KR20190092975A - 비전 검사 관리 방법 및 비전 검사 시스템 - Google Patents

비전 검사 관리 방법 및 비전 검사 시스템 Download PDF

Info

Publication number
KR20190092975A
KR20190092975A KR1020180012343A KR20180012343A KR20190092975A KR 20190092975 A KR20190092975 A KR 20190092975A KR 1020180012343 A KR1020180012343 A KR 1020180012343A KR 20180012343 A KR20180012343 A KR 20180012343A KR 20190092975 A KR20190092975 A KR 20190092975A
Authority
KR
South Korea
Prior art keywords
inspection
data
vision
region
level
Prior art date
Application number
KR1020180012343A
Other languages
English (en)
Other versions
KR102579904B1 (ko
Inventor
조치현
윤창배
정진국
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020180012343A priority Critical patent/KR102579904B1/ko
Priority to US16/257,667 priority patent/US11216935B2/en
Priority to EP19747778.9A priority patent/EP3669181A4/en
Priority to CN201980010857.2A priority patent/CN111670357B/zh
Priority to PCT/KR2019/001169 priority patent/WO2019151735A1/en
Publication of KR20190092975A publication Critical patent/KR20190092975A/ko
Application granted granted Critical
Publication of KR102579904B1 publication Critical patent/KR102579904B1/ko

Links

Images

Classifications

    • 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
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T7/0004—Industrial image inspection
    • 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
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N2021/0106—General arrangement of respective parts
    • G01N2021/0118—Apparatus with remote processing
    • G01N2021/0143—Apparatus with remote processing with internal and external computer
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

공정 관리 장치가 인공지능 모델을 이용하여 비전 검사(Vision inspection)를 관리하는 방법에 있어서, 제 1 객체가 통과한 제 1 제조 공정과 관련된 제 1 공정 데이터를 획득하는 단계; 인공지능 모델 및 제 1 공정 데이터를 이용하여, 제 1 객체의 전체 영역 중에서 집중 검사를 수행할 제 1 영역을 결정하는 단계; 및 결정된 제 1 영역에 결함이 존재하는지 검사하도록 제 1 비전 검사기를 제어하는 단계를 포함하는 방법이 개시된다.

