KR102572304B1 - 인공지능 알고리즘에 기초하여 실시간 용접 검사 및 불량 예방 서비스를 제공하는 방법 및 시스템 - Google Patents

인공지능 알고리즘에 기초하여 실시간 용접 검사 및 불량 예방 서비스를 제공하는 방법 및 시스템 Download PDF

Info

Publication number
KR102572304B1
KR102572304B1 KR1020230030978A KR20230030978A KR102572304B1 KR 102572304 B1 KR102572304 B1 KR 102572304B1 KR 1020230030978 A KR1020230030978 A KR 1020230030978A KR 20230030978 A KR20230030978 A KR 20230030978A KR 102572304 B1 KR102572304 B1 KR 102572304B1
Authority
KR
South Korea
Prior art keywords
welding
monitoring data
region
specific
defect
Prior art date
Application number
KR1020230030978A
Other languages
English (en)
Inventor
박종영
Original Assignee
박종영
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 박종영 filed Critical 박종영
Priority to KR1020230030978A priority Critical patent/KR102572304B1/ko
Application granted granted Critical
Publication of KR102572304B1 publication Critical patent/KR102572304B1/ko

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K9/00—Arc welding or cutting
    • B23K9/095—Monitoring or automatic control of welding parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Abstract

인공지능 알고리즘 기반의 용접 결함을 예측하는 방법 및 장치가 개시된다. 본 개시의 일 실시예에 따른, 용접 검사 장치에 의해 수행되는, 인공지능 알고리즘 기반의 용접 결함을 예측하는 방법은, 하나 이상의 용접기와 관련된 제1 용접 모니터링 데이터 및 제1 비드 영상 데이터를 획득하는 단계; 상기 제1 용접 모니터링 데이터 및 상기 제1 비드 영상 데이터에 대해 전처리를 수행하는 단계; 상기 제1 비드 영상 데이터로부터 추출된 용접 이미지 중 용접 결함이 발생한 제1 영역을 식별하고, 상기 제1 용접 모니터링 데이터 중 상기 제1 영역에 대응되는 특정 용접 모니터링 데이터를 식별하는 단계; 상기 용접 이미지에서 식별된 제1 영역 및 상기 특정 용접 모니터링 데이터에 기초하여, 상기 하나 이상의 용접기에 따른 용접 결함의 예측 정보를 출력하도록 인공지능(artificial intelligence, AI) 모델을 학습시키는 단계; 및 특정 용접기와 관련된 제2 용접 모니터링 데이터 또는 제2 비드 영상 데이터 중의 적어도 하나를 획득함에 기반하여, 상기 제2 용접 모니터링 데이터 또는 상기 제2 비드 영상 데이터 중의 적어도 하나를 상기 학습된 AI 모델에 입력하여 상기 특정 용접기에 따른 용접 결함의 예측 정보를 획득하는 단계를 포함할 수 있다.

Description

인공지능 알고리즘에 기초하여 실시간 용접 검사 및 불량 예방 서비스를 제공하는 방법 및 시스템{METHOD AND APPARATUS FOR PROVIDING REAL-TIME WELDING INSPECTION AND DEFECT PREVENTION SERVICE BASED ON ARTIFICIAL INTELLIGENCE ALGORITHM}
본 개시는 용접 검사 및 불량 예방 분야에 관한 것으로서, 더욱 상세하게는 인공지능 알고리즘에 기초하여 실시간 용접 검사 및 불량 예방 서비스를 제공하는 방법 및 시스템에 관한 것이다.
용접(wielding)은 같은 종류 또는 다른 종류의 금속 재료에 열과 압력을 가하여 고체 사이에 직접 결합이 되도록 접합시키는 방법을 의미한다. 용접의 종류에는 피복 아크 용접(shielded metal arc welding), GMAW(gas metal Arc Welding), FCAW(Flux-Cored Arc Welding), GTAW(Gas Tungsten Arc Welding) 등이 있다.
용접은 각종 산업 분야에서 폭넓게 사용되는 공법인 바, 용접의 불량 여부를 모니터링하고 이를 예방하는 것은 필수적이다. 용접 상태의 불량 여부를 실시간으로 체크하여 잠재적인 결함을 예측 및 방지하고 이를 용접공에게 피드백함으로써, 용접의 전반적인 품질이 향상되고 효율성이 향상될 수 있다.
다만, 용접 상태의 불량 여부를 실시간으로 모니터링하기 위해서는 많은 시간 및 비용이 소요된다는 문제점이 존재한다. 용접 품질 및 안전성의 향상 및 비용 절감을 위하여, 개선된 용접 상태 모니터링 방법의 필요성이 점차 대두되고 있다.
본 개시는 상술된 문제점을 해결하기 위해 안출된 것으로서, 본 개시의 목적은 인공지능 알고리즘에 기초하여 실시간 용접 검사 및 불량 예방 서비스를 제공하는 방법 및 시스템을 제공함에 있다.
본 개시가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
본 개시의 일 실시예에 따른, 용접 검사 장치에 의해 수행되는, 인공지능 알고리즘 기반의 용접 결함을 예측하는 방법은, 하나 이상의 용접기와 관련된 제1 용접 모니터링 데이터 및 제1 비드 영상 데이터를 획득하는 단계; 상기 제1 용접 모니터링 데이터 및 상기 제1 비드 영상 데이터에 대해 전처리를 수행하는 단계; 상기 제1 비드 영상 데이터로부터 추출된 용접 이미지 중 용접 결함이 발생한 제1 영역을 식별하고, 상기 제1 용접 모니터링 데이터 중 상기 제1 영역에 대응되는 특정 용접 모니터링 데이터를 식별하는 단계; 상기 용접 이미지에서 식별된 제1 영역 및 상기 특정 용접 모니터링 데이터에 기초하여, 상기 하나 이상의 용접기에 따른 용접 결함의 예측 정보를 출력하도록 인공지능(artificial intelligence, AI) 모델을 학습시키는 단계; 및 특정 용접기와 관련된 제2 용접 모니터링 데이터 또는 제2 비드 영상 데이터 중의 적어도 하나를 획득함에 기반하여, 상기 제2 용접 모니터링 데이터 또는 상기 제2 비드 영상 데이터 중의 적어도 하나를 상기 학습된 AI 모델에 입력하여 상기 특정 용접기에 따른 용접 결함의 예측 정보를 획득하는 단계를 포함할 수 있다.
그리고, 상기 제1 용접 모니터링 데이터는, 상기 하나 이상의 용접기에 의해 출력되는 전류, 전압 및 송급 속도 중의 적어도 하나를 포함할 수 있다.
그리고, 상기 AI 모델을 학습시키는 단계는, 상기 제1 영역에 발생한 용접 결함의 유형과 상기 특정 용접 모니터링 데이터에 대응되는 용접 결함의 유형이 동일한지 여부를 검증하는 단계를 포함할 수 있다.
그리고, 상기 AI 모델을 학습시키는 단계는, 상기 제1 영역에 발생한 용접 결함의 유형과 상기 특정 용접 모니터링 데이터에 대응되는 용접 결함의 유형이 동일한 것으로 검증됨에 기반하여, 상기 용접 이미지에서 식별된 제1 영역에 대해 상기 특정 용접 모니터링 데이터를 매칭시키는 단계를 포함할 수 있다.
그리고, 상기 특정 용접기에 의한 용접 결함의 예측 정보는, 상기 제2 비드 영상 데이터 중 용접 결함이 발생한 제2 영역, 상기 제2 영역에서 용접 결함이 발생한 시기, 및 상기 제2 영역에서 발생한 용접 결함의 유형 중의 적어도 하나를 포함할 수 있다.
그리고, 상기 제2 비드 영상 데이터 중 상기 제2 영역 상에 상기 제2 영역에서 용접 결함이 발생한 시기 및 상기 제2 영역에서 발생한 용접 결함의 유형이 표시될 수 있다.
그리고, 상기 방법은, 상기 특정 용접기와 관련된 하나 이상의 용접공이 이용하는 단말 장치로 상기 특정 용접기에 의한 용접 결함의 예측 정보가 포함된 경고 메시지를 전송하는 단계를 더 포함할 수 있다.
그리고, 상기 방법은, 상기 특정 용접기에 따른 실제 용접 결함 정보를 획득하는 단계; 및 상기 실제 용접 결함 정보에 기초하여 상기 AI 모델을 추가 학습시키는 단계를 더 포함할 수 있다.
본 개시의 일 실시예로, 인공지능 알고리즘 기반의 용접 결함을 예측하는 용접 검사 장치는, 하나 이상의 메모리; 및 하나 이상의 프로세서를 포함하고, 상기 하나 이상의 프로세서는, 하나 이상의 용접기와 관련된 제1 용접 모니터링 데이터 및 제1 비드 영상 데이터를 획득하고; 상기 제1 용접 모니터링 데이터 및 상기 제1 비드 영상 데이터에 대해 전처리를 수행하고; 상기 제1 비드 영상 데이터로부터 추출된 용접 이미지 중 용접 상태 불량이 발생한 제1 영역을 식별하고, 상기 제1 용접 모니터링 데이터 중 상기 제1 영역에 대응되는 특정 용접 모니터링 데이터를 식별하고; 상기 용접 이미지에서 식별된 제1 영역 및 상기 특정 용접 모니터링 데이터에 기초하여, 상기 하나 이상의 용접기에 따른 용접 결함의 예측 정보를 출력하도록 인공지능(artificial intelligence, AI) 모델을 학습시키고; 및 특정 용접기와 관련된 제2 용접 모니터링 데이터 또는 제2 비드 영상 데이터 중의 적어도 하나를 획득함에 기반하여, 상기 제2 용접 모니터링 데이터 또는 상기 제2 비드 영상 데이터 중의 적어도 하나를 상기 학습된 AI 모델에 입력하여 상기 특정 용접기에 따른 용접 결함의 예측 정보를 획득하도록 설정될 수 있다.
본 개시의 다양한 실시예에 의해, 인공지능 알고리즘에 기초하여 실시간 용접 검사 및 불량 예방 서비스를 제공하는 방법 및 시스템이 제공될 수 있다.
본 개시의 다양한 실시예에 의해, 용접 상태 모니터링 및 품질 예측 결과에 따른 피드백을 용접공에게 실시간으로 제공함에 따라, 용접의 전반적인 품질을 조정하고 개선할 수 있다.
본 개시의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시의 일 실시예에 따른, 인공지능 알고리즘에 기초하여 실시간 용접 검사 및 불량 예방 서비스를 제공하는 시스템의 개략도이다.
도 2는 본 개시의 일 실시예에 따른, 인공지능 알고리즘 기반의 용접 결함을 예측하는 방법을 설명하기 위한 순서도이다.
도 3은 본 개시의 일 실시예에 따른, 용접 결함의 예측 정보를 출력하도록 AI 모델을 학습시키는 방법을 설명하기 위한 도면이다.
도 4 및 도 5는 본 개시의 일 실시예에 따른, 비드 영상 데이터와 용접 모니터링 데이터를 매칭시키는 방법을 설명하기 위한 도면이다.
도 6은 본 개시의 일 실시예에 따른, 미리 학습된 AI 모델을 통해 용접 결함의 예측 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 7은 본 개시의 일 실시예에 따른, 인공지능 알고리즘 기반의 용접 결함을 예측하는 장치의 구성을 설명하기 위한 블록도이다.
본 개시의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 개시는 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시의 개시가 완전하도록 하고, 본 개시가 속하는 기술 분야의 통상의 기술자에게 본 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시는 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 개시를 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.
명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 개시의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시가 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작 시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다.
예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓여질 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.
이하에서는 도면을 참조하여 인공지능 알고리즘에 기초하여 실시간 용접 검사 및 불량 예방 서비스를 제공하는 방법 및 시스템에 대해 설명한다.
도 1은 본 개시의 일 실시예에 따른, 인공지능 알고리즘에 기초하여 실시간 용접 검사 및 불량 예방 서비스를 제공하는 시스템의 개략도이다.
도 1에 도시된 바와 같이, 인공지능 알고리즘에 기초하여 실시간 용접 검사 및 불량 예방 서비스를 제공하는 시스템(1000)은 용접기(100), 용접 현장/상태를 촬영하는 장치(200), 용접 검사 장치(300), 및 용접 상태를 모니터링하기 위한 단말 장치(400) 등으로 구성될 수 있다.
도 1에서 용접 검사 장치(300)는 데스크 탑으로 구현되고, 용접 현장을 촬영하는 장치(200) 및 용접 상태를 모니터링하기 위한 단말 장치(400)는 스마트 폰으로 구현된 경우를 도시하고 있으나, 이에 한정되는 것은 아니다.
용접 현장을 촬영하는 장치(200), 용접 검사 장치(300), 및 용접 상태를 모니터링하기 위한 단말 장치(400)는 다양한 유형의 전자 장치(예로, 노트북, 데스크톱(desktop), 랩톱(laptop), 태블릿 PC, 슬레이트 PC 장치, 웨어러블(wearable) 장치(예로, 스마트 워치(smart watch) 등), 클라우드 장치 등)로 구현될 수 있으며, 하나 이상의 유형의 장치가 연결된 장치 군으로도 구현될 수 있다.
시스템(1000)에 포함된 용접기(100), 용접 현장을 촬영하는 장치(200), 용접 검사 장치(300), 및 용접 상태를 모니터링하기 위한 단말 장치(400)는 네트워크를 통해 통신을 수행할 수 있다.
여기서, 네트워크는 유선 네트워크와 무선 네트워크를 포함할 수 있다. 예를 들어, 네트워크는 근거리 네트워크(LAN: Local Area Network), 도시권 네트워크(MAN: Metropolitan Area Network), 광역 네트워크(WAN: Wide Area Network) 등의 다양한 네트워크를 포함할 수 있다.
이러한 유/무선 네트워크는, 규격에 의해 현재 또는 향후 지원될 통신 네트워크를 모두 포함하며, 그를 위한 하나 또는 그 이상의 통신 프로토콜들을 모두 지원 가능하다.
이러한 유/무선 네트워크에는 예컨대, USB(Universal Serial Bus), CVBS(Composite Video Banking Sync), 컴포넌트(Component), S-비디오(아날로그), 44-13 2021-11-11 DVI(Digital Visual Interface), HDMI(High Definition Multimedia Interface), RGB, D-SUB와 같은 유선 연결을 위한 네트워크와 그를 위한 통신 규격 내지 프로토 콜과, 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신 (IrDA: infrared Data Association), UWB(Ultra-Wideband), 지그비(ZigBee), DLNA(Digital Living Network Alliance), WLAN(Wireless LAN)(Wi-Fi), Wibro(Wireless broadband), Wimax(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access), LTE/LTE-A(Long Term Evolution/LTE-Advanced), Wi-Fi 다이렉트(direct)와 같은 무선 연결을 위한 네트 워크와 그를 위한 통신 규격 내지 프로토콜에 의하여 형성될 수 있다.
용접기(100)는 용접 작업에 사용되는 기계 장치를 의미하며, 직류 아크 용접기, 교류 아크 용접기 및 저항 아크 용접기 등으로 분류될 수 있다. 하나 이상의 용접공은 용접기(100)를 이용하여 용접 작업을 수행할 수 있다.
용접기(100)를 통해 용접 작업을 수행함에 따라 생성되는 용접 모니터링 데이터(즉, IoT 데이터)는 용접 검사 장치(300)로 전송될 수 있다. 용접 모니터링 데이터는 용접기(100)에 의해 출력되는 전류, 전압, 송급 속도, 쉴드 가스(shield gas), 용접기(100)를 둘러싸고 있는 습도, 용접기(100)를 사용하는 시점 등을 포함할 수 있다.
모니터링 데이터를 구성하는 용접기(100)에 의해 출력되는 전류, 전압, 송급 속도 등은 용접 품질에 영향을 미칠 수 있다.
용접기(100)에 의해 출력되는 전류는 용접 모재로의 용접 침투 깊이, 용접 모재로 입력되는 열의 양,용접 비드의 모양, 기공, 용접 모재 상의 균열 등에 영향을 미칠 수 있다.
예로, 용접기(100)에 의해 출력되는 전류가 과도할 경우, 용접의 기공, 번-스루(burn-through), 균열 등을 야기할 수 있다. 또한, 용접기(100)에 의해 출력되는 전류가 충분하지 않을 경우, 용접 베이스에 홈이나 움푹 들어간 부분인 언더컷(undercut)이 발생하거나 불완전 융합이 발생할 수 있다.
용접기(100)에 의해 출력되는 전압은 용접 아크의 안정성, 용접 모재 상의 입열량, 용접 비드의 모양과 프로파일, 기공 및 용접 모재 상의 균열 등에 영향을 미칠 수 있다.
또한, 용접기(100)에 의한 용접 속도는 용접 과정에서 발생하는 열의 양과 용접부의 냉각 속도에 영향을 미칠 수 있다. 예로, 용접기(100)에 의한 용접 속도가 너무 빠르면, 열이 부족하여 융착 불량 및 용입 부족 등의 불량이 발생할 수 있다. 또 다른 예로, 용접기(100)에 의한 용접 속도가 너무 느릴 경우, 과도한 열이 발생하여 번-스루, 슬래그 혼입 및 크랙 등의 불량이 발생할 수 있다.
용접 현장을 촬영하는 장치(예로, 용접 토치 카메라가 포함된 장치 등)(200)는 용접 토치 또는/및 용접 팁 근처에 장착되며, 용접 후 용접부 비드 이미지/영상 데이터를 획득/촬영할 수 있다. 즉, 용접 현장을 촬영하는 장치(200)는 용접 후 용접부 비드 형상을 촬영할 수 있다.
용접 검사 장치(300)는 용접 모니터링 데이터 및 용접부 비드 이미지/영상 데이터에 기초하여 AI 모델을 학습시킬 수 있다. 여기서, 용접 검사 장치(300)는 온-디바이스(on-device) AI 모델을 학습시킬 수도 있으나 별도의 서버(360)에 저장되어 있는 AI 모델을 학습시킬 수 있다.
즉, 본 개시를 설명함에 있어서, 용접 검사 장치(300)가 AI 모델을 학습시킨다는 것은 용접 검사 장치(300) 내의 AI 모델을 학습시키거나 및/또는 별도의 서버(360)에 저장되어 있는 AI 모델을 학습시킨다는 것을 의미할 수 있다.
용접 검사 장치(300)의 구성/동작 및 AI 모델의 학습/추론 과정을 도 2 내지 도 7을 참조하여 구체적으로 설명하도록 한다.
용접 상태를 모니터링하기 위한 단말 장치(400)는 용접기(100)에 의해 출력된 모니터링 데이터 및 용접 비드 영상/이미지 데이터 뿐만 아니라 AI 모델을 통해 획득된 정보를 실시간으로 제공할 수 있다. 즉, 사용자는 용접 상태를 모니터링하기 위한 단말 장치(400)를 통해 현재 용접 상태를 별도의 UI(410)를 통해 실시간으로 확인할 수 있다.
도 2는 본 개시의 일 실시예에 따른, 용접 결함의 예측 정보를 출력하도록 AI 모델을 학습시키는 방법을 설명하기 위한 도면이다.
용접 검사 장치는 하나 이상의 용접기와 관련된 제1 용접 모니터링 데이터 및 제1 비드 영상 데이터를 획득할 수 있다(S210).
구체적으로, 용접 검사 장치는 하나 이상의 용접기와 관련된 학습/검증/테스트 데이터 세트를 수집할 수 있다. 학습/검증/테스트 데이터 세트는 양호하게 용접이 수행되었을 때의 용접 모니터링 데이터 및 비드 영상 데이터와 용접 결함이 발생하였을 때의 용접 모니터링 데이터 및 비드 영상 데이터를 포함할 수 있다.
학습 데이터 세트는 AI 모델을 학습하는데 사용되며, 검증 데이터 세트는 학습 중에 AI 모델의 동작을 검증하는 데 사용되며, 테스트 데이터 세트는 학습 후 AI 모델의 성능을 평가하는 데 사용될 수 있다.
용접 검사 장치는 하나 이상의 용접기 및/또는 하나 이상의 용접기와 관련된 파라미터를 모니터링하는 장치로부터 제1 용접 모니터링 데이터를 획득할 수 있다. 추가적으로 또는 대안적으로, 용접 검사 장치는 하나 이상의 용접기를 통해 용접이 수행되는 비드 영상/이미지 데이터를 촬영 장치(예로, 용접 토치 카메라 및/또는 스마트 폰 등)로부터 획득할 수 있다.
용접 검사 장치는 제1 용접 모니터링 데이터 및 제1 비드 영상 데이터에 대해 전처리를 수행할 수 있다(S220).
구체적으로, 용접 검사 장치는 제1 비드 영상 데이터로부터 하나 이상의 이미지 프레임을 추출할 수 있다.
일 예로, 용접 검사 장치는 추출된 하나 이상의 이미지 프레임의 크기 및 해상도를 조율할 수 있다.
일 예로, 용접 검사 장치는 추출된 하나 이상의 이미지 프레임에 대해 트리밍(trimming) 및 패딩(padding)을 수행함으로써 불필요한 이미지 영역을 제거할 수 있다.
일 예로, 용접 검사 장치는 추출된 하나 이상의 이미지 프레임 상에서 반복되는 일정 패턴을 자동 제거할 수 있다.
일 예로, 용접 검사 장치는 추출된 하나 이상의 이미지 프레임의 컬러(color)를 그레이 이미지 등으로 변환하거나 또는 추출된 하나 이상의 이미지 프레임에 대해 모폴로지(morphology) 변환을 수행할 수 있다.
일 예로, 용접 검사 장치는 추출된 하나 이상의 이미지 프레임에 대해 가우시안 블러 필터를 적용할 수 있다.
본 개시의 일 예로, 용접 검사 장치는 시계열 데이터(즉, 용접이 수행되는 시구간에 따른 모니터링 데이터)로 구현된 용접 모니터링 데이터를 주파수 대역으로 변환할 수 있다.
용접 검사 장치는 제1 비드 영상 데이터로부터 추출된 용접 이미지 중 용접 결함이 발생한 제1 영역을 식별하고, 제1 용접 모니터링 데이터 중 제1 영역에 대응되는 특정 용접 모니터링 데이터를 식별할 수 있다(S230).
즉, 용접 검사 장치는 제1 비드 영상 데이터 및/또는 제1 용접 모니터링 데이터에 대해 라벨링을 수행하기 위하여 제1 영역 및 제1 영역에 대응되는 특정 용접 모니터링 데이터를 식별할 수 있다.
구체적으로, 용접 검사 장치는 제1 비드 영상 데이터로부터 추출된 용접 이미지 중 용접 결함이 발생한 제1 영역을 커버하는 (최대/최소) 바운딩 박스(bounding box)로 설정함으로써, 데이터 라벨링을 수행할 수 있다. 라벨 대상 (즉, 용접 결함이 발생한 영역)이 군집한 경우, 용접 검사 장치는 개별 라벨링 및 전체 라벨링을 수행할 수 있다.
그리고, 용접 검사 장치는 제1 용접 모니터링 데이터 중 제1 영역에 대응되는 특정 용접 모니터링 데이터를 식별할 수 있다. 즉, 용접 검사 장치는 제1 영역에서 용접 결함이 발생할 때의 특정 용접 모니터링 데이터를 식별할 수 있다. 그리고, 용접 검사 장치는 식별된 특정 용접 모니터링 데이터를 제1 영역에 대응되는 바운딩 박스에 매칭시킬 수 있다.
본 개시의 일 실시에로, 용접 검사 장치가 제1 비드 영상 데이터로부터 제1 영역을 식별하는 동작 및 제1 용접 모니터링 데이터로부터 특정 용접 모니터링 데이터를 식별하는 동작은 별도의 AI 모델을 통해 수행될 수 있다.
일 예로, 용접 검사 장치는 미리 학습된 영상 AI 모델을 통해 제1 비드 영상 데이터로부터 제1 영역을 식별할 수 있다. 그리고, 용접 검사 장치는 IoT AI 모델을 통해 제1 용접 모니터링 데이터로부터 특정 용접 모니터링 데이터를 식별할 수 있다.
용접 이미지에서 식별된 제1 영역 및 특정 용접 모니터링 데이터에 기초하여, 용접 검사 장치는 하나 이상의 용접기에 따른 용접 결함의 예측 정보를 출력하도록 AI 모델을 학습시킬 수 있다(S240).
여기서, 하나 이상의 용접기에 따른 용접 결함의 예측 정보는, 제1 비드 영상 데이터 중 용접 결함이 발생한 제1 영역, 제1 영역에서 용접 결함이 발생한 시기, 및 제1 영역에서 발생한 용접 결함의 유형 중의 적어도 하나를 포함할 수 있다.
구체적으로, 용접 검사 장치는 제1 영역의 바운딩 박스 및 해당 바운딩 박스에 라벨링된 데이터에 기초하여, 입력된 이미지 상에 용접 결함이 발생한 영역을 식별하도록 AI 모델을 학습시킬 수 있다.
추가적으로 또는 대안적으로, 용접 검사 장치는 용접 모니터링 데이터 및 용접 모니터링 데이터에 라벨링된 데이터에 기초하여, 입력된 모니터링 데이터에 용접 결함의 예측 정보를 출력하도록 AI 모델을 학습시킬 수 있다.
여기서, AI 모델은 CNN(convolutional neural network), RNN(recurrent neural network) 및/또는 LSTM(long-short term memory) 신경망 등으로 구성될 수 있다.
추가적으로 또는 대안적으로, 용접 검사 장치는 AI 모델에 대해 상호 교차 학습을 수행할 수 있다. 용접 검사 장치는 용접 이미지에서 식별된 제1 영역에 대응되는 특정 용접 모니터링 데이터에 기초하여 AI 모델을 학습시킬 수 있다. 또한, 용접 검사 장치는 제1 비드 영상 데이터 중 특정 용접 모니터링 데이터에 대응되는 제1 영역에 기초하여 AI 모델을 학습시킬 수 있다.
본 개시의 또 다른 실시예로, 용접 검사 장치는 AI 모델의 학습 과정 또는/및 학습을 수행하기 전에 학습 데이터에 대한 검증 작업을 수행할 수 있다. 용접 검사 장치는 제1 영역에 발생한 용접 결함의 유형과 특정 용접 모니터링 데이터에 대응되는 용접 결함의 유형이 동일한지 여부를 검증할 수 있다.
일 예로, 제1 영역에 발생한 용접 결함의 유형과 특정 용접 모니터링 데이터에 대응되는 용접 결함의 유형이 동일한 것으로 검증됨에 기반하여, 용접 검사 장치는 용접 이미지에서 식별된 제1 영역에 대해 특정 용접 모니터링 데이터를 매칭시킬 수 있다.
용접 검사 장치는 매칭된 용접 이미지에서 식별된 제1 영역 및 특정 용접 모니터링 데이터에 기초하여 AI 모델을 학습시킬 수 있다.
특정 용접기와 관련된 제2 용접 모니터링 데이터 또는 제2 비드 영상 데이터 중의 적어도 하나를 획득함에 기반하여, 용접 검사 장치는 제2 용접 모니터링 데이터 또는 제2 비드 영상 데이터 중의 적어도 하나를 학습된 AI 모델에 입력하여 특정 용접기에 따른 용접 결함의 예측 정보를 획득할 수 있다(S250).
즉, 특정 용접기에 따른 새로운 데이터(예로, 제2 용접 모니터링 데이터 및/또는 제2 비드 영상 데이터)를 수신한 경우, 용접 검사 장치는 새로운 데이터를 AI 모델에 입력하여 특정 용접기에 따른 용접 결함의 예측 정보를 획득할 수 있다.
여기서, 특정 용접기에 의한 용접 결함의 예측 정보는, 제2 비드 영상 데이터 중 용접 결함이 발생한 제2 영역, 제2 영역에서 용접 결함이 발생한 시기, 및 제2 영역에서 발생한 용접 결함의 유형 중의 적어도 하나를 포함할 수 있다.
구체적으로, 용접 검사 장치는 제2 용접 모니터링 데이터를 AI 모델에 입력하여 특정 용접기에 의해 수행된 용접 작업에서 용접 결함이 발생했는지 여부 및/또는 발생된 용접 결함의 유형을 나타내는 예측 정보를 획득할 수 있다.
추가적으로 또는 대안적으로, 용접 검사 장치는 제2 비드 영상 데이터를 AI 모델에 입력하여 제2 비드 영상 데이터 중 용접 결함이 발생한 제2 영역, 제2 영역에서 발생한 용적 결함의 유형, 제2 영역에서 발생한 용적 결함에 대응되는 모니터링 예상 데이터 등을 획득할 수 있다.
이 때, 제2 비드 영상 데이터 중 제2 영역 상에 제2 영역에서 발생된 용접 결함의 유형 및 해당 용접 결함에 대응되는 모니터링 예상 데이터가 표시될 수 있다.
추가적으로 또는 대안적으로, 용접 검사 장치는 제2 비드 영상 데이터 및 제2 모니터링 데이터를 AI 모델이 입력하여 제2 비드 영상 데이터 중 용접 결함이 발생한 제2 영역, 제2 영역에서 용접 결함이 발생한 시기, 및 제2 영역에서 발생한 용접 결함의 유형 중의 적어도 하나를 획득할 수 있다.
이 때, 제2 비드 영상 데이터 중 제2 영역 상에 제2 영역에서 용접 결함이 발생한 시기, 제2 영역에서 발생한 용접 결함의 유형 및 이에 대응되는 모니터링 데이터가 표시될 수 있다.
그리고, 용접 검사 장치는 특정 용접기와 관련된 하나 이상의 용접공이 이용하는 단말 장치로 특정 용접기에 의한 용접 결함의 예측 정보가 포함된 경고 메시지를 전송할 수 있다.
특정 용접기와 관련된 하나 이상의 용접공은 특정 용접기를 이용하여 용접 작업을 수행하는 용접공을 의미한다. 용접 검사 장치는 특정 용접기를 이용하는 용접공이 이용하는 단말 장치에 대한 정보를 미리 저장할 수 있다.
용접 검사 장치는 특정 용접기에 따른 실제 용접 결함 정보를 획득할 수 있다. 용접 검사 장치는 실제 용접 결함 정보에 대해 데이터 전처리 및 데이터 라벨링을 수행하고, 데이터 전처리 및 데이터 라벨링을 수행한 데이터에 기초하여 AI 모델을 추가 학습시킬 수 있다.
도 3은 본 개시의 일 실시예에 따른, 용접 결함의 예측 정보를 출력하도록 AI 모델을 학습시키는 방법을 설명하기 위한 도면이다.
용접 검사 장치는 하나 이상의 용접기와 관련된 동영상 파일(즉, 비드 영상 데이터) 및 용접 모니터링을 획득할 수 있다.
용접 검사 장치는 동영상 파일로부터 하나 이상의 용접 이미지를 추출하고, 추출된 하나 이상의 용접 이미지에 대해 전처리(305-1)를 수행할 수 있다. 그리고, 용접 검사 장치는 모니터링 데이터에 대해 전처리 및 분석(305-2)를 수행할 수 있다.
용접 검사 장치는 전처리를 수행한 용접 이미지 및 모니터링 데이터에 대해 데이터 라벨링(315-1, 315-2)을 수행할 수 있다.
일 예로, 용접 검사 장치는 용접 이미지 상에서 용접 결함이 발생한 위치를 둘러싼 바운딩 박스를 이용하여 데이터 라벨링을 수행할 수 있다. 그리고, 용접 검사 장치는 모니터링 데이터 중 용접 결함이 발생한 시간/주파수 구간에 대응되는 데이터 및 용접 결함이 발생하지 않는 시간/주파수 구간에 대응되는 데이터에 기초하여 라벨링을 수행할 수 있다.
용접 검사 장치는 라벨링이 수행된 데이터에 기초하여 AI 모델을 학습시킬 수 있다(S325-1, S352-2).
예로, 용접 검사 장치는 용접 결함이 발생된 영역의 바운딩 박스 및 해당 바운딩 박스에 라벨링된 데이터에 기초하여, 입력된 이미지 상에 용접 결함이 발생한 영역을 식별하도록 AI 모델을 학습시킬 수 있다.
추가적으로 또는 대안적으로, 용접 검사 장치는 용접 모니터링 데이터 및 용접 모니터링 데이터에 라벨링된 데이터에 기초하여, 입력된 모니터링 데이터에 용접 결함의 예측 정보를 출력하도록 AI 모델을 학습시킬 수 있다.
도 2를 참조하여 설명한 바와 같이, 용접 검사 장치는 용접 이미지에서 용접 결함이 발생한 것으로 식별된 영역 및 상기 식별된 영역에 대응되는 특정 용접 모니터링 데이터를 매칭(335)시킬 수 있다.
일 예로, 도 4 및 도 5에 도시된 바와 같이, 용접 검사 장치는 모니터링 데이터와 용접 이미지 데이터를 매칭시킬 수 있다. 일 예로, 용접 검사 장치는 용접 결함이 발생한 위치(410) 및 이에 대응되는 모니터링 데이터 및/또는 주파수 특성을 매칭시킬 수 있다.
용접 검사 장치는 매칭시킨 데이터에 기초하여 하나 이상의 용접기에 따른 용접 결함의 예측 정보를 출력하도록 AI 모델을 학습시킬 수 있다.
그리고, 특정 용접기에 따른 새로운 데이터(예로, 제2 용접 모니터링 데이터 및/또는 제2 비드 영상 데이터)를 수신한 경우, 용접 검사 장치는 새로운 데이터를 AI 모델에 입력하여 특정 용접기에 따른 용접 결함의 예측 정보를 획득(340)할 수 있다.
일 예로, 도 6을 참조하면, 용접 검사 장치는 새로운 데이터(예로, 용접 모니터링 데이터)(610)를 AI 모델(620)에 입력하여 특정 용접기에 따른 용접 결함의 예측 정보를 획득할 수 있다.
여기서, 특정 용접기에 의한 용접 결함의 예측 정보는, 비드 영상 데이터(630) 중 용접 결함이 발생한 하나 이상의 영역, 제2 영역에서 용접 결함이 발생한 시기, 시기 별 용접 결함 발생 확률, 제2 영역에서 발생한 용접 결함의 유형, 제2 영역에서 발생한 용접 결함에 대응되는 용접 모니터링 데이터(640) 등을 포함할 수 있다.
도 7은 본 개시의 일 실시예에 따른, 인공지능 알고리즘 기반의 용접 결함을 예측하는 용접 검사 장치의 구성을 설명하기 위한 블록도이다.
도 7에 도시된 바와 같이, 장치(300)는 메모리(310), 통신 모듈(320), 디스플레이(330), 입력 모듈(340) 및 프로세서(350)를 포함할 수 있다.
다만, 도 7에 도시된 구성은 본 개시의 실시 예들을 구현하기 위한 예시도이며, 통상의 기술자에게 자명한 수준의 적절한 하드웨어 및 소프트웨어 구성들이 용접 검사 장치(300)에 추가로 포함될 수 있다.
메모리(310)는 프로세서(350)가 각종 동작을 수행하기 위한 하나 이상의 인스트럭션(instruction)을 저장할 수 있다. 메모리(310)는 용접 검사 장치(300)의 다양한 기능을 지원하는 데이터와, 프로세서(350)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들(예를 들어, 비드 영상 데이터, 모니터링 데이터 등)을 저장할 수 있다.
메모리(310)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), SSD 타입(Solid State Disk type), SDD 타입(Silicon Disk Drive type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(random access memory; RAM), SRAM(static random access memory), 롬(read-only memory; ROM), EEPROM(electrically erasable programmable read-only memory), PROM(programmable read-only memory), 자기 메모리, 자기 디스크 및 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
통신 모듈(320)은 외부 장치(예로, 용접기, 용접기와 관련된 하나 이상의 용접공이 이용하는 단말 장치, 용접 상태를 모니터링하기 위한 단말 장치 등)와의 통신이 가능하게 하는 회로를 포함하는 하나 이상의 구성 요소를 포함할 수 있다. 예를 들어, 통신 모듈(320)은 방송 수신 모듈, 유선통신 모듈, 무선통신 모듈, 근거리 통신 모듈, 위치정보 모듈 중 적어도 하나를 포함할 수 있다.
디스플레이(330)는 용접 검사 장치(300)에서 처리되는 정보(예를 들어, 비드 영상 데이터, 모니터링 데이터, 영상 데이터와 모니터링 데이터가 매칭된 데이터 등)를 표시(출력)한다. 예를 들어, 디스플레이는 본 용접 검사 장치(300)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
입력 모듈(340)은 용접 검사 장치(300)를 제어하기 위한 사용자 입력을 수신할 수 있다. 특히, 입력 모듈(340)은 사용자 손 또는 스타일러스 펜 등을 이용한 사용자 터치를 입력받기 위한 터치 패널, 사용자 조작을 입력받기 위한 버튼 등이 포함될 수 있다. 그 밖에, 입력 모듈(340)은 다른 입력 장치(예로, 키보드, 마우스, 모션 입력부 등)로 구현될 수 있다. 또 다른 예로, 입력 모듈(340)은 용접 검사 장치(300)를 통해 수행할 작업에 대한 정보를 사용자로부터 입력받을 수 있다.
프로세서(350)는 메모리(310)에 저장된 하나 이상의 인스트럭션(instruction)을 실행함으로써 메타버스 플랫폼을 이용하여 모델 하우스 관련 정보를 제공하는 방법을 수행할 수 있다. 즉, 프로세서(350)는 용접 검사 장치(300)의 각 구성 요소를 이용하여 전반적인 동작 및 기능을 제어할 수 있다.
구체적으로, 프로세서(350)는 용접 검사 장치(300) 내의 구성요소들의 동작을 제어하기 위한 알고리즘 또는 알고리즘을 재현한 프로그램에 대한 데이터를 저장하는 메모리, 및 메모리에 저장된 데이터를 이용하여 전술한 동작을 수행하는 적어도 하나의 프로세서(미도시)로 구현될 수 있다. 이때, 메모리와 프로세서는 각각 별개의 칩으로 구현될 수 있다. 또는, 메모리와 프로세서는 단일 칩으로 구현될 수도 있다.
또한, 프로세서(350)는 이하의 도 2 내지 도 7에서 설명되는 본 개시에 따른 다양한 실시 예들을 본 용접 검사 장치(300) 상에서 구현하기 위하여, 위에서 살펴본 구성요소들을 중 어느 하나 또는 복수를 조합하여 제어할 수 있다.
한편, 개시된 실시예들은 컴퓨터에 의해 실행 가능한 명령어를 저장하는 기록매체의 형태로 구현될 수 있다. 명령어는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 프로그램 모듈을 생성하여 개시된 실시예들의 동작을 수행할 수 있다. 기록매체는 컴퓨터로 읽을 수 있는 기록매체로 구현될 수 있다.
컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터에 의하여 해독될 수 있는 명령어가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있을 수 있다.
이상에서와 같이 첨부된 도면을 참조하여 개시된 실시예들을 설명하였다. 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 본 개시의 기술적 사상이나 필수적인 특징을 변경하지 않고도, 개시된 실시예들과 다른 형태로 본 개시가 실시될 수 있음을 이해할 것이다. 개시된 실시예들은 예시적인 것이며, 한정적으로 해석되어서는 안 된다.
100 : 용접기 200 : 용접 현장/상태를 촬영하는 장치
300 : 용접검사 장치 400 : 용접 상태를 모니터링하는 장치

Claims (9)

  1. 용접 검사 장치에 의해 수행되는, 인공지능 알고리즘 기반의 용접 결함을 예측하는 방법에 있어서, 상기 방법은:
    하나 이상의 용접기와 관련된 제1 용접 모니터링 데이터 및 제1 비드 영상 데이터를 획득하는 단계;
    상기 제1 용접 모니터링 데이터 및 상기 제1 비드 영상 데이터에 대해 전처리를 수행하는 단계;
    상기 제1 비드 영상 데이터로부터 추출된 용접 이미지 중 용접 결함이 발생하는 제1 영역을 식별하고, 상기 제1 용접 모니터링 데이터 중 상기 제1 영역에 대응되는 특정 용접 모니터링 데이터를 식별하는 단계;
    상기 제1 영역에 발생한 용접 결함의 유형과 상기 특정 용접 모니터링 데이터에 대응되는 용접 결함의 유형이 동일한지 여부를 검증하는 단계;
    상기 제1 영역에 발생한 용접 결함의 유형과 상기 특정 용접 모니터링 데이터에 대응되는 용접 결함의 유형이 동일한 것으로 검증됨에 기반하여, 상기 용접 이미지에서 식별된 제1 영역에 대해 상기 특정 용접 모니터링 데이터를 매칭시키는 단계;
    상기 용접 이미지에서 식별된 제1 영역 및 상기 제1 영역에 매칭된 상기 특정 용접 모니터링 데이터에 기초하여, 상기 하나 이상의 용접기에 따른 용접 결함의 예측 정보를 출력하도록 인공지능(artificial intelligence, AI) 모델을 학습시키는 단계; 및
    특정 용접기와 관련된 제2 용접 모니터링 데이터 또는 제2 비드 영상 데이터 중의 적어도 하나를 획득함에 기반하여, 상기 제2 용접 모니터링 데이터 또는 상기 제2 비드 영상 데이터 중의 적어도 하나를 상기 학습된 AI 모델에 입력하여 상기 특정 용접기에 따른 용접 결함의 예측 정보를 획득하는 단계를 포함하고,
    상기 제1 용접 모니터링 데이터는,
    상기 하나 이상의 용접기에 의해 출력되는 전류, 전압, 송급 속도, 상기 하나 이상의 용접기를 둘러싸고 있는 습도, 상기 하나 이상의 용접기를 사용하는 시점 포함하고,
    상기 전처리를 수행하는 단계는,
    상기 제1 비드 영상 데이터로부터 하나 이상의 이미지 프레임을 추출하는 단계;
    상기 추출된 하나 이상의 이미지 프레임에 대해 모폴로지(morphology) 변환을 수행하고, 시계열 데이터로 구현된 상기 제1 용접 모니터링 데이터를 주파수 대역으로 변환하는 단계를 포함하고,
    상기 AI 모델을 통해 획득된 용접 결함의 예측 정보는 상기 특정 용접기와 관련된 하나 이상의 용접공이 이용하는 단말 장치로 전송되는, 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 제1항에 있어서,
    상기 특정 용접기에 의한 용접 결함의 예측 정보는,
    상기 제2 비드 영상 데이터 중 용접 결함이 발생한 제2 영역, 상기 제2 영역에서 용접 결함이 발생한 시기, 및 상기 제2 영역에서 발생한 용접 결함의 유형 중의 적어도 하나를 포함하는, 방법.
  6. 제5항에 있어서,
    상기 제2 비드 영상 데이터 중 상기 제2 영역 상에 상기 제2 영역에서 용접 결함이 발생한 시기 및 상기 제2 영역에서 발생한 용접 결함의 유형이 표시되는, 방법.
  7. 삭제
  8. 제1항에 있어서,
    상기 특정 용접기에 따른 실제 용접 결함 정보를 획득하는 단계; 및
    상기 실제 용접 결함 정보에 기초하여 상기 AI 모델을 추가 학습시키는 단계를 더 포함하는, 방법.
  9. 인공지능 알고리즘 기반의 용접 결함을 예측하는 용접 검사 장치에 있어서, 상기 용접 검사 장치는,
    하나 이상의 메모리; 및
    하나 이상의 프로세서를 포함하고,
    상기 하나 이상의 프로세서는,
    하나 이상의 용접기와 관련된 제1 용접 모니터링 데이터 및 제1 비드 영상 데이터를 획득하고,
    상기 제1 용접 모니터링 데이터 및 상기 제1 비드 영상 데이터에 대해 전처리를 수행하고,
    상기 제1 비드 영상 데이터로부터 추출된 용접 이미지 중 용접 결함이 발생하는 제1 영역을 식별하고, 상기 제1 용접 모니터링 데이터 중 상기 제1 영역에 대응되는 특정 용접 모니터링 데이터를 식별하고,
    상기 제1 영역에 발생한 용접 결함의 유형과 상기 특정 용접 모니터링 데이터에 대응되는 용접 결함의 유형이 동일한지 여부를 검증하고,
    상기 제1 영역에 발생한 용접 결함의 유형과 상기 특정 용접 모니터링 데이터에 대응되는 용접 결함의 유형이 동일한 것으로 검증됨에 기반하여, 상기 용접 이미지에서 식별된 제1 영역에 대해 상기 특정 용접 모니터링 데이터를 매칭시키고,
    상기 용접 이미지에서 식별된 제1 영역 및 상기 제1 영역에 매칭된 상기 특정 용접 모니터링 데이터에 기초하여, 상기 하나 이상의 용접기에 따른 용접 결함의 예측 정보를 출력하도록 인공지능(artificial intelligence, AI) 모델을 학습시키고,
    특정 용접기와 관련된 제2 용접 모니터링 데이터 또는 제2 비드 영상 데이터 중의 적어도 하나를 획득함에 기반하여, 상기 제2 용접 모니터링 데이터 또는 상기 제2 비드 영상 데이터 중의 적어도 하나를 상기 학습된 AI 모델에 입력하여 상기 특정 용접기에 따른 용접 결함의 예측 정보를 획득하고,
    상기 제1 용접 모니터링 데이터는,
    상기 하나 이상의 용접기에 의해 출력되는 전류, 전압, 송급 속도, 상기 하나 이상의 용접기를 둘러싸고 있는 습도, 상기 하나 이상의 용접기를 사용하는 시점 포함하고,
    상기 하나 이상의 프로세서는,
    상기 제1 비드 영상 데이터로부터 하나 이상의 이미지 프레임을 추출하고,
    상기 추출된 하나 이상의 이미지 프레임에 대해 모폴로지(morphology) 변환을 수행하고,
    시계열 데이터로 구현된 상기 제1 용접 모니터링 데이터를 주파수 대역으로 변환하고,
    상기 AI 모델을 통해 획득된 용접 결함의 예측 정보는 상기 특정 용접기와 관련된 하나 이상의 용접공이 이용하는 단말 장치로 전송되는, 용접 검사 장치.
KR1020230030978A 2023-03-09 2023-03-09 인공지능 알고리즘에 기초하여 실시간 용접 검사 및 불량 예방 서비스를 제공하는 방법 및 시스템 KR102572304B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230030978A KR102572304B1 (ko) 2023-03-09 2023-03-09 인공지능 알고리즘에 기초하여 실시간 용접 검사 및 불량 예방 서비스를 제공하는 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230030978A KR102572304B1 (ko) 2023-03-09 2023-03-09 인공지능 알고리즘에 기초하여 실시간 용접 검사 및 불량 예방 서비스를 제공하는 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR102572304B1 true KR102572304B1 (ko) 2023-08-28

Family

ID=87806241

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230030978A KR102572304B1 (ko) 2023-03-09 2023-03-09 인공지능 알고리즘에 기초하여 실시간 용접 검사 및 불량 예방 서비스를 제공하는 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102572304B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102646547B1 (ko) * 2023-11-01 2024-03-12 에프원테크시스템즈 주식회사 인공지능 모델을 활용한 사출 관련 정형 및 비정형 데이터 기반 금형 및 사출 상태 분석 솔루션 제공 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018192524A (ja) * 2017-05-12 2018-12-06 株式会社神戸製鋼所 自動溶接システム、溶接制御方法、及び機械学習モデル
KR20220162524A (ko) * 2021-06-01 2022-12-08 재단법인 중소조선연구원 인공지능 기반 용접품질 관리방법
KR20230010500A (ko) * 2021-07-12 2023-01-19 울산과학기술원 인공 지능을 이용하여, 조형물의 표면 조도를 예측하여 제공하는 장치 및 방법, 및 조형 조건을 예측하여 제공하는 장치 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018192524A (ja) * 2017-05-12 2018-12-06 株式会社神戸製鋼所 自動溶接システム、溶接制御方法、及び機械学習モデル
KR20220162524A (ko) * 2021-06-01 2022-12-08 재단법인 중소조선연구원 인공지능 기반 용접품질 관리방법
KR20230010500A (ko) * 2021-07-12 2023-01-19 울산과학기술원 인공 지능을 이용하여, 조형물의 표면 조도를 예측하여 제공하는 장치 및 방법, 및 조형 조건을 예측하여 제공하는 장치 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102646547B1 (ko) * 2023-11-01 2024-03-12 에프원테크시스템즈 주식회사 인공지능 모델을 활용한 사출 관련 정형 및 비정형 데이터 기반 금형 및 사출 상태 분석 솔루션 제공 방법

Similar Documents

Publication Publication Date Title
CN111539923B (zh) 一种焊缝缺陷的数字射线检测方法、系统及服务器
KR102572304B1 (ko) 인공지능 알고리즘에 기초하여 실시간 용접 검사 및 불량 예방 서비스를 제공하는 방법 및 시스템
CN108229485B (zh) 用于测试用户界面的方法和装置
US20210034044A1 (en) Method for quality controling of target object and edge computing device
CN104956339B (zh) 从视频生成软件测试脚本
JP6945373B2 (ja) 作業改善支援システム
CN107209922A (zh) 图像处理设备、图像处理系统、和图像处理方法
CN115439429A (zh) 一种焊缝质量实时在线评估方法、装置、存储介质和终端
US20230048386A1 (en) Method for detecting defect and method for training model
US20210224526A1 (en) Method and apparatus for detecting wearing of safety helmet, device and storage medium
CN111951225A (zh) 一种pcb焊接异常检测方法、装置及存储介质
CN111242167B (zh) 分布式图像标注方法、装置、计算机设备和存储介质
KR101876624B1 (ko) 디스플레이 장치의 표시부 정상상태를 무인 검사하는 방법 및 시스템
CN104748862A (zh) 分析装置和分析方法
EP3509035A1 (en) Testing a battery
CN104427210A (zh) 一种随机异常闪烁点检测方法及装置
US11836930B2 (en) Slip-to-slip connection time on oil rigs with computer vision
CN115756256A (zh) 信息标注的方法、系统、电子设备以及存储介质
US20140056489A1 (en) System and method for sharing media
CN115379197A (zh) 用于在生产线上检测摄像头产品的镜头表面的方法和装置
CN113468066A (zh) 用户界面测试方法及装置
CN114092965A (zh) 安全帽检测与颜色识别方法、系统、存储介质及计算机设备
CN112714284A (zh) 一种电力设备检测方法、装置及移动终端
JP2020024763A (ja) 反射検知システム
Gambrill et al. Narrow gap TIG arc weld process monitoring

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant