KR20210106038A - 딥러닝 기반의 ai 기술을 활용한 2차전지 분리막 자동 검사장치 - Google Patents
딥러닝 기반의 ai 기술을 활용한 2차전지 분리막 자동 검사장치 Download PDFInfo
- Publication number
- KR20210106038A KR20210106038A KR1020200020085A KR20200020085A KR20210106038A KR 20210106038 A KR20210106038 A KR 20210106038A KR 1020200020085 A KR1020200020085 A KR 1020200020085A KR 20200020085 A KR20200020085 A KR 20200020085A KR 20210106038 A KR20210106038 A KR 20210106038A
- Authority
- KR
- South Korea
- Prior art keywords
- defect
- secondary battery
- learning
- deep learning
- battery separator
- Prior art date
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
- B07C5/3422—Sorting according to other particular properties according to optical properties, e.g. colour using video scanning devices, e.g. TV-cameras
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M50/00—Constructional details or processes of manufacture of the non-active parts of electrochemical cells other than fuel cells, e.g. hybrid cells
- H01M50/40—Separators; Membranes; Diaphragms; Spacing elements inside cells
- H01M50/403—Manufacturing processes of separators, membranes or diaphragms
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- General Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
본 발명은 딥러닝 기반의 AI 기술을 활용한 2차전지 분리막 자동 검사장치에 관한 것으로서, 카메라와, 결함 학습부와, 불량 판단부를 포함한다. 카메라는 2차전지 분리막의 결함 후보의 영상을 획득한다. 결함 학습부는 딥러닝 기반의 AI 기술을 활용하여 결함 후보의 영상을 학습한다. 불량 판단부는 결함 학습부를 통해 구축된 학습 데이터 베이스를 이용하여 결함 후보가 진성 불량인지 가성 불량인지 판단한다.
Description
본 발명은 딥러닝 기반의 AI 기술을 활용한 2차전지 분리막 자동 검사장치에 관한 것으로서, 상세하게는 2차전지 분리막의 진성 불량과 가성 불량을 구분할 수 있는 딥러닝 기반의 AI 기술을 활용한 2차전지 분리막 자동 검사장치에 관한 것이다.
일반적으로, 전기기기나 회로 따위를 구성하는 단위부품으로서의 소자(素子)나 건전지 등과 같이, 균일 형상으로 다량 생산되는 전기 또는 전자부품들은 제품을 출하하기 전에 그 제품이 정상적인 전압이나 저항 등을 유지하고 있는지를 검사하는 제품성능 검사 과정을 거쳐 제품의 불량여부를 판별한 후 정상적인 제품만을 선별하는 공정이 필수적으로 수행된다.
여러 부품들이 조합/결합되어 완성되는 자동차, 가전제품 등의 경우, 여러 부품 중 하나에서 미미한 오작동이 발생하더라도 정상 동작하는데 장애가 발생할 수 있기 때문에 조합/결합되는 여러 부품 하나 하나마다 양품인지 불량품인지를 선별해 내는 것이 매우 중요하다.
따라서 부품의 출하 전에 다양한 정밀검사를 통해 양품인지 불량품인지를 선별하기 위한 과정이 진행된다.
이러한 정밀검사 중 하나인 비전검사(Vision inspection)는, 실러(Sealer) 도포 상태, 프레임(Frame) 결합 상태, 마킹(Marking) 상태, 리드(Lead)나 볼 그리드(Ball Grid)의 파손여부, 크랙(Crack), 스크래치(Scratch) 여부 등과 같은 부품의 외관 상태를 검사하기 위해 주로 사용된다.
최근 부품의 생산 과정은 공정라인을 따라 이동하는 자동화 생산 과정으로 이루어지는 것이 대부분이며, 따라서 비전검사장치는, 공정라인 상의 곳곳에 설치되어, 공정라인을 따라 이동하는 부품(이하, 검사대상물)에 대해 비전검사를 수행하고 있다.
그러나 기존의 비전검사장치의 비전검사 방식은, 검사대상물을 촬영한 촬영영상과 기 저장된 양품영상을 비교하여 양품인지 아니면 불량품인지를 선별해내는 매우 단순한 방식을 채용하고 있다.
따라서 기존의 비전검사 방식은 비전검사 방식 자체의 정확도가 100% 보장되지 않는 한, 선별 결과(검사 결과)의 오류(예 : 양품을 불량품으로 선별하는 경우, 불량품을 양품으로 선별하는 경우 등)가 발생할 수 밖에 없는데, 비전검사 방식 자체의 정확도가 100% 보장되는 것은 사실상 불가능하기 때문에 결국 잦은 선별 결과(검사 결과) 오류가 발생하게 된다.
작업 인력의 눈으로 이루어지는 종래의 인력 검사에 비해서는 비록 속도면에서는 빠른 공정 속도를 가지게 되지만, 양품과 불량품을 판별하는 기준을 미리 시스템에 옵션으로 정교하게 설정해 놓는다 하더라도 판별의 정확도와 신뢰도가 떨어지는 문제점을 가지고 있다.
또한 이 같은 판별 기준을 몇가지 옵션을 가지고 셋팅하는 과정만으로는 실제 현장 작업자가 가지는 판별 기준과는 미세한 차이를 가질 수 밖에 없으며, 이러한 미세한 차이가 자동화된 선별 방향에 오류를 불러오는 경우가 많아 현장에서는 별도의 작업 인력을 배치해 자동화된 판별 과정에 개입하고 있는 실정이다.
따라서, 본 발명이 해결하고자 하는 과제는 이와 같은 종래의 문제점을 해결하기 위한 것으로서, 딥러닝 기반의 AI 기술을 활용하여 결함 후보의 영상을 학습함으로써, 2차전지 분리막의 결함 후보가 진성 불량인지 가성 불량인지 정확하게 판단하고, 과검출 제거를 통해 검출력을 향상시킬 수 있는 딥러닝 기반의 AI 기술을 활용한 2차전지 분리막 자동 검사장치를 제공함에 있다.
상기와 같은 목적을 달성하기 위하여 본 발명의 딥러닝 기반의 AI 기술을 활용한 2차전지 분리막 자동 검사장치는, 2차전지 분리막의 결함 후보의 영상을 획득하기 위한 카메라; 딥러닝 기반의 AI 기술을 활용하여 상기 결함 후보의 영상을 학습하는 결함 학습부; 및 상기 결함 학습부를 통해 구축된 학습 데이터 베이스를 이용하여 상기 결함 후보가 진성 불량인지 가성 불량인지 판단하는 불량 판단부;를 포함하는 것을 특징으로 한다.
본 발명의 딥러닝 기반의 AI 기술을 활용한 2차전지 분리막 자동 검사장치에 따르면, 2차전지 분리막의 결함 후보가 진성 불량인지 가성 불량인지 정확하게 판단하고, 과검출 제거를 통해 검출력을 향상시킬 수 있다.
도 1은 본 발명의 일 실시예에 따른 딥러닝 기반의 AI 기술을 활용한 2차전지 분리막 자동 검사장치를 개략적으로 도시한 도면이다.
이하, 본 발명에 따른 딥러닝 기반의 AI 기술을 활용한 2차전지 분리막 자동 검사장치의 실시예들을 첨부된 도면을 참조하여 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 딥러닝 기반의 AI 기술을 활용한 2차전지 분리막 자동 검사장치를 개략적으로 도시한 도면이다.
도 1을 참조하면, 본 실시예에 따른 딥러닝 기반의 AI 기술을 활용한 2차전지 분리막 자동 검사장치(100)는, 2차전지 분리막의 진성 불량과 가성 불량을 구분할 수 있는 것으로서, 카메라(110)와, 결함 학습부(120)와, 불량 판단부(130)를 포함한다.
상기 카메라(110)는 2차전지 분리막(1)의 결함 후보의 영상을 획득하기 위한 것으로서, 에어리어 카메라가 이용될 수 있다.
상기 결함 학습부(120)는 딥러닝 기반의 AI 기술을 활용하여 2차전지 분리막(1)의 결함 후보의 영상을 학습한다.
상기 불량 판단부(130)는 결함 학습부(120)를 통해 구축된 학습 데이터 베이스를 이용하여 결함 후보가 진성 불량인지 가성 불량인지 판단한다. 결함 후보가 진성 불량으로 판단될 경우, 결함 후보가 포함된 2차전지 분리막(1)을 최종적으로 불량품 처리한다.
상술한 바와 같이 구성된 본 발명의 딥러닝 기반의 AI 기술을 활용한 2차전지 분리막 자동 검사장치는, 딥러닝 기반의 AI 기술을 활용하여 결함 후보의 영상을 학습함으로써, 2차전지 분리막의 결함 후보가 진성 불량인지 가성 불량인지 정확하게 판단하고, 과검출 제거를 통해 검출력을 향상시킬 수 있는 효과를 얻을 수 있다.
본 발명의 권리범위는 상술한 실시예 및 변형례에 한정되는 것이 아니라 첨부된 특허청구범위 내에서 다양한 형태의 실시예로 구현될 수 있다. 특허청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 누구든지 변형 가능한 다양한 범위까지 본 발명의 청구범위 기재의 범위 내에 있는 것으로 본다.
100 : 딥러닝 기반의 AI 기술을 활용한 2차전지 분리막 자동 검사장치
110 : 카메라
120 : 결함 학습부
130 : 불량 판단부
110 : 카메라
120 : 결함 학습부
130 : 불량 판단부
Claims (1)
- 2차전지 분리막의 결함 후보의 영상을 획득하기 위한 카메라;
딥러닝 기반의 AI 기술을 활용하여 상기 결함 후보의 영상을 학습하는 결함 학습부; 및
상기 결함 학습부를 통해 구축된 학습 데이터 베이스를 이용하여 상기 결함 후보가 진성 불량인지 가성 불량인지 판단하는 불량 판단부;를 포함하는 것을 특징으로 하는 딥러닝 기반의 AI 기술을 활용한 2차전지 분리막 자동 검사장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200020085A KR20210106038A (ko) | 2020-02-19 | 2020-02-19 | 딥러닝 기반의 ai 기술을 활용한 2차전지 분리막 자동 검사장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200020085A KR20210106038A (ko) | 2020-02-19 | 2020-02-19 | 딥러닝 기반의 ai 기술을 활용한 2차전지 분리막 자동 검사장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20210106038A true KR20210106038A (ko) | 2021-08-30 |
Family
ID=77502010
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200020085A KR20210106038A (ko) | 2020-02-19 | 2020-02-19 | 딥러닝 기반의 ai 기술을 활용한 2차전지 분리막 자동 검사장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20210106038A (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116197130A (zh) * | 2023-05-05 | 2023-06-02 | 超音速人工智能科技股份有限公司 | 一种包胶全自动检测机及其检测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190075707A (ko) | 2017-12-21 | 2019-07-01 | 동의대학교 산학협력단 | 딥러닝을 이용한 양품 선별 방법 |
-
2020
- 2020-02-19 KR KR1020200020085A patent/KR20210106038A/ko not_active Application Discontinuation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190075707A (ko) | 2017-12-21 | 2019-07-01 | 동의대학교 산학협력단 | 딥러닝을 이용한 양품 선별 방법 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116197130A (zh) * | 2023-05-05 | 2023-06-02 | 超音速人工智能科技股份有限公司 | 一种包胶全自动检测机及其检测方法 |
| CN116197130B (zh) * | 2023-05-05 | 2023-06-27 | 超音速人工智能科技股份有限公司 | 一种包胶全自动检测机及其检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10878283B2 (en) | Data generation apparatus, data generation method, and data generation program | |
| US10885618B2 (en) | Inspection apparatus, data generation apparatus, data generation method, and data generation program | |
| CN112053318B (zh) | 基于深度学习的二维pcb缺陷实时自动检测与分类装置 | |
| KR102168724B1 (ko) | 이미지 검사를 이용한 이상 판별 방법 및 장치 | |
| US7127099B2 (en) | Image searching defect detector | |
| JP2001230289A (ja) | 欠陥解析方法および欠陥解析システム | |
| CN109946303A (zh) | 检查装置和方法 | |
| TWI707137B (zh) | 智能產線監測系統及監測方法 | |
| EP2212909B1 (en) | Patterned wafer defect inspection system and method | |
| CN114842273B (zh) | Pcb缺陷检测模型的评估方法、评估装置及训练方法 | |
| CN116718600B (zh) | 一种用于对线束产品进行智能化检测的检测装置 | |
| CN109991232B (zh) | 芯片崩边缺陷检测方法 | |
| CN114226262A (zh) | 瑕疵检测方法、瑕疵分类方法及其系统 | |
| CN111191670B (zh) | 基于神经网络的分类装置及分类方法 | |
| KR20210106038A (ko) | 딥러닝 기반의 ai 기술을 활용한 2차전지 분리막 자동 검사장치 | |
| CN117689646A (zh) | 一种正负样本融合的高精度缺陷检测方法、系统及介质 | |
| KR102091014B1 (ko) | 머신 비전 장치 및 머신 비전을 이용한 제품 검사 방법 | |
| KR102316081B1 (ko) | 기계학습 전처리를 통한 원형 플러그의 전기 아연 도금 불량 판별 방법 | |
| KR102188568B1 (ko) | 인공지능 기반의 디스플레이 패널 검사방법 | |
| CN1459628A (zh) | 电路板板材表面瑕疵检测即时汇报装置 | |
| KR20220092194A (ko) | 리튬 이차 전지의 더블탭 불량 검사 방법 | |
| CN114331944A (zh) | 人工智能瑕疵图像分类方法及其系统 | |
| JP2010019561A (ja) | 欠陥検査装置および欠陥検査方法 | |
| KR102686135B1 (ko) | 인공지능을 활용한 결함 검사 방법 및 인공지능을 활용한 결함 검사 장치 | |
| TWI765364B (zh) | 人工智慧瑕疵影像分類方法與其系統 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E601 | Decision to refuse application |