KR20200103150A - 외관 검사 시스템 - Google Patents

외관 검사 시스템 Download PDF

Info

Publication number
KR20200103150A
KR20200103150A KR1020190015764A KR20190015764A KR20200103150A KR 20200103150 A KR20200103150 A KR 20200103150A KR 1020190015764 A KR1020190015764 A KR 1020190015764A KR 20190015764 A KR20190015764 A KR 20190015764A KR 20200103150 A KR20200103150 A KR 20200103150A
Authority
KR
South Korea
Prior art keywords
deep learning
inspection
rule base
image
inspector
Prior art date
Application number
KR1020190015764A
Other languages
English (en)
Other versions
KR102208551B1 (ko
Inventor
이상윤
고승규
장석준
이진호
Original Assignee
(주) 인텍플러스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주) 인텍플러스 filed Critical (주) 인텍플러스
Priority to KR1020190015764A priority Critical patent/KR102208551B1/ko
Publication of KR20200103150A publication Critical patent/KR20200103150A/ko
Application granted granted Critical
Publication of KR102208551B1 publication Critical patent/KR102208551B1/ko

Links

Images

Classifications

    • 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
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • 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
    • 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]

Landscapes

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

Abstract

본 발명에 따른 외관 검사 시스템은 룰 베이스 검사기(Rule Based inspector), 및 딥러닝 검사기(Deep learning inspector)를 포함한다. 룰 베이스 검사기는 측정대상물의 외관에 대한 영상을 획득하며, 획득된 영상을 이용해서 외관 불량유형별 검사항목들에 따라 룰 베이스 검사를 수행하며, 검사항목들 중 딥러닝 검사를 필요로 하는 딥러닝 검사항목을 선택한다. 딥러닝 검사기는 룰 베이스 검사기로부터 영상을 전달받으며, 전달받은 영상을 이용해서 룰 베이스 검사기에 의해 선택된 딥러닝 검사항목에 따라 딥러닝 검사를 수행한 후, 검사결과를 룰 베이스 검사기로 전달한다.

