초분광 이미지를 획득하는 제 1 단계; 상기 초분광 이미지로부터 추출부에 의해 스펙트럼을 추출하는 제 2 단계; 추출된 상기 스펙트럼을 보정부에 의해 보정하는 제 3 단계; 보정된 스펙트럼을 분석부의 딥러닝 로직을 통해 분석하는 제 4 단계; 분석된 스펙트럼을 통해 상기 모노셀의 결함 상태를 판정부에 의해 판별하는 제 5 단계; 및 상기 판정부에 의해 판정된 상기 모노셀의 결함 상태를 이미지 처리부에 의해 상기 피사체의 이미지에 표시하고 메모리에 저장하는 제 6 단계;를 포함하는 것을 특징으로 한다.

또한, 본 발명에 따른 초분광 이미지 분석에 기반한 모노셀 불량 검사 방법에서, 상기 스펙트럼의 보정은 상기 초분광 카메라의 촬영 조건과, 전자기파에 대한 보정인 것을 특징으로 한다.

또한, 본 발명에 따른 초분광 이미지 분석에 기반한 모노셀 불량 검사 방법에서, 상기 딥러닝 로직은, 보정된 상기 스펙트럼을 피크 값과, 평균 값과, 기울기를 포함하는 파라미터 중 하나의 파라미터에 기반하여 분석하는 것을 특징으로 한다.

또한, 본 발명에 따른 초분광 이미지 분석에 기반한 모노셀 불량 검사 방법에서, 상기 분석부는 상기 파라미터에 대한 기준값을 설정하고, 상기 기준값과 각각의 픽셀들의 파라미터 값을 비교하여 상기 픽셀의 상태를 분석하는 것을 특징으로 한다.

기타 실시 예의 구체적인 사항은 "발명을 실시하기 위한 구체적인 내용" 및 첨부 "도면"에 포함되어 있다.

본 발명의 이점 및/또는 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 각종 실시 예를 참조하면 명확해질 것이다.

그러나 본 발명은 이하에서 개시되는 각 실시 예의 구성만으로 한정되는 것이 아니라 서로 다른 다양한 형태로도 구현될 수도 있으며, 단지 본 명세서에서 개시한 각각의 실시 예는 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구범위의 각 청구항의 범주에 의해 정의될 뿐임을 알아야 한다.

본 발명에 의하면, 이물질 구분 등을 위해 모노셀의 초분광 이미지를 획득하고, 획득된 초분광 이미지를 분석하여 모노셀의 이상 상태 여부를 판별하고, 판별된 결과에 기반하여 대상 이미지에 이상 영역을 표시하여 모노셀 결함 정보를 판별할 수 있는 효과가 있다.

도 1은 본 발명에 따른 초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템의 전체 구성을 나타내는 블록도.
도 2는 본 발명에 따른 초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템에서, 프로세서의 구성을 나타내는 블록도.
도 3은 본 발명에 따른 초분광 이미지 분석에 기반한 모노셀 불량 검사 방법의 전체 흐름을 나타내는 플로우 차트.

본 발명을 상세하게 설명하기 전에, 본 명세서에서 사용된 용어나 단어는 통상적이거나 사전적인 의미로 무조건 한정하여 해석되어서는 아니 되며, 본 발명의 발명자가 자신의 발명을 가장 최선의 방법으로 설명하기 위해서 각종 용어의 개념을 적절하게 정의하여 사용할 수 있고, 더 나아가 이들 용어나 단어는 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 함을 알아야 한다.

즉, 본 명세서에서 사용된 용어는 본 발명의 바람직한 실시 예를 설명하기 위해서 사용되는 것일 뿐이고, 본 발명의 내용을 구체적으로 한정하려는 의도로 사용된 것이 아니며, 이들 용어는 본 발명의 여러 가지 가능성을 고려하여 정의된 용어임을 알아야 한다.

또한, 본 명세서에서, 단수의 표현은 문맥상 명확하게 다른 의미로 지시하지 않는 이상, 복수의 표현을 포함할 수 있으며, 유사하게 복수로 표현되어 있다고 하더라도 단수의 의미를 포함할 수 있음을 알아야 한다.

본 명세서의 전체에 걸쳐서 어떤 구성 요소가 다른 구성 요소를 "포함"한다고 기재하는 경우에는, 특별히 반대되는 의미의 기재가 없는 한 임의의 다른 구성 요소를 제외하는 것이 아니라 임의의 다른 구성 요소를 더 포함할 수도 있다는 것을 의미할 수 있다.

