KR20210020976A - 어노말리 디텍션 - Google Patents

Abstract

본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨팅 장치의 하나 이상의 프로세서에서 실행되는 경우 입력 데이터 검사를 위한 이하의 동작들을 수행하도록 하며 상기 동작들은, 입력 데이터에 대한 1차 검사 결과를 도출하는 동작; 상기 입력 데이터를 클러스터 정보가 라벨링된 학습 데이터를 이용하여 학습된 분류 모델을 이용하여 분류하는 동작; 및 상기 분류 모델의 상기 입력 데이터에 대한 분류 결과에 적어도 부분적으로 기초하여 최종 검사 결과를 출력하는 동작을 포함한다.

Description

어노말리 디텍션{ANOMALY DETECTION}

본 개시는 컴퓨팅 장치를 이용한 데이터 처리에 관한 것으로서 보다 구체적으로, 컴퓨팅 장치를 이용하여 구현된 인공지능을 이용한 데이터 처리에 관한 것이다.

복잡하거나 해가 알려지지 않은 문제를 해결하기 위해, 인간이 지닌 인식 방법을 디바이스에 적용시키려는 연구가 진행되고 있다. 이러한 연구 중 하나로, 인간의 생물학적 신경 세포를 모델링한 뉴럴 네트워크(neural network)가 있다. 뉴럴 네트워크는 인간이 가지고 있는 학습 능력을 모방한 알고리즘을 이용한다. 뉴럴 네트워크는 학습을 통해 입력 패턴과 출력 패턴들 사이의 사상(mapping)을 수행할 수 있다. 또한, 뉴럴 네트워크는 학습된 결과에 기초하여 학습에 이용되지 않았던 입력 패턴에 대하여 비교적 올바른 출력을 생성할 수 있는 일반화 능력을 가질 수 있다.

본 개시는 컴퓨팅 장치를 이용하여 데이터를 처리하는 방법을 제공하기 위한 것이다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨팅 장치의 하나 이상의 프로세서에서 실행되는 경우 입력 데이터 검사를 위한 이하의 동작들을 수행하도록 하며 상기 동작들은, 입력 데이터에 대한 1차 검사 결과를 도출하는 동작; 상기 입력 데이터를 클러스터 정보가 라벨링된 학습 데이터를 이용하여 학습된 분류 모델을 이용하여 분류하는 동작; 및 상기 분류 모델의 상기 입력 데이터에 대한 분류 결과에 적어도 부분적으로 기초하여 최종 검사 결과를 출력하는 동작을 포함한다.

대안적으로, 상기 분류 모델은, 복수의 학습 데이터 서브세트를 포함하는 학습 데이터 세트를 이용하여 학습되며, 상기 학습 데이터 세트에 포함된 학습 데이터에서 유사한 데이터를 같은 클러스터로 분류하고, 비유사한 데이터를 다른 클러스터로 분류하도록 학습될 수 있다.

대안적으로, 상기 입력 데이터에 대한 1 차 검사 결과를 도출하는 동작은, 상기 입력 데이터를 하나 이상의 네트워크 함수를 포함하는 사전학습된 검사 모델을 이용하여 처리함으로써, 상기 입력 데이터에 대한 어노말리 디텍션을 수행하거나, 또는 상기 입력 데이터와 레퍼런스 데이터의 비교에 기초하여 상기 입력 데이터에 대한 어노말리 디텍션을 수행하는 동작을 포함할 수 있다.

대안적으로, 상기 분류 모델은, 서로 다른 클러스터 정보가 라벨링된 학습 데이터를 포함하는 학습 데이터 서브세트를 포함하는 학습 데이터 세트를 이용하여 학습될 수 있다.

대안적으로, 상기 분류 모델은, 타겟 데이터, 타겟 유사 데이터 및 타겟 비유사 데이터를 포함하는 학습 데이터 서브세트를 포함하는 학습 데이터 세트를 이용하여 학습될 수 있다.

대안적으로, 상기 타겟 데이터와 상기 타겟 유사 데이터는 제 1 클러스터 정보가 라벨링된 데이터이고, 그리고 타겟 비유사 데이터는 제 2 클러스터 정보가 라벨링된 데이터일 수 있다.

대안적으로, 상기 타겟 데이터가 어노말리를 포함한 데이터인 경우, 상기 타겟 유사 데이터는 상기 타겟 데이터가 포함한 어노말리와 유사한 유형의 어노말리를 포함한 데이터이고, 그리고 상기 타겟 비유사 데이터는 어노말리를 포함하지 않는 데이터일 수 있다.

대안적으로, 상기 타겟 데이터가 어노말리를 포함한 이미지인 경우, 상기 타겟 유사 데이터는 상기 타겟 데이터가 포함한 어노말리를 적어도 일부 포함하도록 크롭핑(cropping)된 이미지이고, 그리고 상기 타겟 비유사 데이터는 어노말리를 포함하지 않는 이미지일 수 있다.

대안적으로, 상기 타겟 데이터는 상기 어노말리를 이미지의 중심부에 포함한 이미지일 수 있다.

대안적으로, 상기 타겟 비유사 데이터는, 상기 타겟 데이터의 어노말리를 제외한 부분의 적어도 일부가 중복되는 이미지일 수 있다.

대안적으로, 상기 분류 모델은, 상기 타겟 데이터와 상기 타겟 유사 데이터를 동일한 클러스터로 분류하고, 상기 타겟 비유사 데이터를 상기 타겟 데이터 및 상기 타겟 유사 데이터가 속하는 클러스터와 상이한 클러스터로 분류하도록 학습될 수 있다.

대안적으로, 상기 타겟 데이터는 대상 객체와 분리되어 발생가능한 이상 상황에 관련한 이미지를 포함하고, 상기 타겟 유사 데이터는 상기 타겟 데이터의 적어도 일부를 포함하는 이미지를 포함할 수 있다.

대안적으로, 상기 타겟 데이터 및 상기 타겟 유사 데이터는, 긍정 오류(false positive)를 포함하는 데이터일 수 있다.

대안적으로, 상기 분류 모델의 상기 입력 데이터에 대한 분류 결과에 적어도 부분적으로 기초하여 최종 검사 결과를 출력하는 동작은, 상기 분류 모델이 상기 입력 데이터를 특정 클러스터에 속하는 것으로 분류한 경우, 상기 특정 클러스터에 매칭된 검사 결과를 2차 검사 결과로 생성하고, 2차 검사 결과에 기초하여 최종 검사 결과를 출력하고 그리고, 상기 입력 데이터에 대한 분류에 실패한 경우, 상기 1차 검사 결과를 최종 검사 결과로 출력하는 동작을 포함할 수 있다.

대안적으로, 상기 2차 검사 결과는, 어노말리 존재 여부, 어노말리의 위치, 어노말리의 유형 및 오검 유형 중 적어도 하나에 관련한 정보를 포함할 수 있다.

대안적으로, 상기 입력 데이터를 클러스터 정보가 라벨링된 학습 데이터를 이용하여 학습된 분류 모델을 이용하여 분류하는 동작은, 상기 입력 데이터를 상기 사전학습된 분류 모델을 이용하여 처리함으로써, 상기 입력 데이터의 피처를 상기 사전학습된 분류 모델의 해공간에 매핑하는 동작; 및 상기 입력 데이터의 상기 해공간 상에서의 위치에 기초하여 상기 입력 데이터가 상기 해공간 상의 하나 이상의 클러스터 중 하나의 클러스터에 속하는지 여부에 기초하여 상기 입력 데이터를 분류하는 동작을 포함할 수 있다.

대안적으로, 상기 해공간은, 1차원 이상의 공간으로 구성되며, 하나 이상의 클러스터를 포함하고, 그리고 각각의 클러스터는 각각의 타겟 데이터에 기초한 피처 및 타겟 유사 데이터에 기초한 피처의 해공간 상에서의 위치에 기초하여 구성될 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 다른 일 실시예에 따라 하나 이상의 프로세서를 포함하는 컴퓨팅 장치에서 수행되는 입력 데이터 검사 방법이 개시된다. 상기 방법은, 입력 데이터에 대한 1차 검사 결과를 도출하는 단계; 상기 입력 데이터를 클러스터 정보가 라벨링된 학습 데이터를 이용하여 학습된 분류 모델을 이용하여 분류하는 단계; 및 상기 분류 모델의 상기 입력 데이터에 대한 분류 결과에 적어도 부분적으로 기초하여 최종 검사 결과를 출력하는 단계를 포함한다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 또 다른 일 실시예에 따라 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는, 하나 이상의 프로세서; 및 상기 프로세서에서 실행가능한 명령들을 저장하는 메모리를 포함하고, 상기 프로세서는, 입력 데이터에 대한 1차 검사 결과를 도출하고, 상기 입력 데이터를 클러스터 정보가 라벨링된 학습 데이터를 이용하여 학습된 분류 모델을 이용하여 분류하고, 그리고 상기 분류 모델의 상기 입력 데이터에 대한 분류 결과에 적어도 부분적으로 기초하여 최종 검사 결과를 출력할 수 있다.

본 개시는 컴퓨팅 장치를 이용하여 데이터를 처리하는 방법을 제공할 수 있다.

도 1 은 본 개시의 일 실시예에 따라 입력 데이터 검사 방법을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.
도 2a 는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.
도 2b 는 본 개시의 일 실시예에 따라 컨벌루셔널 뉴럴 네트워크(convolutional neural network)를 나타낸 개략도이다.
도 3a, 3b, 3c, 3d, 3e 및 3f는 본 개시의 일 실시예에 따라 학습 데이터를 나타낸 개략도이다.
도 4 는 본 개시의 일 실시예에 따라 분류 모델을 훈련시키는 방법을 나타낸 개략도이다.
도 5 은 본 개시의 일 실시예에 따라 분류 모델의 해공간을 나타낸 개략도이다.
도 6 은 본 개시의 일 실시예에 따라 입력 데이터 검사를 위한 방법의 순서도이다.
도 7 은 본 개시의 일 실시예에 따라 입력 데이터 검사를 위한 방법을 구현하기 위한 수단을 도시한 블록 구성도이다.
도 8 은 본 개시의 일 실시예에 따라 입력 데이터 검사를 위한 방법을 구현하기 위한 모듈을 도시한 블록 구성도이다.
도 9 은 본 개시의 일 실시예에 따라 입력 데이터 검사를 위한 방법을 구현하기 위한 로직을 도시한 블록 구성도이다.
도 10 은 본 개시의 일 실시예에 따라 입력 데이터 검사를 위한 방법을 구현하기 위한 회로를 도시한 블록 구성도이다.
도 11 은 본 개시의 일 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의 미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시 적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시 적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지 식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

본 개시에서 네트워크 함수와 인공 신경망 및 뉴럴 네트워크(neural network)는 상호교환가능하게 사용될 수 있다.

도 1 은 본 개시의 일 실시예에 따라 입력 데이터 검사 방법을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.

도 1 에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이며, 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 본 개시의 실시예들을 수행하기 위한 다른 구성들을 포함 할 수 있다.

컴퓨팅 장치(100)는 프로세서(110), 메모리(120), 통신 모듈(130), 카메라 모듈(140)을 포함할 수 있다.

프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 입력 데이터 검사 방법을 수행할 수 있다. 본 개시의 일 실시예에 따라 프로세서(110)는 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)는 딥러닝(DN: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처(feature) 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이 터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 개시의 일 실시예에서 컴퓨팅 장치(100)는 CPU, GPGPU, 및 TPU 중 적어도 하나를 이용하여 네트워크 함수를 분산하여 처리할 수 있다. 또한 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 다른 컴퓨팅 장치와 함께 네트워크 함수를 분산하여 처리할 수 있다.

본 개시의 일 실시예에서 네트워크 함수를 이용하여 처리되는 이미지는 컴퓨팅 장치(100)의 저장 매체에 저장된 이미지, 컴퓨팅 장치(100)의 카메라 모듈(140)에 의하여 촬영된 이미지 및/또는 통신 모듈(130)에 의하여 이미지 데이터 베이스 등 다른 컴퓨팅 장치로부터 전송된 이미지 일 수 있다. 또한 본 개시의 일 실시예에서 네트워크 함수를 이용하여 처리되는 이미지는 컴퓨터 판독가능 저장 매체(예를 들어, 플래시 메모리 등을 포함할 수 있으나 본 개시는 이에 제한되지 않음)에 저장된 이미지일 수 있다. 컴퓨팅 장치(100)는 입출력 인터페이스(미도시)를 통해 컴퓨터 판독가능 저장 매체에 저장된 이미지 파일을 입력 받을 수 있다.

본 개시의 일 실시예에서 컴퓨팅 장치(100)는 이미지 데이터를 수신하고, 사전 학습된 네트워크 함수를 이용하여 입력 데이터를 검사할 수 있다. 본 개시의 입력 데이터 검사는 입력 데이터에 어노말리가 존재하는지 여부를 판단하기 위한 어노말리 디텍션을 포함할 수 있다. 본 개시의 입력 데이터 검사는 어노말리 디텍션 및 어노말리 디텍션에 대한 오검 판단을 포함할 수 있다.

메모리(120)는 본 개시의 일 실시예에 따른 입력 데이터 검사 방법을 수행하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(110)에 의하여 판독되어 구동될 수 있다.

통신 모듈(130)은 본 개시의 일 실시예에 따른 이미지 데이터의 어노말리 판단 방법을 수행하기 위한 데이터 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 통신 모듈(130)은 이미지 데이터 등 본 개시의 실시예에 필요한 데이터들을 다른 컴퓨팅 장치, 서버 등과 송수신 할 수 있다. 예를 들어, 통신 모듈(130)은 학습 이미지 데이터베이스 등에서 학습 이미지 데이터를 수신할 수 있다. 또한, 통신 모듈(130)은 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 복수의 컴퓨팅 장치 각각에서 네트워크 함수의 학습이 분산 수행되도록 할 수 있다. 통신 모듈(130)은 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 네트워크 함수를 사용한 데이터 분류를 분산 처리할 수 있도록 할 수 있다.

카메라 모듈(140)은 본 개시의 일 실시예에 따른 이미지 데이터의 어노말리 판단 방법을 수행하기 위하여 검사 대상물을 촬영하여 이미지 데이터를 생성하도록 할 수 있다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 하나 이상의 카메라 모듈(140)을 포함할 수 있다.

도 2a 는 본 개시의 일 실시예에 따라 네트워크 함수(200)를 나타낸 개략도이다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 “노드”라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 “노드”들은 “뉴런(neuron)”들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의“링크”에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다, 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrentneural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서 네트워크 함수(200)는 오토인코더를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 이 경우, 도 2 의 예시에서는 차원 감소 레이어와 차원 복원 레이어가 대칭되는 것으로 도시되어 있으나, 본 개시는 이에 제한되지 않으며, 차원 감소 레이어와 차원 복원 레이어의 노드는 대칭일 수도 있고 아닐 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 센서들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨이 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regulaization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.

도 2b 에 도시된 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network)는 딥 뉴럴 네트워크의 일종으로서, 컨벌루셔널 레이어를 포함하는 신경망을 포함한다. 컨벌루셔널 뉴럴 네트워크는 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptorns)의 한 종류이다. CNN은 하나 또는 여러개의 컨벌루셔널 레이어와 이와 결합된 인공 신경망 계층들로 구성될 수 있으며, 가중치와 풀링 레이어(pooling layer)들을 추가로 활용할 수 있다. 이러한 구조 덕분에 CNN은 2 차원 구조의 입력 데이터를 충분히 활용할 수 있다. 컨벌루셔널 뉴럴 네트워크는 이미지에서 오브젝트를 인식하기 위하여 사용될 수 있다. 컨벌루셔널 뉴럴 네트워크는 이미지 데이터를 차원을 가진 행렬로 나타내어 처리할 수 있다. 예를 들어 RGB(red-green-blue)로 인코딩된 이미지 데이터의 경우, R, G, B 색상별로 각각 2차원(예를 들어, 2 차원 이미지인경우) 행렬로 나타내 질 수 있다. 즉, 이미지 데이터의 각 픽셀의 색상값이 행렬의 성분이 될 수 있으며 행렬의 크기는 이미지의 크기와 같을 수 있다. 따라서 이미지 데이터는 3개의 2차원 행렬로(3차원의 데이터 어레이)로 나타내질 수 있다.