Description

외관 검사 시스템{Visual inspection system}
본 발명은 배터리 등과 같은 측정대상물의 외관을 검사하는 기술에 관한 것이다.
최근, 충방전이 가능한 이차전지는 무선 모바일 기기의 에너지원으로 광범위하게 사용되고 있다. 또한, 이차전지는 화석 연료를 사용하는 기존의 가솔린 차량, 디젤 차량 등의 대기오염 등을 해결하기 위한 방안으로 제시되고 있는 전기자동차의 에너지원으로서도 주목을 받고 있다.
이러한 이차전지는 리튬이온 전지, 리튬이온 폴리머 전지, 리튬 폴리머 전지 등과 같이 전극과 전해액의 구성에 따라 분류되며, 그 중 전해액의 누액 가능성이 적고 제조가 용이한 리튬이온 폴리머 전지의 사용량이 늘어나고 있다. 또한, 이차전지는 전극조립체가 원통형 또는 각형의 금속 캔에 내장되어 있는 원통형 전지 및 각형 전지와, 전극조립체가 알루미늄 라미네이트 시트의 파우치형 케이스에 내장되어 있는 파우치형 전지 등과 같이, 전지케이스의 형상에 따라 분류되기도 한다.
한편, 이차전지 등과 같은 배터리는 내부 불량뿐만 아니라 외관 불량이 있으면 성능에 치명적인 영향을 미치게 된다. 따라서, 배터리 제조라인에서 배터리의 표면 불량 등을 검사하는 외관 검사를 거치게 된다. 배터리에 대한 외관 검사는 비전 검사기를 이용하여 이루어지는 것이 일반적이다.
그런데, 종래 예의 비전 검사기에 의하면, 배터리의 표면 불량 검사시 불량이 아님에도 불량으로 검출하는 문제(과검)나, 불량이 있음에도 불량을 검출해내지 못하는 문제(유출)가 있다. 예를 들어, 배터리의 표면에 있는 자연스러운 주름은 불량이 아님에도 실제 불량과 특징이 유사한 것으로 인식되어 불량으로 검출되며, 육안으로는 구분되는 불량이 제대로 검출되지 못하는 문제가 있다.
등록특허공보 제10-1728303호(2017.04.19. 공고)
본 발명의 과제는 측정대상물의 외관 불량에 대한 검출력 및 검사 효율성을 향상시킬 수 있는 외관 검사 시스템을 제공함에 있다.
상기의 과제를 달성하기 위한 본 발명에 따른 외관 검사 시스템은 룰 베이스 검사기(Rule Based inspector), 및 딥러닝 검사기(Deep learning inspector)를 포함한다. 룰 베이스 검사기는 측정대상물의 외관에 대한 영상을 획득하며, 획득된 영상을 이용해서 외관 불량유형별 검사항목들에 따라 룰 베이스 검사를 수행하며, 검사항목들 중 딥러닝 검사를 필요로 하는 딥러닝 검사항목을 선택한다. 딥러닝 검사기는 룰 베이스 검사기로부터 영상을 전달받으며, 전달받은 영상을 이용해서 룰 베이스 검사기에 의해 선택된 딥러닝 검사항목에 따라 딥러닝 검사를 수행한 후, 검사결과를 룰 베이스 검사기로 전달한다.
여기서, 룰 베이스 검사기는 복수 개로 구비되어 영상해상도 및 계산부하량에 따라 검사항목들을 할당받아 해당 검사항목들에 따라 룰 베이스 검사를 수행할 수 있다. 딥러닝 검사기는 룰 베이스 검사기로부터 영상해상도 및 계산부하량이 상대적으로 높은 영상을 할당받아 처리하는 제1 딥러닝 검사용 프로세서, 및 룰 베이스 검사기로부터 영상해상도 및 계산부하량이 상대적으로 낮은 영상을 할당받아 처리하는 제2 딥러닝 검사용 프로세서를 포함할 수 있다.
룰 베이스 검사기는 사용자 인터페이스를 통해 입력되는 명령에 따라 해당 검사항목들을 딥러닝 검사항목으로 선택하거나 해제할 수 있다. 추가적인 양상으로, 외관 검사 시스템은 룰 베이스 검사기로부터 최종 검사 완료된 결과 데이터를 전달받아 처리하는 관리 서버를 포함할 수 있다.
본 발명에 따르면, 측정대상물의 외관에 대한 불량이 아님에도 실제 불량과 특징이 유사한 것으로 인식되어 불량으로 검출되며, 육안으로는 구분되는 불량이 제대로 검출되지 못하는 것과 같은 비정형 불량을 정확히 검출해내므로, 검출력을 향상시킬 수 있다. 또한, 본 발명에 따르면, 이원화된 불량 검출 방식으로 배터리의 외관 불량에 대한 검사 효율성을 향상시킬 수 있다.
도 1은 본 발명의 일 실시예에 따른 외관 검사 시스템에 대한 구성도이다.
도 2는 본 발명의 다른 실시예에 따른 외관 검사 시스템에 대한 구성도이다.
도 3은 딥러닝 검사기가 제1,2 딥러닝 검사용 프로세서를 구비한 예를 나타낸 구성도이다.
도 4는 룰 베이스 검사기의 일 예를 나타낸 구성도이다.
본 발명에 대해 첨부된 도면을 참조하여 상세히 설명하면 다음과 같다. 여기서, 동일한 구성에 대해서는 동일부호를 사용하며, 반복되는 설명, 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략한다. 본 발명의 실시형태는 당업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위해서 제공되는 것이다. 따라서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
도 1은 본 발명의 일 실시예에 따른 외관 검사 시스템에 대한 구성도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 외관 검사 시스템(100)은 룰 베이스 검사기(Rule Based inspector, 110), 및 딥러닝 검사기(Deep learning inspector, 120)를 포함한다.
룰 베이스 검사기(110)는 측정대상물의 외관에 대한 영상을 획득하며, 획득된 영상을 이용해서 외관 불량유형별 검사항목들에 따라 룰 베이스 검사를 수행한다. 여기서, 측정대상물은 이차전지 등과 같은 배터리, 배터리의 전극조립체, 반도체, 디스플레이, 메모리나 디스플레이 등을 위한 각종 모듈 등에 해당할 수 있다. 이하에서는, 배터리를 측정대상물로 예시하고 있으나, 이에 한정되지는 않는다.
룰 베이스 검사는 룰 베이스 알고리즘을 통해 룰을 설정하고 그 룰을 기준으로 정상과 불량을 판단하는 방식이다. 예를 들어, 룰 베이스 검사는'밝기'를 기준으로 룰을 설정하면, 일정 수준 이하의 밝기를 가진 지점을 불량 영역으로 간주하는 방식이다.
룰 베이스 검사기(110)는 배터리에 대한 획득 영상으로부터 해당 검사항목들에 따라 특징점을 각각 추출하고, 추출된 특징점을 해당 룰 베이스 알고리즘을 통해 설정 룰을 기준으로 비교 분석함으로써, 검사항목들에 따라 배터리의 외관 불량 여부를 검사할 수 있다. 검사항목들은 배터리의 표면 눌림, 배터리의 표면 찍힘, 배터리의 표면 오염, 배터리의 표면 접힘, 배터리의 표면 긁힘, 배터리의 표면 이물 등과 같은 외관 불량들을 포함할 수 있다.
룰 베이스 검사기(110)는 검사항목들 중 딥러닝 검사를 필요로 하는 딥러닝 검사항목을 선택한다. 일 예로, 룰 베이스 검사기(110)는 사용자 인터페이스(111)를 통해 입력되는 명령에 따라 해당 검사항목들을 딥러닝 검사항목으로 선택하거나 해제할 수 있다.
사용자는 불량이 아님에도 실제 불량과 특징이 유사한 것으로 인식되어 불량으로 검출되는 것(과검), 또는 육안으로는 구분되는 불량이 제대로 검출되지 않는 것(유출)과 같은 비정형 불량이 포함되는 검사항목을 딥러닝 검사항목으로 설정할 수 있다.
이때, 사용자는 배터리를 샘플링해서 룰 베이스 검사기(110)에 의해 검사항목들에 따라 검사한 결과를 육안 검사한 결과와 비교한 후, 비정형 불량이 발견되거나 그 오차가 허용 범위를 초과하는 검사항목을 딥러닝 검사항목으로 설정할 수 있다. 사용자는 설정된 검사항목이 룰 베이스 검사기(110)에 의해 선택되도록 사용자 인터페이스(111)를 통해 명령을 입력할 수 있다.
사용자 인터페이스(111)는 터치 패널을 갖는 디스플레이를 포함할 수 있다. 디스플레이는 사용자가 딥러닝 검사항목의 선택/해제를 위한 명령을 입력할 수 있게 구성된 메뉴 화면을 표시할 수 있다. 터치 패널은 디스플레이에 표시된 메뉴 화면을 사용자가 터치해서 명령을 입력하게 한다.
다른 예로, 룰 베이스 검사기(110)는 배터리를 샘플링해서 검사항목들에 따라 검사한 결과를 딥러닝 검사한 결과와 비교한 후, 비정형 불량이 발견되거나 그 오차가 허용 범위를 초과하는 검사항목을 딥러닝 검사항목으로 자동 선택할 수도 있다.
룰 베이스 검사기(110)는 선택된 딥러닝 검사항목과 관련된 영상을 딥러닝 검사기(120)로 전달함으로써, 딥러닝 검사기(120)가 해당 영상을 이용해서 딥러닝 검사를 수행할 수 있게 한다.
딥러닝 검사기(120)는 룰 베이스 검사기(110)로부터 영상을 전달받으며, 전달받은 영상을 이용해서 룰 베이스 검사기(110)에 의해 선택된 딥러닝 검사항목에 따라 딥러닝 검사를 수행한 후, 검사결과를 룰 베이스 검사기(110)로 전달한다.
딥러닝은 인간의 두뇌가 수많은 데이터 속에서 패턴을 발견한 뒤 사물을 구분하는 정보처리 방식을 모방해 컴퓨터가 사물을 분별하도록 기계를 학습시키는 기술이다. 딥러닝 기술은 사람이 모든 판단 기준을 정해주지 않아도 컴퓨터가 스스로 인지, 추론, 판단할 수 있게 하므로, 영상 분석을 통한 검사 등에 광범위하게 활용될 수 있다.
딥러닝 검사기(120)는 딥러닝 검사항목을 선택한 룰 베이스 검사기(110)로부터 영상을 전달받아, 딥러닝 알고리즘을 통해 불량의 특징 값을 다양한 변수의 조합을 통해 스스로 학습함으로써, 딥러닝 검사항목에 따라 배터리의 외관 불량 여부를 검사할 수 있다. 따라서, 딥러닝 검사기(120)는 룰 베이스 검사기(110)에서 검출해내지 못하는 비정형 불량을 검출해낼 수 있다. 딥러닝 검사기(120)는 기존 데이터를 활용하여 비정형 불량 유형을 학습할 수 있으며, 이 경우 학습 시간 등을 단축할 수 있다.
딥러닝 검사기(120)는 단일 영상 분석(Single Image Analysis), 영상 비교(Image Comparison), 다중 영상 분석(Multi Image Analysis), 비지도 학습(One Class Learning) 등과 같은 딥러닝 학습 방법론을 이용할 수 있다.
단일 영상 분석은 각 영상의 특징을 학습하고 불량을 검출한다. 영상 비교는 두 영상 간의 유의미한 차이점에 집중해 학습하고 불량을 검출한다. 다중 영상 분석은 여러 영상 간의 상관관계를 분석, 학습하고 불량을 검출한다. 비지도 학습은 결함 영상 없이 정상 영상만 학습해 불량을 검출한다.
이와 같이, 외관 검사 시스템(100)에 의하면, 룰 베이스 검사기(110)는 정형 불량을 검출해내며, 딥러닝 검사기(120)는 룰 베이스 검사기(110)에서 검출해내지 못하는 비정형 불량을 검출해내므로, 이원화된 불량 검출 방식으로 배터리의 외관 불량에 대한 검출력 및 검사 효율성을 향상시킬 수 있다.
도 2는 본 발명의 다른 실시예에 따른 외관 검사 시스템에 대한 구성도이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 외관 검사 시스템(200)은 복수 개의 룰 베이스 검사기(110)들을 포함한다.
룰 베이스 검사기(110)들은 영상해상도 및 계산부하량에 따라 검사항목들을 할당받아 해당 검사항목들에 따라 룰 베이스 검사를 수행할 수 있다. 룰 베이스 검사기(110)들 중 적어도 어느 하나의 룰 베이스 검사기(110)는 영상해상도 및 계산부하량이 상대적으로 높은 영상을 필요로 하는 검사항목들을 할당받으며, 나머지 룰 베이스 검사기(110)들은 영상해상도 및 계산부하량이 상대적으로 낮은 영상을 필요로 하는 검사항목들을 할당받을 수 있다.
예를 들어, 룰 베이스 검사기(110)가 3개로 구비되고, 제1,2,3 룰 베이스 검사기(110a, 110b, 110c)로 구분한다면, 제1 룰 베이스 검사기(110a)는 영상해상도 및 계산부하량이 상대적으로 높은 영상을 필요로 하는 검사항목들을 할당받으며, 제2,3 룰 베이스 검사기(110b, 110c)는 영상해상도 및 계산부하량이 상대적으로 낮은 영상을 필요로 하는 검사항목들을 할당받을 수 있다. 물론, 룰 베이스 검사기(110)의 개수는 예시된 바에 한정되지는 않는다.
룰 베이스 검사기(110)들은 전술한 예와 같이, 검사항목들 중 딥러닝 검사를 필요로 하는 딥러닝 검사항목을 선택할 수 있다. 룰 베이스 검사기(110)들 모두가 딥러닝 검사항목을 선택할 수 있으나, 룰 베이스 검사기(110)들 중 일부만 딥러닝 검사항목을 선택할 수도 있다. 딥러닝 검사기(120)는 룰 베이스 검사기(110)들 중 딥러닝 검사항목을 선택한 룰 베이스 검사기(110)로부터 영상을 전달받을 수 있다.
한편, 도 3에 도시된 바와 같이, 딥러닝 검사기(120)는 제1 딥러닝 검사용 프로세서(121), 및 제2 딥러닝 검사용 프로세서(122)를 포함할 수 있다. 제1 딥러닝 검사용 프로세서(121)는 룰 베이스 검사기(110)로부터 영상해상도 및 계산부하량이 상대적으로 높은 영상을 할당받아 처리한다. 제2 딥러닝 검사용 프로세서(122)는 룰 베이스 검사기(110)로부터 영상해상도 및 계산부하량이 상대적으로 낮은 영상을 할당받아 처리한다.
제1 딥러닝 검사용 프로세서(121)는 1대의 룰 베이스 검사기(110)에 전용으로 할당되어 딥러닝 검사를 수행할 수 있다. 제2 딥러닝 검사용 프로세서(122)는 여러 대의 룰 베이스 검사기(110)들에 전용으로 할당되어 딥러닝 검사를 동시에 수행할 수 있다.
이와 같이, 딥러닝 검사기(120)는 룰 베이스 검사기(110)로부터 전달되는 영상의 해상도 및 계산부하량에 따라 제1,2 딥러닝 검사용 프로세서(121, 122)로 할당해서 처리하게 하므로, 검사 효율성을 높일 수 있다.
제1,2 딥러닝 검사용 프로세서(121, 122)는 각각 딥러닝 알고리즘이 구현된 딥러닝 검사 프로그램을 메모리로부터 읽어 들여 실행시킴으로써, 룰 베이스 검사기(110)로부터 전달된 영상을 이용해서 딥러닝 검사항목에 따라 배터리의 외관 불량 여부를 검사한 후, 검사 결과를 룰 베이스 검사기(110)로 전달할 수 있다. 제1,2 딥러닝 검사용 프로세서(121, 122)는 각각 CPU 및 GPU를 포함하여 구성될 수 있다.
한편, 도 4에 도시된 바와 같이, 각각의 룰 베이스 검사기(110)는 촬영 유닛(112)과, 룰 베이스 검사용 프로세서(113), 및 룰 베이스 검사용 통신 유닛(114)을 포함할 수 있다. 촬영 유닛(112)은 카메라 등을 포함하여 구성될 수 있다. 촬영 유닛(112)은 검사항목에 따라 적합한 해상도의 영상을 획득하도록 구성될 수 있다.
룰 베이스 검사용 프로세서(113)는 룰 베이스 알고리즘이 구현된 룰 베이스 검사 프로그램을 메모리로부터 읽어 들여 실행시킴으로써, 촬영 유닛(112)에 의해 획득된 영상으로부터 검사항목들에 따라 배터리의 외관 불량 여부를 검사한 후, 검사 결과를 메모리에 저장할 수 있다. 룰 베이스 검사용 프로세서(113)는 CPU(Central Processing Unit)를 포함하여 구성될 수 있다. 룰 베이스 검사용 프로세서(113)는 CPU와 함께 GPU(Graphics Processing Unit)를 포함하여 구성될 수도 있다.
룰 베이스 검사용 통신 유닛(114)은 딥러닝 검사기(120)의 딥러닝 통신 유닛(123)과 통신함에 따라 룰 베이스 검사기(110)와 딥러닝 검사기(120) 간에 데이터를 전송할 수 있게 한다. 따라서, 딥러닝 검사기(120)는 룰 베이스 검사기(110)로부터 획득된 영상 데이터를 전달받을 수 있다. 이때, 제1,2 딥러닝 검사용 프로세서(121, 122)는 룰 베이스 검사기(110)로부터 영상의 해상도 및 계산부하량에 따라 영상을 할당받을 수 있다.
또한, 룰 베이스 검사기(110)는 딥러닝 검사기(120)로부터 딥러닝 검사결과 데이터를 전달받을 수 있다. 이때, 룰 베이스 검사기(110)는 제1,2 딥러닝 검사용 프로세서(121, 122)로부터 처리된 검사결과 데이터를 전달받을 수 있다.
룰 베이스 검사용 통신 유닛(114)은 관리 서버(130)의 서버용 통신 유닛(131)과 통신함에 따라 룰 베이스 검사기(110)와 관리 서버(130) 간에 데이터를 전송할 수 있게 한다. 따라서, 관리 서버(130)는 룰 베이스 검사기(110)들로부터 최종 검사 완료된 결과 데이터를 전달받을 수 있다.
딥러닝 검사용 통신 유닛(123)은 관리 서버(130)의 서버용 통신 유닛(131)과 통신함으로써, 딥러닝 검사기(120)로부터 딥러닝 검사결과 데이터를 관리 서버(130)로 전달할 수도 있다. 룰 베이스 검사용 통신 유닛(114)과 딥러닝 검사용 통신 유닛(123) 및 서버용 통신 유닛(131)은 이더넷(Ethernet) 통신 방식 등을 구현하도록 구성될 수 있다.
관리 서버(130)는 룰 베이스 검사기(110)로부터 최종 검사 완료된 결과 데이터를 전달받아 처리할 수 있다. 관리 서버(130)는 룰 베이스 검사기(110)들로부터 최종 검사 완료된 결과 데이터를 취합하여 통계 처리, 모니터링 등을 할 수 있다. 관리 서버(130)는 데이터를 저장하는 저장소를 포함할 수 있다. 관리 서버(130)는 MES(Manufacturing Execution System) 통신을 통해 고객사 서버와 연결됨으로써, 처리 데이터를 고객사 서버로 제공할 수 있다.
한편, 외관 검사 시스템(100, 200)은 복수 개의 동일한 구성으로 이루어져 하나의 관리 서버(130)와 연결됨으로써, 배터리들을 동시에 검사하여 검사 효율성을 높일 수도 있다.
본 발명은 첨부된 도면에 도시된 일 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 수 있을 것이다. 따라서, 본 발명의 진정한 보호 범위는 첨부된 청구 범위에 의해서만 정해져야 할 것이다.
110..룰 베이스 검사기
111..사용자 인터페이스
112..촬영 유닛
113..룰 베이스 검사용 프로세서
120..딥러닝 검사기
121..제1 딥러닝 검사용 프로세서
122..제2 딥러닝 검사용 프로세서
130..관리 서버

Claims (5)

  1. 측정대상물의 외관에 대한 영상을 획득하며, 획득된 영상을 이용해서 외관 불량유형별 검사항목들에 따라 룰 베이스 검사를 수행하며, 검사항목들 중 딥러닝 검사를 필요로 하는 딥러닝 검사항목을 선택하는 룰 베이스 검사기(Rule Based inspector); 및
    상기 룰 베이스 검사기로부터 영상을 전달받으며, 전달받은 영상을 이용해서 상기 룰 베이스 검사기에 의해 선택된 딥러닝 검사항목에 따라 딥러닝 검사를 수행한 후, 검사결과를 상기 룰 베이스 검사기로 전달하는 딥러닝 검사기(Deep learning inspector);
    를 포함하는 외관 검사 시스템.
  2. 제1항에 있어서,
    상기 룰 베이스 검사기는 복수 개로 구비되어 영상해상도 및 계산부하량에 따라 검사항목들을 할당받아 해당 검사항목들에 따라 룰 베이스 검사를 수행하는 것을 특징으로 하는 외관 검사 시스템.
  3. 제1항 또는 제2항에 있어서,
    상기 딥러닝 검사기는,
    상기 룰 베이스 검사기로부터 영상해상도 및 계산부하량이 상대적으로 높은 영상을 할당받아 처리하는 제1 딥러닝 검사용 프로세서, 및
    상기 룰 베이스 검사기로부터 영상해상도 및 계산부하량이 상대적으로 낮은 영상을 할당받아 처리하는 제2 딥러닝 검사용 프로세서를 포함하는 것을 특징으로 하는 외관 검사 시스템.
  4. 제1항에 있어서,
    상기 룰 베이스 검사기는 사용자 인터페이스를 통해 입력되는 명령에 따라 해당 검사항목들을 딥러닝 검사항목으로 선택하거나 해제하는 것을 특징으로 하는 외관 검사 시스템.
  5. 제1항에 있어서,
    상기 룰 베이스 검사기로부터 최종 검사 완료된 결과 데이터를 전달받아 처리하는 관리 서버를 포함하는 것을 특징으로 하는 외관 검사 시스템.
KR1020190015764A 2019-02-11 2019-02-11 외관 검사 시스템 KR102208551B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190015764A KR102208551B1 (ko) 2019-02-11 2019-02-11 외관 검사 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190015764A KR102208551B1 (ko) 2019-02-11 2019-02-11 외관 검사 시스템

Publications (2)

Publication Number Publication Date
KR20200103150A true KR20200103150A (ko) 2020-09-02
KR102208551B1 KR102208551B1 (ko) 2021-01-27

Family

ID=72449889

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190015764A KR102208551B1 (ko) 2019-02-11 2019-02-11 외관 검사 시스템

Country Status (1)

Country Link
KR (1) KR102208551B1 (ko)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112258459A (zh) * 2020-10-12 2021-01-22 江南大学 一种基于集成深度学习的锂电池瑕疵检测方法
WO2022059898A1 (ko) * 2020-09-18 2022-03-24 주식회사 엘지에너지솔루션 리튬 이차 전지의 검사 방법
CN114418963A (zh) * 2021-12-28 2022-04-29 淮阴工学院 一种基于机器视觉的电池极板缺陷检测方法
KR20220071098A (ko) * 2020-11-23 2022-05-31 주식회사 에스엔디솔루션 룰베이스 기반의 머신비전 알고리즘을 이용한 피검사체의 외형 검사장치 및 그 방법
KR20220074021A (ko) 2020-11-27 2022-06-03 씨제이올리브네트웍스 주식회사 상품불량 선별을 위한 딥러닝 기반의 이미지 분석 방법 및 이를 위한 시스템
WO2022190543A1 (ja) * 2021-03-10 2022-09-15 オムロン株式会社 情報生成装置
KR102486819B1 (ko) * 2022-06-07 2023-01-10 주식회사 트윔 빛샘 데이터를 이용한 제품 검사 방법 및 장치
KR20230014519A (ko) * 2021-07-21 2023-01-30 주식회사 에스엔디솔루션 라인스캔 카메라를 이용한 피검사체의 외형 검사장치 및 그 방법
KR20230014922A (ko) * 2021-07-21 2023-01-31 주식회사 에스엔디솔루션 라인스캔 카메라와 색조명을 이용한 피검사체의 외형 검사장치 및 그 방법
WO2023136412A1 (ko) * 2022-01-11 2023-07-20 주식회사 엘지에너지솔루션 이차전지 생산을 위한 비전 검사기 시뮬레이션 장치 및 방법

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102582008B1 (ko) * 2021-02-15 2023-09-22 호서대학교 산학협력단 검사 장치 및 그 제어 방법
KR20230132083A (ko) 2022-03-08 2023-09-15 주식회사 크레셈 기판 검사 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007130329A (ja) * 2005-11-11 2007-05-31 Matsushita Electric Works Ltd 画像による外観検査方法
KR101041524B1 (ko) * 2009-01-30 2011-06-16 (주) 티아이에스 최적 불량인식 방법
KR101728303B1 (ko) 2016-08-05 2017-04-19 세종기술 주식회사 배터리 외관 검사 장치
KR20170119612A (ko) * 2016-04-19 2017-10-27 인천대학교 산학협력단 Tsom 이미지 획득 방법 및 반도체 장치 검사 방법
KR101941585B1 (ko) * 2017-09-07 2019-01-24 경북대학교 산학협력단 인공지능 기반의 검사를 위한 임베디드 시스템, 제어 방법 및 이를 포함하는 검사 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007130329A (ja) * 2005-11-11 2007-05-31 Matsushita Electric Works Ltd 画像による外観検査方法
KR101041524B1 (ko) * 2009-01-30 2011-06-16 (주) 티아이에스 최적 불량인식 방법
KR20170119612A (ko) * 2016-04-19 2017-10-27 인천대학교 산학협력단 Tsom 이미지 획득 방법 및 반도체 장치 검사 방법
KR101728303B1 (ko) 2016-08-05 2017-04-19 세종기술 주식회사 배터리 외관 검사 장치
KR101941585B1 (ko) * 2017-09-07 2019-01-24 경북대학교 산학협력단 인공지능 기반의 검사를 위한 임베디드 시스템, 제어 방법 및 이를 포함하는 검사 시스템

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022059898A1 (ko) * 2020-09-18 2022-03-24 주식회사 엘지에너지솔루션 리튬 이차 전지의 검사 방법
CN112258459A (zh) * 2020-10-12 2021-01-22 江南大学 一种基于集成深度学习的锂电池瑕疵检测方法
KR20220071098A (ko) * 2020-11-23 2022-05-31 주식회사 에스엔디솔루션 룰베이스 기반의 머신비전 알고리즘을 이용한 피검사체의 외형 검사장치 및 그 방법
KR20220074021A (ko) 2020-11-27 2022-06-03 씨제이올리브네트웍스 주식회사 상품불량 선별을 위한 딥러닝 기반의 이미지 분석 방법 및 이를 위한 시스템
WO2022190543A1 (ja) * 2021-03-10 2022-09-15 オムロン株式会社 情報生成装置
KR20230014519A (ko) * 2021-07-21 2023-01-30 주식회사 에스엔디솔루션 라인스캔 카메라를 이용한 피검사체의 외형 검사장치 및 그 방법
KR20230014922A (ko) * 2021-07-21 2023-01-31 주식회사 에스엔디솔루션 라인스캔 카메라와 색조명을 이용한 피검사체의 외형 검사장치 및 그 방법
CN114418963A (zh) * 2021-12-28 2022-04-29 淮阴工学院 一种基于机器视觉的电池极板缺陷检测方法
CN114418963B (zh) * 2021-12-28 2023-12-05 淮阴工学院 一种基于机器视觉的电池极板缺陷检测方法
WO2023136412A1 (ko) * 2022-01-11 2023-07-20 주식회사 엘지에너지솔루션 이차전지 생산을 위한 비전 검사기 시뮬레이션 장치 및 방법
KR102486819B1 (ko) * 2022-06-07 2023-01-10 주식회사 트윔 빛샘 데이터를 이용한 제품 검사 방법 및 장치

Also Published As

Publication number Publication date
KR102208551B1 (ko) 2021-01-27

Similar Documents

Publication Publication Date Title
KR102208551B1 (ko) 외관 검사 시스템
CN110441316B (zh) 电池表面缺陷检测方法及检测系统
CN105067022B (zh) 电容式传感器的检测方法和装置及触摸芯片和空调器
US11977122B2 (en) Battery inspection apparatus
CN115079020A (zh) 电池故障检测方法、系统、装置存储介质以及车辆
CN111693089A (zh) 装配线的产品质量控制方法、装置、设备及存储介质
CN115420744A (zh) 一种基于图像识别的印制板缺陷检测系统及其方法
CN108693478A (zh) 一种锂离子动力电池的漏液检测方法
CN108093118A (zh) 主板上器件的测试方法、测试装置和计算机可读存储介质
CN108428247B (zh) 焊锡点方向的检测方法和系统
CN110489287A (zh) 通过Ipmitool测试热插拔的方法、系统及存储介质
CN104915659B (zh) 终端的指纹传感器的测试方法和系统
US9880550B2 (en) Updating of a recipe for evaluating a manufacturing stage of an electrical circuit
JP7501831B2 (ja) 電池セルの電極タブの断線検査装置および断線検査方法
KR100687870B1 (ko) 웨이퍼의 불량 검사 방법
CN113128881B (zh) 测量仪表的操作考评方法、设备及存储介质
CN116448960A (zh) 一种芯片的质量检测方法、装置、电子设备及存储介质
CN104596578A (zh) 一种基于移动终端的外接件巡检方法、系统及移动终端
CN108195889A (zh) 软包锂电池铝塑膜包装检测治具及铝塑膜包装的检测方法
CN113091949B (zh) 电缆状态检测方法、装置和设备
KR101579448B1 (ko) 불량 샘플의 결함 맵을 이용한 문제 설비 판정 방법 및 그 장치
KR20210106038A (ko) 딥러닝 기반의 ai 기술을 활용한 2차전지 분리막 자동 검사장치
WO2020010624A1 (zh) 电池检测方法、系统及电池分析装置
CN110252686A (zh) 遥控器质量的确定方法及装置
CN112148536A (zh) 检测深度学习芯片的方法、装置、电子设备和计算机存储介质

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant