KR20220037392A - 코팅 표면의 정성적 또는 정량적 특성 - Google Patents

코팅 표면의 정성적 또는 정량적 특성 Download PDF

Info

Publication number
KR20220037392A
KR20220037392A KR1020210124844A KR20210124844A KR20220037392A KR 20220037392 A KR20220037392 A KR 20220037392A KR 1020210124844 A KR1020210124844 A KR 1020210124844A KR 20210124844 A KR20210124844 A KR 20210124844A KR 20220037392 A KR20220037392 A KR 20220037392A
Authority
KR
South Korea
Prior art keywords
defect
coating
coating surface
image
camera
Prior art date
Application number
KR1020210124844A
Other languages
English (en)
Inventor
필립 박사 이스켄
산드라 비토르프
올리버 박사 크로울
클라우디아 브램리지
마커스 보겔
스테판 박사 실버
가에타노 박사 블란다
올리비아 박사 루이스
다니엘 하케
Original Assignee
에보닉 오퍼레이션스 게엠베하
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 에보닉 오퍼레이션스 게엠베하 filed Critical 에보닉 오퍼레이션스 게엠베하
Publication of KR20220037392A publication Critical patent/KR20220037392A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
    • B25J9/1697—Vision controlled systems
    • 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
    • G01N21/8422—Investigating thin films, e.g. matrix isolation method
    • 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
    • G01N21/8806—Specially adapted optical and illumination features
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • 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
    • 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
    • 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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • 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
    • G01N21/8422—Investigating thin films, e.g. matrix isolation method
    • G01N2021/8427—Coatings
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8861—Determining coordinates of flaws
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8861—Determining coordinates of flaws
    • G01N2021/8864—Mapping zones of defects
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8874—Taking dimensions of defect into account
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/888—Marking defects
    • 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
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/10—Scanning
    • G01N2201/104—Mechano-optical scan, i.e. object and beam moving
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37206—Inspection of surface
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37451—Plan sensor placement for optimal inspection
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45013—Spraying, coating, painting
    • 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
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30156—Vehicle coating
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • 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]

Abstract

본 발명은 코팅 표면의 정성적 및/또는 정량적 특성화를 위한 방법에 관한 것으로, 이 방법은 다음을 포함한다:- 코팅 표면 결함 유형(1204, 1206, 1306, 1308)을 인식하도록 구성된 결함-식별 프로그램(124)의 제공;- 적어도 하나의 결함-식별 프로그램에 작동적으로 결합된 카메라(134)가 현재 제시된 코팅 표면에 대하여 사전정의된 거리 범위 이내 및/또는 사전정의된 영상 획득 각도 범위 이내의 배치 여부에 대한 결함-식별 프로그램에 의한 결정;이 결정의 결과에 의존하여:o 카메라가 사전정의된 거리 범위 이내 및/또는 사전정의된 영상 획득 각도 범위 이내에 있도록 적어도 하나의 카메라의 포지션 조절이 요구되는 지에 대한 피드백 신호의 생성; 및/또는 o 카메라 포지션이 코팅 표면으로부터 사전정의된 거리 범위 이내에 있도록 적어도 하나의 카메라와 코팅 표면의 상대적 거리에 대한 자동적인 조절 및/또는 카메라 포지션이 사전정의된 영상 획득 각도 범위 이내에 있도록 적어도 하나의 카메라의 각도에 대한 자동적인 조절; - 카메라가 사전정의된 거리 범위 및/또는 영상 획득 각도 범위에 있는 경우에만 제시된 코팅 표면의 디지털 영상(604, 606, 1202)을 획득할 수 있도록 하는 카메라의 작동;- 코팅 표면 결함의 인식을 위한 결함-식별 프로그램에 의한 코팅 표면의 디지털 영상(604, 606, 1202)에 대한 처리(102); 그리고결함-식별 프로그램에 의한 코팅 표면의 특성화의 출력(104).

Description

코팅 표면의 정성적 또는 정량적 특성{QUALITATIVE OR QUANTITATIVE CHARACTERIZATION OF A COATING SURFACE}
본 발명은 코팅 결함의 식별 및 코팅 표면, 특히 도료, 바니시, 인쇄 잉크, 연마 수지, 안료 농축물의 코팅 조성물 또는 기타 코팅 조성물에 기반하는 코팅 표면의 특성화에 관한 것이다.
도료와 바니시 코팅은 코팅된 물체의 외양이나 기술적 물성에 부정적으로 영향을 주는 다양한 결함을 가질 수 있다. 이 코팅 결함은 예를 들어, 거품, 구멍, 흐림, 레벨링 문제, 부식, 적심 문제, 안료의 부유(부유), 처짐, 응집, 또는 기포 형성일 수 있으며, 여기서 여러 결함이 동시에 발생할 수 있고 서로 영향을 줄 수도 있다. 이러한 문제를 조사하고 피하기 위해, 제제 개발 동안 시험 기판을 제제로 코팅하여 결함을 검사한다. 의도하는 용도의 분야에 따라, 다른 기판이 사용되는데, 예를 들면 목재, 플라스틱, 종이/카드보다, 유리 또는 금속이다. 더욱이 기판에 대한 다른 전처리가 가능하며, 이 전처리는 사안을 더 복잡하게 할 수 있다. ㄷ다수의 상호의존적 공정 매개변수, 많은 숫자의 코팅 조성물, 전처리 접근방식 및 기판 유형으로 인해, 특정한 코팅 조성물이 특정한 기판에 도포하는 경우 수용가능한 질의 코팅을 제공할 지의 여부를 예측하는 것이 현재는 불가능하다. 그러므로 코팅 표면의 질은 현재 후향적으로만 결정할 수 있다.
현재 결함은 인간, 예를 들어 직원에 의해 가시적으로 평가한다. 순전한 가시적 평가는 대개 매우 조잡하고, 고도로 주관적이며 재현이 거의 불가능하다. 결과적으로 결함의 식별 및 코팅 표면의 질의 평가에는 직원의 상당한 경험이 요구될 수 있으며, 개인에 따라 크게 다를 수 있어서 그 결과를 비교하는 것이 어렵다. 그 밖에 코팅 표면의 수동 평가는 시간이 많이 걸리므로 비용리 많이 들것이다.
본 발명은 코팅 표면에서 표면 결함의 특성화를 위한 향상된 방법 및 상응하는 시스템의 제공 그리고 독립 청구항에 명시된 코팅 조성물의 제조라는 맥락에서 초래되는 프로그램과 정보의 사용을 목적으로 한다. 실시예는 종속 청구항에서 주어진다. 본 발명의 실시예는 상호 배타적이지 않는다면 서로 자유롭게 조합될 수 있다.
한 양태에서, 본 발명은 코팅 표면의 정성적 및/또는 정성적 특성화의 방법에 관한 것이다. 이 방법은:
- 결함-식별 프로그램이 코팅 표면 결함의 유형을 인식하도록(예를 들어 패턴 인식에 의해) 구성되며, 각 패턴이 코팅 표면 결함 유형들의 하나를 대표하는 결함-식별 프로그램에 의한 코팅 표면의 디지털 영상의 처리; 그리고
- 특성화가 결함-식별 프로그램에 의심되는 코팅 표면 결함이 함수로 전산화되는 코팅 표면의 특성화 출력을 포함한다.
본 발명의 실시예들은 코팅 표면의 특성화가 결함-식별 프로그램의 수단에 의해 따라서 재현가능하고 객관적이며 신속한 방식으로 제공되는 이점을 가질 수 있다.
예를 들어, 출력 특성화는 코팅 표면에 결함 유형 D1이 없지만 결함 유형 D2 및 D3의 결함을 포함할 수 있음을 나타낼 수 있다. 이 출력은 또한 코팅 표면에 일절 코팅 결함이 없음을 나타낼 수 있다. 다른 예에 따르면, 출력이 보다 구체적일 수 있고 또한 코팅 결함의 양이나 정도를 나타낼 수 있으며, 예를 들어 그 표면에 유형 D2의 사소한 결함과 유형 D3의 심각한 결함이 포함됨을 나타낸다. 다른 예에서는, 특성화가 결함의 정도의 수치 특성화 및/또는 특정한 유형의 결함을 보여주거나 특정한 결함 유형의 특정한 경우에 속하는 디지털 영상에서 개별 화소의 표시를 포함할 수 있다.
본 발명의 실시예들은 코팅 표면에서 결함의 발생 및/또는 위치를 영상 분석 절차에서 식별된 하나 이상의 결함의 유형 및/또는 정도에 의존하여 전적으로 자동적으로 검출하여 코팅 표면의 특성화의 자동적인 전산화에 사용하는 이점을 가질 수 있다. 그리하여 개별적으로 묘사된 코팅 표면의 전산화한 특성화를 이용하여 많은 숫자의 디지털 영상를 전적으로 자동적으로 평가하고 분석할 수 있다. 이것은 코팅 조성물의 시험 및/또는 제조 시설의 고처리량이라는 맥락에서 코팅 표면 특성화의 자동화 결정 코팅 표면의 질과 다른 유형에 대한 평가의 투명성 및 재현성을 증가시킨다.
본 발명의 실시예는 자동적으로 식별되는 코팅 표면 결함과 그로부터 유래하는 코팅 표면의 특성화를 많은 여러 형태의 데이터 분석 수행을 위한 데이터베이스로서 사용할 수 있는 추가의 이점을 가질 수 있다. 특히, 전산화된 특성화는 코팅 표면의 질 및 코팅 조성물의 질, 코팅 조성물 제조 공정의 질이나 적합성 및/또는 코팅 조성물 및 코팅 표면의 제조에 사용되는 코팅 도포 공정(표면, 기판 유형(또는 경우)의 전처리 공정 및(또는 도포 장비 등)의 질이나 적합성에 대한 정성적 및/정량적 지표로서 사용할 수 있다.
정성적 및/또는 정량적 코팅 표면 특성화의 자동화된 전산화는 대량의 데이터에 대한 자동화 분석을 가능케할 수 있으며, 여러 가지 코팅 조성물, 코팅 제조 공정 매개변수 및/또는 코팅 도포 공정 매개변수와 연관있는 표면 질 특성화의 유사성을 보장할 수 있다. 이는 기판이나 이용 케이스 시나리오를 위한 최적의 코팅 조성물 식별을 위하여 다수의 다양한 코팅 조성물의 생산 및 시험이라는 맥락에서 특히 유용하다.
본 발명의 실시예들은 특히 도료, 바니시, 인쇄 잉크, 연마 수지, 안료 농축물 및 기타 코팅 재질의 생산이라는 맥락에서 유리할 수 있는데, 이는 각각의 코팅 표면의 표면 물성에 대한 재현가능하고 객관적인 특성화가 이전에 제공되지 않았기 때문이다. 코팅 표면의 수동적 기술에 따른 주관성에 기인하여 그리고 많은 숫자의 구성요소들 및 그 상호작용으로 인해 코팅 표면 질에 대한 예측이 가능하지 않았다.
예를 들어, 거품은 코팅과 인쇄 잉크의 제조와 도포 동안 빈번히 발생하는 현상이다. 거품의 원인은 액체 물질 안으로 가스의 유입이다. 이는 다음에 의해 발생할 수 있다:
Figure pat00001
교반이나 혼합에 의한 제조 동안 공기의 기계적 유입
Figure pat00002
안료 및 충진제의 적심 동안 공기의 대체
Figure pat00003
롤링, 분무, 인쇄와 같은 도포 동안 공기의 기계적 유입
Figure pat00004
다공성 기판의 코팅시 공기의 대체.
건조된 거품은 도료 막에 표면 결함(예: 기포 결함)을 남긴다. 거품은 가시적 외관에 영향을 줄뿐만 아니라 코팅의 보호적 기능도 감소시킨다. 실질적으로 코팅 배합의 모든 구성요소들이 긍정적으로나 부정적으로 발포 거동에 영향을 줄 수 있다. 기판 및 도포의 방법 또한 발포 거동에 영향을 미친다. 그러므로 코팅 조성물의 배합에서 소포제가 대개 필요한 구성요소이다.
출원인은 코팅 조성물에서 소포제의 효과가 코팅 매체에서 부분적 비호환성에 의존함을 관찰했다. 이것은 과도한 비호환성으로 인한 막이나 표면 결함 없이 시스템에서 소포제 방울의 형성을 허용한다. 따라서, 모든 소포제의 주요 특징은 소포 대상 매체와의 표적 대상 및 제어된 비호환성이다. 너무 호환성인 소포제는 구체적으로 거품 라멜라 안으로 이동하지 않으며 전체 코팅 막에 존재한다. 그러므로 소포 효과가 작거나 존재하지 않는다. 비호환성이 너무 크면 탁도나 크레터링과 같은 문제적인 코팅 결함을 초래한다. 그러므로 올바른 소포제의 선택은 일종의 호환성과 비호환성 사이의 균형을 잡는 "행동"이다. 그러므로 소포는 언제나 효율과 호환성 사이의 절충이다.
복수의 여러 코팅 시스템의 결과로서, 모든 배합에 최적으로 적합한 "한 가지" 소포제는 없다. 모든 목적을 위해 적합한 제품을 제공할 수 있도록, 소포제의 범위가 요구된다. 소포 효과는 그 용량을 변동시켜 미세하게 조절이 가능하다: 일반적으로 더 많은 소포제를 사용할수록 더 나은 소포가 성취된다. 하지만 이것은 결함(예: 크레터링)을 증가시킬 수 있거나 오히려 결함이 더 두드러질 수 있다. 크레터링 결함은 구성요소들의 비호환성으로 인해 초래되는 결함으로, 예를 들어 너무 많은 소포제 및/또는 맞지 않은 소포제에 의해 초래될 수 있다. 소포제의 용량 감소는 막결함을 방지하지만, 일부 상황에서 소포 효과가 충분하지 않을 수 있다. 더욱이 출원인은 일부 코팅 조성물에서 소포제의 양을 특정 양 이상으로 증가시키면 실제로 소포 효과를 감소시킬 수 있는 것을 관찰했다. 그러므로 결함이 없거나 최소인 코팅 표면을 제공하는 하나 이상의 소포제를 식별하는 것은 고도로 복잡한 작업이다.
본 발명의 실시예들에 따르면, 코팅 표면의 생성에 사용되는 코팅 조성물은 그 조성물의 소포 효율과 다른 구성요소들과의 호환성/혼합성 사이에 절충이 이루어지도록 그 유형과 양이 선택되는 두 가지 이상의 다른 소포제들의 조합을 포함한다.
따라서 코팅 조성물에서 하나 이상의 소포제들의 유형과 양의 선택은 고도로 복잡한 작업이다. 이 상황은 선택된 소포제(들)의 유형과 양이 코팅 조성물의 다른 구성요소들의 유형 및 양, 코팅 제조 공정의 매개변수들 및/또는 코팅 도포 공정과 상호관련이 있다는 사실에 의해 더욱 복잡하게 된다. 이러한 매개변수들의 하나에 대한 작은 변경이라도 해당되는 코팅 표면에서 관찰되는 표면 결함의 유형과 정도에 강한 영향을 가질 수 있다. 코팅 표면의 질에 대한 수동 특성화는 지금까지 코팅 조성물과 코팅 표면 질의 개선을 제공하는 관련있는 공정 매개변수에 대한 변경의 식별에 있어서 주요 장애물이었다.
출원인은 코팅 조성물(M3)의 개선된 버전의 사양을 자동적으로 전산화하여 출력하기 위해 혹은 주어진(완전 혹은 불완전) 코팅 조성물(M2)에 대해 기대하는 코팅 표면 특성화(예: 코팅 결함)를 전산화하여 출력하기 위해, 기포 결함과 크레터링 결함과 같은 특별한 결함 유형의 자동화된 검출이 각각 관찰되는 코팅 결함과 연관있는 다양한 코팅 조성물의 사양을 포함하는 데이터에 대하여 추가의 기계 학습 모델(예: 본 발명의 일부 실시예들에 대해 다음에 기술된 모델 M2, M3)을 허용할 수 있음을 관찰했다. 예를 들어, 기계 학습 모델은 훈련 단계 동안 코팅 표면의 기포가 소포제의 비효과를 나타내고 코팅 표면의 크레터링 결함이 소포제와 코팅 매체의 비호환성의 표시임을 학습할 수 있다. 첫째 경우, 이 모델은 현재 사용하는 소포제를 보다 효과적인 소포제로의 교체를 시사할 수 있다. 후자의 경우, 이 모델은 현재 사용하는 소포제를 코팅 매체와 더 호환적일 것으로 기대하는 소포제로 교체 및/또는 보완을 시사할 수 있다. 코팅 조성물이 "효과적인" 소포제 DF1 그리고 특별한 비율(r= DF1:DF2)로 "호환적인" 소포제 DF2를 이미 포함하는 경우, 첫째 경우의 모델은 그 비율의 증가를 그리고 후자의 경우에는 그 비율의 감소를 시사할 수 있다.
따라서 본 발명의 실시예들에 따르면, 조성물-사양 예측 모델이 적어도 두 개의 다른 소포제들의 비율, 특히 높은 소포 효과가 낮은 코팅 매체 호환성을 가진 첫째 소포제와 낮은 소포 효과와 높은 코팅 매체 호환성을 가진 둘째 소포제의 비율의 예측에 사용됨으로, 기포 결함 및 크레터링 결함 발생을 모두 최소화하는 비율이 예측된다.
다른 결함들은 다른 구성요소 및/또는 제조 공정 매개변수에 의해 초래될 수 있다.
일부 실시예들에 따르면, 결함-식별 프로그램에 의한 코팅 표면 출력의 특성화는 세립의 정량적 특성화, 예를 들어 연속 척도 내의 또는 적어도 10개의 다른 사전정의된 수치 값이나 값 범위의 조합 내의 수치 값을 포함한다. 이 결함-식별 프로그램은 자동적으로 전산화된 특성화를 기존의 거친 입자의 데이터 조합와 비슷하게 만들기 위해 미세 입자의 정량적 특성화를 조립의 정량적 특성화로 변환하도록 구성할 수 있다. 예를 들어, 기존의 조립의 정량적 특성화로 변환하도록 구성할 수 있다. 예를 들어, 기존의 조립의 데이터 조합이 수동적으로 창출되었을 수 있다. 조립의 정량적 특성화는 10개 미만의 다른 사전정의된 수치 값이나 수치 범위의 조합 이내의 수치 값일 수 있다. 자동화된 변환은 서로 유사한 코팅 표면의 수동 표지된 그리고 자동적으로 표지된 디지털 영상의 혼합을 제공하여 다양한 데이터 분석이나 기계 학습 목적을 위한 데이터 기반을 증가시킬 수 있다 .
다른 실시예들에 따르면, 결함-식별 프로그램의 출력은 시작부터 조립화될 수 있다. 예를 들어, 이 출력은 "무결함 코팅 표면", "(사소한) 기포 결함이 있는 코팅 표면" 또는 "(사소한) 기포 결함 및 (심한) 크레터링 결함을 가진 코팅 표면"과 같은 영상 등급 표지를 포함하는 단순한 영상 분류 출력일 수 있다.
실시예들에 따르면, 이 방법은 코팅 표면의 정성적 및/또는 정량적 특성화의 전산화를 위한 인식된 결함의 측정치의 결함-식별 프로그램에 의한 계산; 그리고 코팅 표면의 정성적 및/또는 정량적 특성화의 출력을 포함한다.
예를 들어, 코팅 표면은 하나 이상의 다른 결함 유형 및 정도가 변화하는 두 개 이상의 결함을 포함할 수 있다. 각 결함의 계산된 정성적 및/또는 정량적 측정치를 사용하여(예: 집계하여) 코팅 표면에서 자동적으로 식별된 결함들의 자동적으로 획득된 측정치들을 통합하는 코팅 표면의 정성적 및/또는 정량적 특성화를 획득할 수 있다.
개별 결함의 식별 그리고 개별 결함의 측정치의 자동화된 결정은 코팅 표면에서 각각의 개별 결함의 숫자, 유형, 크기 및 추가의 물성이 객관화되는 이점을 가질 수 있다. 본 발명의 실시예들은 개별 결함 및/또는 코팅 표면의 질에 대한 직원의 수동적/시각적 평가에 기반하는 당업계의 접근 방법보다 훨씬 덜 주관적이다. 이러한 시각적 평가는 정량적이 아니었으며 조립의 질 등급이나 조립의 등급 체계에 따르는 매우 대략적인 결과의 분류만을 허용했다.
