KR20110136141A - Particle analysis system and method therefor - Google Patents

Particle analysis system and method therefor Download PDF

Info

Publication number
KR20110136141A
KR20110136141A KR1020100055956A KR20100055956A KR20110136141A KR 20110136141 A KR20110136141 A KR 20110136141A KR 1020100055956 A KR1020100055956 A KR 1020100055956A KR 20100055956 A KR20100055956 A KR 20100055956A KR 20110136141 A KR20110136141 A KR 20110136141A
Authority
KR
South Korea
Prior art keywords
module
image
learning model
fine particles
particle
Prior art date
Application number
KR1020100055956A
Other languages
Korean (ko)
Other versions
KR101186964B1 (en
Inventor
고성림
바오판쿠억
신기현
Original Assignee
건국대학교 산학협력단
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 건국대학교 산학협력단 filed Critical 건국대학교 산학협력단
Priority to KR1020100055956A priority Critical patent/KR101186964B1/en
Publication of KR20110136141A publication Critical patent/KR20110136141A/en
Application granted granted Critical
Publication of KR101186964B1 publication Critical patent/KR101186964B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1429—Signal processing
    • G01N15/1433—Signal processing using image recognition
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/149—Optical investigation techniques, e.g. flow cytometry specially adapted for sorting particles, e.g. by their size or optical properties
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Dispersion Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Processing (AREA)

Abstract

PURPOSE: A particle analysis system and a method thereof are provided to enable a user estimate a composition rate of a carbon and a silicon by using the analyzed various kinds of minute particle. CONSTITUTION: A particle analysis system comprises a measurement part(10) and an analysis part(20). The measuring part magnifies particle and takes an image. The analysis part generates a learning model by using the saved multiple particle measurement data. The analysis part classifies the newly measured particles by using the learning model. The measurement part comprises XY table(11), a microscope(12), a movie module(13) and a first communications module(14). The movie module takes an image of particle using the microscope.

Description

미립자 분석 시스템 및 방법{Particle Analysis System and Method Therefor}Particle Analysis System and Method Therefor

본 발명은 미립자 분석 시스템 및 방법에 관한 것으로서, 더욱 상세하게는 청정도를 개선할 수 있는 미립자 분석 시스템 및 방법에 관한 것이다.The present invention relates to a particulate analysis system and method, and more particularly to a particulate analysis system and method that can improve the cleanliness.

반도체 공정에 있어서 미립자(Particle)들은 많은 반도체의 불량을 일으키는 주요 원인으로 기준 이상의 청정도를 유지하는 것은 매우 중요한 작업임은 모든 사람들에게 있어 주지의 사실이다.Particles are a major cause of many semiconductor defects in the semiconductor process, and it is well known to everyone that maintaining above-standard cleanliness is a very important task.

이러한 미립자는 반도체 공정뿐만 아니라, 자동차 생산 공정에서도 불량의 주요 원인이 되고 있다. Such fine particles are a major cause of defects not only in semiconductor processes but also in automobile production processes.

즉, 주조, 양극산화(Anodizing), 드릴링, 밀링, 선반, 고압 워터 제트 디버링, 브러싱 등의 복잡한 시스템의 통합은 다양한 종류의 미립자(칩, 버 및 주조의 잔해)를 만든다. 이 미립자들은 변속기, 엔진, 크랭크축 안에 모이게 되고 이것은 그 기능에 피해를 주며 자동차 사용자들을 위험하게 한다. In other words, the integration of complex systems such as casting, anodizing, drilling, milling, lathe, high pressure water jet deburring, brushing, etc., creates a wide variety of particulates (chips, burrs and debris from casting). These particulates collect in the transmission, engine and crankshaft, which damage its function and endanger car users.

이러한 미립자를 최소화하기 위해서는 미립자의 발생 원인에 대한 분석이 선행되어야 할 것이다. 또한, 미립자 발생 원인에 대한 분석을 위해서는 다양한 미립자 자체에 대한 측정 및 분석이 요구된다. In order to minimize these microparticles, an analysis of the cause of the microparticles should be preceded. In addition, the analysis of the causes of particulate generation requires measurement and analysis of various particulates themselves.

