KR20210031569A - Product quality management system and method - Google Patents

Product quality management system and method Download PDF

Info

Publication number
KR20210031569A
KR20210031569A KR1020190112770A KR20190112770A KR20210031569A KR 20210031569 A KR20210031569 A KR 20210031569A KR 1020190112770 A KR1020190112770 A KR 1020190112770A KR 20190112770 A KR20190112770 A KR 20190112770A KR 20210031569 A KR20210031569 A KR 20210031569A
Authority
KR
South Korea
Prior art keywords
product
image
quality management
management system
grade
Prior art date
Application number
KR1020190112770A
Other languages
Korean (ko)
Inventor
이세용
길근오
박영수
이지웅
이창근
김성민
Original Assignee
(주) 넥스트랩
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) 넥스트랩 filed Critical (주) 넥스트랩
Priority to KR1020190112770A priority Critical patent/KR20210031569A/en
Priority to PCT/KR2020/012159 priority patent/WO2021049868A1/en
Publication of KR20210031569A publication Critical patent/KR20210031569A/en
Priority to KR1020220006494A priority patent/KR102507591B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • 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
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

A product quality management system according to one embodiment of the present invention comprises: a memory unit storing production information including a model name of a product to be inspected and a normal quantity for each decoration of each model in a database table; an image capturing unit capturing an image of the product to be inspected; and an analysis engine unit analyzing the image based on the production information stored in the database table to detect the quantity of foreign substances and decorations from the product to be inspected.

Description

제품 품질 관리 시스템 및 방법{PRODUCT QUALITY MANAGEMENT SYSTEM AND METHOD}Product quality management system and method {PRODUCT QUALITY MANAGEMENT SYSTEM AND METHOD}

본 발명의 실시예들은 제품 품질 관리 시스템 및 방법에 관한 것으로, 더욱 상세하게는 학습 모델 기반의 머신 러닝(Machine Learning)을 통해 검사 대상 제품의 영상을 분석하여 이물질 및 장식물별 수량을 검출함으로써 검사 대상 제품의 품질을 판정하고 그 판정 결과를 작업자에게 알려줄 수 있는 제품 품질 관리 시스템 및 방법에 관한 것이다.Embodiments of the present invention relate to a product quality management system and method, and more particularly, by analyzing an image of a product to be inspected through machine learning based on a learning model, and detecting the quantity of foreign substances and decorations to be inspected. It relates to a product quality management system and method capable of determining the quality of a product and notifying the operator of the determination result.

일반적으로 제조업의 수명 주기는 시장 조사를 통해 정보를 수집 및 분석하여 신제품을 개발하고 그에 따른 수요를 예측하는 마케팅 단계와, 마케팅 단계에서 의사 결정된 신제품을 가장 경제적이면서 소비자의 욕구, 구매력을 만족할 수 있도록 설계하고 제품의 제조 공정을 설계하는 설계 단계와, 신제품을 소비자에게 판매할 수 있도록 신제품을 설계 사양에 따라 대량으로 생산하고 성능 및 품질을 검사하여 개선하는 제조 단계와, 생산된 신제품을 적절한 가격으로 소비자에게 판매하는 판매 단계와, 제품의 신뢰성 및 소비자의 편의를 위해 소비자에게 판매된 제품을 서비스하는 사후 관리 단계로 이루어진다.In general, the life cycle of the manufacturing industry is the marketing stage in which information is collected and analyzed through market research to develop new products and the corresponding demand is predicted, and the new products determined in the marketing stage are the most economical and satisfy the needs and purchasing power of consumers. The design stage of designing and designing the manufacturing process of the product, the manufacturing stage of mass production of new products according to design specifications and inspection of performance and quality to improve sales of new products to consumers, and the production of new products produced at an appropriate price. It consists of a sales stage for selling to consumers and a post-management stage for servicing products sold to consumers for product reliability and consumer convenience.

특히, 설계 단계 및 제조 단계에서는 각각 제품의 각 부품 및 완제품의 성능을 검사하고, 제품의 불량 발생 시 불량률 및 불량의 유형 등에 대한 제품의 품질 불량 정보를 관리한 후, 제품의 품질 불량 정보를 통계 및 분석하여 제품의 품질을 개선함과 아울러 제품의 불량률이 감소될 수 있도록 제품의 품질을 관리하고 있다.In particular, in the design stage and the manufacturing stage, the performance of each part and finished product of each product is inspected, and the quality defect information of the product is managed after managing the defect rate and the type of defect when a product defect occurs, and then statistics on the product quality defect information. The quality of the product is managed so that the defect rate of the product can be reduced while improving the quality of the product through analysis and analysis.

그런데, 기존에는 제품의 품질 관리 시 작업자가 수동 작업을 통해 불량 여부를 검수하는 모든 과정을 행하고 있다. 예를 들어, 가방 내에 이물질이 있는지, 가방에 장착된 장식물별로 수량이 맞는지 등의 과정을 작업자가 직접 눈으로 확인하여 제품의 불량 여부를 판정하는 식으로 제품의 품질 관리를 하고 있다. 이에 따라, 작업의 속도가 저하되는 문제가 있으며, 더욱이 작업 피로도로 인해서 여러 명의 작업자가 일정 시간 간격으로 교대 근무해야 하는 등과 같이 비효율적으로 작업이 이루어지고 있다.However, in the past, when quality control of a product, an operator performs all processes of inspecting for defects through manual work. For example, the quality of the product is controlled by determining whether the product is defective by checking the process of whether there are foreign substances in the bag or whether the quantity is correct for each ornament attached to the bag. Accordingly, there is a problem that the speed of work is lowered, and moreover, due to work fatigue, work is performed inefficiently, such as having to work in shifts at regular time intervals by several workers.

관련 선행기술로는 대한민국 공개특허공보 제10-2004-0076159호(발명의 명칭: 제품의 품질관리장치 및 그 방법, 공개일자: 2004.08.31)가 있다.As related prior art, there is Korean Laid-Open Patent Publication No. 10-2004-0076159 (title of the invention: product quality control device and its method, publication date: 2004.08.31).

본 발명의 일 실시예는 학습 모델 기반의 머신 러닝을 통해 검사 대상 제품의 영상을 분석하여 이물질 및 장식물별 수량을 검출함으로써 검사 대상 제품의 품질을 판정하고 그 판정 결과를 작업자에게 알려줄 수 있는 제품 품질 관리 시스템 및 방법을 제공한다.An embodiment of the present invention is a product quality capable of determining the quality of a product to be inspected and notifying the operator of the determination result by analyzing an image of a product to be inspected through machine learning based on a learning model and detecting the quantity of foreign substances and decorations. Provide management systems and methods.

본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제(들)로 제한되지 않으며, 언급되지 않은 또 다른 과제(들)은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The problem to be solved by the present invention is not limited to the problem(s) mentioned above, and another problem(s) not mentioned will be clearly understood by those skilled in the art from the following description.

본 발명의 일 실시예에 따른 제품 품질 관리 시스템은 검사 대상 제품의 모델명 및 각 모델의 장식물별 정상 수량을 포함하는 생산 정보를 데이터베이스 테이블에 저장하는 메모리부; 상기 검사 대상 제품의 영상을 촬영하는 영상 촬영부; 및 상기 데이터베이스 테이블에 저장된 생산 정보를 기반으로 상기 영상을 분석하여 상기 검사 대상 제품으로부터 이물질 및 장식물별 수량을 검출하는 분석 엔진부를 포함한다.A product quality management system according to an embodiment of the present invention includes: a memory unit for storing production information including a model name of a product to be inspected and a normal quantity for each model decoration in a database table; An image photographing unit for photographing an image of the product to be inspected; And an analysis engine unit that analyzes the image based on production information stored in the database table and detects a quantity of foreign substances and decorations from the inspection target product.

본 발명의 일 실시예에 따른 제품 품질 관리 시스템은 정상 제품에 실제 이물질이 삽입된 상태에서 엑스레이 장비를 통과시켜 획득한 영상을 학습 데이터로서 수집하고, 상기 학습 데이터 및 상기 생산 정보를 기반으로 머신러닝(Machine Learning)을 수행하여 학습 모델을 구축하는 학습 모델 구축부를 더 포함하고, 상기 분석 엔진부는 상기 학습 모델에 기반하여 상기 영상을 분석할 수 있다.The product quality management system according to an embodiment of the present invention collects an image obtained by passing through an X-ray equipment in a state in which a foreign substance is actually inserted into a normal product as learning data, and machine learning based on the learning data and the production information. A learning model building unit configured to build a learning model by performing (Machine Learning) may be further included, and the analysis engine unit may analyze the image based on the learning model.

상기 학습 모델 구축부는 가상의 이물질 이미지를 상기 정상 제품의 이미지에 합성하여 획득한 합성 이미지를 상기 학습 데이터로서 수집할 수 있다.The learning model building unit may collect a composite image obtained by combining a virtual foreign body image with the image of the normal product as the training data.

상기 분석 엔진부는 태그 리더기와 연동하여 상기 검사 대상 제품에 부착된 태그로부터 태그 정보를 읽어 들이고, 상기 태그 정보에 포함된 모델명에 매칭되는 생산 정보를 상기 데이터베이스 테이블로부터 로딩하여 상기 영상을 분석할 수 있다.The analysis engine unit may interwork with a tag reader to read tag information from a tag attached to the inspection target product, and load production information matching the model name included in the tag information from the database table to analyze the image. .

본 발명의 일 실시예에 따른 제품 품질 관리 시스템은 상기 이물질 및 장식물별 수량의 검출 결과에 기초하여 상기 검사 대상 제품의 품질을 정상 등급 및 불량 등급 중 어느 하나로 판정하고, 상기 검사 대상 제품의 품질이 불량 등급으로 판정된 경우, 상기 불량 등급으로 판정된 검사 대상 제품에 관한 태그 정보, 생산 정보 및 영상을 매칭하여 불량 제품 데이터를 생성하고, 상기 생성된 불량 제품 데이터를 작업자 단말기에 제공하는 품질 관리부를 더 포함할 수 있다.The product quality management system according to an embodiment of the present invention determines the quality of the inspection target product as one of a normal grade or a defective grade based on the detection result of the quantity of foreign substances and decorations, and the quality of the inspection target product is When it is determined as a defective grade, a quality control unit that generates defective product data by matching tag information, production information, and images on the inspection target product determined as the defective grade, and provides the generated defective product data to the operator terminal It may contain more.

상기 작업자 단말기는 상기 불량 등급으로 판정된 검사 대상 제품이 작업자에 의해 수거된 이후에, 태그 리더기와 연동하여 상기 불량 등급으로 판정된 검사 대상 제품에 구비된 태그로부터 상기 태그 정보를 읽어 들여서 그에 매칭되는 해당 불량 제품 데이터를 화면에 표시할 수 있다.The operator terminal reads the tag information from the tag provided on the inspection target product determined as the defective grade by interworking with a tag reader after the inspection target product determined as the defective grade is collected by the operator and matches it. The defective product data can be displayed on the screen.

본 발명의 일 실시예에 따른 제품 품질 관리 시스템은 상기 검사 대상 제품의 영상과 상기 판정의 결과(정상 등급 또는 불량 등급)를 지속적으로 피드백 받아 학습 데이터로서 수집하고, 상기 학습 데이터 및 상기 생산 정보를 기반으로 머신러닝을 수행하여 학습 모델을 구축하는 학습 모델 구축부를 더 포함하고, 상기 분석 엔진부는 상기 학습 모델에 기반하여 상기 영상을 분석할 수 있다.The product quality management system according to an embodiment of the present invention continuously receives the image of the product to be inspected and the result of the determination (normal grade or bad grade) as learning data, and collects the learning data and the production information. A learning model building unit configured to build a learning model by performing machine learning based on the machine learning may be further included, and the analysis engine unit may analyze the image based on the learning model.

본 발명의 일 실시예에 따른 제품 품질 관리 시스템은 상기 검사 대상 제품의 품질 판정 결과를 선택적으로 입력하여 상기 분석 엔진부로 전송하고, 상기 검사 대상 제품의 품질 판정 결과에 따라 디스플레이 화면을 통해 상기 검사 대상 제품의 영상을 표시하며, 상기 검사 대상 제품의 품질이 불량 등급으로 판정된 경우 소리 및 진동 중 적어도 하나를 통해 알림을 제공하는 입력 장치를 더 포함할 수 있다.The product quality management system according to an embodiment of the present invention selectively inputs the quality determination result of the inspection target product and transmits it to the analysis engine unit, and the inspection target through a display screen according to the quality determination result of the inspection target product. An input device that displays an image of a product and provides a notification through at least one of sound and vibration when the quality of the product to be inspected is determined to be a defective grade may be further included.

본 발명의 일 실시예에 따른 제품 품질 관리 방법은 상기 제품 품질 관리 시스템의 메모리부가 검사 대상 제품의 모델명 및 각 모델의 장식물별 정상 수량을 포함하는 생산 정보를 데이터베이스 테이블에 저장하는 단계; 상기 제품 품질 관리 시스템의 영상 촬영부가 상기 검사 대상 제품의 영상을 촬영하는 단계; 및 상기 제품 품질 관리 시스템의 분석 엔진부가 상기 데이터베이스 테이블에 저장된 생산 정보를 기반으로 상기 영상을 분석하여 상기 검사 대상 제품으로부터 이물질 및 장식물별 수량을 검출하는 단계를 포함한다.A product quality management method according to an embodiment of the present invention includes the steps of: storing, in a database table, production information including a model name of a product to be inspected and a normal quantity for each decoration item of each model, by a memory unit of the product quality management system; Capturing an image of the product to be inspected by an image photographing unit of the product quality management system; And analyzing the image based on the production information stored in the database table by an analysis engine unit of the product quality management system to detect the quantity of foreign substances and decorations from the inspection target product.

본 발명의 일 실시예에 따른 제품 품질 관리 방법은 상기 제품 품질 관리 시스템의 품질 관리부가 상기 이물질 및 장식물별 수량의 검출 결과에 기초하여 상기 검사 대상 제품의 품질을 정상 등급 및 불량 등급 중 어느 하나로 판정하는 단계; 및 상기 검사 대상 제품의 품질이 불량 등급으로 판정된 경우, 상기 품질 관리부가 상기 불량 등급으로 판정된 검사 대상 제품에 관한 태그 정보, 생산 정보 및 영상을 매칭하여 불량 제품 데이터를 생성하고, 상기 생성된 불량 제품 데이터를 작업자 단말기에 제공하는 단계를 더 포함할 수 있다.In the product quality management method according to an embodiment of the present invention, the quality management unit of the product quality management system determines the quality of the inspection target product as either a normal grade or a defective grade based on the detection result of the quantity of foreign substances and decorations. The step of doing; And when the quality of the inspection target product is determined as a defective grade, the quality management unit generates defective product data by matching tag information, production information, and images on the inspection subject product determined as the defective grade, and the generated It may further include the step of providing the defective product data to the operator terminal.

기타 실시예들의 구체적인 사항들은 상세한 설명 및 첨부 도면들에 포함되어 있다.Details of other embodiments are included in the detailed description and the accompanying drawings.

본 발명의 일 실시예에 따르면, 학습 모델 기반의 머신 러닝을 통해 검사 대상 제품의 영상을 분석하여 이물질 및 장식물별 수량을 검출함으로써 검사 대상 제품의 품질을 판정하고 그 판정 결과를 작업자에게 알려줄 수 있다.According to an embodiment of the present invention, by analyzing an image of a product to be inspected through machine learning based on a learning model and detecting the quantity of foreign substances and decorations, it is possible to determine the quality of the product to be inspected and inform the operator of the determination result. .

본 발명의 일 실시예에 따르면, 검사 대상 제품의 품질 판정 결과(정상/불량)를 피드백받아 학습 데이터로서 수집하고 이를 토대로 학습 모델을 구축함으로써 검사 대상 제품에 관한 영상의 분석 능력을 더욱 강화할 수 있으며, 이를 통해 품질 관리(제품 검수)의 효율을 향상시킬 수 있다.According to an embodiment of the present invention, by receiving feedback on the quality determination result (normal/defective) of a product to be inspected, collecting it as learning data, and building a learning model based on this, it is possible to further strengthen the ability to analyze images of the product to be inspected. , Through this, the efficiency of quality control (product inspection) can be improved.

도 1은 본 발명의 일 실시예에 따른 제품 품질 관리 시스템을 설명하기 위해 도시한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 제품 품질 관리 시스템의 사용 상태를 도시한 도면이다.
도 3은 본 발명의 다른 실시예에 따른 제품 품질 관리 시스템을 설명하기 위해 도시한 블록도이다.
도 4는 본 발명의 일 실시예에 따른 제품 품질 관리 시스템의 동작 과정을 도시한 도면이다.
도 5는 본 발명의 일 실시예에 따라 작업자 단말기의 화면에 표시된 불량 제품 데이터의 일례를 도시한 도면이다.
도 6은 본 발명의 일 실시예에 따른 제품 품질 관리 방법을 설명하기 위해 도시한 흐름도이다.
도 7은 본 발명의 다른 실시예에 따른 제품 품질 관리 방법을 설명하기 위해 도시한 흐름도이다.1 is a block diagram illustrating a product quality management system according to an embodiment of the present invention.
2 is a diagram showing a state of use of a product quality management system according to an embodiment of the present invention.
3 is a block diagram illustrating a product quality management system according to another embodiment of the present invention.
4 is a diagram illustrating an operation process of a product quality management system according to an embodiment of the present invention.
5 is a diagram illustrating an example of defective product data displayed on a screen of an operator terminal according to an embodiment of the present invention.
6 is a flowchart illustrating a product quality management method according to an embodiment of the present invention.
7 is a flowchart illustrating a product quality management method according to another embodiment of the present invention.

본 발명의 이점 및/또는 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다.Advantages and/or features of the present invention, and a method of achieving them will become apparent with reference to the embodiments described below in detail together with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but will be implemented in a variety of different forms, only the present embodiments are intended to complete the disclosure of the present invention, and common knowledge in the technical field to which the present invention pertains. It is provided to completely inform the scope of the invention to those who have, and the invention is only defined by the scope of the claims. The same reference numerals refer to the same elements throughout the specification.

또한, 이하 실시되는 본 발명의 바람직한 실시예는 본 발명을 이루는 기술적 구성요소를 효율적으로 설명하기 위해 각각의 시스템 기능구성에 기 구비되어 있거나, 또는 본 발명이 속하는 기술분야에서 통상적으로 구비되는 시스템 기능 구성은 가능한 생략하고, 본 발명을 위해 추가적으로 구비되어야 하는 기능 구성을 위주로 설명한다. 만약 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면, 하기에 도시하지 않고 생략된 기능 구성 중에서 종래에 기 사용되고 있는 구성요소의 기능을 용이하게 이해할 수 있을 것이며, 또한 상기와 같이 생략된 구성 요소와 본 발명을 위해 추가된 구성 요소 사이의 관계도 명백하게 이해할 수 있을 것이다.In addition, a preferred embodiment of the present invention to be implemented below is already provided in each system function configuration in order to efficiently describe the technical components constituting the present invention, or system functions commonly provided in the technical field to which the present invention belongs. The configuration will be omitted as much as possible, and a functional configuration that should be additionally provided for the present invention will be mainly described. If a person of ordinary skill in the art to which the present invention pertains will be able to easily understand the functions of the components previously used among the functional configurations that are not shown below and are omitted, the configurations omitted as described above. The relationship between the elements and the constituent elements added for the present invention will also be clearly understood.

또한, 이하의 설명에 있어서, 신호 또는 정보의 "전송", "통신", "송신", "수신" 기타 이와 유사한 의미의 용어는 일 구성요소에서 다른 구성요소로 신호 또는 정보가 직접 전달되는 것뿐만이 아니라 다른 구성요소를 거쳐 전달되는 것도 포함한다. 특히 신호 또는 정보를 일 구성요소로 "전송" 또는 "송신"한다는 것은 그 신호 또는 정보의 최종 목적지를 지시하는 것이고 직접적인 목적지를 의미하는 것이 아니다. 이는 신호 또는 정보의 "수신"에 있어서도 동일하다.In addition, in the following description, "transmission", "communication", "transmission", "receive" of signals or information and other terms with similar meanings refer to direct transmission of signals or information from one component to another. Not only that, but it includes things that are transmitted through other components. In particular, "transmitting" or "transmitting" a signal or information to a component indicates the final destination of the signal or information and does not mean a direct destination. The same is true for "reception" of signals or information.

이하에서는 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 한다.Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 일 실시예에 따른 제품 품질 관리 시스템을 설명하기 위해 도시한 블록도이고, 도 2는 본 발명의 일 실시예에 따른 제품 품질 관리 시스템의 사용 상태를 도시한 도면이다.1 is a block diagram illustrating a product quality management system according to an embodiment of the present invention, and FIG. 2 is a diagram illustrating a state of use of a product quality management system according to an embodiment of the present invention.

도 1 및 도 2를 참조하면, 본 발명의 일 실시예에 따른 제품 품질 관리 시스템(100)은 메모리부(110), 영상 촬영부(120), 학습 모델 구축부(130), 분석 엔진부(140) 및 제어부(150)를 포함하여 구성될 수 있다.1 and 2, the product quality management system 100 according to an embodiment of the present invention includes a memory unit 110, an image photographing unit 120, a learning model building unit 130, and an analysis engine unit ( 140) and the control unit 150 may be included.

상기 메모리부(110)는 검사 대상 제품에 관한 생산 정보를 데이터베이스 테이블(Database Table)(미도시)에 미리 저장할 수 있다. 여기서, 상기 검사 대상 제품은 양산 공정에 의해 출하되는 모든 제품, 예컨대 가방 등을 포함하는 개념으로 이해될 수 있다.The memory unit 110 may pre-store production information on a product to be inspected in a database table (not shown). Here, the product to be inspected may be understood as a concept including all products shipped through a mass production process, such as a bag.

또한, 상기 생산 정보는 상기 검사 대상 제품의 모델명 및 각 모델의 장식물별 정상 수량을 포함할 수 있다. 예를 들어, 상기 검사 대상 제품이 A 모델의 가방인 경우, 상기 생산 정보는 가방의 모델명 ABC-12를 포함할 수 있고, 아울러 상기 ABC-12 모델에 장착된 지퍼 10개, 바클 10개 등을 장식물별 정상 수량으로서 포함할 수 있다. 아울러, 상기 생산 정보는 상기 검사 대상 제품과 관련한 장식물 종류, 각 장식물별 형상 정보 및 정상 수량 등을 더 포함할 수 있다.In addition, the production information may include a model name of the product to be inspected and a normal quantity for each decoration item of each model. For example, if the product to be inspected is a bag of model A, the production information may include the model name ABC-12 of the bag, and 10 zippers, 10 bakels, etc. mounted on the ABC-12 model. It can be included as a normal quantity for each ornament. In addition, the production information may further include types of ornaments related to the product to be inspected, shape information for each ornament, and a normal quantity.

상기 영상 촬영부(120)는 상기 검사 대상 제품의 엑스레이(X-Ray) 영상을 촬영할 수 있다. 이를 위해, 상기 영상 촬영부(120)는 엑스레이 장비로 구현될 수 있다. 즉, 상기 영상 촬영부(120)는 엑스레이 장비를 통해 상기 검사 대상 제품의 엑스레이 영상을 촬영하고, 그 촬영 영상(X-Ray Image)을 상기 분석 엔진부(140)로 출력할 수 있다. 본 실시예에서는 상기 엑스레이 영상에 한정하여 설명하고 있지만 이에 한정되지 않고 그 밖의 다양한 다른 종류의 영상이 사용될 수도 있다.The image capturing unit 120 may take an X-ray image of the product to be inspected. To this end, the image capturing unit 120 may be implemented as an X-ray device. That is, the image capturing unit 120 may capture an X-ray image of the product to be inspected through an X-ray device, and output the captured image to the analysis engine unit 140. In the present embodiment, the description is limited to the X-ray image, but the present invention is not limited thereto, and various other types of images may be used.

상기 학습 모델 구축부(130)는 정상 제품에 실제 이물질이 삽입된 상태에서 엑스레이 장비를 통과시켜 획득한 엑스레이 영상을 학습 데이터로서 수집할 수 있다. 또한, 상기 학습 모델 구축부(130)는 가상의 이물질 이미지를 상기 정상 제품의 이미지에 합성하여 획득한 합성 이미지를 상기 학습 데이터로서 수집할 수 있다.The learning model building unit 130 may collect an X-ray image obtained by passing through an X-ray device in a state in which a foreign substance is actually inserted into a normal product as training data. In addition, the learning model building unit 130 may collect a composite image obtained by synthesizing a virtual foreign object image with the image of the normal product as the training data.