컨벌루셔널 뉴럴 네트워크에서 컨벌루셔널 필터를 이동해가며 컨벌루셔널 필터와 이미지의 각 위치에서의 행렬 성분끼리 곱하는 것으로 컨벌루셔널 과정(컨벌루셔널 레이어의 입출력)을 수행할 수 있다. 컨벌루셔널 필터는 n*n 형태의 행렬로 구성될 수 있으며, 일반적으로 이미지의 전체 픽셀의 수보다 작은 고정된 형태의 필터로 구성될 수 있다. 즉, m*m 이미지를 컨벌루셔널 레이어(예를 들어, 컨벌루셔널 필터의 사이즈가 n*n인 컨벌루셔널 레이어)입력시키는 경우, 이미지의 각 픽셀을 포함하는 n*n 픽셀을 나타내는 행렬이 컨벌루셔널 필터와 성분곱(즉, 행렬의 각 성분끼리의 곱) 될 수 있다. 컨벌루셔널 필터와의 곱에 의하여 이미지에서 컨벌루셔널 필터와 매칭되는 성분이 추출될 수 있다. 예를 들어, 이미지에서 상하 직선 성분을 추출하기 위한 3*3 컨벌루셔널 필터는 [[0,1,0],[0,1,0],[0,1,0]] 와 같이 구성될 수 있으며, 이러한 컨벌루셔널 필터가 입력 이미지에 적용되면 이미지에서 컨벌루셔널 필터와 매칭되는 상하 직선 성분이 추출되어 출력될 수 있다. 컨벌루셔널 레이어는 이미지를 나타낸 각각의 채널에 대한 각각의 행렬(즉, R, G, B 코딩 이미지의 경우, R, G, B 색상)에 컨벌루셔널 필터를 적용할 수 있다. 컨벌루셔널 레이어는 입력 이미지에 컨벌루셔널 필터를 적용하여 입력 이미지에서 컨벌루셔널 필터와 매칭되는 피처를 추출할 수 있다. 컨벌루셔널 필터의 필터 값(즉, 행렬의 각 성분의 값)은 컨벌루셔널 뉴럴 네트워크의 학습 과정에서 역전파(back propagation)에 의하여 업데이트 될 수 있다.

컨벌루셔널 레이어의 출력에는 서브샘플링 레이어가 연결되어 컨벌루셔널 레이어의 출력을 단순화하여 메모리 사용량과 연산량을 줄일 수 있다. 예를 들어, 2*2 맥스 풀링 필터를 가지는 풀링 레이어에 컨벌루셔널 레이어의 출력을 입력시키는 경우, 이미지의 각 픽셀에서 2*2 패치마다 각 패치에 포함되는 최대값을 출력하여 이미지를 압축할 수 있다. 전술한 풀링은 패치에서 최소값을 출력하거나, 패치의 평균값을 출력하는 방식일 수도 있으며 임의의 풀링 방식이 본 개시에 포함될 수 있다.

컨벌루셔널 뉴럴 네트워크는 하나 이상의 컨벌루셔널 레이어, 서브샘플링 레이어를 포함할 수 있다. 컨벌루셔널 뉴럴 네트워크는 컨벌루셔널 과정과 서브샘플링 과정(예를 들어, 전술한 맥스 풀링 등)을 반복적으로 수행하여 이미지에서 피처를 추출할 수 있다. 반복적인 컨벌루션널 과정과 서브샘플링 과정을 통해 뉴럴 네트워크는 이미지의 글로벌 피처를 추출할 수 있다.

컨벌루셔널 레이어 또는 서브샘플링 레이어의 출력은 풀 커넥티드 레이어(fully connected layer)에 입력될 수 있다. 풀 커넥티드 레이어는 하나의 레이어에 있는 모든 뉴런과 이웃한 레이어에 있는 모든 뉴런이 연결되는 레이어이다. 풀 커넥티드 레이어는 뉴럴 네트워크에서 각 레이어의 모든 노드가 다른 레이어의 모든 노드에 연결된 구조를 의미할 수 있다.

본 개시의 일 실시예에서 이미지 데이터의 세그먼테이션(segmentation)을 수행하기 위하여 뉴럴 네트워크는 디컨벌루셔널 뉴럴 네트워크(DCNN: deconvolutional neural network)를 포함할 수 있다. 디컨벌루셔널 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크를 역방향으로 계산시킨 것과 유사한 동작을 수행하며, 컨벌루셔널 뉴럴 네트워크에서 추출된 피처를 원본 데이터와 관련된 피처 맵으로 출력할 수 있다.

본 개시의 일 실시예에서 프로세서(110)는 입력 데이터에 대한 1차 검사 결과를 도출할 수 있다. 1차 검사 결과는 입력 데이터에 관련한 어노말리 정보를 포함할 수 있으며 어노말리 정보는 입력 데이터에 존재할 수 있는 어노말리에 관련된 임의의 정보를 포함할 수 있다. 예를 들어, 1 차 검사 결과는 어노말리의 존재 여부, 입력 데이터에서 어노말리의 위치, 어노말리의 유형을 포함할 수 있다. 입력 데이터가 이미지인 경우, 1차 검사 결과는 입력 데이터에 어노말리가 존재하는지 여부, 입력 데이터의 어느 픽셀이 어노말리가 존재하는 영역인지에 관련한 정보, 입력 데이터에 포함된 어노말리가 어떤 유형의 어노말리인지(예를 들어, 반도체에 관련한 이미지인 경우, 납땜 불량, 도선 불량, 소자 불량 등) 등에 관련한 정보를 포함할 수 있다.

프로세서(110)는 입력 데이터에 어노말리가 존재하는지 여부에 관련한 1차 검사 결과를 도출할 수 있다. 프로세서(110)는 입력 데이터를 하나 이상의 네트워크 함수를 포함하는 사전학습된 검사 모델을 이용하여 처리함으로써, 입력 데이터에 대한 어노말리 디텍션을 수행하여 1 차 검사 결과를 도출할 수 있다. 검사 모델은 정상 데이터만으로 학습되어, 입력 데이터에 학습되지 않은 새로운 패턴(즉, 어노말리)이 존재하는지 여부를 판단함으로써, 입력 데이터에 어노말리가 존재하는지 여부를 판단할 수 있는 반지도 학습(semi supervised learning) 모델일 수도 있다. 또한, 검사 모델은 라벨링된 정상 데이터 및 어노말리 데이터로 학습되어, 입력 데이터에 어노말리가 포함되있는지 여부를 판단할 수 있는 교사 학습(supervised learning) 모델일 수도 있다. 검사 모델은 입력 데이터에 어노말리가 존재하는지 여부를 판단할 수 있는 임의의 기계학습 모델을 포함할 수 있다.

또한, 프로세서(110)는 입력 데이터와 레퍼런스 데이터의 비교에 기초하여 입력 데이터에 대한 어노말리 디텍션을 수행하여 1 차 검사 결과를 도출할 수 있다. 프로세서(110)는 입력 데이터가 이미지인 경우, 어노말리를 포함하는 레퍼런스 데이터 또는 어노말리를 포함하지 않는 레퍼런스 데이터와 입력 데이터와의 비교에 기초하여 입력 데이터에 어노말리가 존재하는지를 판단할 수 있다. 프로세서(110)는 임의의 머신 비전(machine vision) 솔루션에 기초하여 입력 데이터에 어노말리를 판단할 수 있다.

프로세서(110)는 입력 데이터를 클러스터 정보가 라벨링된 학습 데이터를 이용하여 학습된 분류 모델을 이용하여 분류할 수 있다. 분류 모델은 복수의 학습 데이터 서브세트를 포함하는 학습 데이터 세트를 이용하여 학습되며, 학습 데이터 세트에 포함된 학습 데이터에서 유사한 데이터를 같은 클러스터로 분류하고, 비유사한 데이터를 다른 클러스터로 분류하도록 학습될 수 있다. 학습 데이터 서브세트는 복수의 학습 데이터를 포함할 수 있다. 학습 데이터 서브세트는 복수의 학습 데이터를 포함할 수 있으며, 각각의 학습 데이터는 클러스터 정보가 라벨링될 수 있다. 본 개시에서 학습 데이터 서브세트는 네트워크 함수의 학습에서 1 반복(iteration)에서 사용되는 데이터 일 수 있다. 본 개시에서 학습 데이터 세트는 네트워크 함수의 학습에서 1 에포크(epoch)에서 사용되는 데이터 전체를 의미할 수 있다. 학습 데이터 서브세는 서로 비유사한 학습 데이터를 포함할 수 있으며, 학습 데이터 서브세트에 포함된 서로 비유사한 학습 데이터는 분류 모델에 의하여 서로 상이한 클러스터로 분류될 수 있다.

즉, 학습 데이터 서브세트는 복수의 학습 데이터를 포함하며 학습데이터 각각은 클러스터 정보가 라벨링될 수 있으며, 학습 데이터 서브세트는 서로 다른 클러스터 정보가 라벨링된 학습 데이터를 포함할 수 있다. 보다 구체적으로, 학습 데이터 서브세트는 타겟 데이터, 타겟 유사 데이터, 타겟 비유사 데이터를 포함할 수 있으며, 타겟 데이터와 타겟 유사 데이터는 같은 클러스터 정보가 라벨링될 수 있고, 타겟 비유사 데이터는 타겟 데이터 및 타겟 유사 데이터와는 다른 클러스터 정보가 라벨링될 수 있다. 학습 데이터 서브세트에 포함된 타겟 데이터와 타겟 유사 데이터는 제 1 클러스터 정보가 라벨링될 수 있으며, 타겟 비유사 데이터는 제 2 클러스터 정보가 라벨링 될 수 있다.

예를 들어, 타겟 데이터가 어노말리를 포함한 데이터인 경우, 타겟 유사 데이터는 어노말리를 포함한 데이터이고, 타겟 비유사 데이터는 어노말리를 포함하지 않은 데이터 일 수 있다. 타겟 비유사 데이터는 타겟 데이터에서 어노말리를 제외한 부분의 적어도 일부가 중복되는 데이터 일 수 있다. 예를 들어, 타겟 데이터가 이미지인 경우, 타겟 비유사 데이터는 어노말리를 포함한 이미지에서 어노말리 부분을 제외한 부분의 적어도 일부를 포함한 이미지 일 수 있다. 또한, 예를 들어, 타겟 유사 데이터는 타겟 데이터가 포함한 어노말리와 유사한 유형의 어노말리를 포함한 데이터 일 수 있다. 예를 들어, 타겟 데이터가 어노말리를 포함한 이미지인 경우, 타겟 유사 데이터는 타겟 데이터가 포함한 어노말리를 적어도 일부 포함하도록 크롭핑(cropping)된 이미지 일 수 있다. 예를 들어, 타겟 데이터가 포함한 어노말리와 유사한 유형의 어노말리는 타겟 데이터가 포함한 어노말리의 검사 대상 객체 상의 위치와 동일한 위치에 위치하는 어노말리, 타겟 데이터가 포함한 어노말리의 검사 대상 객체의 불량 유형과 동일한 유형(예를 들어, 검사 대상 객체가 회로 기판이고, 타겟 데이터가 포함한 어노말리가 납땜 불량인 경우, 타겟 유사 데이터가 포함한 어노말리도 납땜 불량 등)의 어노말리를 포함할 수 있다.

타겟 유사 데이터는 타겟 데이터의 이미지를 적어도 일부 포함할 수 있으며, 타겟 데이터의 이미지 중 어노말리에 해당하는 픽셀 부분은 반드시 포함한 데이터 일 수 있다.

타겟 비유사 데이터는 어노말리를 포함하지 않는 이미지일 수 있다. 여기서 타겟 데이터는 어노말리를 이미지의 중심부에 포함한 이미지일 수도 있다. 타겟 비유사 데이터는 타겟 데이터의 어노말리를 제외한 부분의 적어도 일부가 중복되는 이미지일 수 있다.

데이터가 이미지인 경우, 어노말리를 포함한 이미지와 어노말리가 포함하지 않은 이미지는 어노말리 부분은 서로 상이하나, 그 이외의 부분은 유사할 수 있어 통상적인 방법으로 분류하는 경우는 유사한 이미지로 분류될 수도 있다. 예를 들어, 반도체 공정에서 획득된 100*100픽셀의 이미지에서 어노말리 부분이 5*5픽셀인 경우, 어노말리 부분은 전체의 0.25%로 통상적으로 분류하는 경우, 두 이미지의 99.75%가 유사하게 되므로, 통상적인 분류 방법에 의하는 경우 유사로 분류될 수 있다. 그러나, 본 개시의 일 실시예의 각각 클러스터 정보가 라벨링된 타겟 데이터, 타겟 유사 데이터 및 타겟 비유사 데이터를 이용하여 분류 모델을 학습시키는 경우, 이미지 상에 일부만이 상이한 경우라도 비유사한 데이터로 분류할 수 있다.

프로세서(110)는 분류 모델을 타겟 데이터와 타겟 유사 데이터를 동일한 클러스터로 분류하고 타겟 비유사 데이터를 타겟 데이터 및 타겟 유사 데이터가 속한 클러스터와 상이한 클러스터로 분류하도록 학습시킬 수 있다.

본 개시에서 타겟 데이터가 포함할 수 있는 어노말리는 타겟 데이터가 이미지인 경우, 이미지에 포함된 검사 대상 객체와 관련된 어노말리 및 검사 대상 객체와 분리된 어노말리 중 적어도 하나를 포함할 수 있다. 예를 들어, 타겟 데이터가 반도체 공정에서 획득된 이미지인 경우, 타겟 데이터가 포함할 수 있는 어노말리는 검사 대상 객체인 반도체 제품에 발생할 수 있는 어노말리(예를 들어, 불량 등) 및 검사 대상 객체와 무관한 어노말리(예를 들어, 이미지 획득 장치의 문제, 렌즈 이물질 등) 중 적어도 하나를 포함할 수 있다. 즉, 어노말리 디텍션의 관점에서 타겟 데이터 및 타겟 유사 데이터는 긍정 오류(false positive)를 포함할 수 있다. 보다 구체적으로, 검사 대상 객체에 어노말리가 존재하지 않고, 검사 대상 객체와 분리되어 발생 가능한 이상 상황이 있는 경우, 타겟 데이터 및 타게 유사 데이터는 이러한 긍정 오류를 포함할 수 있다. 그러므로 분류 모델은 어노말리 유형뿐 아니라 긍정 오류 또한 클러스터로 분류할 수 있다.

입력 데이터가 검사 대상 객체와 무관한 어노말리를 포함한 경우, 1차 검사 결과는 긍정 오류를 포함할 수 있다. 이 경우, 입력 데이터는 분류 모델을 이용하여 2차 분류되고, 프로세서(110)는 입력 데이터를 분류 모델을 이용하여 분류한 결과, 긍정 오류를 포함한 학습 데이터를 이용하여 학습된 분류 모델에 의하여, 입력 데이터의 2 차 분류에서 실제 검사 대상 객체와 관련된 어노말리인지, 검사 대상 객체와 무관한 어노말리(즉, 긍정 오류)인지 여부를 판단할 수 있다.

이하에서는 도면을 참조하여 본 개시에서의 학습 데이터에 관하여 상세히 설명한다.

도 3a, 3b, 3c, 3d, 3e 및 3f는 본 개시의 일 실시예에 따라 학습 데이터 서브세트를 나타낸 개략도이다. 도 3a 내지 3e에 도시된 이미지는 학습 데이터의 예시일 뿐이며 본 개시는 임의의 학습 데이터, 임의의 이미지를 포함할 수 있다.

도 3a는 학습 데이터가 될 수 있는 타겟 베이스 이미지(300)를 도시한 개략도이다. 타겟 베이스 이미지(300)는 그 자체로 분류 모델의 학습에 사용되는 타겟 이미지로 쓰일 수도 있고, 타겟 베이스 이미지(300)를 크롭핑 하여 타겟 이미지(310)로 사용될 수도 있다. 타겟 베이스 이미지(300)는 예를 들어 검사 대상 객체의 불량(301)이라는 어노말리를 포함할 수 있다. 타겟 유사 이미지들(311, 313)은 타겟 이미지(310)의 불량(301)부분을 포함하도록 크롭핑 된 이미지 일 수 있다. 도 3a의 절개선들(310, 311, 313)은 타겟 이미지(310)의 크롭핑, 타겟 유사 이미지들의 크로핑(311, 313)을 나타낸 것이다.

도 3b는 도 3a의 절개선에 의하여 크롭핑된 타겟 이미지(target image)(310), 타겟 유사 이미지(target similar image)(311, 313)를 나타낸 예시도이다. 도 3b를 살펴보면, 타겟 이미지(310)와 타겟 유사 이미지(311, 313)은 모두 어노말리(301)를 포함하고 있으며, 검사 대상 객체의 다른 부분을 포함할 수 있다.

도 3c는 타겟 비유사 베이스 이미지(320)를 나타낸 예시도이다. 도 3c에 도시된 타겟 비유사 베이스 이미지(320)는 그 자체로 타겟 비유사 이미지(target dissimilar image)로 사용될 수도 있고, 일부가 크로핑 되어 타겟 비유사 이미지로 사용될 수도 있다. 크로핑된 타겟 비유사 이미지를 본 개시의 분류 모델을 학습하기 위해 사용하는 경우, 타겟 비유사 이미지(320)는 타겟 이미지(310), 타겟 유사 이미지(311)와 같은 해상도를 가질 수도 있다. 전술한 타겟 이미지, 타겟 유사 이미지 및 타겟 비유사 이미지의 해상도는 예시일 뿐이며, 이들의 해상도는 서로 같거나 서로 상이할 수도 있다. 타겟 비유사 이미지(320)는 어노말리를 포함하지 않는 이미지 일 수 있다. 타겟 비유사 이미지(320)는 타겟 이미지와 대응되는 일부분(321)에 어노말리를 포함하지 않은 이미지 일 수 있다.

도 3d는 본 개시의 일 실시예의 분류 모델을 학습시키기 위한 학습 데이터 서브세트를 나타난 예시도 일 수 있다.

학습 데이터 서브세트는 어노말리(301)를 포함하는 타겟 이미지(310), 타겟 유사 이미지(311) 및 어노말리를 포함하지 않는(321) 타겟 비유사 이미지(320)를 포함할 수 있다. 타겟 이미지(310)와 타겟 유사 이미지(311)에는 서로 같은 클러스터로 분류되도록 동일한 클러스터 정보가 라벨링될 수 있다. 타겟 비유사 이미지(320)는 타겟 이미지(310) 및 타겟 유사 이미지(311)에 라벨링 된 클러스터 정보와 상이한 클러스터 정보가 라벨링 될 수 있다. 예를 들어, 타겟 이미지(310)와 타겟 유사 이미지(311)에는 제 1 클러스터 정보가 라벨링 될 수 있고, 타겟 비유사 이미지(320)에는 제 2 클러스터 정보가 라벨링 될 수 있다.

도 3d에 도시된 학습 데이터 서브세트를 이용하여 분류 모델을 학습시키는 경우, 분류 모델은 어노말리가 존재하는 이미지와 어노말리가 존재하지 않는 이미지를 서로 다른 클러스터로 분류할 수 있다.

예를 들어, 반도체 공정에서 획득된 100*100픽셀의 이미지에서 어노말리 부분이 5*5픽셀인 경우, 어노말리 부분은 전체의 0.25%로 통상적으로 분류하는 경우, 두 이미지의 99.75%가 유사하게 되므로, 통상적인 분류 방법에 의하는 경우 유사로 분류될 수 있다. 그러나, 본 개시의 일 실시예의 각각 클러스터 정보가 라벨링된 타겟 데이터, 타겟 유사 데이터 및 타겟 비유사 데이터를 이용하여 분류 모델을 학습시키는 경우, 이미지 상에 일부만이 상이한 경우라도 비유사한 데이터로 분류할 수 있다.

도 3e는 본 개시의 일 실시에의 분류 모델을 학습시키기 위한 다른 학습 데이터 서브세트를 나타낸 예시도이다.

도 3e의 타겟 이미지(330), 타겟 유사 이미지(333)는 긍정 오류를 포함한 이미지 일 수 있다. 보다 구체적으로 타겟 이미지(330) 및 타겟 유사 이미지(333)에 포함된 어노말리(331)는 검사 대상 객체와 분리되어 발생 가능한 이상 상황(예를 들어, 렌즈 이물질 등)일 수 있다. 타겟 이미지(330)는 정상 제품에 관련한 이미지이나 정상 제품과는 분리된 이상 상황에 따라 발생한 어노말리를 포함한 이미지 일 수 있다. 종래의 어노말리 검사 방식에 의하면, 이러한 긍정 오류를 포함하는 어노말리 이미지의 경우는 어노말리로 판단되어 잘못된 결과를 출력하게 된다. 그러나 본 개시의 일 실시예에서, 긍정 오류를 포함한 이미지를 이용하여 분류 모델이 긍정 오류에 관련한 클러스터를 생성하게 함으로써 검사 대상인 입력 이미지에 포함된 검사 대상 객체가 실제로 어노말리를 포함하는지, 검사 대상 객체는 어노말리를 포함하지 않으나 다른 이유로 입력 데이터가 어노말리로 판단되는지 여부를 감지할 수 있다. 도 3e의 예시에서 타겟 비유사 이미지(340)는 어노말리를 포함하지 않은 이미지 일 수 있다.

도 3e에 도시된 학습 데이터 서브세트를 이용하여 분류 모델을 학습시키는 경우, 분류 모델은 긍정 오류가 존재하는 이미지와 긍정 오류가 존재하지 않는 이미지를 서로 다른 클러스터로 분류할 수 있다.

도 3f는 본 개시의 일 실시에의 분류 모델을 학습시키기 위한 또 다른 학습 데이터 서브세트를 나타낸 예시도이다.

도 3f의 타겟 이미지(330), 타겟 유사 이미지(333)는 긍정 오류를 포함한 이미지 일 수 있다. 보다 구체적으로 타겟 이미지(330) 및 타겟 유사 이미지(333)에 포함된 어노말리(331)는 검사 대상 객체와 분리되어 발생 가능한 이상 상황(예를 들어, 렌즈 이물질 등)일 수 있다. 타겟 이미지(330)는 정상 제품에 관련한 이미지이나 정상 제품과는 분리된 이상 상황에 따라 발생한 어노말리를 포함한 이미지 일 수 있다. 종래의 어노말리 검사 방식에 의하면, 이러한 긍정 오류를 포함하는 어노말리 이미지의 경우는 어노말리로 판단되어 잘못된 결과를 출력하게 된다. 그러나 본 개시의 일 실시예에서, 긍정 오류를 포함한 이미지를 이용하여 분류 모델이 긍정 오류에 관련한 클러스터를 생성하게 함으로써 검사 대상인 입력 이미지에 포함된 검사 대상 객체가 실제로 어노말리를 포함하는지, 검사 대상 객체는 어노말리를 포함하지 않으나 다른 이유로 입력 데이터가 어노말리로 판단되는지 여부를 감지할 수 있다. 도 3e의 예시에서 타겟 비유사 이미지(310)는 긍정 오류가 아닌 어노말리(301)(즉, 검사 대상 객체에 대한 어노말리)를 포함한 이미지 일 수 있다. 도 3f에 도시된 학습 데이터 서브세트를 이용하여 분류 모델을 학습시키는 경우, 분류 모델은 긍정 오류가 존재하는 이미지와 실제 검사 대상 객체에 어노말리가 존재하는 이미지(즉, 어노말리 디텍션에서 어노말리로 분류되어야 할 이미지)를 서로 다른 클러스터로 분류할 수 있다.

긍정 오류를 포함한 타겟 이미지(330)는 긍정 오류의 유형 별로 추가될 수 있다. 다시 말하면, 산업 현장에서 어노말리 디텍션 솔루션이 수행되는 과정에서 새로운 오검이 발생하는 경우, 새로운 오검을 새로운 긍정 오류를 포함하는 타겟 이미지로 하여 분류 모델을 추가 학습시킬 수 있다. 본 개시의 분류 모델은 모든 알려진 어노말리 유형과 모든 알려진 오검 유형을 클러스터링화 할 수 있으며, 입력 데이터가 어떤 유형에 속하는지 여부를 판단할 수 있다.

도 4 는 본 개시의 일 실시예에 따라 분류 모델을 훈련시키는 방법을 나타낸 개략도이다.

본 개시의 분류 모델은 해공간(400)상에서 유사한 데이터들끼리 클러스터를 형성하도록 학습된다. 보다 구체적으로 분류 모델은 타겟 데이터(401)와 타겟 유사 데이터(402)가 하나의 클러스터(410)에 포함되고, 타겟 비유사 데이터(403)는 타겟 데이터(401)와 타겟 유사 데이터(402)와는 상이한 클러스터에 포함되도록 학습된다.

학습된 분류 모델의 해공간 상에서 각각의 클러스터는 일정 거리 마진(420)을 가지도록 위치할 수 있다.

분류 모델은 타겟 데이터(401), 타겟 유사 데이터(402), 타겟 비유사 데이터(403)를 포함하는 학습 데이터 서브세트를 입력 받아 각각의 데이터들을 해공간에 매핑하고 해공간 상에서 라벨링 된 클러스터 정보에 따라 클러스터링 될 수 있도록 분류 모델이 포함한 하나 이상의 네트워크 함수의 가중치를 업데이트 할 수 있다. 즉, 분류 모델은 타겟 데이터(401)와 타겟 유사 데이터(402)의 해공간 상에서의 거리가 서로 가까워지도록, 타겟 데이터(401) 및 타겟 유사 데이터(402)와 타겟 비유사 데이터(403) 사이의 해공간 상에서의 거리가 서로 멀어지도록 학습시킬 수 있다. 분류 모델은 예를 들어 트리플렛(triplet) 기반 비용 함수를 사용하여 학습될 수 있다. 트리플렛 기반 비용 함수는 동일한 분류인 입력 데이터들의 쌍을 다른 분류의 제 3 입력 데이터로부터 분리하는 것을 목표로 하며, 동일한 분류인 입력 데이터들의 쌍 사이의 제 1 거리(즉, 클러스터 410의 크기)와, 동일한 분류인 입력 데이터들의 쌍 중 하나와 제 3 의 입력 데이터 사이의 제 2 거리(즉, 401 또는 402와 403 사이의 거리) 사이의 차이 값이 적어도 거리 마진(420)로 하며, 분류 모델을 학습시키는 방법은 제 1 거리를 거리 마진의 일정 비율 이하로 감소시키는 단계를 포함한다. 여기서 거리 마진(420)은 항상 양수일 수 있다. 거리 마진(420)에 도달하도록 하기 위하여 분류 모델에 포함된 하나 이상의 네트워크 함수의 가중치가 업데이트 될 수 있으며, 가중치 업데이트는 반복(iteration) 마다 또는 1 에포크 마다 수행될 수 있다. 이러한 거리 마진에 관하여 상세한 내용은 전체가 본 명세서에 참조로서 통합되는 Schroff 등의 “FaceNet: A Unified Embedding for Face Recognition and Clustering” 및 대한민국 공개특허 10-2018-0068292에서 개시된다.

또한 분류 모델은 비유사한 데이터의 클러스터 분류 뿐 아니라, 하나의 클러스터 또는 다른 클러스터 사이에도 각각의 데이터들 사이의 시멘틱(semantic) 한 관계를 고려할 수 있는 마그넷 로스(magnet loss) 기반의 모델로 학습될 수도 있다. 분류 모델의 해공간 상에서 각각의 클러스터의 중심점 사이의 초기 거리가 학습 과정에서 수정될 수 있다. 분류 모델은 해공간 상에 데이터들을 매핑한 후, 각각의 데이터의 해공간 상에서의 위치를 각각의 데이터가 속하는 클러스터 및 클러스터 내부 및 클러스터 외부의 데이터와 유사성에 기초하여 조정할 수 있다. 마그넷 로스에 기반한 분류 모델의 학습에 관련한 상세한 내용은 전체가 본 명세서에서 참조로서 통합되는 O. Rippel 등의 “METRIC LEARNING WITH ADAPTIVE DENSITY DISCRIMINATION”에서 개시된다.

도 5 은 본 개시의 일 실시예에 따라 분류 모델의 해공간을 나타낸 개략도이다.

도 5 는 학습된 분류 모델의 해공간(400)을 나타낸 개략도이다. 도 5 에 도시된 해공간(400)은 예시일 뿐이며, 분류 모델은 임의의 개수의 클러스터 및 각 클러스터 당 임의의 개수의 데이터를 포함할 수 있다.

도 5에 도시된 클러스터에 포함된 데이터들(431, 433, 441, 443 등)의 모양은 유사한 데이터임을 나타내기 위한 예시일 뿐이다.

본 개시에서 해공간은 1차원 이상의 공간으로 구성되며 하나 이상의 클러스터를 포함하고, 각각의 클러스터는 각각의 타겟 데이터에 기초한 피처 및 타겟 유사 데이터에 기초한 피처의 해공간 상에서의 위치에 기초하여 구성될 수 있다.

해공간에서 제 1 클러스터(430)와 제 2 클러스터(440)는 비유사한 데이터에 대한 클러스터 일 수 있다. 또한, 제 3 클러스터(450)는 제 1 및 제 2 클러스터와 비유사한 데이터에 대한 클러스터 일 수 있다. 클러스터 사이의 거리(445, 435)는 각각의 클러스터에 속하는 데이터들의 차이를 나타내는 척도일 수 있다.

제 1 클러스터(430)와 제 2 클러스터(440) 사이의 제 12 거리(445)는 제 1 클러스터(430)에 속하는 데이터와 제 2 클러스터(440)에 속하는 데이터의 차이를 나타내는 척도일 수 있다. 또한, 제 1 클러스터(430)와 제 2 클러스터(440)사이의 제 13 거리(435)는 제 1 클러스터(430)에 속하는 데이터와 제 3 클러스터(450)에 속하는 데이터의 차이를 나타내는 척도일 수 있다. 도 5 에 도시된 예시에서, 제 1 클러스터(430)에 속하는 데이터는 제 3 클러스터(450)에 속하는 데이터 보다 제 2 클러스터(440)에 속하는 데이터에 더 비유사 할 수 있다. 즉, 클러스터 사이의 거리가 먼 경우 각각의 클러스터에 속하는 데이터는 보다 많이 비유사한 것이며, 클러스터 사이의 거리가 가까운 경우 각각의 클러스터에 속하는 데이터는 보다 적게 비유사한 것일 수 있다. 클러스터 사이의 거리(435, 445)는 클러스터의 반경 보다 사전결정된 비율 이상 클 수 있다. 프로세서(110)는 입력 데이터를 분류 모델을 이용하여 연산함으로써, 분류 모델의 해공간에 입력 데이터의 피처가 매핑되는 위치에 기초하여 입력 데이터를 분류할 수 있다.

프로세서(110)는 입력 데이터를 사전학습된 분류 모델을 이용하여 처리함으로써, 입력 데이터의 피처를 사전 학습된 분류 모델의 해공간에 매핑할 수 있다. 프로세서(110)는 입력 데이터의 해공간 상에서의 위치에 기초하여 상기 입력 데이터가 해공간 상의 하나 이상의 클러스터 중 어느 클러스터에 속하는지 여부에 기초하여 입력 데이터를 분류할 수 있다.

프로세서(110)는 분류 모델의 입력 데이터에 대한 분류 결과에 적어도 부분적으로 기초하여 최종 검사 결과를 결정할 수 있다.

프로세서(110)는 분류 모델이 입력 데이터를 특정 클러스터에 속하는 것으로 분류한 경우, 특정 클러스터에 매칭된 검사 결과를 2차 검사 결과로 생성하고, 2차 검사 결과에 기초하여 최종 검사 결과를 결정할 수 있다. 또한 프로세서(110)는 분류 모델이 입력 데이터에 대한 분류에 실패한 경우, 1 차 검사 결과를 최종 검사 결과로 결정할 수 있다. 여기서 2차 검사 결과는 어노말리의 존재 여부, 어노말리의 위치, 어노말리의 유형, 오검 여부 및 오검 유형 중 적어도 하나에 관련한 정보를 포함할 수 있다.

사전 학습된 분류 모델은 해공간에 어노말리의 유형별로 클러스터를 보유하고 있으므로, 프로세서(110)는 분류 모델을 이용하여 입력 데이터에 대한 2 차 검사 결과를 생성할 수 있다. 프로세서(110)는 입력 데이터의 피처가 분류 모델의 해공간 상에서 어느 클러스터에 속하는지 여부에 기초하여 입력 데이터에 어노말리가 존재하는지 여부를 판단할 수 있으며, 어노말리가 존재하는 경우 어노말리가 검사 대상 객체 상에 존재하는 어노말리인지, 검사 대상 객체와 무관한 어노말리(즉, 오검)인지 여부를 판단할 수 있다. 예를 들어, 프로세서(110)는 입력 데이터의 피처의 해공간 상에서의 위치가 기판 납땜 불량에 관련한 클러스터에 속하는 경우(즉, 분류 모델을 이용하여 입력 데이터가 기판 납땜 불량으로 분류되는 경우), 입력 데이터에 기판 납땜 불량이라는 어노말리가 존재하는 것으로 판단하는 2차 검사 결과를 생성할 수 있으며, 1차 검사 결과 및 2차 검사 결과에 기초하여 최종 검사 결과를 결정할 수 있다. 또한, 예를 들어 프로세서(110)는 입력 데이터의 피처의 해공간 상에서의 위치가 대상 객체 촬영 렌즈 이물질과 관련된 클러스터에 속하는 경우, 해당 입력 데이터는 오검이며, 어노말리가 존재하지 않는 정상 데이터라고 판단하는 2차 검사 결과를 생성할 수 있으며, 1 차 검사 및 2차 검사 결과에 기초하여 최종 검사 결과를 결정할 수 있다.

전술한 예시의 입력 데이터가 1차 검사에서 기판 납땜 불량으로 판단된 경우, 1차 및 2 차 검사 결과가 동일하므로 프로세서(110)는 기판 납땜 불량을 전술한 입력 데이터에 대한 어노말리 디텍션의 최종 결과로 결정할 수 있다. 전술한 예시에서 입력 데이터가 1차 검사에서 다른 어노말리로 분류된 경우(즉, 1차와 2차의 분류 결과가 상이한 경우)는 프로세서(110)는 이를 오퍼레이터에게 알릴 수 있다. 프로세서(110)는 1차 및 2 차 검사 결과의 불일치를 오퍼레이터에게 알리기 위하여 해당 입력 데이터에 마킹 할 수 있다. 또한 프로세서(110)는 1차와 2차의 분류 결과가 상이한 경우, 1 차 검사 결과와 2차 검사 결과를 앙상블하여 최종 검사 결과를 생성할 수 있다. 예를 들어, 앙상블 방법은 보팅 방법, 신경망별 가중치에 의한 방법이 사용될 수 있으며, 임의의 다른 앙상블 방법을 포함할 수 있다.

또한, 프로세서(110)는 입력 데이터의 피처의 해공간 상에서의 위치가 어느 클러스터에도 속하지 않는 경우, 입력 데이터의 분류 모델을 이용한 분류 실패로 결정하고, 1 차 검사 결과를 최종 검사 결과로 생성할 수 있다. 예를 들어, 프로세서(110)는 입력 데이터에 회로 도선 불량이라는 검사 대상 객체와 관련된 새로운 어노말리 또는 렌즈의 깨짐이라는 검사 대상 객체와 무관한 어노말리가 포함된 경우(즉, 학습된 분류 모델이 학습되지 않은 새로운 패턴이 존재하는 경우 등) 분류 모델을 이용해서는 입력 데이터를 분류할 수 없으므로 해당 입력 데이터에 대한 최종 검사 결과는 1차 검사 결과에 기초하여 생성할 수 있다. 이 경우 프로세서(110)는 이를 오퍼레이터에 알릴 수 있다. 프로세서(110)는 이를 오퍼레이터에 알리기 위하여 해당 입력 데이터를 마킹할 수 있다. 또한, 프로세서(110)는 분류 모델을 이용하여 분류할 수 없는 해당 입력 데이터가 어노말리를 포함하는 경우, 해당 입력 데이터를 새로운 학습 데이터로 생성할 수 있다. 다시 말하면, 프로세서(110)는 분류 모델을 이용하여 분류할 수 없는 어노말리를 가지는 데이터(즉, 1차 검사가 어노말리인 경우 등)가 이미지인 경우, 해당 입력 데이터를 타겟 이미지로 하고, 해당 입력 데이터의 어노말리를 포함하는 다른 부분을 타겟 유사 데이터로 하는 새로운 학습 데이터 서브세트를 생성할 수 있다. 프로세서(110)는 새롭게 생성된 학습 데이터 서프세트를 이용하여 새로운 어노말리 패턴에 대한 분류 모델의 해공간 상에서의 클러스터를 생성하도록 하기 위하여 분류 모델을 추가로 학습시킬 수 있다.

즉, 본 개시의 일 실시예에서, 1차 및 2차 검사를 통하여 입력 데이터의 어노말리를 판단함으로써, 입력 데이터가 검사 대상 객체 이외의 요인에 의하여 발생하는 이상상황에 관련된 어노말리(즉, 긍정 오류)를 포함하는 경우에도 오검이 아닌 검사 결과를 도출할 수 있다. 또한, 새로운 오검 유형 또는 어노말리 유형이 발생하는 경우, 이를 이용하여 분류 모델을 재 학습시킴으로써 새롭게 발생하는 오검과 어노말리에 대응하여 일정한 검사 성능을 유지할 수 있다.

또한, 1차 검사와 2 차 검사를 분리시킴으로써, 새로운 유형의 어노말리 또는 새로운 유형의 오검을 어노말리 디텍션 솔루션에 추가하면서도 기존 데이터에 대한 분류 성능에는 영향을 미치지 않도록 할 수 있다. 즉, 기존의 솔루션에서는 반복된 오검이 발생하는 경우, 솔루션 자체를 수정하여 해당 오검의 문제는 해결할 수 있으나 이로 인하여 다른 오동작이 발생할 소지가 있었으나, 본 개시의 일 실시예의 어노말리 디텍션에서는 추가적인 오동작의 가능성을 차단할 수 있다.

도 6 은 본 개시의 일 실시예에 따라 입력 데이터 검사를 위한 방법의 순서도이다.

컴퓨팅 장치(100)는 입력 데이터에 대한 1차 검사 결과를 도출할 수 있다(610). 본 개시에서 입력 데이터는 이미지 데이터를 포함할 수 있으며, 컴퓨팅 장치(100)는 촬영된 이미지 데이터 또는 외부 디바이스로부터 전송된 이미지 데이터에 대한 1차 검사 결과를 결정할 수 있다. 1차 검사 결과는 입력 데이터에 관련한 어노말리 정보를 포함할 수 있다.

컴퓨팅 장치(100)는 입력 데이터를 클러스터 정보가 라벨링된 학습 데이터를 이용하여 학습된 분류 모델을 이용하여 분류할 수 있다(630). 분류 모델은 복수의 학습 데이터 서브세트를 포함하는 학습 데이터 세트를 이용하여 학습되며 학습 데이터 세트에 포함된 학습 데이터에서 유사한 데이터를 같은 클러스터로 분류하고 비유사한 데이터를 다른 클러스터로 분류하도록 학습될 수 있다.

컴퓨팅 장치(100)는 분류 모델의 입력 데이터에 대한 분류 결과에 적어도 부분적으로 기초하여 최종 검사 결과를 출력할 수 있다(650). 컴퓨팅 장치(100)는 분류 모델이 입력 데이터를 특정 클러스터에 속하는 것으로 분류한 경우 특정 클러스터에 매칭된 검사 결과를 2차 검사 결과로 생성하고, 2차 검사 결과에 적어도 부분적으로 기초하여 최종 검사 결과를 결정할 수 있다. 또한, 컴퓨팅 장치(100)는 분류 모델이 입력 데이터에 대한 분류에 실패한 경우, 1 차 검사 결과를 최종 검사 결과로 결정할 수 있다.

도 7 은 본 개시의 일 실시예에 따라 입력 데이터 검사를 위한 방법을 구현하기 위한 수단을 도시한 블록 구성도이다.

본 개시의 일 실시예에 따라 입력 데이터 검사를 위한 방법은 다음과 같은 수단에 의해 구현될 수 있다.

본 개시의 일 실시예에 따라 입력 데이터 검사를 위한 방법은 입력 데이터에 대한 1 차 검사 결과를 도출하기 위한 수단(710); 상기 입력 데이터를 클러스터 정보가 라벨링된 학습 데이터를 이용하여 학습된 분류 모델을 이용하여 분류하기 위한 수단(730); 및 상기 분류 모델의 상기 입력 데이터에 대한 분류 결과에 적어도 부분적으로 기초하여 최종 검사 결과를 출력하기 위한 수단(750);에 의하여 구현될 수 있다.

본 개시의 입력 데이터 검사를 위한 방법의 대안적인 실시예에서, 입력 데이터에 대한 1 차 검사 결과를 도출하기 위한 수단(710)은, 상기 입력 데이터를 하나 이상의 네트워크 함수를 포함하는 사전학습된 검사 모델을 이용하여 처리함으로써, 상기 입력 데이터에 대한 어노말리 디텍션을 수행하거나, 또는 상기 입력 데이터와 레퍼런스 데이터의 비교에 기초하여 상기 입력 데이터에 대한 어노말리 디텍션을 수행하는 수단을 포함할 수 있다.

본 개시의 입력 데이터 검사를 위한 방법의 대안적인 실시예에서, 상기 분류 모델의 상기 입력 데이터에 대한 분류 결과에 적어도 부분적으로 기초하여 최종 검사 결과를 출력하기 위한 수단(750)은, 상기 분류 모델이 상기 입력 데이터를 특정 클러스터에 속하는 것으로 분류한 경우, 상기 특정 클러스터에 매칭된 검사 결과를 2차 검사 결과로 생성하고, 2차 검사 결과에 기초하여 최종 검사 결과를 출력하고 그리고, 상기 입력 데이터에 대한 분류에 실패한 경우, 상기 1차 검사 결과를 최종 검사 결과로 출력하는 수단을 포함할 수 있다.

본 개시의 입력 데이터 검사를 위한 방법의 대안적인 실시예에서, 상기 입력 데이터를 클러스터 정보가 라벨링된 학습 데이터를 이용하여 학습된 분류 모델을 이용하여 분류하기 위한 수단(730)은, 상기 입력 데이터를 상기 사전학습된 분류 모델을 이용하여 처리함으로써, 상기 입력 데이터의 피처를 상기 사전학습된 분류 모델의 해공간에 매핑하는 수단; 및 상기 입력 데이터의 상기 해공간 상에서의 위치에 기초하여 상기 입력 데이터가 상기 해공간 상의 하나 이상의 클러스터 중 하나의 클러스터에 속하는지 여부에 기초하여 상기 입력 데이터를 분류하는 수단을 포함할 수 있다.

도 8 은 본 개시의 일 실시예에 따라 입력 데이터 검사를 위한 방법을 구현하기 위한 모듈을 도시한 블록 구성도이다.

본 개시의 일 실시예에 따라 입력 데이터 검사를 위한 방법은 다음과 같은 모듈에 의해 구현될 수 있다.

본 개시의 일 실시예에 따라 입력 데이터 검사를 위한 방법은 입력 데이터에 대한 1 차 검사 결과를 도출하기 위한 모듈(810); 상기 입력 데이터를 클러스터 정보가 라벨링된 학습 데이터를 이용하여 학습된 분류 모델을 이용하여 분류하기 위한 모듈(830); 및 상기 분류 모델의 상기 입력 데이터에 대한 분류 결과에 적어도 부분적으로 기초하여 최종 검사 결과를 출력하기 위한 모듈(850);에 의하여 구현될 수 있다.

도 9 은 본 개시의 일 실시예에 따라 입력 데이터 검사를 위한 방법을 구현하기 위한 로직을 도시한 블록 구성도이다.

본 개시의 일 실시예에 따라 입력 데이터 검사를 위한 방법은 다음과 같은 로직에 의해 구현될 수 있다.

본 개시의 일 실시예에 따라 입력 데이터 검사를 위한 방법은 입력 데이터에 대한 1 차 검사 결과를 도출하기 위한 로직(910); 상기 입력 데이터를 클러스터 정보가 라벨링된 학습 데이터를 이용하여 학습된 분류 모델을 이용하여 분류하기 위한 로직(930); 및 상기 분류 모델의 상기 입력 데이터에 대한 분류 결과에 적어도 부분적으로 기초하여 최종 검사 결과를 출력하기 위한 로직(950);에 의하여 구현될 수 있다.

도 10 은 본 개시의 일 실시예에 따라 입력 데이터 검사를 위한 방법을 구현하기 위한 회로를 도시한 블록 구성도이다.

본 개시의 일 실시예에 따라 입력 데이터 검사를 위한 방법은 다음과 같은 수단에 의해 구현될 수 있다.

본 개시의 일 실시예에 따라 입력 데이터 검사를 위한 방법은 입력 데이터에 대한 1 차 검사 결과를 도출하기 위한 회로(1010); 상기 입력 데이터를 클러스터 정보가 라벨링된 학습 데이터를 이용하여 학습된 분류 모델을 이용하여 분류하기 위한 회로(1030); 및 상기 분류 모델의 상기 입력 데이터에 대한 분류 결과에 적어도 부분적으로 기초하여 최종 검사 결과를 출력하기 위한 회로(1050);에 의하여 구현될 수 있다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있으나, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

도 11은 본 개시의 일 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로서 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(2110) 및 랜덤 액세스 메모리(RAM)(2112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(2110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(2112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(2114)(예를 들어, EIDE, SATA)이 내장형 하드 디스크 드라이브(2114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음), 자기 플로피 디스크 드라이브(FDD)(2116)(예를 들어, 이동식 디스켓(2118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(2114), 자기 디스크 드라이브(2116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(2130), 하나 이상의 애플리케이션 프로그램(2132), 기타 프로그램 모듈(2134) 및 프로그램 데이터(2136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(2112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(2112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용 가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(2138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (1)

1. 컴퓨팅 장치를 이용하여 데이터를 처리하는 방법.
   

Images