본 발명은 전술한 바와 같은 기술적 과제를 해결하는 데 목적이 있는 발명으로서, 다양한 종류의 미립자를 실험적인 데이터들을 이용하여 분석할 수 있는 미립자 분석 시스템 및 방법을 제공하는 것에 그 목적이 있다.Disclosure of Invention The present invention aims to solve the above technical problem, and an object thereof is to provide a particle analysis system and method capable of analyzing various kinds of particles using experimental data.

본 발명의 바람직한 일실시예에 따른 미립자 분석 시스템은 미립자를 확대하여 촬영하는 측정부; 및 다수의 저장된 미립자 측정 데이터를 이용하여 미립자를 분류하기 위해 학습모델을 생성하고, 학습 모델을 이용하여 새로이 측정된 미립자를 분류하는 분석부;를 포함한다.Particle analysis system according to an embodiment of the present invention includes a measuring unit for magnifying and photographing the fine particles; And an analysis unit generating a learning model to classify the particles using a plurality of stored particle measurement data and classifying the newly measured particles using the learning model.

구체적으로 상기 측정부는 측정에 사용될 미립자를 올려놓기 위한 XY 테이블; 상기 미립자를 확대하기 위한 현미경; 상기 현미경으로부터의 영상을 촬영하기 위한 촬영모듈; 및 상기 촬영된 영상을 상기 분석부로 송신하고, 상기 분석부로부터 상기 XY 테이블을 제어하기 위한 신호를 수신하기 위한 제1 통신모듈;을 포함하는 것을 특징으로 한다.Specifically, the measuring unit XY table for placing the particles to be used for the measurement; A microscope for enlarging the fine particles; A photographing module for photographing an image from the microscope; And a first communication module for transmitting the captured image to the analyzer and receiving a signal for controlling the XY table from the analyzer.

또한, 상기 분석부는 상기 XY 테이블을 제어하기 위한 신호를 생성하는 제어모듈; 미립자 측정 데이터와 상기 측정된 미립자의 분류 데이터를 포함하는 데이터모듈; 상기 데이터 모듈에 저장된 데이터를 이용하여 미립자 분류를 위한 학습 모델을 생성하는 학습모듈; 상기 측정부로부터 촬영된 영상을 수신하고, 상기 XY 테이블을 제어하기 위한 신호를 송신하기 위한 제2 통신모듈; 상기 촬영된 영상의 디지털 이미지 프로세싱을 실시하는 영상처리모듈; 및 상기 영상처리 모듈로부터의 디지털 이미지 프로세싱된 영상을 이용하여 상기 학습 모델에 의해 미립자를 분류하는 분류모듈;을 포함하는 것을 특징으로 한다.The analyzer may include a control module configured to generate a signal for controlling the XY table; A data module including fine particle measurement data and classification data of the measured fine particles; A learning module for generating a learning model for classifying particulates using data stored in the data module; A second communication module for receiving an image captured by the measuring unit and transmitting a signal for controlling the XY table; An image processing module for performing digital image processing of the captured image; And a classification module for classifying the particles by the learning model using the digital image processed image from the image processing module.

상기 학습모듈의 학습 모델 생성 방법의 바람직한 일실시예는 인공 지능 신경망을 이용할 수 있다.A preferred embodiment of the learning model generation method of the learning module may use an artificial neural network.

아울러, 상기 학습을 위해 사용되는 데이터는 미립자의 길이, 너비, 표면 감촉 및 색(Color) 정보를 포함하는 것을 특징으로 한다. 또한, 상기 학습을 위해 사용되는 데이터를 이용하여 규소와 탄소의 구성비를 추정하는 것을 특징으로 한다.In addition, the data used for the learning is characterized in that it includes the length, width, surface texture and color information of the fine particles. In addition, it is characterized by estimating the composition ratio of silicon and carbon using the data used for the learning.

상기 학습 모델은 상기 측정 데이터가 신규로 생성될 때마다 새로이 갱신되는 것이 바람직하다.
The learning model is preferably updated every time the measurement data is newly generated.

본 발명의 바람직한 일실시예에 따른 미립자 분석 방법은 분석부가 저장된 데이터를 이용하여 학습 모델을 생성하는 단계; 측정부가 XY 테이블 위의 미립자의 영상을 확대 촬영하는 단계; 상기 측정부가 상기 미립자의 영상을 상기 분석부로 송신하는 단계; 상기 분석부가 수신된 상기 미립자의 영상을 이용하여 디지털 이미지 프로세싱을 실시하는 단계; 및상기 분석부가 상기 디지털 이미지 프로세싱된 영상을 이용하여 상기 학습 모델에 의해 미립자를 분류하는 단계;를 포함한다.
Particle analysis method according to an embodiment of the present invention comprises the steps of generating a learning model using the data stored in the analysis unit; Measuring the image of an image of the fine particles on the XY table; Transmitting, by the measuring unit, an image of the fine particles to the analyzing unit; Performing digital image processing by using the image of the particles received by the analyzer; And classifying the fine particles by the learning model using the digital image processed image by the analysis unit.

본 발명의 미립자 분석 시스템 및 방법에 따르면, 다양한 종류의 미립자를 실험적인 데이터들을 이용하여 분석할 수 있는 미립자 분석 시스템 및 방법을 제공할 수 있다.According to the particulate analysis system and method of the present invention, it is possible to provide a particulate analysis system and method capable of analyzing various kinds of particulates using experimental data.

도 1은 본 발명의 바람직한 일실시예에 따른 미립자 분석 시스템을 나타낸다.
도 2는 미립자의 종류에 따른 형상을 나타낸다.
도 3은 학습 모델 생성에 이용된 인공 지능 신경망의 일실시예를 나타낸다.
도 4는 본 발명의 바람직한 일실시예에 따른 미립자 분석 방법의 흐름도를 나타낸다.1 shows a particulate analysis system according to a preferred embodiment of the present invention.
2 shows the shape according to the type of fine particles.
3 illustrates an embodiment of an artificial intelligence neural network used to generate a learning model.
4 shows a flowchart of a particulate analysis method according to one preferred embodiment of the present invention.

이하, 첨부된 도면을 참조하면서 본 발명의 일실시예에 따른 미립자 분석 시스템 및 방법에 대해 상세히 설명하기로 한다. Hereinafter, a particulate analysis system and method according to an embodiment of the present invention will be described in detail with reference to the accompanying drawings.

본 발명의 하기의 실시예는 본 발명을 구체화하기 위한 것일 뿐 본 발명의 권리범위를 제한하거나 한정하는 것이 아님은 물론이다. 본 발명의 상세한 설명 및 실시예로부터 본 발명이 속하는 기술분야의 전문가가 용이하게 유추할 수 있는 것은 본 발명의 권리범위에 속하는 것으로 해석된다.
The following examples of the present invention are intended to embody the present invention, but not to limit or limit the scope of the present invention. It will be understood by those of ordinary skill in the art that various changes in form and details may be made therein without departing from the spirit and scope of the invention as defined by the appended claims.

우선 도 1은 본 발명의 바람직한 일실시예에 따른 미립자 분석 시스템을 나타낸다. 1 shows a particulate analysis system according to a preferred embodiment of the present invention.

즉, 본 발명의 바람직한 일실시예에 따르는 미립자 분석 시스템은 측정부(10)와 분석부(20)를 포함한다.That is, the particle analysis system according to the preferred embodiment of the present invention includes a measurement unit 10 and the analysis unit 20.

상기 측정부(10)는 미립자를 확대 촬영하는 역할을 하다.The measuring unit 10 serves to enlarge the fine particles.

또한, 상기 분석부(20)는 다수의 저장된 미립자 측정 데이터를 이용하여 미립자를 분류하기 위해 학습모델을 생성하고, 생성된 학습 모델을 이용하여 새로이 측정된 미립자를 분류하는 역할을 한다.
In addition, the analysis unit 20 generates a learning model for classifying fine particles using a plurality of stored fine particle measurement data, and serves to classify newly measured fine particles using the generated learning model.

상기 측정부(10)의 역할에 대해 각 구성 요소에 의해 보다 구체적으로 설명하기로 한다. The role of the measurement unit 10 will be described in more detail by each component.

상기 측정부(10)는, XY 테이블(11), 현미경(12), 촬영모듈(13) 및 제1 통신모듈(14)을 포함한다.The measurement unit 10 includes an XY table 11, a microscope 12, a photographing module 13, and a first communication module 14.

상기 XY 테이블(11)은 측정에 사용될 미립자 시료를 올려놓기 위해 요구되며, 상기 분석부(20)의 제어 신호에 의해 적절한 상기 미립자 시료의 위치가 가로 방향(X축)과 세로 방향(Y축)으로 이동할 수 있다.The XY table 11 is required for placing a particulate sample to be used for measurement, and the position of the particulate sample appropriately by the control signal of the analysis unit 20 is in the horizontal direction (X axis) and vertical direction (Y axis). Can be moved.

상기 현미경(12)은 상기 XY 테이블(11) 위의 상기 미립자 시료를 확대하는 역할을 한다. 미립자인 경우, 크기가 작기 때문에 현미경에 의한 확대 촬영이 수반되지 않고는 미립자 단일 객체의 확인이 불가능하기 때문이다.The microscope 12 serves to enlarge the particulate sample on the XY table 11. This is because, in the case of the fine particles, the small size makes it impossible to identify the single particle single object without enlarging a microscope.

또한, 상기 촬영모듈(13)은 CCD나 CIS(CMOS Image Sensor)등을 이용한 카메라를 장착하여 상기 현미경(12)에 의해 확대된 미립자 시료의 영상을 촬영하는 역할을 한다.In addition, the photographing module 13 mounts a camera using a CCD or a CMOS image sensor (CIS) to serve to photograph an image of the particulate sample enlarged by the microscope 12.

아울러, 상기 제1 통신모듈(14)은 상기 분석부(20)와의 통신을 수행한다. 즉상기 촬영모듈(13)에 의해 촬영된 영상을 상기 분석부(20)로 송신하고, 상기 분석부(20)로부터 상기 XY 테이블(11)을 제어하기 위한 신호를 수신하는 역할을 한다.
In addition, the first communication module 14 communicates with the analysis unit 20. That is, it transmits the image photographed by the photographing module 13 to the analysis unit 20 and receives a signal for controlling the XY table 11 from the analysis unit 20.

하기에 상기 분석부(20)의 역할에 대해 각 구성 요소에 의해 좀 더 구체적으로 설명하기로 한다.Hereinafter, the role of the analysis unit 20 will be described in more detail by each component.

상기 분석부(20)는 제어모듈(21), 데이터모듈(22), 학습모듈(23), 영상처리모듈(24), 분류모듈(25) 및 제2 통신모듈(26)을 포함한다.The analysis unit 20 includes a control module 21, a data module 22, a learning module 23, an image processing module 24, a classification module 25, and a second communication module 26.

상기 제어모듈(21)은 상기 XY 테이블(11)을 제어하기 위한 신호를 생성한다. The control module 21 generates a signal for controlling the XY table 11.

상기 데이터모듈(22)은 미립자 측정 데이터와 상기 측정된 미립자의 분류 데이터를 포함한다. The data module 22 includes particle measurement data and classification data of the measured particles.

상기 학습모듈(23)은 상기 데이터모듈(22)에 저장된 데이터를 이용하여 새로운 미립자의 측정이 이루어질 때, 측정된 미립자를 분류하기 위한 학습 모델을 생성한다.The learning module 23 generates a learning model for classifying the measured fine particles when the new fine particles are measured using the data stored in the data module 22.

상기 학습 모델은 상기 측정 데이터가 신규로 생성될 때마다 새로이 갱신되어 보다 신뢰도가 높은 학습 모델을 생성할 수 있는 것을 특징으로 한다.
The learning model may be updated every time the measurement data is newly generated, thereby generating a more reliable learning model.

본 발명의 바람직한 일실시예에 따른 미립자의 분류는 세가지 종류로 나눌 수 있다. The classification of the fine particles according to an embodiment of the present invention can be divided into three types.

즉, 칩(Chip), 버(Burr) 및 주조 잔해(Cast Debris)이다.That is, chips, burrs, and cast debris.

도 2에 칩, 버 및 주조 잔해의 형상의 한 예를 나타내었다.An example of the shape of a chip, burr, and casting debris is shown in FIG.

좀 더 자세히 칩, 버 및 주조 잔해의 특징에 대해 알아보기로 한다.Let's take a closer look at the characteristics of chips, burrs, and casting debris.

칩은 작은 조각을 의미하며, 기계 변형의 결과로 어떤 영역에서는 표면이 매끈하다. 버는 칩보다 작은 크기로 어떤 범주에서는 칩과의 분류가 명확하지 못하다, 그래서 그 구성비의 추정이 필요로 한다. 버는 적은 양의 규소와 탄소의 비를 나타내는 데 그 이유는 버는 재료에 여전히 남아있기 때문이다.Chips are small pieces, and as a result of mechanical deformation, the surface is smooth in some areas. The burr is smaller than the chip and in some categories the classification with the chip is not clear, so an estimate of its composition ratio is needed. The burr exhibits a small amount of silicon and carbon ratio because the burr still remains in the material.

마지막으로 주조 잔해는 표면과 떨어져 있고 규소와 탄소의 비는 칩 및 버와는 다르다. 또한, 그 경계는 칩과 버 보다는 매끄러운 특징이 있다.
Finally, the casting debris is away from the surface and the ratio of silicon and carbon is different from chips and burrs. In addition, the boundaries are smoother than chips and burs.

상기 학습모듈(23)에서는 구체적으로 인공 지능 신경망에 의해 학습 모델을 생성한다. 도 3에 인공 지능 신경망의 일실시예를 나타내었다.In detail, the learning module 23 generates a learning model by using an artificial neural network. 3 shows an embodiment of an artificial neural network.

즉, 인공 지능 신경망의 입력부에는 미립자의 길이, 너비, 표면 감촉 및 색 정보를 포함하는 정보를 입력하고, 출력부에 미립자 분류를 할당하게 되면 가장 최적의 인공 지능 신경망에 의한 학습 모델을 생성하게 된다.That is, inputting information including the length, width, surface texture, and color information of the fine particles to the input of the artificial intelligence neural network, and assigning the fine particle classification to the output generates the most optimal learning model by the artificial neural network. .

생성된 학습 모델에 측정된 미립자의 데이터를 입력하게 되면, 입력된 데이터를 바탕으로 상기의 세가지 미립자의 분류 중 하나로 분류하게 된다.
When the measured data of the fine particles are input to the generated learning model, the fine particles are classified into one of the three types of fine particles based on the input data.

상기 제2 통신모듈(26)은 상기 측정부(10)로부터 촬영된 영상을 수신하고, 상기 XY 테이블(11)을 제어하기 위한 신호를 송신하기 위한 역할을 한다.The second communication module 26 receives an image captured by the measuring unit 10 and serves to transmit a signal for controlling the XY table 11.

상기 영상처리모듈(24)은 상기 제2 통신모듈(26)을 통해 수신된 상기 촬영된 영상의 디지털 이미지 프로세싱을 실시하는 역할을 한다.  The image processing module 24 performs digital image processing of the photographed image received through the second communication module 26.

상기 영상처리모듈(24)에 의해 선명하게 단위 미립자 객체로 분리된 영상을 이용하여 상기 분류모듈(25)은 미립자의 크기, 너비, 표면 감촉 및 색 정보 등의 미립자의 각종 형상 정보를 데이터로 추출하고, 추출된 데이터 정보를 이용하여 상시 학습 모델에 의해 미립자를 분류하는 역할을 한다.
Using the image clearly separated by the image processing module 24 into the unit particulate object, the classification module 25 extracts various shape information of the fine particles such as the size, width, surface texture and color information of the fine particles into data. And classify the fine particles by the learning model using the extracted data information.

또한, 추출된 데이터를 이용하여 미립자를 구성하는 규소와 탄소의 구성비를 추정할 수 있다.
In addition, the extracted data can be used to estimate the composition ratio of silicon and carbon constituting the fine particles.

도 4는 본 발명의 바람직한 일실시예에 따른 미립자 분석 방법의 흐름도를 나타낸다.4 shows a flowchart of a particulate analysis method according to one preferred embodiment of the present invention.

즉, 본 발명의 바람직한 일실시예에 따르는 미립자 분석 방법은 상기 분석부(20)가 저장된 데이터를 이용하여 학습 모델을 생성하는 단계(S5); 상기 측정부(10)가 XY 테이블 위의 미립자의 영상을 확대 촬영하는 단계(S10); 상기 측정부(10)가 상기 미립자의 영상을 상기 분석부(10)로 송신하는 단계; 상기 분석부(20)가 수신된 상기 미립자의 영상을 이용하여 디지털 이미지 프로세싱을 실시하는 단계; 및 상기 분석부(20)가 상기 디지털 이미지 프로세싱된 영상을 이용하여 상기 학습 모델에 의해 미립자를 분류하는 단계;를 포함한다.
That is, the particle analysis method according to an embodiment of the present invention includes the step of generating a learning model by the analysis unit 20 using the stored data (S5); Step S10 of measuring by the measurement unit 10 to enlarge an image of the particles on the XY table; Transmitting, by the measurement unit (10), an image of the fine particles to the analysis unit (10); Performing digital image processing by the analysis unit 20 using the received image of the fine particles; And classifying, by the learning model, the fine particles by the analyzing unit 20 using the digital image processed image.

10 : 측정부 20 : 분석부
11 : XY 테이블 12 : 현미경
13 : 촬영모듈 14 : 제1 통신모듈
21 : 제어모듈 22 : 데이터모듈
23 : 학습모듈 24 : 영상처리모듈
25 : 분류모듈 26 : 제2 통신모듈10: measuring unit 20: analysis unit
11: XY table 12: microscope
13: recording module 14: first communication module
21: control module 22: data module
23: learning module 24: image processing module
25: classification module 26: second communication module

Claims (9)

미립자 분석 시스템에 있어서,
미립자를 확대하여 촬영하는 측정부; 및
다수의 저장된 미립자 측정 데이터를 이용하여 미립자를 분류하기 위해 학습모델을 생성하고, 학습 모델을 이용하여 새로이 측정된 미립자를 분류하는 분석부;를 포함하는 미립자 분석 시스템.
In the particulate analysis system,
A measuring unit which enlarges and photographs the fine particles; And
And a analyzer configured to generate a learning model to classify the particles using a plurality of stored particle measurement data and to classify the newly measured particles using the learning model.
제 1항에 있어서, 상기 측정부는,
측정에 사용될 미립자를 올려놓기 위한 XY 테이블;
상기 미립자를 확대하기 위한 현미경;
상기 현미경으로부터의 영상을 촬영하기 위한 촬영모듈; 및
상기 촬영된 영상을 상기 분석부로 송신하고, 상기 분석부로부터 상기 XY 테이블을 제어하기 위한 신호를 수신하기 위한 제1 통신모듈;을 포함하는 것을 특징으로 하는 미립자 분석 시스템.
The method of claim 1, wherein the measuring unit,
An XY table for placing the fine particles to be used for the measurement;
A microscope for enlarging the fine particles;
A photographing module for photographing an image from the microscope; And
And a first communication module for transmitting the captured image to the analyzer and receiving a signal for controlling the XY table from the analyzer.
제2항에 있어서, 상기 분석부는,
상기 XY 테이블을 제어하기 위한 신호를 생성하는 제어모듈;
미립자 측정 데이터와 상기 측정된 미립자의 분류 데이터를 포함하는 데이터모듈;
상기 데이터 모듈에 저장된 데이터를 이용하여 미립자 분류를 위한 학습 모델을 생성하는 학습모듈;
상기 측정부로부터 촬영된 영상을 수신하고, 상기 XY 테이블을 제어하기 위한 신호를 송신하기 위한 제2 통신모듈;
상기 촬영된 영상의 디지털 이미지 프로세싱을 실시하는 영상처리모듈; 및
상기 영상처리 모듈로부터의 디지털 이미지 프로세싱된 영상을 이용하여 상기 학습 모델에 의해 미립자를 분류하는 분류모듈;을 포함하는 것을 특징으로 하는 미립자 분석 시스템.
The method of claim 2, wherein the analysis unit,
A control module for generating a signal for controlling the XY table;
A data module including fine particle measurement data and classification data of the measured fine particles;
A learning module for generating a learning model for classifying particulates using data stored in the data module;
A second communication module for receiving an image captured by the measuring unit and transmitting a signal for controlling the XY table;
An image processing module for performing digital image processing of the captured image; And
And a classification module which classifies the particles by the learning model using the digital image processed images from the image processing module.
제3항에 있어서,
상기 학습모듈의 학습 모델 생성 방법은 인공 지능 신경망을 이용하는 것을 특징으로 하는 미립자 분석 시스템.
The method of claim 3,
The learning model generation method of the learning module is a particle analysis system, characterized in that using an artificial intelligence neural network.
제4항에 있어서,
상기 학습을 위해 사용되는 데이터는 미립자의 길이, 너비, 표면 감촉 및 색(Color) 정보를 포함하는 것을 특징으로 하는 미립자 분석 시스템.
The method of claim 4, wherein
And the data used for the learning includes particle length, width, surface feel and color information.
제5항에 있어서,
상기 학습을 위해 사용되는 데이터를 이용하여 규소와 탄소의 구성비를 추정하는 것을 특징으로 하는 미립자 분석 시스템.
The method of claim 5,
Particle analysis system, characterized in that for estimating the composition ratio of silicon and carbon using the data used for the learning.
제3항에 있어서, 상기 학습 모델은,
상기 측정 데이터가 신규로 생성될 때마다 새로이 갱신되는 것을 특징으로 하는 미립자 분석 시스템.
The method of claim 3, wherein the learning model,
And each new measurement data is newly updated.
분석부가 저장된 데이터를 이용하여 학습 모델을 생성하는 단계;
측정부가 XY 테이블 위의 미립자의 영상을 확대 촬영하는 단계;
상기 측정부가 상기 미립자의 영상을 상기 분석부로 송신하는 단계;
상기 분석부가 수신된 상기 미립자의 영상을 이용하여 디지털 이미지 프로세싱을 실시하는 단계; 및
상기 분석부가 상기 디지털 이미지 프로세싱된 영상을 이용하여 상기 학습 모델에 의해 미립자를 분류하는 단계;를 포함하는 미립자 분석 방법.
Generating a learning model using the data stored in the analysis unit;
Measuring the image of an image of the fine particles on the XY table;
Transmitting, by the measuring unit, an image of the fine particles to the analyzing unit;
Performing digital image processing by using the image of the particles received by the analyzer; And
And analyzing, by the analyzing unit, classifying the fine particles by the learning model using the digital image processed image.
제8항에 있어서,
상기 학습 모델의 생성은 인공 지능 신경망을 이용하는 것을 특징으로 하는 미립자 분석 방법.The method of claim 8,
The generation of the learning model is a particle analysis method, characterized in that using an artificial intelligence neural network.
KR1020100055956A 2010-06-14 2010-06-14 Particle Analysis System and Method Therefor KR101186964B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020100055956A KR101186964B1 (en) 2010-06-14 2010-06-14 Particle Analysis System and Method Therefor

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020100055956A KR101186964B1 (en) 2010-06-14 2010-06-14 Particle Analysis System and Method Therefor

Publications (2)

Publication Number Publication Date
KR20110136141A true KR20110136141A (en) 2011-12-21
KR101186964B1 KR101186964B1 (en) 2012-09-28

Family

ID=45502821

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020100055956A KR101186964B1 (en) 2010-06-14 2010-06-14 Particle Analysis System and Method Therefor

Country Status (1)

Country Link
KR (1) KR101186964B1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113916751A (en) * 2021-09-15 2022-01-11 中国人民解放军总医院第一医学中心 Micro-vision image whole-cell automatic detection system
KR20230063276A (en) * 2021-11-01 2023-05-09 (주)코셈 Method for automatically analyzing micro particles distributed over a large area using artificial intelligence, electron microscope and EDS analyzer

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100567625B1 (en) 2004-10-19 2006-04-04 삼성전자주식회사 Method for inspecting a defect and apparatus for performing the same
JP4313322B2 (en) * 2005-02-03 2009-08-12 株式会社レイテックス Defective particle measuring apparatus and defective particle measuring method
KR100687090B1 (en) 2005-05-31 2007-02-26 삼성전자주식회사 Method for classifying a defect

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113916751A (en) * 2021-09-15 2022-01-11 中国人民解放军总医院第一医学中心 Micro-vision image whole-cell automatic detection system
CN113916751B (en) * 2021-09-15 2024-02-09 中国人民解放军总医院第一医学中心 Automatic detection system for whole cells of micro-vision image
KR20230063276A (en) * 2021-11-01 2023-05-09 (주)코셈 Method for automatically analyzing micro particles distributed over a large area using artificial intelligence, electron microscope and EDS analyzer

Also Published As

Publication number Publication date
KR101186964B1 (en) 2012-09-28

Similar Documents

Publication Publication Date Title
US12020417B2 (en) Method and system for classifying defects in wafer using wafer-defect images, based on deep learning
DE102018125629A1 (en) DEEP learning-based real-time detection and correction of compromised sensors in autonomous machines
CN105158268A (en) Intelligent online detection method, system and device for defects of fine-blanked parts
KR102355997B1 (en) method for monitoring the soundness of concrete structure based on smart glass
CN107833843B (en) Defect source analysis method and system, and defect detection device
CN107369176B (en) System and method for detecting oxidation area of flexible IC substrate
CN101543058A (en) Image synthesizing method and image synthesizing system
US20180183998A1 (en) Power reduction and performance improvement through selective sensor image downscaling
CN109182081A (en) A kind of unicellular separation system based on image processing model
CN105184308B (en) Remote sensing image building detection classification method based on global optimization decision
CN109378279A (en) Wafer detection method and wafer detection system
TWI823419B (en) Sample observation device and method
KR101186964B1 (en) Particle Analysis System and Method Therefor
CN108537815A (en) A kind of video image foreground segmentation method and device
CN105608411A (en) Image classification method and apparatus for preset tour camera
JPH04169803A (en) Method and apparatus for inspection
WO2020185432A1 (en) Pre-processing image frames based on camera statistics
Chun et al. Wafer particle inspection technique using computer vision based on a color space transform model
Allen et al. Automatic recognition of light microscope pollen images
US11407079B2 (en) Monitoring condition of deburring media in vibration deburring machine
Li et al. Multiresolution object-of-interest detection for images with low depth of field
Alegre et al. Design of a computer vision system to estimate tool wearing
TWI530912B (en) Image processing method based on object and image capturing device thereof
Milecki et al. The application of a vision system to detect trajectory points for soldering robot programming
Mitéran et al. Parallel processor for image segmentation

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
LAPS Lapse due to unpaid annual fee