Description

비전 검사 관리 방법 및 비전 검사 시스템{METHOD OF MANAGING VISION INSPECTION AND VISION INSPECTION SYSTEM}
본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 인공지능(AI) 시스템 및 그 응용에 관련된 것이다. 구체적으로, 본 개시는 인공지능(AI) 모델을 이용하여 비전 검사를 관리하는 방법 및 시스템에 관한 것이다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙(Rule) 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계학습(딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.
기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
일 실시예에 의하면, 인공지능 모델 및 공정 데이터를 이용하여, 객체(Object)의 특정 영역에 대한 비전 검사를 집중적으로 수행함으로써, 비전 검사의 효율성을 증대시키는 비전 검사 관리 방법 및 이를 위한 공정 관리 장치가 제공될 수 있다.
일 실시예에 따른 비전 검사 관리 방법은, 제 1 객체가 통과한 제 1 제조 공정과 관련된 제 1 공정 데이터를 획득하는 단계; 인공지능 모델 및 제 1 공정 데이터를 이용하여, 제 1 객체의 전체 영역 중에서 집중 검사를 수행할 제 1 영역을 결정(identify)하는 단계; 및 결정된 제 1 영역에 결함이 존재하는지 검사하도록 제 1 비전 검사기를 제어하는 단계를 포함할 수 있다.
일 실시예에 따른 공정 관리 장치는, 집중 검사 영역을 결정하기 위한 인공지능 모델을 저장하는 메모리; 제 1 객체가 통과한 제 1 제조 공정과 관련된 제 1 공정 데이터를 획득하는 통신 인터페이스; 및 인공지능 모델 및 제 1 공정 데이터를 이용하여, 제 1 객체의 전체 영역 중에서 제 1 영역을 집중 검사 영역으로 결정(identify)하고, 결정된 제 1 영역에 결함이 존재하는지 검사하도록 제 1 비전 검사기를 제어하는 프로세서를 포함할 수 있다.
일 실시예에 따른 컴퓨터로 읽을 수 있는 저장 매체를 포함하는 컴퓨터 프로그램 제품에 있어서, 상기 저장 매체는, 제 1 객체가 통과한 제 1 제조 공정과 관련된 제 1 공정 데이터를 획득하는 단계; 인공지능 모델 및 제 1 공정 데이터를 이용하여, 제 1 객체의 전체 영역 중에서 집중 검사를 수행할 제 1 영역을 결정하는 단계; 및 결정된 제 1 영역에 결함이 존재하는지 검사하도록 제 1 비전 검사기를 제어하는 단계를 수행하는 명령어들을 포함할 수 있다.
도 1은 일반적인 비전 검사 시스템을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 비전 검사 시스템을 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 인공지능 모델을 학습는 동작을 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 비전 검사를 관리하는 방법을 설명하기 위한 순서도이다.
도 5는 일 실시예에 따른 공정 데이터에 기초하여 집중 검사 영역을 결정(identify)하는 동작을 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 검사 레벨을 설명하기 위한 도면이다.
도 7은 일 실시예에 따른 이상 신호 감지 시 검사 레벨을 변경하는 동작을 설명하기 위한 도면이다.
도 8은 일 실시예에 따른 이전 제조 공정의 공정 데이터를 적용하여 집중 검사 영역 및 검사 레벨을 결정(identify)하는 방법을 설명하기 위한 순서도이다.
도 9는 일 실시예에 따른, 금번 제조 공정의 공정 데이터 및 이전 제조 공정의 공정 데이터를 적용하여, 집중 검사 영역 및 검사 레벨을 결정(identify)하는 동작을 설명하는 도면이다.
도 10은 일 실시예에 따른 검사 결과 데이터에 기초하여 인공지능 모델을 갱신하는 시스템을 설명하기 위한 도면이다.
도 11은 일 실시예에 따른 갱신된 인공지능 모델을 이용하여 집중 검사 영역을 결정(identify)하는 동작을 설명하기 위한 도면이다.
도 12는 일 실시예에 따른 갱신된 인공지능 모델을 이용하여 검사 레벨을 결정하는 동작을 설명하기 위한 도면이다.
도 13은 일 실시예에 따른 주변 환경 정보를 고려하여 집중 검사 영역 및 검사 레벨을 결정하는 방법을 설명하기 위한 순서도이다.
도 14는 일 실시예에 따른 주변 환경 정보를 고려하여 집중 검사 레벨을 결정하는 동작을 설명하기 위한 도면이다.
도 15는 일 실시예에 따른 공정 관리 장치를 설명하기 위한 블록 구성도이다.
도 16은 일 실시예에 따른 프로세서의 블록 구성도이다.
도 17은 일 실시예에 따른 데이터 학습부의 블록 구성도이다.
도 18은 일 실시예에 따른 데이터 인식부의 블록 구성도이다.
도 19는 일 실시예에 따른 공정 관리 장치 및 관리 서버가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명의 일 실시예에 대해 구체적으로 설명하기로 한다.
본 명세서에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 명세서에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
본 명세서에서 비전 검사는 컴퓨터 기반의 카메라 영상처리 기술을 이용하여 제품의 불량을 자동으로 판독하는 검사를 의미한다. 일 실시예에 의하면, 비전 검사는 일부인 검사, 제품 분류, 이물 검사, 누락 검사, 포장 불량 검사 등 다양한 분야에 적용될 수 있으나, 이에 한정되는 것은 아니다.
아래에서는 첨부한 도면을 참고하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
도 1은 일반적인 비전 검사 시스템을 설명하기 위한 도면이다.
제품을 제조하는 공정을 살펴보면, 각 제조 공정 다음에 비전 검사가 순차적으로 진행될 수 있다. 예를 들어, 케이스 제품(1)을 제조하는 공정을 살펴보면, 공정 A(10) 다음에 비전 검사 A(15)가 진행되고, 공정 B(20) 다음에 비전 검사 B(25)가 진행될 수 있다.
비전 검사기 A는 공정 A(10)를 통과한 케이스 제품(1)의 결함(defect) 여부를 판단하기 위해 케이스 제품(1)의 전체 이미지를 촬영한다. 그리고 비전 검사기 A는 케이스 제품(1)의 전체 이미지를 분석하여 외관의 결함 여부를 판별한다. 또한, 비전 검사기 B는 공정 B(20)를 통과한 케이스 제품(1)의 결함 여부를 판단하기 위해 케이스 제품(1)의 전체 이미지를 촬영한다. 그리고 비전 검사기 B는 케이스 제품(1)의 전체 이미지를 분석하여 외관의 결함 여부를 판별한다. 즉, 공정 A(10)와 공정 B(20)는 상이한 공정임에도 불구하고, 공정 A(10) 후 진행되는 비전 검사기 A의 동작과 공정 B(25) 후 진행되는 비전 검사기 B의 동작이 동일하므로, 각 공정에서 작업이 진행된 부분에 대해 세밀한 검사가 불가능하고, 중복 검사가 수행될 수 있다.
따라서, 각 공정에서 작업이 진행된 부분에 대해 최적화된 비전 검사를 수행하게 하는 시스템이 필요하다. 도 2를 참조하여, 최적화된 비전 검사를 수행하게 하는 비전 검사 시스템에 대해서 자세히 살펴보기로 한다.
도 2는 일 실시예에 따른 비전 검사 시스템을 설명하기 위한 도면이다.
도 2를 참조하면, 일 실시예에 따른 비전 검사 시스템은, 적어도 하나의 공정 장비(예컨대, 제 1 공정 장비(101), 제 2 장비(103)), 적어도 하나의 비전 검사기(예컨대, 비전 검사기 A(102), 비전 검사기 B(104)), 공정 관리 장치(1000), 관리 서버(2000)를 포함할 수 있다. 그러나, 도시된 구성이 모두 필수 구성인 것은 아니다. 예를 들어, 비전 검사 시스템은, 관리 서버(2000) 없이 적어도 하나의 공정 장비(101, 103), 적어도 하나의 비전 검사기(102, 104), 공정 관리 장치(1000)로 구현될 수도 있다. 또한, 비전 검사 시스템은, 적어도 하나의 공정 장비(101, 103), 적어도 하나의 비전 검사기(102, 104), 공정 관리 장치(1000), 관리 서버(2000) 이외에 적어도 하나의 엣지 컴퓨터(미도시)를 더 포함할 수 있다. 엣지 컴퓨터(미도시)는, 적어도 하나의 공정 장비(101, 103), 적어도 하나의 비전 검사기(102, 104) 또는 적어도 하나의 환경 센서로부터 데이터를 수집하고, 수집된 데이터를 필터링한 후, 필터링된 데이터를 공정 관리 장치(1000) 또는 관리 서버(2000)로 전달할 수 있다. 엣지 컴퓨터에 대해서는 도 14를 참조하여 후에 자세히 살펴보기로 한다.
적어도 하나의 공정 장비(101, 103)는, 제품을 제조하는 공정에서 이용되는 장비로서, 예를 들어, 열 성형 장비, 절삭 장비, 가압성형 장비, 사출성형기, 나노가공기, 다이캐스트 주조기, 레이저 마킹 장비, CNC(computer numerical control) 장비, 연마 장비, 코팅 장비, 스탬핑 공정 장비, 본딩 장비, 조립 장비 등 다양할 수 있으나, 이에 한정되는 것은 아니다.
일 실시예에 의하면, 적어도 하나의 공정 장비(101, 103)는 외부의 장치와 통신을 수행하기 위한 통신 인터페이스를 포함할 수 있다. 일 실시예에 의하면, 적어도 하나의 공정 장비(101, 103)는 통신 인터페이스를 통해 공정 관리 장치(1000)와 통신을 수행할 수 있다. 통신 인터페이스는, 근거리 통신부, 이동 통신부 등을 포함할 수 있다. 근거리 통신부(short-range wireless communication unit)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 이동 통신부는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다.
일 실시예에 의하면, 적어도 하나의 공정 장비(101, 103)는, 공정 데이터를 공정 관리 장치(1000)로 전송할 수 있다. 이때, 적어도 하나의 공정 장비(101, 103)는 엣지 컴퓨터(미도시)를 통해 공정 데이터를 공정 관리 장치(1000)로 전송할 수도 있고, 엣지 컴퓨터(미도시)를 통하지 않고 직접 공정 관리 장치(1000)로 공정 데이터를 전송할 수도 있다. 한편, 적어도 하나의 공정 장비(101, 103)는 공정 관리 장치(1000)로부터 제어 신호를 수신할 수도 있다. 이 경우, 적어도 하나의 공정 장비(101, 103)는 수신된 제어 신호에 따라 동작할 수 있다.
일 실시예에 의하면, 적어도 하나의 공정 장비(101, 103)는 적어도 하나의 비전 검사기(102, 104)와 통신 인터페이스를 통해 근거리 통신할 수도 있다. 이 경우, 적어도 하나의 공정 장비(101, 103)는 적어도 하나의 비전 검사기(102, 104)로 공정 데이터를 전송하거나, 공정 과정에서 이상 신호가 감지되었음을 알리는 알림 신호를 전송할 수 있다.
적어도 하나의 비전 검사기(102, 104)는, 고성능 카메라, 렌즈, 조명, 이미지 프로세서 등을 포함하는 장치일 수 있다. 적어도 하나의 비전 검사기(102, 104)는, 카메라, 렌즈, 조명을 이용하여 비전 검사의 대상이 되는 객체(100)의 이미지를 획득한 후, 획득한 이미지를 분석하여, 특정 작업(예컨대, 불량 검사 등)을 수행할 수 있다. 예를 들어, 적어도 하나의 비전 검사기(102, 104)는 결함 검출(예컨대, 균열(crack), 이물, 얼룩, 훼손 등), 부품 분류, 패턴 매칭, 치수 측정(예컨대, 사이즈, 각도, 면적), 컬러 검사(예컨대, 컬러 분석, 컬러 매칭), 개수 카운팅, 표면 마무리 검사 등을 수행할 수 있다.
일 실시예에 의하면, 적어도 하나의 비전 검사기(102, 104)는 객체(100)에 대한 2차원 이미지를 획득하고, 획득된 2차원 이미지를 분석하여, 특정 작업(예컨대, 불량 검사 등)을 수행할 수 있다. 또한, 적어도 하나의 비전 검사기(102, 104)는 객체(100)에 대한 3차원 이미지를 획득하고, 획득된 3차원 이미지를 분석하여, 특정 작업(예컨대, 불량 검사 등)을 수행할 수도 있다.
한편, 적어도 하나의 비전 검사기(102, 104)는 제 1 임계 값보다 큰 해상도를 가지는 고해상도 이미지를 획득하거나, 제 2 임계 값 미만의 해상도를 가지는 저해상도 이미지를 획득할 수도 있다.
일 실시예에 의하면, 적어도 하나의 비전 검사기(102, 104)는 외부의 장치와 통신을 수행하기 위한 통신 인터페이스를 포함할 수 있다. 일 실시예에 의하면, 적어도 하나의 비전 검사기(102, 104)는 통신 인터페이스를 통해 공정 관리 장치(1000)와 통신을 수행 할 수 있다. 통신 인터페이스는, 근거리 통신부, 이동 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
예를 들어, 적어도 하나의 비전 검사기(102, 104)는 공정 관리 장치(1000)로부터 제어 신호를 수신할 수 있다. 적어도 하나의 비전 검사기(102, 104)는 수신된 제어 신호에 따라, 비전 검사를 수행할 수 있다. 그리고 적어도 하나의 비전 검사기(102, 104)는, 통신 인터페이스를 통해 비전 검사 결과 데이터를 공정 관리 장치(1000)로 전송할 수도 있다. 이때, 적어도 하나의 비전 검사기(102, 104)는 엣지 컴퓨터(미도시)를 통해 비전 검사 결과 데이터를 공정 관리 장치(1000)로 전송할 수도 있고, 엣지 컴퓨터(미도시)를 통하지 않고 직접 공정 관리 장치(1000)로 비전 검사 결과 데이터를 전송할 수도 있다.
공정 관리 장치(1000)는, 집중 검사를 수행할 영역(이하, 집중 검사 영역)을 결정(identify)하기 위한 인공지능 모델(이하, AI 모델)을 저장할 수 있다. 집중 검사 영역은 결함이 발생할 확률이 높은 영역일 수 있다. AI 모델은 기계 학습, 신경망 또는 딥러닝 알고리즘 중 적어도 하나에 따라 학습된 모델일 수 있다. 공정 관리 장치(1000)는 적어도 하나의 공정 장비(101, 103)로부터 수신된 공정 데이터 및 AI 모델을 이용하여, 집중 검사 영역을 결정(identify)할 수 있다. 예를 들어, 공정 관리 장치(1000)는 제 1 공정 장비(101)로부터 수신된 공정 A(S110)에 대한 데이터를 AI 모델에 입력(또는 적용)함으로써, 객체(100)의 좌측 상단 영역(111)을 집중 검사 영역으로 결정할 수 있다. 또한, 공정 관리 장치(1000)는 제 2 장비(103)로부터 수신된 공정 B(S130)에 대한 데이터를 AI 모델에 입력(또는 적용)함으로써, 객체(100)의 우측 하단 영역(112)을 집중 검사 영역으로 결정할 수 있다. 이때, 공정 A를 통과한 객체(100)의 경우, 객체(100)의 좌측 상단 영역(111)에서 불량이 발생할 확률이 높고, 공정 B를 통과한 객체(100)의 경우, 객체(100)의 우측 하단 영역(112)에서 불량이 발생할 확률이 높을 수 있다.
일 실시예에 의하면, 공정 관리 장치(1000)는, 집중 검사 영역에 관한 정보를 적어도 하나의 비전 검사기(102, 104)로 전송할 수 있다. 예를 들어, 공정 관리 장치(1000)는 객체(100)의 좌측 상단 영역(111)에 대한 집중 검사를 수행하라는 제어 신호를 비전 검사기 A(102)로 전송할 수 있다. 이 경우, 비전 검사기 A(102)는 객체(100)의 좌측 상단 영역(111)에 대한 비전 검사를 기본 검사보다 정밀한 강도로 수행할 수 있다(S120). 또한, 공정 관리 장치(1000)는 객체(100)의 우측 하단 영역(112)에 대한 집중 검사를 수행하라는 제어 신호를 비전 검사기 B(104)로 전송할 수 있다. 이 경우, 비전 검사기 B(104)는 객체(100)의 우측 하단 영역(112)에 대한 비전 검사를 기본 검사보다 정밀한 강도로 수행할 수 있다(S140). 따라서, 일 실시예에 따른 비전 검사 시스템은, 각 공정에서 작업이 진행된 부분에 대해 최적화된 비전 검사를 수행할 수 있게 한다.
공정 관리 장치(1000)가 공정 데이터 및 AI 모델에 기반하여 집중 검사 영역을 결정하고, 집중 검사 영역에 관한 정보(예컨대, 좌표 값)를 적어도 하나의 비전 검사기(102, 104)로 전송함으로써, 효율적으로 비전 검사를 관리하는 동작에 대해서는 도 4를 참조하여 후에 자세히 살펴보기로 한다.
일 실시예에 의하면, 관리 서버(2000)는, AI 프로세서를 포함할 수 있다. AI 프로세서는 인공신경망을 학습시켜, 집중 검사 영역을 결정하는 AI 모델을 생성할 수 있다. 인공신경망을 ‘학습’시킨다는 것은 데이터를 바탕으로 가중치를 적절히 바꿔주면서 인공신경망을 구성하는 뉴런들의 연결이 최적의 의사결정을 할 수 있는 수학적 모델을 만드는 것을 의미할 수 있다.
예를 들어, 도 3을 참조하면, 관리 서버(2000)의 AI 프로세서는, 비전 검사 대상 정보(301), 공정 정보(302), 결함 정보(303), 주변 환경에 따른 결함율 정보(304)를 외부(예컨대, 오퍼레이터)로부터 학습 데이터로 획득할 수 있다. 이때, AI 프로세서는 비전 검사 대상 정보(301), 공정 정보(302), 결함 정보(303), 주변 환경에 따른 결함율 정보(304)를 딥 러닝 알고리즘에 입력하여, 집중 검사 영역을 결정하는 AI 모델(300)을 생성할 수 있다. 예를 들어, AI 모델(300)은 비전 검사 대상 정보(301), 공정 정보(302), 결함 정보(303), 주변 환경에 따른 결함율 정보(304)를 입력 받고, 입력된 비전 검사 대상 정보(301), 공정 정보(302), 결함 정보(303), 주변 환경에 따른 결함율 정보(304)에 기초하여 스스로 학습할 수 있다.
비전 검사 대상 정보(301)는 제조되는 제품의 재료(예컨대, 유리, 플라스틱, 알루미늄, 고무, 비닐, 섬유, 음식물 등)에 관한 정보일 수 있다.
공정 정보(302)는, 제품을 제조하는 공정에 관한 정보로서, 예를 들어, 전체 공정의 순서, 각 공정 별 작업 내용에 관한 정보(예컨대, 공정을 수행하는 장비, 작업 부분, 작업 종류 등), 각 공정에서 발생하는 컨텍스트 정보(예컨대, 진동, 열, 먼지, 수증기 등) 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
결함 정보(303)는, 결함의 종류(예컨대, 균열(crack), 이물, 얼룩, 훼손)에 관한 정보, 공정 별 결함 발생 확률(예컨대, 공정 A는 1.5%, 공정 B는 0.5% 등)에 관한 정보, 공정 별 결함 발생 주요 부분(예컨대, 공정 A는 외주면, 공정 B는 홀, 공정 C는 지지대 등)에 관한 정보 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 결함 정보(303)는 결함 이미지를 포함할 수 있다. 결함 이미지는 2차원 이미지일 수도 있고, 3차원 이미지일 수도 있다. 또한, 결함 이미지는 정지 영상일 수도 있고, 동영상일 수도 있다.
주변 환경에 따른 결함율 정보(304)는, 공정 장비 주변의 환경(예컨대, 온도, 습도, 먼지 등)에 따른 결함 발생 확률에 관한 정보를 의미할 수 있다. 예를 들어, 주변 환경에 따른 결함율 정보(304)는, 주변 온도가 1 ℃ 상승할 때 마다 결함 발생 확률이 0.2% 상승한다는 정보, 습도가 70%일 때 결함 발생 확률은 1.3%이고, 습도가 60%일 때 결함 발생 확률은 1%라는 정보 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
일 실시예에 의하면, AI 프로세서는, 공정 데이터(비전 검사 대상 정보(301), 공정 정보(302))를 결함 데이터(결함 정보(303), 주변 환경에 따른 결함율 정보(304))와 매칭함으로써, 공정 데이터에 따른 집중 검사 영역의 좌표 값을 모델링할 수 있다.
한편, AI 프로세서는 획득된 결함 이미지에 포함된 피사체를 소정 각도로 회전시켜 학습 이미지들을 생성할 수도 있다. 예를 들어, AI 프로세서는, 결함 이미지에 포함된 피사체(예컨대, 제품)를 왼쪽으로 30도 회전시킨 제 1 학습 이미지, 피사체를 왼쪽으로 50도 회전시킨 제 2 학습 이미지, 피사체를 왼쪽으로 70도 회전시킨 제 3 학습 이미지, 피사체를 오른쪽으로 30도 회전시킨 제 4 학습 이미지, 제품을 오른쪽으로 50도 회전시킨 제 5 학습 이미지, 제품을 오른쪽으로 70도 회전시킨 제 6 학습이미지, 피사체를 좌우 대칭 변환한 제 7 학습 이미지를 생성할 수 있다.
일 실시예에 의하면, AI 프로세서는, 비전 검사 결과 데이터(305)를 획득할 수도 있다. 비전 검사 결과 데이터(305)는 적어도 하나의 비전 검사기(102, 104)에서 실제적으로 비전 검사를 수행한 결과에 대한 데이터로서, 예를 들어, 결함 발생 여부, 결함 발생 부위에 관한 정보, 결함 이미지 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. AI 프로세서는, 비전 검사 결과 데이터(305)를 딥러닝 알고리즘에 학습 데이터로 입력하여, 최적의 집중 검사 영역을 결정할 수 있는 AI 모델(300)을 적응적으로 생성할 수 있다.
일 실시예에 의하면, 관리 서버(2000)는, 외부의 장치와 통신을 수행하기 위한 통신 인터페이스를 포함할 수 있다. 예를 들어, 관리 서버(2000)는, 공정 관리 장치(1000), 적어도 하나의 공정 장비(101, 103) 또는 적어도 하나의 비전 검사기(102, 104)와 통신 인터페이스를 통해 통신할 수 있다.
일 실시예에 의하면, 관리 서버(2000)는, 공정 관리 장치(1000)로 AI 모델(300)을 전송할 수 있다. 관리 서버(2000)는, 공정 관리 장치(1000)로부터 요청이 있는 경우, AI 모델(300)을 공정 관리 장치(1000)로 전송할 수도 있고, 소정 주기로 AI 모델(300)을 공정 관리 장치(1000)로 전송할 수도 있다. 또한, 관리 서버(2000)는 AI 모델(300)이 갱신되는(Modified and refined) 이벤트가 발생하는 경우에 갱신된 AI 모델(300)을 공정 관리 장치(1000)로 전송할 수도 있다. 이 경우, 공정 관리 장치(1000)는 기 저장된 AI 모델(300)과 수신된 AI 모델(300)의 버전을 비교하여, 구 버전의 AI 모델(300)을 최신 버전의 AI 모델(300)로 갱신(modify and refined) 또는 변경(change)할 수 있다.
한편, 도 2에서는 관리 서버(2000)에서 AI 모델(300)이 생성 또는 학습되는 경우를 예로 들어 설명하였으나, 이에 한정되는 것은 아니다. 예를 들어, 공정 관리 장치(1000)에서 AI 모델(300)이 생성되거나 학습될 수 있다.
또한, 도 2 에서는 공정 관리 장치(1000)가 AI 모델을 저장하는 경우를 예로 들어 설명하였으나, 이에 한정되는 것은 아니다. 예를 들어, 공정 관리 장치(1000) 대신에 관리 서버(2000)에서 AI 모델을 저장할 수 있다. 이 경우, 공정 관리 장치(1000)는 적어도 하나의 공정 장비(101, 103)로부터 공정 데이터를 수신하고, 수신된 공정 데이터를 관리 서버(2000)로 전달하면서, 집중 검사 영역에 대한 정보를 요청할 수 있다. 관리 서버(2000)는 AI 모델에 공정 데이터를 적용하여, 집중 검사 영역을 식별하고, 식별된 집중 검사 영역에 대한 정보(예컨대, 좌표 정보)를 공정 관리 장치(1000)로 전송할 수 있다. 공정 관리 장치(1000)는 집중 검사 영역에 대한 정보를 적어도 하나의 비전 검사기(102, 104)로 전송할 수 있다.
이하에서는, 도 4를 참조하여, 공정 관리 장치(1000)가 AI 모델(300)을 이용하여 효율적으로 비전 검사를 관리하는 방법에 대해서 좀 더 자세히 살펴보기로 한다.
도 4는 일 실시예에 따른 비전 검사를 관리하는 방법을 설명하기 위한 순서도이다.
단계 S410에서, 공정 관리 장치(1000)는, 제 1 객체가 통과한 제 1 제조 공정과 관련된 제 1 공정 데이터를 획득할 수 있다.
일 실시예에 의하면, 제 1 공정 데이터는, 제 1 제조 공정을 수행하는 제 1 공정 장비에 관한 정보, 제 1 제조 공정에서 작업하는 부분 또는 내용에 관한 정보, 전체 제조 공정 중 제 1 제조 공정의 순서에 관한 정보, 제 1 제조 공정에서 발생하는 결함율(defect rate)에 관한 정보 및 제 1 제조 공정에서 발생하는 컨텍스트 정보 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 또한, 제 1 제조 공정에서 발생하는 컨텍스트 정보는 진동, 열, 먼지, 수증기 등에 관한 정보를 포함할 수 있으나, 이에 한정되는 것은 아니다.
일 실시예에 의하면, 공정 관리 장치(1000)는 제 1 제조 공정을 수행하는 제 1 공정 장비로부터 제 1 공정 데이터를 수신할 수 있다. 예를 들어, 제 1 공정 장비는 제 1 객체가 제 1 제조 공정을 통과하는 동안 획득되는 제 1 공정 데이터를 유/무선 네트워크를 통해 공정 관리 장치(1000)로 전송할 수 있다. 일 실시예에 의하면, 공정 관리 장치(1000)는 제 1 공정 장비로부터 직접 제 1 공정 데이터를 수신할 수도 있고, 제 1 공정 장비에 연결된 엣지 컴퓨터로부터 제 1 공정 데이터를 수신할 수도 있다. 제 1 공정 장비는 객체들이 통과할 때마다 해당 객체와 관련된 제 1 공정 데이터를 공정 관리 장치(1000)로 전송할 수 있다.
단계 S420에서, 공정 관리 장치(1000)는, AI 모델(300) 및 제 1 공정 데이터를 이용하여, 제 1 객체의 전체 영역 중에서 집중 검사를 수행할 제 1 영역을 결정할 수 있다. 즉, 공정 관리 장치(1000)는, 제 1 객체의 제 1 영역을 집중 검사 영역으로 결정할 수 있다. 집중 검사 영역은 결함 발생 확률이 높은 영역일 수 있다.
일 실시예에 의하면, 공정 관리 장치(1000)가 제 1 공정 데이터를 AI 모델(300)에 입력하는 경우, AI 모델(300)은 제 1 공정 데이터에 기반하여 집중 검사 영역을 결정할 수 있다. 예를 들어, 제 1 제조 공정이 제 1 객체의 우측 상단을 절삭하는 공정인 경우, AI 모델(300)은 우측 상단 영역을 집중 검사를 수행할 제 1 영역으로 결정할 수 있다. 또한, 제 1 제조 공정이 열 성형 공정이고, 열 성형 공정 이후에는 중심부에서 균열이 발생할 확률이 높은 경우, AI 모델(300)은 제 1 객체의 중심 영역을 집중 검사를 수행할 제 1 영역으로 결정할 수 있다.
일 실시예에 의하면, 공정 관리 장치(1000)는, 제 1 객체가 제 1 제조 공정 이전에 다른 제조 공정도 통과한 경우, 제 1 제조 공정과 관련된 제 1 공정 데이터뿐 아니라 이전 제조 공정과 관련된 이전 공정 데이터를 이용하여, 집중 검사 영역을 결정할 수도 있다. 예를 들어, 제 1 제조 공정이 전체 제조 공정 중에서 n번째 제조 공정인 경우, 공정 관리 장치(1000)는 제 n 번째 제조 공정과 관련된 제 n 공정 데이터(즉, 제 1 공정 데이터)뿐 아니라 제 n-1번째 제조 공정과 관련된 제 n-1 공정 데이터를 이용하여, 집중 검사 영역을 결정할 수 있다. 이때, 공정 관리 장치(1000)가 집중 검사 영역을 결정하는 동작은 AI 모델(300)을 통해 수행될 수 있다. 공정 관리 장치(1000)가 제 1 제조 공정 이전의 제조 공정과 관련된 공정 데이터를 더 이용하여 집중 검사 영역을 결정하는 동작에 대해서는 도 8을 참조하여 후에 자세히 살펴보기로 한다.
일 실시예에 의하면, 공정 관리 장치(1000)는, 공정 환경을 고려하여 집중 검사 영역을 결정할 수도 있다. 예를 들어, 공정 관리 장치(1000)는, 제 1 공정 데이터뿐 아니라 제 1 제조 공정을 수행하는 제 1 공정 장비가 동작하는 주변 환경에 관한 정보를 더 이용하여, 제 1 객체의 제 1 영역을 집중 검사 영역으로 결정할 수 있다. 여기서, 제 1 공정 장비가 동작하는 주변 환경에 관한 정보는, 주변 온도 정보, 주변 습도 정보, 소음 정보, 먼지 정보 및 진동 정보 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 공정 관리 장치(1000)가 공정 환경을 고려하여 집중 검사 영역을 결정하는 동작에 대해서는 도 13을 참조하여 후에 자세히 살펴보기로 한다.
일 실시예에 의하면, 공정 관리 장치(1000)는, 제1 공정 데이터뿐 아니라 제 1 객체의 재료에 관한 정보를 더 이용하여, 제 1 영역을 집중 검사 영역으로 결정할 수 있다. 예를 들어, 유리의 경우 중심 영역에서 결함이 발생할 확률이 높고, 플라스틱의 경우 외주면에서 결함이 발생할 확률이 높을 수 있다. 이 경우, 공정 관리 장치(1000)는, 제 1 객체의 재료가 유리라면, 제 1 객체의 중심으로부터 일정 영역을 집중 검사 영역으로 결정하고, 제 1 객체의 재료가 플라스틱이라면 제 1 객체의 외주면 중 일부를 집중 검사 영역으로 결정할 수 있다.
일 실시예에 의하면, 공정 관리 장치(1000)는 제 1 공정 데이터 외에 제 1 제조 공정을 수행하는 제 1 공정 장비가 동작하는 주변 환경에 관한 정보 및 제 1 객체의 재료에 관한 정보를 더 이용하여, 제 1 영역을 집중 검사 영역으로 결정할 수도 있다.
단계 S430에서, 일 실시예에 의하면, 공정 관리 장치(1000)는, 제 1 객체의 제 1 영역에 결함이 존재하는지 검사하도록 제 1 비전 검사기를 제어할 수 있다.
예를 들어, 공정 관리 장치(1000)는 제 1 영역의 좌표 정보를 제 1 비전 검사기에 전송할 수 있다. 이때, 공정 관리 장치(1000)는 직접 제 1 비전 검사기로 제 1 영역의 좌표 정보를 전송할 수도 있고, 제 1 비전 검사기에 연결된 엣지 컴퓨터를 통해 제 1 영역의 좌표 정보를 제 1 비전 검사기로 전송할 수도 있다. 일 실시예에 의하면, 공정 관리 장치(1000)는 근거리 통신을 이용하여 제 1 비전 검사기로 제 1 영역의 좌표 정보를 전송할 수 있다.
일 실시예에 의하면, 공정 관리 장치(1000)는 제 1 영역의 좌표 정보와 함께 제 1 영역에 대한 집중 비전 검사를 수행하라는 제어 신호를 제 1 비전 검사기로 전송할 수도 있다. 이 경우, 제 1 비전 검사기는 제어 신호에 따라 제 1 객체의 제 1 영역에 대한 비전 검사를 수행할 수 있다.
일 실시예에 의하면, 공정 관리 장치(1000)는, 제 1 객체의 전체 영역에 대해서 기본 검사를 수행하고, 제 1 객체의 제 1 영역에 대해서 집중 검사를 수행하라는 제어 신호를 제 1 비전 검사기로 전송할 수 있다. 기본 검사는 집중 검사 보다 낮은 강도로 수행되는 비전 검사를 의미할 수 있다. 예를 들어, 기본 검사가 평균 해상도의 2차원 이미지를 분석하는 검사이고, 정밀 검사가 고해상도의 2 차원 이미지를 분석하는 검사일 수 있다. 또는, 기본 검사가 2D 이미지를 분석하는 검사이고, 집중 검사가 3D 이미지를 분석하는 검사일 수 있으나, 이에 한정되는 것은 아니다. 즉, 공정 관리 장치(1000)는, 제 1 객체의 전체 영역에 대해 제 1 검사 레벨로 제 1 비전 검사를 수행하도록 제 1 비전 검사기를 제어하고, 제 1 객체의 제 1 영역에 대해 제 2 검사 레벨로 제 2 비전 검사를 수행하도록 제 1 비전 검사기를 제어할 수 있다. 이때, 제 2 검사 레벨은 제 1 검사 레벨보다 검사 정밀도가 높을 수 있다.
한편, 일 실시예에 의하면, 공정 관리 장치(1000)는 제 1 객체의 제 1 영역에 대해서만 비전 검사를 수행하고, 제 1 객체의 나머지 영역에 대해서는 비전 검사를 수행하지 말라는 제어 신호를 제 1 비전 검사기로 전송할 수도 있다.
일 실시예에 의하면, 공정 관리 장치(1000)는, AI 모델(300) 및 제 1 공정 데이터에 기반하여, 제 1 객체의 제 1 영역(집중 검사 영역)에 대한 검사 레벨을 결정할 수도 있다. 예를 들어, 공정 관리 장치(1000)는, 제 1 공정 데이터를 분석한 결과, 제 1 객체의 제 1 영역에서 결함이 발생할 확률이 높아진 경우, 제 1 객체의 제 1 영역에 대한 검사 레벨을 제 1 레벨에서 제 2 레벨로 상향 조절할 수 있다. 또한, 공정 관리 장치(1000)는, 제 1 공정 데이터를 분석한 결과, 제 1 객체의 제 1 영역에서 결함이 발생할 확률이 낮은 경우, 제 1 객체의 제 1 영역에 대한 검사 레벨을 제 1 레벨로 결정할 수 있다.
일 실시예에 의하면, 검사 레벨은, 집중 검사 영역에 대한 2차원 저해상도 이미지를 분석하는 레벨, 집중 검사 영역에 대한 2차원 고해상도 이미지를 분석하는 레벨, 집중 검사 영역에 대한 3차원 저해상도 이미지를 분석하는 레벨 및 집중 검사 영역에 대한 3차원 고해상도 이미지를 분석하는 레벨 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 검사 레벨에 관하여는 도 6을 참조하여 후에 좀 더 살펴보기로 한다.
일 실시예에 의하면, 공정 관리 장치(1000)는, 결정된 검사 레벨에 따라, 제 1 객체의 제 1 영역에 대한 2차원 이미지 및 제 1 객체의 제 1 영역에 대한 3 차원 이미지 중 적어도 하나를 획득하도록 제 1 비전 검사기를 제어할 수 있다. 예를 들어, 결정된 검사 레벨이 제 1 레벨인 경우, 공정 관리 장치(1000)는 제 1 영역에 대한 2차원 이미지를 획득하도록 제 1 비전 검사기를 제어하고, 결정된 검사 레벨이 제 2 레벨인 경우, 공정 관리 장치(1000)는, 제 1 영역에 대한 3차원 이미지를 획득하도록 제 1 비전 검사기를 제어할 수 있다. 한편, 공정 관리 장치(1000)는, 결정된 검사 레벨이 제 3 레벨인 경우, 제 1 영역에 대한 2차원 이미지와 제 1 영역에 대한 3차원 이미지를 모두 획득하여 분석하도록 제 1 비전 검사기를 제어할 수도 있다.
일 실시예에 의하면, 공정 관리 장치(1000)는, 결정된 검사 레벨에 따라, 제 1 객체의 제 1 영역에 대한 저해상도 이미지 또는 제 1 객체의 제 1 영역에 대한 고해상도 이미지를 획득하도록 제 1 비전 검사기를 제어할 수 있다. 예를 들어, 공정 관리 장치(1000)는, 제 1 영역에 대한 결함 발생 확률이 낮은 경우, 검사 레벨을 제 1 레벨로 결정하고, 제 1 영역에 대한 저해상도 이미지를 획득하여 분석하도록 제 1 비전 검사기를 제어할 수 있다. 반면, 공정 관리 장치(1000)는 제 1 영역에 대한 결함 발생 확률이 높은 경우, 검사 레벨을 제 2 레벨로 결정하고, 제 1 영역에 대한 고해상도 이미지를 획득하여 상세히 분석하도록 제 1 비전 검사기를 제어할 수 있다.
일 실시예에 의하면, 공정 관리 장치(1000)는 제 1 제조 공정 진행 중에 제 1 객체의 작업에 대한 이상 신호를 감지하는 경우, 제 1 객체에 대한 검사 레벨을 상향 조절할 수 있다. 예를 들어, 공정 관리 장치(1000)는, 제 1 제조 공정 진행 중에 제 1 객체의 작업에 대한 이상 신호를 감지했다는 알림 신호를 제 1 공정 장비로부터 수신하는 경우, 제 1 객체의 제 1 영역(집중 검사 영역)에 대한 검사 레벨을 상향 조절할 수 있다. 공정 관리 장치(1000)가 이상 신호 감지 시 검사 레벨을 상향 조절하는 동작에 대해서는 도 7을 참조하여 후에 좀 더 살펴보기로 한다.
도 5는 일 실시예에 따른 공정 데이터에 기초하여 집중 검사 영역을 결정하는 동작을 설명하기 위한 도면이다. 도 5에서는 제 1 공정이 절단 공정이고, 제 2 공정이 CNC(computer numerical control) 공정인 경우를 예로 들어 설명하기로 한다.
도 5의 500-1을 참조하면, 제조 대상이 되는 객체(500)가 제 1 공정(예컨대, 절단 공정)을 통과하는 경우, 절단 장비(501)는 제 1 공정 데이터(예컨대, 절단 공정 데이터)(511)를 공정 관리 장치(1000)로 전송할 수 있다. 이때, 공정 관리 장치(1000)는 제 1 공정 데이터(예컨대, 절단 공정 데이터)(511)를 AI모델(300)에 입력함으로써, 제 1 집중 검사 영역(512)을 결정할 수 있다. 예를 들어, AI 모델(300)은 제 1 공정 데이터(511)가 입력됨에 따라 제 1 공정 데이터(511)에 포함된 절단 방향, 절단 위치 또는 이상 신호 발생 여부 등에 관한 정보를 분석하여, 객체(500)의 좌측상단영역(510)을 제 1 집중 검사 영역(512)으로 결정할 수 있다.
공정 관리 장치(1000)는 좌측상단영역(510)에 대한 좌표 정보를 제 1 비전 검사기(502)로 전송할 수 있다. 이 경우, 제 1 비전 검사기(502)는 객체(500)의 전체 영역에 대해서 기본 검사를 수행하고, 좌측상단영역(510)에 대해서 집중 검사를 수행할 수 있다. 예를 들어, 제 1 비전 검사기(502)는 객체(500) 전체 영역에 대한 2차원 이미지를 획득하고, 2차원 이미지를 분석하여, 결함이 존재하는 부분을 식별할 수 있다. 그리고 제 1 비전 검사기(502)는 객체(500)의 좌측상단영역(510)에 대한 3차원 이미지를 추가로 획득하고, 3차원 이미지를 분석하여, 좌측상단영역(510)에 결함이 존재하는지 확인할 수 있다. 일 실시예에 의하면, 제 1 비전 검사기(502)는 카메라를 고정한 채 객체(500)를 회전시켜, 3차원 이미지를 획득할 수 있다.
제 1 비전 검사기(502)는, 좌측상단영역(510)에 미세한 균열이 존재하는 경우, 기본 검사 과정에서 미처 발견하지 못할 수 있다. 하지만, 제 1 비전 검사기(502)는, 좌측상단영역(510)에 대한 집중 검사를 수행함으로써, 좌측상단영역(510)에 존재하는 미세한 균열을 식별할 수 있다.
또한, 좌측상단영역(510)에 먼지가 묻어있는 경우, 제 1 비전 검사기(502)는 기본 검사만으로는 먼지를 스크래치와 구별하지 못할 수 있다. 따라서, 제 1 비전 검사기(502)는 좌측상단영역(510)에 스크래치가 존재한다고 식별할 수 있다. 하지만, 제 1 비전 검사기(502)는 좌측상단영역(510)에 대한 집중 검사를 수행함으로써, 스크래치라고 식별한 부분이 스크래치가 아니라 먼지라고 정확히 확인할 수 있다.
도 5의 500-2를 참조하면, 제조 대상이 되는 객체(500)가 제 2 공정(예컨대, CNC 공정)을 통과하는 경우, CNC 장비(503)는 제 2 공정 데이터(예컨대, CNC 공정 데이터)(521)를 공정 관리 장치(1000)로 전송할 수 있다. 이때, 공정 관리 장치(1000)는 제 2 공정 데이터(예컨대, CNC 공정 데이터)(521)를 AI모델(300)에 입력함으로써, 제 2 집중 검사 영역(522)을 결정할 수 있다. 예를 들어, AI 모델(300)은 제 2 공정 데이터(521)가 입력됨에 따라 제 2 공정 데이터(521)에 포함된 CNC 작업 위치, 작업 방향 또는 이상 신호 발생 여부 등에 관한 정보를 분석하여, 객체(500)의 우측하단영역(520)을 제 2 집중 검사 영역(522)으로 결정할 수 있다.
공정 관리 장치(1000)는 우측하단영역(520)에 대한 좌표 정보를 제 2 비전 검사기(504)로 전송할 수 있다. 이 경우, 제 2 비전 검사기(504)는 객체(500)의 전체 영역에 대해서 기본 검사를 수행하고, 우측하단영역(520)에 대해서 집중 검사를 수행할 수 있다. 예를 들어, 제 2 비전 검사기(504)는 객체(500) 전체 영역에 대한 2차원 이미지를 획득하고, 2차원 이미지를 분석하여, 결함이 존재하는 부분을 식별할 수 있다. 그리고 제 2 비전 검사기(504)는 객체(500)의 우측하단영역(520)에 대한 3차원 이미지를 추가로 획득하고, 3차원 이미지를 분석하여, 우측하단영역(520)에 결함이 존재하는지 판단할 수 있다. 일 실시예에 의하면, 제 2 비전 검사기(504)는 복수의 카메라를 이용하여, 3차원 이미지를 획득할 수 있다.
제 2 비전 검사기(504)는, 우측하단영역(520)에 미세한 균열이 존재하는 경우, 기본 검사 과정에서 미처 발견하지 못할 수 있다. 하지만, 제 2 비전 검사기(504)는, 우측하단영역(520)에 대한 집중 검사를 수행함으로써, 우측하단영역(520)에 존재하는 미세한 균열을 검출할 수 있다.
또한, 우측하단영역(520)에 먼지가 묻어있는 경우, 제 2 비전 검사기(504)는 기본 검사만으로는 먼지를 스크래치와 구별하지 못할 수 있다. 따라서, 제 2 비전 검사기(504)는 우측하단영역(520)에 결함이 존재한다고 판단할 수 있다. 하지만, 제 2 비전 검사기(504)는 우측하단영역(520)에 대한 집중 검사를 수행함으로써, 스크래치가 아니라 먼지가 묻은 것이라고 정확히 판단할 수 있다.
따라서, 일 실시예에 의하면, 비전 검사를 수행하기 직전의 공정 데이터에 기반하여 결함 발생 확률이 높은 영역에 대한 집중 검사를 수행함으로써, 비전 검사의 효율을 증대시킬 수 있다.
도 6은 일 실시예에 따른 검사 레벨을 설명하기 위한 도면이다.
일 실시예에 의하면, 비전 검사 종류(610)는 기본 검사(611)와 집중 검사(612)로 구분될 수 있다. 기본 검사(611)는 제조 대상이 되는 객체의 전체 영역을 기본적으로 검사하는 방식을 의미하며, 집중 검사(612)는 객체의 특정 영역을 집중적으로 검사하는 방식을 의미할 수 있다.
검사 레벨(620)은 다양하게 정의될 수 있다. 예를 들어, 기본 검사(611)의 경우 전체 영역에 대한 2차원 이미지를 분석하는 레벨을 기본 레벨로 정의할 수 있다. 이때, 2차원 이미지는 임계 값 이하의 해상도를 갖는 저해상도의 2차원 이미지일 수도 있고, 평균 해상도를 갖는 2차원 이미지일 수도 있으나, 이에 한정되는 것은 아니다.
사용자의 설정, 공정 관리 장치(1000)에 의한 설정 또는 관리 서버(2000)의 설정에 따라 기본 검사(611)의 기본 레벨이 변경될 수 있다. 예를 들어, 전체 영역에 대한 고해상도의 2차원 이미지를 분석하는 레벨이 기본 검사(611)의 기본 레벨로 정의될 수도 있다.
집중 검사(612)의 경우, 특정 영역에 대한 2차원 이미지(예컨대, 저해상도의 2차원 이미지 또는 평균 해상도의 2차원 이미지)를 분석하는 레벨을 제 1 레벨로 정의하고, 특정 영역에 대한 고해상도의 2차원 이미지를 분석하는 레벨을 제 2 레벨로 정의하고, 특정 영역에 대한 3차원 이미지(예컨대, 저해상도의 3차원 이미지 또는 평균 해상도의 3차원 이미지)를 분석하는 레벨을 제 3 레벨로 정의하고, 특정 영역에 대한 고해상도의 3차원 이미지를 분석하는 레벨을 제 4 레벨로 정의할 수 있으나, 이에 한정되는 것은 아니다. 제 1 레벨에서 제 4 레벨로 갈수록 비전 검사의 정밀도가 높아질 수 있다.
한편, 도 2 내지 도 5에서는, 비전 검사기가 집중 검사를 수행하는 경우를 예로 들어 설명하였으나, 경우에 따라서는 비전 검사기가 기본 검사만 수행할 수도 있다.
도 7은 일 실시예에 따른 이상 신호 감지 시 검사 레벨을 변경하는 동작을 설명하기 위한 도면이다.
도 7을 참조하면, 공정 관리 장치(1000)는 제 1 공정 장비(701)로부터 객체(700)가 통과한 제 1 공정과 관련된 제 1 공정 데이터를 획득할 수 있다. 공정 관리 장치(1000)는 제 1 공정 데이터를 AI 모델(300)에 적용하여, 집중 검사 영역 및 검사 레벨을 식별할 수 있다. 만일, 제 1 공정 데이터에 객체(700)가 제 1 공정을 통과하면서 이상 신호가 감지되었다는 메시지가 포함되어 있지 않은 경우(즉, 일반적인 경우(710)), AI 모델(300)은 검사 레벨을 제 1 레벨(집중 검사 영역에 대한 2차원 이미지를 분석하는 레벨)로 결정(identify)할 수 있다. 이 경우, 공정 관리 장치(1000)는 제 1 레벨로 집중 검사를 수행하도록 제 1 비전 검사기(702)를 제어할 수 있다. 하지만, 제 1 공정 데이터에 객체(700)가 제 1 공정을 통과하면서 이상 신호가 감지되었다는 메시지가 포함되어 있는 경우(720), AI 모델(300)은 검사 레벨을 제 1 레벨(집중 검사 영역에 대한 2차원 이미지를 분석하는 레벨) 대신에 제 2 레벨(특정 영역에 대한 고해상도의 2D 이미지 분석하는 레벨)로 결정할 수 있다. 이 경우, 공정 관리 장치(1000)는 제 2 레벨로 집중 검사를 수행하도록 제 1 비전 검사기(702)를 제어할 수 있다.
예를 들어, 제 1 공정이 절삭 공정인 경우, 객체(700)를 5cm로 잘랐을 때는 결함 발생 확률이 5% 미만이지만, 객체(700)를 5.1cm로 잘랐을 때는 결함 발생 확률이 10%이상으로 확 증가할 수 있다. 따라서, 제 1 공정 장비(701)는 객체(700)가 제 1 공정에서 5.1cm로 잘린 경우, 이상 신호가 발생했다고 감지할 수 있다. 이 경우, 제 1 공정 장비(701)는 이상 신호가 감지되었다는 메시지를 공정 관리 장치(1000)로 전송할 수 있다. 일 실시예에 의하면, 제 1 공정 장비(701)는 이상 신호가 감지되었다는 메시지를 제 1 공정 데이터에 포함시켜 공정 관리 장치(1000)로 전송할 수도 있고, 이상 신호가 감지되었다는 메시지를 제 1 공정 데이터와 분리하여 공정 관리 장치(1000)로 전송할 수도 있다.
한편, 일 실시예에 의하면, 제 1 공정 장비(701)는 이상 신호가 감지되었다는 알림 데이터를 공정 관리 장치(1000) 대신에 제 1 비전 검사기(702)에 전송할 수 있다. 이 경우, 제 1 비전 검사기(702)는, 공정 관리 장치(1000)로부터 제 1 레벨로 집중 검사를 수행하라는 제어 신호를 수신하였더라도, 검사 레벨을 제 1 레벨에서 제 2 레벨로 상향 조정하고, 제 2 레벨로 집중 검사를 수행할 수 있다. 예를 들어, 제 1 비전 검사기(702)는, 공정 관리 장치(1000)로부터 2차원 이미지를 분석하라는 제어 신호를 수신하였더라도, 이상 신호가 감지되었다는 메시지를 제 1 공정 장비(701)로부터 수신한 경우, 2차원 이미지 대신에 3차원 이미지를 획득하여 분석할 수 있다.
도 8은 일 실시예에 따른 이전 제조 공정의 공정 데이터를 적용하여 집중 검사 영역 및 검사 레벨을 결정하는 방법을 설명하기 위한 순서도이다.
단계 S810에서, 공정 관리 장치(1000)는, 제 1 객체가 통과한 제 1 제조 공정과 관련된 제 1 공정 데이터 획득할 수 있다. 단계 S810은 도 4의 단계 S410에 대응하므로, 구체적인 설명은 생략하기로 한다.
단계 S820에서, 공정 관리 장치(1000)는, 제 1 객체가 제 1 제조 공정 다음의 제 2 제조 공정을 통과하는 경우, 제 2 제조 공정과 관련된 제 2 공정 데이터를 획득할 수 있다.
일 실시예에 의하면, 제 2 공정 데이터는, 제 2 제조 공정을 수행하는 제 2 공정 장비에 관한 정보, 제 2 제조 공정에서 작업하는 부분 또는 내용에 관한 정보, 전체 제조 공정 중 제 2 제조 공정의 순서에 관한 정보, 제 2 제조 공정에서 발생하는 결함율(defect rate)에 관한 정보 및 제 2 제조 공정에서 발생하는 컨텍스트 정보 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 제 2 제조 공정에서 발생하는 컨텍스트 정보는 진동, 열, 먼지, 수증기 등에 관한 정보를 포함할 수 있으나, 이에 한정되는 것은 아니다.
일 실시예에 의하면, 공정 관리 장치(1000)는 제 2 제조 공정을 수행하는 제 2 공정 장비로부터 제 2 공정 데이터를 수신할 수 있다. 예를 들어, 제 2 공정 장비는 제 1 객체가 제 2 제조 공정을 통과하는 동안 획득되는 제 2 공정 데이터를 유/무선 네트워크를 통해 공정 관리 장치(1000)로 전송할 수 있다. 일 실시예에 의하면, 공정 관리 장치(1000)는 제 2 공정 장비로부터 직접 제 2 공정 데이터를 수신할 수도 있고, 제 2 공정 장비에 연결된 엣지 컴퓨터로부터 제 2 공정 데이터를 수신할 수도 있다. 제 2 공정 장비는 객체들이 통과할 때마다 해당 객체와 관련된 제 2 공정 데이터를 공정 관리 장치(1000)로 전송할 수 있다.
단계 S830에서, 공정 관리 장치(1000)는, 제 1 공정 데이터 및 제 2 공정 데이터를 이용하여, 제 1 객체의 전체 영역 중에서 집중 검사를 수행할 제 2 영역 및 제 2 영역의 검사 레벨을 결정(identify)할 수 있다.
일 실시예에 의하면, 공정 관리 장치(1000)는 AI 모델(300)에 제 1 공정 데이터 및 제 2 공정 데이터를 적용하여, 제 2 영역을 집중 검사 영역으로 결정할 수 있다. 집중 검사 영역은 결함 발생 확률이 높은 영역일 수 있다. 예를 들어, AI 모델(300)은 제 1 객체에 대해 제 1 제조 공정에서 작업하는 내용 및 제 1 객체에 대해 제 2 제조 공정에서 작업한 내용에 기반하여, 집중 검사 영역을 결정할 수 있다. 예컨대, AI 모델(300)은, 제 1 제조 공정에서 작업한 부분이 A 영역이고, 제 2 제조 공정에서 작업한 부분이 B 영역인 경우, A 부분과 B 부분이 중첩되는 영역을 집중 검사 영역으로 결정할 수 있다.
일 실시예에 의하면, 공정 관리 장치(1000)는 AI 모델(300)에 제 1 공정 데이터 및 제 2 공정 데이터를 적용하여 집중 검사 영역 및 검사 레벨을 결정할 수도 있다. 예를 들어, AI 모델(300)은 제 1 제조 공정에서 발생한 컨텍스트 정보(예컨대, 진동, 열, 습도 등) 및 제 2 제조 공정에서 작업한 내용에 기반하여, 집중 검사 영역 및 검사 레벨을 결정할 수 있다. 제 1 제조 공정에서 발생한 진동이 임계 값보다 클 때 결함 발생 확률이 증가하고, 제 2 제조 공정에서 작업한 부분이 제 1 객체의 제 2 영역인 경우를 예로 들어 설명하기로 한다. 제 2 제조 공정에서 작업한 부분이 제 1 객체의 제 2 영역이므로, AI 모델(300)은 제 2 영역을 집중 검사 영역으로 결정할 수 있다. 그리고 AI 모델(300)은, 제 1 제조 공정에서 발생한 진동이 임계 값보다 작은 경우, 제 2 영역에 대한 검사 레벨을 제 1 레벨로 결정할 수 있다. 반면, 제 1 제조 공정에서 발생한 진동이 임계 값보다 큰 경우 결함 발생 확률이 증가하게 되므로, AI 모델(300)은 제 2 영역에 대한 검사 레벨을 제 3 레벨로 결정할 수 있다.
단계 S840에서, 공정 관리 장치(1000)는, 결정된 검사 레벨로 제 2 영역에 결함이 존재하는지 검사하도록 제 2 비전 검사기를 제어할 수 있다. 제 2 비전 검사기는 제 2 제조 공정 다음에 위치할 수 있다.
예를 들어, 공정 관리 장치(1000)는 제 2 영역의 좌표 정보 및 제 2 영역의 검사 레벨 정보를 제 2 비전 검사기에 전송할 수 있다. 이때, 공정 관리 장치(1000)는 직접 제 2 비전 검사기로 제 2 영역의 좌표 정보 및 제 2 영역의 검사 레벨 정보를 전송할 수도 있고, 제 2 비전 검사기에 연결된 엣지 컴퓨터를 통해 제 2 영역의 좌표 정보 및 제 2 영역의 검사 레벨 정보를 제 2 비전 검사기로 전송할 수도 있다.
일 실시예에 의하면, 공정 관리 장치(1000)는 근거리 통신을 이용하여 제 2 비전 검사기로 제 2 영역의 좌표 정보 및 제 2 영역의 검사 레벨 정보를 포함하는 제어 신호를 전송할 수 있다. 이 경우, 제 2 비전 검사기는, 제어 신호에 따라, 제 2 영역에 대해 결정된 검사 레벨로 비전 검사를 수행할 수 있다. 한편, 제 2 비전 검사기는 제 1 객체의 전체 영역에 대해서 기본 검사를 더 수행할 수 있으나, 이에 한정되는 것은 아니다. 도 9를 참조하여, AI 모델(300)이 이전 제조 공정의 공정 데이터를 적용하여 집중 검사 영역 및 검사 레벨을 결정하는 동작에 대해서 좀 더 자세히 살펴보기로 한다.
도 9는 일 실시예에 따른, 금번 제조 공정의 공정 데이터 및 이전 제조 공정의 공정 데이터를 적용하여, 집중 검사 영역 및 검사 레벨을 결정하는 동작을 설명하는 도면이다. 도 9에서는 제 1 공정이 절단 공정이고, 제 2 공정이 1차 CNC(computer numerical control) 공정이고, 제 3 공정이 2차 CNC 공정인 경우를 예로 들어 설명하기로 한다.
도 9의 900-1을 참조하면, 제조 대상이 되는 객체(900)가 제 1 공정(예컨대, 절단 공정)을 통과하는 경우, 절단 장비(901)는 제 1 공정 데이터(예컨대, 절단 공정 데이터)(911)를 공정 관리 장치(1000)로 전송할 수 있다. 이때, 공정 관리 장치(1000)는 제 1 공정 데이터(예컨대, 절단 공정 데이터)(911)를 AI모델(300)에 입력함으로써, 제 1 집중 검사 영역(910)을 결정할 수 있다. 예를 들어, AI 모델(300)은 제 1 공정 데이터(911)가 입력됨에 따라 제 1 공정 데이터(911)에 포함된 절단 방향, 절단 위치 또는 이상 신호 발생 여부 등에 관한 정보를 분석하여, 객체(900)의 좌측상단영역(910)을 제 1 집중 검사 영역으로 결정할 수 있다. 한편, AI 모델(300)은 제 1 공정 데이터(911)에 기반하여, 제 1 집중 검사 영역에 대한 검사 레벨(912)을 제 2 레벨(예컨대, 3차원 이미지를 분석하는 레벨)로 결정할 수 있다.
공정 관리 장치(1000)는 좌측상단영역(910)에 대한 좌표 정보 및 검사 레벨(912)에 대한 정보(예컨대, 제 2 레벨)를 제 1 비전 검사기(902)로 전송할 수 있다. 이 경우, 제 1 비전 검사기(902)는 객체(900)의 전체 영역에 대해서 기본 검사를 수행하고, 좌측상단영역(910)에 대해서 집중 검사를 수행할 수 있다. 예를 들어, 제 1 비전 검사기(902)는 객체(900) 전체 영역에 대한 2차원 이미지를 획득하고, 2차원 이미지를 분석하여, 결함이 존재하는 부분을 식별할 수 있다. 그리고 제 1 비전 검사기(902)는 객체(900)의 좌측상단영역(910)에 대한 3차원 이미지를 추가로 획득하고, 3차원 이미지를 분석하여, 좌측상단영역(910)에 결함이 존재하는지 확인할 수 있다.
도 9의 900-2를 참조하면, 제조 대상이 되는 객체(900)가 제 1 공정 후 제 2 공정(예컨대, 1차 CNC 공정)을 통과하는 경우, 제 1 CNC 장비(903)는 제 2 공정 데이터(예컨대, 1차 CNC 공정 데이터)(921)를 공정 관리 장치(1000)로 전송할 수 있다. 이때, 공정 관리 장치(1000)는 제 2 공정 데이터(예컨대, 1차 CNC 공정 데이터)(921)뿐만 아니라 제 2 공정 전의 제 1 공정과 관련된 제 1 공정 데이터(911)를 AI모델(300)에 입력함으로써, 제 2 집중 검사 영역을 결정할 수 있다. 예를 들어, AI 모델(300)은 제 1 공정 데이터(911) 및 제 2 공정 데이터(921)가 입력됨에 따라, 제 1 공정 데이터(911)에 포함된 절단 방향, 절단 위치 또는 이상 신호 발생 여부 등에 관한 정보 및 제 2 공정 데이터(921)에 포함된 1차 CNC 작업 위치, 작업 방향 또는 이상 신호 발생 여부 등에 관한 정보를 분석하여, 객체(900)의 우측하단영역(920)을 제 2 집중 검사 영역으로 결정할 수 있다. 한편, AI 모델(300)은 제 1 공정 데이터(911) 및 제 2 공정 데이터(921)에 기반하여, 제 2 집중 검사 영역에 대한 검사 레벨(922)을 제 2 레벨(예컨대, 3차원 이미지를 분석하는 레벨)로 결정할 수 있다.
공정 관리 장치(1000)는 우측하단영역(920)에 대한 좌표 정보 및 검사 레벨(922)에 대한 정보를 제 2 비전 검사기(904)로 전송할 수 있다. 이 경우, 제 2 비전 검사기(904)는 객체(900)의 전체 영역에 대해서 기본 검사를 수행하고, 우측하단영역(920)에 대해서 집중 검사를 수행할 수 있다. 예를 들어, 제 2 비전 검사기(904)는 객체(900) 전체 영역에 대한 2차원 이미지를 획득하고, 2차원 이미지를 분석하여, 결함이 존재하는 부분을 식별할 수 있다. 그리고 제 2 비전 검사기(904)는 객체(900)의 우측하단영역(920)에 대한 3차원 이미지를 추가로 획득하고, 3차원 이미지를 분석하여, 우측하단영역(920)에 결함이 존재하는지 확인할 수 있다.
도 9의 900-3을 참조하면, 제조 대상이 되는 객체(900)가 제 1 공정 후 제 2 공정 후 제 3 공정(예컨대, 2차 CNC 공정)을 통과하는 경우, 제 2 CNC 장비(905)는 제 3 공정 데이터(예컨대, 2차 CNC 공정 데이터)(931)를 공정 관리 장치(1000)로 전송할 수 있다. 이때, 공정 관리 장치(1000)는 제 3 공정 데이터(예컨대, 2차 CNC 공정 데이터)(931)뿐만 아니라 제 3 공정 전의 제 2 공정과 관련된 제 2 공정 데이터(921)를 AI모델(300)에 입력함으로써, 제 3 집중 검사 영역을 결정할 수 있다. 예를 들어, AI 모델(300)은 제 2 공정 데이터(921) 및 제 3 공정 데이터(931)가 입력됨에 따라, 제 2 공정 데이터(921)에 포함된 1차 CNC 작업 위치, 작업 방향 또는 이상 신호 발생 여부 등에 관한 정보 및 제 3 공정 데이터(931)에 포함된 2차 CNC 작업 위치, 작업 방향 또는 이상 신호 발생 여부 등에 관한 정보를 분석하여, 객체(900)의 우측하단영역(920)을 제 3 집중 검사 영역으로 결정할 수 있다. 예컨대, 1차 CNC 작업 위치도 우측하단영역(920)이고, 2차 CNC 작업 위치도 우측하단영역(920)이므로, AI 모델(300)은 2객체(900)의 우측하단영역(920)을 제 3 집중 검사 영역으로 결정할 수 있다.
한편, AI 모델(300)은 제 2 공정 데이터(921) 및 제 3 공정 데이터(931)에 기반하여, 제 3 집중 검사 영역에 대한 검사 레벨(932)을 제 3 레벨(예컨대, 고해상도의 3차원 이미지를 분석하는 레벨)로 결정할 수 있다.
예를 들어, 동일한 위치에 대한 CNC 작업이 반복될수록, 해당 위치의 결함 발생 확률이 증가하는 경우를 가정하기로 한다. 즉, 좌측상단영역(910)에 대한 절단 작업 후에 우측하단영역(920)에 1차 CNC 작업을 하는 경우, 우측하단영역(920)에 결함이 발생할 제 1 확률이 0.5%일 수 있다. 반면, 우측하단영역(920)에 1차 CNC 작업을 한 후에 우측하단영역(920)에 다시 2차 CNC 작업을 하는 경우, 우측하단영역(920)에 결함이 발생할 제 2 확률이 7%일 수 있다. 제 1 확률보다 제 2 확률이 크므로, AI 모델(100)은 제 2 집중 검사 영역에 대한 검사 레벨(922)을 제 2 레벨(예컨대, 3차원 이미지를 분석하는 레벨)로 결정한 경우, 제 3 집중 검사 영역에 대한 검사 레벨(932)은 제 3 레벨(예컨대, 고해상도의 3차원 이미지를 분석하는 레벨)로 결정할 수 있다.
공정 관리 장치(1000)는 우측하단영역(920)에 대한 좌표 정보 및 검사 레벨(932)에 대한 정보를 제 3 비전 검사기(906)로 전송할 수 있다. 이 경우, 제 3 비전 검사기(906)는 객체(900)의 전체 영역에 대해서 기본 검사를 수행하고, 우측하단영역(920)에 대해서 집중 검사를 수행할 수 있다. 예를 들어, 제 3 비전 검사기(906)는 객체(900) 전체 영역에 대한 2차원 이미지를 획득하고, 2차원 이미지를 분석하여, 결함이 존재하는 부분을 식별할 수 있다. 그리고 제 3 비전 검사기(906)는 객체(900)의 우측하단영역(920)에 대한 고해상도의 3차원 이미지를 추가로 획득하고, 고해상도의 3차원 이미지를 분석하여, 우측하단영역(920)에 결함이 존재하는지 확인할 수 있다.
한편, 도 9에 도시되지는 않았지만, 공정 관리 장치(1000)는, 제 3 공정 데이터(예컨대, 2차 CNC 공정 데이터)(931) 및 제 2 공정 데이터(921)뿐 아니라 제 1 공정 데이터(911)를 AI모델(300)에 입력함으로써, 제 3 집중 검사 영역 및 제 3 집중 검사 영역에 대한 검사 레벨을 결정할 수도 있다.
도 10은 일 실시예에 따른 검사 결과 데이터에 기초하여 인공지능 모델을 갱신하는 시스템을 설명하기 위한 도면이다.
단계 S1010에서, 공정 관리 장치(1000)는 적어도 하나의 비전 검사기로부터 검사 결과 데이터를 획득하고, 획득된 검사 결과 데이터를 관리 서버(2000)로 전송할 수 있다. 예를 들어, 공정 관리 장치(1000)는, 제 1 객체의 전체 영역에 대한 제 1 비전 검사 결과 데이터(이하, 기본 검사 결과 데이터) 및 제 1 객체의 집중 검사 영역에 대한 제 2 비전 검사 결과 데이터(이하, 집중 검사 결과 데이터) 중 적어도 하나를 획득할 수 있다.
일 실시예에 의하면, 공정 관리 장치(1000)는 적어도 하나의 공정 장비로부터 획득된 공정 데이터와 함께 검사 결과 데이터(예컨대, 기본 검사 결과 데이터 또는 집중 검사 결과 데이터)를 관리 서버(2000)로 전송할 수 있다.
한편, 도 10에 도시되지 않았지만, 관리 서버(2000)는, 공정 관리 장치(1000)를 통하지 않고, 적어도 하나의 비전 검사기로부터 검사 결과 데이터를 직접 수신할 수도 있다.
단계 S1020에서, 관리 서버(2000)는, 공정 데이터, 검사 결과 데이터(예컨대, 기본 검사 결과 데이터 또는 집중 검사 결과 데이터)를 이용하여, AI 모델(300)을 갱신할 수 있다. 즉, 관리 서버(2000)는, 공정 데이터, 검사 결과 데이터(예컨대, 기본 검사 결과 데이터 또는 집중 검사 결과 데이터)를 학습데이터로 AI 모델(300)에 입력할 수 있다. 이 경우, AI 모델(300)은 공정 데이터, 검사 결과 데이터(예컨대, 기본 검사 결과 데이터 또는 집중 검사 결과 데이터)를 학습함으로써, 갱신(modify and refine)할 수 있다. 예를 들어, AI 모델(300)은 검사 결과 데이터를 분석한 결과 'X 영역'에서 결함이 발견되는 경우, 공정 데이터(예컨대, 열 성형 온도가 기준치보다 5% 상승)와 검사 결과 데이터(예컨대, 'X 영역' 결함 발견)를 비교하여 결함 발생 원인(예컨대, 열 성형 온도가 증가할 경우 X 영역에 결함이 생길 확률이 증가)을 학습할 수 있다. 그리고 AI 모델(300)은 결함 발생 원인을 적용하여 스스로 갱신할 수 있다. 갱신 전의 AI 모델(300)의 버전을 제 1 버전으로 정의하고, 갱신 후의 AI 모델(300)의 버전을 제 2 버전으로 정의하기로 한다.
단계 S1030에서, 일 실시예에 의하면, 관리 서버(2000)는 AI 모델(300)이 갱신되는 경우, 갱신된 AI 모델(300)(예컨대, 제 2 버전의 AI 모델)을 공정 관리 장치(1000)로 전송할 수 있다. 단계 S1040에서, 공정 관리 장치(1000)는, 관리 서버(2000)로부터 수신된 갱신된 AI 모델(300)(예컨대, 버전 2의 AI 모델)을 메모리에 저장할 수 있다. 그리고 공정 관리 장치(1000)는 갱신된 AI 모델(300)을 이용하여 집중 검사 영역 또는 검사 레벨을 결정할 수 있다.
예를 들어, 공정 관리 장치(1000)는, AI 모델(300)이 갱신되기 전에는 제 1 버전의 AI 모델(300)에 공정 데이터를 적용하여, 제 1 집중 검사 영역 및 제 1 집중 검사 영역에 대한 제 1 검사 레벨을 결정할 수 있다. AI 모델(300)이 갱신된 후에는, 공정 관리 장치(1000)는 제 2 버전의 AI 모델(300)에 공정 데이터를 적용하여, 제 2 집중 검사 영역 및 제 2 집중 검사 영역에 대한 제 2 검사 레벨을 결정할 수 있다.
일 실시예에 의하면, AI 모델(300)은 비전 검사기로부터 수신되는 검사 결과 데이터를 반영하여 적응적으로 갱신(modify and refine)되므로, 비전 검사 효율이 계속 증가될 수 있다.
한편, 도 10에 도시되지는 않았지만, 관리 서버(2000)는, 검사 결과 데이터를 분석한 결과, 객체에 결함이 존재하는 경우, 작업자의 컴퓨터에 알림 신호를 출력할 수 있다. 이때, 알림 신호는, 오디오 신호, 시각적 신호, 진동 신호 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다.
도 11은 일 실시예에 따른 갱신된 인공지능 모델을 이용하여 집중 검사 영역을 결정하는 동작을 설명하기 위한 도면이다. 도 11에서는 갱신 전의 AI 모델(300)을 제 1 버전의 AI 모델(1110)로 정의하고, 갱신 후의 AI 모델(300)을 제 2 버전의 AI 모델(1220)로 정의하기로 한다.
도 11의 1100-1을 참조하면, 공정 관리 장치(1000)는, 이론적인 학습 데이터에 기반하여 학습된 제 1 버전의 AI 모델(1110)을 이용하여 집중 검사 영역을 결정할 수 있다. 예를 들어, 공정 관리 장치(1000)는 공정 A를 수행하는 제 1 장비(1101)로부터 공정 A와 관련된 공정 A 데이터를 획득할 수 있다. 공정 관리 장치(1000)는 공정 A 데이터를 제 1 버전의 AI 모델(1110)에 적용하여, 객체(1001)의 좌측상단영역(1111)을 집중 검사 영역으로 결정할 수 있다. 이론적인 학습 데이터에 의하면, 공정 A를 수행한 후에는 객체(1001)의 좌측상단영역(1111)에 결함이 발생할 확률이 높을 수 있다.
공정 관리 장치(1000)는 좌측상단영역(1111)을 나타내는 제 1 좌표 정보를 제 1 비전 검사기(1102)로 전달할 수 있다. 이 경우, 제 1 비전 검사기(1102)는 객체(1001)의 좌측상단영역(1111)에 대해서 집중 검사를 수행하고, 객체(1001)의 전체 영역에 대해서 기본 검사를 수행할 수 있다. 비전 검사가 완료되는 경우, 제 1 비전 검사기(1102)는 비전 검사 결과 데이터(기본 검사 결과 데이터 및 집중 검사 결과 데이터)를 공정 관리 장치(1000)에 전송할 수 있다. 공정 관리 장치(1000)는 관리 서버(2000)로 비전 검사 결과 데이터를 전달할 수 있으며, 관리 서버(2000)는 비전 검사 결과 데이터를 AI 모델(300)에 학습 데이터로 입력할 수 있다.
AI 모델(300)이 비전 검사 결과 데이터를 분석한 결과, 공정 A를 수행한 후에는 좌측상단영역(1111)뿐 아니라 우측하단영역(1112)에서도 결함이 발견되는 확률이 높다는 것을 인식할 수 있다. 이 경우, AI 모델(300)은 비전 검사 결과 데이터를 반영하여, 공정 A 데이터가 입력되는 경우, 좌측상단영역(1111)과 우측하단영역(1112)을 모두 집중 검사 영역으로 결정하도록 갱신(modify)될 수 있다. 그리고 관리 서버(2000)는 갱신된 제 2 버전의 AI 모델(1120)을 공정 관리 장치(1000)로 전송할 수 있다.
도11의 1100-2를 참조하면, 공정 관리 장치(1000)는, 제 2 버전의 AI 모델(1120)을 이용하여 집중 검사 영역을 결정할 수 있다. 예를 들어, 공정 관리 장치(1000)는 공정 A를 수행하는 제 1 장비(1101)로부터 공정 A와 관련된 공정 A 데이터를 획득할 수 있다. 공정 관리 장치(1000)는 공정 A 데이터를 제 2 버전의 AI 모델(1120)에 적용하여, 객체(1001)의 좌측상단영역(1111) 및 우측하단영역(1112)을 집중 검사 영역으로 결정할 수 있다.
공정 관리 장치(1000)는 좌측상단영역(1111) 및 우측하단영역(1112)을 나타내는 제 2 좌표 정보를 제 1 비전 검사기(1102)로 전달할 수 있다. 이 경우, 제 1 비전 검사기(1102)는 객체(1001)의 좌측상단영역(1111) 및 우측하단영역(1112)에 대해서 집중 검사를 수행하고, 객체(1001)의 전체 영역에 대해서 기본 검사를 수행할 수 있다. 비전 검사가 완료되는 경우, 제 1 비전 검사기(1102)는 비전 검사 결과 데이터(기본 검사 결과 데이터 및 집중 검사 결과 데이터)를 공정 관리 장치(1000)에 전송할 수 있다. 공정 관리 장치(1000)는 관리 서버(2000)로 비전 검사 결과 데이터를 전달할 수 있으며, 관리 서버(2000)는 비전 검사 결과 데이터를 AI 모델(300)에 학습 데이터로 입력할 수 있다.
일 실시예에 따르면, 집중 검사 영역을 결정하기 위한 AI 모델(300)이 비전 검사 결과 데이터를 학습하여 갱신(modified and refined)됨으로써, 공정 데이터에 기반한 집중 검사 영역이 적응적으로 변경될 수 있다.
도 12는 일 실시예에 따른 갱신된 인공지능 모델을 이용하여 검사 레벨을 결정하는 동작을 설명하기 위한 도면이다. 도 12에서는 갱신 전의 AI 모델(300)을 제 1 버전의 AI 모델(1210)로 정의하고, 갱신 후의 AI 모델(300)을 제 2 버전의 AI 모델(1220)로 정의하기로 한다.
도 12의 1200-1을 참조하면, 공정 관리 장치(1000)는, 이론적인 학습 데이터에 기반하여 학습된 제 1 버전의 AI 모델(1210)을 이용하여 집중 검사 영역에 대한 검사 레벨(이하, 집중 검사 레벨)을 결정할 수 있다. 예를 들어, 공정 관리 장치(1000)는 공정 A를 수행하는 제 1 장비(1201)로부터 공정 A와 관련된 공정 A 데이터를 획득할 수 있다. 공정 관리 장치(1000)는 공정 A 데이터를 제 1 버전의 AI 모델(1210)에 적용하여, 객체(1002)의 좌측상단영역(1003)을 집중 검사 영역으로 결정할 수 있다. 예컨대, 공정 A에서 작업된 부분이 좌측상단영역(1003)과 관련된 경우 제 1 버전의 AI 모델(1210)은 객체(1002)의 좌측상단영역(1003)을 집중 검사 영역으로 결정할 수 있다.
한편, 이론적인 학습 데이터에 의하면, 공정 A를 수행한 후에 객체(1002)에서 결함이 발생할 확률이 제 1 임계 값(예컨대, 0.5%)과 제 2 임계 값(2%) 사이일 수 있다. 제 1 버전의 AI 모델(1210)은 결함 발생 확률을 이용하여, 집중 검사 레벨을 제 2 레벨(예컨대, 고해상도의 2D 이미지를 분석하는 레벨)로 결정할 수 있다.
공정 관리 장치(1000)는 좌측상단영역(1003)을 나타내는 좌표 정보 및 제 2 레벨을 나타내는 집중 검사 레벨 정보를 제 1 비전 검사기(1202)로 전달할 수 있다. 이 경우, 제 1 비전 검사기(1202)는 객체(1002)의 좌측상단영역(1003)에 대해서 제 2 레벨로 집중 검사를 수행하고, 객체(1002)의 전체 영역에 대해서 기본 검사를 수행할 수 있다. 예를 들어, 제 1 비전 검사기(1202)는 좌측상단영역(1003)에 대한 고해상도의 2차원 이미지(1211)를 획득할 수 있다. 제 1 비전 검사기(1202)는 고해상도의 2차원 이미지(1211)를 분석하여, 좌측상단영역(1003)에 결함(예컨대, 균열, 스크래치 등)이 존재하는지 식별(identify)할 수 있다. 그리고 제 1 비전 검사기(1202)는 객체(1002)의 전체 영역에 대한 일반 해상도의 2차원 이미지를 획득하고, 일반 해상도의 2차원 이미지를 분석하여, 좌측상단영역(1003) 이외의 영역에도 결함이 존재하는지 식별할 수 있다. 비전 검사가 완료되는 경우, 제 1 비전 검사기(1202)는 비전 검사 결과 데이터(기본 검사 결과 데이터 및 집중 검사 결과 데이터)를 공정 관리 장치(1000)에 전송할 수 있다. 공정 관리 장치(1000)는 관리 서버(2000)로 비전 검사 결과 데이터를 전달할 수 있으며, 관리 서버(2000)는 비전 검사 결과 데이터를 AI 모델(300)에 학습 데이터로 입력할 수 있다.
AI 모델(300)이 비전 검사 결과 데이터를 분석한 결과, 이론적인 학습 데이터와 상이하게, 공정 A를 수행한 후에 객체(1002)에서 결함이 발생할 확률이 제 2 임계 값(2%) 이상일 수 있다. 이 경우, AI 모델(300)은, 비전 검사 결과 데이터를 반영하여, 공정 A 데이터가 입력되는 경우 좌측상단영역(1003)에 대한 집중 검사 레벨을 제 2 레벨(예컨대, 고해상도의 2차원 이미지를 분석하는 레벨) 대신 제 3 레벨(3차원 이미지를 분석하는 레벨)로 식별하도록 갱신(modify)될 수 있다. 그리고 관리 서버(2000)는 갱신된 제 2 버전의 AI 모델(1220)을 공정 관리 장치(1000)로 전송할 수 있다.
도 11의 1100-2를 참조하면, 공정 관리 장치(1000)는, 제 2 버전의 AI 모델(1220)을 이용하여 집중 검사 영역 및 집중 검사 레벨을 결정할 수 있다. 예를 들어, 공정 관리 장치(1000)는 공정 A를 수행하는 제 1 장비(1201)로부터 공정 A와 관련된 공정 A 데이터를 획득할 수 있다. 공정 관리 장치(1000)는 공정 A 데이터를 제 2 버전의 AI 모델(1220)에 적용하여, 객체(1002)의 좌측상단영역(1003)을 집중 검사 영역으로 결정하고, 집중 검사 레벨을 '제 3 레벨'로 결정할 수 있다.
공정 관리 장치(1000)는 좌측상단영역(1003)을 나타내는 좌표 정보를 제 3 레벨을 나타내는 집중 검사 레벨 정보를 제 1 비전 검사기(1202)로 전달할 수 있다. 이 경우, 제 1 비전 검사기(1202)는 객체(1002)의 좌측상단영역(1003)에 대해서 제 3 레벨로 집중 검사를 수행하고, 객체(1002)의 전체 영역에 대해서 기본 검사를 수행할 수 있다. 예를 들어, 제 1 비전 검사기(1202)는 좌측상단영역(1003)에 대한 3차원 이미지(1221)를 획득할 수 있다. 제 1 비전 검사기(1202)는 3차원 이미지(1221)를 분석하여, 좌측상단영역(1003)에 결함(예컨대, 균열, 스크래치 등)이 존재하는지 식별(identify)할 수 있다. 그리고 제 1 비전 검사기(1202)는 객체(1002)의 전체 영역에 대한 일반 해상도의 2차원 이미지를 획득하고, 일반 해상도의 2차원 이미지를 분석하여, 좌측상단영역(1003) 이외의 영역에도 결함이 존재하는지 식별할 수 있다. 비전 검사가 완료되는 경우, 제 1 비전 검사기(1202)는 비전 검사 결과 데이터(기본 검사 결과 데이터 및 집중 검사 결과 데이터)를 공정 관리 장치(1000)에 전송할 수 있다. 공정 관리 장치(1000)는 관리 서버(2000)로 비전 검사 결과 데이터를 전달할 수 있으며, 관리 서버(2000)는 비전 검사 결과 데이터를 AI 모델(300)에 학습 데이터로 입력할 수 있다.
일 실시예에 따르면, 집중 검사 레벨을 결정하기 위한 AI 모델(300)이 비전 검사 결과 데이터를 학습하여 갱신(modified and refined)됨으로써, 공정 데이터에 기반한 집중 검사의 질이 적응적으로 향상될 수 있다.
도 13은 일 실시예에 따른 주변 환경 정보를 고려하여 집중 검사 영역 및 검사 레벨을 결정하는 방법을 설명하기 위한 순서도이다.
단계 S1310에서, 공정 관리 장치(1000)는, 제 1 제조 공정과 관련된 제 1 공정 데이터 및 주변 환경에 관한 정보를 획득할 수 있다.
일 실시예에 의하면, 제 1 공정 데이터는, 제 1 제조 공정을 수행하는 제 1 공정 장비에 관한 정보, 제 1 제조 공정에서 작업하는 부분 또는 내용에 관한 정보, 전체 제조 공정 중 제 1 제조 공정의 순서에 관한 정보, 제 1 제조 공정에서 발생하는 결함율(defect rate)에 관한 정보 및 제 1 제조 공정에서 발생하는 컨텍스트 정보 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 또한, 제 1 제조 공정에서 발생하는 컨텍스트 정보는 진동, 열, 먼지, 수증기 등에 관한 정보를 포함할 수 있으나, 이에 한정되는 것은 아니다.
일 실시예에 의하면, 공정 관리 장치(1000)는 제 1 제조 공정을 수행하는 제 1 공정 장비로부터 제 1 공정 데이터를 수신할 수 있다. 예를 들어, 제 1 공정 장비는 제 1 객체가 제 1 제조 공정을 통과하는 동안 획득되는 제 1 공정 데이터를 유/무선 네트워크를 통해 공정 관리 장치(1000)로 전송할 수 있다. 일 실시예에 의하면, 공정 관리 장치(1000)는 제 1 공정 장비로부터 직접 제 1 공정 데이터를 수신할 수도 있고, 제 1 공정 장비에 연결된 엣지 컴퓨터로부터 제 1 공정 데이터를 수신할 수도 있다. 제 1 공정 장비는 객체들이 통과할 때마다 해당 객체와 관련된 제 1 공정 데이터를 공정 관리 장치(1000)로 전송할 수 있다.
한편, 일 실시예에 의하면, 공정 관리 장치(1000)는 제 1 제조 공정을 수행하는 제 1 공정 장비가 동작하는 주변 환경에 관한 정보를 적어도 하나의 환경 센서로부터 획득할 수 있다. 주변 환경에 관한 정보는 주변 온도 정보, 주변 습도 정보, 주변 소음 정보, 주변 진동 정보, 주변 먼지 분포 정보 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 또한, 적어도 하나의 환경 센서는, 온도 센서, 습도 센서, 진동 센서, 소음 센서, 먼지 센서 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다.
일 실시예에 의하면, 공정 관리 장치(1000)는 적어도 하나의 환경 센서에서 측정되는 센싱 값들을 직접 수신할 수도 있고, 적어도 하나의 환경 센서에 각각 연결된 엣지 컴퓨터를 통해서 센싱 값들을 수신할 수도 있다. 일 실시예에 의하면, 적어도 하나의 환경 센서는 소정 주기로 센싱 값들을 공정 관리 장치(1000)로 전송할 수도 있고, 특정 이벤트가 발생할 때 센싱 값들을 공정 관리 장치(1000)로 전송할 수도 있다. 예를 들어, 온도 센서는, 소정 주기로 온도 값을 공정 관리 장치로 전송하거나, 주변 온도가 30℃를 초과하는 이벤트가 발생하는 때에 공정 관리 장치(1000)로 온도 값을 전송할 수 있다.
단계 S1320에서, 공정 관리 장치(1000)는, 제 1 공정 데이터 및 주변 환경에 관한 정보를 이용하여, 제 1 객체의 전체 영역 중에서 집중 검사를 수행할 제 1 영역 및 제 1 영역에 대한 검사 레벨(이하, 집중 검사 레벨)을 결정할 수 있다.
일 실시예에 의하면, 공정 관리 장치(1000)가 제 1 공정 데이터 및 주변 환경에 관한 정보를 AI 모델(300)에 입력하는 경우, AI 모델(300)은 제 1 공정 데이터 및 주변 환경에 관한 정보에 기반하여 집중 검사 영역 및 집중 검사 레벨을 결정할 수 있다. 예를 들어, 제 1 제조 공정이 제 1 객체의 우측 상단을 절삭하는 공정이고, 주변 습도가 50%인 경우, AI 모델(300)은 우측 상단 영역을 집중 검사를 수행할 제 1 영역으로 결정하고, 집중 검사 레벨을 제 2 레벨로 결정할 수 있다. 또한, 제 1 제조 공정이 제 1 객체의 우측 상단을 절삭하는 공정이고, 주변 습도가 70%인 경우, AI 모델(300)은 우측 상단 영역을 집중 검사를 수행할 제 1 영역으로 결정하고, 집중 검사 레벨을 제 3 레벨로 결정할 수 있다. 즉, 주변 습도가 높은 경우에 결함 발생 확률이 증가한다면, AI 모델(300)은 주변 습도가 높을수록 집중 검사 레벨을 높여 미세한 결함이라도 비전 검사기가 찾도록 할 수 있다.
또한, 제 1 제조 공정이 제 1 객체의 우측 상단을 절삭하는 공정이고, 제 1 제조 공정이 수행되는 동안 지진이 발생하여 진동 센서에서 측정된 진동 값이 임계 값보다 큰 경우, AI 모델(300)은, 우측 상단 영역을 집중 검사를 수행할 제 1 영역으로 결정하고, 집중 검사 레벨을 최고 레벨(예컨대, 고해상도의 3차원 이미지를 분석하는 레벨)로 결정할 수 있다. 제조 공정 중에 지진이 발생하는 경우 객체에 결함이 발생할 확률이 높아지므로, AI 모델(300)은 집중 검사 레벨을 높게 결정할 수 있다.
단계 S1330에서, 공정 관리 장치(1000)는, 결정된 검사 레벨에 따라 제 1 영역에 결함이 존재하는지 검사하도록 제 1 비전 검사기를 제어할 수 있다. 예를 들어, 공정 관리 장치(1000)는, 집중 검사 영역에 관한 정보(예컨대, 좌표 정보) 및 집중 검사 레벨에 관한 정보를 포함하는 제어 신호를 제 1 비전 검사기로 전송할 수 있다. 이 경우, 제 1 비전 검사기는 제어 신호에 따라 객체의 집중 검사 영역에 대한 비전 검사를 수행할 수 있다.
도 14를 참조하여, AI 모델(300)이 주변 환경 정보를 적용하여 집중 검사 레벨을 식별하는 동작에 대해서 좀 더 자세히 살펴보기로 한다.
도 14는 일 실시예에 따른 주변 환경 정보를 적용하여 집중 검사 레벨을 결정하는 동작을 설명하기 위한 도면이다. 도 14에서는 제조 공정이 유리에 대한 70℃ 열 성형 공정인 경우를 예로 들어 설명하기로 한다.
일 실시예에 의하면, 공정 관리 장치(1000)는 열 성형 공정을 수행하는 열성형기(1411)에 연결된 제 1 엣지 컴퓨터(1410)로부터 열 성형 공정과 관련된 공정 데이터(예컨대, 열 성형 공정 데이터)를 획득할 수 있다. 예를 들어, 열성형기 (1411)가 공정 데이터를 제 1 엣지 컴퓨터(1410)로 전송할 수 있다. 이때, 제 1 엣지 컴퓨터(1410)는 공정 데이터를 열성형기(1411)로부터 수신하고, 수신된 공정 데이터를 공정 관리 장치(1000)로 전송할 수 있다.
일 실시예에 의하면, 제 1 엣지 컴퓨터(1410)는 수신된 공정 데이터를 필터링하고, 필터링된 공정 데이터를 공정 관리 장치(1000)로 전송할 수도 있다. 예를 들어, 제 1 엣지 컴퓨터(1410)는, 소정 기준에 따라, 열성형기(1411)로부터 수신된 공정 데이터 중에서 집중 검사 영역 및 집중 검사 레벨을 결정하는데 필요한 일부 데이터를 선택하고, 선택된 일부 데이터를 공정 관리 장치(1000)로 전송할 수 있다.
일 실시예에 의하면, 공정 관리 장치(1000)는 적어도 하나의 환경 센서(1431)에 연결된 제 3 엣지 컴퓨터(1430)로부터 주변 환경 정보를 획득할 수도 있다. 예를 들어, 제 3 엣지 컴퓨터(1430)가 온도 센서, 습도 센서, 진동 센서에 연결되어 있는 경우, 제 3 엣지 컴퓨터(1430)는 온도 센서로부터 수신된 온도 측정 값, 습도 센서로부터 수신된 습도 측정 값, 진동 센서로부터 수신된 진동 센서 값을 공정 관리 장치(1000)로 전달할 수 있다.
일 실시예에 의하면, 제 3 엣지 컴퓨터(1430)는 적어도 하나의 환경 센서(1431)로부터 수신된 주변 환경 정보를 필터링하고, 필터링된 주변 환경 정보를 공정 관리 장치(1000)로 전송할 수 있다. 예를 들어, 제 3 엣지 컴퓨터(1430)는, 소정 기준에 따라, 적어도 하나의 센서(1431)로부터 수신된 주변 환경 정보 중에서 집중 검사 영역 및 집중 검사 레벨을 결정하는데 필요한 일부 데이터를 선택하고, 선택된 일부 데이터를 공정 관리 장치(1000)로 전송할 수 있다.
공정 관리 장치(1000)는, 제 1 엣지 컴퓨터(1410)로부터 수신된 공정 데이터(예컨대, 열 성형 데이터)와 제 3 엣지 컴퓨터(1430)로부터 수신된 주변 환경 정보를 AI 모델(300)에 입력할 수 있다. AI 모델(300)은 공정 데이터와 주변 환경 정보를 이용하여 집중 검사 영역 및 집중 검사 레벨을 결정할 수 있다. 예를 들어, AI 모델(300)은, 70℃의 열 성형 이후에 중심부에서 균열이 발생할 확률이 높은 경우, 객체의 중심 영역을 집중 검사 영역으로 결정할 수 있다. 또한, AI 모델(300)은, 주변 환경 정보를 적용하여, 열성형기(1411) 주변 온도가 25℃일 때는 균열 발생 확률이 0.5%미만이므로, 집중 검사 레벨을 제 2 레벨(예컨대, 고해상도의 2차원 이미지를 분석하는 레벨)로 결정할 수 있다. 반면, 열성형기(1411) 주변 온도가 30℃일 때는 균열 발생 확률이 5%보다 크므로, 집중 검사 레벨을 제 3 레벨(예컨대, 3차원 이미지를 분석하는 레벨)로 결정할 수 있다.
공정 관리 장치(1000)는 집중 검사 영역을 나타내는 좌표 정보 및 집중 검사 레벨에 관한 정보를 포함하는 비전 검사 제어 신호를 제 2 엣지 컴퓨터(1420)로 전송할 수 있다. 제 2 엣지 컴퓨터(1420)는 비전 검사 제어 신호를 제 2 엣지 컴퓨터(1420)에 연결된 비전 검사기(1421)로 전달할 수 있다. 비전 검사기(1421)는 비전 검사 제어 신호에 따라 객체에 대한 비전 검사를 수행할 수 있다. 예를 들어, 비전 검사기(1421)는 객체의 중심 영역에 대해서 집중 검사를 수행하고, 객체의 전체 영역에 대해서 기본 검사를 수행할 수 있다.
일 실시예에 의하면, 비전 검사기(1421)는, 비전 검사를 완료한 경우, 비전 검사 결과 데이터를 제 2 엣지 컴퓨터(1420)로 전송할 수 있다. 제 2 엣지 컴퓨터(1420)는 비전 검사 결과 데이터를 공정 관리 장치(1000)로 전송할 수 있다. 일 실시예에 의하면, 제 2 엣지 컴퓨터(1420)는 비전 검사기(1421)로부터 수신되는 모든 비전 검사 결과 데이터를 공정 관리 장치(1000)로 전송할 수도 있고, 일부 비전 검사 결과 데이터만을 공정 관리 장치(1000)로 전송할 수도 있다. 예를 들어, 제 2 엣지 컴퓨터(1420)는 객체에 결함이 존재한다는 식별자가 포함되어 있는 비전 검사 결과 데이터만을 공정 관리 장치(1000)로 전송할 수 있다.
도 15는 일 실시예에 따른 공정 관리 장치를 설명하기 위한 블록 구성도이다.
도 15를 참조하면, 공정 관리 장치(1000)는, 메모리(1100), 통신 인터페이스(1200), 프로세서(1300)를 포함할 수 있다. 그러나 도시된 구성요소 모두가 필수구성요소인 것은 아니다. 도시된 구성요소보다 많은 구성요소에 의해 공정 관리 장치(1000)가 구현될 수도 있고, 그보다 적은 구성요소에 의해서도 공정 관리 장치(1000)는 구현될 수 있다. 예를 들어, 일 실시예에 따른 공정 관리 장치(1000)는, 메모리(1100), 통신 인터페이스(1200), 프로세서(1300) 이외에 사용자 인터페이스(1400), 출력부(1500), 센싱부(1600)를 더 포함할 수 있다.
이하 상기 구성요소들에 대해 차례로 살펴본다.
메모리(1100)는, 프로세서(1300)의 처리 및 제어를 위한 프로그램을 저장할 수도 있고, 입/출력되는 데이터들(예컨대, 공정 데이터, 비전 검사 결과 데이터, 주변 환경에 관한 정보 등)을 저장할 수도 있다.
메모리(1100)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
메모리(1100)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 예를 들어, 집중 검사 영역을 결정하기 위한 인공지능 모델(300)이 있을 수 있다. AI 모델(300)에 대해서는 도 3에서 살펴봤으므로, 여기서는 구체적인 설명은 생략하기로 한다. 한편, AI 모델(300)이 생성되는 과정에 대해서 도 16 내지 도 19를 참조하여 후에 자세히 살펴보기로 한다.
통신 인터페이스(1200)는, 공정 관리 장치(1000)가 적어도 하나의 공정 장비, 관리 서버(2000), 적어도 하나의 비전 검사기 또는 엣지 컴퓨터와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 예를 들어, 통신 인터페이스(1200)는, 근거리 통신부, 이동 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
근거리 통신부(short-range wireless communication interface)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
이동 통신부는, 이동 통신망 상에서 기지국, 외부의 단말, 관리 서버(2000) 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.
통신 인터페이스(1200)는 제 1 객체가 통과한 제 1 제조 공정과 관련된 제 1 공정 데이터를 획득할 수 있다. 일 실시예에 의하면, 통신 인터페이스(1200)는 제 1 공정 장비로부터 제 1 공정 데이터를 수신할 수도 있고, 제 1 공정 장비에 연결된 엣지 컴퓨터로부터 제 1 공정 데이터를 수신할 수도 있다.
통신 인터페이스(1200)는, 제 1 객체가 제 1 제조 공정 다음의 제 2 제조 공정을 통과하는 경우, 제 2 제조 공정과 관련된 제 2 공정 데이터를 획득할 수 있다. 일 실시예에 의하면, 통신 인터페이스(1200)는 제 2 공정 장비로부터 제 2 공정 데이터를 수신할 수도 있고, 제 2 공정 장비에 연결된 엣지 컴퓨터로부터 제 2 공정 데이터를 수신할 수도 있다.
통신 인터페이스(1200)는 비전 검사기로 집중 검사 영역에 관한 정보(예컨대, 좌표 정보) 및 집중 검사 레벨에 관한 정보를 포함하는 제어 신호를 전송할 수도 있다. 이때, 통신 인터페이스(1200)는, 비전 검사기로부터 비전 검사 결과 데이터를 수신할 수도 있다. 예를 들어, 통신 인터페이스(1200)는, 제 1 비전 검사기로부터 제 1 객체의 전체 영역에 대한 제 1 비전 검사 결과 데이터 및 제 1 객체의 제 1 영역에 대한 제 2 비전 검사 결과 데이터를 획득할 수 있다. 일 실시예에 의하면, 통신 인터페이스(1200)는, 비전 검사기로부터 직접 비전 검사 결과 데이터를 수신할 수도 있고, 비전 검사기에 연결된 엣지 컴퓨터를 통해 비전 검사 결과 데이터를 수신할 수도 있다.
통신 인터페이스(1200)는, 제 1 제조 공정을 수행하는 제 1 공정 장비가 동작하는 주변 환경에 관한 정보를 획득할 수 있다. 예를 들어, 통신 인터페이스(1200)는, 적어도 하나의 환경 센서 또는 적어도 하나의 환경 센서에 연결된 엣지 컴퓨터로부터 주변 환경에 관한 정보를 획득할 수 있다.
통신 인터페이스(1200)는, 제 1 객체의 재료에 관한 정보를 획득할 수 있다. 일 실시예에 의하면, 통신 인터페이스(1200)는 제 1 공정 장비로부터 제 1 공정 데이터와 함께 제 1 객체의 재료에 관한 정보를 수신할 수 있다. 다른 실시예에 의하면, 통신 인터페이스(1200)는 관리 서버(2000)로부터 제 1 객체의 재료에 관한 정보를 수신할 수도 있다.
통신 인터페이스(1200)는 관리 서버(2000)로부터 AI 모델(300)을 수신할 수 있다. 일 실시예에 의하면, 통신 인터페이스(1200)는 AI 모델(300)이 갱신되는(modified) 경우, 갱신된 AI 모델(300)을 관리 서버(2000)로부터 수신할 수 있다. 한편, 통신 인터페이스(1200)는 관리 서버(2000)로 공정 데이터, 비전 검사 결과 데이터, 주변 환경에 관한 정보 중 적어도 하나를 전송할 수 있으나, 이에 한정되는 것은 아니다.
프로세서(1300)는, 통상적으로 공정 관리 장치(1000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(1300)는, 메모리(1100)에 저장된 프로그램들을 실행함으로써, 통신 인터페이스(1200), 사용자 인터페이스(1400), 출력부(1500), 센싱부(1600) 등을 전반적으로 제어할 수 있다.
일 실시예에 의하면, 프로세서(1300)는 학습 네트워크 모델을 생성하기 위한 AI 프로세서를 포함할 수 있으나, 이에 한정되는 것은 아니다. 일 실시예에 의하면, AI 프로세서는 프로세서(1300)와 별도의 칩으로 구현될 수도 있다.
일 실시예에 의하면, 프로세서(1300)는 AI 모델(300) 및 제 1 공정 데이터를 이용하여, 제 1 객체의 전체 영역 중에서 제 1 영역을 집중 검사 영역으로 결정할 수 있다. 프로세서(1300)는, AI 모델(300) 및 제 1 공정 데이터에 기반하여, 제 1 영역에 대한 검사 레벨을 결정할 수도 있다. 검사 레벨은, 제 1 영역에 대한 2차원 저해상도 이미지를 분석하는 레벨, 제 1 영역에 대한 2차원 고해상도 이미지를 분석하는 레벨, 제 1 영역에 대한 3차원 저해상도 이미지를 분석하는 레벨 및 제 1 영역에 대한 3차원 고해상도 이미지를 분석하는 레벨 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다.
프로세서(1300)는, 결정된 제 1 영역에 결함이 존재하는지 검사하도록 제 1 비전 검사기를 제어할 수 있다. 예를 들어, 프로세서(1300)는, 제 1 객체의 전체 영역에 대해 제 1 검사 레벨로 제 1 비전 검사(예컨대, 기본 검사)를 수행하고, 제 1 객체의 제 1 영역에 대해 제 2 검사 레벨로 제 2 비전 검사(예컨대, 집중 검사)를 수행하도록 제 1 비전 검사기를 제어할 수 있다. 이때, 제 2 검사 레벨은 제 1 검사 레벨보다 검사 정밀도가 높을 수 있다.
한편, 프로세서(1300)는, 제 1 제조 공정 진행 중에 제 1 객체의 작업에 대한 이상 신호를 감지하는 경우, 제 1 영역에 대한 제 2 비전 검사(예컨대, 집중 검사)를 제 2 검사 레벨보다 높은 제 3 검사 레벨로 수행하도록 제 1 비전 검사기를 제어할 수 있다.
일 실시예에 의하면, 프로세서(1300)는, 제 1 제조 공정 다음의 제 2 제조 공정과 관련된 제 2 공정 데이터가 획득되는 경우, 제 1 공정 데이터 및 제 2 공정 데이터에 기반하여, 제 1 객체의 전체 영역 중에서 제 2 영역을 집중 검사 영역으로 결정할 수 있다. 그리고 프로세서(1300)는, 제 2 영역에 결함이 존재하는지 검사하도록 제 2 비전 검사기를 제어할 수 있다.
일 실시예에 의하면, 프로세서(1300)는, 제 1 공정 데이터, 제 1 비전 검사 결과 데이터(예컨대, 기본 검사 결과 데이터) 및 제 2 비전 검사 결과 데이터(예컨대, 집중 검사 결과 데이터)를 이용하여, AI 모델(300)을 갱신할 수 있다. 프로세서(1300)는, 공정 관리 장치(1000)에 저장된 AI 모델(300)에 제 1 공정 데이터, 제 1 비전 검사 결과 데이터(예컨대, 기본 검사 결과 데이터) 및 제 2 비전 검사 결과 데이터(예컨대, 집중 검사 결과 데이터)를 적용하여, AI 모델(300)이 갱신되도록 할 수 있다. 다른 실시예에 의하면, 프로세서(13000)는 제 1 공정 데이터, 제 1 비전 검사 결과 데이터(예컨대, 기본 검사 결과 데이터) 및 제 2 비전 검사 결과 데이터(예컨대, 집중 검사 결과 데이터)를 관리 서버(200)로 전송하도록 통신 이터페이스(1200)를 제어함으로써, 관리 서버(2000)에 저장된 AI 모델(300)이 갱신되도록 할 수도 있다.
프로세서(1300)는, 제 1 제조 공정을 수행하는 제 1 공정 장비가 동작하는 주변 환경에 관한 정보 및 제 1 객체의 재료에 관한 정보 중 적어도 하나를 더 이용하여, 제 1 영역을 집중 검사 영역으로 결정할 수도 있다.
사용자 인터페이스(1400)는, 사용자가 공정 관리 장치(1000)를 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 사용자 인터페이스(1400)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다.
출력부(1500)는, 오디오 신호 또는 비디오 신호 또는 진동 신호의 출력을 위한 것으로, 이에는 디스플레이부, 음향 출력부, 진동 모터 등이 포함될 수 있다.
디스플레이부는 공정 관리 장치(1000)에서 처리되는 정보를 표시 출력한다. 예를 들어, 디스플레이부는, 공정 관리 장치(1000)에 연결된 공정 장비, 전체 제조 공정 정보, 각 제조 공정과 관련된 공정 데이터, 비전 검사 결과 데이터 등을 표시할 수 있으나, 이에 한정되는 것은 아니다.
디스플레이부와 터치패드가 레이어 구조를 이루어 터치스크린으로 구성되는 경우, 디스플레이부는 출력 장치 이외에 입력 장치로도 사용될 수 있다. 디스플레이부는 액정 디스플레이(liquid crystal display), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display), 유기 발광 다이오드(organic light-emitting diode), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display), 전기영동 디스플레이(electrophoretic display) 중에서 적어도 하나를 포함할 수 있다. 그리고 공정 관리 장치(1000)의 구현 형태에 따라 공정 관리 장치(1000)는 디스플레이부를 2개 이상 포함할 수도 있다.
음향 출력부는 통신 인터페이스(1200)로부터 수신되거나 메모리(1100)에 저장된 오디오 데이터를 출력한다. 또한, 음향 출력부는 공정 관리 장치(1000)에서 수행되는 기능(예컨대, 이상 신호 감지 알림, 결함 발생 알림, 메시지 수신음 등)과 관련된 음향 신호를 출력한다. 이러한 음향 출력부에는 스피커(speaker), 버저(Buzzer) 등이 포함될 수 있다.
진동 모터는 진동 신호를 출력할 수 있다. 예를 들어, 진동 모터는 오디오 데이터 또는 비디오 데이터(예컨대, 호신호 수신음, 메시지 수신음 등)의 출력에 대응하는 진동 신호를 출력할 수 있다. 또한, 진동 모터는 터치스크린에 터치가 입력되는 경우 진동 신호를 출력할 수도 있다.
센싱부(1600)는 지자기 센서(Magnetic sensor), 가속도 센서(Acceleration sensor), 기울기 센서, 적외선 센서, 자이로스코프 센서, 위치 센서(예컨대, GPS), 온습도 센서, 근접 센서, 및 광 센서 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 각 센서들의 기능은 그 명칭으로부터 당업자가 직관적으로 추론할 수 있으므로, 구체적인 설명은 생략하기로 한다.
도 16은 일 실시예에 따른 프로세서의 블록 구성도이다.
도 16을 참조하면, 일부 실시예에 따른 프로세서(1300)는 데이터 학습부(1310) 및 데이터 인식부(1320)를 포함할 수 있다.
데이터 학습부(1310)는 집중 검사 영역(또는 집중 검사 레벨)을 결정(identify)하기 위한 기준을 학습할 수 있다. 데이터 학습부(1310)는 집중 검사 영역을 결정하기 위하여 어떤 데이터를 이용할지, 데이터를 이용하여 상황을 어떻게 판단할지에 관한 기준을 학습할 수 있다. 데이터 학습부(1310)는 학습에 이용될 데이터(예컨대, 비전 검사 대상 정보(301), 공정 정보(302), 결함 정보(303), 주변 환경에 따른 결함율 정보(304) 등)를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 집중 검사 영역(또는 집중 검사 레벨)을 결정하기 위한 기준을 학습할 수 있다.
예를 들어, 데이터 학습부(1310)는 객체의 재료(예컨대, 유리, 플락스틱, 고무 등)에 따라 발생하는 결함 이미지들을 학습할 수 있다. 일 실시예에 의하면, 데이터 학습부(1310)는 각 공정 이후에 발생하는 결함 이미지들을 학습할 수 있다. 예를 들어, 데이터 학습부(1310)는 절단 공정 이후에 발생한 결함 이미지, 열성형 공정 이후에 발생한 결함 이미지, CNC 공정 이후에 발생한 결함 이미지 등을 학습할 수 있다.
일 실시예에 의하면, 데이터 학습부(1310)는 비전 검사 결과 데이터를 학습할 수도 있다. 예를 들어, 데이터 학습부(1310)는, 전체 영역에 대해 기본 검사 레벨로 비전 검사를 수행한 결과 데이터(예컨대, 기본 검사 결과 데이터), 집중 검사 영역에 대하 소정 레벨로 비전 검사를 수행한 결과 데이터(예컨대, 집중 검사 결과 데이터) 등을 학습할 수 있다.
데이터 인식부(1320)는 데이터에 기초한 집중 검사 영역(또는 집중 검사 레벨)을 판단할 수 있다. 데이터 인식부(1320)는 학습된 데이터 인식 모델을 이용하여, 검출된 데이터로부터 집중 검사 영역(또는 집중 검사 레벨)을 식별할 수 있다. 데이터 인식부(1320)는 학습에 의한 기 설정된 기준에 따라 공정 데이터를 획득하고, 획득된 공정 데이터를 입력 값으로 하여 데이터 인식 모델을 이용함으로써, 공정 데이터에 기초한 집중 검사 영역(또는 집중 검사 레벨)을 판단할 수 있다. 또한, 획득된 이미지 데이터를 입력 값으로 하여 데이터 인식 모델에 의해 출력된 결과 값은, 데이터 인식 모델(예컨대, AI 모델(300))을 갱신하는데 이용될 수 있다.
데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 공정 관리 장치(1000)에 탑재될 수 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 공정 관리 장치(1000)에 탑재될 수도 있다.
이 경우, 데이터 학습부(1310) 및 데이터 인식부(1320)는 하나의 공정 관리 장치(1000)에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 하나는 공정 관리 장치(1000)에 포함되고, 나머지 하나는 관리 서버(2000)에 포함될 수 있다. 또한, 데이터 학습부(1310) 및 데이터 인식부(1320)는 유선 또는 무선으로 통하여, 데이터 학습부(1310)가 구축한 모델 정보를 데이터 인식부(1320)로 제공할 수도 있고, 데이터 인식부(1320)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(1310)로 제공될 수도 있다.
한편, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 17은 일 실시예에 따른 데이터 학습부(1310)의 블록 구성도이다.
도 17을 참조하면, 일 실시예에 따른 데이터 학습부(1310)는 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5)를 포함할 수 있다.
데이터 획득부(1310-1)는 집중 검사 영역(또는 집중 검사 레벨) 결정에 필요한 데이터를 획득할 수 있다. 데이터 획득부(1310-1)는 집중 검사 영역(또는 집중 검사 레벨) 결정을 위한 학습을 위하여 필요한 데이터(예컨대, 공정 데이터)를 획득할 수 있다. 일 실시예에 의하면, 데이터 획득부(1310-1)는 집중 검사 영역(또는 집중 검사 레벨) 결정에 필요한 데이터를 직접 생성할 수도 있고, 외부 장치 또는 서버로부터 집중 검사 영역(또는 집중 검사 레벨) 결정에 필요한 데이터를 수신할 수도 있다. 예를 들어, 데이터 획득부(1310-1)는 직접 센서들을 이용하여 주변 환경에 관한 정보를 수집할 수 있다.
일 실시예에 의하면, 데이터 획득부(1310-1)는 공정 데이터,주변 환경 데이터, 영상 데이터, 음성 데이터, 텍스트 데이터 등을 획득할 수 있다. 일 예로, 데이터 획득부(1310-1)는 공정 관리 장치(1000)의 입력 기기(예: 마이크로폰, 카메라 또는 센서 등)를 통해 데이터를 입력 받을 수 있다. 또는, 데이터 획득부(1310-1)는 공정 관리 장치(1000)와 통신하는 외부 장치를 통해 데이터를 획득할 수 있다.
전처리부(1310-2)는 집중 검사 영역(또는 집중 검사 레벨) 결정을 위한 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1310-2)는 후술할 모델 학습부(1310-4)가 상황 판단을 위한 학습을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
예를 들어, 전처리부(1310-2)는 입력된 동영상의 적어도 일부를 구성하는 복수의 이미지(또는 프레임(frame))들 각각에 포함된 공통 영역을 기초로, 복수의 이미지들의 적어도 일부를 중첩하여 하나의 합성 이미지를 생성할 수 있다. 이 경우, 하나의 동영상에서 복수 개의 합성 이미지들이 생성될 수도 있다. 공통 영역은, 복수의 이미지들 각각에서 동일 또는 유사한 공통 객체(예로, 물체, 동식물 또는 사람 등)를 포함한 영역이 될 수 있다. 또는, 공통 영역은, 복수의 이미지들 각각에서 색, 음영, RGB 값 또는 CMYK 값 등이 동일 또는 유사한 영역이 될 수 있다.
학습 데이터 선택부(1310-3)는 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 모델 학습부(1310-4)에 제공될 수 있다. 학습 데이터 선택부(1310-3)는 집중 검사 영역(또는 집중 검사 레벨) 결정을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(1310-3)는 후술할 모델 학습부(1310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다. 예를 들어, 학습 데이터 선택부(1310-3)는 피사체의 정보 및 피사체의 주변 환경 정보와 관련된 촬영 구도를 포함하는 이미지 데이터를 선택할 수 있다.
모델 학습부(1310-4)는 학습 데이터에 기초하여 추천 상황을 어떻게 판단할 지에 관한 기준을 학습할 수 있다. 또한, 모델 학습부(1310-4)는 추천 상황 판단을 위하여 어떤 학습 데이터를 이용해야 하는 지에 대한 기준을 학습할 수도 있다.
또한, 모델 학습부(1310-4)는 추천 상황 판단에 이용되는 데이터 인식 모델을 학습 데이터를 이용하여 학습시킬 수 있다. 이 경우, 데이터 인식 모델은 미리 구축된 모델일 수 있다. 예를 들어, 데이터 인식 모델은 기본 학습 데이터(예를 들어, 샘플 이미지 등)을 입력 받아 미리 구축된 모델일 수 있다.
데이터 인식 모델은, 인식 모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 데이터 인식 모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 데이터 인식 모델로서 사용될 수 있으나, 이에 한정되지 않는다.
다양한 실시예에 따르면, 모델 학습부(1310-4)는 미리 구축된 데이터 인식 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 데이터 인식 모델을 학습할 데이터 인식 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 데이터 인식 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.
또한, 모델 학습부(1310-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 데이터 인식 모델을 학습시킬 수 있다.
또한, 모델 학습부(1310-4)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning) 을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(1310-4)는, 예를 들어, 별다른 지도없이 상황 판단을 위해 필요한 데이터의 종류를 스스로 학습함으로써, 상황 판단을 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(1310-4)는, 예를 들어, 학습에 따른 상황 판단의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다.
또한, 데이터 인식 모델이 학습되면, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 저장할 수 있다. 이 경우, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 데이터 인식부(1320)를 포함하는 공정 관리 장치(1000)의 메모리(1100)에 저장할 수 있다. 또는, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 후술할 데이터 인식부(1320)를 포함하는 공정 관리 장치(1000)의 메모리(1100)에 저장할 수 있다. 또는, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 공정 관리 장치(1000)와 유선 또는 무선 네트워크로 연결되는 관리 서버(2000)의 메모리에 저장할 수도 있다.
이 경우, 학습된 데이터 인식 모델이 저장되는 메모리는, 예를 들면, 공정 관리 장치(1000)의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리는 소프트웨어 및/또는 프로그램을 저장할 수도 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 어플리케이션 프로그래밍 인터페이스(API) 및/또는 어플리케이션 프로그램(또는 "어플리케이션") 등을 포함할 수 있다.
모델 평가부(1310-5)는 데이터 인식 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 인식 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(1310-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 데이터 인식 모델을 평가하기 위한 기 설정된 데이터일 수 있다.
예를 들어, 모델 평가부(1310-5)는 평가 데이터에 대한 학습된 데이터 인식 모델의 인식 결과 중에서, 인식 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다. 예컨대, 소정 기준이 비율 2%로 정의되는 경우, 학습된 데이터 인식 모델이 총 1000개의 평가 데이터 중의 20개를 초과하는 평가 데이터에 대하여 잘못된 인식 결과를 출력하는 경우, 모델 평가부(1310-5)는 학습된 데이터 인식 모델이 적합하지 않은 것으로 평가할 수 있다.
한편, 학습된 데이터 인식 모델이 복수 개가 존재하는 경우, 모델 평가부(1310-5)는 각각의 학습된 동영상 인식 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 데이터 인식 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(1310-5)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 데이터 인식 모델로서 결정할 수 있다.
한편, 데이터 학습부(1310) 내의 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 공정 관리 장치(1000)에 탑재될 수 있다. 예를 들어, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 공정 관리 장치(1000)에 탑재될 수도 있다.
또한, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5)는 하나의 공정 관리 장치(1000)에 탑재될 수도 있으며, 또는 별개의 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 일부는 공정 관리 장치(1000)에 포함되고, 나머지 일부는 관리 서버(2000)에 포함될 수 있다.
또한, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 18은 일 실시예에 따른 데이터 인식부(1320)의 블록 구성도이다.
도 18을 참조하면, 일 실시예에 따른 데이터 인식부(1320)는 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5)를 포함할 수 있다.
데이터 획득부(1320-1)는 추천 상황 판단에 필요한 데이터를 획득할 수 있으며, 전처리부(1320-2)는 상황 판단을 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1320-2)는 후술할 인식 결과 제공부(1320-4)가 추천 상황 판단을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
인식 데이터 선택부(1320-3)는 전처리된 데이터 중에서 집중 검사 영역(또는 집중 검사 레벨) 결정에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(1320-4)에 제공될 수 있다. 인식 데이터 선택부(1320-3)는 집중 검사 영역(또는 집중 검사 레벨) 결정을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(1320-3)는 후술할 모델 학습부(1310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
인식 결과 제공부(1320-4)는 선택된 데이터를 데이터 인식 모델에 적용하여 집중 검사 영역(또는 집중 검사 레벨) 결정을 판단할 수 있다. 인식 결과 제공부(1320-4)는 데이터의 인식 목적에 따른 인식 결과를 제공할 수 있다. 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 입력 값으로 이용함으로써, 선택된 데이터를 데이터 인식 모델에 적용할 수 있다. 또한, 인식 결과는 데이터 인식 모델에 의해 결정될 수 있다.
예를 들어, 적어도 하나의 이미지의 인식 결과는 텍스트, 음성, 동영상, 이미지 또는 명령어(예로, 어플리케이션 실행 명령어, 모듈 기능 실행 명령어 등) 등으로 제공될 수 있다. 일 예로, 인식 결과 제공부(1320-4)는 적어도 하나의 이미지에 포함된 객체의 인식 결과를 제공할 수 있다. 인식 결과는, 예로, 적어도 하나의 이미지에 포함된 객체의 자세 정보, 객체의 주변 상태 정보, 동영상에 포함된 객체의 움직임 변화 정보 등이 될 수 있다.
모델 갱신부(1320-5)는 인식 결과 제공부(1320-4)에 의해 제공되는 인식 결과에 대한 평가에 기초하여, 데이터 인식 모델이 갱신되도록 할 수 있다. 예를 들어, 모델 갱신부(1320-5)는 인식 결과 제공부(1320-4)에 의해 제공되는 인식 결과를 모델 학습부(1310-4)에게 제공함으로써, 모델 학습부(1310-4)가 데이터 인식 모델을 갱신하도록 할 수 있다.
한편, 데이터 인식부(1320) 내의 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 공정 관리 장치(1000)에 탑재될 수 있다. 예를 들어, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 공정 관리 장치(1000)에 탑재될 수도 있다.
또한, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5)는 하나의 공정 관리 장치(1000)에 탑재될 수도 있으며, 또는 별개의 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 일부는 공정 관리 장치(1000)에 포함되고, 나머지 일부는 관리 서버(2000)에 포함될 수 있다.
또한, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 19는 일 실시예에 따른 공정 관리 장치(1000) 및 관리 서버(2000)가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.
도 19를 참조하면, 관리 서버(2000)는 집중 검사 영역(또는 집중 검사 레벨) 결정을 위한 기준을 학습할 수 있으며, 공정 관리 장치(1000)는 관리 서버(2000)에 의한 학습 결과에 기초하여 집중 검사 영역(또는 집중 검사 레벨)을 결정할 수 있다.
이 경우, 관리 서버(2000)의 모델 학습부(2340)는 도 17에 도시된 데이터 학습부(1310)의 기능을 수행할 수 있다. 관리 서버(2000)의 모델 학습부(2340)는 집중 검사 영역(또는 집중 검사 레벨)을 결정하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 집중 검사 영역(또는 집중 검사 레벨)을 어떻게 결정할 지에 관한 기준을 학습할 수 있다. 모델 학습부(2340)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 집중 검사 영역(또는 집중 검사 레벨) 결정을 위한 기준을 학습할 수 있다.
또한, 공정 관리 장치(1000)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 관리 서버(2000)에 의해 생성된 데이터 인식 모델에 적용하여 집중 검사 영역(또는 집중 검사 레벨)을 결정할 수 있다. 예를 들어, 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 관리 서버(2000)에 전송하고, 관리 서버(2000)가 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 인식 모델에 적용하여 집중 검사 영역(또는 집중 검사 레벨)을 결정할 것을 요청할 수 있다. 또한, 인식 결과 제공부(1320-4)는 관리 서버(2000)에 의해 판단된 상황에 관한 정보를 관리 서버(2000)로부터 수신할 수 있다.
또는, 공정 관리 장치(1000)의 인식 결과 제공부(1320-4)는 관리 서버(2000)에 의해 생성된 인식 모델을 관리 서버(2000)로부터 수신하고, 수신된 인식 모델을 이용하여 집중 검사 영역(또는 집중 검사 레벨)을 결정할 수 있다. 이 경우, 공정 관리 장치(1000)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 관리 서버(2000)로부터 수신된 데이터 인식 모델에 적용하여 집중 검사 영역(또는 집중 검사 레벨)을 결정할 수 있다.
일 실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
일부 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다.　 또한, 일부 실시예는 컴퓨터에 의해 실행되는 컴퓨터 프로그램과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 컴퓨터 프로그램 또는 컴퓨터 프로그램 제품 (computer program product)으로도 구현될 수 있다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속한다.

Claims (20)

  1. 공정 관리 장치가 인공지능 모델을 이용하여 비전 검사(Vision inspection)를 관리하는 방법에 있어서,
    제 1 객체가 통과한 제 1 제조 공정과 관련된 제 1 공정 데이터를 획득하는 단계;
    상기 인공지능 모델 및 상기 제 1 공정 데이터를 이용하여, 상기 제 1 객체의 전체 영역 중에서 집중 검사를 수행할 제 1 영역을 결정(identify)하는 단계; 및
    상기 결정된 제 1 영역에 결함이 존재하는지 검사하도록 제 1 비전 검사기를 제어하는 단계를 포함하는, 방법.
  2. 제 1 항에 있어서, 상기 방법은,
    상기 인공지능 모델 및 상기 제 1 공정 데이터에 기반하여, 상기 제 1 영역에 대한 검사 레벨을 결정하는 단계를 더 포함하는, 방법.
  3. 제 2 항에 있어서, 상기 제 1 비전 검사기를 제어하는 단계는,
    상기 제 1 객체의 전체 영역에 대해 제 1 검사 레벨로 제 1 비전 검사를 수행하도록 상기 제 1 비전 검사기를 제어하는 단계; 및
    상기 제 1 객체의 상기 제 1 영역에 대해 제 2 검사 레벨로 제 2 비전 검사를 수행하도록 상기 제 1 비전 검사기를 제어하는 단계를 포함하고,
    상기 제 2 검사 레벨은 상기 제 1 검사 레벨보다 검사 정밀도가 높은, 방법.
  4. 제 2 항에 있어서, 상기 제 1 비전 검사기를 제어하는 단계는,
    상기 결정된 검사 레벨에 따라, 상기 제 1 영역에 대한 2차원 이미지 및 상기 제 1 영역에 대한 3 차원 이미지 중 적어도 하나를 획득하도록 상기 제 1 비전 검사기를 제어하는 단계를 포함하는, 방법.
  5. 제 2 항에 있어서, 상기 제 1 비전 검사기를 제어하는 단계는,
    상기 결정된 검사 레벨에 따라, 상기 제 1 영역에 대한 저해상도 이미지 또는 상기 제 1 영역에 대한 고해상도 이미지를 획득하도록 상기 제 1 비전 검사기를 제어하는 단계를 더 포함하는, 방법.
  6. 제 1 항에 있어서, 상기 방법은,
    상기 제 1 객체가 상기 제 1 제조 공정 다음의 제 2 제조 공정을 통과하는 경우, 상기 제 2 제조 공정과 관련된 제 2 공정 데이터를 획득하는 단계;
    상기 제 1 공정 데이터 및 상기 제 2 공정 데이터에 기반하여, 상기 제 1 객체의 전체 영역 중에서 집중 검사를 수행할 제 2 영역을 결정하는 단계; 및
    상기 제 2 영역에 결함이 존재하는지 검사하도록 제 2 비전 검사기를 제어하는 단계를 더 포함하는, 방법.
  7. 제 3 항에 있어서, 상기 방법은,
    상기 제 1 비전 검사기로부터 상기 제 1 객체의 전체 영역에 대한 제 1 비전 검사 결과 데이터 및 상기 제 1 객체의 상기 제 1 영역에 대한 제 2 비전 검사 결과 데이터를 획득하는 단계; 및
    상기 제 1 공정 데이터, 상기 제 1 비전 검사 결과 데이터 및 상기 제 2 비전 검사 결과 데이터를 이용하여, 상기 인공지능 모델을 갱신하는 단계를 더 포함하는, 방법.
  8. 제 7 항에 있어서, 상기 방법은,
    상기 제 1 객체와 동일한 종류의 제 2 객체가 상기 제 1 제조 공정을 통과하는 경우, 상기 제 1 제조 공정과 관련된 제 3 공정 데이터를 획득하는 단계;
    상기 갱신된 인공지능 모델 및 상기 제 3 공정 데이터를 이용하여, 상기 제 2 객체의 전체 영역 중에서 집중 검사를 수행할 제 3 영역을 결정하는 단계;
    상기 결정된 제 3 영역에 결함이 존재하는지 검사하도록 상기 제 1 비전 검사기를 제어하는 단계를 더 포함하고,
    상기 제 3 영역은 상기 제 1 영역과 상이한, 방법.
  9. 제 1 항에 있어서, 상기 제 1 공정 데이터는,
    상기 제 1 제조 공정을 수행하는 제 1 공정 장비에 관한 정보, 상기 제 1 제조 공정에서 작업하는 부분 또는 내용에 관한 정보, 전체 제조 공정 중 상기 제 1 제조 공정의 순서에 관한 정보, 상기 제 1 제조 공정에서 발생하는 결함율(defect rate)에 관한 정보 및 상기 제 1 제조 공정에서 발생하는 컨텍스트 정보 중 적어도 하나를 포함하는, 방법.
  10. 제 1 항에 있어서, 상기 제 1 영역을 결정하는 단계는,
    상기 제 1 제조 공정을 수행하는 제 1 공정 장비가 동작하는 주변 환경에 관한 정보 및 상기 제 1 객체의 재료에 관한 정보 중 적어도 하나를 더 이용하여, 상기 제 1 영역을 결정하는 단계를 포함하는, 방법.
  11. 제 3 항에 있어서, 상기 제 2 비전 검사를 수행하는 단계는,
    상기 제 1 제조 공정 진행 중에 상기 제 1 객체의 작업에 대한 이상 신호를 감지하는 경우, 상기 제 1 영역에 대한 상기 제 2 비전 검사를 상기 제 2 검사 레벨보다 높은 제 3 검사 레벨로 수행하도록 상기 제 1 비전 검사기를 제어하는 단계를 더 포함하는, 방법.
  12. 집중 검사 영역을 결정하기 위한 인공지능 모델을 저장하는 메모리;
    제 1 객체가 통과한 제 1 제조 공정과 관련된 제 1 공정 데이터를 획득하는 통신 인터페이스; 및
    상기 인공지능 모델 및 상기 제 1 공정 데이터를 이용하여, 상기 제 1 객체의 전체 영역 중에서 제 1 영역을 상기 집중 검사 영역으로 결정하고, 상기 결정된 제 1 영역에 결함이 존재하는지 검사하도록 제 1 비전 검사기를 제어하는 프로세서를 포함하는, 공정 관리 장치.
  13. 제 12 항에 있어서, 상기 프로세서는,
    상기 인공지능 모델 및 상기 제 1 공정 데이터에 기반하여, 상기 제 1 영역에 대한 검사 레벨을 더 결정하는, 공정 관리 장치.
  14. 제 13 항에 있어서, 상기 프로세서는,
    상기 제 1 객체의 전체 영역에 대해 제 1 검사 레벨로 제 1 비전 검사를 수행하고, 상기 제 1 객체의 상기 제 1 영역에 대해 제 2 검사 레벨로 제 2 비전 검사를 수행하도록 상기 제 1 비전 검사기를 제어하고,
    상기 제 2 검사 레벨은 상기 제 1 검사 레벨보다 검사 정밀도가 높은, 공정 관리 장치.
  15. 제 13 항에 있어서, 상기 검사 레벨은,
    상기 제 1 영역에 대한 2차원 저해상도 이미지를 분석하는 레벨, 상기 제 1 영역에 대한 2차원 고해상도 이미지를 분석하는 레벨, 상기 제 1 영역에 대한 3차원 저해상도 이미지를 분석하는 레벨 및 상기 제 1 영역에 대한 3차원 고해상도 이미지를 분석하는 레벨 중 적어도 하나를 포함하는, 공정 관리 장치.
  16. 제 13 항에 있어서, 상기 통신 인터페이스는,
    상기 제 1 객체가 상기 제 1 제조 공정 다음의 제 2 제조 공정을 통과하는 경우, 상기 제 2 제조 공정과 관련된 제 2 공정 데이터를 획득하고,
    상기 프로세서는,
    상기 제 1 공정 데이터 및 상기 제 2 공정 데이터에 기반하여, 상기 제 1 객체의 전체 영역 중에서 제 2 영역을 상기 집중 검사 영역으로 결정하고, 상기 제 2 영역에 결함이 존재하는지 검사하도록 제 2 비전 검사기를 제어하는, 공정 관리 장치.
  17. 제 14 항에 있어서, 상기 통신 인터페이스는,
    상기 제 1 비전 검사기로부터 상기 제 1 객체의 전체 영역에 대한 제 1 비전 검사 결과 데이터 및 상기 제 1 객체의 상기 제 1 영역에 대한 제 2 비전 검사 결과 데이터를 획득하고,
    상기 프로세서는, 상기 제 1 공정 데이터, 상기 제 1 비전 검사 결과 데이터 및 상기 제 2 비전 검사 결과 데이터를 이용하여, 상기 인공지능 모델을 갱신하는, 공정 관리 장치.
  18. 제 12 항에 있어서, 상기 프로세서는,
    상기 제 1 제조 공정을 수행하는 제 1 공정 장비가 동작하는 주변 환경에 관한 정보 및 상기 제 1 객체의 재료에 관한 정보 중 적어도 하나를 더 이용하여, 상기 제 1 영역을 상기 집중 검사 영역으로 결정하는, 공정 관리 장치.
  19. 제 14 항에 있어서, 상기 프로세서는,
    상기 제 1 제조 공정 진행 중에 상기 제 1 객체의 작업에 대한 이상 신호를 감지하는 경우, 상기 제 1 영역에 대한 상기 제 2 비전 검사를 상기 제 2 검사 레벨보다 높은 제 3 검사 레벨로 수행하도록 상기 제 1 비전 검사기를 제어하는, 공정 관리 장치.
  20. 컴퓨터로 읽을 수 있는 저장 매체를 포함하는 컴퓨터 프로그램 제품에 있어서, 상기 저장 매체는,
    제 1 객체가 통과한 제 1 제조 공정과 관련된 제 1 공정 데이터를 획득하는 단계;
    인공지능 모델 및 상기 제 1 공정 데이터를 이용하여, 상기 제 1 객체의 전체 영역 중에서 집중 검사를 수행할 제 1 영역을 결정하는 단계; 및
    상기 결정된 제 1 영역에 결함이 존재하는지 검사하도록 제 1 비전 검사기를 제어하는 단계를 수행하는 명령어들을 포함하는, 컴퓨터 프로그램 제품.
KR1020180012343A 2018-01-31 2018-01-31 비전 검사 관리 방법 및 비전 검사 시스템 KR102579904B1 (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020180012343A KR102579904B1 (ko) 2018-01-31 2018-01-31 비전 검사 관리 방법 및 비전 검사 시스템
US16/257,667 US11216935B2 (en) 2018-01-31 2019-01-25 Vision inspection management method and system inspecting based on process data
EP19747778.9A EP3669181A4 (en) 2018-01-31 2019-01-28 METHOD OF ADMINISTERING A VISUAL INSPECTION AND VISUAL INSPECTION SYSTEM
CN201980010857.2A CN111670357B (zh) 2018-01-31 2019-01-28 视觉检查管理方法和视觉检查系统
PCT/KR2019/001169 WO2019151735A1 (en) 2018-01-31 2019-01-28 Vision inspection management method and vision inspection system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180012343A KR102579904B1 (ko) 2018-01-31 2018-01-31 비전 검사 관리 방법 및 비전 검사 시스템

Publications (2)

Publication Number Publication Date
KR20190092975A true KR20190092975A (ko) 2019-08-08
KR102579904B1 KR102579904B1 (ko) 2023-09-19

Family

ID=67392876

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180012343A KR102579904B1 (ko) 2018-01-31 2018-01-31 비전 검사 관리 방법 및 비전 검사 시스템

Country Status (5)

Country Link
US (1) US11216935B2 (ko)
EP (1) EP3669181A4 (ko)
KR (1) KR102579904B1 (ko)
CN (1) CN111670357B (ko)
WO (1) WO2019151735A1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200006028A (ko) * 2019-12-30 2020-01-17 주식회사 고영테크놀러지 인쇄 회로 기판 검사 장치, 스크린 프린터의 결함 유형 결정 방법 및 컴퓨터 판독 가능한 기록 매체
KR102108956B1 (ko) 2019-11-13 2020-05-12 주식회사 만컴퍼니 인공지능을 활용한 머신비전 모듈형 소프트웨어를 갖는 머신비전 검사장치 및 그 장치의 구동방법, 그리고 컴퓨터 판독가능 기록매체
WO2022065621A1 (ko) * 2020-09-28 2022-03-31 (주)미래융합정보기술 제품 결함 이미지 원격 학습을 통한 비전 검사 시스템
KR102527061B1 (ko) * 2021-11-15 2023-04-28 (주)미래융합정보기술 Mes와 연동된 스마트 공장 제조 지능 서비스 시스템
KR102545144B1 (ko) * 2023-01-13 2023-06-21 주식회사 아이브 딥러닝 알고리즘에 기반한 불량품 검사 솔루션 제공 장치 및 그 방법

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10657444B2 (en) * 2017-03-09 2020-05-19 Thomas Danaher Harvey Devices and methods using machine learning to reduce resource usage in surveillance
WO2019232111A1 (en) * 2018-06-01 2019-12-05 Cryovac, Llc Image-data-based classification of vacuum seal packages
JP7036049B2 (ja) * 2019-01-18 2022-03-15 オムロン株式会社 モデル統合装置、モデル統合方法、モデル統合プログラム、推論システム、検査システム、及び制御システム
CN114324343A (zh) * 2020-10-09 2022-04-12 泰连服务有限公司 具有视觉检查系统的零件制造机器
US12023722B2 (en) * 2020-10-23 2024-07-02 Ford Global Technologies, Llc Stamping line defect quality monitoring systems and methods of monitoring stamping line defects
US11475553B1 (en) 2021-04-08 2022-10-18 Ford Global Technologies, Llc Production-speed component inspection system and method
US11875502B2 (en) 2021-04-08 2024-01-16 Ford Global Technologies, Llc Production-speed component inspection system and method
US12014480B2 (en) * 2021-10-19 2024-06-18 Johnson & Johnson Vision Care, Inc. Defect detection using synthetic data and machine learning

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20000058836A (ko) * 2000-07-01 2000-10-05 이호재 전자부품의 외형 검사방법
JP2004354250A (ja) * 2003-05-29 2004-12-16 Nidek Co Ltd 欠陥検査装置
JP2014109530A (ja) * 2012-12-04 2014-06-12 Yasunaga Corp 欠陥検査装置及び欠陥検査方法
US20160033420A1 (en) * 2014-07-29 2016-02-04 Kla-Tencor Corporation Inspection for Multiple Process Steps in a Single Inspection Process
WO2018006180A1 (en) * 2016-07-08 2018-01-11 Ats Automation Tooling Systems Inc. System and method for combined automatic and manual inspection

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6886153B1 (en) 2001-12-21 2005-04-26 Kla-Tencor Corporation Design driven inspection or measurement for semiconductor using recipe
JP2004191112A (ja) 2002-12-10 2004-07-08 Ricoh Co Ltd 欠陥検査方法
US7333650B2 (en) * 2003-05-29 2008-02-19 Nidek Co., Ltd. Defect inspection apparatus
JP5865707B2 (ja) * 2012-01-06 2016-02-17 株式会社キーエンス 外観検査装置、外観検査方法及びコンピュータプログラム
US9219886B2 (en) * 2012-12-17 2015-12-22 Emerson Electric Co. Method and apparatus for analyzing image data generated during underground boring or inspection activities
US10156548B2 (en) 2013-07-31 2018-12-18 Olympus Scientific Solutions Americas Inc. System and method of non-destructive inspection with a visual scanning guide
CN104463825B (zh) * 2013-09-16 2019-06-18 北京三星通信技术研究有限公司 用于在三维体积图像中检测对象的设备和方法
KR101791963B1 (ko) 2015-07-13 2017-11-01 한국기술교육대학교 산학협력단 비전검사장치 및 비전검사장치의 동작 방법과, 그 장치가 적용되는 비전검사 중앙제어 시스템
KR20170062574A (ko) 2015-11-27 2017-06-08 한국기술교육대학교 산학협력단 포장 합지 혼입 방지 비전 검사 시스템
US10682729B2 (en) 2015-12-01 2020-06-16 General Electric Company System for automated in-process inspection of welds
KR101743477B1 (ko) 2015-12-29 2017-06-07 (주)진성이엔지 디스플레이 글라스 비전 검사장치
JP6707920B2 (ja) * 2016-03-14 2020-06-10 株式会社リコー 画像処理装置、画像処理方法、およびプログラム
US10860879B2 (en) 2016-05-16 2020-12-08 Raytheon Technologies Corporation Deep convolutional neural networks for crack detection from image data
KR101697119B1 (ko) 2016-07-07 2017-01-18 에스에스오트론 주식회사 반도체소자의 비전검사장치
CN106290378B (zh) * 2016-08-23 2019-03-19 东方晶源微电子科技（北京）有限公司 缺陷分类方法和缺陷检查系统
CN112435215B (zh) * 2017-04-11 2024-02-13 创新先进技术有限公司 一种基于图像的车辆定损方法、移动终端、服务器

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20000058836A (ko) * 2000-07-01 2000-10-05 이호재 전자부품의 외형 검사방법
JP2004354250A (ja) * 2003-05-29 2004-12-16 Nidek Co Ltd 欠陥検査装置
JP2014109530A (ja) * 2012-12-04 2014-06-12 Yasunaga Corp 欠陥検査装置及び欠陥検査方法
US20160033420A1 (en) * 2014-07-29 2016-02-04 Kla-Tencor Corporation Inspection for Multiple Process Steps in a Single Inspection Process
WO2018006180A1 (en) * 2016-07-08 2018-01-11 Ats Automation Tooling Systems Inc. System and method for combined automatic and manual inspection

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102108956B1 (ko) 2019-11-13 2020-05-12 주식회사 만컴퍼니 인공지능을 활용한 머신비전 모듈형 소프트웨어를 갖는 머신비전 검사장치 및 그 장치의 구동방법, 그리고 컴퓨터 판독가능 기록매체
KR20200006028A (ko) * 2019-12-30 2020-01-17 주식회사 고영테크놀러지 인쇄 회로 기판 검사 장치, 스크린 프린터의 결함 유형 결정 방법 및 컴퓨터 판독 가능한 기록 매체
WO2022065621A1 (ko) * 2020-09-28 2022-03-31 (주)미래융합정보기술 제품 결함 이미지 원격 학습을 통한 비전 검사 시스템
KR20220042916A (ko) * 2020-09-28 2022-04-05 (주)미래융합정보기술 제품 결함 이미지 원격 학습을 통한 비전 검사 시스템
KR102527061B1 (ko) * 2021-11-15 2023-04-28 (주)미래융합정보기술 Mes와 연동된 스마트 공장 제조 지능 서비스 시스템
KR102545144B1 (ko) * 2023-01-13 2023-06-21 주식회사 아이브 딥러닝 알고리즘에 기반한 불량품 검사 솔루션 제공 장치 및 그 방법

Also Published As

Publication number Publication date
EP3669181A1 (en) 2020-06-24
CN111670357B (zh) 2024-08-20
CN111670357A (zh) 2020-09-15
WO2019151735A1 (en) 2019-08-08
US11216935B2 (en) 2022-01-04
US20190236772A1 (en) 2019-08-01
KR102579904B1 (ko) 2023-09-19
EP3669181A4 (en) 2020-09-09

Similar Documents

Publication Publication Date Title
KR102579904B1 (ko) 비전 검사 관리 방법 및 비전 검사 시스템
US11584020B2 (en) Human augmented cloud-based robotics intelligence framework and associated methods
KR102255273B1 (ko) 청소 공간의 지도 데이터를 생성하는 장치 및 방법
US11457788B2 (en) Method and apparatus for executing cleaning operation
JP7342491B2 (ja) 推論装置、推論方法、及び推論プログラム
KR102491546B1 (ko) 객체를 인식하는 방법 및 장치
KR102548732B1 (ko) 신경망 학습 방법 및 이를 적용한 장치
CN112135553B (zh) 用于执行清洁操作的方法和设备
US11688195B2 (en) Electronic device and method for assisting with driving of vehicle
EP3605409B1 (en) Electronic device and operation method therefor
KR102474246B1 (ko) 복수 개의 전자 디바이스를 이용하여 신경망 모델을 처리하는 방법 및 시스템
US11769047B2 (en) Artificial intelligence apparatus using a plurality of output layers and method for same
KR20190096752A (ko) 컨텐츠에 대한 텍스트 코멘트를 생성하는 방법 및 전자 장치
US20190371268A1 (en) Electronic device and control method thereof
CN118451449A (zh) 使用机器学习的喷漆缺陷检测的系统和方法
KR102440963B1 (ko) 전자 장치, 이의 제어 방법 및 비일시적인 컴퓨터 판독가능 기록매체
KR20190119205A (ko) 전자 장치 및 그 제어 방법
US20230080736A1 (en) Out-of-distribution detection and recognition of activities with inertial measurement unit sensor
KR102601135B1 (ko) 전자 장치 및 이의 제어 방법
KR102663155B1 (ko) 스마트폰을 활용한 인공지능 기반의 건축 구조물 안전점검 및 실시간 모니터링 장치 및 방법
Thevarasa et al. Weighted Ensemble Algorithm for Aerial Imaging Based Mosquito Breeding Sites Classification
US20240046659A1 (en) Method for detecting an environment by means of images from at least two image sensors
KR20230138314A (ko) 제품 이미지를 기반으로 불량 제품을 감지하는 인공 지능 장치 및 그 방법
Ling Indoor navigation for the visually impaired by reading shop trademarks in shopping mall
Menon Lidar Based 3D Object Detection Using Yolov8

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant