KR20210115356A - 심층 기계 학습을 이용한 도장 검사 시스템 및 방법 - Google Patents

심층 기계 학습을 이용한 도장 검사 시스템 및 방법 Download PDF

Info

Publication number
KR20210115356A
KR20210115356A KR1020200030987A KR20200030987A KR20210115356A KR 20210115356 A KR20210115356 A KR 20210115356A KR 1020200030987 A KR1020200030987 A KR 1020200030987A KR 20200030987 A KR20200030987 A KR 20200030987A KR 20210115356 A KR20210115356 A KR 20210115356A
Authority
KR
South Korea
Prior art keywords
painting
machine learning
defective
deep machine
region
Prior art date
Application number
KR1020200030987A
Other languages
English (en)
Inventor
마한석
옥진성
Original Assignee
대우조선해양 주식회사
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 대우조선해양 주식회사 filed Critical 대우조선해양 주식회사
Priority to KR1020200030987A priority Critical patent/KR20210115356A/ko
Publication of KR20210115356A publication Critical patent/KR20210115356A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
    • 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
    • G01N2021/95615—Inspecting patterns on the surface of objects using a comparative method with stored comparision signal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 심층 학습과 같은 기계 학습 알고리즘을 이용하여 도장 불량 패턴의 다양성 및 정상 상태와 불량 상태의 패턴 차이 등을 판단할 수 있는 심층 기계 학습을 이용한 도장 검사 시스템 및 방법에 관한 것이다. 본 발명의 실시예에 따른 도장 검사 시스템은, 대상체의 영상을 촬영하여 영상 데이터를 형성하고, 영상 데이터로부터 관심 영역을 추출하며, 심층 기계 학습 알고리즘을 이용하여 관심 영역 중 불량 패턴이 포함된 적어도 하나의 도장 불량 영역을 추출하고, 적어도 하나의 도장 불량 영역에 대한 정보를 저장한다.

Description

심층 기계 학습을 이용한 도장 검사 시스템 및 방법{SYSTEM AND METHOD FOR INSPECTION OF PAINTING BY USING DEEP MACHINE LEARNING}
본 발명은 도장 검사 시스템과 관련된 것으로, 특히 심층 학습(Deep Learning)과 같은 기계 학습 알고리즘을 이용하여 도장 불량 패턴의 다양성 및 정상 상태와 불량 상태의 패턴 차이 등을 판단할 수 있는 심층 기계 학습을 이용한 도장 검사 시스템 및 방법에 관한 것이다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙(Rule) 기반의 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반의 스마트 시스템은 점차 심층 학습 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계 학습 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 심층 학습 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 심층 학습의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.
한편, 선박 또는 해양구조물을 건조하기 위해서는 다양한 형태의 수많은 생산 작업을 필요로 한다.　이와 같은 수많은 생산 작업들은 작업의 종류에 따라 처리,　절단,　도장,　용접,　의장재의 설치 등으로 구분할 수 있으며 각각의 작업을 수행하는 개별 조직이 존재한다.
선박의 조립에 사용되는 강재에 대해서 전처리 과정 후 Primary(도장)를 도포하여 불량의 유무를 판단하는 작업은, 모니터링 요원이 주야 2교대로 지속적으로 확인하고 있다.
강재의 도장 검사 작업의 자동화를 위해서는 도장 불량 패턴의 다양성 및 정상 상태와 불량 상태의 미세한 패턴 차이를 검출할 수 있는 검사 시스템을 필요로 한다.
본 발명은 심층 학습과 같은 기계 학습 알고리즘을 이용하여 도장 불량 패턴의 다양성 및 정상 상태와 불량 상태의 패턴 차이 등을 판단할 수 있는 심층 기계 학습을 이용한 도장 검사 시스템 및 방법을 제공한다.
본 발명의 실시예에 따른 심층 기계 학습을 이용한 도장 검사 시스템은, 대상체의 영상을 촬영하여 영상 데이터를 형성하는 영상 획득부; 상기 영상 데이터를 저장하는 영상 저장부; 상기 영상 데이터로부터 관심 영역을 추출하고, 심층 기계 학습(Deep Machine Learning) 알고리즘을 이용하여 상기 관심 영역 중 불량 패턴이 포함된 적어도 하나의 도장 불량 영역을 추출하는 이미지 분석 서버; 및 상기 적어도 하나의 도장 불량 영역에 대한 정보를 저장하는 히스토리 저장부를 포함할 수 있다.
일 실시예로서, 상기 이미지 분석 서버는, 도장 불량 영역이 추출될 경우 상기 대상체의 작업 공정을 중단시키기 위한 제어 신호를 형성할 수 있다.
일 실시예로서, 상기 제어신호를 아날로그 신호로 컨버팅하고, 컨버팅된 아날로그 신호에 기초하여 상기 작업 공정의 전력 공급을 제어하는 제어부를 더 포함할 수 있다.
일 실시예로서, 상기 영상 획득부는, 상기 대상체를 운반하기 위한 이송 수단의 상부 및/또는 하부에 배치되어, 상기 대상체의 상부 및/또는 하부에 대한 영상 데이터를 형성할 수 있다.
일 실시예로서, 상기 이미지 분석 서버는, 상기 관심 영역을 분할하고, 분할된 영역 중 정상 패턴으로 판단된 영역과 불량 패턴으로 판단된 영역을 상기 심층 기계 학습 알고리즘을 이용하여 구분하고, 불량 패턴으로 판단된 영역에 대해서 불량인지 여부를 재차 판단하여 상기 적어도 하나의 도장 불량 영역을 추출할 수 있다.
일 실시예로서, 상기 대상체는, 선박의 건조 또는 해양구조물에 사용되는 강재를 포함할 수 있다.
일 실시예로서, 상기 대상체의 도장 불량 유무를 실시간으로 모니터링하고, 상기 대상체의 작업 공정을 제어하기 위한 제어 신호를 형성하는 관제부를 더 포함할 수 있다.
본 발명의 실시예에 따른 심층 기계 학습을 이용한 도장 검사 방법은, 대상체의 영상을 촬영하여 영상 데이터를 형성하는 단계; 상기 영상 데이터로부터 관심 영역을 추출하는 단계; 심층 기계 학습 알고리즘을 이용하여 상기 관심 영역 중 불량 패턴이 포함된 적어도 하나의 도장 불량 영역을 추출하는 단계; 및 상기 적어도 하나의 도장 불량 영역에 대한 정보를 저장하는 단계를 포함할 수 있다.
일 실시예로서, 상기 도장 불량 영역을 추출하는 단계는, 도장 불량 영역이 추출될 경우 상기 대상체의 작업 공정을 중단시키기 위한 제어 신호를 형성하는 단계를 포함할 수 있다.
일 실시예로서, 상기 제어신호를 아날로그 신호로 컨버팅하는 단계; 및 컨버팅된 아날로그 신호에 기초하여 상기 작업 공정의 전력 공급을 제어하는 단계를 더 포함할 수 있다.
일 실시예로서, 상기 영상 데이터를 형성하는 단계는, 상기 대상체를 운반하기 위한 이송 수단의 상부 및/또는 하부에 배치된 영상 획득부를 이용하여 상기 대상체의 상부 및/또는 하부에 대한 영상 데이터를 형성하는 단계를 포함할 수 있다.
일 실시예로서, 상기 도장 불량 영역을 추출하는 단계는, 상기 관심 영역을 분할하는 단계; 분할된 영역 중 정상 패턴으로 판단된 영역과 불량 패턴으로 판단된 영역을 상기 심층 기계 학습 알고리즘을 이용하여 구분하는 단계; 및 불량 패턴으로 판단된 영역에 대해서 불량인지 여부를 재차 판단하여 상기 적어도 하나의 도장 불량 영역을 추출하는 단계를 포함할 수 있다.
