KR102646547B1 - 인공지능 모델을 활용한 사출 관련 정형 및 비정형 데이터 기반 금형 및 사출 상태 분석 솔루션 제공 방법 - Google Patents
인공지능 모델을 활용한 사출 관련 정형 및 비정형 데이터 기반 금형 및 사출 상태 분석 솔루션 제공 방법 Download PDFInfo
- Publication number
- KR102646547B1 KR102646547B1 KR1020230148705A KR20230148705A KR102646547B1 KR 102646547 B1 KR102646547 B1 KR 102646547B1 KR 1020230148705 A KR1020230148705 A KR 1020230148705A KR 20230148705 A KR20230148705 A KR 20230148705A KR 102646547 B1 KR102646547 B1 KR 102646547B1
- Authority
- KR
- South Korea
- Prior art keywords
- injection
- defect
- collection unit
- unstructured data
- data collection
- Prior art date
Links
- 238000002347 injection Methods 0.000 title claims abstract description 201
- 239000007924 injection Substances 0.000 title claims abstract description 201
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 71
- 238000004458 analytical method Methods 0.000 title claims abstract description 54
- 239000000243 solution Substances 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000007547 defect Effects 0.000 claims abstract description 226
- 238000013480 data collection Methods 0.000 claims abstract description 72
- 230000008569 process Effects 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000000746 purification Methods 0.000 claims abstract description 5
- 238000001816 cooling Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 239000011347 resin Substances 0.000 claims description 6
- 229920005989 resin Polymers 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 4
- 238000003058 natural language processing Methods 0.000 description 25
- 238000012545 processing Methods 0.000 description 20
- 238000010801 machine learning Methods 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000004801 process automation Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 235000019640 taste Nutrition 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
- B29C45/17—Component parts, details or accessories; Auxiliary operations
- B29C45/76—Measuring, controlling or regulating
- B29C45/768—Detecting defective moulding conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
- B29C45/17—Component parts, details or accessories; Auxiliary operations
- B29C45/76—Measuring, controlling or regulating
- B29C45/77—Measuring, controlling or regulating of velocity or pressure of moulding material
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
- B29C45/17—Component parts, details or accessories; Auxiliary operations
- B29C45/76—Measuring, controlling or regulating
- B29C45/78—Measuring, controlling or regulating of temperature
-
- 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
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76929—Controlling method
- B29C2945/76939—Using stored or historical data sets
- B29C2945/76949—Using stored or historical data sets using a learning system, i.e. the system accumulates experience from previous occurrences, e.g. adaptive control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76929—Controlling method
- B29C2945/76979—Using a neural network
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76929—Controlling method
- B29C2945/76993—Remote, e.g. LAN, wireless LAN
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
본 개시의 일 실시예에 따른, 사출 공정에 대한 정형 및 비정형 데이터와 인공지능 모델을 활용한 사출 상태 분석 솔루션 시스템은, 클라이언트 서버로부터 실시간 또는 주기적으로 사출품에 대한 불량 정보가 수집되는 품질 데이터 수집부, 사출 공정에서 발생되는 상기 불량 정보, 사출품의 불량 원인 및 사출품의 불량 해결책 중 적어도 하나를 포함하는 비정형 데이터(unstructured data)가 수집되는 비정형 데이터 수집부, 상기 비정형 데이터 수집부에 수집된 상기 비정형 데이터에 대한 전처리와 정제를 통해 표준화하고, 상기 비정형 데이터를 분석 가능한 형태로 변환하는 NLP 전처리부, 상기 NLP 전처리부를 통해 가공된 상기 비정형 데이터에 대한 정보가 저장되는 정형 데이터 수집부 및 상기 정형 데이터 수집부에 저장된 상기 불량 정보를 기초로 사출품의 불량 유형, 사출품의 불량 원인 및 사출품의 불량 해결책을 출력하도록 학습된 불량 분석 인공 지능 모델을 포함하고, 상기 불량 분석 인공 지능 모델은, 상기 불량 정보를 상기 정형 데이터 수집부에 저장된 불량 유형과 매칭하여 사출품의 불량 유형을 분류하고, 상기 불량 정보를 상기 정형 데이터 수집부에 저장된 불량 원인과 매칭하여 사출품의 불량 원인을 추출하고, 추출된 상기 불량 원인과 매칭되는 불량 해결책을 상기 정형 데이터 수집부에서 추출할 수 있다.
Description
본 문서에 개시된 다양한 실시예들은, 인공지능 모델을 활용한 사출 관련 정형 및 비정형 데이터 기반 금형 및 사출 상태 분석 솔루션 제공 방법에 관한 것이다.
다양한 산업 분야에서 제조되는 각종 제품은 소재의 결함이나 제조과정에서의 오류나 실수 등에 의해 표면에 스크래치, 이물질을 포함하는 각종 결함이 발생할 수 있는데, 이와 같은 표면상의 결함은 제품의 가치나 외관을 손상시킴에 다라 제조공정 과정에서 표면상의 결함을 가진 제품을 식별하여 제거하는 것이 바람직하다.
이를 위하여 검사원이 별도의 검사기구를 이용하거나 육안으로 제품과 같은 대상물의 표면을 일일이 검사할 수도 있으나, 인력과 시간이 많이 소요되는 문제점이 있다.
사출 공정을 통해 형성되는 사출품에는 다양한 불량이 발생될 수 있다. 금형은 대량 생산에 사용되는 도구이므로, 사출품에 발생되는 불량이 많아질수록 손해의 정도가 증가될 수 있다.
종래에는 사출품의 불량을 해소하기 위해 검사원이 금형 및 사출기의 셋팅 값을 수동으로 조절하였으며, 실험을 통해 금형 및 사출기의 최적의 셋팅 값을 설정하였다. 다만, 실험을 통한 셋팅 값 설정은 정확성이 떨어지며, 최적의 셋팅 값을 도출하기까지 지속적으로 실험을 하는데 비용이 소비되는 문제가 있다.
본 개시를 통해 해결하고자 하는 과제는 인공 지능 모델을 이용하여 사출품의 불량 원인 및 이에 대한 해결책을 제안하는 것이다. 특히, 인공 지능 모델을 통해 사출품의 불량 원인 및 해결책을 탐색함에 있어서, 정형 데이터뿐만 아니라 비정형 데이터를 사용할 수 있다.
본 개시의 일 실시예에 따른, 사출 공정에 대한 정형 및 비정형 데이터와 인공지능 모델을 활용한 사출 상태 분석 솔루션 시스템은, 클라이언트 서버로부터 실시간 또는 주기적으로 사출품에 대한 불량 정보가 수집되는 품질 데이터 수집부, 사출 공정에서 발생되는 상기 불량 정보, 사출품의 불량 원인 및 사출품의 불량 해결책 중 적어도 하나를 포함하는 비정형 데이터(unstructured data)가 수집되는 비정형 데이터 수집부, 상기 비정형 데이터 수집부에 수집된 상기 비정형 데이터에 대한 전처리와 정제를 통해 표준화하고, 상기 비정형 데이터를 분석 가능한 형태로 변환하는 NLP 전처리부, 상기 NLP 전처리부를 통해 가공된 상기 비정형 데이터에 대한 정보가 저장되는 정형 데이터 수집부 및 상기 정형 데이터 수집부에 저장된 상기 불량 정보를 기초로 사출품의 불량 유형, 사출품의 불량 원인 및 사출품의 불량 해결책을 출력하도록 학습된 불량 분석 인공 지능 모델을 포함하고, 상기 불량 분석 인공 지능 모델은, 상기 불량 정보를 상기 정형 데이터 수집부에 저장된 불량 유형과 매칭하여 사출품의 불량 유형을 분류하고, 상기 불량 정보를 상기 정형 데이터 수집부에 저장된 불량 원인과 매칭하여 사출품의 불량 원인을 추출하고, 추출된 상기 불량 원인과 매칭되는 불량 해결책을 상기 정형 데이터 수집부에서 추출할 수 있다.
본 개시의 일 실시예에 따르면, 인공 지능 모델을 이용하여 사출품에 발생된 불량의 원인 및 이에 대한 해결책을 제시할 수 있다. 특히, 인공 지능 모델을 통해 사출품의 불량 원인 및 해결책을 탐색함에 있어서, 정형 데이터뿐만 아니라 비정형 데이터를 사용할 수 있다. 인공 지능 모델은 사출품의 불량 원인 해소를 위한 금형 및 사출기의 셋팅 값 및 조건을 출력할 수 있다. 따라서, 종래와 같이 작업자가 수동으로 금형 및 사출기의 셋팅 값을 설정하는 것과 비교하여 문제 해결의 정확성 및 비용이 감소될 수 있다.
도면의 설명과 관련하여, 동일 또는 유사한 구성 요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.
도 1은 본 개시의 일 실시예에 따른, 관리자 서버와 클라이언트 서버가 네트워크를 통해 통신적으로 연결된 상태를 설명하는 도면이다.
도 2는 본 개시의 일 실시예에 따른, 비정형 데이터 처리 모듈의 구성을 설명하는 도면이다.
도 3은 본 개시의 일 실시예에 따른 비정형 데이터를 가공하여 사출품의 불량을 분석하는 과정을 설명하는 도면이다.
도 4는 본 개시의 일 실시예에 따른 비정형 데이터를 이용하여 사출품의 불량 유형을 자동으로 분류하는 과정을 설명하는 도면이다.
도 5는 본 개시의 일 실시예에 따른 비정형 데이터를 이용하여 사출품의 불량 원인 및 불량 해결책을 도출하는 과정을 설명하는 도면이다.
도 1은 본 개시의 일 실시예에 따른, 관리자 서버와 클라이언트 서버가 네트워크를 통해 통신적으로 연결된 상태를 설명하는 도면이다.
도 2는 본 개시의 일 실시예에 따른, 비정형 데이터 처리 모듈의 구성을 설명하는 도면이다.
도 3은 본 개시의 일 실시예에 따른 비정형 데이터를 가공하여 사출품의 불량을 분석하는 과정을 설명하는 도면이다.
도 4는 본 개시의 일 실시예에 따른 비정형 데이터를 이용하여 사출품의 불량 유형을 자동으로 분류하는 과정을 설명하는 도면이다.
도 5는 본 개시의 일 실시예에 따른 비정형 데이터를 이용하여 사출품의 불량 원인 및 불량 해결책을 도출하는 과정을 설명하는 도면이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 “연결되어” 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, “포함하다” 또는 “가지다” 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.
일 실시예에서 인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙(Rule) 기반의 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템 은 사용할수록 인식률이 향상되고 판매자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반의 스마트 시스템은 점차 심층 학습(Deep Learning) 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계 학습 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 심층 학습 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제 어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술 로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험 정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 심층 학습의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.
도 1은 본 개시의 일 실시예에 따른, 관리자 서버와 클라이언트 서버가 네트워크를 통해 통신적으로 연결된 상태를 설명하는 도면이다.
일 실시예에 따르면, 도 1에 도시된 것과 같이, 관리자 서버(100) 및 클라이언트 서버(200)는 네트워크(10)를 통해 통신적으로 연결될 수 있다. 일 실시예에서, 네트워크는 유선 및 무선 등과 같이 그 통신 양태를 가리지 않고 구성될 수 있으며, 서버와 서버 간의 통신과 서버와 단말 간의 통신이 수행되도록 다양한 형태로 구현될 수 있다.
일 실시예에서, 네트워크(10)는 대용량, 장거리 음성 및 데이터 서비스가 가능한 대형 통신망의 고속 기간 망인 통신망일 수 있으며, 인터넷(internet) 또는 고속의 멀티미디어 서비스를 제공하기 위한 차세대 유선 및 무선 망일 수 있다. 예를 들어, 네트워크(10)는 RF, 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5GPP(5rd Generation Partnership Project) 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, NFC 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
일 실시예에서, 사용자 단말기(미도시)는 클라이언트 서버(200)와 통신적으로 연결될 수 있다. 일 실시예에서, 사용자 단말기에는 사출품의 불량 정보, 사출기의 불량 정보 및/또는 금형의 불량 정보를 입력하는 어플리케이션이 설치될 수 있다. 일 실시예에서, 클라이언트 서버(200)는 사용자 단말기를 통해 사출품의 불량 정보, 사출기의 불량 정보 및/또는 금형의 불량 정보를 전송 받을 수 있다.
일 실시예에서, 사출품은 금형을 통해 제작될 수 있다. 예를 들어, 용융된 수지가 사출기의 노즐을 통해 금형 내부로 유입될 수 있다. 용융된 수지는 사출기의 노즐 - 스프루 - 게이트를 통과하여 사출품이 형성되는 캐비티(cavity) 내부로 유입될 수 있다. 캐비티는 음각 또는 양각의 패턴을 포함하며, 사출품의 외관을 본뜬 일종의 틀일 수 있다.
일 실시예에 따르면, 사용자 단말기는 다양한 종류의 단말기일 수 있다. 일 실시예에서, 단말기는 PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트 폰(smartphone), 스마트 패드(smart pad), 타블렛 PC(Tablet PC) 등과 같이 통신 가능한 휴대통신기기를 포함할 수도 있다.
도 2는 본 개시의 일 실시예에 따른, 비정형 데이터 처리 모듈의 구성을 설명하는 도면이다. 도 3은 본 개시의 일 실시예에 따른 비정형 데이터를 가공하여 사출품의 불량을 분석하는 과정을 설명하는 도면이다.
일 실시예에 따르면, 도 2에 도시된 것과 같이, 관리자 서버(100)는 비정형 데이터 처리 모듈(300)을 포함할 수 있다. 일 실시예에서, 비정형 데이터 처리 모듈(300)은 비정형 데이터(unstructured data)를 정형 데이터로 전환하는 모듈일 수 있다. 일 실시예에서, 정형 데이터(structured data)는 고정된 형식과 구조를 가진 데이터일 수 있다. 일 실시예에서, 정형 데이터는 데이터베이스, 스프레드시트와 같은 행과 열로 구성된 표 형태일 수 있다. 일 실시예에서, 비정형 데이터는 고정된 구조나 형식이 없는 데이터일 수 있다. 예를 들어, 비정형 데이터는 텍스트, 이미지, 오디오, 비디오, 소셜 미디어 게시물, 이메일, 웹페이지일 수 있다. 일 실시예에서, 비정형 데이터는 텍스트 마이닝, 이미지 분석, 음성 인식, 기계 학습 및/또는 딥러닝을 통해 분석 가능한 형태로 변환될 수 있다.
일 실시예에서, 도 2를 비정형 데이터 처리 모듈(300)은 정형 데이터 수집부(310), 비정형 데이터 수집부(320), NLP(Natural Language Processing) 전처리부(330), 용어 사전부, 단어 치환부(350), 품질 데이터 수집부(360) 및/또는 불량 분석 인공 지능 모델(370)을 포함할 수 있다.
일 실시예에서, 정형 데이터 수집부(310)는 정형 데이터를 수집하는 구성일 수 있다. 일 실시예에서, 정형 데이터 수집부(310)는 NLP 전처리부(330)를 통해 표준화 또는 정형 데이터 형식(예: 스프레드 시트)으로 가공된 비정형 데이터에 대한 정보를 저장할 수 있다.
일 실시예에서, 비정형 데이터 수집부(320)는 비정형 데이터가 문서화된 보고서(예: word, 한글, excel 파일), PDF 파일, 이미지, 음성, 비디오를 수집하는 구성일 수 있다. 일 실시예에서, 클라이언트 서버(200)로부터 전송된 사출품의 불량 정보에 대한 텍스트, 이미지, 비디오 파일은 품질 데이터 수집부(360)에 전송된 뒤, 비정형 데이터 수집부(320)로 전달될 수 있다. 일 실시예에서, 불량 분석 인공 지능 모델(370)의 학습에 사용되는 사출품의 불량에 대한 빅데이터, 사출품의 불량에 대한 원인을 포함하는 빅데이터, 사출품의 불량 원인에 대한 해결책을 포함하는 빅데이터 중 비정형 형식의 데이터는 비정형 데이터 수집부(320)에 수집될 수 있다. 예를 들어, 비정형 데이터 수집부(320)에는 사출품의 불량 유형, 불량 원인 및 불량 해결책에 대한 비정형 데이터가 크롤링되어 수집될 수 있다. 후술할 바와 같이, 불량 분석 인공 지능 모델(370)은 비정형 데이터 수집부(320)에 수집된 정보가 NLP 전처리부(330)를 통해 입력 가능한 데이터로 전환됨에 따라 상기 데이터를 기초로 클라이언트 서버(200)로부터 전송된 사출품의 불량 정보를 해석하고, 불량 원인을 규명하여 이에 대한 해결책을 출력할 수 있다.
일 실시예에서, NLP 전처리부(330)는 비정형 데이터 수집부(320)에 수집된 비정형 데이터에 대한 전처리(preprocessing), 정제 및 노이즈 제거를 통해 표준화하고, 비정형 데이터를 분석 가능한 형태로 변환하는 구성일 수 있다. 일 실시예에서, NLP 전처리부(330)는 자연어 전처리(NLP (Natural Language Processing))를 통해 비정형 데이터를 표준화할 수 있다. 일 실시예에서, NLP는 컴퓨터가 인간 언어를 이해하여 인간과 유사한 음성 및 텍스트를 생성할 수 있도록 하는 일종의 AI 도구이며, RPA(Robotic Process Automation) 구현 시 적용되는 도구일 수 있다. 일 실시예에서, NLP를 이용한 전처리는 텍스트 데이터에서 노이즈를 제거하고 유용한 정보를 추출하여 자연어 처리 작업, 텍스트 마이닝, 기계 학습 및 텍스트 분석과 같은 과제를 위한 데이터 품질과 일관성을 향상시킬 수 있다. NLP 전처리부(330)를 통한 비정형 데이터의 전처리 방식은 다음과 같을 수 있다. 일 실시예에서, 비정형 데이터에서 추출된 텍스트 데이터는 토큰화를 통해 텍스트를 단어, 구절 또는 문장과 같은 의미 단위로 분할할 수 있다. 토큰화는 데이터를 처리 가능한 형태로 나누는 단계일 수 있다. 이후, 토큰화된 텍스트 데이터에서 불필요한 용어인 불용어를 제거할 수 있다. 예를 들어, 문맥에서 중요하지 않은 관사가 텍스트 데이터에서 제거될 수 있다. 이후, 불용어가 제거된 텍스트 데이터에서 어간 추출 및 표제어 추출을 할 수 있다. 텍스트 내의 단어를 기본 형태로 변환할 수 있다. 예를 들어, "running"을 "run"으로 변환하는 것이 어간 추출이고, "better"를 "good"으로 변환하는 것이 표제어 추출일 수 있다. 이후, 텍스트 데이터에서 특수 문자나 숫자와 같이 불필요한 노이즈가 제거될 수 있다. 이후, 동의어나 다의어와 같은 단어 다양성을 줄이기 위해 유사한 의미를 갖는 단어를 동일한 형태로 통합할 수 있다. 이후, 텍스트 데이터에서 n-그램을 생성할 수 있다. n-그램은 연속된 n개의 단어로 구성된 구문일 수 있다. 이를 사용하여 연속성을 갖는 단어 조합을 추출하고 분석에 활용할 수 있다. 이후, 텍스트 데이터를 정리하고 특정 작업을 위해 필요한 형식으로 구성하며, 필요한 경우 레이블을 추가하여 지도 학습 작업을 수행할 수 있다. 예를 들어, NLP 전처리부를 통해 비정형 데이터로부터 가공된 텍스트 데이터는 정형 데이터 형식으로 가공될 수 있다. 최종적으로 전처리된 텍스트 데이터를 학습, 검증 및 테스트 데이터로 분할하여 사용할 수 있다.
일 실시예에서, 용어 사전부(340)는 사출 공정 업계에서 사용되는 용어가 저장된 데이터베이스(database)일 수 있다. 일 실시예에서, 단어 치환부(350)는 용어 사전부(340)의 용어로 단어를 대체하는 엔진일 수 있다. 일 실시예에서, NLP 전처리부(330)를 통해 표준화된 비정형 데이터는 텍스트 정보는 단어 치환부(350)를 통해 용어 사전부(340)에 저장된 용어로 치환될 수 있다.
일 실시예에서, 품질 데이터 수집부(360)는 클라이언트 서버(200)로부터 실시간 또는 주기적으로 사출품에 대한 불량 정보가 수집되는 구성일 수 있다. 일 실시예에서, 품질 데이터 수집부(360)는 클라이언트 서버(200)로부터 전송된 사출품에 대한 불량 정보를 포함하는 비정형 데이터를 비정형 데이터 수집부(320)로 전달할 수 있다. 일 실시예에서, 품질 데이터 수집부(360)는 클라이언트 서버(200)로부터 전송된 사출품에 대한 불량 정보를 포함하는 정형 데이터를 정형 데이터 수집부(310)로 전달할 수 있다.
일 실시예에서, 불량 분석 인공 지능 모델(370)은 클라이언트 서버(200)로부터 전송된 사출품의 불량 정보를 해석하고, 비정형 데이터가 NLP 전처리되어 정형 데이터 수집부에 저장된 정보를 기초로 불량 유형을 분류하고, 불량 원인과 이에 매칭되는 불량 해결책을 추출하도록 학습된 인공 지능 알고리즘일 수 있다. 일 실시예에서, 불량 분석 인공 지능 모델(370)은 클라이언트 서버(200)로부터 전송된 불량 정보를 정형 데이터 수집부(310)에 저장된 불량 유형과 매칭하여 사출품의 불량 유형을 분류할 수 있다. 일 실시예에서, 불량 분석 인공 지능 모델(370)은 클라이언트 서버(200)로부터 전송된 불량 정보를 정형 데이터 수집부(310)에 저장된 불량 원인과 매칭하여 사출품의 불량 원인을 추출하고, 추출된 불량 원인과 매칭되는 불량 해결책을 정형 데이터 수집부(310)에서 추출할 수 있다.
일 실시예에서, 인공지능(Artificial Intelligence, AI)(예: 불량 분석 인공 지능 모델(370))은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시 각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.
기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신 경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.
인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스 트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.
이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성 곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드 포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.
컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능 한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고 리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이 터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신 경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.
일 실시예에서, 클라이언트 서버(200)로부터 전송된 사출품의 불량 정보를 기초로 불량 원인 및 해결책을 추출하는 일련의 과정은 다음과 같을 수 있다. 일 실시예에서, 도 3을 참조하면, 클라이언트 서버(200)로부터 전송된 사출품의 불량 정보에 대한 텍스트, 이미지, 비디오 파일은 품질 데이터 수집부(360)에 전송된 뒤, 비정형 데이터 수집부(320)로 전달될 수 있다. 비정형 데이터 수집부(320)에는 클라이언트 서버(200)로부터 전송된 불량 정보뿐만 아니라, 문서화된 보고서(예: word, 한글, excel 파일), PDF 파일, 이미지(예: 사출품 불량 이미지), 사운드, 비디오 형식의 비정형 데이터로써 사출품의 불량 유형, 불량 원인 및 불량 해결책을 포함하는 데이터가 수집될 수 있다. 이후, NLP 전처리부(330)를 통해 비정형 데이터 수집부(320)에 수집된 비정형 데이터에 대한 전처리(preprocessing), 정제 및 노이즈 제거를 통해 표준화되고, 비정형 데이터를 분석 가능한 형태로 변환할 수 있다. 예를 들어, 비정형 데이터는 정형 데이터 형식으로 변환될 수 있다. 일 실시예에서, NLP 전처리부(330)를 통해 표준화된 비정형 데이터는 텍스트 정보는 단어 치환부(350)를 통해 용어 사전부(340)에 저장된 용어로 치환되어 정형 데이터 수집부(310)에 저장될 수 있다. 이후, 일 실시예에서, 불량 분석 인공 지능 모델(370)은 클라이언트 서버(200)로부터 전송된 불량 정보를 정형 데이터 수집부(310)에 저장된 불량 원인과 매칭하여 사출품의 불량 원인을 추출하고, 추출된 불량 원인과 매칭되는 불량 해결책을 정형 데이터 수집부(310)에서 추출할 수 있다. 예를 들어, 도 5를 참조하면, 불량 분석 인공 지능 모델(370)은 사출품의 불량 정보를 '미성형', '플렉쉬', '싱크마크', '플로우 마크'와 같이 불량 원인으로 분류하고, 각 불량 원인과 맵핑되는 불량 해결책을 출력할 수 있다. 일 실시예에서, 불량 분석 인공 지능 모델(370)은 사출품의 불량 원인, 불량 해결책, 금형의 고장 여부, 사출기의 고장 여부의 상관 관계를 연산하여 대시보드 형태로 출력할 수 있다.
도 4는 본 개시의 일 실시예에 따른 비정형 데이터를 이용하여 사출품의 불량 유형을 자동으로 분류하는 과정을 설명하는 도면이다. 도 5는 본 개시의 일 실시예에 따른 비정형 데이터를 이용하여 사출품의 불량 원인 및 불량 해결책을 도출하는 과정을 설명하는 도면이다.
일 실시예에 따르면, 도 4에 도시된 것과 같이, 불량 분석 인공 지능 모델(370)을 통해 클라이언트 서버(200)로부터 전송된 사출품의 불량 유형을 분류하는 일련의 과정은 다음과 같을 수 있다. 일 실시예에서, 품질 데이터 수집부(360)는 클라이언트 서버(200)로부터 사출품의 불량 정보를 포함한 비정형 데이터가 전송될 수 있다. 일 실시예에서, 사출품의 불량 정보는 '표면에 뿌연 자국', '성형이 덜 되었음', '사출품의 수축률 이상', '사출품의 수치 이상'과 같은 텍스트 정보를 포함할 수 있다. 일 실시예에서, 클라이언트 서버(200)로부터 전송된 비정형 데이터에는 사출품의 불량 증상을 촬영한 이미지 파일 및/또는 영상이 포함될 수 있다. 일 실시예에서, 클라이언트 서버(200)로부터 전송된 비정형 데이터 형식의 사출품 불량 정보는 비정형 데이터 수집부(320)로 전달될 수 있다. 이후, NLP 전처리부(330)는 비정형 데이터를 표준화 또는 정형 데이터 형식(예: 스프레드 시트)으로 가공할 수 있다. 예를 들어, 비정형 데이터에 포함된 텍스트 정보는 전처리 과정을 통해 '표면', “뿌연', '자국', '성형' '덜', '되었음', '사출품', '수축률' '수치', '비정상'과 같이 가공될 수 있다. 일 실시예에서, NLP 전처리부(330)를 통해 표준화된 비정형 데이터는 텍스트 정보는 단어 치환부(350)를 통해 용어 사전부(340)에 저장된 용어로 치환되어 정형 데이터 수집부(310)에 저장될 수 있다. 일 실시예에서, 불량 분석 인공 지능 모델(370)은 클라이언트 서버(200)로부터 전송되어 전처리 과정을 거친 불량 정보를 정형 데이터 수집부(310)에 저장된 불량 유형과 맵핑하여 불량 유형을 확정할 수 있다. 예를 들어, 불량 분석 인공 지능 모델(370)은 불량 유형이 '표면', '뿌연', '자국'에 대한 텍스트 정보를 포함하는 경우, 미성형 불량 유형으로 맵핑할 수 있다. 또한, 불량 분석 인공 지능 모델(370)은 불량 유형이 '성형' '덜', '되었음'에 대한 텍스트 정보를 포함하는 경우 미성형 불량 유형으로 맵핑할 수 있다. 또한, 불량 분석 인공 지능 모델(370)은 불량 유형이 '사출품' '수축률', '비정상'에 대한 텍스트 정보를 포함하는 경우 미성형 불량 유형으로 맵핑할 수 있다. 또한, 불량 분석 인공 지능 모델(370)은 불량 유형이 '사출품' '수치', '비정상'에 대한 텍스트 정보를 포함하는 경우 미성형 불량 유형으로 맵핑할 수 있다.
일 실시예에 따르면, 도 5에 도시된 것과 같이, 불량 분석 인공 지능 모델(370)을 통해 클라이언트 서버(200)로부터 전송된 사출품의 불량 원인을 분석하고 해결책을 추천하는 일련의 과정은 다음과 같을 수 있다. 일 실시예에서, 비정형 데이터 수집부(320)는 불량 분석 인공 지능 모델(370)의 학습에 사용되는 사출품의 불량에 대한 빅데이터, 사출품의 불량에 대한 원인을 포함하는 빅데이터, 사출품의 불량 원인에 대한 해결책을 포함하는 빅데이터 중 비정형 형식의 데이터를 수집할 수 있다. 예를 들어, 비정형 데이터는 문서화된 보고서(예: word, 한글, excel 파일), PDF 파일, 이미지, 음성, 비디오에 포함된 텍스트 정보를 포함할 수 있다. 예를 들어, 비정형 데이터에는 '사출압력 부조', '수지의 유동성 부족', '사출속도가 지나치게 빠름' '사출기의 노즐에서 금형의 캐비티로 이동 과정에서 사출 압력 저하', '노즐의 직경이 작음', '사출 용량이 사출품 제작에 필요 용량보다 작음'과 같은 텍스트 정보가 포함될 수 있다. 이후, NLP 전처리부(330)는 비정형 데이터를 표준화 또는 정형 데이터 형식(예: 스프레드 시트)으로 가공할 수 있다. 일 실시예에서, NLP 전처리부(330)를 통해 표준화된 비정형 데이터는 텍스트 정보는 단어 치환부(350)를 통해 용어 사전부(340)에 저장된 용어로 치환되어 정형 데이터 수집부(310)에 저장될 수 있다. 일 실시예에서, 불량 분석 인공 지능 모델(370)은 클라이언트 서버(200)로부터 전송된 사출품의 불량 정보를 전처리 과정을 거친 불량 원인과 매핑하여 사출품의 불량 원인을 분류할 수 있다. 이후, 불량 원인과 맵핑된 해결책을 출력할 수 있다.
일 실시예에서, 관리자 서버(100)는 불량 분석 인공 지능 모델(370)에서 출력된 사출품의 불량 유형, 불량 원인, 불량 해결책에 대한 정보를 포함하는 데이터를 클라이언트 서버(200)에 전송할 수 있다. 일 실시예에서, 불량 유형, 불량 원인, 불량 해결책에 대한 정보를 포함하는 데이터는 표 형식의 스프레드 시트, 텍스트 정보를 포함하는 문서 파일 형식일 수 있다. 일 실시예에서, 불량 해결책은 불량 원인을 해결하기 위한 사출기의 사출 온도, 금형의 온도, 사출기의 사출 압력, 사출기의 사출 속도, 사출품의 냉각 시간에 대한 정보, 사출기의 사출 용량, 사출기의 노즐 길이 중 적어도 하나가 포함될 수 있다. 금형 및 사출기의 작업원은 클라이언트 서버(200)에 전송된 불량 해결책에 포함된 정보에 따라 사출기 및 금형의 셋팅 값을 조절할 수 있다. 일 실시예에서, 작업원은 사출기의 사출 온도, 사출 속도, 사출 압력, 사출기의 사출 용량, 사출기의 노즐 길이를 조절할 수 있다. 또한, 작업원은 금형 내부 온도, 금형의 내부 압력, 금형의 스프루 길이 및 게이트 길이를 조절할 수 있다.
본 개시의 일 실시예에 따르면, 불량 분석 인공 지능 모델(370)을 이용하여 사출품에 발생된 불량의 원인 및 이에 대한 해결책을 제시할 수 있다. 특히, 불량 분석 인공 지능 모델(370)을 통해 사출품의 불량 원인 및 해결책을 탐색함에 있어서, 정형 데이터뿐만 아니라 비정형 데이터를 사용할 수 있다. 불량 분석 인공 지능 모델(370)은 사출품의 불량 원인 해소를 위한 금형 및 사출기의 셋팅 값 및 조건을 출력할 수 있다. 따라서, 종래와 같이 작업자가 수동으로 금형 및 사출기의 셋팅 값을 설정하는 것과 비교하여 문제 해결의 정확성 및 비용이 감소될 수 있다.
일 실시예에 따르면, 정형 데이터 수집부(310)에는 사출품의 불량 원인과 연관된 사출 장치의 부품 정보가 저장될 수 있다. 일 실시예에서, 사출 장치는 금형 및/또는 사출기일 수 있다. 불량 분석 인공 지능 모델(370)은 사출품의 불량 원인과 정형 데이터 수집부(310)에 저장된 정보를 비교하여 사출품의 불량 원인과 연관된 사출 장치의 부품 정보를 추출할 수 있다. 일 실시예에서, 불량 분석 인공 지능 모델(370)은 하기의 수학식 1에 따라 연산된 값이 0.1을 초과함에 기초하여 사출 장치의 부품 교체를 결정할 수 있다.
수학식 1:
일 실시예에서, 수학식 1의 '특정 사출 장치를 통해 형성된 사출품의 불량 원인과 특정 사출 장치의 부품 연관 횟수'는 사출품의 불량 원인과 사출 장치의 부품의 연관 횟수를 의미할 수 있다. 일 실시예에서, 수학식 1의 '단위 기간'은 시간, 일(day), 주(week), 달(month)로 설정될 수 있다.
일 실시예에 따르면, 품질 데이터 수집부(360)는 클라이언트 서버(200)로부터 전송된 비정형 데이터인 사출품을 촬영한 영상, 사출품의 부위별 목표 수축률, 사출품을 구성하는 수지의 소재, 사출기의 사출 온도, 사출기의 내부 온도, 금형의 내부 온도, 사출기의 사출 압력, 사출기의 사출 속도, 사출품의 냉각 시간 및 사출품의 부위별 목표 치수에 대한 정보를 비정형 데이터 수집부(320)로 전달할 수 있다. 비정형 데이터 수집부(320)에 전달된 상기 비정형 데이터는 NLP 전처리부(330)을 통해 불량 분석 인공 지능 모델(370)에 입력 가능한 형태로 가공되어 정형 데이터 수집부(310)에 저장될 수 있다. 일 실시예에서, 불량 분석 인공 지능 모델(370)은 사출품을 촬영한 영상을 단위 크기로 분할하고, 분할된 조각별로 사출품의 수축률을 확인할 수 있다. 불량 분석 인공 지능 모델(370)은 분할된 조각에서 확인된 사출품의 수축률이 사출품의 부위별 목표 수축률보다 낮음에 기초하여 사출품에서 분할된 조각이 위치하는 부분을 출력할 수 있다. 이후, 불량 분석 인공 지능 모델(370)은 사출품에서 분할된 조각이 위치하는 부분의 수축률이 사출품의 부위별 목표 수축률에 도달하기 위한 사출기의 사출 온도, 금형의 온도, 사출기의 사출 압력, 사출기의 사출 속도 및/또는 사출품의 냉각 시간에 대한 정보를 출력할 수 있다.
일 실시예에 따르면, 품질 데이터 수집부(360)는 클라이언트 서버(200)로부터 전송된 비정형 데이터인 사출기 및 금형의 부위별 온도 분포를 포함하는 열 화상 영상, 사출품을 구성하는 수지의 소재, 사출기의 사출 온도, 사출기의 내부 온도, 금형의 내부 온도, 사출기의 사출 압력, 사출기의 사출 속도, 사출품의 냉각 시간 및 사출품의 부위별 목표 치수에 대한 정보를 비정형 데이터 수집부(320)로 전달할 수 있다. 비정형 데이터 수집부(320)에 전달된 상기 비정형 데이터는 NLP 전처리부(330)을 통해 불량 분석 인공 지능 모델(370)에 입력 가능한 형태로 가공되어 정형 데이터 수집부(310)에 저장될 수 있다. 일 실시예에서, 불량 분석 인공 지능 모델(370)은 사출기의 온도 분포 및 금형의 온도 분포를 확인하고, 비정형 데이터 수집부(320)에 수집된 사출품 형성에 필요한 사출기의 내부 온도 및 금형의 내부 온도 임계값을 확인할 수 있다. 불량 분석 인공 지능 모델(370)은 사출기의 온도 분포 및 금형의 온도 분포가 임계값에 도달하기 위한 사출기의 내부 온도 설정값 및 금형의 내부 온도 설정값을 출력할 수 있다.
일 실시예에 따르면, 불량 분석 인공 지능 모델(370)은 클라이언트 서버(200)로부터 품질 데이터 수집부(360)에 전송된 불량 해결책의 피드백을 확인할 수 있다. 일 실시예에서, 불량 해결책의 피드백에는 불량 분석 인공 지능 모델(370)로부터 출력된 불량 해결책을 통해 사출품의 불량 문제가 해소되었는지 여부를 확인할 수 있다. 일 실시예에서, 피드백은 정형 데이터일 수 있으며, 텍스트 정보, 이미지 정보 및/또는 영상 정보를 포함하는 비정형 데이터일 수 있다. 일 실시예에서, 피드백은 사출품에 대한 불량 원인이 해소되지 않았다는 정보 및/또는 새로운 불량이 발생한 정보를 포함할 수 있다. 불량 분석 인공 지능 모델(370)은 피드백에 포함된 사출품에 대한 불량 원인이 해소되지 않았다는 정보 및/또는 새로운 불량이 발생한 정보를 학습하여 새로운 불량 해결책을 출력할 수 있다. 예를 들어, 불량 분석 인공 지능 모델(370)은 사출품의 불량 유형, 불량 원인 및 사출품의 불량 해결책의 상관 관계를 분석할 수 있다. 일 실시예에서, 불량 분석 인공 지능 모델(370)은 정형 데이터 수집부(310)에 저장된 정보를 기초로 사출품의 불량 유형에 대해 상관 관계가 높은 불량 원인 순으로 정렬할 수 있다. 이후, 불량 분석 인공 지능 모델(370)은 각 불량 원인에 대응되는 불량 해결책을 출력할 수 있다. 불량 분석 인공 지능 모델(370)에서 출력된 불량 해결책에는 새롭게 발생된 사출품의 불량에 대한 해결 방안이 포함될 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.
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.
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.
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 청구범위의 범위에 속한다.
10: 네트워크
100: 관리자 서버
200: 클라이언트 서버
300: 비정형 데이터 처리 모듈
100: 관리자 서버
200: 클라이언트 서버
300: 비정형 데이터 처리 모듈
Claims (3)
- 사출 공정에 대한 정형 및 비정형 데이터와 인공지능 모델을 활용한 사출 상태 분석 솔루션 시스템에 있어서,
클라이언트 서버로부터 실시간 또는 주기적으로 사출품에 대한 불량 정보가 수집되는 품질 데이터 수집부;
사출 공정에서 발생되는 상기 불량 정보, 사출품의 불량 원인 및 사출품의 불량 해결책 중 적어도 하나를 포함하는 비정형 데이터(unstructured data)가 수집되는 비정형 데이터 수집부;
상기 비정형 데이터 수집부에 수집된 상기 비정형 데이터에 대한 전처리와 정제를 통해 표준화하고, 상기 비정형 데이터를 분석 가능한 형태로 변환하는 NLP 전처리부;
상기 NLP 전처리부를 통해 가공된 상기 비정형 데이터에 대한 정보가 저장되는 정형 데이터 수집부; 및
상기 정형 데이터 수집부에 저장된 상기 불량 정보를 기초로 사출품의 불량 유형, 사출품의 불량 원인 및 사출품의 불량 해결책을 출력하도록 학습된 불량 분석 인공 지능 모델;을 포함하고,
상기 불량 분석 인공 지능 모델은,
상기 불량 정보를 상기 정형 데이터 수집부에 저장된 불량 유형과 매칭하여 사출품의 불량 유형을 분류하고,
상기 불량 정보를 상기 정형 데이터 수집부에 저장된 불량 원인과 매칭하여 사출품의 불량 원인을 추출하고,
추출된 상기 불량 원인과 매칭되는 불량 해결책을 상기 정형 데이터 수집부에서 추출하고,
상기 사출품의 상기 불량 원인과 상기 정형 데이터 수집부에 저장된 정보를 비교하여 상기 불량 원인과 연관된 사출 장치의 부품 정보를 추출하고,
하기 수학식 1에 따라 연산된 값이 0.1을 초과함에 기초하여 상기 불량 원인과 연관된 상기 사출 장치의 부품의 교체를 결정하고,
수학식 1:
상기 품질 데이터 수집부는,
상기 클라이언트 서버로부터 전송된 비정형 데이터인 사출품을 촬영한 영상, 상기 사출품의 부위별 목표 수축률, 상기 사출품을 구성하는 수지의 소재, 사출기의 사출 온도, 상기 사출기의 내부 온도, 금형의 내부 온도, 상기 사출기의 사출 압력, 상기 사출기의 사출 속도, 상기 사출품의 냉각 시간 및 상기 사출품의 부위별 목표 치수에 대한 정보를 상기 비정형 데이터 수집부에 전달하고,
상기 불량 분석 인공 지능 모델은,
상기 사출품을 촬영한 영상을 단위 크기로 분할하고, 분할된 조각별로 상기 사출품의 수축률을 확인하고,
분할된 조각에서 확인된 상기 사출품의 수축률이 상기 사출품의 부위별 목표 수축률보다 낮음에 기초하여 상기 사출품에서 상기 분할된 조각이 위치하는 부분을 출력하고,
상기 사출품에서 상기 분할된 조각이 위치하는 부분의 상기 수축률이 상기 사출품의 부위별 목표 수축률에 도달하기 위한 상기 사출기의 사출 온도, 상기 금형의 온도, 상기 사출기의 사출 압력, 상기 사출기의 사출 속도, 상기 사출품의 냉각 시간에 대한 정보가 출력되는 인공지능 모델을 활용한 사출 상태 분석 솔루션 시스템.
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230148705A KR102646547B1 (ko) | 2023-11-01 | 2023-11-01 | 인공지능 모델을 활용한 사출 관련 정형 및 비정형 데이터 기반 금형 및 사출 상태 분석 솔루션 제공 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230148705A KR102646547B1 (ko) | 2023-11-01 | 2023-11-01 | 인공지능 모델을 활용한 사출 관련 정형 및 비정형 데이터 기반 금형 및 사출 상태 분석 솔루션 제공 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102646547B1 true KR102646547B1 (ko) | 2024-03-12 |
Family
ID=90299557
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230148705A KR102646547B1 (ko) | 2023-11-01 | 2023-11-01 | 인공지능 모델을 활용한 사출 관련 정형 및 비정형 데이터 기반 금형 및 사출 상태 분석 솔루션 제공 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102646547B1 (ko) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190125798A (ko) | 2018-04-30 | 2019-11-07 | 인하대학교 산학협력단 | 고온성형용 금형의 제조방법 및 이를 이용하여 제조된 금형 |
| KR20210021904A (ko) | 2019-08-19 | 2021-03-02 | 주식회사 바디프랜드 | 안마용 시료유닛 |
| KR102264066B1 (ko) * | 2021-03-17 | 2021-06-14 | 신봉근 | 인공지능과 이미지 분석에 의한 사출기 스마트 제어 시스템 및 그 운용방법 |
| KR20210099941A (ko) | 2020-02-05 | 2021-08-13 | 연암공과대학교산학협력단 | 공기 압축기 배출 공기 냉각 순환 구조 |
| KR20220069871A (ko) * | 2020-11-20 | 2022-05-27 | 주식회사 앤트 | 인공지능 모델의 학습을 위한 정형화된 연구 기록 데이터 자동생성 방법, 장치 및 컴퓨터프로그램 |
| KR102423276B1 (ko) * | 2021-11-26 | 2022-07-21 | 주식회사 스페이스솔루션 | 지능형 사출 공정 설계 어드바이저 서비스를 운영하는 방법과 시스템 및 이 방법을 기록한 컴퓨터로 읽을 수 있는 기록 매체 |
| KR20220118140A (ko) * | 2021-02-18 | 2022-08-25 | (주)라임 | 딥러닝 기반 사출물 품질 검사 시스템 |
| KR20230071067A (ko) * | 2021-11-15 | 2023-05-23 | 조민수 | 인공지능 기반 사출성형 품질관리 플랫폼 시스템 |
| KR102572304B1 (ko) * | 2023-03-09 | 2023-08-28 | 박종영 | 인공지능 알고리즘에 기초하여 실시간 용접 검사 및 불량 예방 서비스를 제공하는 방법 및 시스템 |
-
2023
- 2023-11-01 KR KR1020230148705A patent/KR102646547B1/ko active IP Right Grant
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190125798A (ko) | 2018-04-30 | 2019-11-07 | 인하대학교 산학협력단 | 고온성형용 금형의 제조방법 및 이를 이용하여 제조된 금형 |
| KR20210021904A (ko) | 2019-08-19 | 2021-03-02 | 주식회사 바디프랜드 | 안마용 시료유닛 |
| KR20210099941A (ko) | 2020-02-05 | 2021-08-13 | 연암공과대학교산학협력단 | 공기 압축기 배출 공기 냉각 순환 구조 |
| KR20220069871A (ko) * | 2020-11-20 | 2022-05-27 | 주식회사 앤트 | 인공지능 모델의 학습을 위한 정형화된 연구 기록 데이터 자동생성 방법, 장치 및 컴퓨터프로그램 |
| KR20220118140A (ko) * | 2021-02-18 | 2022-08-25 | (주)라임 | 딥러닝 기반 사출물 품질 검사 시스템 |
| KR102264066B1 (ko) * | 2021-03-17 | 2021-06-14 | 신봉근 | 인공지능과 이미지 분석에 의한 사출기 스마트 제어 시스템 및 그 운용방법 |
| KR20230071067A (ko) * | 2021-11-15 | 2023-05-23 | 조민수 | 인공지능 기반 사출성형 품질관리 플랫폼 시스템 |
| KR102423276B1 (ko) * | 2021-11-26 | 2022-07-21 | 주식회사 스페이스솔루션 | 지능형 사출 공정 설계 어드바이저 서비스를 운영하는 방법과 시스템 및 이 방법을 기록한 컴퓨터로 읽을 수 있는 기록 매체 |
| KR102572304B1 (ko) * | 2023-03-09 | 2023-08-28 | 박종영 | 인공지능 알고리즘에 기초하여 실시간 용접 검사 및 불량 예방 서비스를 제공하는 방법 및 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jan et al. | Artificial intelligence for industry 4.0: Systematic review of applications, challenges, and opportunities | |
| Alzubaidi et al. | A survey on deep learning tools dealing with data scarcity: definitions, challenges, solutions, tips, and applications | |
| Alboaneen et al. | Sentiment analysis via multi-layer perceptron trained by meta-heuristic optimisation | |
| CN112182362A (zh) | 训练用于在线预测点击率的模型的方法、设备及推荐系统 | |
| Gourisaria et al. | Application of machine learning in industry 4.0 | |
| Wu et al. | Optimized deep learning framework for water distribution data-driven modeling | |
| WO2020078235A1 (en) | Boosting ai identification learning | |
| Stepashko | On the self-organizing induction-based intelligent modeling | |
| Terziyan et al. | Causality-aware convolutional neural networks for advanced image classification and generation | |
| Mohamed | Importance of Artificial Intelligence in Neural Network through using MediaPipe | |
| KR102601446B1 (ko) | 인공지능 모델을 활용한 인플루언서 기반 판매 제품매칭 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| KR102586799B1 (ko) | 인공지능 모델을 활용한 웹소설 기반 웹북 생성 자동화 처리 방법, 장치 및 시스템 | |
| KR102646547B1 (ko) | 인공지능 모델을 활용한 사출 관련 정형 및 비정형 데이터 기반 금형 및 사출 상태 분석 솔루션 제공 방법 | |
| KR102615445B1 (ko) | 대변 이미지 분석 기반 영양 정보 제공 방법, 장치 및 시스템 | |
| Lalitha et al. | Analysis of Customer Reviews using Deep Neural Network | |
| Wen et al. | Novel pruning of dendritic neuron models for improved system implementation and performance | |
| Lee et al. | Why Do We Need Industrial AI? | |
| Xiong et al. | L-RBF: A customer churn prediction model based on lasso+ RBF | |
| KR102636461B1 (ko) | 인공지능 모델 학습을 위한 오토 레이블링 자동화 방법, 장치 및 시스템 | |
| Pal et al. | Artificial Intelligence and Machine Learning in Manufacturing | |
| KR102636797B1 (ko) | 인공지능 모델을 활용하여 해시태그 기반 노트 주제 및 노트 콘텐츠 분석을 통해 사용자 심리 상태를 분석하고 이에 대한 솔루션 제공 방법, 장치 및 시스템 | |
| Vermesan et al. | Industrial AI Technologies for Next-Generation Autonomous Operations with Sustainable Performance | |
| AU2021104628A4 (en) | A novel machine learning technique for classification using deviation parameters | |
| Chin et al. | Personality prediction using machine learning classifiers | |
| Shi et al. | The semantic classification approach base on neural networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |