KR20110007714A - Testing method for failure recognition system - Google Patents

Testing method for failure recognition system Download PDF

Info

Publication number
KR20110007714A
KR20110007714A KR1020090065298A KR20090065298A KR20110007714A KR 20110007714 A KR20110007714 A KR 20110007714A KR 1020090065298 A KR1020090065298 A KR 1020090065298A KR 20090065298 A KR20090065298 A KR 20090065298A KR 20110007714 A KR20110007714 A KR 20110007714A
Authority
KR
South Korea
Prior art keywords
learning
result
image
product
category
Prior art date
Application number
KR1020090065298A
Other languages
Korean (ko)
Other versions
KR101087022B1 (en
Inventor
이종문
성기원
김재억
강현석
Original Assignee
(주) 티아이에스
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 (주) 티아이에스 filed Critical (주) 티아이에스
Priority to KR1020090065298A priority Critical patent/KR101087022B1/en
Priority claimed from US12/696,042 external-priority patent/US20100194562A1/en
Publication of KR20110007714A publication Critical patent/KR20110007714A/en
Application granted granted Critical
Publication of KR101087022B1 publication Critical patent/KR101087022B1/en

Links

Images

Classifications

    • GPHYSICS
    • G09EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09BEDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B7/00Electrically-operated teaching apparatus or devices working with questions and answers
    • G09B7/02Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student
    • G09B7/04Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student characterised by modifying the teaching programme in response to a wrong answer, e.g. repeating the question, supplying a further explanation
    • GPHYSICS
    • G09EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09BEDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B19/00Teaching not covered by other main groups of this subclass
    • G09B19/003Repetitive work cycles; Sequence of movements
    • GPHYSICS
    • G09EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09BEDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B5/00Electrically-operated educational appliances
    • G09B5/02Electrically-operated educational appliances with visual presentation of the material to be studied, e.g. using film strip
    • GPHYSICS
    • G09EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09BEDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B7/00Electrically-operated teaching apparatus or devices working with questions and answers
    • G09B7/06Electrically-operated teaching apparatus or devices working with questions and answers of the multiple-choice answer-type, i.e. where a given question is provided with a series of answers and a choice has to be made from the answers
    • G09B7/08Electrically-operated teaching apparatus or devices working with questions and answers of the multiple-choice answer-type, i.e. where a given question is provided with a series of answers and a choice has to be made from the answers characterised by modifying the teaching programme in response to a wrong answer, e.g. repeating the question, supplying further information

Abstract

PURPOSE: A defect recognition system learning method is provided to reduce the learning time and improve the accuracy of learning method. CONSTITUTION: An item to be studied is selected(S12). The type of learning is determined such as new learning or previous learning(S14). The new category is formed(S16). The existing category is selected(S18). The rate of learning data is selected according to the category. The test is implemented through the real product(S26).

Description

불량인식 시스템의 학습방법 {Testing method for failure recognition system}Testing method for failure recognition system

본 발명은 불량인식 시스템에 관한 것으로, 보다 상세하게는 현장에서 양불(良不) 판단이 효과적으로 이루어지도록, 다수의 테스트 결과 중 최고의 정확성을 가지는 학습결과를 도출하는 불량인식 시스템의 학습방법에 관한 것이다.The present invention relates to a failure recognition system, and more particularly, to a learning method of a failure recognition system for deriving a learning result having the highest accuracy among a plurality of test results so that a good judgment can be effectively made in the field. .

종래에는 프레스 등의 가공 작업에 의해 성형된 제품의 품질을 판단하기 위해서는 작업자가 일일이 제품을 눈으로 보고 판단한다. 즉, 작업자의 개별 판단에 의해 각각의 제품을 시각적으로 인식하여 불량과 양품을 판단하게 된다.In the related art, in order to determine the quality of a product formed by a machining operation such as a press, the operator visually judges the product. In other words, by visually recognizing each product by the individual judgment of the operator to determine the defect and good quality.

따라서, 이러한 작업자의 판단에 의하는 경우에는 일일이 제품을 검사하여야 하므로, 작업 능률이 저하되는 문제점이 있다. 또한, 작업자의 상황에 따라 검사기준이 변경되기도 한다. 즉, 작업자의 그날 컨디션에 따라 불량과 양품의 기준에 변화할 수 있기 때문에 품질판단이 주관적으로 되는 문제점이 있다.Therefore, in the case of the worker's judgment, because the product must be inspected one by one, there is a problem that the work efficiency is reduced. In addition, inspection standards may change depending on the worker's situation. That is, there is a problem that the quality judgment is subjective because it can be changed in the standard of defective and good quality according to the condition of the worker on that day.

한편, 근래에는 인공지능이나 신경망이론 등에 의해 제품의 형상을 인식하는 방법이 나오고 있다. 그러나, 이러한 인공지능이나 신경망이론에 의하는 경우에도 해당 제품을 설정하고, 그에 대한 변수를 지정해야 하는 등 기본적으로 해당 판단 기준을 모두 프로그램화하여 지정하여야 한다.Recently, a method of recognizing the shape of a product by artificial intelligence or neural network theory has emerged. However, even in the case of artificial intelligence or neural network theory, all the relevant criteria should be programmed and specified basically, such as setting the product and assigning a variable for it.

즉, 종래의 인공지능이나 신경망 이론에 의하여 제품 형상을 판단하는 경우에도 많은 신경망의 입력뉴런(input neuron)이 필요하므로, 이러한 신경망의 학습시간이 과다하게 소요되고 계산시간도 많이 소요된다. In other words, even when judging the shape of a product by conventional artificial intelligence or neural network theory, input neurons of many neural networks are required, so that the learning time of such neural networks is excessively excessive and computational time is required.

또한, 특정된 해당 제품에 대해서만 형상 판단이 가능하므로 다수의 제품에 대한 형상 판단을 위해서는 그때마다 프로그램을 수정하고, 해당 제품의 기준을 설정해 주어야 하는 번거로움이 있다. In addition, since the shape determination is possible only for a specific corresponding product, it is cumbersome to modify the program each time and set the standard of the corresponding product in order to determine the shape of a plurality of products.

그리고, 양품과 불량을 판단하여 학습하기 위한 별도의 학습시스템이 없으므로, 신규 또는 기존의 불량인식 시스템에 불량인식 이미지를 추가하기 위해서는 일일이 하나씩 이미지를 추가하여 양품과 불량임을 인지시켜야 하며, 이러한 경우에는 정확하게 이미지가 일치하는 경우에만 양불(良不)의 판단이 가능한 문제점이 있다.In addition, since there is no separate learning system for learning by judging good quality and defects, in order to add a bad recognition image to a new or existing bad recognition system, it is necessary to add images one by one to recognize that it is good and bad. There is a problem in that it is possible to determine the difference between two images only when the image exactly matches.

본 발명의 목적은 상기한 바와 같은 종래 기술의 문제점을 해결하기 위한 것으로, 실제 현장에서 보다 정확한 양불(良不)판단이 가능하도록 하는 최적의 불량인식 시스템의 학습방법을 제공하는 것이다. SUMMARY OF THE INVENTION An object of the present invention is to solve the problems of the prior art as described above, and to provide a learning method of an optimal failure recognition system that enables more accurate determination of good or bad in actual field.

본 발명의 다른 목적은, 학습시간이 짧으면서도 정밀도가 높은 학습방식을 가지는 불량인식 시스템의 학습방법을 제공하는 것이다. Another object of the present invention is to provide a learning method of a failure recognition system having a short learning time and a high accuracy learning method.

상기한 바와 같은 목적을 달성하기 위한 본 발명에 의한 불량인식 시스템의 학습방법은, 학습할 물품을 선택하는 품목선택과정과; 신규 학습인지, 아니면 기존학습을 이어서 하는지의 여부를 판단하는 유형판단과정과; 상기 유형판단과정에서의 판단결과, 신규학습인 경우에는 새 카테고리를 형성하는 카테고리형성과정과; 상기 유형판단과정에서의 판단결과, 기존학습을 이어서 하는 경우에는 기존 카테고리를 선택하는 카테고리선택과정과; 카테고리별로 학습할 데이터(data) 수의 비율을 선택하는 비율선택과정과; 카테고리별로 학습한 이미지 데이터(data)를 저장할 폴더를 선택하는 폴더선택과정과; 이미지를 입력받아 저장하는 입력과정과; 실제 제품을 이용하여 테스트하는 테스트과정과; 상기 테스트과정에서의 결과를 확인하는 확인과정과; 상기 확인과정에서 확인된 테스트결과가, 요구하는 학습 결과값을 만족하는지의 여부를 판단하는 결과판단과정과; 상기 결과판단과정에서의 판단결과, 결과에 만족하는 경우에는 학습결과를 저장하는 저장과정;을 포함하는 것을 특 징으로 한다.Learning method of the failure recognition system according to the present invention for achieving the above object, the item selection process of selecting the article to be learned; A type judgment process of determining whether new learning or existing learning is continued; A category forming process of forming a new category in the case of new learning as a result of the determination in the type determination process; A category selection process of selecting an existing category when continuing the existing learning as a result of the determination in the type determination process; A ratio selection process of selecting a ratio of the number of data to be learned for each category; A folder selection process of selecting a folder to store the learned image data in each category; An input process of receiving and storing an image; A test procedure for testing using an actual product; Confirming the results of the test process; A result determination step of determining whether the test result confirmed in the verification step satisfies the required learning result value; And a storing step of storing a learning result if the result of the determination in the result determination process is satisfactory.

상기한 바와 같은 본 발명에 따르면, 다수의 제품에 대해 별도의 조작없이도 학습에 의해 품질판단이 가능하므로 작업능률이 향상되고, 품질기능이 향상되는 장점이 있다. 즉, 본 발명에 의하면 제품의 유형이 달라지는 경우에도 학습에 의해 자동적으로 해당 유형을 판별하여 해당 제품의 품질 기준으로 제품의 불량여부를 판단하게 된다. 이와 같이 본 발명에 의하면, 보다 인간에 가까운 학습 및 판단이 가능하므로 품질판단 작업이 보다 효과적으로 가능하게 된다.According to the present invention as described above, because the quality can be determined by learning without a separate operation for a plurality of products there is an advantage that the work efficiency is improved, the quality function is improved. That is, according to the present invention, even when the type of the product is different, the corresponding type is automatically determined by learning to determine whether the product is defective based on the quality standard of the corresponding product. Thus, according to the present invention, since it is possible to learn and judge closer to human beings, quality judgment work becomes more effective.

또한, 본 발명에서는, 학습과정에서가 이미지센서(Image sensor)가 여러 개의 이미지(Image)에서 랜덤(Random)하게 읽어들이는 횟수와, 최대거리 범위내의 벡터(vector)는 동시에 발생하는 것으로 간주하는 최대거리(MaxDistance) 및 추론(inference)과정에서 필요한 변수(parameter)이며 정규분포의 표준편차로서 동시에 발생하는 경우의 수의 범위를 지정하는 시그마(Sigma)에 대한 최적의 수치를 제공한다. 따라서, 학습에 소요되는 시간이 단축되고 제품의 양불(良不) 판단의 정확도(Accuracy)가 향상되는 장점이 있다.In addition, in the present invention, the number of times the image sensor reads randomly from several images in the learning process and the vector within the maximum distance range are regarded as occurring simultaneously. It is a necessary parameter in the process of maximum distance and inference, and provides an optimal value for sigma that specifies a range of cases that occur simultaneously as standard deviation of a normal distribution. Therefore, there is an advantage that the time required for learning is shortened and the accuracy of the good judgment of the product is improved.

그리고, 본 발명에서는 학습을 위하여, 신규의 카테고리를 형성하는 외에, 간단히 기존 카테고리에 데이터를 추가하는 것이 가능하므로, 카테고리의 형성 및 업데이트가 자유로운 이점이 있다.In addition, in the present invention, since it is possible to simply add data to an existing category in addition to forming a new category for learning, there is an advantage in that the formation and updating of the category is free.

뿐만 아니라, 본 발명에서는, 학습한 결과가 요구되는 결과치를 만족하는지 검토하는 과정이 부가되어 있으므로, 학습된 다수의 결과 중 가장 정확하다고 인정 되는 학습결과를 불량인식 시스템에 제공하여 현장에서 사용하게 되므로, 양불(良不) 판단이 보다 정확해지는 효과가 있다.In addition, in the present invention, since a process of examining whether the learned result satisfies the required result value is added, the learning result recognized as the most accurate of the plurality of learned results is provided to the failure recognition system to be used in the field. It is effective to make the judgment more positive.

이하 본 발명에 의한 불량인식 시스템의 학습방법에 대하여 설명한다.Hereinafter, a learning method of a failure recognition system according to the present invention will be described.

본 발명은, 기본적으로 에이치티엠(HTM)을 기반으로 하는 인식엔진(recognition engine)에 의해 품질을 판단하는 시스템에 있어서 학습하는 방법에 관한 것이다.The present invention relates to a method of learning in a system for determining quality by a recognition engine based on HTM.

에이치티엠(HTM: Hierarchical Temporal Memory) 모델은, 인간의 지능을 관장하는 신피질의 메커니즘을 의미한다. 즉, Hawkins가 인간 두뇌(Brain)의 뉴런(Neuron)과 시냅시스(Synapsis)의 동작을 모형화해 제안한 신피질(Neocortex)의 연산 모델(Computational Model)이다. Hierarchical Temporal Memory (HTM) model refers to the mechanism of the neocortex that governs human intelligence. In other words, Hawkins is a computational model of the neocortex proposed by modeling the behavior of neurons and synapses in the human brain.

이러한 에이치티엠(HTM: Hierarchical Temporal Memory) 모델은, 기존의 휴리스틱탐색(Huristic search)을 기본으로 하는 인공지능(Artificial intelligence(AI))이나, 단순 뉴런(Neuron)들의 연결로 보는 인공신경망(Artificial neural network(ANN))과는 다르다. This Hierarchical Temporal Memory (HTM) model is an artificial neural network based on conventional heuristic search (Artificial intelligence) or simple neurons (Artificial neural) network (ANN)).

그리고, 에이치티엠(HTM: Hierarchical Temporal Memory)에서는, 네트워크의 기본 단위인 노드(Node)를 6개 층으로 이루어진 신피질(Neocortex)의 기본 단위 즉, 신피질컬럼((Neocortex column)을 단위 노드(Node)로 하여(이는 대략 1,000개의 뉴런들과 1,000,000개의 시냅시스들로 구성됨), 이들을 계층 네트워크(Hierarchy network)로 구성하며, 이를 이용하여 세계(World)의 시공간 적(Spatial-temporal) 패턴(Pattern) 정보(특히, 시간(Temporal) 정보)를 기억해 효율적으로 지능적 판단을 할 수 있게 한다.In the HTM, Hierarchical Temporal Memory (HTM) is a basic unit of the neocortex consisting of six layers of a node, which is a basic unit of a network, that is, a neocortex column is a unit node. (Consisting of approximately 1,000 neurons and 1,000,000 synapses), they are organized into a hierarchy network, which uses the world's spatial-temporal pattern information. (Especially Temporal information) to memorize intelligent judgment efficiently.

따라서, 기존의 AI나 ANN에 비해 세계에 대한 인식이 효율적(Efficient)이면서 훨씬 강건한(Robust) 것으로 나타나고 있다.Therefore, the recognition of the world is more efficient and more robust than the existing AI or ANN.

보다 구체적으로 살펴보면 에이치티엠(HTM: Hierarchical Temporal Memory)은, ⅰ)계층적(Hierarchical)의 의미로, HTM은 트리 모양을 하는 노드들의 계층으로 조직되며, 각 노드는 학습과 메모리 기능을 가지며 이를 수행하는 내부 알고리즘을 갖는다. 낮은 수준의 노드는 외부로부터 많은 양의 입력을 받아 처리한 후 다음 상위 수준으로 그 처리 결과를 보낸다. More specifically, Hierarchical Temporal Memory (HTM), in the sense of hierarchical, is organized into a hierarchical group of nodes, each node having a learning and memory function and performing this. Has an internal algorithm. The lower level node receives a large amount of input from the outside, processes it, and sends the processing result to the next higher level.

ⅱ)시간적 (Temporal)의 의미로, 훈련하는 동안, HTM 응용은 해당 객체를 시간에 걸쳐 변해가는 형태로 나타내는데, 예를 들어, 그림 응용을 훈련시키는 동안에 이미지는 위에서 아래로, 그리고 왼쪽에서 오른쪽으로 마치 이미지가 시간에 걸쳐 움직이는 것으로 나타내어진다. 그리고, 이러한 시간적 요소가 매우 중요하며, 알고리즘은 시간에 따라 점차 변하는 입력을 기대하도록 되어 있다.Ii) In the sense of Temporal, during training, the HTM application presents the object in a form that changes over time, for example, while training a drawing application, the image is from top to bottom and from left to right. It is represented as if the image is moving over time. And this temporal factor is very important, and the algorithm is expected to expect inputs that change over time.

ⅲ)메모리(Memory)의 의미로, HTM 응용은 두 단계로 동작한다. 즉, 메모리를 훈련하고, 그 메모리를 추론에 사용한다. 우선 훈련하는 동안에 HTM 네트워크는 그것이 받아들이고 있는 입력에서 패턴을 인식하기 위해 학습하며, 이때 계층의 각 수준에서 분리적으로 훈련된다. I) In the sense of memory, HTM applications operate in two stages. That is, it trains memory and uses it for inference. During training, the HTM network learns to recognize patterns in the input it is accepting, where it is trained separately at each level of the hierarchy.

이렇게 하여 네트워크의 훈련이 완전히 끝나면, 계층의 각 수준은 그것의 세계에 있는 모든 객체들을 메모리 안에 체계적으로 갖게 된다. In this way, when the network is fully trained, each level in the hierarchy will systematically have all the objects in its world in memory.

다음으로 추론하여 인식하는 동안에 HTM 네트워크는 새로운 객체를 받아, 그것이 이미 알고 있는 객체들 중의 하나로 가장 그럴 것 같다고 판단한다.Next, while inferring and recognizing, the HTM network receives the new object and determines that it is most likely one of the objects it already knows.

이러한 HTM(Hierarchical Temporal Memory)은, 인간은 쉽게 해결하지만 기계는 해결하기 어려운 문제들을 컴퓨터로 해결할 수 있도록 하기 위해, 인간 두뇌의 신피질(neocortex)을 소프트웨어적으로 모델링한 새로운 컴퓨팅 패러다임이다.This hierarchical temporal memory (HTM) is a new computing paradigm that software-models the neocortex of the human brain to enable computers to solve problems that are easy for humans but hard for machines to solve.

HTM을 이용하면 입력되는 센서 데이터에 나타나는 패턴을 발견할 수 있으며, 몇 가지 간단한 응용들(이미지 인식, 다이아그램 인식, 웨이브 인식)에서는 성능의 우수성이 이미 입증되었다. With HTM, you can discover patterns in the incoming sensor data, and in some simple applications (image recognition, diagram recognition, wave recognition), the performance excellence has already been demonstrated.

본 발명은, 이러한 HTM을 이용하여, 제조 공장의 품질보증을 위한 판단에 활용할 수 있도록 한 것이다. 즉, 각종 센서(이미지, 온도, 습도, 먼지)들로부터 수집된 데이터를 이용해 공정 내 또는 공정 간의 품질 상황을 판단할 수 있는 시스템이다. The present invention, by using such HTM, can be utilized in the judgment for quality assurance of the manufacturing plant. That is, the system can determine the quality situation in or between processes using data collected from various sensors (image, temperature, humidity, dust).

이와 같이, 에이치티엠(HTM)을 기반으로 하는 인식엔진(recognition engine)에서는, 다수의 이미지(Image)가 혼재하여 있는 경우에 이러한 다수의 이미지(Image)들을 유사한 종류끼리 각각 분류하여 판단한다. 이는, 어린이에게 기차와 비행기를 사진이나 실물을 통해 인식시켜 주면, 이와 유사한 형체는 그 크기와 무관하게 기차와 비행기로 인식하게 되는 것과 같다.As described above, in a recognition engine based on HTM, when a plurality of images are mixed, the plurality of images are classified and judged by similar types. This is as if children were trained and recognized by pictures or in real life, and similar shapes would be recognized as trains and planes, regardless of their size.

도 1은, 본 발명이 적용되는 불량인식 시스템의 개략적인 구성 상태를 보인 블럭도이다.1 is a block diagram showing a schematic configuration of a failure recognition system to which the present invention is applied.

이에 도시된 바와 같이, 불량인식 시스템은, 양품과 불량에 대한 정보를 학 습에 의해 획득하는 학습단계(S10)와, 제품의 양불 판단을 위한 시스템의 기준 정보를 설정하는 설정단계(S100)와, 상기 설정단계(S100)에서 설정된 기준에 따라 제품을 검사하는 제품검사단계(S150)와, 상기 제품검사단계(S150)에서 측정된 제품의 영상을 구체화하여 제품의 유형과 정확한 제품 형상을 인식하는 제품인식단계(S160)와, 상기 제품인식단계(S160)에서 최종적으로 인식된 영상을 상기 학습단계(S10)에서 획득된 정보에 의해 불량과 양품을 판단하는 제품품질판단단계(S170)와, 상기 제품품질판단단계(S170)에 의해 제품 불량이 발생한 경우에는 이러한 사실을 외부로 알림과 동시에 상기 설정단계(S100)에서 설정된 제어방법에 따라 설비를 제어하는 후속조치단계(S180) 등으로 이루어진다.As shown in this, the failure recognition system, the learning step (S10) for obtaining information about the goods and defects by learning, and the setting step (S100) for setting the reference information of the system for determining the quality of the product and In order to recognize the product type and the correct product shape by specifying a product inspection step (S150) and a product image of the product measured in the product inspection step (S150) according to the criteria set in the setting step (S100) Product quality determination step (S160) and the product quality determination step (S170) of judging defective and good quality based on the information acquired in the learning step (S10) of the image finally recognized in the product recognition step (S160), If a product defect occurs by the product quality determination step (S170), such a fact to the outside and at the same time as a subsequent action step (S180) for controlling the equipment according to the control method set in the setting step (S100). Eojinda.

상기 학습단계(S10)는, 본 발명에 의한 학습방법을 의미하며, 도 2는 이러한 본 발명에 의한 불량인식 시스템의 학습방법에 대해 구체적으로 도시한 플로우차트이다.The learning step S10 means a learning method according to the present invention, and FIG. 2 is a flowchart specifically showing the learning method of the failure recognition system according to the present invention.

이에 도시된 바와 같이, 상기 학습단계(S10)는, 학습할 물품을 선택하는 품목선택과정(S12)과, 신규 학습인지 아니면 기존학습을 이어서 하는지의 여부를 판단하는 유형판단과정(S14)과, 상기 유형판단과정(S14)에서의 판단결과 신규학습인 경우에는 새 카테고리를 형성하는 카테고리형성과정(S16)과, 상기 유형판단과정(S14)에서의 판단결과 기존학습을 이어서 하는 경우에는 기존 카테고리를 선택하는 카테고리선택과정(S18)과, 카테고리별로 학습할 데이터(data) 수의 비율을 선택하는 비율선택과정(S20)과, 카테고리별로 학습한 이미지 데이터(data)를 저장할 폴더를 선택하는 폴더선택과정(S22)과, 이미지를 입력받아 저장하는 입력과정(S24) 과, 실제 제품을 이용하여 테스트하는 테스트과정(S26)과, 상기 테스트과정(S26)에서의 결과를 확인하는 확인과정(S28)과, 상기 확인과정(S28)에서 확인된 테스트결과가 요구하는 학습 결과값을 만족하는지의 여부를 판단하는 결과판단과정(S30)과, 상기 결과판단과정(S30)에서의 판단결과 결과에 만족하는 경우에는 학습결과를 저장하는 저장과정(S32) 등으로 이루어진다.As shown in this, the learning step (S10), the item selection process (S12) for selecting an article to learn, the type determination process (S14) for determining whether to continue learning or new learning, and In the case of the result of the determination in the type determination process (S14), if the new learning is a category formation process of forming a new category (S16), and the determination result in the type determination process (S14), if the existing learning continues the existing category A category selection process (S18) for selecting, a ratio selection process (S20) for selecting a ratio of the number of data to be learned for each category, and a folder selection process for selecting a folder for storing image data (learned) for each category (S22), an input process (S24) of receiving and storing an image, a test process (S26) of testing using an actual product, a confirmation process (S28) of confirming a result from the test process (S26), and , Prize In the result determination process (S30) for determining whether or not the test result confirmed in the previous confirmation process (S28) to meet the required learning result value, and if the result of the determination result in the result determination process (S30) is satisfied It consists of a storage process (S32) for storing the learning results.

도 3a에는 본 발명에 의한 불량인식 시스템의 학습방법을 수행하기 의한 메인화면의 일례가 도시되어 있다. 이에 도시된 바와 같이, 양품과 불량, 그리고, 학습데이터와 테스트데이터 등이 일괄적으로 관리된다.Figure 3a shows an example of the main screen by performing the learning method of the failure recognition system according to the present invention. As shown in this figure, good and bad, learning data, test data, etc. are collectively managed.

상기 유형판단과정(S14)은, 학습할 내용이 신규의 제품에 대한 것인지, 아니면, 이전에 학습한 적이 있는 제품에 대하여 추가로 학습하는 것인지의 여부를 판단하는 과정이다.The type judgment process S14 is a process of determining whether the content to be learned is about a new product or whether to learn additionally about a product that has been previously learned.

따라서, 이러한 유형판단과정(S14)에서의 판단결과에 따라, 상기 카테고리형성과정(S16)이나 카테고리선택과정(S18)이 진행된다.Therefore, according to the determination result in the type determination process (S14), the category forming process (S16) or category selection process (S18) is carried out.

상기 카테고리형성과정(S16)은, 새로운 제품의 학습되는 이미지 데이터를 보관하기 위하여 새 카테고리를 형성하는 과정이다. The category forming process (S16) is a process of forming a new category in order to keep the learned image data of the new product.

이 과정에서는, 크게 양품 카테고리와 불량 카테고리로 나누어 생성되도록 하며, 또한, 불량 카테고리는, 불량의 종류에 따라 불량1, 불량2....기타 등과 같은 다양한 카테고리로 이루어진다.In this process, the product is largely divided into a good product category and a bad category, and the bad category is composed of various categories such as bad 1, bad 2, ..., etc., depending on the type of bad.

예를 들어 구체적으로 살펴보면, 불량1은 제품의 일부에 비틀림이 발생한 유형이고, 불량2는 제품의 일부가 절단되어 깎인 유형이며, '기타'는 어떤 유형에도 포함되지 않으나 양품은 아닌 경우의 제품이 소속되는 카테고리이다.For example, in detail, Defect 1 is a type in which a part of the product is torsional, Defect 2 is a type in which a part of the product is cut and chipped, and 'Other' is not included in any type but is not good. This category belongs.

도 3b는 상기 카테고리형성과정(S16)에 의해 형성된 카테고리의 유형의 일례를 보여주는 화면이다.3B is a screen illustrating an example of a type of a category formed by the category forming process (S16).

그리고, 상기 카테고리선택과정(S18)은, 기존에 존재하는 다수의 카테고리 중에서 해당 제품의 카테고리를 선택하여, 새로이 입력되는 학습 이미지를 저장할 카테고리를 선택하여 지정하는 과정이다.The category selecting process (S18) is a process of selecting a category of a corresponding product from a plurality of existing categories, and selecting and specifying a category to store a newly input learning image.

상기 카테고리형성과정(S16)이나 카테고리형성과정(S16)이 완료되고 나면, 다음으로는 비율선택과정(S20)이 진행된다.After the category forming process S16 or the category forming process S16 is completed, a ratio selection process S20 is next performed.

상기 비율선택과정(S20)은, 각 카테고리를 어떠한 비율로 하여 학습을 수행할 것인지를 결정하는 과정이다. 즉, 학습하는 이미지의 수를 어떠한 비율로 할 것인지를 선택하는 과정이며, 여기에서는, 양품과 불량에 대해 학습하는 이미지(Image)데이터(Data) 수의 비를 실제 현장에서 발생하는 양품과 불량의 비율과 유사한 비율로 설정한다. 이처럼, 학습하기 위한 양품과 불량의 기본 데이터 비는, 실제 현장에서 발생하는 비율과 같은 비가 되도록 함이 바람직하다.The ratio selection process (S20) is a process of determining the ratio of each category to perform the learning. That is, the process of selecting the ratio of the number of images to be trained. Here, the ratio of the number of images and data to be learned about good quality and defects is determined by Set the ratio similar to the ratio. As such, it is desirable that the ratio of the basic data between good and bad for learning to be the same as the ratio occurring in the actual field.

그리고, 상기 비율선택과정(S20)에서는, 양품:불량1:불량2의 유형별로 학습하는 이미지(Image)데이터(Data) 수의 비(比)를 4:1:1 로 하는 것이 가장 바람직하다. 이와 같은 비율선택과정(S20)은 아래에서 상세히 살펴본다. 도 3c에는 이러한 비율선택과정(S20)에 따라 양품과 불량 이미지의 비율을 선택하는 화면의 일례가 도시되어 있다.In the ratio selection process (S20), it is most preferable that the ratio of the number of image data (Data) to be learned for each type of good: bad 1: bad 2 is 4: 1: 1. This ratio selection process (S20) will be described in detail below. 3C shows an example of a screen for selecting a ratio between good and bad images according to the ratio selection process (S20).

상기 입력과정(S24)은, 이미 저장되어 있는 이미지를 입력하여 양불(良不)을 판단하는 과정이거나, 또는 실제 테스트를 거쳐 양품과 불량품을 이미지로 입력받아 저장하는 과정이다.The input process (S24) is a process of determining whether the good or bad by inputting the image already stored, or the process of receiving the good and defective goods as an image through the actual test to store.

즉, 컴퓨터에 미리 제품에 대한 이미지를 스캔하여 저장하고 있는 경우에는, 이러한 이미지 데이터를 불러들여 양품이미지인지 불량이미지인지를 판단하는 과정이다.In other words, in the case where an image of a product has been scanned and stored in a computer in advance, it is a process of determining whether a good image or a defective image is obtained by loading such image data.

그리고, 이미지가 미리 저장되어 있지 않은 경우에는, 실제로 물건을 라인(Line)에 흘려보내면서 제품 이미지를 읽어들이고, 이 이미지를 유형별로 구분하여 저장하는 과정이다. 즉, 이미지 센서를 작동시킨 상태에서, 실제로 양품 또는 불량품을 라인(Line)으로 흘려서, 이미지 센서를 통해 이미지를 입력받아 저장하는 과정이다.If the image is not stored in advance, the product image is read while actually sending the product to a line, and the image is classified and stored according to the type. That is, in the state where the image sensor is operated, a good or defective product is actually flowed in a line, and an image is received and stored through the image sensor.

상기와 같은 입력과정(S24)이 진행되어 불량에 대한 정보와, 양품에 대한 정보가 입력되면, 이러한 양불(良不)에 대한 학습정보에 따라 실제로 제품을 테스트해보는 테스트과정(S26)이 진행된다.When the input process (S24) as described above proceeds to the information about the defects, and the information about the goods, the test process (S26) to actually test the product in accordance with the learning information for the good (良 不) proceeds .

상기 테스트과정(S26)은, 실제로 제품을 라인(Line)으로 흘려보내서, 센서를 통해 읽어들인 값이 양품인지 불량인지 판단하게 한다. 이 과정에서는 각종 파라미터(parameter)를 조정하면서 테스트를 수행하게 된다. 즉, 여기에서는 최적의 파라미터(parameter) 값을 자동적으로 인공지능에 의해 설정하여 테스트를 진행하게 되는데, 도 3d에는 이러한 파라미터(parameter) 값을 설정하는 화면의 일례가 도시되어 있다. 상기 테스트과정(S26)의 구체적인 예를 아래에서 구체적으로 살펴본다.The test process (S26), in fact, to flow the product (Line), to determine whether the value read through the sensor is good or bad. In this process, the test is performed while adjusting various parameters. That is, the test is performed by automatically setting the optimal parameter value by artificial intelligence, and FIG. 3D shows an example of a screen for setting the parameter value. A specific example of the test process S26 will be described below in detail.

그리고, 상기 확인과정(S28)은, 상기 테스트과정(S26)에서 실험한 결과가, 제대로 이루어지는지 여부를 확인하는 과정이다. 즉, 상기에서 학습한 형태에 따라 양품과 불량을 제대로 판단하였는지 확인하는 과정이다.In addition, the checking process (S28) is a process of confirming whether the result of the test in the test process (S26) is properly made. That is, it is a process of confirming whether good quality and poor quality are judged properly according to the form learned above.

도 3e에는 상기와 같은 테스트과정(S26)을 통해 생성된 테스트 데이터값을 확인하는 상태의 화면 일례를 보여주고 있다.FIG. 3E illustrates an example of a screen for checking a test data value generated through the test process S26 as described above.

상기 결과판단과정(S30)은, 상기 확인과정(S28)에서의 확인된 테스트 결과가 필요한 결과값인지 여부를 판단하는 과정이다. 즉, 예를 들어, 적어도 100%의 정확성을 요구하는 경우에는, 상기 확인과정(S28)에서의 확인결과, 테스트 결과가 90% 이상의 정확성을 가지는지 판단하는 과정이다.The result determination process S30 is a process of determining whether the test result confirmed in the verification process S28 is a required result value. That is, for example, when at least 100% of accuracy is required, it is a process of determining whether the verification result in the verification process (S28) has a accuracy of 90% or more.

상기 저장과정(S32)은, 상기 결과판단과정(S30)에서의 판단결과, 요구되는 정확성이 충족되는 경우에는 학습결과를 저장하여, 향후 현장에 적용 가능하도록 하는 과정이다. 즉, 각 결과를 비교한 다음, 가장 정확하다고 판단되는 학습결과를 불량인식 시스템으로 전송하여 저장함으로써, 현장 적용에 사용되도록 한다.The storage process (S32) is a process of storing the learning results when the determination result in the result determination process (S30), the required accuracy is satisfied, so that they can be applied to the site in the future. That is, the results are compared and then the learning results determined to be the most accurate are transmitted to the failure recognition system and stored, so that they can be used in the field application.

한편, 상기 결과판단과정(S30)에서의 판단결과, 결과에 만족하지 못하는 경우에는 그 원인을 확인하여 조절하는 조절과정(S34)이 진행된다. 즉, 테스트 결과가 요구되는 정확도를 가지지 못하는 경우에는, 오류 유형을 분석하여, 왜 판단 오류가 났는지의 여부를 확인하고, 오류가 보정되도록 조치를 취한다. On the other hand, if the result of the determination in the result determination process (S30), if the result is not satisfied, the adjustment process (S34) to check and adjust the cause is carried out. In other words, if the test result does not have the required accuracy, the error type is analyzed to determine why there is a decision error, and actions are taken to correct the error.

예를 들어, 해당 품목을 잘못 선택하여 오류가 난 경우에는, 상기 품목선택과정(S12)으로 되돌아가서, 올바른 해당 품목을 다시 선택하여 학습을 진행한다.For example, if an error occurs due to an incorrect selection of the item, the process returns to the item selection process S12, and the correct item is selected again to proceed with learning.

그리고, 양품과 불량의 비율이 잘못되어서 양품이나 불량의 유형 중 일부에 오류가 집중된다고 판단되는 경우에는, 상기 비율선택과정(S20)으로 되돌아가서 비 율을 조정하여 다시 학습한다.In addition, when it is determined that the error is concentrated in some of the types of the good or the defective product because the ratio of the good product and the defective product is wrong, the process returns to the ratio selection process S20 to adjust the rate and learn again.

도 4는, 상기 비율선택과정(S20)에서 최적의 데이터(Data) 수를 찾기 위한 실험과정을 나타낸 것이다. 즉, 도 4에는 양품과 불량1 및 불량2의 데이터 수의 비(比)를 각각 다르게 한 경우에 나타나는 불량1과 불량2 및 양품의 비율(%)이 도표 및 그래프로 도시되어 있다.4 shows an experimental procedure for finding an optimal number of data in the ratio selection process S20. That is, in FIG. 4, a ratio (%) between defectives 1 and defectives 2 and good products in the case where the ratio of data between good and poor 1 and bad 2 is different is shown in a chart and a graph.

이에 도시된 바와 같이, 레벨(Level)1에서는 불량1:불량2:양품=120:120:120으로 한 경우의 양불(良不) 비율은 불량1:불량2:양품=60.86%:41.25%:62.50%이며, 레벨(Level)2에서는 불량1:불량2:양품=60:60:120으로 한 경우의 양불(良不) 비율은 불량1:불량2:양품=70.00%:27.50%:80.00%이고, 불량1:불량2:양품=30:30:120으로 한 경우의 양불(良不) 비율은 불량1:불량2:양품=51.67%:16.25%:80.38%이다.As shown in FIG. 1, at the level 1, defective ratio 1: defective 2: good quality = 120: 120: 120, the ratio of good quality is poor 1: poor 2: good quality = 60.86%: 41.25%: 62.50%, and at Level 2, the ratio of good or bad when bad 1: bad 2: good = 60: 60: 120 is bad 1: bad 2: good = 70.00%: 27.50%: 80.00% The ratio of good and bad in the case of bad 1: bad 2: good quality = 30: 30: 120 is bad 1: bad 2: good quality = 51.67%: 16.25%: 80.38%.

따라서, 이러한 양품과 불량의 비율을 실제 양품과 불량의 비율과 비교한 결과, 상기 비율선택과정(S20)에서는 양품과 불량1, 불량2로 유형을 분류하는 경우에는 학습하는 이미지(Image)데이터(Data) 수의 비(比)는 양품:불량1:불량2 = 4:1:1 로 하는 것이 최적임을 알 수 있다.Therefore, as a result of comparing the ratio of good and defective goods with the ratio of actual good and bad goods, in the ratio selection process (S20), when classifying types of good goods and bad goods 1 and bad goods, image data ( Data) The ratio of number is good: good: bad 1: bad 2 = 4: 1: 1.

즉 실제 현장에서는 양품의 비율이 높고, 불량품의 비율이 매우 낮음에도 불구하고, 상기 학습 실험에서 레벨1과 레벨2는 불량의 비율이 지나치게 놓게 나온다. 따라서, 이러한 경우에는 많은 양품이 불량품으로 판정되어 제조라인의 중단이 빈번히 발생하는 폐단이 있다. 따라서, 결국 이미지(Image)데이터(Data) 수의 비(比)는 양품:불량1:불량2 = 4:1:1로 하는 것이 보다 양품 판단의 정확도(Accuracy)를 높일 수 있다.In other words, despite the fact that the ratio of good products is high and the ratio of defective items is very low in the actual field, the level of the level 1 and the level 2 in the learning experiment is too high. Therefore, in such a case, there is a closed end in which many good products are judged as defective goods and frequent interruption of the production line occurs. Therefore, the ratio of the number of image data (Data) is good quality: bad quality 1: bad quality 2 = 4: 1: 1, and can improve the accuracy of good quality judgment.

도 5a 내지 도 7b에는, 상기 테스트과정(S26)을 수행하면서, 파라미터(parameter)의 변화에 따른 정확도를 살펴본 결과가 도시되어 있다. 즉, 보다 정확한 판단을 위해 어떠한 파라미터(parameter) 값을 사용하는 것이 가장 좋은지를 실험적으로 보여주고 있다.5A to 7B, the results of examining the accuracy according to the change of the parameter while performing the test process S26 are shown. In other words, it shows experimentally which parameter value is best to use for more accurate judgment.

도 5a 및 도 5b는, 상기 테스트과정(S26)에서 이미지센서(Image sensor)가 여러 개의 이미지(Image)에서 랜덤(Random)하게 읽어들이는 횟수를 의미하는 '반복(iteration)수'의 변화에 따른 정확도(Accuracy)를 테스트한 실험 결과를 보여주고 있다. 즉, 도 5a는 '반복(iteration)수'를 레벨1 내지 레벨3이 모두 동일하도록 한 경우의 실험 결과값이며, 도 5b는 '반복(iteration)수'를 레벨1과 레벨2는 동일하게 하고 레벨3만 변화시킨 경우의 결과값이다.5A and 5B illustrate a change in the number of iterations, which means the number of times that an image sensor is randomly read from a plurality of images in the test process S26. It shows the test result that tested the accuracy. That is, FIG. 5A is an experimental result value when the "iteration number" is equal to level 1 to level 3, and FIG. 5B is the same as the "iteration number" for level 1 and level 2. This is the result when only Level 3 is changed.

이들 실험결과에 의하면, 도 5a에서는 레벨1 내지 레벨3이 모두 '반복(iteration)수'의 변화는 의미가 없을 정도로 미약하며, 도 5b에서도 '반복(iteration)수'의 변화는 양품 판단의 정확도(Accuracy)에 별 영향을 미치지 못함을 알 수 있다. 결론적으로, '반복(iteration)수'의 많고 적음은 양품과 불량 판단의 정확도(Accuracy)에 영향을 미치지 못한다고 판단된다.According to these experimental results, in Fig. 5a, the level 1 to level 3 are all so insignificant that the change in the number of iterations is meaningless, and in Fig. 5b, the change in the iteration number is the accuracy of the good judgment. It can be seen that it does not affect Accuracy. In conclusion, it is judged that the high and low number of iterations does not affect the accuracy of good and bad judgments.

따라서, 불필요하게 '반복(iteration)수'를 많이 하게 되면, 컴퓨터의 수행능력이 한계에 부딪히게 되고, 학습시간이 길어지게 되므로, 반복(iteration)수는 5,000회 이상이 되도록 하는 것이 바람직하며, 더 구체적으로는 최소한의 '반복(iteration)수'는 약 5,000회가 적당하다고 하겠다.Therefore, if the number of iterations is unnecessary, the performance of the computer hits the limit and the learning time becomes long. Therefore, the number of iterations is preferably 5,000 or more. More specifically, the minimum number of iterations is about 5,000.

도 6a 내지 도 6c는, 본 발명에 이용되는 HTM 인식엔진(recognition engine) 의 파라미터(parameter)인 '최대거리(MaxDistance)'의 최적값을 구한 실험결과를 나타내고 있다. 여기서 '최대거리(MaxDistance)'는 유클리드의 거리(Euclidean distance)로 학습하는 동안, 입력된 벡터(vector)들을 저장값으로부터의 최대거리를 설정하여, 최대거리 범위내의 벡터(vector)는 동시에 발생하는 것으로 간주하는 거리를 의미한다. 즉, '최대거리(MaxDistance)'는 하나의 기준 센서로부터 원본이미지와 비교할 이미지를 비교하는 최대거리를 뜻한다.6A to 6C show experimental results obtained by obtaining an optimum value of 'MaxDistance', which is a parameter of the HTM recognition engine used in the present invention. Here, 'MaxDistance' is the maximum distance from the stored values of the input vectors while learning the Euclidean distance, so that the vectors within the maximum distance range are generated simultaneously. Means the distance considered to be. In other words, 'MaxDistance' means the maximum distance for comparing the image to be compared with the original image from one reference sensor.

이러한 '최대거리(MaxDistance)'는 값은 작게 설정할 경우 보다 더 정확한 비교가 가능하다. 그러나, 너무 낮은 값의 '최대거리(MaxDistance)'를 설정하게 되면, 컴퓨터의 수행능력이 한계에 부딪히게 되어 학습 불능이 될 수 있으며 학습시간이 지나치게 과다하게 된다. 따라서, 양품과 불량을 판단하는 정확도(Accuracy)에 별 영향을 미치지 않는 범주내에서 최대한 작은 수치를 찾는 것이 바람직하다.This 'MaxDistance' can be compared more accurately than if the value is set small. However, if the value of the maximum distance (MaxDistance) is set too low, the performance of the computer hit the limit can be impossible to learn and the learning time is excessively excessive. Therefore, it is desirable to find the smallest value within the range that does not affect the accuracy of judging good or bad.

이와 같은 주변요건을 고려하여, 실험 결과를 살펴보면, '최대거리(MaxDistance)'는 약 1400 내지 1900이 되도록 하는 것이 바람직하다. 즉, 이 수치에서는 상대적으로 '최대거리(MaxDistance)'의 값이 작으면서도 양품의 비율이 높아 정확도(Accuracy) 수준이 상당히 높은 것으로 판단되며, 그 중에서도 '최대거리(MaxDistance)'의 값이 1,500이 되는 것이 보다 최적임을 알 수 있다.In consideration of such peripheral requirements, looking at the experimental results, it is preferable that the 'MaxDistance' is about 1400 to 1900. In other words, the value of 'MaxDistance' is relatively small and the ratio of good products is high, so the level of accuracy is considered to be quite high. Among them, the value of 'MaxDistance' is 1,500. It can be seen that it is more optimal to be.

도 7a와 도 7b는 '시그마(Sigma)'변화에 따른 정확도(Accuracy) 결과를 비교한 실험데이터이다. '시그마(Sigma)'는 추론(inference)과정에서 필요한 변수(parameter)이며 정규분포의 표준편차로서 동시에 발생하는 경우의 수의 범위를 지정하는 것이다. 즉, '시그마(Sigma)'는 비교범위 내의 노이즈(Noise)정도를 설정 하는 파라미터(parameter)로, 비교할 이미지의 노이즈(Noise) 정도에 따라 정확도(Accuracy)가 많이 달라지기 때문에 적당한 시그마(Sigma)값의 설정이 중요하며, 정확도(Accuracy)가 가장 높게 나오는 시그마(Sigma)값을 찾을 필요가 있다.7A and 7B are experimental data comparing the accuracy (Accuracy) according to the 'Sigma' change. Sigma is a necessary parameter in the process of inference and specifies the range of cases that occur simultaneously as the standard deviation of the normal distribution. In other words, 'sigma' is a parameter that sets the noise level within the comparison range, and the sigma is appropriate because the accuracy varies greatly depending on the noise level of the image to be compared. Setting the value is important and you need to find the Sigma value with the highest accuracy.

실험 결과에 도시된 바와 같이, '시그마(Sigma)'값은 정확도(Accuracy)에 많은 영향을 미친다. 그리고, 이러한 '시그마(Sigma)'값은 '최대거리(MaxDistance)'의 제곱근 전후에서 가장 높은 정확도(Accuracy)를 보이는 것을 알 수 있다. 즉, 실험에서 '최대거리(MaxDistance)'가 1,500인 경우, 이러한 1,500의 제곱근에 해당하는 38.7 전후에서 가장 높은 정확도(Accuracy)를 나타냄을 알 수 있다.As shown in the experimental results, the 'sigma' value greatly influences the accuracy. In addition, the 'Sigma' value can be seen that the highest accuracy (Accuracy) before and after the square root of the 'MaxDistance'. That is, when the 'MaxDistance' in the experiment is 1,500, it can be seen that the highest accuracy (Accuracy) around 38.7 corresponding to the square root of 1,500.

한편, 상기 설정단계(S100)는, 제품을 생산하는 제품생산설비정보와 압력이나 온도 등과 같은 주위 환경 상태를 측정하는 센서정보를 입력하는 설비정보입력과정(S110)과, 제품 검사를 어떤 방식으로 실시할 것인지를 시간적 또는 수량적으로 조건을 설정하는 검사조건설정과정(S120)과, 다수의 제품 각각에 대하여 불량과 양품의 판단기준이 되는 상기 학습단계(S10)에서 학습한 정보를 로딩(Loading)하는 품질기준설정과정(S130)과, 불량이 발생할 경우에 설비 작동을 어떻게 제어할 것인지에 대한 제어방법을 설정하는 설비제어방법설정과정(S140) 등으로 이루어진다.On the other hand, the setting step (S100), the facility information input process (S110) for inputting the product production equipment information for producing the product and the sensor information for measuring the environmental conditions such as pressure or temperature, and the product inspection in some way Inspection condition setting process (S120) for setting a condition in terms of time or quantity, whether to be carried out, and loading the information learned in the learning step (S10) that is a criterion of defective and good quality for each of a plurality of products (Loading The quality standard setting process (S130) and the equipment control method setting process (S140) for setting a control method for how to control the operation of the equipment in the event of a failure occurs.

상기 설비정보입력과정(S110)은, 제품을 생산하는 설비와 기타 센서 정보 등을 입력하는 과정이다. 즉, 본 발명에 의한 품질판단 시스템은, 제품을 생산하는 공정 중에서 제품의 이미지(Image)를 판단하여 불량 여부를 가려내는 것이므로, 설비와 연동되어야 한다. 따라서, 이러한 설비에 대한 정보가 입력되어야 한다.The facility information input process (S110) is a process of inputting equipment for producing a product and other sensor information. That is, the quality judgment system according to the present invention is to determine whether the defective image by determining the image of the product in the process of producing the product, it should be linked with the facility. Therefore, information on these facilities must be entered.

또한, 본 발명에 의한 품질판단 시스템에서는, 공정 중의 제품 품질을 판단 하기 위해 다양한 센서가 설치 가능하다. 즉, 이미지(Image) 센서(sensor)는 물론, 온도, 습도, 먼지 등을 감지하는 센서(sensor)들이 설치될 수 있으며, 이때 이러한 각종 센서(sensor)들에 대한 정보가 미리 입력된다.In addition, in the quality judgment system according to the present invention, various sensors can be installed to determine the product quality during the process. That is, not only an image sensor, but also sensors for sensing temperature, humidity, dust, and the like may be installed. In this case, information on these various sensors is input in advance.

그리고, 설비에 대한 정보와 다양한 센서(sensor)들에 대한 정보는 서로 매칭(matching)되어야 한다.In addition, the information on the facility and the information on the various sensors should be matched with each other.

상기 검사조건설정과정(S120)에서는 어떤식으로 제품을 검사할 것인지를 설정하게 된다. 여기서는 시간적으로 조건을 정하거나 수량적으로 조건을 정하는 것이 일반적이다. 즉, 예를 들어, 10초마다 또는 1분마다 한번씩 검사를 실행하도록 하거나, 10개 또는 20개의 제품이 나오는 경우에 그 중 하나를 검사하게 하는 수량적 검사방식을 설정할 수 있다.In the inspection condition setting process (S120), it is set how to inspect the product. Here, it is common to set the conditions in time or in terms of quantity. That is, for example, it is possible to set a quantitative inspection method to execute the inspection once every 10 seconds or once every minute or to inspect one of ten or twenty products.

상기 품질기준설정과정(S130)은 제품의 양품과 불량을 판단하는 정보를 설정하는 과정이다. 즉, 상기 학습단계(S100)에서 학습한 제품의 양품과 불량 상태에 대한 정보를 입력하여 판단기준을 설정하는 과정이다.The quality standard setting process (S130) is a process of setting the information to determine the good or bad of the product. That is, it is a process of setting the criterion by inputting information on the quality and defective state of the product learned in the learning step (S100).

상기 설비제어방법설정과정(S140)은, 불량이 발생하는 경우의 설비 제어를 어떻게 할 것인지에 관한 내용과 이러한 불량 발생시 불량 상태를 외부로 알리도록 설정하는 과정이다. 여기서는, 불량이 연속적으로 발생하는 경우에 설비를 정지시키고, 이러한 상태를 부저(Buzzer)를 통해 외부로 알림과 동시에 메신저(SMS)를 통해 원거리의 사용자에게 알리도록 설정된다. 즉, 메신저(SMS)를 통해 사용자의 핸드폰으로 불량 상태를 송신하도록 설정된다.The facility control method setting process (S140) is a process of setting the information on how to control the facility in the event of a failure and to notify the outside of the failure condition when such a failure occurs. In this case, when a failure occurs continuously, the equipment is stopped, and the status is set to notify the remote user through a messenger (SMS) at the same time as a notification to the outside through a buzzer (Buzzer). That is, it is set to transmit a bad state to the user's mobile phone through the messenger (SMS).

여기서, 연속적인 불량 상태는 제품의 품질 요구 정도에 따라 또는 사용자의 의지에 따라 다양하게 변경될 수 있다. 즉, 연속적으로 3개의 불량이 나오는 경우에는 설비를 정지시킴과 동시에 외부로 알리도록 하거나, 연속적으로 3개의 불량이 나오는 경우에는 외부로 알리는 기능만 작동하도록 하고, 연속적으로 10개의 불량이 나오는 경우에는 설비를 정지시키도록 하는 등 다양하게 설정 가능하다.Here, the continuous failure state may be variously changed depending on the degree of quality requirements of the product or the user's will. In other words, if three defects are continuously reported, stop the equipment and notify the outside at the same time, or if three defects are continuously, only the function of notifying the outside is activated, and in case of ten consecutive defects Various settings are possible, such as to stop the equipment.

상기 제품검사단계(S150)는, 제품의 영상을 촬영하여 이미지(Image)를 읽어들이는 영상읽기과정(152)과, 상기 영상읽기과정(152)에서 읽어들인 영상을 편집하는 영상편집과정(154)과, 상기 영상편집과정(154)에 의해 조작된 영상을 저장하는 영상저장과정(156)을 통해 제품을 검사하는 단계이다.The product inspection step (S150), the image reading process (152) for taking an image of the product to read the image (Image) and the image editing process for editing the image read in the image reading process (152) (154) And an image storing process 156 for storing the image manipulated by the image editing process 154.

도 8에는 상기 제품검사단계(S150)의 세부과정이 순차적으로 도시되어 있다.8 is a detailed process of the product inspection step (S150) is shown sequentially.

이에 도시된 바와 같이, 상기 제품검사단계(S150)의 영상읽기과정(152)은, 촬영기기(200)에 의해 촬영된 제품의 영상을 BMP파일로 읽어들이는 과정이다. 즉, 다수의 제품이 동시에 하나의 영상으로 입력되며, 이때 1024×768의 해상도로 입력된다.As shown in the drawing, the image reading process 152 of the product inspection step S150 is a process of reading an image of a product photographed by the photographing apparatus 200 into a BMP file. That is, a plurality of products are simultaneously input as one image, and at this time, the input is at a resolution of 1024 × 768.

그리고, 상기 제품검사단계(S150)의 영상편집과정(154)은, 상기 영상읽기과정(152)에 의해 읽어들인 영상을 이진 영상으로 변환하고 각 제품의 외곽선 위치를 파악함과 동시에 영역별로 잘라내는 제1조작과정(S154')과, 상기 제1조작과정(S154')을 거친 영상의 밝기 및 명암을 조절하여 영상판단이 용이하도록 하는 제2조작과정(S154")을 포함하는 과정이다.And, the image editing process 154 of the product inspection step (S150), converts the image read by the image reading process 152 into a binary image, grasp the position of each product and at the same time cut out by region A first operation S154 ′ and a second operation S154 ″ for facilitating image determination by adjusting the brightness and contrast of the image passed through the first operation S154 ′.

상기 제1조작과정(S154')은 도시된 바와 같이 다수의 제품을 하나씩 잘라내는 크롭(Crop)과정이며, 상기 제2조작과정(S154")은 밝기와 명암을 조절하여 선명 도를 증가시키는 콘트라스트(Contrast)과정이다.The first operation S154 ′ is a crop process of cutting a plurality of products one by one as shown, and the second operation S154 ″ increases contrast by adjusting brightness and contrast. (Contrast) process.

상기 제품검사단계(S150)의 영상저장과정(156)은, 상기 영상편집과정(154)을 거친 BMP 영상파일을 각각 저장하는 과정이다. 즉, 도시된 바와 같이, 128×128의 해상도를 가지는 각각의 BMP 영상파일로 이미지를 저장하는 과정이다.The image storing process 156 of the product inspection step S150 is a process of storing the BMP image files which have undergone the image editing process 154, respectively. That is, as shown, the process of storing the image to each BMP image file having a resolution of 128 × 128.

도 9에는 제2조작과정(S154")에서 수행되는 콘트라스트(Contrast)의 강화에 따른 정확도(Accuracy) 변화 결과치가 나타나 있다.9 shows the result of change in accuracy according to the enhancement of contrast performed in the second operation S154 ″.

이에 도시된 바와 같이, 콘트라스트(Contrast)를 강화한 경우에는 인식률이 전체적으로 상승함을 알 수 있다. 즉, 불량1의 경우에는 26.0% -> 56.0, 불량2의 경우에는 20.9% -> 23.0%, 양품의 경우에는 90.0% -> 92.5%로 그 인식률이 향상되었다.As shown in FIG. 2, when the contrast is enhanced, the recognition rate is increased as a whole. In other words, the recognition rate improved from 26.0% to 56.0 for defective 1, 20.9% to 23.0% for defective 2, and 90.0% to 92.5% for good products.

따라서, 정확도(Accuracy)를 높이기 위해서는 윤곽선을 뚜렷하게 할 필요가 있으며, 이와 같이 윤곽선을 명확하게 하는 방법으로 콘트라스트(Contrast)를 높이는 방법을 사용하였다.Therefore, in order to increase the accuracy, it is necessary to make the outline clear, and thus a method of increasing the contrast in a manner to make the outline clear is used.

도 10에는 상기 제품인식단계(S160)의 구성이 도식적으로 나타나 있다.10 schematically shows the configuration of the product recognition step (S160).

이에 도시된 바와 같이, 상기 제품인식단계(S160)는, 기 제품검사단계(S150)에서 입력되는 128×128 픽셀(pixel)의 이미지 파일을 로드(Load)하여 16×16노드(Node)로 읽어들이는 제1레벨과정(S162)과, 상기 제1레벨과정(S162)에 의해 16×16노드(Node)로 변환된 결과를 8×8노드(Node)로 읽어들이는 제2레벨과정(S164)과, 상기 제2레벨과정(S164)에 의해 8×8노드(Node)로 변환된 결과를 4×4노드(Node)로 읽어들이는 제3레벨과정(S166)과, 상기 제3레벨과정(S166)에 의해 4×4노드(Node) 로 변환된 전체 이미지 영역을 한번에 인식하는 제4레벨과정(S168) 등으로 구성된다.As shown in the drawing, the product recognition step (S160) loads an image file of 128 × 128 pixels input in the product inspection step (S150) and reads it as a 16 × 16 node. A second level process (S164) of reading a first level process (S162) and a result of the conversion into a 16x16 node (Node) by the first level process (S162) as an 8x8 node (S164). And a third level process S166 of reading the result of the transformation into an 8x8 node by the second level process S164 as a 4x4 node, and the third level process. And a fourth level process S168 for recognizing the entire image area converted into 4x4 nodes at a time (S166).

여기에서는 도시된 바와 같이 레벨이 증가할수록 즉, 상위레벨로 올라갈수록 노드(Node)의 수가 줄어든다. 즉, 제1레벨과정(S162) 내지 제3레벨과정(S166)에서는 자식 노드(Node)에서의 4개 노드(Node)가 부모 노드(Node)에서는 하나의 노드(Node)로 된다. 그리고, 제4레벨과정(S168)에서는 전체 16개의 노드(Node)가 하나의 노드(Node)로 합쳐져서 전체 이미지 영역이 한번에 인식 가능하게 된다.In this case, as the level is increased, that is, the number of nodes decreases as the level is increased. That is, in the first level process S162 to the third level process S166, four nodes in the child node become one node in the parent node. In the fourth level process S168, a total of 16 nodes are combined into one node so that the entire image area can be recognized at once.

이와 같이 최종적으로 영상이 확정되면, 제품의 유형이 판별되고, 따라서, 해당 제품의 학습된 영상과 입력된 영상을 비교하여, 입력된 영상을 가지는 제품이 불량인지 양품인지를 판단하게 된다. 이러한 단계가 상기 제품품질판단단계(S170)이다.When the image is finally determined as described above, the type of the product is determined. Accordingly, the learned image of the corresponding product is compared with the input image to determine whether the product having the input image is defective or good quality. This step is the product quality determination step (S170).

상기 후속조치단계(S180)는, 제품 중 불량이 발생한 경우에 이를 처리하는 과정으로, 상기 설비제어방법설정과정(S140)에서 설정된 내용에 따라 조치를 취하게 된다.The follow-up step (S180) is a process of processing when a defect occurs in the product, the action is taken according to the contents set in the facility control method setting process (S140).

상기 후속조치단계(S180)는, 제품의 불량이 연속으로 일정 회수 이상 발생하는 경우에는 설비를 정지시키는 설비제어과정(S182)과, 제품의 불량이 연속으로 일정 회수 이상 발생하는 경우에는 알람을 발생함과 동시에 메신저(SMS)를 통해 원거리의 사용자에게 현재 상황을 송신하는 외부알림과정(S184) 등으로 이루어진다.The subsequent action step (S180), the facility control process (S182) for stopping the equipment when the product defects occur continuously for more than a predetermined number of times, and generates an alarm when the product defects occur more than a predetermined number of times in a row. At the same time, an external notification process (S184) for transmitting a current situation to a remote user through a messenger (SMS).

구체적으로 살펴보면, 상기 설비제어방법설정과정(S140)에서 설명한 바와 같이, 불량이 연속적으로 발생하는 경우에 설비를 정지시키고, 이러한 상태를 부 저(buzzer)를 통해 외부로 알림과 동시에 메신저(SMS)를 통해 원거리의 사용자에게 알리게 된다. 즉, 연속적으로 3개의 불량이 나오는 경우에는 설비를 정지시킴과 동시에 외부로 알리도록 하는 등 조치를 취하게 된다.In detail, as described in the facility control method setting process (S140), when a failure occurs continuously, the facility is stopped, and the messenger (SMS) is simultaneously notified to the outside through a buzzer. The remote user will be notified. In other words, if three defects occur continuously, measures are taken such as stopping the equipment and informing the outside at the same time.

한편, 상기 설비정보입력과정(S110), 검사조건설정과정(S120), 품질기준설정과정(S130) 및 설비제어방법설정과정(S140)은, 동시에 이루어지거나 순서에 관계없이 차례로 수행된다. 즉, 순서에 관계없이 각 단계가 이루어져도 무방하며, 동시에 이루어지는 것도 가능하다.Meanwhile, the facility information input process (S110), the inspection condition setting process (S120), the quality standard setting process (S130), and the facility control method setting process (S140) are performed simultaneously or sequentially regardless of the order. In other words, the steps may be performed regardless of the order, and may be simultaneously performed.

도 11에는 본 발명이 적용되는 불량인식 시스템에 의한 주요 흐름도가 도시되어 있다.11 is a main flowchart illustrating a failure recognition system to which the present invention is applied.

이에 도시된 바와 같이, 시스템이 시작되면, 설비 및 품목에 대한 기초정보가 로딩(Loading)된다(S300). 그리고, 불량으로 판명된 제품의 수량을 나타내는 불량수(C)는 제로(Zero)로 셋팅(Setting)된다(S310).As shown in this, when the system is started, basic information about equipment and items is loaded (S300). In addition, the defect number C representing the quantity of the product found to be defective is set to zero (S310).

다음으로는 영상(Image)이 입력되었는지를 판단하게 되고(S320), 영상이 입력되지 않은 경우에는 계속적으로 영상 입력여부를 감지하며, 영상이 입력된 경우에는 영상(Image)처리단계(S330)로 넘어간다. 상기 영상처리단계(S330)는 상기에서 설명한 제품검사단계(S150)에 대응되는 단계이다.Next, it is determined whether an image is input (S320). If an image is not input, it is continuously detected whether an image is input, and if an image is input, the image processing step (S330) is performed. Passing The image processing step S330 is a step corresponding to the product inspection step S150 described above.

그런 다음, 해당제품이 무엇인지 판단하여 해당 제품의 설정기준 즉, 상기 학습단계(S10)에서 학습에 의해 정해진 불량과 양품의 판단기준과 매칭(matching)시킨다(S340). 이러한 과정은 상기 제품인식단계(S160)에 대응된다. Then, it is determined what the corresponding product is, matching the setting criteria of the corresponding product, that is, the criterion of the defective and the good determined by the learning in the learning step (S10) (S340). This process corresponds to the product recognition step (S160).

이와 같이, 입력된 영상이 해당 제품의 불량판단을 위한 학습 영상과 매 칭(Matching)되어 비교되면, 제품이 불량인지의 여부를 판단하게 된다(S350). 그리고, 이러한 단계(S350)는 앞에서 설명한 제품품질판단단계(S170)에 대응된다.As such, when the input image is matched with the learning image for the defective determination of the corresponding product, it is determined whether the product is defective (S350). In addition, this step (S350) corresponds to the product quality determination step (S170) described above.

이러한 단계(S350)에서의 판단결과, 제품이 양품인 경우에는 도시된 바와 같이 단계(S310)로 되돌아간다.As a result of the determination in step S350, if the product is a good product, the process returns to step S310 as shown.

반면, 제품이 불량인 경우에는 불량수(C)에 1이 더해지고(S360), 다음으로는 이러한 불량수(C)가 설정된 기준수(N)에 도달하였는지 여부를 판단하게 된다(S370). 즉, 사용자가 상기 설비제어방법설정과정(S140)에서 설정한 연속 불량 기준수(N)에 도달하였는지의 여부를 판단한다(S370).On the other hand, if the product is defective, 1 is added to the defective number C (S360), and then it is determined whether the defective number C reaches the set reference number N (S370). That is, it is determined whether the user has reached the continuous failure reference number N set in the facility control method setting process S140 (S370).

이러한 단계(S370)에서의 판단결과, 연속 불량수(C)가 기준수(N)에 도달하지 못한 경우에는 상기의 단계(S320)로 되돌아간다. As a result of the determination in step S370, when the continuous failure number C does not reach the reference number N, the flow returns to the above step S320.

반면, 연속 불량수(C)가 기준수(N)에 도달한 경우에는 상기 후속조치단계(S180)가 진행된다(S380). 즉, 이때에는 사용자의 설정에 따라 설비를 정지시키고, 이러한 상태를 부저(Buzzer)를 통해 외부로 알림과 동시에 메신저(SMS)를 사용자에게 송신하게 된다.On the other hand, when the continuous failure number (C) reaches the reference number (N), the subsequent action step (S180) proceeds (S380). That is, at this time, the facility is stopped according to the user's setting, and the messenger SMS is transmitted to the user at the same time as a notification to the outside through the buzzer.

이상과 같은 과정에 의해 사용자에게 불량 상태가 전달되면, 사용자는 제품의 불량상태를 직접 확인하고, 설비를 점검하게 된다.When the defective state is delivered to the user by the above process, the user directly checks the defective state of the product and checks the equipment.

이러한 본 발명의 범위는 상기에서 예시한 실시예에 한정되지 않고, 상기와 같은 기술범위 안에서 당 업계의 통상의 기술자에게 있어서는 본 발명을 기초로 하는 다른 많은 변형이 가능할 것이다.The scope of the present invention is not limited to the above-exemplified embodiments, and many other modifications based on the present invention will be possible to those skilled in the art within the above technical scope.

도 1은 본 발명에 의한 학습방법의 바람직한 실시예가 이용되는 불량인식 시스템의 구성 상태를 개략적으로 보인 블럭도.1 is a block diagram schematically showing the configuration of a failure recognition system used in the preferred embodiment of the learning method according to the present invention.

도 2는 본 발명에 의한 불량인식 시스템의 학습방법의 바람직한 실시예를 보인 흐름도.Figure 2 is a flow chart showing a preferred embodiment of the learning method of the failure recognition system according to the present invention.

도 3a 내지 도 3e는 본 발명에 의한 불량인식 시스템을 구성하는 각 과정의 일례를 보인 화면구성도.3a to 3e is a screen configuration diagram showing an example of each process of configuring a failure recognition system according to the present invention.

도 4는 본 발명 실시예에서 양품과 불량의 데이터(Data) 수에 따른 정확도(Accuracy) 결과를 보인 실험 결과표.4 is an experimental result table showing the accuracy (Accuracy) results according to the number of data (good) and defective in the present invention embodiment.

도 5a 및 도 5b는 본 발명 실시예에서 '반복(iteration)수'의 변화에 따른 정확도(Accuracy)를 테스트한 실험 결과를 보인 도표 및 그래프.5A and 5B are diagrams and graphs showing experimental results of testing accuracy according to a change in the number of iterations in the exemplary embodiment of the present invention.

도 6a 내지 도 6c는 본 발명 실시예에서 '최대거리(MaxDistance)'의 최적값은 구한 실험결과를 보인 도표 및 그래프.6a to 6c are graphs and graphs showing experimental results obtained by obtaining an optimum value of 'MaxDistance' in the embodiment of the present invention.

도 7a와 도 7b는 본 발명 실시예에서 '시그마(Sigma)'변화에 따른 정확도(Accuracy) 결과를 보인 도표 및 그래프.7A and 7B are diagrams and graphs showing accuracy results according to 'Sigma' change in the embodiment of the present invention.

도 8은 본 발명 실시예가 이용되는 불량인식 시스템을 구성하는 제품검사단계의 세부과정을 보인 도면.8 is a view showing a detailed process of the product inspection step constituting the failure recognition system used in the embodiment of the present invention.

도 9는 본 발명 실시예가 이용되는 불량인식 시스템에서 콘트라스트(Contrast)의 강화에 따른 정확도(Accuracy) 변화 결과치를 보인 도표.9 is a chart showing the result of the change in accuracy (Accuracy) according to the enhancement of the contrast (contrast) in the failure recognition system used in the embodiment of the present invention.

도 10은 본 발명 실시예가 이용되는 불량인식 시스템을 구성하는 제품인식단 계를 설명하기 위한 도면.10 is a view for explaining a product recognition step constituting a failure recognition system used in the embodiment of the present invention.

도 11은 본 발명 실시예가 적용되는 불량인식 시스템의 사용 상태를 보인 흐름도.11 is a flowchart showing a state of use of the failure recognition system to which the embodiment of the present invention is applied.

* 도면의 주요 부분에 대한 부호의 설명 *Explanation of symbols on the main parts of the drawings

S10.학습단계 S12. 품목선택과정S10.Study Phase S12. Item Selection Process

S14. 유형판단과정 S16. 카테고리형성과정S14. Type Judgment Process S16. Category formation process

S18. 카테고리선택과정 S20. 비율선택과정S18. Category Selection Process S20. Rate selection process

S22. 폴더선택과정 S24. 입력과정S22. Folder Selection Process S24. Input process

S26. 테스트과정 S28. 확인과정S26. Test Process S28. Confirmation process

S30. 결과판단과정 S32. 저장과정S30. Judgment process for results S32. Storage process

S34. 조절과정 S34. Regulation process

Claims (5)

학습할 물품을 선택하는 품목선택과정(S12)과;An item selection process of selecting an article to be learned (S12); 신규 학습인지, 아니면 기존학습을 이어서 하는지의 여부를 판단하는 유형판단과정(S14)과;A type judgment process (S14) for determining whether to learn new or continue existing learning; 상기 유형판단과정(S14)에서의 판단결과, 신규학습인 경우에는 새 카테고리를 형성하는 카테고리형성과정(S16)과;A category formation process (S16) of forming a new category in the case of new learning as a result of the determination in the type determination process (S14); 상기 유형판단과정(S14)에서의 판단결과, 기존학습을 이어서 하는 경우에는 기존 카테고리를 선택하는 카테고리선택과정(S18)과;A category selection process (S18) of selecting an existing category in the case of continuing the existing learning as a result of the determination in the type determination process (S14); 카테고리별로 학습할 데이터(data) 수의 비율을 선택하는 비율선택과정(S20)과;A ratio selection process (S20) of selecting a ratio of the number of data to be learned for each category; 카테고리별로 학습한 이미지 데이터(data)를 저장할 폴더를 선택하는 폴더선택과정(S22)과;A folder selection process (S22) of selecting a folder for storing image data learned for each category; 이미지를 입력받아 저장하는 입력과정(S24)과;An input process (S24) for receiving and storing an image; 실제 제품을 이용하여 테스트하는 테스트과정(S26)과;A testing process (S26) for testing using an actual product; 상기 테스트과정(S26)에서의 결과를 확인하는 확인과정(S28)과;A confirmation step (S28) of confirming a result in the test step (S26); 상기 확인과정(S28)에서 확인된 테스트결과가, 요구하는 학습 결과값을 만족하는지의 여부를 판단하는 결과판단과정(S30)과;A result determination step (S30) of determining whether the test result confirmed in the checking step (S28) satisfies the required learning result value; 상기 결과판단과정(S30)에서의 판단결과, 결과에 만족하는 경우에는 학습결과를 저장하는 저장과정(S32);를 포함하는 것을 특징으로 하는 불량인식 시스템의 학습방법.And a storage step (S32) of storing a learning result if the result of the determination in the result determination process (S30) is satisfactory. 제 1 항에 있어서, 상기 결과판단과정(S30)에서의 판단결과, 결과에 만족하지 못하는 경우에는 원인을 확인하여 조절하는 조절과정(S34)이 진행됨을 특징으로 하는 불량인식 시스템의 학습방법.The method of claim 1, wherein if the result of the determination in the result determination process (S30) is not satisfactory, the adjustment process (S34) for checking and adjusting the cause is performed. 제 1 항 또는 제 2 항에 있어서, 상기 입력과정(S24)은,The method of claim 1 or 2, wherein the input process (S24), 이미 저장되어 있는 이미지를 입력하여 양불(良不)을 판단하는 과정임을 특징으로 하는 불량인식 시스템의 학습방법.A method of learning a failure recognition system, characterized in that the process of determining the amount of light (입력) by inputting the already stored image. 제 1 항 또는 제 2 항에 있어서, 상기 입력과정(S24)은,The method of claim 1 or 2, wherein the input process (S24), 실제로 양품 또는 불량품을 센서를 통해 이미지를 입력받아 저장하는 과정임을 특징으로 하는 불량인식 시스템의 학습방법.Learning method of the failure recognition system, characterized in that the process of actually receiving the image of the good or defective product through the sensor. 제 1 항 또는 제 2 항에 있어서, 상기 비율선택과정(S20)에서는,The method of claim 1 or 2, wherein in the ratio selection process (S20), 양품:불량1:불량2의 유형별로 학습하는 이미지(Image)데이터(Data) 수의 비(比)를 4:1:1 로 하는 것을 특징으로 하는 불량인식 시스템의 학습방법.A method of learning a failure recognition system, characterized in that the ratio of the number of image data to be learned for each type of defective product: defective 1: defective 2 is 4: 1: 1.
KR1020090065298A 2009-07-17 2009-07-17 Testing method for failure recognition system KR101087022B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020090065298A KR101087022B1 (en) 2009-07-17 2009-07-17 Testing method for failure recognition system

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020090065298A KR101087022B1 (en) 2009-07-17 2009-07-17 Testing method for failure recognition system
US12/696,042 US20100194562A1 (en) 2009-01-30 2010-01-28 Failure recognition system

Publications (2)

Publication Number Publication Date
KR20110007714A true KR20110007714A (en) 2011-01-25
KR101087022B1 KR101087022B1 (en) 2011-11-25

Family

ID=43614094

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020090065298A KR101087022B1 (en) 2009-07-17 2009-07-17 Testing method for failure recognition system

Country Status (1)

Country Link
KR (1) KR101087022B1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102610130A (en) * 2012-02-20 2012-07-25 刘征 High-efficient learning system
KR20200068075A (en) * 2018-11-27 2020-06-15 주식회사 코이노 Remote guidance apparatus and method capable of handling hyper-motion step based on augmented reality and machine learning

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3048987B2 (en) 1997-12-03 2000-06-05 埼玉日本電気株式会社 Electronic component mounting inspection apparatus, method thereof, and recording medium recording program

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102610130A (en) * 2012-02-20 2012-07-25 刘征 High-efficient learning system
KR20200068075A (en) * 2018-11-27 2020-06-15 주식회사 코이노 Remote guidance apparatus and method capable of handling hyper-motion step based on augmented reality and machine learning

Also Published As

Publication number Publication date
KR101087022B1 (en) 2011-11-25

Similar Documents

Publication Publication Date Title
CN109584221B (en) Abnormal image detection method based on supervised generation countermeasure network
KR101688458B1 (en) Image inspection apparatus for manufactured articles using deep neural network training method and image inspection method of manufactured articles thereby
US5359699A (en) Method for using a feed forward neural network to perform classification with highly biased data
KR101836096B1 (en) Method, apparatus and computer program stored in computer readable medium for state decision of image data
Goebel et al. Prognostic information fusion for constant load systems
KR102171491B1 (en) Method for sorting products using deep learning
KR101105790B1 (en) Failure recognition system
CN108491867A (en) Image Matching based on artificial intelligence and recognition methods
Killing et al. A machine vision system for the detection of missing fasteners on steel stampings
KR20090000592A (en) Fault diagnosis system and method of the same
KR101087022B1 (en) Testing method for failure recognition system
O'Mahony et al. Machine learning algorithms for process analytical technology
KR101041524B1 (en) Optimal failure recognition system based HTM
US20100194562A1 (en) Failure recognition system
Darwish Soft computing applied to the build of textile defects inspection system
Chakraborty et al. Automatic defect detection of print fabric using convolutional neural network
KR101010136B1 (en) System for intelligent quality judgment based on HTM
US20200082225A1 (en) Inspection device and machine learning method
CN112232370A (en) Fault analysis and prediction method for engine
CN111062494A (en) Robot self-organization-thinking-reversal cognitive development method and system with lifelong learning ability
Rahman et al. A preprocessed counterpropagation neural network classifier for automated textile defect classification
Kuo et al. Part family formation through fuzzy ART2 neural network
Zouhri et al. A genetic-based SVM approach for quality data classification
Habib et al. An empirical approach to optimize design of backpropagation neural network classifier for textile defect inspection
JP2021039460A (en) Image processing system and image processing program

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20141121

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20150918

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20171120

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20181120

Year of fee payment: 8

FPAY Annual fee payment

Payment date: 20191120

Year of fee payment: 9