일 실시예로서, 상기 대상체는, 선박 또는 해양구조물의 건조에 사용되는 강재를 포함할 수 있다.
일 실시예로서, 상기 대상체의 도장 불량 유무를 실시간으로 모니터링하는 단계; 및 상기 모니터링 결과에 기초하여 상기 대상체의 작업 공정을 제어하기 위한 제어 신호를 형성하는 단계를 더 포함할 수 있다.
본 발명에 의하면, 비전(vision) 시스템을 이용하여 도장 후의 대상체에 대한 영상 데이터를 축적하고, 심층 기계 학습 알고리즘을 이용하여 영상 데이터에 대한 도장 불량 영역 및 정상 영역을 구분할 수 있는 무인화된 도장 불량 검사 시스템을 구축할 수 있다.
또한, 지속적으로 도장 불량 영역에 대한 영상 데이터를 축적하고, 재학습을 통하여 도장 불량 검사 시스템의 고도화를 이룰 수 있다.
도 1은 본 발명의 실시예에 따른 도장 검사 시스템의 구성을 보이는 예시도이다.
도 2는 본 발명의 다른 실시예에 따른 도장 검사 시스템의 구성을 보이는 예시도이다.
도 3은 본 발명의 실시예에 따른 관심 영역 및 도장 불량 영역을 나타내는 개념도이다.
도 4는 본 발명의 실시예에 따른 이미지 분석 서버의 구성을 보이는 예시도이다.
도 5는 본 발명의 실시예에 따른 도장 검사 방법의 절차를 보이는 흐름도이다.
도 6은 본 발명의 실시예에 따른 도장 불량 영역 추출 방법의 절차를 보이는 흐름도이다.
이하, 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.
도 1은 본 발명의 실시예에 따른 도장 검사 시스템의 구성을 보이는 예시도이다.
도 1을 참조하면, 도장 검사 시스템(100)은, 비전 카메라(110), 게이트웨이 및 서버(120), 비전 처리 시스템(130) 및 관제 및 제어 시스템(140)을 포함할 수 있다. 일 실시예에 따르면, 비전 카메라(110), 게이트웨이 및 서버(120), 비전 처리 시스템(130) 및 관제 및 제어 시스템(140)은 상호간 통신 가능하도록 시스템 버스(도시하지 않음) 등을 이용하여 연결될 수 있다.
비전 카메라(110)는, 대상체의 영상을 촬영하여 영상 데이터를 형성할 수 있다. 일 실시예에 따르면, 대상체는, 선박 또는 해양구조물의 조립에 사용되는 강재를 포함할 수 있지만, 이에 한정되지 않는다. 일 실시예에 따르면, 비전 카메라(110)는 선박 또는 해양구조물의 제조에 사용되는 강재 등의 대상체에 대한 영상을 촬영하여 영상 데이터를 형성할 수 있다. 예를 들어, 비전 카메라(110)는 강재의 도장 공정에서 강재의 이송을 위한 이송 수단(예를 들어, 컨베이어 벨트 등) 주변에 설치되어, 강재에 대한 영상 데이터를 형성할 수 있다.
게이트웨이 및 서버(120)는, 비전 카메라(110)에서 형성된 영상 데이터를 수집하도록 동작할 수 있다. 일 실시예에 따르면, 게이트웨이 및 서버(120)는, PoE(Power over Ethernet) 스위치 및 NVR(Network Video Recorder)을 포함할 수 있지만, 이에 한정되지 않는다.
비전 처리 시스템(130)은, 영상 데이터로부터 관심 영역(ROI: Region of Interest)을 추출하고, 심층 기계 학습 알고리즘을 이용하여 관심 영역 중 불량 패턴이 포함된 적어도 하나의 도장 불량 영역을 추출할 수 있다.
관제 및 제어 시스템(140)은, 대상체의 도장 불량 여부를 실시간으로 감시하고, 대상체에서 도장 불량 영역이 추출될 경우 대상체의 작업 공정을 중단시키기 위한 제어 신호를 형성할 수 있다.
도 2는 본 발명의 다른 실시예에 따른 도장 검사 시스템의 구성을 보이는 예시도이다.
도 2에 도시한 바와 같이, 도장 검사 시스템(200)은, 영상 획득부(210-1, 210-2), 영상 저장부(220), 이미지 분석 서버(230), 히스토리 저장부(240), 제어부(250) 및 관제부(260)를 포함할 수 있다. 일 실시예에 따르면, 영상 획득부(210-1, 210-2), 영상 저장부(220), 이미지 분석 서버(230), 히스토리 저장부(240), 제어부(250) 및 관제부(260)는 상호간 통신 가능하도록 시스템 버스(도시하지 않음) 등을 이용하여 연결될 수 있다.
영상 획득부(210-1, 210-2)는, 대상체의 영상을 촬영하여 영상 데이터를 형성할 수 있다. 일 실시예에 따르면, 영상 획득부(210-1, 210-2)는 선박 또는 해양구조물의 제조에 사용되는 강재 등의 대상체(TO)에 대한 영상을 촬영하여 영상 데이터를 형성할 수 있다. 예를 들어, 영상 획득부(210-1, 210-2)는 강재의 도장 공정에서 강재의 이송을 위한 이송 수단(예를 들어, 컨베이어 벨트(CV)) 주변에 하나 이상 설치되어, 강재에 대한 영상 데이터를 형성할 수 있다. 일 실시예에 따르면, 영상 획득부는 컨베이어 벨트(CV)의 상부(210-1) 및 하부(210-2)에 각각 설치되어 대상체(TO)의 상부 및 하부 영상을 촬영하여 영상 데이터를 형성할 수 있지만, 이에 한정되지 않는다.
영상 저장부(220)는, 영상 획득부(210-1, 210-2)에서 형성된 영상 데이터를 저장할 수 있다. 일 실시예에 따르면, 영상 저장부(220)는, PoE(Power over Ethernet) 스위치 및 NVR(Network Video Recorder)을 포함할 수 있지만, 이에 한정되지 않는다. 예를 들어, 영상 저장부(220)는, 다양한 현장에 설치된 하나 이상의 영상 획득부(210-1, 210-2)에서 형성된 영상 데이터를 수집하기 위한 역할을 수행할 수 있다. 영상 저장부(220)는, 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 또한, 영상 저장부(220)는, 클라우드 환경에서 구현될 수 있어서 데이터 누적 시 서버의 용량이 제한되는 것을 해결할 수 있지만, 영상 저장부(220)는, 이에 한정되지 않고, 클라우드 인프라(Infra) 및 매니지드(Managed) 서비스 기반으로 고 가용성의 확장성이 높은 다양한 시스템을 포함할 수 있다.
이미지 분석 서버(230)는, 영상 데이터로부터 관심 영역을 추출하고, 심층 기계 학습 알고리즘을 이용하여 관심 영역 중 불량 패턴이 포함된 적어도 하나의 도장 불량 영역을 추출할 수 있다.
도 3은 본 발명의 실시예에 따른 관심 영역 및 도장 불량 영역을 나타내는 개념도이다. 도 3에 도시한 바와 같이, 영상 데이터가 나타내는 전체 이미지(WI)는, 대상체(TO) 및 대상체 주변의 이미지를 포함할 수 있다. 이미지 분석 서버(230)는, 영상 데이터가 나타내는 전체 이미지(WI)로부터 관심 영역(ROI)을 추출하고, 심층 기계 학습 알고리즘을 이용하여 관심 영역 중 불량 패턴이 포함된 적어도 하나의 도장 불량 영역(DA1, DA2, DA3)을 추출할 수 있다.
다시 도 2를 참조하면, 이미지 분석 서버(230)는, 관심 영역(ROI)을 미리 설정된 크기로 분할하고(segmentation), 분할된 영역 중 정상 패턴으로 판단된 영역과 불량 패턴으로 판단된 영역을 심층 기계 학습 알고리즘을 이용하여 구분할 수 있다. 또한, 이미지 분석 서버(230)는, 불량 패턴으로 판단된 영역에 대해서 불량인지 여부를 재차 판단하여 불량 패턴과 유사하지만 정상인 영역과 불량 패턴인 영역을 정밀하게 구분하여 적어도 하나의 도장 불량 영역을 추출할 수 있다. 예를 들어, 이미지 분석 서버(230)는, 인공지능 기술을 이용한 심층 기계 학습의 Trial and Error 방식으로 수십만 번의 반복 실행을 통한 학습을 수행하여 정상인 영역과 불량 패턴을 포함한 영역을 구분할 수 있다.
또한, 이미지 분석 서버(230)는, 관심 영역(ROI)으로부터 도장 불량 영역(DA1, DA2, DA3)이 추출될 경우 대상체(TO)의 작업 공정을 중단시키기 위한 제어 신호를 형성할 수 있다.
히스토리 저장부(240)는, 이미지 분석 서버(230)에서 형성된 적어도 하나의 도장 불량 영역에 대한 정보를 저장할 수 있다. 일 실시예에 따르면, 히스토리 저장부(240)는, 이미지 분석 서버(230)에서 추출된 도장 불량 영역(DA1, DA2, DA3)과 도장 불량 영역(DA1, DA2, DA3)이 촬영된 일시에 대한 정보, 대상체(TO)의 작업 공정을 중단시키기 위한 제어 신호가 형성된 일시에 대한 정보 등을 포함할 수 있지만, 이에 한정되지 않는다. 예를 들어, 히스토리 저장부(240)는, 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 또한, 히스토리 저장부(240)는, 클라우드 환경에서 구현될 수 있어서 데이터 누적 시 서버의 용량이 제한되는 것을 해결할 수 있지만, 히스토리 저장부(240)는, 이에 한정되지 않고, 클라우드 인프라 및 매니지드 서비스 기반으로 고 가용성의 확장성이 높은 다양한 시스템을 포함할 수 있다.
제어부(250)는, 이미지 분석 서버(230)에서 형성된 제어신호를 아날로그 신호로 컨버팅(converting)하고, 컨버팅된 아날로그 신호에 기초하여 대상체(TO)의 작업 공정에 대한 전력 공급을 제어할 수 있다. 일 실시예에 따르면, 제어부(250)는, 컨버터(converter)를 이용하여 아날로그 신호인 제어신호를 디지털 신호로 변환하고, 컨버팅된 아날로그 신호에 기초하여 PLC(Power Line Communication)를 이용하여 대상체(TO)의 작업 공정에 사용되는 컨베이어 벨트(CV)의 전력 공급을 제어할 수 있다.
관제부(260)는, 대상체(TO)의 도장 불량 유무를 실시간으로 모니터링하고, 대상체(TO)의 작업 공정을 제어하기 위한 제어 신호를 형성할 수 있다. 일 실시예에 따르면, 대상체(예를 들어, 선박의 조립에 사용되는 강재)의 도장 불량 유무를 실시간으로 모니터링하고, 대상체(TO)의 도장 불량 등의 상황이 발생할 경우 대상체(TO)의 작업 공정을 제어(예를 들어, 컨베이어 벨트(CV)의 동작 정지 및 재가동)하기 위한 제어 신호를 형성할 수 있다.
본 발명에서, 인공지능은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있다. 기계 학습은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.
기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.
인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.
도 4는 본 발명의 실시예에 따른 이미지 분석 서버의 구성을 보이는 예시도이다.
도 4에 도시한 바와 같이, 이미지 분석 서버(230)는 수신부(231), 프로세서(232), 송신부(233), 시스템 버스(234), 디지털 패킷(235) 및 데이터베이스(236)를 포함할 수 있다. 일 실시예로서, 수신부(231), 프로세서(232), 송신부(233), 디지털 패킷(235) 및 데이터베이스(236)는 시스템 버스(234)를 이용하여 통신 가능하도록 서로 연결될 수 있고, 이미지 분석 서버(230)의 이 구성요소들 중 적어도 하나가 생략되거나, 다른 구성요소가 이미지 분석 서버(230)에 추가될 수 있다. 아울러, 추가적으로(additionally) 또는 대체적으로(alternatively), 일부의 구성요소들이 통합되어 구현되거나, 단수 또는 복수의 개체로 구현될 수 있다.
네트워크(N)는 영상 획득부(210-1, 210-2), 영상 저장부(220), 히스토리 저장부(240), 제어부(250) 및 관제부(260) 간의 무선 또는 유선 통신을 수행할 수 있다. 예를 들어, 네트워크(N)는 LTE(long-term evolution), LTE-A(LTE Advanced), CDMA(code division multiple access), WCDMA(wideband CDMA), WiBro(Wireless BroadBand), WiFi(wireless fidelity), 블루투스(Bluetooth), NFC(near field communication), GPS(Global Positioning System) 또는 GNSS(global navigation satellite system) 등의 방식에 따른 무선 통신을 수행할 수 있다. 예를 들어, 네트워크(N)는 USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard 232) 또는 POTS(plain old telephone service) 등의 방식에 따른 유선 통신을 수행할 수도 있다.
수신부(231)는, 네트워크(N)를 통하여 영상 획득부(210-1, 210-2)로부터 대상체(TO)의 영상 데이터를 디지털 패킷(235)의 형태로 수신하여 프로세서(232) 및 데이터베이스(236)로 전송할 수 있다. 일 실시예로서, 대상체(TO)는, 선박 또는 해양구조물의 조립에 사용되는 강재를 포함할 수 있지만, 이에 한정되지 않는다.
프로세서(232)는, 수신된 영상 데이터로부터 심층 기계 학습 알고리즘을 이용하여 관심 영역(ROI)을 추출할 수 있다. 일 실시예에 따르면, 프로세서(232)는, 영상 획득부(210-1, 210-2)에서 형성된 영상 데이터가 나타내는 전체 이미지(WI)에서 대상체(TO) 주변의 컨베이어 벨트(CV) 등의 이미지를 제거하고 대상체(TO)만의 이미지에 해당하는 관심 영역(ROI)을 추출할 수 있다. 예를 들어, 프로세서(232)는, 영상 데이터가 나타내는 전체 이미지(WI)에서 대상체(TO) 주변의 이미지를 제거하기 위하여 지도 학습 알고리즘을 이용할 수 있다. 지도 학습 알고리즘은, 훈련 데이터(Training Data)로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법으로서, 서포트 벡터 머신(Support Vector Machine), 은닉 마르코프 모델(Hidden Markov model), 회귀 분석(Regression), 신경망(Neural network), 나이브 베이즈 분류(Naive Bayes Classification) 등을 포함할 수 있지만, 이에 한정되지 않는다.
또한, 프로세서(232)는, 심층 기계 학습 알고리즘을 이용하여 추출된 관심 영역 중 불량 패턴이 포함된 적어도 하나의 도장 불량 영역을 추출하여 디지털 패킷(235) 형태로 형성할 수 있다. 일 실시예에 따르면, 프로세서(232)는, 추출된 관심 영역(ROI)을 미리 설정된 크기로 분할하고, 분할된 영역 중 정상 패턴으로 판단된 영역과 불량 패턴으로 판단된 영역을 심층 기계 학습 알고리즘을 이용하여 구분할 수 있다. 또한, 프로세서(232)는, 불량 패턴으로 판단된 영역에 대해서 불량인지 여부를 재차 판단하여 불량 패턴과 유사하지만 정상인 영역과 불량 패턴인 영역을 정밀하게 구분하여 적어도 하나의 도장 불량 영역을 추출할 수 있다. 예를 들어, 프로세서(232)는, Trial and Error 방식으로 정상 패턴으로 판단된 영역과 불량 패턴으로 판단된 영역을 지도 학습 알고리즘을 이용하여 학습하여 불량 패턴과 유사한 정상 패턴 영역과 불량 패턴 영역을 정교하게 추출해 낼 수 있다.
또한, 프로세서(232)는, 정상 패턴 영역과 불량 패턴 영역에 대한 학습 진행 중에 제대로 학습이 진행되고 있는지 검증(validation)을 수행할 수도 있다
송신부(233)는, 프로세서(232)에서 형성된 디지털 패킷(235) 형태의 도장 불량 영역에 대한 정보를 네트워크(N)를 통하여 히스토리 저장부(240)로 전송할 수 있다.
도 5는 본 발명의 실시예에 따른 도장 검사 방법의 절차를 보이는 흐름도이고, 도 6은 본 발명의 실시예에 따른 도장 불량 영역 추출 방법의 절차를 보이는 흐름도이다. 도 5 및 도 6의 흐름도에서 프로세스 단계들, 방법 단계들, 알고리즘들 등이 순차적인 순서로 설명되었지만, 그러한 프로세스들, 방법들 및 알고리즘들은 임의의 적합한 순서로 작동하도록 구성될 수 있다. 다시 말하면, 본 발명의 다양한 실시예들에서 설명되는 프로세스들, 방법들 및 알고리즘들의 단계들이 본 발명에서 기술된 순서로 수행될 필요는 없다. 또한, 일부 단계들이 비동시적으로 수행되는 것으로서 설명되더라도, 다른 실시예에서는 이러한 일부 단계들이 동시에 수행될 수 있다. 또한, 도면에서의 묘사에 의한 프로세스의 예시는 예시된 프로세스가 그에 대한 다른 변화들 및 수정들을 제외하는 것을 의미하지 않으며, 예시된 프로세스 또는 그의 단계들 중 임의의 것이 본 발명의 다양한 실시예들 중 하나 이상에 필수적임을 의미하지 않으며, 예시된 프로세스가 바람직하다는 것을 의미하지 않는다.
도 5에 도시한 바와 같이, 단계(S510)에서, 영상 획득부에 의하여, 대상체의 영상이 촬영되어 영상 데이터가 형성된다. 예를 들어, 도 1 내지 도 4를 참조하면, 영상 획득부(210-1, 210-2)는, 대상체(TO)의 영상을 촬영하여 대상체(TO)의 영상 데이터를 형성할 수 있다. 일 실시예에 따르면, 영상 획득부(210-1, 210-2)는, 강재의 도장 공정에서 강재의 이송을 위한 이송 수단(예를 들어, 컨베이어 벨트(CV)) 주변에 다수 설치되어, 강재에 대한 영상 데이터를 형성할 수 있다. 예를 들어, 영상 획득부는 컨베이어 벨트(CV)의 상부(210-1) 및 하부(210-2)에 각각 설치되어 대상체(TO)의 상부 및 하부 영상을 촬영하여 영상 데이터를 형성할 수 있지만, 이에 한정되지 않는다.
단계(S520)에서, 영상 데이터로부터 관심 영역이 추출된다. 예를 들어, 도 1 내지 도 4를 참조하면, 이미지 분석 서버(230)의 프로세서(232)는, 영상 획득부(210)로부터 수신된 영상 데이터가 나타내는 전체 이미지(WI)에서 관심 영역(ROI)을 추출할 수 있다.
단계(S530)에서, 심층 기계 학습 알고리즘을 이용하여 관심 영역 중 불량 패턴이 포함된 적어도 하나의 도장 불량 영역이 추출된다. 예를 들어, 도 1 내지 도 4를 참조하면, 이미지 분석 서버(230)의 프로세서(232)는, 심층 기계 학습 알고리즘을 이용하여 추출된 관심 영역(ROI) 중 불량 패턴이 포함된 적어도 하나의 도장 불량 영역(DA1, DA2, DA3)을 추출할 수 있다.
단계(S540)에서, 적어도 하나의 도장 불량 영역에 대한 정보가 저장된다. 예를 들어, 도 1 내지 도 4를 참조하면, 이미지 분석 서버(230)의 프로세서(232)는, 영상 데이터를 이용하여 대상체(TO)로부터 적어도 하나의 도장 불량 영역이 추출된 경우 도장 불량 영역에 대한 정보를 형성하여 히스토리 저장부(240)에 저장하도록 할 수 있다. 일 실시예에 따르면, 도장 불량 영역에 대한 정보는, 이미지 분석 서버(230)에서 추출된 도장 불량 영역(DA1, DA2, DA3)과 도장 불량 영역(DA1, DA2, DA3)이 촬영된 일시에 대한 정보, 대상체(TO)의 작업 공정을 중단시키기 위한 제어 신호가 형성된 일시에 대한 정보 등을 포함할 수 있지만, 이에 한정되지 않는다.
도 6에 도시한 바와 같이, 단계(S610)에서, 관심 영역이 분할된다. 예를 들어, 도 1 내지 도 5를 참조하면, 이미지 분석 서버(230)의 프로세서(232)는, 영상 데이터가 나타내는 전체 이미지(WI)로부터 추출된 관심 영역(ROI) 중 불량 패턴이 포함된 적어도 하나의 도장 불량 영역(DA1, DA2, DA3)을 분할할 수 있다.
단계(S620)에서, 분할된 영역 중 정상 패턴으로 판단된 영역과 불량 패턴으로 판단된 영역이 심층 기계 학습 알고리즘을 이용하여 구분된다. 예를 들어, 도 1 내지 도 5를 참조하면, 이미지 분석 서버(230)의 프로세서(232)는, 단계 S610에서 관심 영역(ROI)으로부터 분할된 영역 중 정상 패턴으로 판단된 영역과 불량 패턴으로 판단된 영역을 심층 기계 학습 알고리즘을 이용하여 구분할 수 있다.
단계(S630)에서, 불량 패턴으로 판단된 영역에 대해서 불량인지 여부가 재차 판단되어 적어도 하나의 도장 불량 영역이 추출된다. 예를 들어, 도 1 내지 도 5를 참조하면, 이미지 분석 서버(230)의 프로세서(232)는, 단계 S620에서 불량 패턴으로 판단된 영역에 대해서 불량인지 여부를 재차 판단하여 불량 패턴과 유사하지만 정상인 영역과 불량 패턴인 영역을 정밀하게 구분하여 적어도 하나의 도장 불량 영역(DA1, DA2, DA3)을 추출할 수 있다. 예를 들어, 프로세서(232)는, 인공지능 기술을 활용한 Trial and Error 방식으로 정상 패턴으로 판단된 영역과 불량 패턴으로 판단된 영역을 지도 학습 알고리즘을 이용하여 학습하여 불량 패턴과 유사한 정상 패턴 영역과 불량 패턴 영역을 정교하게 추출해 낼 수 있지만, 이에 한정되지 않는다.
이상, 본 발명을 도면에 도시된 실시예를 참조하여 설명하였다. 그러나, 본 발명은 이에 한정되지 않고 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 본 발명과 균등한 범위에 속하는 다양한 변형예 또는 다른 실시예가 가능하다. 따라서, 본 발명의 진정한 보호범위는 이어지는 특허청구범위에 의해 정해져야 할 것이다.
100: 도장 검사 시스템 110: 비전 카메라
120: 게이트웨이 및 서버 130: 비전 처리 시스템
140: 관제 및 제어 시스템 200: 도장 검사 시스템
210-1, 210-2: 영상 획득부 220: 영상 저장부
230: 이미지 분석 서버 240: 히스토리 저장부
250: 제어부 260: 관제부
231: 수신부 232: 프로세서
233: 송신부 234: 시스템 버스
235: 디지털 패킷 236: 데이터베이스
N: 네트워크 WI: 전체 이미지
ROI: 관심 영역 DA1,DA2,DA3: 도장 불량 영역

Claims (14)

  1. 대상체의 영상을 촬영하여 영상 데이터를 형성하는 영상 획득부;
    상기 영상 데이터를 저장하는 영상 저장부;
    상기 영상 데이터로부터 관심 영역을 추출하고, 심층 기계 학습 알고리즘을 이용하여 상기 관심 영역 중 불량 패턴이 포함된 적어도 하나의 도장 불량 영역을 추출하는 이미지 분석 서버; 및
    상기 적어도 하나의 도장 불량 영역에 대한 정보를 저장하는 히스토리 저장부를 포함하는,
    심층 기계 학습을 이용한 도장 검사 시스템.
  2. 제 1 항에 있어서,
    상기 이미지 분석 서버는,
    도장 불량 영역이 추출될 경우 상기 대상체의 작업 공정을 중단시키기 위한 제어 신호를 형성하는,
    심층 기계 학습을 이용한 도장 검사 시스템.
  3. 제 2 항에 있어서,
    상기 제어신호를 아날로그 신호로 컨버팅하고, 컨버팅된 아날로그 신호에 기초하여 상기 작업 공정의 전력 공급을 제어하는 제어부를 더 포함하는,
    심층 기계 학습을 이용한 도장 검사 시스템.
  4. 제 1 항에 있어서,
    상기 영상 획득부는,
    상기 대상체를 운반하기 위한 이송 수단의 상부 및 하부 중 어느 하나 이상에 배치되어, 상기 대상체의 상부 및 하부 중 어느 하나 이상에 대한 영상 데이터를 형성하는,
    심층 기계 학습을 이용한 도장 검사 시스템.
  5. 제 1 항에 있어서,
    상기 이미지 분석 서버는,
    상기 관심 영역을 분할하고, 분할된 영역 중 정상 패턴으로 판단된 영역과 불량 패턴으로 판단된 영역을 상기 심층 기계 학습 알고리즘을 이용하여 구분하고, 불량 패턴으로 판단된 영역에 대해서 불량인지 여부를 재차 판단하여 상기 적어도 하나의 도장 불량 영역을 추출하는,
    심층 기계 학습을 이용한 도장 검사 시스템.
  6. 제 1 항에 있어서,
    상기 대상체는,
    선박 또는 해양구조물의 건조에 사용되는 강재를 포함하는,
    심층 기계 학습을 이용한 도장 검사 시스템.
  7. 제 1 항에 있어서,
    상기 대상체의 도장 불량 유무를 실시간으로 모니터링하고, 상기 대상체의 작업 공정을 제어하기 위한 제어 신호를 형성하는 관제부를 더 포함하는,
    심층 기계 학습을 이용한 도장 검사 시스템.
  8. 대상체의 영상을 촬영하여 영상 데이터를 형성하는 단계;
    상기 영상 데이터로부터 관심 영역을 추출하는 단계;
    심층 기계 학습 알고리즘을 이용하여 상기 관심 영역 중 불량 패턴이 포함된 적어도 하나의 도장 불량 영역을 추출하는 단계; 및
    상기 적어도 하나의 도장 불량 영역에 대한 정보를 저장하는 단계를 포함하는,
    심층 기계 학습을 이용한 도장 검사 방법.
  9. 제 8 항에 있어서,
    상기 도장 불량 영역을 추출하는 단계는,
    도장 불량 영역이 추출될 경우 상기 대상체의 작업 공정을 중단시키기 위한 제어 신호를 형성하는 단계를 포함하는,
    심층 기계 학습을 이용한 도장 검사 방법.
  10. 제 9 항에 있어서,
    상기 제어신호를 아날로그 신호로 컨버팅하는 단계; 및
    컨버팅된 아날로그 신호에 기초하여 상기 작업 공정의 전력 공급을 제어하는 단계를 더 포함하는,
    심층 기계 학습을 이용한 도장 검사 방법.
  11. 제 8 항에 있어서,
    상기 영상 데이터를 형성하는 단계는,
    상기 대상체를 운반하기 위한 이송 수단의 상부 및 하부 중 어느 하나 이상에 배치된 영상 획득부를 이용하여 상기 대상체의 상부 및 하부 중 어느 하나 이상에 대한 영상 데이터를 형성하는 단계를 포함하는,
    심층 기계 학습을 이용한 도장 검사 방법.
  12. 제 8 항에 있어서,
    상기 도장 불량 영역을 추출하는 단계는,
    상기 관심 영역을 분할하는 단계;
    분할된 영역 중 정상 패턴으로 판단된 영역과 불량 패턴으로 판단된 영역을 상기 심층 기계 학습 알고리즘을 이용하여 구분하는 단계; 및
    불량 패턴으로 판단된 영역에 대해서 불량인지 여부를 재차 판단하여 상기 적어도 하나의 도장 불량 영역을 추출하는 단계를 포함하는,
    심층 기계 학습을 이용한 도장 검사 방법.
  13. 제 8 항에 있어서,
    상기 대상체는,
    선박의 건조 또는 해양구조물에 사용되는 강재를 포함하는,
    심층 기계 학습을 이용한 도장 검사 방법.
  14. 제 8 항에 있어서,
    상기 대상체의 도장 불량 유무를 실시간으로 모니터링하는 단계; 및
    상기 모니터링 결과에 기초하여 상기 대상체의 작업 공정을 제어하기 위한 제어 신호를 형성하는 단계를 더 포함하는,
    심층 기계 학습을 이용한 도장 검사 방법.
KR1020200030987A 2020-03-12 2020-03-12 심층 기계 학습을 이용한 도장 검사 시스템 및 방법 KR20210115356A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200030987A KR20210115356A (ko) 2020-03-12 2020-03-12 심층 기계 학습을 이용한 도장 검사 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200030987A KR20210115356A (ko) 2020-03-12 2020-03-12 심층 기계 학습을 이용한 도장 검사 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR20210115356A true KR20210115356A (ko) 2021-09-27

Family

ID=77926081

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200030987A KR20210115356A (ko) 2020-03-12 2020-03-12 심층 기계 학습을 이용한 도장 검사 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR20210115356A (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230120359A (ko) 2022-02-09 2023-08-17 한화오션 주식회사 가상현실기반 선박 스프레이도장 현상 예측방법, 이를 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체 및 이를 적용한 스프레이도장 교육 시스템
KR20230120836A (ko) 2022-02-10 2023-08-17 한화오션 주식회사 가상현실기반 스프레이도장 교육 시스템 및 방법
KR20230121471A (ko) 2022-02-11 2023-08-18 한화오션 주식회사 가상현실기반 스프레이도장 교육 운영 방법 및 이를 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체
KR20230123700A (ko) 2022-02-17 2023-08-24 한화오션 주식회사 가상현실기반 스프레이도장 교육 운영 방법 및 이를 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체
KR102598507B1 (ko) * 2023-06-19 2023-11-06 지알디씨 주식회사 도장 제품용 비전검사장치

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230120359A (ko) 2022-02-09 2023-08-17 한화오션 주식회사 가상현실기반 선박 스프레이도장 현상 예측방법, 이를 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체 및 이를 적용한 스프레이도장 교육 시스템
KR20230120836A (ko) 2022-02-10 2023-08-17 한화오션 주식회사 가상현실기반 스프레이도장 교육 시스템 및 방법
KR20230121471A (ko) 2022-02-11 2023-08-18 한화오션 주식회사 가상현실기반 스프레이도장 교육 운영 방법 및 이를 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체
KR20230123700A (ko) 2022-02-17 2023-08-24 한화오션 주식회사 가상현실기반 스프레이도장 교육 운영 방법 및 이를 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체
KR102598507B1 (ko) * 2023-06-19 2023-11-06 지알디씨 주식회사 도장 제품용 비전검사장치

Similar Documents

Publication Publication Date Title
KR20210115356A (ko) 심층 기계 학습을 이용한 도장 검사 시스템 및 방법
Fei et al. CPS data streams analytics based on machine learning for Cloud and Fog Computing: A survey
EP3319016B1 (en) Control systems using deep reinforcement learning
WO2020114425A1 (en) Human augmented cloud-based robotics intelligence framework and associated methods
US20220171907A1 (en) Creation of digital twin of the interaction among parts of the physical system
CN113939848A (zh) 推论装置、推论方法及推论程序
KR102548732B1 (ko) 신경망 학습 방법 및 이를 적용한 장치
Cupek et al. Autonomous guided vehicles for smart industries–the state-of-the-art and research challenges
KR20200063340A (ko) 클라우드향 기계학습 기반의 품질 검사 방법 및 그 시스템
CN113391607A (zh) 一种基于深度学习的水电站闸门控制方法及系统
KR102330055B1 (ko) 드론을 이용한 구조물의 변화 검출 방법 및 시스템
WO2019018533A1 (en) NEURO-BAYESIAN ARCHITECTURE FOR THE IMPLEMENTATION OF GENERAL ARTIFICIAL INTELLIGENCE
US20230078625A1 (en) Anomaly detection in latent space representations of robot movements
Variz et al. Machine learning applied to an intelligent and adaptive robotic inspection station
Khatoon et al. Analysis of use cases enabling AI/ML to IOT service platforms
KR20210115250A (ko) 하이브리드 심층 학습 시스템 및 방법
Gao et al. Human motion recognition and prediction for robot control
Karagiorgou et al. Unveiling trends and predictions in digital factories
KR20220037608A (ko) 리스트 분류 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체
KR20210062794A (ko) 기자재 구성요소 추출 장치 및 방법과, 그를 포함하는 고장 진단 시스템
KR20220035570A (ko) 심용접 품질 관리 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체
KR102522634B1 (ko) 네트워크 장비의 유지 보수 운용 자동화 방법, 장치 및 시스템
Radley et al. IMPROVING THE PERFORMANCE AND FUNCTIONALITY OF AI AND MACHINE LEARNING IN ELECTRONIC DEVICES AND SYSTEMS.
Liu A Deep Neural Network-Based Target Recognition Algorithm for Robot Scenes
KR20210011811A (ko) 기계 학습을 이용한 곡가공 장치 및 방법과, 그를 저장하는 컴퓨터 판독 가능한 기록매체

Legal Events

Date Code Title Description
A201 Request for examination