다시 말해, 상기 학습 모델 구축부(130)는 다양한 형태 및 종류의 실제 이물질을 정상 제품에 포함시키되 그 개수를 달리하여 포함시키고, 그 실제 이물질을 포함한 정상 제품을 엑스레이 장비로 촬영하여 엑스레이 영상을 획득함으로써 상기 학습 데이터를 수집할 수 있다.In other words, the learning model building unit 130 includes various types and types of actual foreign substances in normal products, but includes different numbers of them, and acquires an X-ray image by photographing normal products including the actual foreign substances with an X-ray equipment. By doing so, the learning data can be collected.

또한, 상기 학습 모델 구축부(130)는 영상 처리 장치와 연동하여, 다양한 형태 및 종류의 이물질과 관련한 가상 이미지를 생성하고, 상기 생성된 가상 이미지를 상기 정상 제품의 이미지와 합성하여 합성 이미지를 획득함으로써 상기 학습 데이터를 수집할 수 있다.In addition, the learning model building unit 130 generates a virtual image related to various types and types of foreign substances in connection with an image processing device, and obtains a composite image by combining the generated virtual image with the image of the normal product. By doing so, the learning data can be collected.

추가로, 상기 학습 모델 구축부(130)는 상기 영상 처리 장치와 연동하여 다양한 형태 및 종류의 장식물과 관련한 가상 이미지를 생성하고 이를 상기 정상 제품의 이미지와 합성하여 합성 이미지를 획득함으로써 상기 학습 데이터를 더 수집할 수도 있다.In addition, the learning model building unit 130 generates a virtual image related to various types and types of decorations in connection with the image processing device, and synthesizes it with the image of the normal product to obtain a composite image to obtain the training data. You can also collect more.

상기 학습 모델 구축부(130)는 상기 학습 데이터 및 상기 생산 정보를 기반으로 머신러닝(Machine Learning)을 수행하여 학습 모델을 구축할 수 있다. 참고로, 본 실시예에서는 상기 머신러닝은 딥러닝(Deep Learning) 알고리즘에 의해 수행될 수 있으나 이에 한정되지 않고 다른 다양한 알고리즘에 의해 수행될 수 있다.The learning model building unit 130 may build a learning model by performing machine learning based on the training data and the production information. For reference, in the present embodiment, the machine learning may be performed by a deep learning algorithm, but is not limited thereto and may be performed by various other algorithms.

상기 분석 엔진부(140)는 상기 데이터베이스 테이블에 저장된 생산 정보를 기반으로 상기 영상 촬영부(120)에 의해 촬영된 엑스레이 영상을 분석하여 상기 검사 대상 제품으로부터 이물질 및 장식물별 수량을 검출할 수 있다.The analysis engine unit 140 may analyze the X-ray image captured by the image capture unit 120 based on production information stored in the database table to detect the quantity of foreign substances and decorations from the inspection target product.

구체적으로, 상기 분석 엔진부(140)는 태그 리더기(Tag Reader)(미도시)와 연동하여 상기 검사 대상 제품에 부착된 태그(Tag)로부터 태그 정보를 읽어 들이고, 상기 태그 정보에 포함된 모델명에 매칭되는 생산 정보를 상기 데이터베이스 테이블로부터 로딩하여 상기 엑스레이 영상을 분석할 수 있다. 상기 분석 엔진부(140)는 상기 엑스레이 영상의 분석 결과에 기초하여 상기 검사 대상 제품으로부터 이물질 및 장식물별 수량을 검출할 수 있다.Specifically, the analysis engine unit 140 interworks with a tag reader (not shown) to read tag information from a tag attached to the product to be inspected, and the model name included in the tag information. The X-ray image may be analyzed by loading matching production information from the database table. The analysis engine unit 140 may detect the quantity of foreign substances and decorations from the inspection target product based on the analysis result of the X-ray image.

한편, 상기 분석 엔진부(140)는 상기 엑스레이 영상의 분석 효율을 향상시키기 위하여 상기 학습 모델 구축부(130)와 연동하여 상기 엑스레이 영상을 분석할 수 있다.Meanwhile, the analysis engine unit 140 may analyze the X-ray image in conjunction with the learning model building unit 130 in order to improve the analysis efficiency of the X-ray image.

즉, 상기 분석 엔진부(140)는 상기 학습 모델 구축부(130)에 의해 구축된 학습 모델에 기반하여 상기 엑스레이 영상을 분석하고, 상기 엑스레이 영상의 분석 결과에 기초하여 상기 검사 대상 제품으로부터 이물질 및 장식물별 수량을 검출할 수 있다.That is, the analysis engine unit 140 analyzes the X-ray image based on the learning model built by the learning model construction unit 130, and based on the analysis result of the X-ray image, The quantity of each ornament can be detected.

상기 분석 엔진부(140)는 상기 이물질 및 장식물별 수량의 검출 결과를 이미지화(Detected Object image)하여 작업자 모니터(101)에 전달할 수 있다. 이에 따라, 작업자(Worker)는 상기 작업자 모니터(101)에 표시된 검출 이미지를 직접 눈으로 체크(Check Detected Image)하는 수작업을 통해 상기 검사 대상 제품의 품질을 판정할 수 있다.The analysis engine unit 140 may image the detection result of the quantity of foreign substances and decorations, and transmit the detected object image to the operator monitor 101. Accordingly, the worker can determine the quality of the inspection target product through a manual operation of directly checking the detected image displayed on the worker monitor 101 with the eyes.

상기 작업자는 조이패드 등과 같은 입력 장치를 통해 상기 판정 결과(정상 등급 또는 불량 등급)를 입력하여 상기 분석 엔진부(140)에 전송할 수 있다. 예를 들면, 상기 작업자는 상기 입력 장치를 통해 정상 등급인 경우 O를 입력하고 불량 등급인 경우 X를 입력할 수 있다. 이로써, 상기 분석 엔진부(140)는 상기 조이패드를 통해 입력된 판정 결과를 피드백 받아서 학습 데이터로서 수집할 수 있으며, 이를 통해 상기 엑스레이 영상의 분석 능력을 더욱 강화할 수 있다.The operator may input the determination result (normal grade or bad grade) through an input device such as a joypad, and transmit the input to the analysis engine unit 140. For example, the operator may input O in the case of a normal grade and input X in the case of a defective grade through the input device. Accordingly, the analysis engine unit 140 may receive feedback from the determination result input through the joypad and collect it as learning data, thereby further enhancing the ability to analyze the X-ray image.

여기서, 상기 입력 장치는 상기 검사 대상 제품의 품질이 불량 등급으로 판정된 경우 소리 및/또는 진동을 통해 작업자에게 알림을 제공하여 작업자의 작업 능률을 향상시킬 수 있다.Here, the input device may provide a notification to the operator through sound and/or vibration when the quality of the inspection target product is determined to be a defective grade, thereby improving work efficiency of the operator.

상기 제어부(150)는 본 발명의 일 실시예에 따른 제품 품질 관리 시스템(100), 즉 상기 메모리부(110), 상기 영상 촬영부(120), 상기 학습 모델 구축부(130), 상기 분석 엔진부(140) 등의 동작을 전반적으로 제어할 수 있다.The control unit 150 includes the product quality management system 100 according to an embodiment of the present invention, that is, the memory unit 110, the image capture unit 120, the learning model building unit 130, and the analysis engine. The operation of the unit 140 and the like can be generally controlled.

도 3은 본 발명의 다른 실시예에 따른 제품 품질 관리 시스템을 설명하기 위해 도시한 블록도이고, 도 4는 본 발명의 일 실시예에 따른 제품 품질 관리 시스템의 동작 과정을 도시한 도면이다.3 is a block diagram illustrating a product quality management system according to another embodiment of the present invention, and FIG. 4 is a diagram illustrating an operation process of a product quality management system according to an embodiment of the present invention.

도 3 및 도 4를 참조하면, 본 발명의 다른 실시예에 따른 제품 품질 관리 시스템(300)은 메모리부(310), 영상 촬영부(320), 학습 모델 구축부(330), 분석 엔진부(340), 품질 관리부(350) 및 제어부(360)를 포함하여 구성될 수 있다.3 and 4, the product quality management system 300 according to another embodiment of the present invention includes a memory unit 310, an image capture unit 320, a learning model construction unit 330, and an analysis engine unit ( 340), a quality management unit 350, and a control unit 360 may be included.

본 발명의 다른 실시예에 따른 제품 품질 관리 시스템(300)은 도 1의 제품 품질 관리 시스템(100)과 그 구성요소 및 기능에 있어서 대동소이하다. 즉, 본 발명의 다른 실시예에 따른 제품 품질 관리 시스템(300)의 구성요소 중 상기 메모리부(310), 상기 영상 촬영부(320), 상기 학습 모델 구축부(330), 상기 분석 엔진부(340), 및 제어부(360)는 각각 도 1의 제품 품질 관리 시스템(100)에 구비된 메모리부(110), 영상 촬영부(120), 학습 모델 구축부(130), 분석 엔진부(140), 및 제어부(150)와 그 기능 및 작용에 있어서 유사 또는 동일하다.The product quality management system 300 according to another embodiment of the present invention is substantially the same in terms of the product quality management system 100 of FIG. 1 and its components and functions. That is, among the components of the product quality management system 300 according to another embodiment of the present invention, the memory unit 310, the image photographing unit 320, the learning model building unit 330, and the analysis engine unit ( 340), and the control unit 360, respectively, a memory unit 110, an image photographing unit 120, a learning model construction unit 130, and an analysis engine unit 140 provided in the product quality management system 100 of FIG. 1 , And the control unit 150 and their functions and actions are similar or the same.

따라서, 본 실시예에서는 상기의 구성요소들에 대한 설명(도 4의 1st X-Ray Inspection, 2nd Deep Learning-Based Image Inspection에 해당하는 내용)은 생략하고, 다만 상기 품질 관리부(350) 및 그와 관련된 기능 및 작용(3rd Check the result에 해당하는 내용)에 대해서만 자세히 설명하기로 한다.Therefore, in the present embodiment, the description of the above components ( contents corresponding to 1 st X-Ray Inspection and 2 nd Deep Learning-Based Image Inspection in FIG. 4) is omitted, but the quality management unit 350 and only the functions and operations associated with that (corresponding to the 3 rd Check the result information) it will be described in detail.

상기 품질 관리부(350)는 상기 분석 엔진부(140)를 통해 상기 검사 대상 제품으로부터 이물질 및 장식물별 수량이 검출되면, 그 검출 결과에 기초하여 상기 검사 대상 제품의 품질을 정상 등급(Pass) 및 불량 등급(NG) 중 어느 하나로 판정할 수 있다.When the quantity of foreign substances and decorations is detected from the product to be inspected through the analysis engine unit (140), the quality management unit 350 determines the quality of the product to be inspected based on the detection result as a normal grade (Pass) and a defect. It can be judged by any of the grades (NG).

즉, 상기 품질 관리부(350)는 상기 이물질 및 장식물별 수량의 검출 결과, 상기 이물질이 검출(foreign Object Detection)되거나 상기 장식물별 검출 수량(Accssories Counting)이 정상 수량과 일치하지 않는 경우, 상기 검사 대상 제품의 품질을 불량 등급으로 판정할 수 있다. 이때, 상기 품질 관리부(350)는 상기 검출 결과에 따라 상기 불량 등급을 다수 개의 등급으로 나누어 판정할 수 있다.That is, the quality control unit 350, when the detection result of the foreign material and the quantity of each decoration, the foreign material is detected (foreign object detection) or the detection quantity of each decoration (Accssories Counting) does not match the normal quantity, the inspection object The quality of the product can be judged as a defect grade. In this case, the quality management unit 350 may divide the defect grade into a plurality of grades and determine according to the detection result.

예를 들어, 상기 품질 관리부(350)는 상기 이물질만 검출되고 상기 장식물별 검출 수량이 정상 수량과 일치하는 경우에는 상기 검사 대상 제품의 품질을 불량 3등급으로 판정하고, 상기 이물질이 검출되지 않고 상기 장식물별 검출 수량이 정상 수량과 일치하지 않는 경우에는 상기 검사 대상 제품의 품질을 불량 2등급으로 판정할 수 있다. 또한, 상기 품질 관리부(350)는 상기 이물질이 검출됨과 동시에 상기 장식물별 검출 수량이 정상 수량과 일치하지 않는 경우에는 상기 검사 대상 제품의 품질을 불량 1등급으로 판정할 수 있다.For example, the quality control unit 350 determines the quality of the product to be inspected as a defective grade 3 when only the foreign material is detected and the detected quantity for each decoration matches the normal quantity, and the foreign material is not detected and the If the detected quantity for each decoration does not match the normal quantity, the quality of the product to be inspected may be judged as defective grade 2. In addition, the quality control unit 350 may determine the quality of the product to be inspected as a defective 1st grade when the foreign material is detected and the detected quantity for each decoration does not match the normal quantity.

반면, 상기 품질 관리부(350)는 상기 이물질 및 장식물별 수량의 검출 결과, 상기 이물질이 검출되지 않으면서 상기 장식물별 검출 수량이 정상 수량과 일치하는 경우, 상기 검사 대상 제품의 품질을 정상 등급으로 판정할 수 있다.On the other hand, the quality control unit 350 determines the quality of the product to be inspected as a normal grade when the detection result of the quantity of foreign substances and ornaments, and the quantity of detection for each ornament coincides with the normal quantity without the foreign substances being detected. can do.

상기 품질 관리부(350)는 상기 검사 대상 제품의 품질이 불량 등급으로 판정된 경우, 상기 불량 등급으로 판정된 검사 대상 제품에 관한 태그 정보, 생산 정보 및 엑스레이 영상을 매칭하여 불량 제품 데이터를 생성하고, 상기 생성된 불량 제품 데이터를 작업자 단말기(미도시)에 제공할 수 있다.When the quality of the inspection target product is determined to be a defective grade, the quality management unit 350 generates defective product data by matching tag information, production information, and X-ray images on the inspection target product determined as the defective grade, The generated defective product data may be provided to an operator terminal (not shown).

이에 따라, 상기 작업자 단말기는 상기 불량 등급으로 판정된 검사 대상 제품이 작업자에 의해 수거된 이후에, 태그 리더기와 연동하여 상기 불량 등급으로 판정된 검사 대상 제품에 구비된 태그로부터 상기 태그 정보를 읽어 들여서 그에 매칭되는 해당 불량 제품 데이터를 도 5에 도시된 바와 같이 화면에 표시할 수 있다.Accordingly, the operator terminal reads the tag information from the tag provided in the inspection target product determined as the defective grade by interlocking with a tag reader after the inspection target product determined as the defective grade is collected by the operator. Corresponding defective product data matching thereto may be displayed on the screen as shown in FIG. 5.

한편, 상기 학습 모델 구축부(330)는 상기 검사 대상 제품의 엑스레이 영상과 상기 품질 관리부(350)의 판정 결과(정상 등급 또는 불량 등급)를 지속적으로 피드백 받아 학습 데이터로서 수집하고, 상기 학습 데이터 및 상기 생산 정보를 기반으로 머신러닝을 수행하여 상기 학습 모델을 구축할 수 있다. 이렇게 구축된 학습 모델은 상기 분석 엔진부(340)를 통해 상기 엑스레이 영상을 분석하는 데에 활용될 수 있다.On the other hand, the learning model building unit 330 continuously receives feedback on the X-ray image of the product to be inspected and the determination result (normal grade or bad grade) of the quality control unit 350 as learning data, and collects the learning data and The learning model may be constructed by performing machine learning based on the production information. The learning model constructed in this way may be used to analyze the X-ray image through the analysis engine unit 340.

이상에서 설명된 장치는 하드웨어 구성 요소, 소프트웨어 구성 요소, 및/또는 하드웨어 구성 요소 및 소프트웨어 구성 요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성 요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The apparatus described above may be implemented as a hardware component, a software component, and/or a combination of a hardware component and a software component. For example, the devices and components described in the embodiments include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable array (FPA), It may be implemented using one or more general purpose or special purpose computers, such as a programmable logic unit (PLU), a microprocessor, or any other device capable of executing and responding to instructions. The processing device may execute an operating system (OS) and one or more software applications executed on the operating system. Further, the processing device may access, store, manipulate, process, and generate data in response to the execution of software. For the convenience of understanding, although it is sometimes described that one processing device is used, one of ordinary skill in the art, the processing device is a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that it may include. For example, the processing device may include a plurality of processors or one processor and one controller. In addition, other processing configurations are possible, such as a parallel processor.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.The software may include a computer program, code, instructions, or a combination of one or more of these, configuring the processing unit to operate as desired or processed independently or collectively. You can command the device. Software and/or data may be interpreted by a processing device or, to provide instructions or data to a processing device, of any type of machine, component, physical device, virtual equipment, computer storage medium or device. , Or may be permanently or temporarily embodyed in a transmitted signal wave. The software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer-readable recording media.

도 6은 본 발명의 일 실시예에 따른 제품 품질 관리 방법을 설명하기 위해 도시한 흐름도이다.6 is a flowchart illustrating a product quality management method according to an embodiment of the present invention.

여기서 설명하는 제품 품질 관리 방법은 본 발명의 하나의 실시예에 불과하며, 그 이외에 필요에 따라 다양한 단계들이 부가될 수 있고, 하기의 단계들도 순서를 변경하여 실시될 수 있으므로, 본 발명이 하기에 설명하는 각 단계 및 그 순서에 한정되는 것은 아니다. 이는 아래의 다른 실시예에도 동일하게 적용될 수 있다.The product quality management method described herein is only one embodiment of the present invention, and various steps may be added as necessary, and the following steps may be performed by changing the order, so that the present invention is as follows. It is not limited to each step and the order described in the. This can be applied equally to other embodiments below.

도 1 및 도 6을 참조하면, 단계(610)에서 상기 제품 품질 관리 시스템(100)의 메모리부(110)는 검사 대상 제품의 모델명 및 각 모델의 장식물별 정상 수량을 포함하는 생산 정보를 데이터베이스 테이블에 저장할 수 있다.1 and 6, in step 610, the memory unit 110 of the product quality management system 100 stores production information including a model name of a product to be inspected and a normal quantity for each model decoration in a database table. Can be saved on.

다음으로, 단계(620)에서 상기 제품 품질 관리 시스템(100)의 학습 모델 구축부(130)는 상기 검사 대상 제품의 분석에 필요한 학습 모델을 구축하기 위해 학습 데이터를 수집할 수 있다.Next, in step 620, the learning model building unit 130 of the product quality management system 100 may collect training data to build a learning model required for analysis of the product to be inspected.

이를 위해, 상기 학습 모델 구축부(130)는 정상 제품에 실제 이물질이 삽입된 상태에서 엑스레이 장비를 통과시켜 획득한 엑스레이 영상을 학습 데이터로서 수집하거나, 가상의 이물질 이미지를 상기 정상 제품의 이미지에 합성하여 획득한 합성 이미지를 상기 학습 데이터로서 수집할 수 있다.To this end, the learning model building unit 130 collects an X-ray image obtained by passing an X-ray device through an X-ray device in a state in which a foreign substance is actually inserted into a normal product as learning data, or synthesizes a virtual foreign substance image into the image of the normal product. The obtained composite image may be collected as the training data.

다음으로, 단계(630)에서 상기 학습 모델 구축부(130)는 상기 학습 데이터 및 상기 생산 정보를 기반으로 머신러닝을 수행하여 학습 모델을 구축할 수 있다. 여기서, 상기 머신러닝은 딥러닝 알고리즘에 의해 구현되고 수행될 수 있다.Next, in step 630, the learning model building unit 130 may build a learning model by performing machine learning based on the training data and the production information. Here, the machine learning may be implemented and performed by a deep learning algorithm.

다음으로, 단계(640)에서 상기 제품 품질 관리 시스템(100)의 영상 촬영부(120)는 상기 검사 대상 제품의 엑스레이(X-Ray) 영상을 촬영할 수 있다.Next, in step 640, the image photographing unit 120 of the product quality management system 100 may take an X-ray image of the product to be inspected.

다음으로, 단계(650)에서 상기 제품 품질 관리 시스템(100)의 분석 엔진부(140)는 상기 학습 모델에 기반하여 상기 엑스레이 영상을 분석할 수 있다.Next, in step 650, the analysis engine unit 140 of the product quality management system 100 may analyze the X-ray image based on the learning model.

다음으로, 단계(660)에서 상기 분석 엔진부(140)는 상기 엑스레이 영상의 분석 결과에 기초하여 상기 검사 대상 제품으로부터 이물질 및 장식물별 수량을 검출할 수 있다.Next, in step 660, the analysis engine unit 140 may detect the quantity of foreign substances and decorations from the inspection target product based on the analysis result of the X-ray image.

다음으로, 단계(670)에서는 작업자의 수작업, 이를 테면 작업자가 모니터에 표시된 엑스레이 영상을 직접 눈으로 확인하는 작업을 통해 상기 검사 대상 제품의 품질을 판정할 수 있다.Next, in step 670, the quality of the inspection target product may be determined through a manual operation by the operator, for example, the operator directly visually checking the X-ray image displayed on the monitor.

다음으로, 단계(680)에서는 조이패드 등의 입력 장치를 통해 판정 결과(정상/불량 등급)를 입력받아 학습 데이터로서 패드백(Feedback)할 수 있다.Next, in step 680, a determination result (normal/defective grade) may be input through an input device such as a joypad, and may be fed back as learning data.

도 7은 본 발명의 다른 실시예에 따른 제품 품질 관리 방법을 설명하기 위해 도시한 흐름도이다.7 is a flowchart illustrating a product quality management method according to another embodiment of the present invention.

도 3 및 도 7을 참조하면, 단계(710)에서 상기 제품 품질 관리 시스템(300)의 메모리부(310)는 검사 대상 제품의 모델명 및 각 모델의 장식물별 정상 수량을 포함하는 생산 정보를 데이터베이스 테이블에 저장할 수 있다.3 and 7, in step 710, the memory unit 310 of the product quality management system 300 stores production information including the model name of the product to be inspected and the normal quantity for each model decoration in a database table. Can be saved on.

다음으로, 단계(720)에서 상기 제품 품질 관리 시스템(300)의 학습 모델 구축부(330)는 상기 검사 대상 제품의 분석에 필요한 학습 모델을 구축하기 위해 학습 데이터를 수집할 수 있다.Next, in step 720, the learning model building unit 330 of the product quality management system 300 may collect training data to build a learning model required for analysis of the product to be inspected.

이를 위해, 상기 학습 모델 구축부(330)는 정상 제품에 실제 이물질이 삽입된 상태에서 엑스레이 장비를 통과시켜 획득한 엑스레이 영상을 학습 데이터로서 수집하거나, 가상의 이물질 이미지를 상기 정상 제품의 이미지에 합성하여 획득한 합성 이미지를 상기 학습 데이터로서 수집할 수 있다.To this end, the learning model building unit 330 collects an X-ray image obtained by passing an X-ray device through an X-ray device in a state in which a foreign substance is actually inserted into a normal product as learning data, or synthesizes a virtual foreign substance image into the image of the normal product. The obtained composite image may be collected as the training data.

다음으로, 단계(730)에서 상기 학습 모델 구축부(330)는 상기 학습 데이터 및 상기 생산 정보를 기반으로 머신러닝을 수행하여 학습 모델을 구축할 수 있다. 여기서, 상기 머신러닝은 딥러닝 알고리즘에 의해 구현되고 수행될 수 있다.Next, in step 730, the learning model building unit 330 may build a learning model by performing machine learning based on the training data and the production information. Here, the machine learning may be implemented and performed by a deep learning algorithm.

다음으로, 단계(740)에서 상기 제품 품질 관리 시스템(300)의 영상 촬영부(320)는 상기 검사 대상 제품의 엑스레이(X-Ray) 영상을 촬영할 수 있다.Next, in step 740, the image photographing unit 320 of the product quality management system 300 may take an X-ray image of the product to be inspected.

다음으로, 단계(750)에서 상기 제품 품질 관리 시스템(300)의 분석 엔진부(340)는 상기 학습 모델에 기반하여 상기 엑스레이 영상을 분석할 수 있다.Next, in step 750, the analysis engine unit 340 of the product quality management system 300 may analyze the X-ray image based on the learning model.

다음으로, 단계(760)에서 상기 분석 엔진부(340)는 상기 엑스레이 영상의 분석 결과에 기초하여 상기 검사 대상 제품으로부터 이물질 및 장식물별 수량을 검출할 수 있다.Next, in step 760, the analysis engine unit 340 may detect the quantity of foreign substances and decorations from the inspection target product based on the analysis result of the X-ray image.

다음으로, 단계(770)에서 상기 제품 품질 관리 시스템(300)의 품질 관리부(350)는 상기 이물질 및 장식물별 수량의 검출 결과에 기초하여 상기 검사 대상 제품의 품질을 정상 등급 및 불량 등급 중 어느 하나로 판정할 수 있다.Next, in step 770, the quality management unit 350 of the product quality management system 300 determines the quality of the inspection target product to one of a normal grade and a defective grade based on the detection result of the quantity of foreign substances and decorations. Can be judged.

상기 검사 대상 제품의 품질이 불량 등급으로 판정된 경우(780의 "예" 방향), 단계(785)에서 상기 품질 관리부(350)는 상기 불량 등급으로 판정된 검사 대상 제품에 관한 태그 정보, 생산 정보 및 엑스레이 영상을 매칭하여 불량 제품 데이터를 생성할 수 있다.When the quality of the inspection target product is determined to be a defective grade (in the direction of “Yes” in 780), in step 785, the quality management unit 350 includes tag information and production information on the inspection target product determined as the defective grade. And matching the X-ray images to generate defective product data.

다음으로, 단계(790)에서 상기 품질 관리부(350)는 상기 생성된 불량 제품 데이터를 작업자 단말기(미도시)에 제공할 수 있다.Next, in step 790, the quality management unit 350 may provide the generated defective product data to a worker terminal (not shown).

다음으로, 단계(795)에서 상기 학습 모델 구축부(330)는 상기 검사 대상 제품의 엑스레이 영상과 상기 품질 관리부(350)의 판정 결과(정상 등급 또는 불량 등급)를 학습 데이터로서 지속적으로 피드백 받아 수집할 수 있다.Next, in step 795, the learning model building unit 330 receives and collects the X-ray image of the inspection target product and the determination result (normal grade or bad grade) of the quality control unit 350 as training data continuously. can do.

이에 따라, 상기 학습 모델 구축부(330)는 상기 학습 데이터 및 상기 생산 정보를 기반으로 머신러닝을 수행하여 상기 학습 모델을 구축할 수 있다. 이렇게 구축된 학습 모델은 상기 분석 엔진부(340)를 통해 상기 엑스레이 영상을 분석하는 데에 활용될 수 있다.Accordingly, the learning model building unit 330 may build the learning model by performing machine learning based on the training data and the production information. The learning model constructed in this way may be used to analyze the X-ray image through the analysis engine unit 340.

반면, 상기 검사 대상 제품의 품질이 정상 등급으로 판정된 경우(780의 "아니오" 방향), 단계(795)의 피드백 과정을 수행할 수 있다.On the other hand, when the quality of the inspection target product is determined to be a normal grade (in the "No" direction of 780), the feedback process of step 795 may be performed.

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 실시예를 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), CDROM, 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. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, and the like alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and usable to those skilled in computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CDROMs and DVDs, and magnetic-optical media such as floptical disks. And hardware devices specially configured to store and execute program instructions such as magneto-optical media and ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those produced by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like. The hardware device described above may be configured to operate as one or more software modules to perform the operation of the embodiment, and vice versa.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described by the limited embodiments and drawings, various modifications and variations are possible from the above description to those of ordinary skill in the art. For example, the described techniques are performed in a different order from the described method, and/or components such as systems, structures, devices, circuits, etc. described are combined or combined in a form different from the described method, or other components Alternatively, even if substituted or substituted by an equivalent, an appropriate result can be achieved.

그러므로, 다른 구현들, 다른 실시예들 및 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents to the claims also fall within the scope of the following claims.

110, 310: 메모리부
120, 320: 영상 촬영부
130, 330: 학습 모델 구축부
140, 340: 분석 엔진부
150, 360: 제어부
350: 품질 관리부110, 310: memory unit
120, 320: video recording unit
130, 330: learning model building unit
140, 340: analysis engine unit
150, 360: control unit
350: Quality Management Department

Claims (10)

검사 대상 제품의 모델명 및 각 모델의 장식물별 정상 수량을 포함하는 생산 정보를 데이터베이스 테이블에 저장하는 메모리부;
상기 검사 대상 제품의 영상을 촬영하는 영상 촬영부; 및
상기 데이터베이스 테이블에 저장된 생산 정보를 기반으로 상기 영상을 분석하여 상기 검사 대상 제품으로부터 이물질 및 장식물별 수량을 검출하는 분석 엔진부
를 포함하는 것을 특징으로 하는 제품 품질 관리 시스템.
A memory unit for storing production information including a model name of a product to be inspected and a normal quantity for each ornament of each model in a database table;
An image photographing unit for photographing an image of the product to be inspected; And
An analysis engine unit that analyzes the image based on the production information stored in the database table and detects the quantity of foreign substances and decorations from the inspection target product
Product quality management system comprising a.
 제1항에 있어서,
정상 제품에 실제 이물질이 삽입된 상태에서 엑스레이 장비를 통과시켜 획득한 영상을 학습 데이터로서 수집하고, 상기 학습 데이터 및 상기 생산 정보를 기반으로 머신러닝(Machine Learning)을 수행하여 학습 모델을 구축하는 학습 모델 구축부
를 더 포함하고,
상기 분석 엔진부는
상기 학습 모델에 기반하여 상기 영상을 분석하는 것을 특징으로 하는 제품 품질 관리 시스템.
The method of claim 1,
Learning to build a learning model by collecting an image obtained by passing an X-ray device as training data while a foreign substance is actually inserted in a normal product, and performing machine learning based on the training data and the production information Model building section
Including more,
The analysis engine unit
And analyzing the image based on the learning model.
 제2항에 있어서,
상기 학습 모델 구축부는
가상의 이물질 이미지를 상기 정상 제품의 이미지에 합성하여 획득한 합성 이미지를 상기 학습 데이터로서 수집하는 것을 특징으로 하는 제품 품질 관리 시스템.
The method of claim 2,
The learning model building unit
A product quality management system, characterized in that, as the learning data, a composite image obtained by combining a virtual foreign object image with the image of the normal product is collected.
 제1항에 있어서,
상기 분석 엔진부는
태그 리더기와 연동하여 상기 검사 대상 제품에 부착된 태그로부터 태그 정보를 읽어 들이고, 상기 태그 정보에 포함된 모델명에 매칭되는 생산 정보를 상기 데이터베이스 테이블로부터 로딩하여 상기 영상을 분석하는 것을 특징으로 하는 제품 품질 관리 시스템.
The method of claim 1,
The analysis engine unit
Product quality, characterized in that the image is analyzed by reading tag information from a tag attached to the inspection target product in connection with a tag reader, and loading production information matching the model name included in the tag information from the database table Management system.
 제1항에 있어서,
상기 이물질 및 장식물별 수량의 검출 결과에 기초하여 상기 검사 대상 제품의 품질을 정상 등급 및 불량 등급 중 어느 하나로 판정하고, 상기 검사 대상 제품의 품질이 불량 등급으로 판정된 경우, 상기 불량 등급으로 판정된 검사 대상 제품에 관한 태그 정보, 생산 정보 및 영상을 매칭하여 불량 제품 데이터를 생성하고, 상기 생성된 불량 제품 데이터를 작업자 단말기에 제공하는 품질 관리부
를 더 포함하는 것을 특징으로 하는 제품 품질 관리 시스템.
The method of claim 1,
Based on the detection result of the quantity of foreign substances and decorations, the quality of the product to be inspected is determined as either a normal grade or a defective grade, and when the quality of the inspection target product is judged as a defective grade, it is determined as the defective grade. A quality management unit that generates defective product data by matching tag information, production information, and images on the product to be inspected, and provides the generated defective product data to the operator's terminal.
Product quality management system, characterized in that it further comprises.
 제5항에 있어서,
상기 작업자 단말기는
상기 불량 등급으로 판정된 검사 대상 제품이 작업자에 의해 수거된 이후에, 태그 리더기와 연동하여 상기 불량 등급으로 판정된 검사 대상 제품에 구비된 태그로부터 상기 태그 정보를 읽어 들여서 그에 매칭되는 해당 불량 제품 데이터를 화면에 표시하는 것을 특징으로 하는 제품 품질 관리 시스템.
The method of claim 5,
The operator terminal
After the inspection target product determined as the defective grade is collected by the operator, the tag information is read from the tag provided on the inspection target product determined as the defective grade by interlocking with a tag reader, and the corresponding defective product data matched thereto Product quality management system, characterized in that to display on the screen.
 제5항에 있어서,
상기 검사 대상 제품의 영상과 상기 판정의 결과(정상 등급 또는 불량 등급)를 지속적으로 피드백 받아 학습 데이터로서 수집하고, 상기 학습 데이터 및 상기 생산 정보를 기반으로 머신러닝을 수행하여 학습 모델을 구축하는 학습 모델 구축부
를 더 포함하고,
상기 분석 엔진부는
상기 학습 모델에 기반하여 상기 영상을 분석하는 것을 특징으로 하는 제품 품질 관리 시스템.
The method of claim 5,
Learning to build a learning model by continuously collecting the image of the product to be inspected and the result of the determination (normal grade or bad grade) as learning data, and performing machine learning based on the training data and the production information Model building section
Including more,
The analysis engine unit
And analyzing the image based on the learning model.
 제1항에 있어서,
상기 검사 대상 제품의 품질 판정 결과를 선택적으로 입력하여 상기 분석 엔진부로 전송하고, 상기 검사 대상 제품의 품질 판정 결과에 따라 디스플레이 화면을 통해 상기 검사 대상 제품의 영상을 표시하며, 상기 검사 대상 제품의 품질이 불량 등급으로 판정된 경우 소리 및 진동 중 적어도 하나를 통해 알림을 제공하는 입력 장치
를 더 포함하는 것을 특징으로 하는 제품 품질 관리 시스템.
The method of claim 1,
Selectively input the quality determination result of the inspection target product and transmit it to the analysis engine unit, display an image of the inspection target product through a display screen according to the quality determination result of the inspection target product, and the quality of the inspection target product An input device that provides a notification through at least one of sound and vibration when it is judged as this bad grade
Product quality management system, characterized in that it further comprises.
 제품 품질 관리 시스템을 이용한 제품 품질 관리 방법에 있어서,
상기 제품 품질 관리 시스템의 메모리부가 검사 대상 제품의 모델명 및 각 모델의 장식물별 정상 수량을 포함하는 생산 정보를 데이터베이스 테이블에 저장하는 단계;
상기 제품 품질 관리 시스템의 영상 촬영부가 상기 검사 대상 제품의 영상을 촬영하는 단계; 및
상기 제품 품질 관리 시스템의 분석 엔진부가 상기 데이터베이스 테이블에 저장된 생산 정보를 기반으로 상기 영상을 분석하여 상기 검사 대상 제품으로부터 이물질 및 장식물별 수량을 검출하는 단계
를 포함하는 것을 특징으로 하는 제품 품질 관리 방법.
In the product quality management method using the product quality management system,
Storing, by a memory unit of the product quality management system, production information including a model name of a product to be inspected and a normal quantity for each ornament of each model in a database table;
Capturing an image of the product to be inspected by an image photographing unit of the product quality management system; And
Analyzing the image based on the production information stored in the database table by the analysis engine unit of the product quality management system to detect the quantity of foreign substances and decorations from the product to be inspected
Product quality control method comprising a.
 제9항에 있어서,
상기 제품 품질 관리 시스템의 품질 관리부가 상기 이물질 및 장식물별 수량의 검출 결과에 기초하여 상기 검사 대상 제품의 품질을 정상 등급 및 불량 등급 중 어느 하나로 판정하는 단계; 및
상기 검사 대상 제품의 품질이 불량 등급으로 판정된 경우, 상기 품질 관리부가 상기 불량 등급으로 판정된 검사 대상 제품에 관한 태그 정보, 생산 정보 및 영상을 매칭하여 불량 제품 데이터를 생성하고, 상기 생성된 불량 제품 데이터를 작업자 단말기에 제공하는 단계
를 더 포함하는 것을 특징으로 하는 제품 품질 관리 방법.The method of claim 9,
Determining, by a quality management unit of the product quality management system, a quality of the inspection target product as one of a normal grade and a defective grade based on the detection result of the quantity of foreign substances and decorations; And
When the quality of the inspection target product is determined to be a defective grade, the quality management unit generates defective product data by matching tag information, production information, and images on the inspection target product determined as the defective grade, and the generated defect Providing product data to the operator terminal
Product quality control method further comprising a.
KR1020190112770A 2019-09-11 2019-09-11 Product quality management system and method KR20210031569A (en)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020190112770A KR20210031569A (en) 2019-09-11 2019-09-11 Product quality management system and method
PCT/KR2020/012159 WO2021049868A1 (en) 2019-09-11 2020-09-09 System and method for product quality management
KR1020220006494A KR102507591B1 (en) 2019-09-11 2022-01-17 Product quality management system and method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190112770A KR20210031569A (en) 2019-09-11 2019-09-11 Product quality management system and method

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020220006494A Division KR102507591B1 (en) 2019-09-11 2022-01-17 Product quality management system and method

Publications (1)

Publication Number Publication Date
KR20210031569A true KR20210031569A (en) 2021-03-22

Family

ID=74867165

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020190112770A KR20210031569A (en) 2019-09-11 2019-09-11 Product quality management system and method
KR1020220006494A KR102507591B1 (en) 2019-09-11 2022-01-17 Product quality management system and method

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020220006494A KR102507591B1 (en) 2019-09-11 2022-01-17 Product quality management system and method

Country Status (2)

Country Link
KR (2) KR20210031569A (en)
WO (1) WO2021049868A1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102576213B1 (en) * 2022-12-27 2023-09-08 농심엔지니어링 주식회사 Quality control system and method using learning module

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378810B (en) * 2021-04-28 2022-04-15 合肥联宝信息技术有限公司 Screw locking detection method, device, equipment and readable storage medium

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4352260B2 (en) * 2005-01-17 2009-10-28 ソニー株式会社 Imaging device, method for recording captured image data, captured image data processing device, and captured image data processing method
JP2013003688A (en) * 2011-06-14 2013-01-07 Panasonic Corp Defective factor detection device and defective factor detection method
KR101793249B1 (en) * 2016-05-18 2017-11-02 (주)창신아이엔씨 Apparatus and method for identifying good quality and bad quality of shoes product
KR101840944B1 (en) * 2016-11-09 2018-03-21 부산대학교 산학협력단 Apparatus and method for detecting defect based on image analysis
KR101835541B1 (en) * 2017-04-20 2018-04-19 주식회사 엘제이텍 Inspection system and method of goods using mobile terminal
WO2019107614A1 (en) * 2017-11-30 2019-06-06 전자부품연구원 Machine vision-based quality inspection method and system utilizing deep learning in manufacturing process
KR102058427B1 (en) * 2017-12-21 2019-12-23 동우 화인켐 주식회사 Apparatus and method for inspection

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102576213B1 (en) * 2022-12-27 2023-09-08 농심엔지니어링 주식회사 Quality control system and method using learning module

Also Published As

Publication number Publication date
KR20220014898A (en) 2022-02-07
WO2021049868A1 (en) 2021-03-18
KR102507591B1 (en) 2023-03-10

Similar Documents

Publication Publication Date Title
KR102507591B1 (en) Product quality management system and method
US20190138676A1 (en) Methods and systems for automatically creating statistically accurate ergonomics data
RU2323475C2 (en) Method (variants) and device (variants) for automated detection of intentional or incidental disruptions of technological procedure by operator
US7203561B2 (en) Information processing device, operation state management device, information processing method, program, and computer-readable storage medium storing program
JP5522065B2 (en) Board inspection system
US10423669B2 (en) Manufacturing process visualization apparatus and method
JP7266702B2 (en) Distributed logbook for anomaly monitoring
WO2024027624A1 (en) Metaverse-based intelligent resource matching method, and metaverse system
CN110363626B (en) Behavior mode monitoring method for unmanned container, electronic equipment and unmanned container
AU2017208235A1 (en) Relative position encoding based networks for action recognition
KR101964805B1 (en) Guide providing method and apparatus for machine vision
CN105868433B (en) System and method for diamond processing
CN104471539B (en) Distributed processing system(DPS) and method for machine vision analysis
WO2021100388A1 (en) Work instruction system and work instruction method
KR102048377B1 (en) Method for managing processes by using processing data with a spreadsheet type, process management server and specific worker's terminal using the same
WO2016038872A1 (en) Information processing device, display method, and program storage medium
JP2021196909A (en) Monitoring system
CN112184093A (en) Express delivery goods inspection method, system and platform, goods inspection processing method and server
WO2022195749A1 (en) Work efficiency calculation system, method, and program
CN114445980B (en) Commodity checkout method and device, electronic equipment and storage medium
KR102543873B1 (en) Systems and methods for process formalization
CN108648080A (en) A kind of transaction display method, device, medium and the equipment of fund product
US11954695B2 (en) Farmed fish tracking and verification system
KR102644685B1 (en) Review reliability validation device and method of thereof
JP2009075906A (en) Object management device and system, computer program, and data processing method

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E601 Decision to refuse application