KR102669520B1

KR102669520B1 - 노칭 공정의 불량 양상 검출 방법 및 이를 수행하기 위한 장치

Info

Publication number: KR102669520B1
Application number: KR1020230096476A
Authority: KR
Inventors: 하창우; 김하나; 나혜연; 유보선
Original assignee: 주식회사 인이지
Priority date: 2023-07-25
Filing date: 2023-07-25
Publication date: 2024-05-27

Abstract

본 출원의 일 실시예에 따른 노칭 공정의 불량 양상 검출 방법은, 훈련이 완료된 이미지 분류 모델을 획득하는 단계; 노칭 공정을 촬영한 제1 이미지 및 제2 이미지를 포함하는 노칭 공정 이미지 세트를 획득하는 단계; 상기 훈련이 완료된 이미지 분류 모델을 통하여 상기 노칭 공정 이미지 세트로부터 제1 불량 양상에 대응되는 제1 이미지를 제1 카테고리로 분류하고, 상기 제1 불량 양상에 대응되지 않는 제2 이미지를 제2 카테고리로 분류하는 단계; 상기 제2 카테고리로 분류된 상기 제2 이미지의 전극 객체의 외곽선을 추출하는 단계; 및 상기 추출된 외곽선에 포함된 제1 특징점과 제2 특징점에 기반하여 제2 불량 양상에 해당하는 지 여부를 판단하는 단계;를 포함한다.

Description

노칭 공정의 불량 양상 검출 방법 및 이를 수행하기 위한 장치{A METHOD FOR DETECTING A DEFECTIVE ASPECTS OF A NOTCHING PROCESS AND AN APPARATUS FOR PERFORMING THE SAME}

본 출원은 공정의 불량 양상을 분석하기 위한 기술에 관한 것이다. 구체적으로 본 출원은 공정을 촬영한 이미지에 기반하여 공정의 불량 양상을 검출하기 위한 기술에 관한 것이다. 보다 구체적으로 본 출원은 노칭 공정을 촬영한 이미지를 분석하여 노칭 공정의 불량 양상을 검출하기 위한 기술에 관한 것이다.

인공지능 기술이 발전하면서 다양한 산업 분야에서 인공지능 기술들이 활용되고 있다. 특히 최근에는 실시간 공정을 이미지 기반으로 분석하여 공정의 이상 여부 또는 제품의 이상 여부를 검사하기 위한 딥 러닝 모델들이 활발하게 개발되고 있다.

배터리 전극 공정의 노칭 공정을 통하여 생산된 제품은 크게 두 가지의 불량 형태가 존재한다. 첫 번째의 불량 양상은 분리막이 뒤집히거나 구부러지는 형태로 제품이 제조된 불량 양상으로서, 첫 번째의 불량 양상은 육안으로 또는 종래의 딥 러닝 모델을 통하여 상대적으로 용이하게 검출할 수 있었다. 두 번째의 불량 양상은 금속판을 압착하는 Horn과 Anvil의 압착 공정 중의 압력차로 인하여 분리막의 접합이 위 방향 또는 아래 방향으로 미세하게 휘는 형태로 제품이 제조되는 불량 양상으로서, 두 번째의 불량 양상은 육안으로 또는 종래의 딥 러닝 모델을 통하여는 검출하기 어려웠으며, 불량품 발생 여부를 공정 완료 시점까지 예측하지 못하여 제품 생산의 상당한 비효율성을 초래한다는 문제가 존재하였다.

이에 배터리 전극 공정의 불량 양상을 검출하기 위한 새로운 불량 양상 검출 방법 및 이를 수행하기 위한 장치의 개발이 요구되는 실정이다.

본 발명이 해결하고자 하는 일 과제는, 배터리 전극 공정의 노칭 공정의 불량 양상을 검출하기 위한 노칭 공정의 불량 양상 검출 방법 및 이를 수행하기 위한 전자 장치를 제공하는 것이다.

본 발명이 해결하고자 하는 과제가 상술한 과제로 제한되는 것은 아니며, 언급되지 아니한 과제들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 출원의 일 실시예에 따른 노칭 공정의 불량 양상 검출 방법은, 훈련이 완료된 이미지 분류 모델을 획득하는 단계; 노칭 공정을 촬영한 제1 이미지 및 제2 이미지를 포함하는 노칭 공정 이미지 세트를 획득하는 단계; 상기 훈련이 완료된 이미지 분류 모델을 통하여 상기 노칭 공정 이미지 세트로부터 제1 불량 양상에 대응되는 제1 이미지를 제1 카테고리로 분류하고, 상기 제1 불량 양상에 대응되지 않는 제2 이미지를 제2 카테고리로 분류하는 단계; 상기 제2 카테고리로 분류된 상기 제2 이미지의 전극 객체의 외곽선을 추출하는 단계; 및 상기 추출된 외곽선에 포함된 제1 특징점과 제2 특징점에 기반하여 제2 불량 양상에 해당하는 지 여부를 판단하는 단계;를 포함할 수 있다.

본 출원의 일 실시예에 따른 전자 장치는, 노칭 공정을 촬영한 이미지를 수신하기 위한 송수신부; 및 훈련이 완료된 이미지 분류 모델을 획득하고, 노칭 공정을 촬영한 제1 이미지 및 제2 이미지를 포함하는 노칭 공정 이미지 세트를 획득하고, 상기 훈련이 완료된 이미지 분류 모델을 통하여 상기 노칭 공정 이미지 세트로부터 제1 불량 양상에 대응되는 제1 이미지를 제1 카테고리로 분류하고, 상기 제1 불량 양상에 대응되지 않는 제2 이미지를 제2 카테고리로 분류하고, 상기 제2 카테고리로 분류된 상기 제2 이미지의 전극 객체의 외곽선을 추출하고, 상기 추출된 외곽선에 포함된 제1 특징점과 제2 특징점에 기반하여 제2 불량 양상에 해당하는 지 여부를 판단하도록 구성된 프로세서를 포함할 수 있다.

본 발명의 과제의 해결 수단이 상술한 해결 수단들로 제한되는 것은 아니며, 언급되지 아니한 해결 수단들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 출원의 일 실시예에 따른 노칭 공정의 불량 양상 검출 방법 및 이를 수행하기 위한 전자 장치에 의하면, 배터리 전극 공정의 노칭 공정과 관련하여 금속판을 압착하는 Horn과 Anvil의 압착 중의 압력차로 인하여 분리막의 접합이 위 방향 또는 아래 방향으로 미세하게 휘는 형태로 제품이 제조되는 불량 양상을 선제적으로 탐지할 수 있다.

본 출원의 일 실시예에 따른 노칭 공정의 불량 양상 검출 방법 및 이를 수행하기 위한 전자 장치에 의하면, 육안으로 또는 훈련된 이미지 분류 모델을 통하여 탐지하기 어려운, 분리막의 접합이 위 방향 또는 아래 방향으로 미세하게 휘는 형태로 제품이 제조되는 불량 양상을 자동적으로 탐지할 수 있다.

본 출원의 일 실시예에 따른 노칭 공정의 불량 양상 검출 방법 및 이를 수행하기 위한 전자 장치에 의하면, 불량 양상을 자동적으로 탐지함으로써 생산 효율성을 증대시킬 수 있다.

본 발명의 효과가 상술한 효과들로 제한되는 것은 아니며, 언급되지 아니한 효과들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.

도 1은 본 출원의 일 실시예에 따른 공정의 불량 양상 검출 시스템의 개략도이다.
도 2는 본 출원의 일 실시예에 따른 전자 장치의 동작을 나타낸 도면이다.
도 3은 본 출원의 일 실시예에 따른 노칭 공정의 불량 양상 검출 방법을 나타낸 순서도이다.
도 4는 본 출원의 일 실시예에 따른 제1 불량 양상을 검출하기 위한 이미지 분류 모델의 훈련 방법과 훈련이 완료된 이미지 분류 모델을 통하여 제1 불량 양상에 대응되는 이미지를 분류하는 양상을 설명하기 위한 도면이다.
도 5는 본 출원의 일 실시예에 따른 제2 불량 양상에 해당하는 지 여부를 판단하는 단계를 구체화한 순서도이다.
도 6은 본 출원의 일 실시예에 따른 특징점을 연산하는 일 양상을 설명하기 위한 도면이다.
도 7은 본 출원의 일 실시예에 따른 특징점들 간의 픽셀 거리를 연산하는 일 양상을 설명하기 위한 도면이다.
도 8은 본 출원의 일 실시예에 따른 제2 불량 양상이 존재한다고 판단하는 단계를 구체화한 순서도이다.
도 9는 본 출원의 일 실시예에 따른 트렌드 차트(Trend Chart)의 일 예시를 도시한 도면이다.
도 10은 본 출원의 일 실시예에 따른 노칭 공정에 불량 양상이 검출되었음을 지시하는 알림의 일 양상을 도시한 도면이다.

본 출원의 상술한 목적, 특징들 및 장점은 첨부된 도면과 관련된 다음의 상세한 설명을 통해 보다 분명해질 것이다. 다만, 본 출원은 다양한 변경을 가할 수 있고 여러 가지 실시예들을 가질 수 있는 바, 이하에서는 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다.

명세서 전체에 걸쳐서 동일한 참조번호들은 원칙적으로 동일한 구성요소들을 나타낸다. 또한, 각 실시예의 도면에 나타나는 동일한 사상의 범위 내의 기능이 동일한 구성요소는 동일한 참조부호를 사용하여 설명하며, 이에 대한 중복되는 설명은 생략하기로 한다.

본 출원과 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 출원의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.

또한, 이하의 실시예에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.

이하의 실시예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

이하의 실시예에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다.

도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타낸 것으로, 본 발명이 반드시 도시된 바에 한정되지 않는다.

어떤 실시예가 달리 구현 가능한 경우에 특정한 프로세스의 순서는 설명되는 순서와 다르게 수행될 수도 있다. 예를 들어, 연속하여 설명되는 두 프로세스가 실질적으로 동시에 수행될 수도 있고, 설명되는 순서와 반대의 순서로 진행될 수 있다.

이하의 실시예에서, 구성 요소 등이 연결되었다고 할 때, 구성 요소들이 직접적으로 연결된 경우뿐만 아니라 구성요소들 중간에 구성 요소들이 개재되어 간접적으로 연결된 경우도 포함한다.

예컨대, 본 명세서에서 구성 요소 등이 전기적으로 연결되었다고 할 때, 구성 요소 등이 직접 전기적으로 연결된 경우뿐만 아니라, 그 중간에 구성 요소 등이 개재되어 간접적으로 전기적 연결된 경우도 포함한다.

본 출원의 일 실시예에 따르면, 상기 외곽선을 추출하는 단계는, 상기 제2 이미지의 전극 객체의 일 측의 외곽선에 대응되는 제1 라인, 전극 객체의 타 측의 외곽선에 대응되는 제2 라인, 또는 상기 제1 라인과 상기 제2 라인 사이에 위치하는 제3 라인을 추출하는 단계; 및 상기 제1 라인, 상기 제2 라인, 또는 상기 제3 라인에 기반하여 상기 외곽선을 획득하는 단계를 더 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 제2 불량 양상에 해당하는 지 여부를 판단하는 단계는, 상기 제1 라인과 상기 제3 라인의 교점에 대응되는 상기 제1 특징점을 획득하는 단계; 상기 제3 라인의 곡률 정보에 기반하여 상기 제2 특징점을 획득하는 단계; 상기 제1 특징점에 대응되는 제1 픽셀 좌표와 상기 제2 특징점에 대응되는 제2 픽셀 좌표 간의 픽셀 거리를 연산하는 단계; 및 상기 연산된 픽셀 거리가 미리 정해진 임계값보다 크거나 같은 경우에는 상기 제2 이미지에 대하여 상기 제2 불량 양상이 존재한다고 판단하는 단계;를 더 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 제2 이미지에 대하여 상기 제2 불량 양상이 존재한다고 판단하는 단계는, 제1 시점의 픽셀 거리와 상기 제1 시점과는 상이한 제2 시점의 픽셀 거리를 포함하는 픽셀 거리 데이터 세트를 이용하여 트렌드 차트를 생성하는 단계; 및 상기 생성된 트렌드 차트를 이용하여 상기 픽셀 거리의 추세를 분석하고, 분석된 추세가 미리 정해진 값보다 큰 경우에는 노칭 공정 상에 문제 가능성이 존재함을 지시하는 알림을 송신하는 단계;를 더 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 이미지 분류 모델은, 상기 제1 불량 양상에 대응되는 제1 학습 이미지와 상기 제1 학습 이미지가 제1 불량 양상에 관한 것임을 나타내는 제1 레이블 및 상기 제1 불량 양상에 대응되지 않는 제2 학습 이미지와 상기 제2 학습 이미지가 상기 제1 불량 양상에 대응되지 않음을 나타내는 제2 레이블로 구성된 학습 데이터 세트에 기반하여 훈련될 수 있다.

본 출원의 일 실시예에 따르면, 상기 이미지 분류 모델은, 상기 제1 학습 이미지를 입력 받아 상기 제1 레이블에 대응되는 상기 제1 카테고리로 상기 제1 학습 이미지를 분류하고 상기 제2 학습 이미지를 입력 받아 상기 제2 레이블에 대응되는 상기 제2 카테고리로 상기 제2 학습 이미지를 분류하도록, 상기 이미지 분류 모델의 파라미터가 갱신되어 훈련될 수 있다.

본 출원의 일 실시예에 따르면, 상기 노칭 공정 이미지 세트를 획득하는 단계는, 상기 노칭 공정 이미지 세트의 상기 제1 이미지에 포함된 전극 객체에 대응되는 관심 영역을 크롭하여 제1 크롭 이미지를 획득하는 단계; 상기 노칭 공정 이미지 세트의 상기 제2 이미지에 포함된 전극 객체에 대응되는 관심 영역을 크롭하여 제2 크롭 이미지를 획득하는 단계; 및 상기 제1 크롭 이미지 및 상기 제2 크롭 이미지를 상기 노칭 공정 이미지 세트로 획득하는 단계를 더 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 노칭 공정의 불량 양상 검출 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체가 제공될 수 있다.

이하에서는 도 1 내지 도 10을 참고하여, 본 출원의 일 실시예에 따른 노칭 공정의 불량 양상 검출 방법 및 이를 수행하기 위한 전자 장치(또는 서버, 이하 전자 장치로 지칭)에 관하여 설명한다.

도 1은 본 출원의 일 실시예에 따른 공정의 불량 양상 검출 시스템(10)의 개략도이다.

본 출원의 일 실시예에 따른 공정 불량 양상 검출 시스템(10)은 공정 촬영 장치(100), 클라이언트 단말(200), 및/또는 전자 장치(1000)를 포함할 수 있다.

이하에서는 노칭 공정을 중심으로 설명하기로 한다. 다만 이는 설명의 편의를 위한 것일 뿐이며 이에 제한적으로 해석해서는 아니된다.

본 출원의 일 실시예에 따른 공정 촬영 장치(100)는 배터리 전극 공정을 촬영하는 동작을 수행할 수 있다. 구체적으로, 공정 촬영 장치(100)는 주기적으로 배터리 전극 공정을 촬영하여 이미지 시퀀스를 획득할 수 있다. 예컨대, 공정 촬영 장치(100)는 배터리 전극 공정의 배터리 셀의 각 면에 위아래로 부착된 금속판을 압착하여 음극, 양극을 만드는 노칭(notching) 공정을 촬영할 수 있다. 나아가 공정 촬영 장치(100)는, 임의의 송수신부를 통하여 촬영된 이미지 시퀀스를 전자 장치(1000)를 포함한 임의의 외부 장치로 전달할 수 있다.

이하에서는 노칭 공정을 촬영한 이미지를 분석하는 내용을 중심으로 설명하나, 이는 설명의 편의를 위한 것일 뿐이며, 노칭 공정 이외의 배터리 전극 공정과 관련된 임의의 공정을 촬영한 이미지를 분석하는 것에도 유추적용될 수 있을 것이다.

본 출원의 일 실시예에 따른 전자 장치(1000)는, 노칭 공정을 촬영한 이미지 시퀀스를 분석하여 노칭 공정과 관련된 불량 양상을 탐지하는 동작을 수행할 수 있다. 나아가 전자 장치(1000)는 불량 양상이 탐지된 경우에는, 송수신부(1100)를 통하여, 불량 양상이 발생하였음을 나타내는 알림을 클라이언트 단말(200)을 포함한 임의의 외부 장치(또는 임의의 외부 서버)로 송신할 수 있다.

본 출원의 일 실시예에 따른 클라이언트 단말(200)는, 전자 장치(1000)로부터 불량 양상이 발생하였음을 나타내는 알림을 수신하고, 임의의 출력부(예컨대, 디스플레이, 스피커 등)을 통하여 불량 알림을 공정의 관리자나 오퍼레이터에게 제공할 수 있다.

본 출원의 일 실시예에 따른 전자 장치(1000)는 송수신부(1100), 메모리(1200) 및 프로세서(1300)를 포함할 수 있다.

전자 장치(1000)의 송수신부(1100)는 임의의 외부 기기 또는 외부 서버와 통신을 수행할 수 있다. 일 예로, 전자 장치(1000)는, 송수신부(1100)를 통해, 훈련이 완료된 이미지 분류 모델의 구조 정보, 계층 정보, 연산 정보, 및/또는 파라미터 정보를 포함하여 훈련이 완료된 이미지 분류 모델을 적절하게 실행시키기 위한 실행 데이터를 수신할 수 있다. 일 예로, 전자 장치(1000)는, 송수신부(1100)를 통해, 공정을 촬영한 이미지 데이터(예컨대, 이미지 시퀀스)를 수신할 수 있다. 일 예로, 전자 장치(1000)는, 송수신부(1100)를 통해, 공정(또는 제품)에 불량 가능성이 존재함을 지시하는 알림을 클라이언트 단말(200)을 포함한 임의의 외부 기기 또는 임의의 외부 서버에 송신할 수 있다.

전자 장치(1000)는, 송수신부(1100)를 통해 네트워크에 접속하여 각종 데이터를 송수신할 수 있다. 송수신부(1100)는 크게 유선 타입과 무선 타입을 포함할 수 있다. 유선 타입과 무선 타입은 각각의 장단점을 가지므로, 경우에 따라서 전자 장치(1000)에는 유선 타입과 무선 타입이 동시에 마련될 수도 있다. 여기서, 무선 타입의 경우에는 주로 와이파이(Wi-Fi) 같은 WLAN(Wireless Local Area Network) 계열의 통신 방식을 이용할 수 있다. 또는, 무선 타입의 경우에는 셀룰러 통신, 예컨대, LTE, 5G 계열의 통신 방식을 이용할 수 있다. 다만, 무선 통신 프로토콜이 상술한 예시에 제한되는 것은 아니며, 임의의 적절한 무선 타입의 통신 방식을 이용하는 것도 가능하다. 유선 타입의 경우에는 LAN(Local Area Network)이나 USB(Universal Serial Bus) 통신이 대표적인 예이며 그 외의 다른 방식도 가능하다.

전자 장치(1000)의 메모리(1200)는 각종 정보를 저장할 수 있다. 메모리(1200)에는 각종 데이터가 임시적으로 또는 반영구적으로 저장될 수 있다. 메모리(1200)의 예로는 하드 디스크(HDD: Hard Disk Drive), SSD(Solid State Drive), 플래쉬 메모리(flash memory), 롬(ROM: Read-Only Memory), 램(RAM: Random Access Memory) 등이 있을 수 있다. 메모리(1200)는 전자 장치(1000)에 내장되는 형태나 탈부착 가능한 형태로 제공될 수 있다. 메모리(1200)에는 전자 장치(1000)를 구동하기 위한 운용 프로그램(OS: Operating System)이나 전자 장치(1000)의 각 구성을 동작시키기 위한 프로그램을 비롯해 전자 장치(1000)의 동작에 필요한 각종 데이터가 저장될 수 있다.

프로세서(1300)는 전자 장치(1000)의 전반적인 동작을 제어할 수 있다. 예컨대, 프로세서(1300)는 후술할 훈련이 완료된 이미지 분류 모델을 획득하는 동작, 노칭 공정을 촬영한 이미지를 포함하는 노칭 공정 이미지 세트를 획득하는 동작, 훈련이 완료된 이미지 분류 모델을 이용하여 노칭 공정 이미지 세트에 포함된 이미지들을 분류하여 제1 불량 양상을 검출하는 동작, 및/또는 제2 불량 양상에 해당하는 지 여부를 판단하는 동작 등을 포함하여 전자 장치(1000)의 전반적인 동작을 제어할 수 있다. 구체적으로 프로세서(1300)는 메모리(1200)로부터 전자 장치(1000)의 전반적인 동작을 위한 프로그램을 로딩하여 실행할 수 있다. 프로세서(1300)는 하드웨어나 소프트웨어 또는 이들의 조합에 따라 AP(Application Processor), CPU(Central Processing Unit), MCU(Microcontroller Unit)나 이와 유사한 장치로 구현될 수 있다. 이때, 하드웨어적으로는 전기적 신호를 처리하여 제어 기능을 수행하는 전자 회로 형태로 제공될 수 있으며, 소프트웨어적으로는 하드웨어적 회로를 구동시키는 프로그램이나 코드 형태로 제공될 수 있다.

도 2는 본 출원의 일 실시예에 따른 전자 장치(1000)의 동작을 나타낸 도면이다.

본 출원의 일 실시예에 따른 전자 장치(1000)는, 송수신부(1100)를 통해, 훈련이 완료된 이미지 분류 모델의 실행 데이터를 획득할 수 있다. 여기서 실행 데이터란, 훈련이 완료된 이미지 분류 모델의 구조 정보, 계층 정보, 연산 정보, 및/또는 파라미터 정보를 포함하여 훈련이 완료된 이미지 분류 모델을 적절하게 실행시키기 위한 임의의 데이터를 포괄할 수 있다. 이미지 분류 모델의 훈련 방법 및/또는 실행(inference) 양상에 대하여는 도 4와 관련하여 보다 구체적으로 설명하기로 한다.

본 출원의 일 실시예에 따른 전자 장치(1000)는, 송수신부(1100)를 통하여, 공정(예컨대, 배터리 전극 공정 중 배터리 셀의 각 면에 금속판을 압착하여 음극, 양극을 만드는 노칭 공정)을 촬영한 제1 이미지 및 제2 이미지를 포함하는 이미지 시퀀스(image sequence)들을 포함하는 노칭 공정 이미지 세트를 획득할 수 있다. 예컨대, 본 출원의 전자 장치(1000)는, 송수신부(1100)를 통하여, 공정 촬영 장치(100)로부터, 노칭 공정을 촬영한 이미지와 관련된, 제1 시점의 제1 이미지 시퀀스와 제2 시점의 제2 이미지 시퀀스를 포함하여 복수의 이미지 시퀀스들을 포함하는 노칭 공정 이미지 세트를 획득할 수 있다.

나아가 본 출원의 일 실시예에 따른 전자 장치(1000)는 노칭 공정 이미지 세트에 포함된 이미지들을 전처리(Pre-processing)하는 동작을 수행할 수 있다. 일 예로, 전자 장치(1000)는 노칭 공정 이미지 세트의 이미지에 포함된 전극 객체에 대응되는 관심 영역을 탐지(detection)하고 탐지된 관심 영역을 크롭하는 동작을 수행할 수 있다. 예컨대, 전자 장치(1000)는 노칭 공정 이미지 세트의 제1 이미지에 포함된 전극 객체에 대응되는 관심 영역을 탐지하고 탐지된 관심 영역을 크롭하여 제1 크롭 이미지를 획득할 수 있다. 예컨대, 전자 장치(1000)는 노칭 공정 이미지 세트의 제2 이미지에 포함된 전극 객체에 대응되는 관심 영역을 탐지하고 탐지된 관심 영역을 크롭하여 제2 크롭 이미지를 획득할 수 있다. 이때, 전자 장치(1000)는 제1 크롭 이미지와 제2 크롭 이미지를 노칭 공정 이미지 세트로 획득하도록 구성될 수 있다. 즉 본 명세서에서 언급되는 노칭 공정 이미지 세트의 이미지는 전처리되기 이전의 이미지나 전처리에 따른 크롭 이미지를 포괄하는 의미로 해석되어야 한다.

본 출원의 일 실시예에 따른 전자 장치(1000)는, 훈련이 완료된 이미지 분류 모델을 이용하여 노칭 공정 이미지 세트에 포함된 이미지들을 분류하는 동작을 수행할 수 있다. 구체적으로 전자 장치(1000)는 훈련이 완료된 이미지 분류 모델을 통하여, 제1 불량 양상에 대응되는 제1 이미지를 제1 카테고리로 분류하고, 제1 불량 양상에 대응되지 않는 제2 이미지를 제2 카테고리로 분류하는 동작을 수행할 수 있다. 여기서 제1 불량 양상이란, 분리막이 뒤집히거나 구부러지는 형태로 제품이 제조된 불량 양상을 포함하여, 육안으로 또는 이미지 분류 모델을 통하여, 후술할 제2 불량 양상 대비 상대적으로 용이하게 탐지할 수 있는 임의의 불량 양상을 포괄할 수 있다.

이미지 분류 모델은 제1 불량 양상에 대응되는 제1 학습 이미지와 제1 학습 이미지가 제1 불량 양상에 관한 것임을 나타내는 제1 레이블, 및 제1 불량 양상에 대응되지 않는 제2 학습 이미지와 제2 학습 이미지가 제1 불량 양상에 대응되지 않음을 나타내는 제2 레이블로 구성된 학습 데이터 세트에 기반하여 훈련될 수 있다. 일 예로, 이미지 분류 모델은 제1 학습 이미지를 입력 받아 제1 레이블에 대응되는 제1 카테고리로 제1 학습 이미지를 분류하도록, 이미지 분류 모델의 파라미터가 갱신되어 훈련될 수 있다. 일 예로, 이미지 분류 모델은 제2 학습 이미지를 입력 받아 제2 레이블에 대응되는 제2 카테고리로 제2 학습 이미지를 분류하도록, 이미지 분류 모델의 파라미터가 갱신되어 훈련될 수 있다. 따라서 훈련이 완료된 이미지 분류 모델은 제1 불량 양상에 대응되는 제1 이미지는 제1 카테고리로 분류하고, 제1 불량 양상에 대응되지 않는 제2 학습 이미지는 제2 카테고리로 분류하도록 구성될 수 있다.