더 나아가서, 어떤 구성 요소가 다른 구성 요소의 "내부에 존재하거나, 연결되어 설치된다"라고 기재한 경우에는, 이 구성 요소가 다른 구성 요소와 직접적으로 연결되어 있거나 접촉하여 설치되어 있을 수 있고, 일정한 거리를 두고 이격되어 설치되어 있을 수도 있으며, 일정한 거리를 두고 이격되어 설치되어 있는 경우에 대해서는 해당 구성 요소를 다른 구성 요소에 고정 내지 연결하기 위한 제 3의 구성 요소 또는 수단이 존재할 수 있으며, 이 제 3의 구성 요소 또는 수단에 대한 설명은 생략될 수도 있음을 알아야 한다.

반면에, 어떤 구성 요소가 다른 구성 요소에 "직접 연결"되어 있다거나, 또는 "직접 접속"되어 있다고 기재되는 경우에는, 제 3의 구성 요소 또는 수단이 존재하지 않는 것으로 이해하여야 한다.

마찬가지로, 각 구성 요소 간의 관계를 설명하는 다른 표현들, 즉 " ~ 사이에"와 "바로 ~ 사이에", 또는 " ~ 에 이웃하는"과 " ~ 에 직접 이웃하는" 등도 마찬가지의 취지를 가지고 있는 것으로 해석되어야 한다.

또한, 본 명세서에서 "일면", "타면", "일측", "타측", "제 1", "제 2" 등의 용어는, 사용된다면, 하나의 구성 요소에 대해서 이 하나의 구성 요소가 다른 구성 요소로부터 명확하게 구별될 수 있도록 하기 위해서 사용되며, 이와 같은 용어에 의해서 해당 구성 요소의 의미가 제한적으로 사용되는 것은 아님을 알아야 한다.

또한, 본 명세서에서 "상", "하", "좌", "우" 등의 위치와 관련된 용어는, 사용된다면, 해당 구성 요소에 대해서 해당 도면에서의 상대적인 위치를 나타내고 있는 것으로 이해하여야 하며, 이들의 위치에 대해서 절대적인 위치를 특정하지 않는 이상은, 이들 위치 관련 용어가 절대적인 위치를 언급하고 있는 것으로 이해하여서는 아니된다.

또한, 본 명세서에서는 각 도면의 각 구성 요소에 대해서 그 도면 부호를 명기함에 있어서, 동일한 구성 요소에 대해서는 이 구성 요소가 비록 다른 도면에 표시되더라도 동일한 도면 부호를 가지고 있도록, 즉 명세서 전체에 걸쳐 동일한 참조 부호는 동일한 구성 요소를 지시하고 있다.

본 명세서에 첨부된 도면에서 본 발명을 구성하는 각 구성 요소의 크기, 위치, 결합 관계 등은 본 발명의 사상을 충분히 명확하게 전달할 수 있도록 하기 위해서 또는 설명의 편의를 위해서 일부 과장 또는 축소되거나 생략되어 기술되어 있을 수 있고, 따라서 그 비례나 축척은 엄밀하지 않을 수 있다.

또한, 이하에서, 본 발명을 설명함에 있어서, 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 구성, 예를 들어, 종래 기술을 포함하는 공지 기술에 대해 상세한 설명은 생략될 수도 있다.

이하, 본 발명의 실시 예에 대해 관련 도면들을 참조하여 상세히 설명하기로 한다.

본 발명의 다양한 실시 예들에 따른 모노셀 불량 검사 장치 및 방법은 이물질 구분 등을 위한 모노셀의 초분광 이미지를 획득하여 모노셀 결함 정보를 판별할 수 있는 장치 및 방법을 제공할 수 있다.

또한, 초분광 이미지를 분석하여 모노셀의 이상 상태 여부를 판별하고, 판별된 결과에 기반하여 대상 이미지에 이상 영역을 표시할 수 있는 장치 및 방법을 제공할 수 있다.

예컨대, 이차 전지 중 산화 환원 반응에 리튬 이온을 이용하는 리튬 이차 전지의 경우, 충전과 방전의 사용 환경에 따라서 전극에 리튬이 석출될 수 있다.

본 발명의 다양한 실시예들은 초분광 이미지를 이용하여 모노셀상의 결함 정도 및 이물질 검사를 수행할 수 있는 장치 및 방법들을 제안한다.

본 발명의 다양한 실시예들은 초분광 카메라를 활용하여 모노셀의 결함 및 오염 물질들을 정상적인 모노셀과 구분하고, 이 결함 및 오염 물질의 유무 차이에서 발생된 차이의 위치 및 크기를 판별하여 대상의 이미지에 표시할 수 있다.

초분광 카메라 및 모노셀 결함 측정 장비는 다양한 형태로 구성할 수 있다.

도 1은 본 발명에 따른 초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템의 전체 구성을 나타내는 블록도이다.

도 1을 참조하면, 본 발명에 따른 초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템(1000)은 초분광 카메라(100)와, 프로세서(200)와, 입력부(300)와, 표시부(400)와, 메모리(500)를 포함한다.

초분광 카메라(100)는 피사체의 초분광 이미지(Hyperspectral Image)를 획득한다.

즉, 초분광 카메라(100)는 피사체의 초분광 이미지를 획득하게 되는데, 여기서 피사체는 모노셀 상의 결함일 수 있다.

또한, 이러한 결함은 분리막 손상 또는 오염일 수 있다.

초분광 이미지는 다수의 밴드를 통해 넓은 범위의 파장 영역에 대한 반사율을 가지고 있는 고차원 데이터가 될 수 있다.

이러한 초분광 이미지는 유효 밴드 추출, 전처리, 표적 탐지 및 물질 분류 등에 사용될 수 있다.

좀 더 상세하게 설명하면, 초분광 이미지는 인간의 시야에 보이지 않는 영역까지 기록된 이미지이다.

일반적으로 광은 전기장과 자기장이 진동하면서 만들어지는 전자기파이며, 전자기파는 파장이 짧은 감마선부터 긴 라디오파까지 굉장히 넓은 스펙트럼을 가지고 있다.

인간의 시야로는 이와 같이 넓은 영역 중 가시 광선 영역만 볼 수 있다.

하지만, 엑스선, 적외선, 자외선 등 가시 광선 영역 위 아래로 보이지 않는 광이 존재한다.

초분광 이미지는 이와 같이 보이지 않는 광까지 촬영하여 보여준다.

물론, 광의 모든 파장을 기록하는 것은 아며, 주로 가시 광선(Visible Light) 영역(400 ~ 700 ㎚)을 중심으로 근적외선 영역(700 ~ 1000 ㎚)을 주로 찍는다.

용도에 따라 단파장 적외선 영역(1000 ~ 2500 ㎚)과 장파장 적외선 영역(8 ~ 12 ㎛)을 촬영하기도 한다.

즉, 본 발명에 따른 초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템(1000)에서, 초분광 카메라(100)는 가시 광선 대역과, 적외선 대역의 초분광 이미지를 획득한다.

여기서, 적외선 대역으로는 예를 들어, VNIR(Visible and Near-Infrared) 또는 SWIR(Short-Wave Infrared) 대역힐 수 있다.

중요한 특징으로는 초분광이란 이름과 같이 광을 잘게 분할하여 촬영하는 것이다.

즉, 인간은 통상 적색(R), 녹색(G), 청색(B)의 가시 광선 영역을 중심으로 보게 된다.

디지털 카메라는 RGB 픽셀을 이용하여 사진을 촬영하고, TV 역시 RGB 픽셀을 섞어 색을 만들어 영상을 보여준다.

초분광 카메라는 이 영역을 파장에 따라 적어도 100개 이상, 보통 300 ~ 600개 정도로 잘게 분할하고 연속하여 촬영한다.

따라서, 초분광 카메라로 찍은 사진이나 영상은 사진 형태가 아니라 사진집과 같은 두꺼운 형태로 표시된다.

본 발명에서 초분광 카메라(100)가 획득하는 피사체의 초분광 이미지는 모노셀 상의 결함일 수 있고, 이러한 결함은 분리막 손상 또는 오염일 수 있다.

프로세서(200)는 초분광 이미지로부터 모노셀 상의 이상 상태를 판별한다.

표시부(400)는 프로세서(200)에서 처리되는 이미지를 표시한다.

또한, 입력부(300)와 메모리(500)는 도 2를 참조하여 함께 설명하도록 한다.

상술한 바와 같은 구성에 의해, 본 발명에서는 모노셀 상의 결함에 대한 초분광 이미지를 획득하여 모노셀의 결함 정보를 판별할 수 있다.

이러한 초분광 이미지를 분석하여 모노셀의 이상 상태 여부를 판별하고, 판별된 결과에 기반하여 모노셀 이미지에 이상 영역을 표시할 수 있다.

모노셀의 결함을 보다 정확히 판단하기 위해, 모노셀의 이상 상태 여부를 비접촉 및 비파괴적으로 판별할 수 있는 방법이 요구되고 있다.

모노셀의 이상 상태는 분리막 손상 또는 오염 등의 모노셀 상의 결함일 수 있다.

따라서, 모노셀의 결함에 대한 탐지 및 정량화 방법이 필요할 수 있다.

본 발명에서는, 초분광 이미지를 이용하여 모노셀 상의 결함에 대한 진단 및 정량화를 수행할 수 있다.

본 발명에 따른 초분광 카메라(100)를 활용하여 분리막 손상 또는 오염 등과 같은 모노셀 상의 결함을 정상적인 모노셀과 구분하고, 모노셀 상의 결함을 판별하여 모노셀의 이미지에 표시할 수 있다.

초분광 카메라(100) 및 초분광 이미지 분석에 기반한 모노셀의 결함 상태를 판정하는 시스템(1000)는 다양한 형태로 구성할 수 있다.

예를 들면, 초분광 카메라(100)를 거치식으로 설치할 수 있으며, 위성에 탑재할 수도 있고, 무인 항공기(UAV 및 drone 등)에 탑재할 수도 있다.

따라서, 초분광 카메라(100)를 탑재한 무인체를 활용하여 인력의 접근이 위험하거나 불가능한 위치에서 모노셀 결함의 진단 및 정량화가 가능하다.

도 2는 본 발명에 따른 초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템에서, 프로세서의 구성을 나타내는 블록도이다.

도 1 및 도 2를 참조하면, 본 발명에 따른 초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템(1000)에서, 프로세서(200)는 추출부(210)와, 보정부(220)와, 분석부(230)와, 판정부(240)와, 이미지 처리부(250)를 포함한다.

추출부(210)는 초분광 카메라(100)에서 출력되는 초분광 이미지로부터 스펙트럼을 추출한다.

보정부(220)는 추출된 스펙트럼을 보정한다.

여기서, 스펙트럼의 보정은 초분광 카메라(100)의 촬영 조건과, 전자기파에 대한 보정일 수 있다.

분석부(230)는 보정된 스펙트럼에서 모노셀의 결함 및 이상 상태를 판정하기 위해 적어도 하나의 파라미터를 분석한다.

여기서, 분석부(230)는 딥러닝 로직에 의해 분석을 수행하며, 딥러닝 로직은 보정된 스펙트럼을 피크 값과, 평균 값과, 기울기를 포함하는 파라미터 중 하나의 파라미터에 기반하여 분석한다.

딥러닝의 알고리즘은 크게 지도 학습, 비지도 학습, 강화 학습 3가지로 분류되며, 지도 학습은 컴퓨터에게 명시적으로 정답을 알려주고 예측하도록 하는 방식이다.

딥러닝(Deep Learning)은 컴퓨터가 데이터를 통하여 규칙을 학습하도록 하는 방법이다.

인공 지능에 활용되는 알고리즘으로 데이터를 통하여 스스로 학습한다는 점을 강조할 때 딥러닝이라 한다.

분석부(230)는 보정부(220)에 의해 보정된 스펙트럼 관련 데이터로부터 데이터 셋을 생성하고, 생성된 데이터 셋을 기반으로 기계 학습을 수행하여 인공 지능 모델을 생성하는 것이 바람직하다.

분석부(230)에서는 먼저 보정된 스펙트럼 관련 데이터로부터 생성된 데이터 셋을 사용하여 인공 지능 모델을 생성한 후, 생성된 인공 지능 모델을 데이터베이스(미도시)에 저장할 수 있다.

분석부(230)에는 인공 지능에 사용되는 알고리즘이 저장되어 있고, 이러한 알고리즘은 예를 들어, 인공 신경망(Artificial Neural Networks) 또는 퍼지 신경망(Fuzzy Neural Networks)을 사용하는 것이 바람직하다.

특히, 분석부(230)에는 자연어 처리를 위한 알고리즘이 저장되어 있는 것이 바람직하다.

인공 신경망은 구조 및 기능에 따라 여러 종류로 구분되며, 가장 일반적인 인공 신경망은 한 개의 입력층과 출력층 사이에 다수의 은닉층(Hidden Layer)이 있는 다층 퍼셉트론(Multilayer Perceptron)이다.

예컨대, 다층 퍼셉트론은 보정된 스펙트럼의 보정값이 입력되는 입력층과 입력층의 노드들을 연산하여 모노셀 상의 결함을 예측하는 중간노드들의 집합인 은닉층이 있으며, 은닉층의 노드들을 합성하여 스펙트럼의 피크 값과, 평균 값과, 기울기를 예측하는 출력층으로 이루어져 있는 다층 구조의 모델로 여러 층의 노드를 합성하여 다양한 형태의 네트워크로 표현되는 다중 신경망 네트워크(Multilayer Neural Network)와 유사한 구조이다.

인공 신경망은 분석부(230)를 통해 구현될 수 있으며, 기초 컴퓨팅 단위인 뉴런 여러 개가 가중된 링크(Weighted Link)로 연결된 형태로서, 가중된 링크(Weighted Link)는 주어진 환경에 적응할 수 있도록 가중치를 조정할 수 있다.

인공 신경망은 자기 조직화 지도(SOM: Self-Organizing Map), 순환 신경망(RNN: Recurrent Neural Network), 콘볼루션 신경망(CNN: Convolutional Neural Network)과 같은 다양한 모델을 포함하며, 이에 한정되지 않는다.

퍼지 신경망은 규칙들을 언어적으로 표현하거나 지식 베이스에 새로운 규칙을 갱신하는데 신경망의 학습 능력을 이용하는 시스템이다.

본 발명에서 퍼지 신경망을 사용할 경우, 규칙들은 실제 피크 값과, 평균 값과, 기울기와 예측 피크 값과, 평균 값과, 기울기를 비교하여 예측하는 예측값 등을 산출하는 데에 정의되어 사용될 수 있다.

판정부(240)는 파라미터의 분석 결과에 기반하여 모노셀의 결함 상태를 판정한다.

이미지 처리부(250)는 판정부(240)에 의해 판정된 모노셀의 결함 상태가 모노셀의 이미지에 표시되도록 처리한다.

좀 더 상세히 설명하면, 초분광 카메라(100)는 피사체의 초분광 이미지를 획득할 수 있다.

피사체는 대상의 모노셀 상의 결함이 될 수 있다.

초분광 카메라(100)는 가시 광선 대역의 초분광 이미지를 획득할 수 있으며, 예를 들어 가시 광선 대역과 적외선 대역(예를 들면, VNIR 및 SWIR 대역)의 초분광 이미지를 획득할 수 있다.

프로세서(200)는 초분광 카메라(100)에서 촬영되는 초분광 이미지의 스펙트럼을 추출하며, 메모리(500)의 정보에 기반하여 추출된 스펙트럼들을 분석부(230)에 의해 분석할 수 있고, 분석 결과에 따라 모노셀의 결함 상태를 판정부(240)에 의해 판별할 수 있다.

프로세서(200)는 초분광 카메라(100)에서 출력되는 초분광 이미지에서 스펙트럼을 추출하는 추출부(210)와, 추출된 스펙트럼들에서 모노셀의 결함 또는 이상 상태를 판정하기 위한 적어도 하나의 파라미터를 분석하는 분석부(230)와, 스펙트럼의 분석 결과에 기반하여 모노셀의 상태를 판정하는 판정부(240)와, 판정부(240)에서 판정된 모노셀의 이상 상태를 포함하여 대상 이미지에 표시되도록 처리하는 이미지 처리부(250)를 포함할 수 있다.

한편, 본 발명에 따른 초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템(1000)은 보정부(220)에 의해 보정된 모노셀 결함의 스펙트럼 값과, 이를 분류하기 위한 기준값을 포하하는 라이브러리를 저장하는 메모리(500)를 포함한다.

즉, 메모리(500)는 보정된 모노셀 결함의 스펙트럼 값과, 모노셀에 포함된 이상 상태의 스펙트럼 값들과, 이들을 분류하기 위한 기준 값들을 포함하는 라이브러리를 저장할 수 있다.

또한, 이런 라이브러리는 초분광 카메라의 촬영 조건(예를 들면, 촬영되는 대상의 위치(음영 지역, 밝은 지역 등), 노출, 획득되는 픽셀수 등)에 대응되도록 구비될 수 있다.

즉, 본 발명에 따른 초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템(1000)에서, 라이브러리는 초분광 카메라의 촬영 조건에 대응되도록 구비되며, 촬영 조건은 촬영되는 피사체의 위치, 노출, 획득되는 픽셀 수 중 하나 이상일 수 있다.

한편, 입력부(300)는 판정부(240)의 모노셀 판별 동작을 제어하기 위한 입력을 발생한다.

또한, 표시부(400)는 프로세서(200)에서 처리되는 이미지들을 표시할 수 있다.

한편, 본 발명에 따른 초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템(1000)에서, 프로세서(200)는 초분광 카메라(100)에서 촬영되는 초분광 이미지의 스펙트럼을 추출하며, 메모리(500)의 정보에 기반하여 추출된 스펙트럼을 분석하고, 분석 결과에 따라 모노셀 상에 포함된 이상 상태를 판별한다.

도 3은 본 발명에 따른 초분광 이미지 분석에 기반한 모노셀 불량 검사 방법의 전체 흐름을 나타내는 플로우 차트이다.

도 3을 참조하면, 본 발명에 따른 초분광 이미지 분석에 기반한 모노셀 불량 검사 방법은 6개의 단계를 포함한다.

제 1 단계(S100)에서는, 초분광 카메라(100)에 의해 모노셀 상의 결함에 대한 초분광 이미지를 획득한다.

제 2 단계(S200)에서는, 초분광 이미지로부터 추출부(210)에 의해 스펙트럼을 추출한다.

제 3 단계(S300)에서는, 추출부(210)에 의해 추출된 스펙트럼을 보정부(230)에 의해 보정한다.

여기서, 보정부(220)에 의한 스펙트럼의 보정은 초분광 카메라(100)의 촬영 조건과, 전자기파에 대한 보정일 수 있다.

제 1 단계(S100)에서, 초분광 카메라(100)에 의해 모노셀 상의 결함에 대한 초분광 이미지가 획득되면, 프로세서(200)의 추출부(210)는 제 2 단계(S200)에서 획득된 초분광 이미지로부터 스펙트럼을 추출할 수 있다.

제 3 단계(S300)에서는, 프로세서(200)의 추출부(210)에 의해 추출된 스펙트럼을 보정부(220)에 의해 보정할 수 있다.

이때 스펙트럼의 보정은 촬영 조건(예를 들면, 광원의 밝기 또는 스펙트럼 등)과, 전자기파 등에 대한 보정일 수 있다.

제 4 단계(S400)에서는, 보정부(230)에 의해 보정된 스펙트럼을 분석부(230)의 딥러닝 로직을 통해 분석한다.

여기서, 딥러닝 로직은 보정된 스펙트럼을 피크 값과, 평균 값과, 기울기를 포함하는 파라미터 중 하나의 파라미터에 기반하여 분석한다.

예컨대, 다층 퍼셉트론은 보정된 스펙트럼의 보정값이 입력되는 입력층과 입력층의 노드들을 연산하여 모노셀의 결함 또는 이상 상태를 예측하는 중간노드들의 집합인 은닉층이 있으며, 은닉층의 노드들을 합성하여 스펙트럼의 피크 값과, 평균 값과, 기울기를 예측하는 출력층으로 이루어져 있는 다층 구조의 모델로 여러 층의 노드를 합성하여 다양한 형태의 네트워크로 표현되는 다중 신경망 네트워크(Multilayer Neural Network)와 유사한 구조이다.

즉, 프로세서(200)는 AI 딥러닝 로직(Deep Learning Logic)을 통해 스펙트럼의 피크값, 평균값, 기울기 중 획득된 스펙트럼의 상황에 맞게 적어도 하나를 보정된 스펙트럼에 대응되는 파라미터에 기반하여 분석할 수 있다.

즉, 피크값, 평균값, 기울기 중 하나 이상의 분석을 수행하면서, 보정된 스펙트럼에 대응되는 파라미터에 기반하여 분석할 수 있다.

모노셀의 결함에 따른 스펙트럼 피크값, 스펙트럼 평균값, 스펙트럼의 기울기는 모노셀의 스펙트럼 피크값, 스펙트럼 평균값, 스펙트럼의 기울기에 비하여 상대적으로 더 높은 값 또는 낮은 값을 가질 수 있다.

따라서, 프로세서(200)의 분석부(230)는 모노셀의 결함과 본 모노셀을 구분하기 위한 각 파라미터(피크값, 평균값, 기울기 등)들의 기준값(임계값)을 설정하고, 기준값과 각 픽셀들의 파라미터 값들을 비교 분석하여 해당 픽셀의 상태를 분석할 수 있다.

즉, 분석부(230)는 파라미터에 대한 기준값을 설정하고, 기준값과 각각의 픽셀들의 파라미터 값을 비교하여 픽셀의 상태를 분석한다.

제 5 단계(S500)에서는, 분석부(230)에 의해 분석된 모노셀의 결함 상태를 판정부(240)에 의해 판별한다.

프로세서(200)의 판정부(240)는 제 4 단계(S400)에서 수행된 분석 결과에 따라 모노셀의 결함 상태를 판별할 수 있다.

상술한 제 1 단계(S100) 내지 제 5 단계(S500)의 동작을 반복하면서 초분광 이미지들이 각 픽셀들에 대한 상태를 분석 및 판단할 수 있다.

제 6 단계(S600)에서는, 판정부(240)에 의해 판정된 모노셀의 결함 상태를 이미지 처리부(250)에 의해 피사체의 이미지에 표시하고 메모리(500)에 저장한다.

즉, 획득된 초분광 이미지의 모든 픽셀들에 대한 분광 특징을 분석하여 상태를 판정 완료하면, 프로세서(200)는 제 5 단계(S500)에서 판정된 픽셀들의 결과를 표시부(400)에 표시하고, 메모리(500)에 저장할 수 있다.

이와 같이 본 발명에 의하면, 이물질 구분 등을 위해 모노셀의 초분광 이미지를 획득하고, 획득된 초분광 이미지를 분석하여 모노셀의 이상 상태 여부를 판별하고, 판별된 결과에 기반하여 대상 이미지에 이상 영역을 표시하여 모노셀 결함 정보를 판별할 수 있는 효과가 있다.

이상, 일부 예를 들어서 본 발명의 바람직한 여러 가지 실시 예에 대해서 설명하였지만, 본 "발명을 실시하기 위한 구체적인 내용" 항목에 기재된 여러 가지 다양한 실시 예에 관한 설명은 예시적인 것에 불과한 것이며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 이상의 설명으로부터 본 발명을 다양하게 변형하여 실시하거나 본 발명과 균등한 실시를 행할 수 있다는 점을 잘 이해하고 있을 것이다.

또한, 본 발명은 다른 다양한 형태로 구현될 수 있기 때문에 본 발명은 상술한 설명에 의해서 한정되는 것이 아니며, 이상의 설명은 본 발명의 개시 내용이 완전해지도록 하기 위한 것으로 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이며, 본 발명은 청구범위의 각 청구항에 의해서 정의될 뿐임을 알아야 한다.

100 : 초분광 카메라
200 : 프로세서
210 : 추출부
220 : 보정부
230 : 분석부
240 : 판정부
250 : 이미지 처리부
300 : 입력부
400 : 표시부
500 : 메모리
1000 : 초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템

Claims

피사체의 초분광 이미지를 획득하는 초분광 카메라;
상기 초분광 이미지로부터 모노셀 상의 이상 상태를 판별하는 프로세서; 및
상기 프로세서에서 처리되는 이미지를 표시하는 표시부;를 포함하며,
상기 프로세서는,
상기 초분광 카메라에서 출력되는 초분광 이미지로부터 스펙트럼을 추출하는 추출부;
추출된 상기 스펙트럼을 보정하는 보정부;
보정된 상기 스펙트럼에서 상기 모노셀의 결함 및 이상 상태를 판정하기 위해 적어도 하나의 파라미터를 딥러닝 로직을 통해 분석하는 분석부;
상기 파라미터의 분석 결과에 기반하여 상기 모노셀의 결함 상태를 판정하는 판정부; 및
상기 판정부에 의해 판정된 상기 모노셀의 결함 상태가 상기 모노셀의 이미지에 표시되도록 처리하는 이미지 처리부;를 포함하고,
상기 보정부에 의해 보정된 모노셀 결함의 스펙트럼 값과, 이를 분류하기 위한 기준 값을 포함하는 라이브러리를 저장하는 메모리;를 포함하며,
상기 초분광 카메라는 가시 광선 대역과, 적외선 대역의 초분광 이미지를 획득하고,
상기 스펙트럼의 보정은 상기 초분광 카메라의 촬영 조건과, 전자기파에 대한 보정이며,
상기 딥러닝 로직은 보정된 상기 스펙트럼을 피크 값과, 평균 값과, 기울기를 포함하는 파라미터 중 하나의 파라미터에 기반하여 분석하되,
상기 분석부는 상기 보정부에 의해 보정된 상기 스펙트럼과 관련된 데이터로부터 데이터 셋을 생성하고, 생성된 데이터 셋을 기반으로 기계 학습을 수행하여 인공 지능 모델을 생성하고, 생성된 상기 인공 지능 모델을 데이터베이스에 저장하며, 인공 지능에 사용되는 알고리즘은 인공 신경망이고, 상기 인공 신경망은 한 개의 입력층과 출력층 사이에 다수의 은닉층이 있는 다층 퍼셉트론이며, 상기 다층 퍼셉트론은 보정된 스펙트럼의 보정값이 입력되는 입력층과 입력층의 노드들을 연산하여 모노셀의 결함 또는 이상 상태를 예측하는 중간노드들의 집합인 은닉층이 있으며, 은닉층의 노드들을 합성하여 스펙트럼의 피크 값과, 평균 값과, 기울기를 예측하는 출력층으로 이루어져 있는 다층 구조의 모델로 여러 층의 노드를 합성하여 다양한 형태의 네트워크로 표현되는 다중 신경망 네트워크로, 상기 인공 신경망은 기초 컴퓨팅 단위인 뉴런 여러 개가 가중된 링크로 연결된 형태로서, 가중된 링크는 주어진 환경에 적응할 수 있도록 가중치를 조정할 수 있으며,
상기 피사체는 모노셀 상의 결함이고,
상기 결함은 단순 오염 또는 전해액으로 인한 오염을 포함하는 가성 불량과, 리튬 석출을 포함하는 위험 불량이며,
상기 분석부는 상기 파라미터에 대한 기준값을 설정하고, 상기 기준값과 각각의 픽셀들의 파라미터 값인 피크 값과, 평균값과, 기을기를 비교하여 상기 픽셀의 상태를 분석하고,
상기 라이브러리는 상기 초분광 카메라의 촬영 조건에 대응되도록 구비되며,
상기 촬영 조건은 촬영되는 피사체의 위치, 노출, 획득되는 픽셀 수 중 하나 이상이고,
상기 초분광 카메라는 광을 파장에 따라 복수 개로 잘게 분할하여 연속하여 촬영하는 것을 특징으로 하는,
초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템.
삭제
제 1 항에 있어서,
상기 결함은 분리막 손상 또는 오염인 것을 특징으로 하는,
초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템.
삭제
삭제
삭제
삭제
삭제
제 1 항에 있어서,
상기 프로세서는 상기 초분광 카메라에서 촬영되는 초분광 이미지의 스펙트럼을 추출하며, 상기 메모리의 정보에 기반하여 추출된 상기 스펙트럼을 분석하고, 분석 결과에 따라 상기 모노셀 상에 포함된 이상 상태를 판별하는 것을 특징으로 하는,
초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템.
제 1 항에 있어서,
상기 판정부의 모노셀 판별 동작을 제어하기 위한 입력을 발생하는 입력부;를 포함하는 것을 특징으로 하는,
초분광 이미지 분석에 기반한 모노셀 불량 검사 시스템.
초분광 카메라에 의해 모노셀 상의 결함에 대한 초분광 이미지를 획득하는 제 1 단계;
상기 초분광 이미지로부터 추출부에 의해 스펙트럼을 추출하는 제 2 단계;
추출된 상기 스펙트럼을 보정부에 의해 보정하는 제 3 단계;
보정된 스펙트럼을 분석부의 딥러닝 로직을 통해 상기 스펙트럼에서 상기 모노셀의 결함 및 이상 상태를 판정하기 위해 적어도 하나의 파라미터를 분석하는 제 4 단계;
분석된 스펙트럼을 통해 상기 모노셀의 결함 상태를 판정부에 의해 판별하는 제 5 단계; 및
상기 판정부에 의해 판정된 상기 모노셀의 결함 상태를 이미지 처리부에 의해 피사체의 이미지에 표시하고 메모리에 저장하는 제 6 단계;를 포함하며,
상기 메모리는 상기 보정부에 의해 보정된 모노셀 결함의 스펙트럼 값과, 이를 분류하기 위한 기준 값을 포함하는 라이브러리를 저장하고,
상기 초분광 카메라는 가시 광선 대역과, 적외선 대역의 초분광 이미지를 획득하며,
상기 스펙트럼의 보정은 상기 초분광 카메라의 촬영 조건과, 전자기파에 대한 보정이고,
상기 딥러닝 로직은 보정된 상기 스펙트럼을 피크 값과, 평균 값과, 기울기를 포함하는 파라미터 중 하나의 파라미터에 기반하여 분석하되,
상기 분석부는 상기 보정부에 의해 보정된 상기 스펙트럼과 관련된 데이터로부터 데이터 셋을 생성하고, 생성된 데이터 셋을 기반으로 기계 학습을 수행하여 인공 지능 모델을 생성하고, 생성된 상기 인공 지능 모델을 데이터베이스에 저장하며, 인공 지능에 사용되는 알고리즘은 인공 신경망이고, 상기 인공 신경망은 한 개의 입력층과 출력층 사이에 다수의 은닉층이 있는 다층 퍼셉트론이며, 상기 다층 퍼셉트론은 보정된 스펙트럼의 보정값이 입력되는 입력층과 입력층의 노드들을 연산하여 모노셀의 결함 또는 이상 상태를 예측하는 중간노드들의 집합인 은닉층이 있으며, 은닉층의 노드들을 합성하여 스펙트럼의 피크 값과, 평균 값과, 기울기를 예측하는 출력층으로 이루어져 있는 다층 구조의 모델로 여러 층의 노드를 합성하여 다양한 형태의 네트워크로 표현되는 다중 신경망 네트워크로, 상기 인공 신경망은 기초 컴퓨팅 단위인 뉴런 여러 개가 가중된 링크로 연결된 형태로서, 가중된 링크는 주어진 환경에 적응할 수 있도록 가중치를 조정할 수 있으며,
상기 피사체는 모노셀 상의 결함이고,
상기 결함은 단순 오염 또는 전해액으로 인한 오염을 포함하는 가성 불량과, 리튬 석출을 포함하는 위험 불량이며,
상기 분석부는 상기 파라미터에 대한 기준값을 설정하고, 상기 기준값과 각각의 픽셀들의 파라미터 값인 피크 값과, 평균값과, 기을기를 비교하여 상기 픽셀의 상태를 분석하고,
상기 라이브러리는 상기 초분광 카메라의 촬영 조건에 대응되도록 구비되고,
상기 촬영 조건은 촬영되는 피사체의 위치, 노출, 획득되는 픽셀 수 중 하나 이상이며,
상기 초분광 카메라는 광을 파장에 따라 복수 개로 잘게 분할하여 연속하여 촬영하는 것을 특징으로 하는,
초분광 이미지 분석에 기반한 모노셀 불량 검사 방법.
삭제
삭제
삭제