KR20220014898A - 제품 품질 관리 시스템 및 방법 - Google Patents

제품 품질 관리 시스템 및 방법 Download PDF

Info

Publication number
KR20220014898A
KR20220014898A KR1020220006494A KR20220006494A KR20220014898A KR 20220014898 A KR20220014898 A KR 20220014898A KR 1020220006494 A KR1020220006494 A KR 1020220006494A KR 20220006494 A KR20220006494 A KR 20220006494A KR 20220014898 A KR20220014898 A KR 20220014898A
Authority
KR
South Korea
Prior art keywords
product
management system
image
inspected
inspection target
Prior art date
Application number
KR1020220006494A
Other languages
English (en)
Other versions
KR102507591B1 (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 KR1020220006494A priority Critical patent/KR102507591B1/ko
Publication of KR20220014898A publication Critical patent/KR20220014898A/ko
Application granted granted Critical
Publication of KR102507591B1 publication Critical patent/KR102507591B1/ko

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—Information and communication technology [ICT] specially adapted for implementation of business processes of 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] or 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] or 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] or 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Emergency Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • General Factory Administration (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

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.

Description

제품 품질 관리 시스템 및 방법{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.
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.
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.
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.
관련 선행기술로는 대한민국 공개특허공보 제10-2004-0076159호(발명의 명칭: 제품의 품질관리장치 및 그 방법, 공개일자: 2004.08.31)가 있다.
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.
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.
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.
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.
상기 학습 모델 구축부는 가상의 이물질 이미지를 상기 정상 제품의 이미지에 합성하여 획득한 합성 이미지를 상기 학습 데이터로서 수집할 수 있다.
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.
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.
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.
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.
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.
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.
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.
기타 실시예들의 구체적인 사항들은 상세한 설명 및 첨부 도면들에 포함되어 있다.
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.
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.
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.
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.
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.
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.
이하에서는 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 한다.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
도 6은 본 발명의 일 실시예에 따른 제품 품질 관리 방법을 설명하기 위해 도시한 흐름도이다.
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.
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.
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.
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.
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.
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.
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.
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.
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.
다음으로, 단계(680)에서는 조이패드 등의 입력 장치를 통해 판정 결과(정상/불량 등급)를 입력받아 학습 데이터로서 패드백(Feedback)할 수 있다.
도 7은 본 발명의 다른 실시예에 따른 제품 품질 관리 방법을 설명하기 위해 도시한 흐름도이다.
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.
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.
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.
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.
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.
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.
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.
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.
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.
다음으로, 단계(790)에서 상기 품질 관리부(350)는 상기 생성된 불량 제품 데이터를 작업자 단말기(미도시)에 제공할 수 있다.
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.
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.
반면, 상기 검사 대상 제품의 품질이 정상 등급으로 판정된 경우(780의 "아니오" 방향), 단계(795)의 피드백 과정을 수행할 수 있다.
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.
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.
그러므로, 다른 구현들, 다른 실시예들 및 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
110, 310: 메모리부
120, 320: 영상 촬영부
130, 330: 학습 모델 구축부
140, 340: 분석 엔진부
150, 360: 제어부
350: 품질 관리부

Claims (6)

  1. 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.
  2. 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.
  3. 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.
  4. 제3항에 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.
  5. 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.
  6. 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.
KR1020220006494A 2019-09-11 2022-01-17 제품 품질 관리 시스템 및 방법 KR102507591B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220006494A KR102507591B1 (ko) 2019-09-11 2022-01-17 제품 품질 관리 시스템 및 방법

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190112770A KR20210031569A (ko) 2019-09-11 2019-09-11 제품 품질 관리 시스템 및 방법
KR1020220006494A KR102507591B1 (ko) 2019-09-11 2022-01-17 제품 품질 관리 시스템 및 방법

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020190112770A Division KR20210031569A (ko) 2019-09-11 2019-09-11 제품 품질 관리 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20220014898A true KR20220014898A (ko) 2022-02-07
KR102507591B1 KR102507591B1 (ko) 2023-03-10

Family

ID=74867165

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020190112770A KR20210031569A (ko) 2019-09-11 2019-09-11 제품 품질 관리 시스템 및 방법
KR1020220006494A KR102507591B1 (ko) 2019-09-11 2022-01-17 제품 품질 관리 시스템 및 방법

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020190112770A KR20210031569A (ko) 2019-09-11 2019-09-11 제품 품질 관리 시스템 및 방법

Country Status (2)

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

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378810B (zh) * 2021-04-28 2022-04-15 合肥联宝信息技术有限公司 一种螺丝锁附检测方法、装置、设备和可读存储介质
WO2024128556A1 (ko) * 2022-12-12 2024-06-20 삼성전자 주식회사 제조품의 검사 영역을 결정하는 전자 장치 및 방법
KR102576213B1 (ko) * 2022-12-27 2023-09-08 농심엔지니어링 주식회사 학습 모듈을 이용한 품질관리 시스템 및 방법
CN117035504A (zh) * 2023-07-28 2023-11-10 深圳市南开盛电力科技有限公司 基于全流程质量管控的电力电缆连接器的生产管理系统
KR102660626B1 (ko) * 2023-11-07 2024-04-25 주식회사 파인더아이 현장 검증이 가능한 ai 기반 비전 검사 시스템 및 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013003688A (ja) * 2011-06-14 2013-01-07 Panasonic Corp 不良要因検知装置および不良要因検知方法
KR101793249B1 (ko) * 2016-05-18 2017-11-02 (주)창신아이엔씨 신발의 양호/불량 판별장치 및 방법
KR20190063839A (ko) * 2017-11-30 2019-06-10 전자부품연구원 제조 공정에서 딥러닝을 활용한 머신 비전 기반 품질검사 방법 및 시스템

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4352260B2 (ja) * 2005-01-17 2009-10-28 ソニー株式会社 撮像装置、撮影画像データの記録方法、撮影画像データ処理装置および撮影画像データ処理方法
KR101840944B1 (ko) * 2016-11-09 2018-03-21 부산대학교 산학협력단 영상 분석 기반의 불량 판별 장치 및 방법
KR101835541B1 (ko) * 2017-04-20 2018-04-19 주식회사 엘제이텍 관리자 단말을 이용한 제품 검사 시스템 및 그 방법
KR102058427B1 (ko) * 2017-12-21 2019-12-23 동우 화인켐 주식회사 검사 장치 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013003688A (ja) * 2011-06-14 2013-01-07 Panasonic Corp 不良要因検知装置および不良要因検知方法
KR101793249B1 (ko) * 2016-05-18 2017-11-02 (주)창신아이엔씨 신발의 양호/불량 판별장치 및 방법
KR20190063839A (ko) * 2017-11-30 2019-06-10 전자부품연구원 제조 공정에서 딥러닝을 활용한 머신 비전 기반 품질검사 방법 및 시스템

Also Published As

Publication number Publication date
WO2021049868A1 (ko) 2021-03-18
KR20210031569A (ko) 2021-03-22
KR102507591B1 (ko) 2023-03-10

Similar Documents

Publication Publication Date Title
KR102507591B1 (ko) 제품 품질 관리 시스템 및 방법
US20220108403A1 (en) Plant provenance and data products from computer object recognition driven tracking
JP5522065B2 (ja) 基板検査システム
US8515569B2 (en) Work support system, work support method, and storage medium
US20170193131A1 (en) Manufacturing process visualization apparatus and method
JP7266702B2 (ja) 異常監視のための分散ログブック
TW200905589A (en) Work management apparatus and work management method
WO2024027624A1 (zh) 基于元宇宙的资源智能匹配方法及元宇宙系统
US11521120B2 (en) Inspection apparatus and machine learning method
AU2017208235A1 (en) Relative position encoding based networks for action recognition
KR102243039B1 (ko) 자동화된 상품의 포장 및 배송 서비스를 위한 스마트 팩토리 시스템
WO2021019821A1 (ja) 情報管理システム、情報管理方法
EP3839680B1 (en) Method and device for controlling a machine using principal component analysis
CN111680236A (zh) 菜单显示方法、装置、终端设备及存储介质
CN104471539B (zh) 用于机器视觉分析的分布式处理系统及方法
CN111723767B (zh) 一种图像处理方法、装置及计算机存储介质
KR102048377B1 (ko) 스프레드 시트 타입의 공정 데이터를 이용하여 공정을 관리하는 방법, 이를 이용한 공정 관리 서버 및 특정 작업자 단말
CN112988337A (zh) 任务处理系统、方法、装置、电子设备、存储介质
JP7139987B2 (ja) 工程情報取得システム、工程情報取得方法、および工程情報取得プログラム
WO2016038872A1 (ja) 情報処理装置、表示方法およびプログラム記憶媒体
JP7484569B2 (ja) 画像処理装置、画像処理方法およびプログラム
KR102644685B1 (ko) 리뷰 신뢰도 검증 장치 및 방법
JP7493390B2 (ja) 監視システム
US20220171982A1 (en) System and method for processing facility image data
US20200082281A1 (en) Verification device

Legal Events

Date Code Title Description
A107 Divisional application of patent
E902 Notification of reason for refusal
AMND Amendment
AMND Amendment
X701 Decision to grant (after re-examination)