본 출원의 일 실시예에 따른 전자 장치(1000)는 제1 불량 양상과는 상이한 유형의 제2 불량 양상에 해당하는 지 여부를 판단하는 동작을 수행할 수 있다. 보다 구체적으로 전자 장치(1000)는 제2 카테고리로 분류된 이미지(즉 제1 불량 양상에 대응되지 않는 이미지) 상의 전극 객체가 제2 불량 양상에 해당하는 지 여부를 판단하도록 구성될 수 있다. 일 예로, 전자 장치(1000)는 제2 카테고리로 분류된 이미지 상의 전극 객체의 외곽선을 추출하고, 추출된 외곽선에 포함된 제1 특징점과 제2 특징점에 기반하여 제2 카테고리로 분류된 이미지 상의 전극 객체가 제2 불량 양상에 해당하는 지 여부를 판단하도록 구성될 수 있다. 여기서 제2 불량 양상이란, 노칭 공정의 금속판을 압착하는 Horn과 Anvil 간의 압력차로 인하여 분리막의 접합이 위 방향 또는 아래 방향으로 미세하게 휘는 형태로 제품이 제조되는 불량 양상을 포함하여, 육안으로 또는 이미지 분류 모델을 통하여, 전술한 제1 불량 양상 대비 상대적으로 용이하게 탐지하기 어려운 임의의 불량 양상을 포괄할 수 있다. 제2 불량 양상에 해당하는 지 여부를 판단하는 내용에 대하여는 도 5 내지 도 10과 관련하여 보다 구체적으로 서술하기로 한다.

이하에서는 도 3 내지 도 10을 참고하여, 본 출원의 일 실시예에 따른 전자 장치(1000)의 동작과 전자 장치(1000)에 의해 수행되는 노칭 공정의 불량 양상 검출 방법을 보다 구체적으로 서술하기로 한다. 한편, 노칭 공정의 불량 양상 검출 방법을 설명함에 있어서, 앞서 도 2와 관련하여 설명한 내용과 중복되는 일부 실시예는 생략될 수 있다. 다만, 이는 설명의 편의를 위한 것일 뿐이며, 이에 제한적으로 해석되어서는 아니된다.

도 3은 본 출원의 일 실시예에 따른 노칭 공정의 불량 양상 검출 방법을 나타낸 순서도이다.

본 출원의 일 실시예에 따른 노칭 공정의 불량 양상 검출 방법은, 훈련이 완료된 이미지 분류 모델을 획득하는 단계(S1000), 노칭 공정을 촬영한 제1 이미지 및 제2 이미지를 포함하는 노칭 공정 이미지 세트를 획득하는 단계(S2000), 훈련이 완료된 이미지 분류 모델을 통하여 노칭 공정 이미지 세트로부터 제1 불량 양상에 대응되는 제1 이미지를 제1 카테고리로 분류하고, 제1 불량 양상에 대응되지 않는 제2 이미지를 제2 카테고리로 분류하는 단계(S3000), 및/또는 제2 카테고리로 분류된 제2 이미지의 전극 객체의 외곽선을 추출하고, 추출된 외곽선에 포함된 제1 특징점과 제2 특징점에 기반하여 제2 불량 양상에 해당하는 지 여부를 판단하는 단계(S4000)를 포함할 수 있다.

훈련이 완료된 이미지 분류 모델을 획득하는 단계(S1000)에서는, 전자 장치(1000)는, 송수신부(1100)를 통해, 훈련이 완료된 이미지 분류 모델의 실행 데이터를 획득할 수 있다. 여기서 실행 데이터란, 훈련이 완료된 이미지 분류 모델의 구조 정보, 계층 정보, 연산 정보, 및/또는 파라미터 정보를 포함하여 훈련이 완료된 이미지 분류 모델을 적절하게 실행시키기 위한 임의의 데이터를 포괄할 수 있다.

노칭 공정을 촬영한 제1 이미지 및 제2 이미지를 포함하는 노칭 공정 이미지 세트를 획득하는 단계(S2000)에서는, 전자 장치(1000)는, 송수신부(1100)를 통하여, 공정(예컨대, 배터리 전극 공정 중 배터리 셀의 각 면에 금속판을 압착하여 음극, 양극을 만드는 노칭 공정)을 촬영한 제1 이미지 및 제2 이미지를 포함하는 이미지 시퀀스(image sequence)들을 포함하는 노칭 공정 이미지 세트를 획득할 수 있다.

한편 전술한 바와 같이, 노칭 공정을 촬영한 제1 이미지 및 제2 이미지를 포함하는 노칭 공정 이미지 세트를 획득하는 단계(S2000)는, 노칭 공정 이미지 세트의 제1 이미지에 포함된 전극 객체에 대응되는 관심 영역을 크롭하여 제1 크롭 이미지를 획득하는 단계, 노칭 공정 이미지 세트의 제2 이미지에 포함된 전극 객체에 대응되는 관심 영역을 크롭하여 제2 크롭 이미지를 획득하는 단계, 및 제1 크롭 이미지 및 제2 크롭 이미지를 노칭 공정 이미지 세트로 획득하는 단계를 더 포함할 수 있다.

훈련이 완료된 이미지 분류 모델을 통하여 노칭 공정 이미지 세트로부터 제1 불량 양상에 대응되는 제1 이미지를 제1 카테고리로 분류하고, 제1 불량 양상에 대응되지 않는 제2 이미지를 제2 카테고리로 분류하는 단계(S3000)에서는, 전자 장치(1000)는 훈련이 완료된 이미지 분류 모델을 통하여 노칭 공정 이미지 세트에 포함된 이미지들을 분류하도록 구현될 수 있다. 구체적으로 전자 장치(1000)는 노칭 공정 이미지 세트에 포함된 제1 불량 양상에 대응되는 제1 이미지는 제1 불량 양상에 해당함을 나타내는 제1 카테고리로 분류할 수 있다. 나아가 전자 장치(1000)는 노칭 공정 이미지 세트에 포함된 제1 불량 양상에 대응되지 않는 제2 이미지는 제1 불량 양상에 해당하지 않음을 나타내는 제2 카테고리로 분류할 수 있다.

도 4는 본 출원의 일 실시예에 따른 제1 불량 양상을 검출하기 위한 이미지 분류 모델의 훈련 방법과 훈련이 완료된 이미지 분류 모델을 통하여 제1 불량 양상에 대응되는 이미지를 분류하는 양상을 설명하기 위한 도면이다.

[이미지 분류 모델의 훈련 방법]

본 출원의 일 실시예에 따른 이미지 분류 모델은 제1 불량 양상에 대응되는 제1 학습 이미지와 제1 학습 이미지가 제1 불량 양상에 관한 것임을 나타내는 제1 레이블, 및 제1 불량 양상에 대응되지 않는 제2 학습 이미지와 제2 학습 이미지가 제1 불량 양상에 대응되지 않음을 나타내는 제2 레이블로 구성된 학습 데이터 세트에 기반하여 훈련될 수 있다.

구체적으로 이미지 분류 모델은 학습 데이터 세트에 기반하여 제1 불량 양상에 해당하는 지 여부와 관련된 분류 값을 출력하도록 구성될 수 있다. 이때, 이미지 분류 모델은 분류 값과 학습 데이터 세트의 레이블 정보에 기반하여 이미지 분류 모델의 파라미터가 갱신되어 훈련될 수 있다.

일 예로, 이미지 분류 모델은 학습 데이터 세트의 제1 학습 이미지를 입력 받아 분류 값을 출력할 수 있다. 이때, 이미지 분류 모델은 분류 값과 학습 데이터 세트의 제1 학습 이미지에 할당된 제1 레이블의 차이에 기반하여, 분류 값을 제1 레이블에 대응되는 제1 카테고리에 대응되는 값으로 출력하도록, 이미지 분류 모델의 파라미터가 갱신되어 훈련될 수 있다.

일 예로, 이미지 분류 모델은 학습 데이터 세트의 제2 학습 이미지를 입력 받아 분류 값을 출력할 수 있다. 이때, 이미지 분류 모델은 분류 값과 학습 데이터 세트의 제2 학습 이미지에 할당된 제2 레이블의 차이에 기반하여, 분류 값을 제2 레이블에 대응되는 제2 카테고리에 대응되는 값으로 출력하도록, 이미지 분류 모델의 파라미터가 갱신되어 훈련될 수 있다.

훈련이 완료된 이미지 분류 모델은 제1 불량 양상에 대응되는 제1 이미지는 제1 카테고리로 분류하고, 제1 불량 양상에 대응되지 않는 제2 학습 이미지는 제2 카테고리로 분류하도록 구성될 수 있다. 따라서 전자 장치(1000)는, 훈련이 완료된 이미지 분류 모델을 이용하여, 노칭 공정 이미지 세트로부터 제1 불량 양상에 대응되는 제1 이미지를 제1 카테고리로 분류하고, 제1 불량 양상에 대응되지 않는 제2 이미지를 제2 카테고리로 분류할 수 있다.

제2 카테고리로 분류된 제2 이미지의 전극 객체의 외곽선을 추출하고, 추출된 외곽선에 포함된 제1 특징점과 제2 특징점에 기반하여 제2 불량 양상에 해당하는 지 여부를 판단하는 단계(S4000)에서는, 전자 장치(1000)는 제1 불량 양상과는 상이한 유형의 제2 불량 양상에 해당하는 지 여부를 판단할 수 있다. 구체적으로 전자 장치(1000)는 S3000 단계를 통하여 제2 카테고리로 분류된 이미지(즉 제1 불량 양상에 대응되지 않는 이미지) 상의 전극 객체가 제2 불량 양상에 해당하는 지 여부를 판단할 수 있다. 일 예로, 전자 장치(1000)는 제2 카테고리로 분류된 이미지 상의 전극 객체의 외곽선을 추출하고, 추출된 외곽선에 포함된 제1 특징점과 제2 특징점에 기반하여 제2 카테고리로 분류된 이미지 상의 전극 객체가 제2 불량 양상에 해당하는 지 여부를 판단하도록 구성될 수 있다.

이하에서는 도 5 내지 도 10을 참고하여 본 출원의 일 실시예에 따른 제2 불량 양상에 해당하는 지 여부를 판단하는 단계(S4000)에 대하여 보다 구체적으로 설명하기로 한다.

도 5는 본 출원의 일 실시예에 따른 제2 불량 양상에 해당하는 지 여부를 판단하는 단계(S4000)를 구체화한 순서도이다.

본 출원의 일 실시예에 따른 제2 불량 양상에 해당하는 지 판단하는 단계(S4000)는, 제2 이미지의 전극 객체의 일 측의 외곽선에 대응되는 제1 라인, 전극 객체의 타 측의 외곽선에 대응되는 제2 라인, 또는 제1 라인과 제2 라인 사이에 위치하는 제3 라인을 추출하는 단계(S4100), 제1 라인과 제3 라인의 교점에 대응되는 제1 특징점을 획득하는 단계(S4200), 제3 라인의 곡률 정보에 기반하여 제2 특징점을 획득하는 단계(S4300), 제1 특징점에 대응되는 제1 픽셀 좌표와 제2 특징점에 대응되는 제2 픽셀 좌표 간의 픽셀 거리를 연산하는 단계(S4400), 및 연산된 픽셀 거리가 미리 정해진 임계값보다 크거나 같은 경우에는 제2 이미지에 대하여 제2 불량 양상이 존재한다고 판단하는 단계(S4500)를 더 포함할 수 있다.

도 6은 본 출원의 일 실시예에 따른 특징점을 연산하는 일 양상을 설명하기 위한 도면이다.

전자 장치(1000)는, 제2 이미지의 전극 객체의 일 측의 외곽선에 대응되는 제1 라인(예컨대, 도 6의 L1), 전극 객체의 타 측의 외곽선에 대응되는 제2 라인(예컨대, 도 6의 L2), 또는 제1 라인과 제2 라인 사이에 위치하는 제3 라인(예컨대, 도 6의 L3)을 추출할 수 있다. (S4100) 구체적으로 전자 장치(1000)는 제2 이미지의 픽셀의 강도(intensity)에 기반하여 제1 라인, 제2 라인, 및/또는 제3 라인을 추출할 수 있다.

제1 라인과 제3 라인의 교점에 대응되는 제1 특징점을 획득하는 단계(S4200)에서는, 전자 장치(1000)는 제1 라인(도 6의 L1)과 제3 라인(도 6의 L3) 간의 교점에 대응되는 제1 특징점(예컨대, 도 6의 P1)을 획득할 수 있다.

제3 라인의 곡률 정보에 기반하여 제2 특징점을 획득하는 단계(S4300)에서는, 전자 장치(1000)는 제3 라인(예컨대, 도 6의 L3)의 곡률 정보에 기반하여 제3 라인 상에 위치하는 제2 특징점(예컨대, 도 6의 P2)를 획득할 수 있다.

도 7은 본 출원의 일 실시예에 따른 특징점들 간의 픽셀 거리를 연산하는 일 양상을 설명하기 위한 도면이다.

제1 특징점에 대응되는 제1 픽셀 좌표와 제2 특징점에 대응되는 제2 픽셀 좌표 간의 픽셀 거리를 연산하는 단계(S4400)에서는, 전자 장치(1000)는 S4200 단계를 통하여 획득된 제1 특징점(예컨대, 도 7의 P1)에 대응되는 제1 픽셀 좌표와 S4300 단계를 통하여 획득된 제2 특징점(예컨대, 도 7의 P2)에 대응되는 제2 픽셀 좌표 간의 픽셀 거리를 연산할 수 있다. 예컨대, 전자 장치(1000)는 제1 픽셀 좌표와 제2 픽셀 좌표 간의 유클리디안 거리(Euclidean Distance)를 통하여 픽셀 거리(예컨대, 도 7의 D)를 연산할 수 있다.

연산된 픽셀 거리가 미리 정해진 임계값보다 크거나 같은 경우에는 제2 이미지에 대하여 제2 불량 양상이 존재한다고 판단하는 단계(S4500)에서는, 전자 장치(1000)는 S4400 단계를 통하여 연산된 픽셀 거리가 미리 정해진 임계값보다 크거나 같은 경우에는 제2 이미지와 관련하여 제2 이미지 상의 전극 객체에 제2 불량 양상이 존재한다고 판단하도록 구성될 수 있다.

도 8은 본 출원의 일 실시예에 따른 제2 불량 양상이 존재한다고 판단하는 단계(S4500)를 구체화한 순서도이다.

본 출원의 일 실시예에 따른 연산된 픽셀 거리가 미리 정해진 임계값보다 크거나 같은 경우에는 제2 이미지에 대하여 제2 불량 양상이 존재한다고 판단하는 단계(S4500)는, 제1 시점의 픽셀 거리와 제1 시점과는 상이한 제2 시점의 픽셀 거리를 포함하는 픽셀 거리 데이터 세트를 이용하여 트렌드 차트(Trend Chart)를 생성하는 단계(S4510), 및 생성된 트렌드 차트를 이용하여 픽셀 거리의 추세를 분석하고, 분석된 추세가 미리 정해진 값보다 큰 경우에는 노칭 공정 상에 문제 가능성이 존재함을 지시하는 알림을 송신하는 단계(S4520)를 더 포함할 수 있다.

도 9는 본 출원의 일 실시예에 따른 트렌드 차트(Trend Chart)의 일 예시를 도시한 도면이다.

전술한 바와 같이, 전자 장치(1000)는, 공정 촬영 장치(100)로부터 노칭 공정을 주기적으로 촬영한 이미지들을 수신할 수 있다. 이때, 전자 장치(1000)는 제1 시점에 촬영된 이미지와 제2 시점에 촬영된 이미지를 포함한 복수의 이미지들에 대하여 각각 전술한 S1000 단계 내지 S4000 단계와 같이, 분석을 수행하여 각 이미지에 대응되는 픽셀 거리를 연산하여 제1 시점의 픽셀 거리와 제1 시점과는 상이한 제2 시점의 픽셀 거리를 포함하는 픽셀 거리 데이터 세트를 획득할 수 있다.

나아가 전자 장치(1000)는 제1 시점의 픽셀 거리와 제1 시점과는 상이한 제2 시점의 픽셀 거리를 포함하는 픽셀 거리 데이터 세트를 이용하여 트렌드 차트(Trend Chart)를 생성할 수 있다. (S4510) 구체적으로 전자 장치(1000)는 픽셀 거리 데이터 세트를 이용하여 시간에 따른 픽셀 거리(도 9의 'D')에 대한 트렌드 차트(Trend Chart)를 생성할 수 있다.

이때, 전자 장치(1000)는 생성된 트렌드 차트를 이용하여 픽셀 거리의 추세를 분석하고, 분석된 추세가 미리 정해진 값보다 큰 경우에는 노칭 공정 상에 문제 가능성이 존재(예컨대, 제2 불량 양상이 존재)한다고 판단할 수 있다. (S4520)

예컨대, 픽셀 거리가 미리 정해진 임계값보다 크거나 같은 경우에는, 전자 장치(1000)는 노칭 공정 상에 제2 불량 양상과 관련된 문제 가능성이 존재한다고 판단할 수 있다. 예컨대, 픽셀 거리의 추세(예컨대, 트렌드 차트의 기울기(도 9의 S))가 미리 정해진 값보다 크거나 같은 경우에는, 전자 장치(1000)는 노칭 공정 상에 제2 불량 양상과 관련된 문제 가능성이 존재한다고 판단할 수 있다. 다만 상술한 내용은 예시에 불과하며, 전자 장치(1000)는 임의의 적절한 방법을 활용하여 트렌드 차트를 이용하여 노칭 공정 상에 문제 가능성이 존재함을 판단하도록 구현될 수 있을 것이다.

나아가 전자 장치(1000)는 노칭 공정 상에 문제 가능성이 존재한다고 판단된 경우에는, 노칭 공정 상에 문제 가능성이 존재함을 지시하는 알림을 송신하도록 구현될 수 있다. (S4520)

도 10은 본 출원의 일 실시예에 따른 노칭 공정에 불량 양상이 검출되었음을 지시하는 알림의 일 양상을 도시한 도면이다.

구체적으로 노칭 공정 상에 제2 불량 양상과 관련된 문제 가능성이 존재한다고 판단된 경우에는, 전자 장치(1000)는, 송수신부(1100)를 통하여, 불량 발생 알림, 불량이 발생한 공장과 라인의 정보, 및/또는 불량임을 판단한 근거가 되는 이미지를 클라이언트 단말(200)에 송신하도록 구현될 수 있다.

한편 도 8 내지 도 10에서는 제2 불량 양상에 대한 알림을 송신하는 내용을 중심으로 설명하였다. 다만 이는 설명의 편의를 위한 예시에 불과하며, 전자 장치(1000)는 S3000 단계를 통하여 제1 불량 양상이 검출된 경우에도 제1 불량 양상의 발생하였음을 나타내는 알림, 제1 불량 양상이 발생한 공장과 라인의 정보, 및/또는 불량임을 판단한 근거가 되는 이미지를 클라이언트 단말(200)에 송신하도록 구현될 수 있음은 물론이다.

상술한 전자 장치(1000)의 다양한 동작들은 전자 장치(1000)의 메모리(1200)에 저장될 수 있으며, 전자 장치(1000)의 프로세서(1300)는 메모리(1200)에 저장된 동작들을 수행하도록 제공될 수 있다.

이상에서 실시 형태들에 설명된 특징, 구조, 효과 등은 본 발명의 적어도 하나의 실시 형태에 포함되며, 반드시 하나의 실시 형태에만 한정되는 것은 아니다. 나아가, 각 실시 형태에서 예시된 특징, 구조, 효과 등은 실시 형태들이 속하는 분야의 통상의 지식을 가지는 자에 의해 다른 실시 형태들에 대해서도 조합 또는 변형되어 실시 가능하다. 따라서 이러한 조합과 변형에 관계된 내용들은 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

또한, 이상에서 실시 형태를 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 실시 형태의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 즉, 실시 형태에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims

전자 장치가 노칭 공정의 불량 양상을 검출하는 방법에 있어서,
훈련이 완료된 이미지 분류 모델을 획득하는 단계;
노칭 공정을 촬영한 제1 이미지 및 제2 이미지를 포함하는 노칭 공정 이미지 세트를 획득하는 단계;
상기 훈련이 완료된 이미지 분류 모델을 통하여 상기 노칭 공정 이미지 세트로부터 제1 불량 양상에 대응되는 제1 이미지를 제1 카테고리로 분류하고, 상기 제1 불량 양상에 대응되지 않는 제2 이미지를 제2 카테고리로 분류하는 단계;
상기 제2 카테고리로 분류된 상기 제2 이미지의 전극 객체의 외곽선을 추출하는 단계 -상기 전극 객체의 외곽선은 상기 전극 객체의 일 측의 외곽선에 대응되는 제1 라인, 상기 전극 객체의 타 측의 외곽선에 대응되는 제2 라인, 및 상기 제1 라인과 상기 제2 라인 사이에 위치하는 제3 라인 중 하나 이상을 포함함-; 및
상기 추출된 외곽선에 포함된 제1 특징점과 제2 특징점에 기반하여 상기 제2 이미지가 제2 불량 양상에 해당하는 지 여부를 판단하는 단계;를 포함하되,
상기 제2 불량 양상에 해당하는 지 여부를 판단하는 단계는,
상기 제1 라인과 상기 제3 라인의 교점에 대응되는 상기 제1 특징점을 획득하는 단계;
상기 제3 라인의 곡률 정보에 기반하여 상기 제2 특징점을 획득하는 단계;
상기 제1 특징점에 대응되는 제1 픽셀 좌표와 상기 제2 특징점에 대응되는 제2 픽셀 좌표 간의 픽셀 거리를 연산하는 단계; 및
상기 연산된 픽셀 거리가 미리 정해진 임계값보다 크거나 같은 경우에는 상기 제2 이미지에 대하여 상기 제2 불량 양상이 존재한다고 판단하는 단계;를 포함하는,
노칭 공정의 불량 양상 검출 방법.
제1 항에 있어서,
상기 제1 불량 양상은,
분리막이 뒤집히거나 구부러지는 형태로 제품이 제조된 불량 양상을 포함하는,
노칭 공정의 불량 양상 검출 방법.
제1 항에 있어서,
상기 제2 불량 양상은,
상기 노칭 공정의 금속판을 압착하는 Horn과 Anvil 간의 압력차로 인하여 분리막의 접합이 위 방향 또는 아래 방향으로 미세하게 휘는 형태로 제품이 제조되는 불량 양상을 포함하는,
노칭 공정의 불량 양상 검출 방법.
제1 항에 있어서,
상기 제2 이미지에 대하여 상기 제2 불량 양상이 존재한다고 판단하는 단계는,
제1 시점의 픽셀 거리와 상기 제1 시점과는 상이한 제2 시점의 픽셀 거리를 포함하는 픽셀 거리 데이터 세트를 이용하여 트렌드 차트를 생성하는 단계; 및
상기 생성된 트렌드 차트를 이용하여 상기 픽셀 거리의 추세를 분석하고, 분석된 추세가 미리 정해진 값보다 큰 경우에는 노칭 공정 상에 문제 가능성이 존재함을 지시하는 알림을 송신하는 단계;를 더 포함하는,
노칭 공정의 불량 양상 검출 방법.
제1 항에 있어서,
상기 이미지 분류 모델은,
상기 제1 불량 양상에 대응되는 제1 학습 이미지와 상기 제1 학습 이미지가 제1 불량 양상에 관한 것임을 나타내는 제1 레이블 및 상기 제1 불량 양상에 대응되지 않는 제2 학습 이미지와 상기 제2 학습 이미지가 상기 제1 불량 양상에 대응되지 않음을 나타내는 제2 레이블로 구성된 학습 데이터 세트에 기반하여 훈련되는,
노칭 공정의 불량 양상 검출 방법.
제5 항에 있어서,
상기 이미지 분류 모델은,
상기 제1 학습 이미지를 입력 받아 상기 제1 레이블에 대응되는 상기 제1 카테고리로 상기 제1 학습 이미지를 분류하고 상기 제2 학습 이미지를 입력 받아 상기 제2 레이블에 대응되는 상기 제2 카테고리로 상기 제2 학습 이미지를 분류하도록, 상기 이미지 분류 모델의 파라미터가 갱신되어 훈련되는,
노칭 공정의 불량 양상 검출 방법.
제1 항에 있어서,
상기 노칭 공정 이미지 세트를 획득하는 단계는,
상기 노칭 공정 이미지 세트의 상기 제1 이미지에 포함된 전극 객체에 대응되는 관심 영역을 크롭하여 제1 크롭 이미지를 획득하는 단계;
상기 노칭 공정 이미지 세트의 상기 제2 이미지에 포함된 전극 객체에 대응되는 관심 영역을 크롭하여 제2 크롭 이미지를 획득하는 단계; 및
상기 제1 크롭 이미지 및 상기 제2 크롭 이미지를 상기 노칭 공정 이미지 세트로 획득하는 단계를 더 포함하는,
노칭 공정의 불량 양상 검출 방법.
컴퓨터에 제1 항 내지 제7 항 중 어느 하나의 항에 따른 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체.
노칭 공정의 불량 양상을 검출하기 위한 전자 장치에 있어서,
노칭 공정을 촬영한 이미지를 수신하기 위한 송수신부; 및
훈련이 완료된 이미지 분류 모델을 획득하고, 노칭 공정을 촬영한 제1 이미지 및 제2 이미지를 포함하는 노칭 공정 이미지 세트를 획득하고, 상기 훈련이 완료된 이미지 분류 모델을 통하여 상기 노칭 공정 이미지 세트로부터 제1 불량 양상에 대응되는 제1 이미지를 제1 카테고리로 분류하고, 상기 제1 불량 양상에 대응되지 않는 제2 이미지를 제2 카테고리로 분류하고, 상기 제2 카테고리로 분류된 상기 제2 이미지의 전극 객체의 외곽선을 추출하고-상기 전극 객체의 외곽선은 상기 전극 객체의 일 측의 외곽선에 대응되는 제1 라인, 상기 전극 객체의 타 측의 외곽선에 대응되는 제2 라인, 및 상기 제1 라인과 상기 제2 라인 사이에 위치하는 제3 라인 중 하나 이상을 포함함-, 상기 추출된 외곽선에 포함된 제1 특징점과 제2 특징점에 기반하여 상기 제2 이미지가 제2 불량 양상에 해당하는 지 여부를 판단하도록 구성된 프로세서를 포함하되,
상기 프로세서는,
상기 제1 라인과 상기 제3 라인의 교점에 대응되는 상기 제1 특징점을 획득하고, 상기 제3 라인의 곡률 정보에 기반하여 상기 제2 특징점을 획득하고, 상기 제1 특징점에 대응되는 제1 픽셀 좌표와 상기 제2 특징점에 대응되는 제2 픽셀 좌표 간의 픽셀 거리를 연산하고, 상기 연산된 픽셀 거리가 미리 정해진 임계값보다 크거나 같은 경우에는 상기 제2 이미지에 대하여 상기 제2 불량 양상이 존재한다고 판단하는,
전자 장치.