실시예들에 의하면, 결함의 측정치는 다음을 포함하는 군으로부터 선택된 정량적 측정치이거나 이를 포함한다: 결함의 면적(절대 용어로 또는 영상에 묘사된 코팅 면적의 크기에 상대적으로), 기포의 숫자, 영상에서 관찰되는 눌림이나 기타 결함과 연관된 패턴, 기포나 눌림의 최대, 최소 및/또는 평균 크기 또는 영상에서 관찰된 결함을 대표하는 다른 패턴들.
그 밖에 또는 대안적으로 결함의 측정치는 정량적 측정치이거나 이를 포함한다. 정량적 측정치는 특히 식별된 결함의 유형일 수 있다. 예를 들어, 결함 유형은 크레터링 결함, 마모 결함, 접착 불량 결함, 엘리게이터링 결함, 부풀음 결함, 블룸 결함, 브리징 결함, 기포 결함, 캐소딕 디스밴딩 결함, 체킹 결함, 뭉침 결함, 거미줄 결함, 균열 결함, 크레이징 결함, 크로우푸트 결함, 박리 결함, 탈색 결함, 벗겨짐 결함, 그리닝 결함, 가열 결함, 충격 결함, 인터코트 오염 결함, 머드 크래킹 결함, 오렌지 필 결함, 미경화 결함, 핀홀 결함, 리플 코팅 결함, 러닝 결함, 러스트 래싱 결함, 러스트 스포팅 결함, 녹 얼룩 결함, 처짐 결함, 침강 결함, 스키닝 결함, 용매 리프팅 결함, 용매 포핑 결함, 응력 균열 결함, 언더커팅 결함, 주름 결함.
실시예들에 따르면, 이 방법은 다음을 포함한다:
- 식별할 적어도 하나의 코팅 표면 결함의 결정;
- 적어도 하나의 결정된 결함 유형에 대하여 결함-식별 프로그램이 영상에 묘사된 코팅의 특성화의 전산화를 사용가능케 하는 디지털 영상의 취득을 허용하는 하나 이상의 조사 각도 및/또는 하나 이상의 영상 획득 각도의 자동적 결정;
- 코팅 표면에 대하여 결정된 조사 각도로써 하나 이상의 광원의 배치 그리고/또는
- 코팅 표면에 대하여 결정된 하나 이상의 영상 획득 각도에 하나 이상의(바람직하게는 하나의 카메라) 카메라의 배치; 그리고
- 광원(들), 카메라(들) 및 코팅 표면의 서로에 대한 배치 후 코팅 표면의 디지털 영상(들)의 획득을 위한 카메라(들)의 사용.
광원의 자동적인 배치 외에도 또는 대신에, 조사 각도가 식별되고 사전정의된 조사 각도 범위 이내에 있도록 하나 이상의 광원들과 코팅 표면 서로에 대한 배치의 조절이 적응시킬 수 있는지/거나 또는 어떻게 적응시킬 수 있는지를 나타내는 피드백 신호를 생성하도록 결함-식별 프로그램을 구성할 수 있다.
표면 결함의 검출에 적합한 조사 각도 및/또는 영상 획득 각도는 결함의 유형 및/또는 사용된 기판의 유형에 따라 다를 수 있다.
예를 들어, 기포 결함의 검출을 위해서, 바람직하게는 경사진 조사 각도, 예를 들어 >0°와 70° 사이의 각도, 특히 약 45° 그리고 110°와 <180° 사이, 특히 135°를 사용할 수 있으며, 이는 기포 유도된 음영 형성을 충분한 콘트라스트로 제공할 수 있기 때문이다.
기포 결함의 검출을 위한 바람직한 영상 획득 각도는 >0° - 360°, 바람직하게는 0 - 180° 더욱 바람직하게는 10° - 170° 사이의 어느 것일 수 있다.
이와 반대로, 코팅 크레터링 결함은 기본적으로 직교 영상 획득 각도 및 직교(배경) 조사 각도를 사용하여 식별하고 특성화할 수 있다. 예를 들어, 크레터링 결함의 검출을 위해, 바람직하게는 70°에서 110° 사이의 영상 획득 각도를 사용할 수 있다. 투명한 기판(예: 유리나 투명한 플라스틱)의 경우, 바람직한 각도는 250°에서 290° 사이이며, 하나 이상의 광원은 그 광원으로부터 방사되는 빛이 투명한 기판과 코팅 표면을 기본적으로 직교 방향으로 통과한 다음 하나 이상의 카메라에 의해 포착되도록 배치되는 배면광(투과광 조사기)이다. 이 기본적으로 직교인 조사 각도는 빛의 반사를 감소시키고 크레이터의 바닥과 측면에서 코팅의 두께 그리고/또는 크레이터의 깊이 결정을 허용한다. 반투명 기판의 경우, >0°와 <180° 사이의 다른 조사 각도가 사용될 수 있으며, 바람직하게는 직교 조사 각도, 예를 들어 70°에서 110° 사이의 조사 각도가 사용될 수 있다.
하나 이상의 카메라, 하나 이상의 광원 및 코팅 표면 그리고 조사 각도(들)과 영상 획득 각도(들)의 상대적 위치를 제어하는 본 발명의 실시예들은 결함-식별 프로그램에 대한 입력으로 제공될 디지털 영상이 유사하며 묘사된 결함들의 식별 및 특성화를 허용하는 관점에서 그리고 그러한 조사 조건 하에서 촬영되도록 보장하는 이점을 가질 수 있다. 결함-식별 프로그램이 기계 학습 접근방법에 기반하여 얻어진 경우, 상대적인 위치와 조사 각도(들) 그리고 영상 취득 각도(들)을 제어하는 본 발명의 실시예들은 그 디지털 영상의 획득에 사용된 조건들이 결함-식별 프로그램이 유래한 훈련 영상들을 얻는데 사용된 조건들과 유사하도록 보장할 수 있다. 영상 획득 과정에 대해 엄격한 제어를 가함으로써, 실시예들은 획득된 영상들이 유사하며 결함-식별 프로그램에 의해 재현가능하고 정확하게 처리될 수 있도록 보장할 수 있다.
실시예들에 따르면, 디지털 영상의 처리는 다음을 더 포함한다:
- 결함-식별 프로그램에 의한 디지털 영상에 묘사된 표면 결함의 유형 및/또는 양에 대한 디지털 영상의 분류 및/또는 그 안에 모사된 하나 이상의 표면 결함 유형에 근거하는 영상의 의미론적 분할 및/또는 영상의 객체 검출 및/또는 인스턴스 분할의 수행과 그에 따라 각 라벨이 디지털 영상에서 식별된 결함의 유형을 표시하며 전체 디지털 영상에 대해, 영상 영역에 대해 그리고/또는 개별 화소에 대해 하나 이상의 라벨을 자동적으로 지정; 그리고
- 하나 이상의 지정된 라벨의 출력.
일부 실시예들에 따르면, (Mask R-CNN과 같은 공적으로 이용할 수 있는 프로그램에 기반할 수 있으며 또한 하나 이상의 추가 프로그램 모듈이나 기능(예: GUI의 생산, 네트워크 데이터베이스 및/또는 HTE와 데이터 교환 또는 추가의 예술 작업의 수행)을 포함할 수 있는) 결함-식별 프로그램이 디지털 영상에 묘사된 표면 결함의 유형 및/또는 양에 대한 디지털 영상의 분류 및/또는 그 안에 모사된 하나 이상의 표면 결함 유형에 근거하는 영상의 의미론적 분할 및/또는 영상의 객체 검출 및/또는 인스턴스 분할을 수행하도록 구성된다.
다른 유형의 결함 및/또는 이용 시나리오를 위한 다른 유형의 라벨 생성을 위해 다른 접근 방법을 사용할 수 있다. 일부 예에서, 두 개 이상의 다른 유형의 라벨을 조합하여 영상, 영상 영역 또는 화소에 지정할 수 있다.
예를 들어, 영상 분류란 디지털 영상 안에 묘사된 코팅 결함의 유형(들)에 대하여 그것을 분류하는 과정이다. 등급 라벨은 "무결함 표면", "기포 결함이 있는 표면" 또는 "심한 기포 결함이 있는 표면"과 같이 보일 수 있다. 등급 라벨은 개별 결함 인스턴스의 위치와 숫자를 식별하지 않는다.
의미론적 분할이란 화소 수준에서 하나 이상의 다른 결함 유형의 코팅 결함을 식별하는 과정이며, 그로써 개별 결함 인스턴트의 개요에 대한 어떠한 정보도 얻어지지 않는다. 이것은 의미론적 분할이 화소 수준에서 다른 결함 유형의 유형 및 위치에 관한 정보를 제공하지만 몇 개의 동일한 유형의 결함 인스턴스가 중첩되는 경우, 이들은 별개의 결함 인스턴스로 인식될 수 없음을 의미한다. 코팅 결함 의미론적 라벨은 화소에서 식별된 기포 결함(들)은 기포 결함을 묘사하는 디지털 영상에서 모든 화소들의 xy좌표", 또는 "화소에서 식별된 크레터링 결함(들) {크레터링 결함을 묘사하는 디지털 영상에서 또는 화소들의 xy좌표들}"과 같이 보일 것이다. 코팅 결함 의미론적 라벨은 화소 수준에서 영상에서 식별된 하나 이상의 결함 유형들의 위치를 식별하므로 그 결함의 정도에 대한 대략적 정량화를 허용한다. 결함 유형 의미론적 라벨은 하나 이상의 다른 결함 유형에 대한 위치 및 정도의 식별에 필요한 충분히 상세한 정보의 제공이라는 이점을 가질 수 있지만 개별 결함 인스턴스의 식별을 허용할 수 없다.
이 맥락에서 "객체 검출"이란 디지털 영상에서 하나 이상의 다른 결함 유형들의 코팅 결함 인스턴스 그리고 그 대략적 위치의 식별의 과정이다. 코딩 결함 객체 라벨은 "화소에서 기포 결함 인스턴스 #234{이 기포 결함 인스턴스 #234를 포함하는 상자를 경계짓는 (대개 직각 좌표)의 xy 좌표}" 또는 "화소에서 기포 결함 인스턴스 #234{이 기포 결함 인스턴스 #234를 포함하는 상자를 경계짓는 (대개 직각 좌표)의 xy 좌표}"와 같이 보일 것이다. 코팅 결함 객체 라벨은 영상에서 식별된 하나 이상의 결함 유형의 개별 인스턴스를 식별하며 또한 화소 수준에서가 아니라 경계짓는 상자의 수준에서 영상의 이러한 결함 인스턴스의 대략적 위치를 식별한다. 코팅 결함 인스턴스 라벨은 식별된 결함 유형을 포함하는 것으로 예측된 경계 상자가 강조표시되는 디지털 영상의 형태로서 그래픽으로 나타낼 수 있다. 결함 유형 객체 라벨은 주어진 결함 유형의 정량화 및 결함 유형 인스턴스의 계수를 허용하는 대량의 상세한 정보를 제공하는 이점을 가질 수 있다. 그 위치 정보가 조립의 경계 상자에 기반하는 것은, 이러한 라벨의 보관 및 처리를 쉽게 할 수 있다.
결함 인스턴스 분할이란 하나 이상의 다른 결함 유형의 코팅 결함 인스턴스 그리고 영상에서 화소 수준의 각각의 위치를 식별하는 과정이다. 코팅 결함 인스턴스 라벨은 "화소{이 기포 결함 인스턴스 #234"를 묘사하는 블롭에서 화소 조합의 xy 좌표들}에서 기포 결함 인스턴스 #234" 또는 "화소{이 기포 결함 인스턴스 #554"를 묘사하는 블롭에서 화소 조합의 xy 좌표들}에서 기포 결함 인스턴스 #554"와 같이 보일 것이다. 코팅 결함 인스턴스 라벨은 영상에서 식별된 하나 이상의 결함 유형들의 개별 인스턴스를 식별하고 그 밖에 영상에서 이러한 결함 인스턴스들의 화소 위치를 식별한다. 코팅 결함 인스턴스 라벨은 식별된 결함 유형 인스턴스를 나타내는 영상 세그먼트가 강조표시되는 디지털 영상의 형태로 그래픽으로 나타낼 수 있다. 예를 들어, 다른 세그먼트를 무결성 코팅 표면의 색깔과 다른 특정한 색깔을 가지는 세그먼트로서 그래픽으로 나타낼 수 있다. 일부 실시예에서, 동일한 유형의 결함의 다른 인스턴스를 나타내는 다른 세그먼트들이 다른 색깔을 가진다. 그 밖에 또는 대안적으로 다른 결함 유형의 인스턴스를 나타내는 다른 세그먼트들이 다른 색깔을 가질 수 있다. 결함 유형 인스턴스 라벨은 대량의 상세한 정보를 제공하는 이점을 가질 수 있으나, 이러한 라벨의 보관 및 처리에는 더 많은 리소스가 요구될 수 있다.
결함 유형 및/또는 결함 유형 인스턴스의 대략적(경계 상자) 또는 상세한(화소 기반) 위치를 식별하는 것은 위치 정보를 결함-식별 프로그램에 의해 쉽게 더 처리할 수 있는 이점을 가질 수 있으며, 예를 들어 그 목적은 결함이 해당되는 영상의 화소의 일부의 계산, 예를 들어 타원, 원, 척추 형상의 선, 등고선 또는 세그먼트 가장자리 등을 사용하여 식별된 결함의 계산 및 강조표시이다. 반면에 패턴 인스턴스의 그래픽 표시의 제공은 식별된 결함을 인간이 쉽게 인식할 수 있는 이점을 가질 수 있다. 예를 들어, 결함-식별 프로그램은 특정한 유형의 코팅 결함을 각각의 색깔이나 해칭에 의해 나타내도록 식별된 영상 세그먼트를 ㅍ시하도록 구성된 그래픽 사용자 인터페이스(GUI)를 생성할 수 있다. 예를 들어, 기포나 함몰을 나타내는 것을 식별된 세그먼트를 특정 색깔(예: 노랑)로 강조표시할 수 있다. 대안적으로 세그먼트의 경계만을 강조표시할 수 있다. 좌표 정보와 그래픽 표시의 조합을 제공하는 것은 결함-식별 프로그램의 출력을 소프트웨어와 인간 모두에 의해 쉽게 처리하고 해석할 수 있는 이점을 가질 수 있다.
출원인은 영역 제안 네트워크, 예를 들어 Mask R-CNN 프로그램에서 제공하는 영역 제안 네트워크가 매우 다양한 코팅 결함 유형들을 정확하게 식별하고 특성화할 수 있다고 관찰했다. 하지만 일부 실시예들에 따르면, 다른 영상 분석 방법들 그리고 특히 블롭 검출 방법들을 코팅 결함의 식별 및/또는 이러한 결함을 포함하는 코팅 표면의 특성화를 위해 Mask R-CNN 대신 또는 프로그램에 더하여 사용한다.
예를 들어, YOLO 뉴럴 네트워크(J. Redmon and A. Farhadi: "Yolov3: An incremental improvement", arXiv, 2018)를 사용하여 코팅 결함의 식별을 위한 디지털 영상을 분석할 수 있다.
추가의 예들에 따르면, 다음에 나오는 하나 이상의 블롭 검출 영상 분석 방법들은 관찰한 결과 하나 이상의 코팅 결함 유형, 특히 기포 결함 및/또는 크레터링 결함을 정확히 식별 및/또는 특성화할 수 있었다:
· 단순 스레스홀딩: 이 방법은 결함과 배경으로의 바이너리 영상 분할 수행을 위한 하드 픽셀 색상 경계의 설정을 포함한다. 이 "색상"은 단색 영상의 강도 값 혹은 멀티채널 영상의 색상 값의 강도 값일 수 있다.
· Otsu 스레스홀딩: 이 방법은 쌍봉 영상의 강도 막대그래프로부터 전체 임계값의 자동적 계산을 포함한다.
· 적응적 또는 동적 스레스홀딩: 이 방법은 다음 영역에서 다음 임계값을 유도하는 영상의 적은 영역들에 대해 개별적인 임계값의 계산을 포함한다.
다른 실시예들에 따르면, 다음의 블롭 검출 방법 가운데 하나 이상이 사용된다:
· "등고선 찾기": 이 방법은 주어진 영상에서 유사한 강도를 가진 모든 점들에 해당하는 등고선의 검출을 포함한다.
· 가장자리 검출: 이 방법은 배경과 블롭의 분리를 위해 비연속적인 국소적 특징으로 묘사할 수 있는 검출된 가장자리의 사용을 포함한다.
· 클러스터링: 이 방법은 k-평균과 같은 클러스터링 기법으로 영상의 유사한 화소 세그먼트로의 분리를 포함한다.
· 워터쉐드 변환: 워터쉐드 변환 방법은 각 점의 높이를 나타내는 휘도를 이용하여 지형 지도와 같이 작동 대상의 영상 처리를 포함하며, 능선의 정점을 잇는 선들을 찾아낸다.
실시예들에 따르면, 후속 영상 처리 단계들의 정확성을 증가시키기 위해 디지털 영상을 전처리한다. 예를 들어, 영상의 전처리는 다음에서 하나 이상을 포함할 수 있다:
· 범람 채움: 이 방법은 잡음의 최소화와 블롭 검출의 개선을 위해 유사성을 기반으로 영상에서 주위 값들의 초기 시드 포인트에 대한 적응을 포함한다.
· 형태학적 변환: 이 방법은 기본적 형태학적 연산자들인 불림과 녹임의 수행 및 가장자리와 같은 영상 상의 특징에 의해 사용되는 화소의 양에 대한 감소나 증가를 포함한다.
· 평활화: 이 방법은 예를 들어 가우시안 필터를 통해 잡음을 제거하기 위한 영상의 전처리 수행을 포함한다.
실시예들에 따르면,이 방법은 또한 그래픽 사용자 인터페이스(GUI)를 포함하는 데이터 처리 시스템 상에서 결함 파일 프로그램의 설치 및/또는 예시를 포함한다. 데이터 처리 시스템은 카메라를 포함할 수 있거나 이에 작동적으로 결합될 수 있다. 결함-식별 프로그램은 데이터 처리 시스템의 화면을 통해 사용자에게 표시되는 GUI를 생성하도록 구성할 수 있다. GUI를 통한 사용자 행동에 대한 반응으로, 결함-식별 프로그램은 카메라를 통해 코팅 표면의 영상을 획득한다. 결함-식별 프로그램은 결함 패턴의 자동적인 식별을 위해, 결함 패턴의 측정치의 전산화를 위해 그리고 코팅 표면의 정성적 및/또는 정량적 특성화의 전산화를 위해 획득한 영상을 결함-식별 프로그램에 의해 처리된 영상으로 사용한다. 그 다음 결함-식별 프로그램은 GUI나 데이터 처리 시스템의 다른 출력 인터페이스를 통해 전산화된 특성화의 출력을 수행한다.
실시예들에 따르면, 결함-식별 프로그램이 작동적으로 카메라에 결합되며 다음을 위해 구성된다:
- 카메라가 사전정의된 거리 범위 이내 및/또는 코팅 표면에 대해 사전정의된 영상 획득 각도 범위 내에 위치하는지 결정; 예를 들어, 거리 범위 및/또는 각도 범위를 결함-식별 프로그램의 예측 모델의 생성을 위해 훈련 영상의 획득에 사용되는 유사한 상대적 위치로부터 영상의 획득을 가능하도록 적응시킬 수 있다; 또한 혹은 대안적으로 사전정의된 거리 범위를 적어도 사전정의된 최소 해상도(묘사된 표면 면적당 화소들)를 갖는 영상의 획득이 가능하도록 적응시킬 수 있다; 그리고
이 결정의 결과와 독립적으로:
- 카메라 포지션의 조절이 요구되는지에 대한 사용자 및/또는 카메라를 위한 피드백 신호의 생성; 그리고/또는
- 카메라와 코팅 표면의 상대적 포지션의 자동적 조정; 그리고/또는
- 카메라가 사전정의된 거리 및/또는 영상 획득 각도 범위 이내에 있는 경우 카메라에 의한 영상의 선택적 획득.
이는 정확하고 재현가능한 결함 식별 및 코팅 표면 특성화 과정의 수행을 위해 결함-식별 프로그램에 의해 요구되는 조건 하에서 영상 획득 시스템의 현재 설정값이 디지털 영상의 획득을 허용하지 않는 경우, 코팅 표면의 영상의 획득 및 분석이 처음부터 금지된다.
예를 들어, 사전정의된 거리 범위 및/또는 사전정의된 영상 획득 각도 범위는 현재 제시된 코팅 표면의 디지털 영상이 획득되기 전에 명시적으로 혹은 함축적으로 주어진 범위일 수 있다.
디지털 영상의 해상도는 주어진 크기의 코팅 표면을 묘사하는데 있어서 이 영상에 사용된 화소 숫자를 나타낸다. 예를 들어, 해상도는 묘사된 코팅 표면의 cm2 당 화소의 숫자 혹은 인치2 당 화소의 숫자로 주어질 수 있다.
일부 예들에 따르면, 사전정의된 최소 해상도는 묘사된 표면의 0.05 mm2 당 5 px x 5 px와 같이 절대 해상도 값의 형태로 제공할 수 있으며, "px"는 화소이다. 보다 바람직하게는, 사전정의된 최소 해상도는 묘사된 표면의 0.05 mm2 당 적어도 10 px x 10 px이거나 혹은 묘사된 표면의 0.05 mm2 당 적어도 15 px x 15 px이다.
다른 예들에 따르면, 사전정의된 해상도는 절대 해상도 값 범위의 형태로 제공된다. 이 범위의 하한은 예를 들어 묘사된 표면의 0.05 mm2 당 5 px x 5 px 혹은 묘사된 표면의 0.05 mm2 당 10 px x 10 px 혹은 묘사된 표면의 0.05 mm2 당 15 px x 15 px일 수 있다. 이 범위의 상한은 예를 들어, 묘사된 표면의 0.05 mm2 당 10.000 x 10.000 px일 수 있다.
예를 들어, 결함 유형 "미세기포"의 경우, 최소 해상도는 묘사된 표면의 0.05 mm2 당 8 px x 8 px일 수 있다. 여기서 사용되는 미세기포 "결함"이란 기포의 직경이 0.5 mm2 미만인 점에서 특성화된 기포 결함이다.
그 밖에 또는 대안적으로 결함 유형 "거대기포"의 경우, 최소 해상도는 묘사된 표면의 0.6 mm2 당 5 px x 5 px일 수 있다. 여기서 사용되는 "거대기포"란 기포의 직경이 적어도 0.5 mm인 점에서 특성화된 기포 결함이다.
그 밖에 또는 대안적으로 결함 유형 "크레이터"의 경우, 최소 해상도는 묘사된 표면의 0.05 mm2 당 8 px x 8 px일 수 있다.
일부 실시예들에 따르면, 해상도가 상한 해상도 범위를 초과하여 디지털 영상의 감소된 해상도가 사전정의된 해상도 범위 안에 있는 경우 결함-식별 프로그램의 디지털 영상의 해상도를 전산적으로 감소시키도록 구성된다. 이것은 감소된 해상도 범위를 갖는 영상이 예측 모델의 훈련에 사용되는 훈련 영상의 해상도와 동일하거나 충분히 유사한 해상도를 가진다는 이점을 가질 수 있다. 이는 적어도 카메라의 해상도가 훈련 영상(오류 출처로 관찰됨)의 해상도보다 훨씬 더 높아야 하는 경우에도 결함-식별 프로그램이 정확하게 예측을 수행할 수 있도록 보장할 수 있다.
실시예들에 따르면, 사전정의된 최소 해상도 및/또는 사전정의된 해상도 범위는 결함 유형 특이적이다. 예를 들어, 하나 이상의 다른 결함 유형에 대해, 상기 저장 유형의 결함 유형 식별자와 연관하여 각각의 사전정의된 최소 해상도나 해상도 범위를 저장 매체에 저장할 수 있다.
출원인은 다른 코팅 결함 유형들의 크기가 상당히 변동하는 것을 관찰했다. 출원인은 또 훈련 동안 학습해야 하는 코팅 결함 유형의 크기에 그 해상도가 적응되는 훈련 영상의 사용이 훈련 동안 요구되는 전산화 대상 자원과 생성되는 예측 모델의 정확성 모두에 강한 영향이 있을 수 있음을 놀랍게도 관찰했다. 해상도가 너무 높으면, 훈련이 상당한 양의 CPU 용량, 메모리 및 시간을 요구할 것이며 경우에 따라 최적 이하의 결과를 유도할 수 있다. 만약 해상도가 너무 낮으면, 훈련된 모델의 정확성이 불량할 것이다. 하지만 다른 결함 유형이 다른 크기를 가지며/거나 다른 정도의 줄세공(filigree)을 가질 수 있다는 사실로 인해, 훈련 시간과 시험 기간 모두에서 사용할 최소 해상도 및/또는 최적 해상도 범위가 결함 유형에 의존하는 것으로 관찰되었다.
실시예들에 따르면, 결함-식별 프로그램은 하나 이상의 식별 대상의 결함 유형의 선택을 동적으로 수령하여, 선택된 결함 유형 각각에 대하여 적어도 하나의 카메라와 획득할 영상이 이 결함 유형의 식별자와 연관하여 데이터 저장 매체에 저장되는 최소 해상도인 해상도를 갖도록 보장하는 표면 사이의 거리를 동적으로 결정한다. 대안적으로 결함-식별 프로그램은 각각의 선택된 결함 유형에 대하여 적어도 하나의 카메라와 획득할 영상이 이 결함 유형의 최적의 해상도 범위를 대표하며 이 결함 유형의 식별자와 연관하여 데이터 저장 매체에 저장되는 해상도를 갖도록 보장하는 표면 사이의 거리를 결정한다. 그 다음 결함-식별 프로그램은 카메라가 적어도 최소 결함 유형 특이적 해상도이며/이거나 이 결함 유형의 최적의 해상도 범위에 있는 해상도로 영상을 획득할 수 있도록 적어도 하나의 카메라 및/또는 제시된 표면의 상대적 움직임을 유발한다. 복수의 결함 유형이 선택되는 경우, 카메라는 각각의 선택된 데이터 유형에 대하여 상대적 거리의 적응을 반복한다. 그 밖에 또는 대안적으로 결함-식별 프로그램은 사용자가 수동적으로나 반자동적으로 상대적 포지션을 조절할 수 있게 하는 피드백 신호를 출력한다.
사전정의된 영상 획득 각도의 범위는, 예를 들어 훈련 영상의 획득에 사용되는 적어도 하나의 카메라의 영상 획득 각도에 의존할 수 있으며, 현재 제시된 코팅 표면의 영상 획득에 사용될 적어도 하나의 카메라의 영상 획득 각도가 훈련 영상의 취득에 사용되는 영상 획득 각도(들)과 충분히 유사하도록 선택할 수 있다. "유사"란 용어는, 예를 들어 훈련 영상 획득에 사용하는 영상 혹은 각도와 같은 영상 획득 각도 +/- <5%를 갖는 또는 같은 영상 획득 각도 +/- <10%를 갖는 또는 같은 영상 획득 각도 +/- <15% 또는 같은 영상 획득 각도 +/- <20% 또는 같은 영상 획득 각도 +/- <40%를 의미할 수 있다.
일부 예들에 따르면, 사전정의된 거리 범위는 적어도 하나의 카메라(현재 제시된 코팅 표면의 디지털 영상 획득에 사용될) 그리고 적어도 최소 해상도에 해당하는 해상도를 갖는 디지털 영상의 획득을 초래하는 제시된 코팅 표면 사이의 거리의 범위이며, 여기서 최소 해상도는 특정한 결함과 연관된 결함 유형 특이적 최소 해상도이며, 예측 모델이 적어도 상기 최소 해상도를 갖는 훈련 영상에 근거하여 결함 유형을 인식하도록 훈련되었다.
카메라 표면 거리의 동적인 적응은 이익일 수 있는데, 현재 제시된 코팅 표면의 영상 획득을 위해 사용되는 적어도 하나의 카메라의 유형 및/또는 구성이 훈련 영상의 획득에 사용되는 카메라의 유형 및/또는 구성과 다를 수 있기 때문이다. 적어도 하나의 카메라가 적어도 사전정의된 최소 해상도이거나 사전정의된 해상도 범위에 있는 해상도를 갖는 디지털 영상의 획득을 허용하는 표면 면적까지의 거리를 갖는지를 자동적으로 결정하는 것은, 예측 모델이 하나 이상의 다른 유형의 코팅 결함을 식별할 가능성이 있는 경우 그 카메라가 디지털 영상의 획득만을 가능케하도록 허용할 수 있다. 마찬가지로 적어도 하나의 카메라가 훈련 영상의 획득에 사용하는 것과 유사한 각도로부터 디지털 영상의 획득을 허용하는 영상 획득 각도를 갖는지를 자동적으로 결정하는 것은, 획득 각도가 훈련 영상의 획득에 사용된 획득 각도와 유사한 경우 그 카메라가 디지털 영상의 획득만을 가능케하도록 허용할 수 있다.
실시예들에 따르면, 사전정의된 영상 획득 각도의 범위는 결함 유형 특이적이다. 예를 들어, 하나 이상의 다른 결함 유형의 각각에 대하여, 각각의 사전정의된 영상 획득 각도의 범위를 결함 유형 식별자와 연관하여 저장 매체에 저장할 수 있다.
일부 실시예들에 따르면, 결함-식별 프로그램의 예측 모델(들)의 훈련에 사용되는 훈련 영상은 코팅 표면을 묘사할 뿐만 아니라 알려진 크기의 참조 객체도 묘사한다. 예를 들어, 이 참조 객체를 코팅 표면 상에나 그 옆에 위치시킬 수 있다. 참조 객체는, 예를 들어 동전, 한 장의 종이, 또는 알려진 크기의 모든 종류의 객체일 수 있다. 적어도 하나의 카메라 상에 현재 제시된 코팅 표면 위에 또는 그 옆에 동일한 유형의 참조 객체가 배치된다. 일부 실시예들에 따르면, 예측 모델의 훈련 단계에서 각 훈련 영상의 참조 객체를 묘사하는데 사용되는 화소의 숫자가 알려진 참조 객체 크기 및 결정된 참조 객체 화소의 숫자의 함수로 각 훈련 영상의 해상도 계산을 위해 결정된다. 일부 예들에 따르면, 이 계산된 해상도는 훈련 데이터의 일부로서, 예를 들어 훈련 영상당 기반으로 저장된다. 일부 예들에서, 훈련 영상의 취득에 사용되는 최소 해상도(또는 훈련 영상의 취득에 사용되거나 하나 이상의 특정 결함 유형의 영상에만 사용되는 영상)가 사전정의된 해상도 범위의 하한으로 사용된다.
일부 실시예들에 따르면, 현재 제시된 코팅 표면의 영상 획득 이전에, 제시된 표면 면적으로부터 적어도 하나의 카메라의 주어진 거리 및/또는 적어도 하나의 카메라의 주어진 현재 구성 하에서 이 영상의 기대하는 해상도를 결정하기 위해 결함-식별 프로그램을 구성할 수 있다. 예를 들어, 결함-식별 프로그램이 적어도 하나의 카메라에 통신적으로 결합될 수 있으며 또한 주어진 현재 거리 및/또는 구성 하에서 적어도 하나의 카메라로부터 기대하는 해상도를 요청할 수 있다. 다른 실시예들에 따르면, 기대하는 해상도를 구성 파일이나 적어도 하나의 카메라의 현재 설정값을 포함하는 다른 데이터 소스에 기반하여 판독하거나 계산한다.
다른 실시예들에 따르면, 기대하는 해상도가 참조 객체에 기반하여 결정된다. 알려진 크기의 참조 객체가 현재 적어도 하나의 카메라에 제시된 코팅 표면이나 그 옆에 배치된다. 이 적어도 하나의 카메라가 적어도 하나의 참조 객체를 묘사하는 미리보기 영상을 포착하여 그 참조 객체를 묘사하는 미리보기 영상의 화소 숫자를 결정한다. 참조 객체를 묘사하는 미리보기 영상에서 결정되는 화소 숫자는 현재 상태에서 적어도 하나의 카메라에서 기대하는 해상도이다. 이러한 현재의 기대하는 해상도가 사전정의된 해상도 범위에 있도록 결정하기 위해, 이 기대하는 해상도와 사전정의된 해상도 범위를 비교한다. 예를 들어, 적어도 하나의 카메라와 표면 사이의 현재 거리가 사전정의된 최소 해상도의 미만으로 결정되면(그리고/혹은 사전정의된 거리 범위 밖에 있다면), 이것은 기대하는 해상도가 코팅 표면을 정확하게 식별하도록 결함-식별 프로그램을 작동시킬 수 없다는 지적으로 사용될 수 있다.
기대하는 해상도가 최소 해상도 이상인 경우, 사용자는 적어도 하나의 카메라를 통해 수동적으로 디지털 영상을 포착할 수 있거나 적어도 하나의 카메라가 그 영상을 자동적으로 포착하도록 초래한다.
기대하는 해상도가 사전정의된 해상도 미만인 경우(그리고 또는 사전정의된 해상도 범위 밖인 경우), 적어도 하나의 카메라와 현재 제시된 코팅 표면 사이의 거리가 변형되어 그 변형된 거리가 사전정의된 거리 범위 이내에 있게 되어, 변형된 포지션에서 카메라의 기대하는 해상도가 최소 해상도와 동일하도록(그리고/또는 사전정의된 해상도 범위 이내에 있도록) 보장된다.
실시예들에 따르면, 영상 획득 각도가 비슷하게 적응된다. 예를 들어, 구성 파일, 카메라 인터페이스 및/또는 미리보기 영상에 묘사된 참조 객체의 형상의 전산화 식별(특정 각도 범위에서 보는 경우에는 발생)이 적어도 하나의 카메라의 현재 거리, 포지션 및 방향 하에서 기대하는 획득 각도의 결정에 사용된다.
피드백 신호는 적절한 영상 획득 조건의 보장을 위해 카메라의 배치 및/또는 영상 획득 시스템의 설정값의 변형을 위해 사용자를 보조할 수 있다. 예를 들어, 피드백 신호는 카메라를 코팅 표면에 대해 적합한 위치에 배치하도록 사용자가 어떤 방향이나 각도로 카메라를 이동 또는 회전시켜야 하는지 그에게 보여줄 수 있다. 일부 예들에서, 피드백은 GUI를 통해 출력된다. 그 밖에 또는 대안적으로 피드백 신호가 음향 알람을 포함할 수 있다.
예를 들어, 사용자나 응용 프로그램 또는 구성 파일은, 예를 들어 GUI를 통해서 또는 구성 파일을 통해서 식별 대상의 결함 유형을 선택하거나 결정할 수 있다. 그러므로 영상에서 검사하고 식별할 결함 유형들의 선택이나 결정은 어떠한 영상 획득 각도 및/또는 거리가 특정한 결함의 유형을 식별하도록 허용을 고려해야 하는지 결정할 수 있다. 다른 유형의 결함들을 다른 조사 및/또는 영상 획득 조건에서 가장 잘 식별할 수 있음이 관찰되었기 때문에, 이는 결함 식별의 정확성을 증가시킬 수 있다.
다른 실시예들에 따르면, 상응하는 피드백 신호가 생성되며 코팅 조성물을 자동적으로 제조하여/거나 시험하는 시설의 영상 획득 장치에 제공된다. 이 피드백 신호는 영상 획득 장치가 적합한 영상 분석을 위해 결함-식별 프로그램이 요구하는 조건 하에서 영상 획득 장치가 장치에 현재 포함된 코팅 표면의 디지털 영상을 획득할 수 있도록 영상 획득 장치에 포함된 카메라 및/또는 광원이 코팅 표면에 대한 상대적 포지션, 조사 각도 및/또는 영상 획득 각도를 자동적으로 변경하도록 초래하는 제어 명령을 포함할 수 있다.
예를 들어, 피드백 신호는 사용자로 하여금 카메라의 포지션(거리 및/또는 방향)을 수동적으로 혹은 반자동적으로 교정할 수 있게 하는 인간 사용자를 위한 신호일 수 있다. 그 밖에 또는 대안적으로 이 피드백 신호는 콘트롤러 장치가 카메라의 포지션을 자동적으로 혹은 반자동적으로 교정할 수 있게 하는 기계 명령을 포함한다.
이 피드백 신호는, 예를 들어 적어도 하나의 카메라에 의해 획득된 코팅 표면의 미리보기 영상 위에 중첩되는 오버레이 영상일 수 있으며, 여기에서 오버레이 영상은 적어도 하나의 카메라가 결함-식별 프로그램에 의해 성공적으로 처리가능한 영상의 획득에 적합한 포지션에 있는지를 지시하는 하나 이상의 GUI 요소들을 포함한다.
실시예들에 따르면, 결함-식별 프로그램은 다음을 포함하는 군으로부터 선택된다:
- 응용 프로그램에 있어서, 그 데이터 처리 시스템이 고정용 또는 휴대용 데이터 처리 시스템이며 예를 들어 범용 데이터 처리 기기, 특히 휴대용 전기통신 기기(예: 노트북, 스마트폰, 태블릿 컴퓨터)이거나 기타 범용 데이터 처리 기기가 휴대용 데이터 처리 시스템으로 사용될 수 있고; 카메라가 내장형 기기 내부의 카메라 또는 외부의 카메라(예: 디지털 카메라와 캠코더)일 수 있고; 범용 데이터 처리 시스템의 사용에 있어서, 회사의 직원이 회사에서 제조된 코팅 조성물 및/또는 코팅 표면에 대한 정확하고 재현가능한 품질 관리를 하는데 있어서 다른 추가의 특정 목적의 하드웨어가 요구되지 않는 이점을 가질 수 있는 응용 프로그램;
- 응용 프로그램에 있어서, 코팅 표면의 품질 관리를 위해 특별히 설계된 휴대용 혹은 고정용의 데이터 치리 시스템; 예를 들어 이 특별히 설계된 품질 관리 기기가 코팅 표면에 대한 포지션이 결함-식별 프로그램에 의해 제어될 수 있는 카메라 및/또는 광원과 같은 추가의 구성요소를 포함할 수 있고, 본 발명의 실시예에서 이러한 기기들이 코팅 표면 결함 및 검사된 코팅 표면의 질을 재현가능하고 정확한 방식으로 자동적으로 식별 및 특성화할 수 있도록 보장될 수 있는 응용 프로그램;
- 응용 프로그램에 있어서, 데이터 처리 시스템이 자동화 또는 반자동화 코팅 제조를 위한 고처리량(HT) 시설(또한 "고처리량 장비 - THE"로도 부름)이며; 특히, 이 고처리량 시설이 여기서 본 발명의 실시예에서 기술된 자동화 영상 획득 장치를 포함하는 시설일 수 있고; HT-시설의 맥락에서 결함-식별 프로그램의 사용이, HT-시설이 다수의 다른 코팅 조성물과 코팅 표면을 자동적으로 제조하고 시험할 수 있기 때문에 특히 유리할 수 있으며 그에 따라 기계 학습 모델로 하여금 바람직한 코팅 질 특성화를 가진 코팅 조성물의 식별 및/또는 예측하도록 훈련시키는데 사용할 수 있는 대량의 데이터가 생성되고; HT-시설의 맥락에서 정성적 및/또는 정량적 코팅 특성화의 자동적 생성 및 저장이 다양한 빅 데이터 애플리케이션, 특히 기계 학습 기반의 예측에서 코팅 결함 및 코팅 질 특성화의 고려를 허용할 수 있고; 이것이 수동적으로 생성된 주관적이며 비일관적인 질 라벨에 근거하여 가능하지 않았던 응용 프로그램;
- 네트워크를 통해 다운로드되어/되거나 영구적으로 혹은 임시적으로 실체화된 웹 애플리케이션; 예를 들어, 서버가 인터넷을 통해 결함-식별 프로그램을 구현하는 자바 애플리케이션을 제공할 수 있는 웹 애플리케이션; 또는
- 브라우저 내에서 실행되는 프로그램(예: JavaScript 프로그램).
- 서버 컴퓨터에 실체화된 서버 프로그램으로, 네트워크 연결을 통해 클라이언트, 데이터 처리 시스템 상에 실체화된 클라이언트 프로그램에 작동적으로 결합된 서버 프로그램(예: 범용 컴퓨터 품질 관리용으로 특별히 설계된 기기, 또는 스마트폰); 예를 들어, 클라이언트 프로그램은 하나 이상의 코팅 표면의 디지털 영상을 획득하기 위한 하나 이상의 카메라의 제어를 위해 구성되는 프로그램일 수 있고; 획득한 디지털 영상이 그 영상의 처리를 위해 사용되는 서버 프로그램으로 네트워크를 통해 보내지고 코팅 표면의 특성화를 포함하는 처리 결과를 네트워크를 통해 클라이언트 프로그램으로 출력하는 서버 프로그램. 클라이언트 프로그램은 또한 서버 프로그램에 의해 제공되는 결과를 표시하도록 구성할 수 있다.
"휴대용 기기"는, 예를 들어 스마트폰과 같은 핸드헬드 기기일 수 있지만, 일부 예들에 따르면, 휴대용 기기는 인간이 기술적 수단의 도움없이 적어도 수 미터를 운반할 수 있는 무게의 보다 큰 기기일 수도 있다. 전형적으로 이러한 기기의 무게는 50 kg 미만, 특히 40 kg 미만이다.
위에서 언급된 실시예들의 조합이 가능하다. 예를 들어, 결함-식별 프로그램이 클라이언트-서버 시스템으로서 구현되는 것이 가능하며, 여기서 클라이언트 부분이 웹 애플리케이션이나 브라우저 실행된 프로그램으로 구현되고 데이터 처리 시스템 상에서 실체화되며 또한 충분한 질로 그리고 적절한 맥락에서 디지털 영상의 획득의 책임이 있으며, 서버 부분은 원격 서버 프로그램에서 실체화되고 코팅 결함의 식별에 필요한 영상 분석 및 코팅 표면 특성화의 제공에 대한 책임이 있다. 다른 예에 의하면, 클라이언트 프로그램과 클라이언트 데이터 시스템은 코팅 조성물의 제조 및/또는 시험을 위한 시설(예: THE)의 일부가 될 수 있다. 서버 프로그램은 예를 들어 상기 THE의 (원격) 부분이 될 수 있고, 복수의 다른 HTE들에 속하는 복수의 클라이언트 프로그램의 서버로서 사용될 수 있으며/거나 THE의 일부는 될 수 없다. 서버 컴퓨터 시스템은 모놀리식 컴퓨터 시스템 또는 분산 컴퓨터 시스템(예: 클라우드 컴퓨터 시스템)일 수 있다.
실시예들에 따르면, 결함-식별 프로그램은 사전정의된 패턴들을 인식하기 위해 기계 학습 프로그램에 의해 수행되는 훈련 단계에서 훈련 데이터로부터 학습을 마친 예측 모델을 포함한다. 특히, 이 기계 학습 프로그램은 뉴럴 네트워크일 수 있다.
실시예들에 따르면, 훈련 데이터는 복수의 코팅 표면에 대한 복수의 라벨 표기된 훈련 영상을 포함한다. 예를 들어, 훈련 영상은 다수의 여러 코팅 도포 프로토콜(예: 한 번 또는 여러 번, 다른 온도, 예를 들어 여러 형태의 전처리 프로토콜을 기판에 수행한 다음 분무, 펼침, 도장 또는 침지 기법의 사용 등)에 따라 코팅 조성물을 도포하고 또한 다수의 다른 유형의 기판(예: 목재, 플라스틱, 금속, 종이 등)에 코팅 조성물을 도포하여 얻은 코팅 표면을 묘사하는 디지털 영상을 포함할 수 있다. 그 밖에 또는 대안적으로, 훈련 영상은 다수의 여러 코팅 조성물을 도포하여 얻은 코팅 표면을 묘사하는 디지털 영상을 포함할 수 있으며, 여기서 여러 코팅 조성물은 여러 유형들 및/또는 양의 구성요소를 조합하여/거나 여러 제조 공정 매개변수들(예: 혼합 기간, 혼합 온도, 혼합 속도 등) 및/또는 여러 도포 공정 매개변수들에 따라 구성요소들을 조합하여 얻어졌다. 그러므로 훈련 영상은 다양한 여러 기판들, 코팅 조성물들, 코팅 조성물 제조 매개변수들 및 코팅 도포 프로토콜 매개변수들을 아우르는 방대한 다차원적 데이터 공간을 포함할 수 있다. 이 방법은 또한 데이터베이스에 훈련 데이터의 저장을 포함한다. 초기에는 훈련 데이터의 라벨이 수동으로 달아진다. 이후의 훈련 단계에서는 훈련 데이터가 자동적으로 라벨 표시되고 또한 바람직하게 인간 주석자에 의해 점검하거나 교정된 추가의 코팅 표면의 디지털 영상에 의해 연장될 수 있다. 이 라벨은 바람직하게는 코팅 결함의 경계, 코팅 결함의 유형 그리고 경우에 따라서 각각의 훈련 영상에 묘사되는 하나 이상의 결함들의 포함 측정치와 동일할 수 있는 하나 이상의 코팅 표면의 정량적 및/또는 정성적 특성화의 화소 기반 지시를 포함한다.
실시예들에 따르면, 기계 학습 프로그램은 뉴럴 네트워크 혹은 영역 제안 네트워크를 포함하는 뉴럴 네트워크의 조합이다. 영역 제안 네트워크는 앵커가 객체(결함 패턴들의 하나)를 포함할 수 있는지에 대한 제안을 위해 입력 영상에서 앵커를 생성하도록 구성된다. "앵커"란 검출 대상의 결함 패턴의 크기를 아우르는 앵커 크기를 가진 입력 영상의 하위영역으로 이해할 수 있다.
예를 들어, 기포, 거품, 함몰 등과 같은 특정한 결함 유형들의 평균 크기가 이미 알려질 수 있다. 이러한 결함들의 크기 범위를 결함 패턴의 기대하는 크기 범위로서 사용할 수 있다. 영역 제안 네트워크는 하나 이상의 식별 대상의 결함 유형들에 대해 기대하는 크기들의 크기 범위를 아우르는 크기를 갖는 결함(예: "기포" 및 "크레이터") 앵커의 검출을 위해 생성되고 사용되도록 구성된다. 일부 실시예들에 따르면, 훈련 동안 사용자에 의해 복수의 여러 앵커 크기가 정의되며, 예를 들어 8x8 화소, 16x16 화소, 32x32 화소, 64x64 화소 및 128x128 화소의 크기를 갖는 앵커의 조합으로부터 앵커를 사용할 수 있다.
여기서 사용되는 "영역 제안 네트워크"(RPN)는 하위영역에서 객체의 발생에 대하여 "제안"을 하도록 적응시킨 "앵커"라고 부르는 입력 영상의 여러 다른 하위영역 상에서 작동하도록 구성된 뉴럴 네트워크이다.
바람직한 실시예들에 따르면, 영역 제안 뉴럴 네트워크는 예를 들어, "Mask R-CNN", Kaiming He and Georgia Gkioxari and Piotr Doll
Figure pat00005
r and Ross Girshick, 2017, eprint 1703.06870 arXiv:1703.06870에서 기술된 "Mask R-CNN" 모델에 포함된 영역 제안 네트워크이다. "Mask R-CNN"은 영상에서 객체를 효율적으로 검출하도록 구성된 유연한 뉴럴 네트워크 기반의 프로그램으로 각 인스턴스에서 고품질 분할 마스크를 동시에 생성한다. Mask R-CNN 프로그램은 경계 상자 예측을 위한 기존의 가지와 병행하여 객체 마스크를 예측하는 가지의 추가에 의해 Faster R-CNN을 연장시킨다. Mask R-CNN은 네 개의 주 출력을 갖는다: 각 후보 객체(후보 결함 유형 인스턴스)마다 등급 라벨, 점수 및 경계 상자가 제공된다. 그 밖에 객체 마스크가 제공될 수 있다. Mask R-CNN은 Faster R-CNN에 적은 오버헤드만 추가한다. 출원인은 같은 틀 안에서 다수의 여러 작업을 일반화하는 것이 수월하므로 R-CNN이 다수의 여러 유형들의 코팅 표면 결함을 식별하는데 특별히 적합하다고 관찰했다. Mask R-CNN은 다음에서 다운로드할 수 있다: https://github.com/matterport/Mask_RCNN. 다른 객체 유형의 인스턴스 분할에서 Mask R-CNN의 사용은 온라인 논문 "Splash of Color: Instance Segmentation with Mask R-CNN and TensorFlow"에 기술되어 있으며, 이는 Waleed Abdulla가 2018년 3월 20일에 작성한 것을 다음 URL에서 온라인으로 이용할 수 있다: https://engineering.matterport.com/splash-of-color-instance-segmentation-with-mask-r-cnn-and-tensorflow-7c761e238b46. Faster R-CNN 접근 방법은 Shaoqing Ren and Kaiming He 및 Ross Girshick 및 Jian Sun에 의해 다음에 기술되어 있다: "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", 2015, eprint 1506.01497 available via https://arxiv.org/abs/1506.01497.
한 예에 의하면, 뉴럴 네트워크는 "백본" 네트워크와 RPN을 포함한다. "백본" 네트워크는 먼저 입력 영상에 적용되며 특징 추출기의 역할을 하는 표준 컨볼루션 뉴럴 네트워크(전형적으로 ResNet50 또는 ResNet101)일 수 있다. 백본 네트워크의 처음 층들은 낮은 수준의 특징(가장자리와 모서리)을 검출하고 나중 층들은 점진적으로 더 높은 수준의 영상 특징을 검출한다. RPN은 바람직하게 백본 뉴럴 네트워크가 제공하는 입력 영상으로부터 유래된 특징 벡터들을 기반으로 영역 제안을 생성하도록 훈련된다.
Mask R-CNN의 작동은 대략 다음과 같이 요약할 수 있다:
· 영상이 "백본 네트워크"를 통해 흘러서 특징 지도를 생성한다.
· RPN은 경량 이진 분류기를 사용하여 다중 관심 영역(RoI)을 생성한다. 이것은 영상 위에 앵커 상자를 사용하여 수행한다. "앵커" 또는 "앵커 상자"란 검출 대상의 구체적인 결함 유형의 규모 및 종횡비를 캡쳐하기 위해 특정한 크기 범위를 아우르는 경계 상자의 조합으로 이해할 수 있다. 실시예들에 따르면, 복수의 다른 앵커들은 CPU(중앙 처리 장치) 혹은 GPU(그래픽 처리 장치) 상에서 병렬로 처리된다. 이것은 하나 이상의 다른 결함 유형에서 결함 인스턴스의 검출에 대한 처리 속도를 크게 증가시키게 된다. 앵커 상자도 가능한 포지션마다 별도의 예측을 계산하는 슬라이딩 창으로 영상을 스캔할 필요없이 복수의 객체, 다른 척도의 객체들 및 중복되는 객체들의 검출을 도와준다. 이로써 실시간 객체 검출이 가능하게 된다. 앵커마다 영역 제안 네트워크는 해당 앵커의 객체 포함(전경 등급) 혹은 결여(배경 등급)를 예측한다. 또한 모든 전경 앵커에서 경계 상자 세분화를 수행하여 객체(코팅 결함)를 더 잘 맞춘다. 이 영역들을 관심 영역(RoI)으로도 부른다.
· RoI마다 제안이 예측된다. 각 제안은 특정한 유형의 객체를 묘사하는 RoI의 확률(예: 기포 결함의 경우 93%) 그리고 객체의 등급/라벨(예: "기포 결함", "크레터링 결함" 또는 "배경") 점수의 조합이다.
· 관심 영역은 추가의 경계 상자 세분화 단계를 수행함으로써 더욱 세분화된다.
추가로 분할 마스크는 포지티브 앵커(객체를 포함하는 관심 영역)에 대해 예측되며 화소 수준에서 식별된 결함 인스턴스를 지적한다. 예를 들어, Mask R-CNN은 거품 결함을 고도로 정확히 식별하고 특성화할 수 있는 것으로 관찰된 바 있다.
위에 언급된 단계들은 이미 존재하는/거나 훈련된 결함-식별 프로그램을 코팅 결함의 발생, 유형 또는 정도를 나타내는 라벨을 포함하지 않는 새로운(시험) 영상에 적용시킬 수 있는 방법을 설명한다. 다음에서는 결함-식별 프로그램의 예측 모델의 생성 및 훈련 방법의 실시예들이 기술된다. 시험 단계 및 훈련 단계는 같거나 다른 데이터 처리 시스템 상에서 수행할 수 있다. 예를 들어, 모델 M1을 제1 데이터 처리 시스템에서 훈련시키고, 예를 들어 코팅의 제조나 시험에 필요한 사용자 및/또는 시설과 상호작용을 위해 일부의 추가적 기능이나 모듈을 포함할 수 있는 결함-식별 프로그램에서 훈련된 모델 M1을 통합한 다음, 결함-식별 프로그램을 제2데이터 처리 시스템으로 이전하는 것이 가능하다.
결함-식별 프로그램의 모델(M1)의 훈련 단계
실시예들에 따르면, 그 방법은 훈련 데이터에 대한 훈련 단계의 수행을 포함하며, 훈련 데이터는 코팅 표면의 라벨표기된 디지털 훈련 영상의 조합을 포함하며 라벨은 훈련 영상에서 결함의 위치/포지션 및/또는 유형을 식별한다. 예측 모델은 역전달을 사용하는 라벨표기된 훈련 영상의 수단에 의해 패턴의 인식을 훈련시킨다.
예를 들어, 훈련 영상은 해당 영상이 코팅 결함의 위치 및/또는 정도의 지시하지 않는 하나 이상의 결함 유형의 묘사 여부를 지시하는 지정된 라벨을 각각 지정했을 수 있다. 바람직하게는 훈련 영상이 일체의 결함이 없는 다양한 코팅 표면의 영상을 포함하며, 훈련 영상이 정도가 다른 단일 결함 유형의 결함을 포함하며, 그리고/또는 훈련 영상이 두 가지 이상의 다른 유형의 결함들의 혼합물을 포함한다.
훈련 데이터의 라벨은 영상에 묘사된 결함 유형(들)이 있는 경우 이를 나타내는 영상 등급 라벨을 포함할 수 있지만 그 결함의 포지션 정보는 없다. 그 밖에 또는 대안적으로 이 라벨은 결함 유형의 위치나 결함 유형 인스턴스에 대한 정보를 화소 수준이나 경계 상자의 수준에서 제공하는 의미론적 결함 유형 라벨, 객체 식별 라벨 및/또는 결함 유형 인스턴스 라벨을 포함할 수 있다.
그 밖에 또는 대안적으로 본 발명의 실시예들에 따른 훈련 영상은 훈련 영상에 묘사되는 하나 이상의 결함에 대한 정량적 측정치, 예를 들어 결함의 크기 및/또는 심각도 또는 기포의 숫자 등을 지정했다. 이러한 매개변수와 각각 지정된 라벨 그리고 정량적 측정치가 훈련 단계에서 처리되어 예측 모델이 코팅 표면의 코팅 결함에 대한 결함 패턴과 그리고 측정치와 매개변수의 상관관계를 얻도록 할 수 있다.
실시예들에 따르면, 결함-식별 프로그램은 각각 일부 결함 관련 영상의 주석과 디지털 영상의 강도나 색상 패턴 사이의 상관관계 결정을 학습한 복수의 예측 모델들 M1.1, M1.2, M1.3을 포함할 수 있다. 예를 들어, 예측 모델 M1.1은 주석이 달린 결함과 화소 패턴의 상관관계 결정을 학습한 Mask-RCNN 프로그램의 영역 제안 네트워크일 수 있고, 모델 M1.2는 주석이 달린 결함이 있는 각각의 디지털 영상과 연관하여 저장된 다른 매개변수와 결함 측정치의 상관관계 결정을 학습한 다른 뉴럴 네트워크일 수 있다. 결함-식별 프로그램은 복수의 예측 모델 M1.1, M1.2, M1.3을 포함하며 이 모델들과 그 예측 수행의 결과를 통합하며/거나 집합시킨다.
기계 학습 과정에서 결함-식별 프로그램의 제공은 생성되는 예측 모델 M1이 영상 패턴과 다양한 결함 유형 사이의 복수의 고도로 복잡한 상호관계를 학습하는 이점을 가질 수 있다. 출원인은 인간에 의해 명백하게 명시된 하나 이상의 규칙이라는 수단에 의해 이러한 복잡하고 대개는 숨겨진 상호관계를 예측 모델로 통합시키는 것이 매우 어렵고 경우에 따라 심지어 불가능함을 관찰했다.
실시예들에 따르면, 적어도 일부의 훈련 영상은 또한 훈련 영상에 묘사된 코팅 표면의 생성에 사용되는 코팅 조성물과 관련있는 지정된 매개변수를 가진다.
이러한 예측 모델 M1(또는 결함-식별 프로그램이 사용할 복수의 다른 예측 모델들 가운데 하나인 M1.2)의 훈련에 사용되는 훈련 영상에 지정되는 추가의 최적 매개변수들은 다음 가운데 하나 이상을 포함할 수 있다:
- 훈련 영상에서 묘사하는 코팅 표면의 생성에 사용된 코팅 조성물의 하나 이상의 성분의 표시;
- 코팅 조성물의 하나 이상의 성분의 절대적 또는 상대적 양의 표시; 예를 들어, 매개변수는 묘사된 표면의 생성에 사용되는 코팅 조성물에 포함된 하나 이상의 소포제에 대한 유형 및/또는 양의 사양을 포함할 수 있다; 그리고/또는
- 하나 이상의 도포 공정 매개변수, 기판에 코팅 조성물을 도포하는 공정을 특성화하는 도포 공정 매개변수, 특히 코팅 표면의 면적당 도포되는 코팅 조성물의 양, 기판의 유형 및/또는 도포 장비(예: 기계나 장치)의 유형을 포함하는 도포 공정 매개변수, 도포 공정 매개 변수는 또한 그 위에 코팅 조성물이 도포되는 기판의 전처리 방법, 예를 들어 건조, 가열, 세정 또는 다른 기판의 준비를 표시하는 매개변수도 포함할 수 있다; 그리고/또는
- 훈련 영상의 획득에 사용되는 이미징 시스템의 시스템 매개변수, 코팅 표면을 조사하는데 사용되는 광원(들)의 유형, 광원(들)의 휘도, 조사 각도, 광원(들)의 파장, 코팅 표면의 디지털 영상의 획득에 사용되는 하나 이상의 카메라(들)의 유형(들), 영상 획득 각도(들), 하나 이상의 카메라(등)의 포지션을 포함하는 군으로부터 선택되는 시스템 매개변수.
결함-식별 프로그램으로 통합시킨 예측 모델을 위에 언급된 콘텍스트 데이터에 대해 훈련시키는 것이 유리할 수 있는데, 이는 출원이 위에 언급된 콘텍스트 매개변수 모두가 코팅 표면에서 광찰할 결함의 숫자와 유형에 영향을 줄 수 있고 따라서 코팅 표면의 질에 영향을 줄 수 있기 때문이다. 위에 언급된 콘텍스트 데이터 및/또는 결함의 정량적 측정치에 의한 훈련 영상에 대한 주석달기는 훈련된 예측 모델 M1이 코팅 결함의 유형 및 정도 그리고 코팅 표면의 질 특성화에 대해 영향을 줄 수 있는 일체의 요인들을 고려할 수 있도록 보장한다.
추가 실시예
추가 양태에서, 본 발명은 코팅 조성물 관련된 예측 프로그램, 예를 들어 조성물-질-예측 프로그램 및/또는 코팅-조성물-사양-예측 프로그램을 제공하는 컴퓨터 구현된 방법에 관한 것이다. 이 방법은 다음을 포함한다:
- 해당 코팅 표면의 생성에 사용되는 코팅 조성물의 하나 이상의 성분, 하나 이상의 상기 성분의 상대적 및/또는 절대적 양, 코팅 조성물의 제조 공정 매개변수 그리고/또는 코팅 표면의 코팅에 사용되는 도포 공정 매개변수를 포함하는 군으로부터 선택되는 하나 이상의 매개변수와 연관하여 코팅 표면의 정성적 및/또는 정량적 특성화의 연관을 포함하는 데이터베이스의 제공;
- 하나 이상의 코팅 표면의 정성적 및/또는 정량적 특성화 그리고 해당 코팅 표면 특성화와 연관하여 저장된 하나 이상의 매개변수 사이의 상관관계 결정을 학습한 예측 모델(예: 여기서 모델 "M2" 또는 "M3"이라고 칭하는 예측 모델)의 제공을 위해 코팅 표면 특성화와 데이터베이스에서 하나 이상의 매개변수 사이의 연관에 대한 기계 학습 모델의 훈련, 그리고
- 코팅 표면의 생성에 사용되는 코팅 조성물의 하나 이상의 성분, 하나 이상의 상기 성분의 상대적 및/또는 절대적 양, 코팅 조성물의 제조에 사용되는 제조 공정 매개변수 및/또는 코팅 표면의 생성에 사용되는 도포 공정 매개변수를 포함하는 군으로부터 선택되는 하나 이상의 입력 매개변수로부터 생성되는 코팅 표면의 물성을 예측하는 예측 모델(M2)의 사용을 위해 구성되는 조성물-질-예측 프로그램에 있어서, 예측 모델(M2)을 포함하는 조성물-질-예측 프로그램의 제공; 그리고/또는
- 예측 모델(M3)을 포함하는 조성물-사양-예측 프로그램의 제공에 있어서, 조성물-사양-예측 프로그램이 적어도 하나의 원하는 코팅 표면 특성화를 명시하는 입력에 기반하는 예측 및 입력 표면 특성화를 가진 코팅 표면을 생성할 것으로 예측되는 코팅 조성물과 관련된 하나 이상의 매개변수의 출력을 위한 예측 모델 (M3)의 사용을 위해 구성되며, 하나 이상의 출력 매개변수가 코팅 표면의 생성에 사용되는 코팅 조성물의 하나 이상의 성분, 하나 이상의 상기 성분의 상대적 및/또는 절대적 양, 코팅 조성물의 제조에 사용되는 제조 공정 매개변수 및/또는 코팅 표면의 생성에 사용되는 도포 공정 매개변수를 포함하는 군으로부터 선택되며; 선택적으로 조성물-사양-예측 프로그램이 불완전 코팅 조성물 사양을 수령하고 예측된 출력 매개변수의 솔루션 공간의 제한에 대한 사양을 사용하도록 구성된다.
본 발명의 실시예들은 특정 코팅 조성물의 질 특성화를 조성물의 성분들의 유형 및/또는 양의 함수로서 그리고 선택적으로 추가의 매개변수의 함수로 자동적으로 예측할 수 있는 조성물-질 예측 프로그램이 제공되는 이점을 가질 수 있다. 이것은 원하는 질 특성화를 갖는 코팅 표면을 제공할 수 있는 코팅 조성물의 시험 및 식별의 공정을 엄청나게 가속화시킬 수 있다. 인간의 경험과 전형적인 작업대에서 제조하여 시험하는 많은 숫자의 코팅 조성물에 기반하는 당업계의 접근방법과 반대로, 본 발명의 실시예들은 특정한 코팅 조성물이 원하는 코팅 표면 특성화를 가질 것인지를 정확히 예측하는 것을 허용할 수 있다. 이것은 적합한 코팅 조성물의 식별 공정을 엄청나게 가속화하며 이 식별 공정의 수행에 요구되는 시약, 기계 및 소비재와 연관된 비용을 감소시킬 수 있다.
결함-식별 프로그램의 예측 모델 M1이 바람직하게는 수동적으로 주석을 달은 훈련 영상에 대한 기계 학습 단계를 수행하여 취득되며 화소 패턴과 결함 유형 특성화 측정치 및 코팅 표면 특성화 사이의 상관관계 결정을 학습했지만, 조성물-질 예측 프로그램의 예측 모델 M2는 디지털 영상을 포함할 수 있지만 바람직하게는 이를 포함하지 않는 훈련 데이터에 대해 훈련시킬 수 있다. 예측 모델 M2의 목적은 코팅 표면 특성화, 특히 질-관련 특성화를 하나 이상의 성분들 그리고 선택적으로 또한 코팅 조성물의 콘텍스트 매개변수들의 함수로 예측하는 것이다.
실시예들에 따르면, 이 방법은 각각 코팅 표면을 묘사하는 복식의 영상 제공을 포함한다. 묘사된 코팅 표면은 복수의 다른 코팅 조성물을 각각의 표면 샘플에 도포하여 만들어진다. 적어도 일부의 묘사된 코팅 표면들은 각각 하나 이상의 결함 유형이 다른 하나 이상의 코팅 결함을 가진다. 이 방법은 영상의 패턴 식별을 위해, 식별된 패턴에 의해 대표되는 코팅 결함의 측정치를 획득하기 위해 그리고 영상에 묘사된 코팅 표면의 정성적 및/또는 정량적 특성화의 전산화를 위해 영상에 대한 결함-식별의 적용을 포함한다. 이 방법은 또한 이러한 결함을 포함하는 코팅 표면의 생성에 사용되는 코팅 조성물과 관련된 하나 이상의 매개변수와 연관하여 코팅 표면의 정성적 및/또는 정량적 특성화의 예측 모델 (M2, M3)에 대한 훈련 데이터를 제공하는 데이터베이스에 저장을 포함한다. 예를 들어, 이러한 매개변수는 상기 코팅 조성물의 하나 이상의 성분들, 하나 이상의 상기 성분들의 상대적 및/또는 절대적 양, 코팅 조성물의 제조에 사용되는 제조 공정 매개변수 및/또는 코팅 표면의 생성에 대한 도포 공정 매개변수를 포함하는 군으로부터 선택될 수 있다.
이것은 자동화된 검출, 식별 및 코팅 표면 특성화가 방대한 숫자의 영상을 재현가능하고 유사한 방식에 의해 자동적으로 주석 달기를 허용할 수 있으므로 유리할 수 있다. 대량의 비편향적인 훈련 데이터의 제공은 이러한 훈련 데이터 조합에 대해 훈련된 모델 M2가 코팅 조성물의 물성, 특히 조성물을 기판에 도표하여 얻은 코팅 표면의 질을 정확히 예측할 수 있도록 보장할 수 있다.
실시예들에 따르면, 결함 식별 프로그램은 여기에 기술된 실시예들이나 예들의 어느 하나에 명시된 결함-식별 프로그램이다.
실시예들에 따르면, 정성적 및/또는 정량적 측정치는 조성물-질-예측 프로그램에 의해 또는 조성물-사양-예측 프로그램에 의해 사용되는 예측 모델(M2, M3)을 생성하기 위해 기계 학습 단계에서 고려되는 지정된 매개변수를 갖는다. 이 매개변수는 다음을 포함한다:
- 코팅 조성물의 하나 이상의 성분의 표시; 예를 들어, 성분의 표시는 특정한 화학적 화합물, 예를 들어 특정한 색소나 특정한 소포제, 또는 물질 등급, 예를 들어 "용매 기반의 코팅 매체"를 명시할 수 있다;
- 코팅 조성물의 하나 이상의 성분들의 절대적 또는 상대적 양의 표시; 예를 들어, 이 표시는 두 가지 소포제의 상대적 양을 명시할 수 있다;
- 하나 이상의 제조 공정 매개변수에 있어서, 제조 공정 매개변수가 코팅 조성물의 생성 공정을 특성화하며, 공정 매개변수가 예를 들어, 코팅 조성물의 혼합 속도 및/또는 혼합 기간을 포함한 제조 공정 매개변수; 그리고/또는
- 하나 이상의 도포 공정 매개변수에 있어서, 도포 공정 매개변수가 코팅 조성물을 기판에 도포하는 공정을 특성화하며, 도포 공정 매개변수가 특히 기판의 면적당 도포되는 코팅 조성물의 양, 기판의 유형 및/또는 도포 장비의 유형을 포함하는 도포 공정 매개변수.
위에 언급된 매개변수를 포함하는 데이터 파일이나 데이터 기록 또는 코팅 조성물의 "사양"으로 칭한다. 코팅 조성물과 상응하는 코팅 표면을 준비하기 위해, 어떤 사양이 각 성분의 성격과 양을 명시하며 각각의 도포 맥락에서 필요한 모두 추가 정보를 명시한다면 그 사양은 완벽한 것이다. 전형적으로, 예를 들어 적어도 일부 성분의 성격 및/또는 양을 명시할 수 없거나 일부의 코팅 조성물 제조 공정 매개변수 및/또는 코팅 조성물 도포 매개변수를 명시할 수 없다면 그 사양은 불완전한 것이다.
실시예들에 따르면, 이 방법은 코팅 조성물의 물성을 예측하는 조성물-질-예측 프로그램의 사용을 포함한다. 코팅 조성물은 도료, 바니시, 인쇄 잉크, 연마 수지, 안료 농축물 또는 기판 코팅을 위한 기타 물질의 혼합물일 수 있다.
실시예들에 따르면, 이 방법은 입력으로 제공되는 원하는 코팅 표면의 특성화에 기반하여 하나 이상의 위에 언급된 매개변수(코팅 조성물의 압력 및/또는 양, 제조 공정 매개변수, 도포 공정 매개변수)를 예측을 위한 조성물-사양-예측 프로그램의 사용을 포함한다. 이 매개변수들은 코팅 조성물의 사양의 완료 및/또는 최적화를 위해 사용될 수 있다.
바람직한 실시예들에 따르면, 두 모델 M2, M3의 조합이 코팅 조성물 사양의 보관 및/또는 최적화에 사용된다. 예를 들어, 예측 모델 M2를 사용하는 조성물-질-예측 프로그램은 일부 제조 및/또는 도포 공정 매개변수들을 추가로 포함하는 코팅 조성물의 사양을 입력으로 받을 수 있다. 조성물-질-예측 프로그램은 받은 사양에 근거하여 코팅 표면이 다수의 기포 결함을 포함할 수 있다고 예측할 수 있다. 그 다음 사용자는 기포 결함을 최소화하는 코팅 조성물 사양이 예측되어야 함을 모델 M3을 사용하는 조성물-사양-예측 프로그램에 입력할 수 있으며, 그리하여 코팅 조성물 사양이 예측을 위한 추가의 입력 및 제약으로 조성물-사양-예측 프로그램으로 제공될 수 있다. 모델 M3은 두 가지 도포제의 비율 변경이 기포 결함의 감소를 초래할 것인지 그리고 변경된 입력 사양 버전, 즉 두 가지 소포제의 변경된 비율을 포함하는 변경된 사양을 출력할 수 있는지를 결정한다.
코팅 조성물은 원료의 복합적 혼합물이다. 일상적 조성물이나 코팅 조성물의 레시피나 배합은 약 20가지 원료를 포함하며, 여기서 "성분들"로 부른다. 이러한 조성물은, 예를 들어 안료 및/또는 충전제, 또한 결합제, 용매, 수지, 경화제 그리고 증점제, 분산제, 침윤제, 접촉 촉진제, 소포제, 표면 개질제, 균염제, 건조제 및 촉매 등의 촉매 활성 첨가제 그리고 살생물제, 광개시제 및 부식 억제제 등의 특별히 효과적인 첨가제 등의 다양한 첨가제와 같은 고형물질로부터 선택되는 원료로 구성된다.
현재까지 특정한 원하는 물성을 가진 새로운 조성물, 배합 및 재배합을 실험 값에 근거하여 명시한 다음 제조하여 시험하고 있다. 화학적, 물리적, 광학적, 촉각 및 기타 측정가능한 물성의 측면에서 그리고 특히 조성물로써 기판을 코팅하여 얻은 코팅 표면의 질/결함의 측면에서 특정한 기대내용을 충족하는 새 조성물의 성분은 상호작용의 복잡성으로 인해 그리고 기계 학습 훈련 단계에서의 사용에 적합한 고품질 데이터의 결여로 인해 심지어 전문가라도 거의 예측할 수 없다. 원료들의 상호작용과 이들 사이의 공정 매개변수에 대한 다양성 그리고 연관된 다수의 실패한 실험으로 인해, 이 절차는 시간과 비용이 많이 든다.
그러므로 현재 원하는 물성을 가진 조성물의 성분에 대하여 인간과 컴퓨터 지원 모두에 의한 평가 및 예후에 대하여 그 한도가 매우 좁다. 이것은 도료, 바니시, 인쇄 인크, 연마 수지, 안료 농축물 또는 기타 코팅 재질의 경우와 같이 다수의 중요한 물성과 다수의 성분을 가진 복합 조성물에 특별히 사실이며, 성분들이 복잡한 방식으로 서로 반응하여 상응하는 코팅 조성물의 물성을 결정하기 때문이다. 개별적으로 또는 조합으로 기포 결함 생성을 최소화할 수 있는 하나 이상의 소포제의 식별은 특별히 도전적인 것으로 관찰되었다.
현재, 새 코팅 조성물의 특정한 필수 물성을 가지는지 평가하려면 새로운 코팅 표면을 먼저 실제의 실험실 환경에서 만든 다음 측정해야 한다. 이미 화학 물질의 물성을 자동으로 예측하는 접근 방식이 존재하지만, 충분한 크기의 질을 가진 훈련 데이터 조합의 생성은 문제의 조성물을 직접 제조하여 시험하는 것보다 흔히 훨씬 더 복잡하다. 도료, 바니시, 인쇄 잉크, 연마 수지, 안료 농축물 또는 기타 코팅 재질의 분야에서 새로운 조성물의 개발은 특히 복잡하며 많은 시간을 요구한다.
실시예들에 따르면, 조성물-질-예측 프로그램의 사용은 다음을 포함한다:
- 복수의 다른 후보 코팅 조성물의 사양을 각각 조성물-질-예측 프로그램의 입력으로 제공;
- 각각의 후보 코팅 조성물에 대해 후보 코팅 조성물을 기판에 도포하여 생성된 코팅 표면의 질을 조성물-질-예측 프로그램으로 예측하는데 있어서, 후보 코팅 조성물의 사양의 함수로서 수행되는 예측;
- 각각 예측되는 측정치에 의존하는 후보 코팅 조성물 사양의 선택에 있어서; 예를 들어, 예측되는 코팅 표면 특성이 질 요건을 가장 잘 부합하는 하나의 후보 코팅 조성물 사양이 선택되도록 선택을 수동적으로 수행하며; 다른 실시예들에 따라, 질 기준으로 사용되는 하나 이상의 원하는 표면 특성화를 나타내는 하나 이상의 매개변수가 조성물-질-예측 프로그램에 입력으로 제공되며, 그리하여 조성물-질-예측 프로그램이 이 선택 단계를 입력 및 기준에 의존하여 자동적으로 수행할 수 있도록 하는 선택, 그리고
- 선택된 사양을 최고의 질을 갖는 것으로 예측되는 권장 코팅 조성물로서 출력; 그리고/또는
- 코팅 조성물의 조성물 생산 및/또는 시험에 필요한 시설을 제어하는 프로세서로 선택된 후보 코팅 조성물 사양의 입력에 있어서, 프로세서가 시설을 구동하여 입력 코팅 조성물을 생성하는 입력.
예들 들어, 이 예측은 코팅 조성물의 조성물 생산 및/또는 실험을 위한 시설에 연결된 컴퓨터 시스템에 의해 생성된다.
실시예들에 따르면, 이 방법은 또한 다음을 포함한다:
- 코팅 조성물의 불완전 사양의 수령;
- 후보 코팅 조성물의 사양 조합을 수동적이나 자동적으로 생성하는데 있어서; 이 후보 조성물 조합이 수령한 불완전 코팅 조성물과 다른 버전이며; 후보 코팅 조성물 사양의 생성이 다음을 포함한다:
a) 불완전 코팅 조성물의 사양을 하나 이상의 추가 성분으로 보완; 그리고/또는
b) 불완전한 코팅 조성물의 사양을 하나 이상의 추가 성분들의 다른 절대적이나 상대적 양 그리고/또는 이미 명시된 성분들의 다른 절대적이나 상대적인 양으로 보완; 그리고/또는
c) 불완전 코팅 조성물의 사양을 후보 코팅 조성물의 제조 공정을 특성화하는 하나 이상의 제조 공정 매개변수로 보완; 그리고/또는
d) 불완전한 코팅 조성물의 사양을 후보 코팅 조성물을 기판에 도포하는 공정을 특성화하는 하나 이상의 도포 공정 매개변수로 보완.
예를 들어, 수령된 불완전 사양은 생산할(원하는) 코팅 성분이 유기 용매를 포함하거나/이에 기반해야 함을 명시할 수 있으나, 이 불완전 사양은 다수의 가용한 용매 가운데 무엇을 사용해야 하는지를 명시하지는 않는다. 후보 조성물들은 여러 유기 용매(그러나 수용성 용매는 아님)를 "용매" 성분으로 사용하도록 생성할 수 있다.
다른 예에 따르면, 수령한 불완전 사양은 (원하는) 코팅 조성물이 두 가지 특정한 소포제(예: TEGO Foamex 810 und TEGO Wet 285, Co. Evonik)를 포함해야 함을 명시할 수 있으나 그들의 절대적이나 상대적 양은 명시하지 않는다. 후보 조성물은 두 가지 소포제의 다른 양의 비율이 사용되도록 생성할 수 있다.
다른 예에 따르면, 불완전 사양은 특정 안료나 안료 조합을 사용해야 한다고 명시할 수 있으나 안료의 양에 관해서는 침묵하거나 안료(들)의 양의 범위만을 제공한다. 후보 조성물들은 안료(들)의 양에 대해서 서로 다른 코팅 조성물일 수 있다.
다른 예에 따르면, 불완전 사양은 코팅 조성물의 성분들의 전부나 적어도 대부분 그리고 각각의 양을 명시할 수 있으나 콘텍스트 매개변수, 특히 혼합 시간, 혼합 기간, 혼합 온도 등의 제조 공정 매개변수 및/또는 코팅 도포 공정 매개변수(확산, 분무, 도장, 침지, 기판 전처리, 온도, 환기 등)에 관해 침묵한다. 후보 조성물은 하나 이상의 위에 언급된 콘텍스트 매개변수의 매개변수 값에 대해 서로 다른 코팅 조성물일 수 있다.
실시예들에 따르면, a), b), c) 및/또는 d)의 각 경우에서 후보 코팅 조성물 사양의 보완을 위해 사용되는 추가 데이터는 예측 수행을 위한 코팅 조성물-질-예측 프로그램에 의해 입력으로 사용된다.
본 발명의 실시예는 여러 이유로 코팅 첨가제의 제공사와 코팅 조성물의 제조사 모두에게 유익할 수 있다: 코팅 조성물의 제조사는 이러한 코팅 조성물을 실제로 제조 및 시험하지 않고서도 다양한 콘택스트 매개변수 값을 병행하여 복수의 다양한 후보 조성물의 물성을 예측할 수 있다.
하지만 본 발명의 실시예들은 용매, 결합제, 안료, 발포제, 소포제, 유변적 첨가제, 난연제, 분산제 등과 같은 개별 코팅 조성물 성분의 제조사에게도 유용할 수 있다. 예를 들어, 소포제의 제조사는 목재 재질의 코팅 조성물에 사용될 소포제의 주문을 코팅 조성물 제조사로부터 받을 수 있다. 수령한 사양은 그 코팅이 목재 재질에 도포되는 것으로 그 용매가 물에 기반함을 나타낼 수 있지만, 코팅 조성물의 상세한 사양은 대외비 이유로 공개되지 않는다. 그럼에도 불구하고 이 소포제의 제조사는 하나 이상의 소포제들, 이상적으로는 소포제 혼합물의 유형 및 양 그리고 병용시 목재 재질용 코팅에 대해 높은 코팅 표면 질을 제공하는데 가장 적합한 용매의 양을 확인하기를 원할 것이다. 이를 성취하기 위해, 첨가제 제조사의 직원이나 소프트웨어 프로그램은 유형, 혼합물, 및/또는 소포제의 양에 대하여 그리고/또는 사용되는 소포제들의 비율에 대하여 서로 다른 복수의 후보 코팅 조성물 사양을 생성한다. 각 후보 코팅 조성물 사양은 해당 코팅이 목재 재질의 코팅에 사용될 것이라는 지시를 포함한다. 그 다음 조성물-질-예측 프로그램은 각각의 후보 코팅 조성물 사양을 해당 후보 코팅 조성물의 특성화, 특히 후보 코팅 조성물의 목재 기판 도포에 의해 생성된 코팅 표면의 질을 나타내는 특성화의 예측을 위한 입력으로 사용한다. 조성물-질-예측 프로그램이 복수의 성분의 유형 및/또는 양 그리고 선택적으로 또한 콘텍스트 매개변수와 코팅 표면 특성화 사이의 상관관계 결정을 학습했으므로, 조성물-질-예측 프로그램은 적합한 조합의 소포제를 식별할 수 있다. 소포재의 제조사는 소포제의 상대적이나 절대적 양에 대한 권장 비율과 함께 소포제 혼합물을 그리고 용매 및/또는 코팅 조성물의 생성, 보관 및/또는 도포에 대한 공정 매개변수의 권장 내용을 코팅 조성물의 제조사에 제공할 수 있다. 조성물-질-예측 프로그램이 하나 이상이 위에 언급된 매개변수 유형 a)-d)를 추가로 명시하는 권장 코팅 조성물의 사양을 생성하도록 구성되는 실시예는 이로울 수 있는데, 이는 출원인이 조성물뿐만 아니라 공정 매개변수 또는 코팅 표면의 물성 및 질에 엄청난 영향을 주는 것을 관찰했기 때문이다. 하지만 조합론적으로 가능한 거대한 숫자의 성분 및 공정 매개변수의 조합으로 인해, 고품질 코팅 표면에 상응할 수 있는 모든 조합을 평가하는 것이 가능하지 않았다.
위에 기술된 실시예들은 복수의 (이론적인) 후보 코팅 조성물 사양의 제공, 각각의 코팅 표면 질의 예측 그리고 그 예측된 표면 물성이 가장 바람직하게 보이는 하나의 후보 코팅 조성물의 선택에 기반한다. 하지만 대안적 접근 방법으에서는 코팅 표면 특성들과 유망한 코팅 조성물의 보다 직접적인 식별을 위해 예측 모델 M3 에 포함시킨 코팅 조성물 관련 매개변수들 사이의 학습된 상관관계를 사용할 수 있다:
실시예들에 따르면, 코팅 조성물-사양-예측 프로그램의 사용은 다음을 포함한다:
- 조성물-사양-예측 프로램으로의 입력으로 적어도 하나의 원하는 코팅 표면 특성화의 사양을 제공; 그리고
- 원하는 표면 특성을 갖는 코팅 표면을 제공하도록 적응된 코팅 조성물의 사양을 조성물-사양-예측 프로그램에 의해 예측함에 있어서, 그 사양이 하나 이상의 코팅 조성물 성분, 하나 이상의 코팅 조성물 성분의 절대적이나 상대적 양, 제조 공정 매개변수 및/또는 도포 공장 매개변수를 포함하는 군으로부터 선택된 매개변수를 포함하는 예측.
바람직한 실시예들에 따르면, 이 방법은 또한 코팅 조성물의 예측된 사양의 인간에 대한 출력 및/또는 선택된 후보 코팅 조성물의 사양을 코팅 조성물에 대한 조성물 생산 및/또는 시험을 위한 시설을 제어하는 프로세서로의 입력을 포함하는데 있어서, 그 프로세서가 입력 코팅 조성물의 생산하는 시설을 구동한다.
원하는 표면 특성화 외에도, 추가의 제약이 입력으로 제공될 수 있다. 이 제약은 일부 성분들이나 성분 물질의 등급 및 일부 절대적이거나 상대적인 양을 나타내는 불완전하고 대략적인 코팅 조성물 사양으로 구성될 수 있다. 이 제약은 제안되는 일체의 대안적 성분이 동일한 물질 등급에 속해야 하거나 일체의 대안적 양이 제약에서 제공된 양으로부터 최대 임계값보다 더 많이 벗어나서는 안 된다는 내용일 수 있다. 제조 공정 매개변수 및/또는 도포 공정 매개변수는 또한 제약으로 제공될 수 있다.
실시예들에 따르면, 이 방법은 자동화된 표면 코팅 및 영상 획득 장치(ACAIA 장치)에 작동적으로 결합된 컴퓨터 시스템에서 수행된다. ACAIA 장치는 하나 이상의 카메라 및 선택적으로 하나 이상의 광원을 포함한다. ACAIA 장치는 코팅 조성물의 생산 및/또는 시험을 위한 시설의 구성요소이거나 자동화된 운반 수단, 예를 들어 도포된 기판 샘플과 ACAIA 장치 사이의 자동적인 왕복 운반에 의해 그 시설에 작동적으로 결합된다. 이 방법은 또한 하나 이상의 제어 명령의 시설로의 송신을 포함한다. 이 제어 명령은 시설에 대하여 다음을 초래한다:
- 생산된 코팅 조성물의 ACAIA 장치로 운반 및 운반된 코팅 조성물의 기판에 도포, 대안적으로 코팅 공정이 시설의 별도의 코팅 장치에서 수행되고 이 시설이 이에 도포된 기판 샘플을 ACAIA 장치로 운반하도록 구성된다;
- 사전정의된 거리 및/또는 사전정의된 각도 범위 내에서 도포된 표면과 카메라의 서로에 대한 배치; 예를 들어, 사전정의된 거리 및/또는 각도는 획득하는 디지털 영상에서 검출해야 할 하나 이상의 표면 결함 유형에 대해 특이적인 거리 및/또는 각도일 수 있다; 관심 대상의 결함 유형의 표시를 제어 명령으로 제공할 수 있거나 ACAIA 장치의 구성에서 명시할 수 있다; 그리고
- 배치 이후, ACAIA 장치의 카메라가 코팅 표면의 디지털 영상을 획득하도록 초래; 그리고
- 획득된 영상을 컴퓨터 시스템으로 반송.
이는 유리할 수 있는데, 자동화 제조 시설, 특히 HT-시설이라는 맥락에서 코팅 조성물의 예측, 제공 및 시험을 위한 전적으로 자동화된 시스템이 제공되기 때문이다. 영상 분석 기반의 시험 단계에서 얻어지는 데이터는 조성물-질-예측-프로그램의 그리고/또는 조성물-사양-예측 프로그램의 훈련 데이터의 연장을 위해그리고 모델 M2+, M3+의 향상된 버전을 얻기 위해 연장된 훈련 데이터에 대한 조성물-질-예측-프로그램의 또는 조성물-사양-예측 프로그램의 모델(M2, M3)에 대한 재훈련을 위해 사용될 수 있다.
실시예들에 따르면, 이 방법은 다음을 포함한다:
- 반송된 영상에 묘사된 코팅 표면에서 하나 이상의 결함의 측정치 식별을 위해 그리고 상기 코팅 표면의 정성적 및/또는 정량적 특성화의 전산화를 위해 반송된 영상에 대한 결함-식별 프로그램의 적용; 예를 들어, 결함-식별 프로그램을 초기에 코팅 표면의 수동적으로 주석을 단 영상에 대하여 기계 학습 모델을 훈련하여 얻을 수 있다;
- 확장 데이터베이스의 제공을 위해 정성적 및/또는 정량적 특성화를 데이터베이스에 저장; 그리고
- 향상된 버전의 예측 모델의 제공을 위해 데이터베이스에 있는 특성화의 연관 그리고 코팅 조성물과 연관된 매개변수들(성분, 절대적 및/또는 상대적 성분 양, 제조 공정 매개변수 및/또는 도포 공정 매개변수)에 대한 예측 모델(M2, M3)을 향상된 버전의 예측 모델로 교체.
- 조성물-질-예측 프로그램의 예측 모델(M2) 및/또는 조성물-사양-예측 프로그램 예측 모델(M3)을 향상된 버전의 예측 모델로 교체.
그러므로 코팅 조성물의 제조 및 시험을 위한 자동화 시설의 맥락에서, 조성물-질-예측 프로그램은 다수의 유망한 후보 조성물의 예측에 사용될 수 있고, 시설은 이러한 후보 조성물의 제조 및 코팅 표면 질을 포함하는 실제 물성의 시험에 사용될 수 있으며, 얻어진 시험 데이터는 조성물-질-예측 프로르갬의 예측 모델 M2 및/또는 조성물-사양-예측 프로그램의 예측 모델 M3의 향상을 위해 사용될 수 있다. 그리하여 시간이 지남에 따라 시설 및 조성물-질-예측-프로그램 (및/또는 조성물-사양-예측)을 포함하는 통합 시스템은 상호 강화 및 향상의 가능성을 가진다.
실시예들에 따르면, 훈련 과정에는 능동 학습 모듈이 관여한다. 이 방법은 또한 다음을 포함한다:
a. 품질 기능이 훈련을 위해 최소화되는 훈련된 예측 모델(M2, M3)의 제공을 위해 데이터베이스의 측정치와 코팅 조성물의 연관에 대한 예측 모델의 훈련 수행,
b. 예측 모델을 위해 얻어진 손실 기능의 값이 명시된 기준에 부합하는지 결정하는 시험,
이로써 기준이 부합하지 않는 경우 선택적으로 다음 단계들이 실행된다:
i. 복수의 후보 조성물 사양으로부터 능동 학습 모델에 의한 후보 조성물 사양의 선택에 있어서, 선택된 후보 조성물 사양의 코팅 조성물의 코팅 성분, 성분 양, 제조 공정 매개변수 및/또는 도포 공정 매개변수를 포함하는 군으로부터 선택된 하나 이상의 매개변수와 정성적 및/또는 정량적 코팅 표면 특성화 사이의 상관관계에 대하여 예측 모델(M2, M3)을 위해 가장 높은 학습 효과를 제공하는 것으로 결정되는 하나 이상의 후보 조성물을 명시하는 선택;
ii. 생산된 후보 조성물의 기판에 대한 자동적 도포를 위하여 그리고 도포된 코팅 조성물을 가진 표면 영상의 자동적 획득을 위하여, 선택된 사양에 따라 컴퓨터 시스템에 의한 후보 코팅 조성물을 자동적으로 생산하는 시설의 구동;
iii. 데이터베이스에서 상기 영상에 묘사된 코팅 표면의 정성적 및/또는 정량적 특성화의 전산화 및 저장을 위해 단계 ii에서 획득한 영상에 대한 결함-식별 프로그램의 적용;
iv. 향상된 버전의 예측 모델을 제공하기 위해 확장 데이터베이스 상에서 예측 모델(M2, M3)의 재훈련,
v. 향상된 버전의 예측 모델을 사용하여 단계 b의 반복적 실행,
c. 조성물-질-예측 프로그램의 예측 모델(M2)을 향상된 버전의 예측 모델로 대체 및/또는 조성물-사양 예측 프로그램의 예측 모델(M3)을 향상된 버전의 예측 모델로 대체.
능동 학습 모듈의 사용은 모델 M2의 훈련이나 재훈련 동안 학습 효과가 개선되며 가속화되는 이점을 가질 수 있다; 능동 학습 모듈은 그 물성의 시험 및 저장이 예측 모델 M2의 질을 가장 많이 개선할 수 있도록 허용하는 후보 코팅 조성물을 식별하도록 적응된다.
적응적 학습 모델의 사용은 코팅 조성물의 취득, 제조 및 실험적 시험 등 비용이 많이 드는 상황의 맥락에서 유리할 수 있다. 이러한 시나리오에서, 능동 학습 모듈은 능동적으로 가장 유망한 후보 조성물을 식별할 수 있으며 또한 이러한 식별된 후보 조성물의 제조 및 시험을 능동적으로 조회할 수 있다. 능동 학습자는 가장 유망한 후보 조성물을 선택하므로, 개념을 학습하기 위해 제조하고 시험할 조성물의 숫자는 결과적으로 정상적 감독하의 학습에서 요구되는 숫자보다 훨씬 적을 수 있다.
실시예들에 따르면, 코팅 표면의 디지털 영상에서 코팅 결함의 식별에 사용되기 위한 예측 모델 M1의 훈련 동안 능동 학습이 사용된다. 이 경우 능동 학습자는 그 수동적 주석 달기가 가장 높은 학습 효과를 제공할 코팅 표면에 대한 복수의 라벨이 없는 시험 영상들의 하나 이상의 하위조항을 식별한다. 능동 학습 모듈은 사용자가 이 하위조합의 각 영상에 수동으로 주석을 달도록(라벨의 지정) 촉구하며, 이로써 라벨은 그 안에 묘사된 코팅 결함의 유형과 위치를 나타낸다. 이러한 하나 이상의 추가적으로 라벨 표기된 영상이 훈련 영상에 추가되며, 그로써 훈련 데이터를 확장시킨다. 예측 모델 M1은 확장된 훈련 데이터에 대해 재훈련되며 그로써 향상되고 보다 정확한 버전의 예측 모델 M1이 제공된다. 다음 결함-식별 프로그램에서 낡아진 예측 모델이 향상된 버전의 모델에 의해 교체된다.
추가의 양태에서, 본 발명은 다음을 포함하는 시스템에 관한 것이다:
- 도료, 바니시, 인쇄 잉크, 연마 수지, 안료 농축물 또는 다른 코팅 재질의 조성물에 대한 생산과 시험을 위한 시설에 있어서, 그 위로 자가 추진되는 운반 차량이 조성물 및/또는 작업대들 사이에서 생산되는 조성물의 성분들을 운반하기 위해 운전될 수 있는 운반 시스템을 통해 적어도 두 대의 작업대가 서로 연결되는 시설, 그리고
- 여기에서 기술된 실시예들의 어느 하나의 방법을 수행하도록 구성된 컴퓨터 시스템.
추가의 양태에서, 본 발명은 여기에 기술된 실시예들의 어느 하나의 방법을 수행하도록 구성된 컴퓨터 프로그램에 관한 것이다.
추가의 양태에서, 본 발명은 본 발명의 실시예들에 대하여 여기에 기술된 결함-식별 프로그램의 제공 및 사용의 방법을 수행하여 제공되는 결함-식별 프로그램에 관한 것이다.
추가의 양태에서, 본 발명은 모놀리식 혹은 분산형 데이터 처리 시스템 및 카메라를 포함하는 분산형 데이터 처리 시스템에 관한 것이다. 분산형이나 모놀리식 데이터 처리 시스템은 카메라에 의해 획득되는 코팅 표면의 디지털 영상에서 코팅 결함을 식별하도록 적응시킨 본 발명의 실시예들에 대해 여기서 기술된 결함-식별 프로그램을 포함한다. 예를 들어, 데이터 처리 시스템은, 예를 들어 컴퓨터나 스마트폰 등의 범용 데이터 처리 시스템인 모놀리식 데이터 처리 시스템일 수 있거나 표면 품질 관리와 관련된 특수 목적 시스템, 예를 들어 서버 컴퓨터와 하나 이상의 클라이언트 데이터 처리 시스템을 포함하는 클라우드 시스템이나 클라이언트-서버 시스템일 수 있다.
추가의 양태에서, 본 발명은 본 발명의 실시예들에 대하여 여기서 기술된 조성물-질 예측 프로그램의 제공 및 사용 방법의 수행에 의해 제공되는 조성물-질 예측 프로그램에 관한 것이다.
추가의 양태에서, 본 발명은 본 발명의 실시예들에 대하여 여기서 기술된 조성물-사양-예측 프로그램의 제공 및 사용 방법의 수행에 의해 제공되는 조성물-사양-예측 프로그램에 관한 것이다.
추가의 양태에서, 본 발명은 여기서 기술된 코팅 조성물의 사양을 제공하는 실시예들의 어느 하나의 방법의 수행에 의해 제공되는 조성물의 사양에 의거하여 제조되는 코팅-조성물에 관한 것이다. 특히, 그 사양은 훈련된 모델(M3)을 사용하여 입력으로 제공되는 원하는 코팅 표면 특성화에 기반하여 코팅-조성물-사양-예측 프로그램에 의해 본 발명의 실시예들에 따라 전산화될 수 있다.
추가의 양태에서, 본 발명은 여기서 기술된 코팅 조성물의 사양을 제공하는 실시예들의 어느 하나의 방법의 수행에 의해 제공되는 조성물의 사양에 관한 것이다.
추가의 양태에서, 본 발명은 결함-식별 프로그램을 구현하는 컴퓨터 해석가능한 명령, 조성물-질-예측 프로그램 및/또는 조성물-사양-예측 프로그램을 포함하는 휘발성 혹은 비휘발성 데이터 저장 매체에 관한 것이다.
추가의 양태에서, 본 발명은 위에서 언급된 사양을 포함하는 휘발성이나 비휘발성 데이터 저장 매체에 관한 것으로, 데이터 저장 매체는 인터페이스를 통해 시설에 작동적으로 결합되며, 이 시설은 데이터 저장 매체에 저장된 하나 이상의 사양에 의거한 코팅 조성물의 생산을 위해 구성된다.
여기서 사용되는 "코팅 표면"이란 코팅 조성물로 일 회 혹은 여러 회 도포한 기판의 표면이다. 예를 들어, 코팅 조성물을 기판에 대해 분산, 분무 또는 도장하여, 적어도 하나의 기판의 표면을 코팅 조성물에 침지하여 또는 다른 코팅 접근방법에 의해 코팅 조성물을 도포할 수 있다.
여기서 사용되는 "코팅 결함" 또는 "코팅 표면 결함"은 전형적이거나 원하는 코팅 표면의 외양으로부터 코팅 표면에 대한 일체의 광학적으로 검출가능한 이탈을 말한다. 예를 들어, 카메라의 광학 렌즈 상의 분진으로부터 초래되는 영상 결함은 코팅 결함이 아니다.
여기서 사용되는 "프로그램"은 하나의 소프트웨어, 예를 들어 애플리케이션 프로그램이나 애플리케이션 프로그램의 모듈이나 기능, 또는 원고 또는 하나 이상의 프로세서(예: CPU 또는 GPU)에 의해 실행가능한 모든 다른 종류의 소프트웨어 코드이다. 프로그램은, 예를 들어 애플리케이션 프로그램일 수 있다. 애플리케이션 프로그램은 특히 휴대폰 기기에서의 실행을 위해 설계된 프로그램은 "앱"의 형태로 구현할 수 있다.
여기서 사용되는 "결함-식별 프로그램"은 영상에 묘사된 표면에서 식별된 코팅 결함의 함수로 하나 이상의 코팅 결함을 자동적으로 식별하기 위해 그리고 코팅 표면 특성화의 전산화를 위해 디지털 영상을 분석하도록 구성된 소프트웨어 프로그램이나 소프트웨어 모듈이다.
여기서 사용되는 "조성물-질 예측 프로그램"은 코팅 조성물의 (완전 또는 불완전) 사양을 수령하도록 구성된 소프트웨어 프로그램이나 소프트웨 모듈이며 코팅 조성물의 하나 이상의 물성을 사양에 명시된 데이터의 함수로 예측하도록 구성된다. 코팅 조성물의 물성은 코팅 조성물의 질의 표시, 예를 들어 코팅 조성물의 기판에 대한 도포에 의해 얻어진 코팅 표면의 질의 표시이다. 질 표시는, 예를 들어 특정 유형의 코팅 결함의 생성 가능성일 수 있다.
여기서 사용되는 "조성물-사양 예측 프로그램"은 원하는 코팅 표면 특성화를 입력 매개변수(들)로 수령하도록 구성된 소프트웨어 프로그램이나 소프트웨어 모듈이다. 선택적으로 이 조성물-사양 예측 프로그램은 예측의 솔루션 공간을 제한하기 위해 코팅 조성물의 불완전 사양과 같은 하나 이상의 추가의 입력 매개변수를 수령하도록 구성할 수 있다. 이 조성물-사양 예측 프로그램은 하나 이상의 다음 출력 매개변수를 수령한 입력 데이터의 함수로 예측하도록 구성된다: 하나 이상의 성분, 하나 이상의 절대적이나 상대적인 성분의 양, 하나 이상의 제조 공정 매개변수 및/또는 하나 이상의 도포 공정 매개변수.
여기서 사용되는 결함의 "측정치"는 코팅 결함의 물성을 기술하는 일체의 정성적이거나 정량적 매개변수 값 또는 매개변수 값의 조합이다. 정성적 결함 측정치의 예는 "기포 결함", "박리 결함", "거품 결함" 등과 같은 결함 유형 라벨이다. 코팅 결함의 정량적 측정치의 예는 "결함이 차지하는 코팅 표면의 %", "영상에 있는 기포의 숫자", "결함의 면적당 기포 숫자", "기포의 평균 크기" 등이다. 결함의 측정치는 단일 매개변수 값이나 매개변수 값의 조합, 예를 들어 개별 결함 인스턴스의 물성이나 복수의 결함 유형 인스턴스로부터 유래된 물성, 예를 들어 평균 기포 결함 인스턴스 직경이나 복수의 결함 인스턴스(예: 기포들)의 크기 분포를 나타내는 히스토그램일 수 있다. 결함의 측정치는, 예를 들어 식별된 결함의 칫수나 기타 물성을 분석하여 (예: 둘러싼 경계 상자에 근거하거나 개별 화소에 근거하여) 얻을 수 있다. 결함의 측정치는 산술 연산의 적용에 의해(예: 평균 직경의 취득을 위해) 또는 복잡한 통계적 계산에 의해(예: 코팅 표면에 있는 기포의 크기 및 위치상 거리의 분포, 히스토그램 등) 얻는 매개변수 값이나 매개변수 값의 조합일 수 있다.
여기서 사용되는 "코팅 표면의 특성화"란 표면의 코팅의 질을 기술하는 일체의 정성적이나 정량적 매개변수 값이나 매개변수 값의 조합이다. 코팅 표면 질은 코팅 표면에 포함된 하나 이상의 결함의 측정치에 의존한다. 예를 들어, 코팅 표면의 특성화는 코팅 표면에 포함된 하나 이상의 결함의 정성적 및/또는 정량적 측정치와 동일할 수 있다. 다른 예들에 따르면, 코팅 표면의 특성화는 코팅 표면에 있는 복수의 결함들의 측정치의 집합에 의해 얻어진다. 예를 들어, 코팅 결함이 3개의 기포 결함(BD1, BD2, BD3)을 포함하는 경우, 응집된 코팅 표면 특성화는 식별된 기포 결함의 전체에 해당되는 묘사된 표면의 일부(예: "5%의 기포 결함 면적")일 수 있다. 이 응집 함수는, 예를 들어 산술 또는 기하 평균(예: 평균 기포 직경의 계산을 위한), 합, 곱 또는 보다 복잡한 산술 및/또는 통계적 응집 함수일 수 있다. 코팅 표면의 특성화는 두 개 이상의 정성적 및/또는 정량적 특성화의 조합을 포함할 수 있다. 예를 들어, 특성화는 결함의 정도(예: "심한 기포 결함을 가진 코팅 표면", 또는 "중간 등급 기포 결함을 가진 코팅 표면" 또는 "사소한 기포 결함을 가진 코팅 표면")와 결함 유형의 표시의 조합일 수 있다. 정도는 수치값(예: 결함이 면적의 %를 차지) 또는 값 범위의 표시, 히스토그램 등의 형태로 제공될 수 있다. 코팅 표면의 특성화는 두 개 이상의 다른 유형의 결함 각각에 대하여 얻어지는 정성적 및/또는 정량적 특성화의 조합을 포함할 수 있다.
여기서 사용되는 용어 "조성물" 또는 "코팅 조성물"은 그로부터 조성물이 형성되는 두 개 이상의 원료("성분")를 포함하고 코팅 표면을 제공하기 위해 기판에 도포되는 조성물이다. 이 출원의 맥락에서 자동화 시설에 의한 생산이나 시험을 참조하는 경우, 이것은 그 조성물의 성격 및/또는 양에 대한 정보에 따라 해당 코팅 조성물이 생산되는 것으로 이해해야 한다.
여기서 사용되는 용어 "후보 조성물" 또는 "후보 코팅 조성물"은 아직 제조 및/또는 시험하지 않았으므로 후보 코팅 조성물이 명시되는 순간에는 적어도 부분적으로 그 물성을 모른다. 예를 들어, 후보 조성물은 수동적으로나 자동적으로 명시되었으나 아직 제조와 시험하지 않은 조성물일 수 있다. 따라서 이 조성물의 물성은 알려져 있지 않다.
여기서 사용되는 "조성물의 사양"은 코팅 조성물과 관련된 매개변수를 포함하는 데이터 조합이다. 예를 들어, 매개변수는 코팅 조합물의 제조를 위해 합쳐지는 일부나 모든 성분들의 정체성 및/또는 물질 등급을 표시할 수 있다. 선택적으로 사양은 추가의 매개변수, 예를 들어 성분 각각의 상대적이나 절대적인 양이나 양의 범위 코팅 조성물 제조 공정 매개변수, 코팅 도포 공정 매개변수 등을 포함할 수 있다. 이 매개변수들은 조성물을 얻기 위해 어떻게 성분들을 처리 및/또는 혼합해야 하는지 그리고/또는 특정한 코팅 표면을 얻기 위해 어떻게 조성물을 기판에 도포해야 하는지 명시할 수 있다. 조성물의 사양은 완전하거나 불완전할 수 있다. 예를 들어, 일부 사양은 성분의 유형(예: 용매화 제제에 기반하는 유기 용매)을 나타낼 수만 있고 그 성분의 정확한 정체성 및/또는 양을 나타낼 수 없다. 조성물의 "사양"은 다양한 형태로, 예를 들어, 인쇄물로, 파일로(예: XML 파일로, 객체-지향 프로그램 언어의 객체로서, JSON 파일로서 등) 제공될 수 있다.
여기서 사용되는 "코팅 조성물 제조 공정 매개변수" 또는 "제조 공정 매개변수"는 코팅 조성물의 형성을 위한 성분들의 처리 및/또는 조합의 공정의 물성을 나타내는 매개변수이다. 예들은 혼합 기간, 혼합 속도, 혼합 온도, 성분 혼합의 순서, 혼합이나 다른 코팅 조성물의 제조에 사용되는 장비 등이다.
여기서 사용되는 "코팅 조성물 제조 공정 매개변수" 또는 "제조 공정 매개변수"는 코팅 조성물의 형성을 위한 성분들의 처리 및/또는 조합의 공정의 물성을 나타내는 매개변수이다. 그 예는 혼합 기간, 혼합 속도, 혼합 온도, 성분 혼합의 순서, 혼합이나 다른 코팅 조성물의 제조에 사용되는 장비 등이다.
여기서 사용되는 "코팅 조성물 도포 공정 매개변수" 또는 "도포 공정 매개변수"는 기판에 코팅 조성물을 도포하는 공정의 물성을 나타내는 매개변수이다. 예들은 도포 기법(분무, 확산, 도장, 침지 등), 도포의 기간(예: 침지 시간), 반복되는 도포의 횟수, 기판의 전처리 단계(건조, 프라이밍, 청소, 가열 등), 코팅 조성물의 도포에 사용되는 장비 및/또는 기판의 성격(목재, 플라스틱, 금속, 카드보드 등)이다.
여기서 사용되는 "알려진 조성물"은 그 물성(예: 코팅 표면 특성화, 유변학적 물성, 탄성, 수명 등)이 뉴럴 네트워크의 훈련 시 훈련을 실행하는 자에게 알려진 조성물이다. 예를 들어, 알려진 조성물은 수 개월이나 수 년 전에 고객을 위해 생산되었을 수 있으며 그 제품의 물성이 실험적으로 측정되었다. 이 측정은 지금 예측 대상의 조성물을 결정하는 것이지만 실험실의 작업자에 의해 반드시 실행되었어야 하는 것이 아니며, 다른 실험실에 의해 실행되고 발표되었을 수 있으므로 이 경우 그 물성은 전문가 문헌으로부터 얻는 것이다. 상기 정의에 따른 조성물은 하위조합으로서 배합도 포함하므로, 본 발명의 실시예들에 따른 "알려진 조성물"은 "알려진 배합"을 포함할 수도 있고 "알려진 배합"일 수도 있다.
"소포"라는 용어는 흔히 조성물이나 코팅으로부터 가스 기포의 제거를 설명하는데 사용된다. 하지만 특정한 경우에 있어서 "소포" 및 "공기 방출"이란 용어는 차별화되어야 한다. 먼저 가스 기포는 표면에 다달아야 한다. 표면에 위치는 거품 기포의 제거를 소포(엄격한 의미에서)라고 부른다. 소포제(엄격한 의미에서)는 표면에 위치한 공기 기포를 제거할 때만 효과적이다. 이에 비해, 공기 방출제는 코팅 막 전체에서 효과를 낸다. 현재의 경우 "소포제"란 용어는 넓은 의미로 사용되며 엄격한 의미에서의 소포제 그리고 공기 방출제 모두를 포함한다.
여기서 사용되는 "데이터베이스"는 그 안에 데이터 특히, 구조화된 데이터가 저장된 일체의 휘발성 또는 비휘발성 데이터 저장 매체이다. 이 데이터베이스는 하나 이상의 텍스트 파일, 스프레드시트 파일, 디렉토리 트리의 디렉토리 또는 MySQL이나 PostgreSQL과 같은 관계 데이터베이스 관리 시스템(DBMS)의 데이터베이스이다.
여기서 사용된 예측 문제의 "손실 기능"이란 모델의 훈련 및 향상을 위해 기계 학습 프로그램에 의해 예측 모델(예: 뉴럴 네트워크의 모델)을 훈련하는데 사용되는 기능이다. 손실 기능은 그 크기가 예측 모델의 질의 표시를 제공하는 값을 출력하며, 이로써 손실 기능이 훈련의 과정에서 최소화되는데, 이는 이 값의 크기가 예측 모델에 의한 예측의 부정확성을 나타내기 때문이다.
여기서 사용되는 조성물의 생산 및 시험을 위한 "시설"이란 수 개의 실험실 기기 및 운반 장치를 포함하는 장치나 시스템이며, 이것은 작업흐름을 자동적으로나 반자동적으로 실행하기 위해 일사분란하게 실험실 기기와 운반 장치를 공동으로 제어할 수 있다. 이 작업 흐름은, 예를 들어 코팅 조성물 제조 작업흐름(예: 조합 및 혼합 작업 흐름) 또는 분석 작업 흐름 또는 두 개 이상의 이러한 작업 흐름들의 조합일 수 있다. 작업 흐름은 코팅 조성물의 자동적 제조 및/또는 하나 이상의 기판에 조성물의 자동적 도표 및/또는 기판(들)의 코팅 표면의 디지털 영상에 대한 자동적 취득 및 처리를 포함할 수 있다. 시설은, 예를 들어 고처리량 시설(HT-시설)일 수 있으며, 이는 "고처리량 장비(HTE)"로도 불린다.
자동화 제조 및/또는 시험 시설에 의한 코팅 조성물의 "시험" 혹은 "분석"은 하나 이상의 분석 모듈의 수단에 의한 조성물의 화학적, 물리적, 기계적, 광학적 또는 기타 실험적으로 측정가능한 물성의 분석 공정이다. 예를 들어, 시험은 기판에 조성물의 도포, 코팅 표면의 디지털 영상의 획득 및 분석 그리고 코팅 표면의 디지털 영상에서 검출된 하나 이상의 결함의 함수로 코팅의 질 측정치의 전산화를 포함할 수 있다. 이 분석은 또한 추가의 객체 물성, 예를 들어 불투명도, 탄력성, 유변학적 물성, 색상 등의 측정을 포함할 수 있다.
여기서 사용되는 "능동 학습 모듈"은 예측 모델의 훈련에서 이러한 데이터를 고려한 결과로 이 선택된 후보 조성물의 제조 및 그 물성의 실험적 측정 이후 특별히 강력한 학습 효과가 발생하도록, 후보 조성물의 집합으로부터 (비교적 적은) 후보 조성물의 하위조합을 선택하도록 설계된 소프트웨어 프로그램이나 소프트웨어 프로그램의 모듈이다.
여기서 사용되는 "모델" 또는 "예측 모델"이란 입력 데이터에 기반하여 예측을 생성하도록 구성한 데이터 구조나 실행가능한 소프트웨어 프로그램 혹은 프로그램 모듈이다. 예를 들어, 이 모듈은 능동적 및/또는 자동적으로 주석을 달은 훈련 데이터에 대한 모델의 훈련에 의해 기계 학습 과정에서 얻어진 모델일 수 있다. 여기서 사용되는 예측 모델은 두 가지 이상의 기능적으로 통합된 모델들의 집합, 예를 들어 애플리케이션 프로그램에서 사용되며/거나 포함되는 모델들의 조합을 포함할 수도 있다. 이 예측 모델은 예를 들어 뉴럴 네트워크 모델, 지지 벡터 모델, 렌덤 포레스트, 결정 트리 등일 수 있다. 본 발명의 실시예들에 따르면, 디지털 영상 데이터에 근거하여 하나 이상의 코팅 결함의 존재, 위치 및/또는 정도에 대해 코팅 표면의 특성화를 전산화하도록 적응시킨 예측 모델은 "M1" 모델로도 부른다. 예를 들어, 이 조성물의 성분, 성분 양, 제조 공정 매개변수 및/또는 도포 공정 매개변수와 관련된 하나 이상의 입력 매개변수들에 근거하여 코팅 조성물의 물성, 특히 이 조성물에 근거하여 생성된 코팅 표면의 특성화를 예측하도록 적응시킨 예측 모델은 "M2" 모델로도 부른다. 코팅 조성물의 원하는 물성을 명시하는 입력 데이터, 특히 이 조성물에 근거하여 생성된 코팅 표면의 원하는 특성화를 명시하는 입력 데이터에 근거하여, 예를 들어 코팅 조성물의 성분, 성분 양, 제조 공정 매개변수 및/또는 도포 공정 매개변수와 관련된 하나 이상의 매개변수에 대해 예측하도록 적응시킨 예측 모델은 "M3" 모델로도 부른다. 실시예들에 따르면, 모델 M3은 추가적 입력 데이터로 불완전 코팅 조성물 사양을 고려하도록 구성하여, 이 불완전 코팅 조성물이 모델 M3에 의해 제공되는 예측의 솔루션 공간을 제한하도록 사용될 수 있다.
다음에서는 본 발명의 예시적인 형태만을 상세하게 설명하며 그 내용이 포함된 도면이 참조된다. 도면의 내용:
제1도 코팅 표면의 자동화된 특성화의 방법에 대한 순서도;
제2도 코팅 표면의 자동화된 특성화의 방법에 대한 상세한 순서도;
제3도 표면의 도포 및 도포된 표면의 영상 취득의 방법에 대한 순서도;
제4도 자동화된 코팅 표면 특성화의 데이터 처리 시스템에 대한 블록 선도;
제5A도 국소적으로 설치된 앱을 포함하는 스마트폰의 형태인 데이터 처리 시스템;
제5B도 웹 애플리케이션을 포함하는 스마트폰의 형태인 데이터 처리 시스템;
제5C도 커스텀화 코팅 표면의 품질 관리 기기의 형태인 데이터 처리 시스템;
제5D도 코팅 조성물의 제조 시설에 결합된 컴퓨터 형태의 데이터 처리 시스템;
제6도 결함-식별 프로그램의 생성 및 사용을 위한 훈련 및 시험 단계의 예시;
제7도 조성물-질 예측 프로그램의 생성 및 사용을 위한 훈련 및 시험 단계의 예시;
제8A도 복수의 코팅 조성물;
제8B도 "드로다운" 코팅 도포 장치;
제8C도 "분무" 코팅 도포 장치;
제8D도 HTE에서 코팅 샘플의 운반용 자동 컨베이어 벨트;
제9A도 결함에 대한 수동적 주석 달기 이전의 코팅 표면의 디지털 영상;
제9B도 수동적으로 라벨 표기된(주석이 달린) 결함을 포함하는 제9A도의 디지털 영상;
제10도 자동적으로 식별되고 라벨표시된 결함을 가진 코팅 표면의 디지털 영상;
제11도 히스토그램 및 면적 백분율 값의 형태로 표면 면적의 결함의 측정치;
제12도 코팅 조성물의 질의 예측에 사용되는 뉴럴 네트워크의 아키텍쳐; 및
제13도 디지털 영상의 획득을 위한 카메라, 광원 및 도포된 표면의 상대적 배치의 예시;
제14도 조성물-질-예측 프로그램의 예측 모델에 대한 질의 향상에 가장 적합한 후보 코팅 조성물의 식별 방법의 순서도;
제15도 조성물-질-예측 프로그램의 예측 모델의 향상에 사용되는 분산형 데이터 처리 및 코팅 제조 시스템의 블록 선도; 및
제16도 "능동 학습 모델"이 특정한 데이터 점들을 선택하는, 최적의 소포 물성을 갖춘 소포제 DF1 및 특정 코팅 조성물에서 최적의 호환성을 갖춘 소포체 DF2의 다양한 조합들에 대한 다차원 데이터 룸의 2D 단면.
제1도는 코팅 표면의 자동화된 특성화의 방법에 대한 흐름 선도를 보여준다. 첫째 단계(102)에서, 결함-식별 프로그램이 코팅 표면을 묘사하는 디지털 영상을 처리한다. 결함-식별 프로그램은 단계 102에서 하나 이상의 코팅 결함을 식별하여 인식된 영향의 특성화를 제공한다. 예를 들어, 이 프로그램은 코팅 표면이 약 100개의 기포를 포함하는 제1 기포 결함 영역과 약 400개의 기포를 포함하는 제2 기포 결함 영역을 포함하는 것으로 결정할 수 있다. 인식된 영향의 특성화는 식별된 결함의 유형, 위치 및 정도를 포함할 수 있다. 단계 104에서 얻어진 데이터는 사용자에 대한 출력일 수 있으며/거나 유도 데이터 값 예를 들어 응집된 코팅 표면의 특성화에 대한 전산화를 위한 결함-식별 프로그램에 의해 내부적으로 사용될 수 있다.
제2도는 코팅 표면의 자동화된 특성화의 방법에 대한 상세한 순서도를 보여준다. 단계 102 및 104 이후, 단계 106에서 결함-식별 프로그램은 개별 결함의 측정치, 예를 들어 크기, 형상, 공간 분포, 크기 분포 등을 계산한다. 결함-식별 프로그램은 단계 108에서 이 측정치들을 사용하여 코팅 표면의 정성적 및/또는 정량적 특성화를 계산하여 제공한다.
제3도는 표면의 도포 및 도포된 표면의 영상 취득의 방법에 대한 순서도를 보여준다. 단계 110에서, 혼합 및 제조 프로토콜에 따라 복수의 성분들을 서로 혼합하여 복수의 코팅 조성물이 생성된다. 단계 112에서, 코팅 도포 프로토콜에 따라 하나 이상의 기판 샘플에 코팅 조성물이 도포된다. 이 샘플은 영상 획득 장치로 자동 또는 수동으로 운반된다. 단계 114 및 118에서, 영상 분석 소프트웨어(124)가 영상을 올바로 분석할 수 있도록 카메라, 선택적 광원 및 도포된 샘플이 서로에 대해 정의된 방식으로 배치된다. 그 다음 단계 118에서 도포된 샘플 표면을 묘사하는 하나 이상의 영상이 촬영된다.
제4도는 자동화된 코팅 표면 특성화의 데이터 처리 시스템에 대한 블록 선도를 보여준다. 데이터 처리 시스템(120)은 하나 이상의 프로세서(126) 및 휘발성 혹은 비휘발성 저장 매체(122)를 포함한다. 이 저장 매체는 영상(125), 예를 들어 결함-식별 프로그램(124)에서 모델 M1의 훈련을 위한 훈련 영상 또는 이미 훈련된 예측 모델 M1으로의 입력된 시험 영상을 포함한다. 그 밖에 또는 대안적으로, 이 저장 매체는 조성물-질 예측 프로그램의 M2 모델 훈련을 위한 훈련 데이터를 포함할 수 있으며/거나 이미 훈련된 예측 모델 M2를 포함하는 조성물-질 예측 프로그램을 포함할 수 있다.
그 밖에 또는 대안적으로, 저장 매체는 조성물-사양 예측 프로그램의 훈련되지 않은 버전인 모델 M3을 포함할 수 있으며/거나 이미 훈련된 예측 모델 M3을 포함하는 조성물-사양 예측 프로그램을 포함할 수 있다.
데이터 처리 시스템(120)은 다수의 다른 방법으로 구현될 수 있다. 예를 들어, 데이터 처리 시스템은 모놀리식 컴퓨터 시스템, 예를 들어 데스크톱 컴퓨터 시스템, 휴대용, 전기통신 기기, 스마트 폰, 특수 목적의 코팅 표면-품질 관리 기기 또는 코팅 조성물의 자동 제조 및/또는 시험을 위한 시설에 작동적으로 결합되거나 시설의 중요한 부분인 컴퓨터 시스템일 수 있다. 대안적으로 데이터 처리 시스템(120)은 분산형 컴퓨터, 예를 들어, 총코팅 조성물의 자동화 제조 및/또는 시험을 위한 하나 이상의 시설에 선택적으로 결합된 클라이언트-서버 컴퓨터 시스템일 수 있다. 분산형 컴퓨터 시스템의 선택적으로 결합된 클라이언트-서버 컴퓨터 시스템일 수 있다. 분산형 컴퓨터 시스템의 구성요소들은 네트워크 연결로써, 예를 들어 인터넷이나 조직의 인트라넷을 통해 서로 통신적으로 연계될 수 있다. 제5A-5D도는 데이터 처리 시스템(120)의 일부 구현 예들을 예시한다.
제5A도는 스마트폰(130) 형태의 데이터 처리 시스템을 보여준다. 스마트폰은 "앱"(124)으로도 불리는 국소적으로 설치된 애플리케이션 프로그램의 형태인 결함-식별 프로그램을 포함한다.
예를 들어, 이 앱은 도포된 표면에 대하여 적절한 거리 및 포지션에서 도포된 샘플 표면의 영상을 촬영하도록 사용자가 스마트폰의 카메라(134)의 제어를 허용하는 그래픽 사용자 인터페이스(132)를 포함할 수 있다. 디지털 영상의 성공적인 취득은 영상을 분석하고 영상에 묘사된 하나 이상의 코팅 결함을 식별하도록 결함-식별 앱(124)를 자동적으로 작동시킬 수 있다. 바람직하게 앱(124)은 사용자에게 처리의 결과에 대해 알리는 GUI(136)도 생성하도록 구성된다. 예를 들어, GUI(136)는 식별된 결함(기포 결함)의 유형 그리고 결함에 대한 하나 이상의 정량적 측정치(예: 평균 기포 직경; 기포 밀도 등)를 표시할 수 있다. 그 밖에 GUI(136)는 하나 이상의 식별된 코팅 결함의 물성의 함수로 계산된 코팅 표면의 특성화를 포함한다. 예를 들어, 결함-식별 프로그램을 식별된 기포의 크기와 숫자, 기포로 덮힌 표면 면적을 총 크기에 기반하여 계산하도록 구성할 수 있다.
코팅 표면의 영상 획득과 코팅 결함의 자동적 식별을 위해 스마트폰 앱을 사용함으로써, 코팅 표면의 객관적이고 재현가능한 질 측정치를 얻기 위해 방대한 특수 목적용 기기를 회사 직원에게 제공할 필요가 없는 이점을 가질 수 있다. 앱의 다운로드와 설치면 충분하다.
제5B도는 웹 애플리케이션 형태의 결함-식별 프로그램(124)를 포함하는 스마트폰(130) 형태의 데이터 처리 시스템을 보여준다.
한 예에 따르면, 스마트폰의 브라우저에서 실행되고 특정 웹사이트 예를 들어 서버(144)에 의해 생성되는 회사의 웹 포털을 방문하는 사용자가 인터넷이나 인트라넷을 통해 다운로드하는 원고로써 결함-식별 프로그램이 구현된다. 예를 들어, 이 프로그램(124)는 JavaScript 프로그램으로 구현될 수 있다.
다른 실시예에 따르면, 결함-식별 프로그램이 브라우저 외부에서 실행되는 프로그램, 예를 들어 Java 프로그램으로 구현된다.
결함-식별 프로그램은 상호 운영가능하며 네트워크 연결(142)을 통해 데이터를 교환하도록 구성되는 클라이언트 부분과 서버 부분을 포함하는 2-구성요소 프로그램으로 구성될 수 있다. 예를 들어, 휴대용 전기통신 기기에 설치되는 프로그램 부분(130) ("클라이언트 애플리케이션")은 영상 획득 과정의 제어와 결함-식별 결과의 사용자에 대한 출력을 위해 구성할 수 있다. 서버 상에 설치되는 프로그램 부분("서버 애플리케이션")은 네트워크를 통해 클라이언트 부분으로부터 디지털 영상의 수신, 코팅 결함의 검출을 위한 디지털 영상의 분석, 식별된 결함의 측정치 결정 그리고 묘사된 코팅 표면의 정성적 및/또는 정량적 특성화의 전산화를 위해 구성할 수 있다. 서버 부분은 특성화와 바람직하게는 측정치 그리고 식별된 결함의 유형과 정도까지도 클라이언트 부분으로 반송한다.
제5C도는 커스텀화 코팅 표면의 품질 관리 기기, 즉 코팅 표면의 질 그리고 함축적으로 코팅 조성물 및/또는 코팅 공정의 질을 제어하고 객관화화도록 설계된 전용 기기의 형태로서의 데이터 처리 시스템(150)을 보여준다. 이 기기는 결함-식별 프로그램(124)를 갖춘 저장 매체, 사용자가 시험 과정을 제어하고 시험 결과의 출력을 허용하는 인터페이스(152) 그리고 바람직하게는 도포된 샘플의 표면 물성의 시험 목적을 위해 사용되는 몇 가지 하드웨어 부품들을 포함한다. 예를 들어, 이 기기는 로봇 팔(158)을 통하거나 카메라와 도포된 샘플의 상대적 포지션을 변경시킬 수 있는 다른 연결 요소들을 통해 기기에 결함된 카메라(134)를 포함할 수 있다. 이 기기는 또한 바람직하게 이동가능하며/거나 회전가능한 연결 요소들, 예를 들어 로봇 팔(156)을 통해 기기에 결합되는 하나 이상의 광원(160)을 포함할 수 있다.
품질 관리 기기(150)는 휴대용 기기 또는 정지형 기기로 구현할 수 있다. 예를 들어, 이 기기는 코팅 조성물의 자동적 제조 및/또는 시험을 위한 시설의 중요한 부분으로 구현할 수 있다. 시설은 복수의 도포된 샘플(162, 164, 166, 168)을 관리 기기(150)로 운반하는 컨베이어 벨트(154)를 포함하며, 이로써 다수의 코팅 표면에 대한 완전 자동화되고 신속하며 재현가능한 품질 관리를 가능케 한다.
제5D도는 코팅 조성물 제조용 시설(244)에 결합된 컴퓨터(170) 형태의 데이터 처리 시스템을 보여준다.
시설(244)은 코팅 조성물의 제조와 관련되고, 다양한 표면에 코팅 조성물의 도포와 관련되며/거나 도포된 표면이나 코팅 조성물의 시험과 관련된 다양한 작업들(예: 코팅 조성물의 유변학적, 화학적, 물리학적 또는 기타 매개변수들의 결정)의 제어, 감시 및/또는 조율을 위한 주 제어 컴퓨터(246)를 포함한다. 각 작업은 시설(244)에 포함되는 몇 개의 다른 장치들에 의해 수행된다. 예를 들어, 이 시설은 코팅 조성물이나 코팅 조성물로 도포된 기판에 대한 화학적, 물리적, 기계적, 광학적 또는 기타 형태의 시험 및 분석을 수행하기 위한 하나 이상이 분석기(257)를 포함할 수 있다. 이 시설은, 예를 들어 구체적인 제조 및 혼합 프로토콜에 근거하여 조성물의 성분들을 혼합함으로써 다양한 코팅 조성물의 제조를 위해 구성되는 하나 이상의 혼합 장치(256)를 포함할 수 있다. 시설은 자동적으로 표면 샘플의 도포를 위해 구성된 하나 이상의 샘플 코팅 장치(254)를 포함할 수 있다. 예를 들어, 이 코팅 장치(254)는, 예를 들어 제8C도 및 제8B도에 묘사된 "분무" 코팅 도포 장치나 "드로다운" 코팅 도포 장치를 포함할 수 있다. 일부 예의 구현에 따르면, 이 시설은 또한 카메라와 광원 그리고 획득한 디지털 영상이 결함-식별 프로그램(124)에 의해 입력으로 사용될 수 있도록 샘플과 카메라 및/또는 광원의 서로에 대한 배치을 위한 수단을 포함하는 영상 획득 장치(252)를 포함한다. 하나 이상의 운반 장치(258), 예를 들어 컨베이어 벨트는 다른 장치들을 연결시켜 성분, 혼합물, 코팅 조성물 및 도포된 샘플을 한 장치에서 다른 장치로 이동한다.
제어 컴퓨터(246)는 영상 획득 장치(252)에서 획득된 도포된 샘플의 디지털 영상을 컴퓨터 시스템(170)의 결함-식별 프로그램(124)으로 보내도록 구성된 제어 장치(248)를 포함한다. 일부 실시예에 따르면, 영상 데이터와 함께 추가의 매개변수가 결함-식별 프로그램에 제공된다. 이 매개변수는 정체성, 샘플 도포에 사용되는 코팅 조성물의 하나 이상의 성분들의 상대적 및/또는 절대적 양 그리고 선택적으로 또한 제조 공정 매개변수 및/또는 도포 공정 매개변수를 나타낼 수 있다. 이 매개변수들은 완전하거나 불완전한 코팅 조성물의 사양 및/또는 각각의 제조 또는 도포 공정 매개변수의 형태로 제공될 수 있다.
결함-식별 프로그램은 영상에 묘사된 코팅 결함의 자동적인 식별을 위해, 결함 측정치의 계산을 위해 그리고 결함 측정치의 함수로 코팅 표면 특성화의 전산화를 위해 수령한 영상 및 선택적으로 또한 매개변수들을 입력으로 사용하도록 구성된다. 결함-식별 프로그램에 의해 계산된 결과는 GUI를 통해 사용자에게 출력될 수 있으며/거나 데이터베이스(204)에 저장될 수 있다.
바람직하게는 분석기(257)나 혼합 장치(256) 또는 코팅 장치(254)와 같은 다른 장치에 의해 취득되는 데이터의 일부는 특정 코팅 조성물의 식별자 및/또는 도포된 샘플의 식별자와 연관하여 데이터베이스에 직접 저장될 수 있거나 컴퓨터 시스템(170)으로 하여금 데이터베이스에 저장하도록 컴퓨터 시스템(170)으로 보낼 수 있다.
시설(244)의 맥락에서 결함-식별 프로그램의 사용은 특히 유리할 수 있으며, 이는 코팅 표면의 영상이 촬영된 이후에 이를 검사할 결함에 대해 자동적으로 분석할 수 있기 때문이다. 얻어진 결과는 배합 데이터 및/또는 분석 데이터에 연계될 수 있으므로 조성물의 최적화에 사용할 수 있다.
제6도는 결함-식별 프로그램의 생성 및 사용을 위한 훈련 및 시험 단계의 예시를 보여준다.
첫째 단계에서, 훈련 데이터 조합(602)이 생성된다. 이 목적을 위해 복수의 다른 코팅 조성물이 제조된다. 다른 코팅 조성물들은 그 성분의 성격과 각 성분의 양에 대해 그리고/또는 제조 공정 매개변수에 대해 다르다. 그 다음 복수의 코팅 표면을 생성하기 위해 다중 코팅 조성물을 기판에 도포한다. 도포된 샘플의 숫자는 코팅 조성물의 숫자보다 훨씬 클 수 있는데, 이는 같은 코팅 조성물을 많은 여러 유형의 재질(목재, 플라스틱, 카드보드, 금속 등)에 다수의 여러 가지 유형의 기법(분무, 도장, 침지, 확산 등)을 통해 도포할 수 있기 때문이다. 그 다음 각각의 도포된 샘플에 대해 하나 이상의 디지털 영상(604, 606)을 획득한다. 예를 들어, 특정한 코팅 샘플에 대해, 조사 강도, 광원의 상대적 포지션, 광 파장 등을 변동시켜 디지털 영상을 얻을 수 있다.
코팅 조성물, 샘플의 재질, 코팅 공정 매개변수 및 다수의 다른 요인들에 의존하여, 영상에 묘사된 코팅 표면이 여러 사전정의된 결함 유형의 하나 이상의 코팅 결함을 포함할 수 있다.
다음 단계에서, 획득한 영상 영상에 묘사된 결함에 수동적으로 라벨을 표지한다. 예를 들어, 라벨 표지 과정을 제9B도를 참조하여 설명된 바와 같이 수행할 수 있다.
디지털 영상(604)에 영상(604)에 묘사된 각 코팅 결함의 위치, 유형 및 바람직하게 또는 정도를 나타내는 라벨(616)로 주석을 달 수 있다. 라벨(616)은 또한 영상(604)의 정성적 및/또는 정량적 특성화, 예를 들어 "등급 2의 기포 결함 및 등급 8의 주름 결함을 포함하는 전체 질 수준 7"을 포함한다. 바람직하게 영상(604)은 추가 데이터(608)와 연관하여 저장된다. 이 추가 데이터(608)는 묘사된 코팅 표면의 생성에 사용된 코팅 조성물의 성분들의 완전 혹은 불완전 사양을 포함할 수 있으며, 이로써 그 사양은 추가로 성분 이름 및/또는 양, 제조 공정 매개변수 및/또는 조성물 도포 공정 매개변수를 포함할 수 있다. 예를 들어, 조성물의 사양과 위에 언급된 매개변수들을 묘사된 코팅 표면의 생성에 사용된 코팅 조성물의 식별자와 연관하여 데이터베이스에 저장할 수 있다. 영상(604)은 그 영상에 묘사된 도포된 샘플의 식별자와 연관하여 영상 ID를 가질 수 있으며, 이로써 코팅 조성물의 식별자와 연관하여 저장된 도포된 샘플의 식별자가 그 샘플의 도포에 사용된다.
디지털 영상(606)는 라벨(618)로 주석을 달아서 유사하게 추가 데이터(610)와 연관하여 저장할 수 있다.
훈련할 미훈련 버전의 예측 모델(612)을 포함하는 컴퓨터 시스템(120.1)이 제공된다. 이 컴퓨터 시스템은 훈련 데이터를 포함하는 데이터베이스(204)에 대한 접속을 갖는다. 훈련 데이터(602)는 훈련 동안 입력으로 사용된다. 훈련 과정에서, 예측 모델 M1은 주석 달린 영상(604, 606)에서 화소 패턴과 코팅 결함/코팅 표면 특성화 사이의 상관관계들을 학습한다.
실시예들에 따르면, 훈련 데이터는 매개변수 형태의 추가 데이터(608, 610)를 포함한다. 예측 모델 M1(또는 결함-식별 프로그램에 포함된 추가의 예측 모델 M1.2)은 또한 화소 패턴, 코팅 결함/코팅 표면 특성화 및 성분 및/또는 조성물 성분의 양, 제조 공정 매개변수 및/또는 도포 공정 매개변수와 같은 추가 데이터 사이의 상관관계를 학습할 것이다.
미훈련 모델은 뉴럴 네트워크의 형태로 구현될 수 있다. 뉴럴 네트워크는 바람직하게 영역 제안 네트워크, 예를 들어 Mask R-CNN 프로그램이 제공하는 영역 제안 네트워크를 포함한다.
훈련의 결과로, 위에 언급된 상관관계를 학습한 예측 모델 M1(또한 하나 이상의 예측 모델 M1.2를 포함할 수 있음) (612)이 제공된다. 이 훈련된 모델은 결함-식별 프로그램(124)에 통합되어 디지털 영상에 묘사된 코팅 결함의 자동 식별에 사용될 수 있다. 프로그램(124)는 추가의 기능성, 예를 들어 훈련 및/또는 시험 단계 동안 사용자의 영상 획득을 지원하기 위한 및/또는 예를 들어, 수치 값 및/또는 세그먼트 영상의 형태로 예측 결과를 사용자에게 표시하기 위한 GUI(614)를 포함할 수 있다.
제6도의 하부는 이미 훈련된 모델 M1의 시험 단계를 보여준다. 시험 단계 동안, "시험 영상"이라 불리는 복수의 코팅 표면의 디지털 영상이 제공된다. 예를 들어, 시험 영상(624, 626)을 훈련 영상의 저장에 사용되는 같은 데이터베이스(620)에 또는 다른 데이터베이스에 저장할 수 있다. 이 시험 영상들은 처음에는 어떤 라벨도 포함하지 않는다. 선택적으로 시험 영상을 추가 데이터(628, 630), 특히 코팅 조성물의 성분의 성격 및/또는 양의 완전 또는 불완전 사양, 다양한 제조 공정 매개변수들, 코팅 조성물 도포 공정 매개변수 및/또는 영상 획득 시스템 매개변수와 연관하여 저장할 수 있다.
그 밖에 결함-식별 프로그램(124)의 사본이 설치 및/또는 실체화되는 컴퓨터 시스템(120.2)이 제공된다. 모델의 훈련에 사용되는 컴퓨터 시스템(120.1)은 훈련된 모델을 시험 영상에 적용하는데 사용되는 컴퓨터 시스템(120.2)과 동일할 수 있거나 결함-식별 프로그램의 사용이 제공된 컴퓨터 시스템과 다를 수 있다.
훈련된 예측 모델 M1(612)을 포함하는 결함-식별 프로그램(124)은 해당 시험 영상에 묘사된 코팅 표면의 정성적 및/또는 정량적 특성화(632, 634)의 예측을 위한 입력으로 사용되는 하나 이상의 시험 영상(624, 626)을 수령한다. 예를 들어, 결함-식별 프로그램은 영상에 묘사된 코팅 결함의 위치, 유형 및 정도의 식별을 위해 화소별 영상 분석을 수행할 수 있다. 그 다음 이 프로그램은 영상에서 식별된 각각의 코팅 결함의 측정치 계산을 위해 얻은 데이터를 분석할 수 있다. 예를 들어, 기포 결함을 나타내는 화소의 일부 그리고 박리 결함을 나타내는 동일한 영상의 화소의 부분을 결정할 수 있다. 추가의 단계에서, 이 측정치가 코팅 표면의 응집 특성화, 예를 들어 "기포 결함 등급 3"과 같은 라벨의 계산을 위해 결함 측정치의 함수로 사용된다.
선택적으로 해당 시험 영상에 지정된 추가 데이터(628, 630)가 결함-식별 프로그램에 의해 수령되어 예측 수행의 추가 입력으로 사용된다.
바람직하게는 자동적으로 예측된 측징치 및 특성화(632, 634)가 해당 시험 영상(628, 613)에 연관되어 데이터베이스에 저장된다. 그럼으로써 코팅 표면 특성화 및 따라서 특정한 코팅 조성물의 코팅 질이나 프로토콜을 나타내는 라벨을 포함하는 데이터가 제공된다. 이 데이터를 모델 M1(602)의 훈련 데이터의 증가를 위해 그리고 확장 데이터베이스에 근거하는 예측 모델의 재훈련을 위해 사용하여 정확성을 향상시킬 수 있다. 그 밖에 또는 대안적으로 이 데이터는 또한 제7도를 참조하여 설명한 예측의 다른 적용범위를 가진 다른 예를 모델 M2의 훈련에 사용할 수 있다.
제7도는 조성물-질 예측 프로그램(714)의 생성과 사용을 위한 훈련 및 시험 단계의 예시를 보여준다. 결함-식별 프로그램과는 반대로, 조성물-질 예측 프로그램(714)은 디지털 영상을 입력으로 요구하지 않는다. 오히려 조성물-질 예측 프로그램에 의해 사용되는 예측 모델 M2(712)은 복수의 매개변수를 입력으로 사용한다. 이러한 입력 매개변수는 성분, 성분 양, 제조 공정 매개변수 및/또는 도포 공정 매개변수를 포함하는 군으로부터 선택된다. 코팅 표면의 질 관련 특성화 그리고 선택적으로 추가의 코팅 조성물 질 지표는 코팅 조성물 질 예측 프로그램에 의해 계산되어 출력된다.
결함-식별 프로그램 및 조성물-질 예측 프로그램을 조합한 사용은 유익일 수 있는데, 이는 처음으로 결함-식별 프로그램이 다른 작업, 예를 들어 코팅 조성물의 질 예측의 해결을 위해 여러 기계 학습 프로그램들(712)의 훈련용으로 이 데이터의 사용을 허용하도록 충분한 양과 질 및 객관성에 의한 코팅 표면의 질 특성화를 제공하기 때문이며, 여기에는 코팅 조성물의 질도 고려된다.
모델 M2의 훈련 단계 동안, 훈련 데이터(702)가 제공된다. 이 훈련 데이터(702)는 복수의 데이터 기록들(여기서는 두 개의 데이터 기록을 동그라미로 나타냄)을 포함하며 각 데이터 기록은 코팅 조성물을 대표한다. 각 데이터 기록은 조성물의 성분들 성격 및/또는 양의 완전 또는 불완전 사양(628, 630), 제조 공정 매개변수 및/또는 코팅 조성물 도포 공정 매개변수의 사양을 포함할 수 있다. 그 밖에 각 데이터 기록은 a) 해당 코팅 조성물에 의한 샘플의 도포, b) 도포된 표면의 영상 획득 그리고 c) 코팅 표면 특성화(632, 634)의 전산화를 위한 결함-식별 프로그램의 영상 분석에 의해 생성된 코팅 표면의 특성화(632, 634)를 포함한다. 그 밖에 각 데이터 기록은 하나 이상의 추가 물성(732, 734) 사이의 상관관계 결정을 학습한다.
훈련 단계 동안, 기계 학습 모델(712)이 코팅 표면 특성화(632, 634), 사양에 표현된 데이터(628, 630) 그리고 있는 경우 추가의 물성(732, 734) 사이의 상관관계 결정을 학습한다.
훈련된 예측 모델 M2는 훈련의 결과로서 코팅 조성물의 질(732, 734)을 그 성분 및 있는 경우 연관된 공정 매개변수(728, 730)의 함수로 예측할 수 있다. 예를 들면, 코팅 조성물의 질이 결함-식별 프로그램에 의해 예측되어 출력으로 코팅 표면의 질 특성화(732, 734)의 형태로서 제공될 수 있다. 다른 실시예들에서는, 코팅 조성물의 질을 예측하여 코팅 표면의 질 특성화 및 예를 들어, 수명, 점도 등의 표시와 같은 다른 물성 값(729, 731)의 조합의 형태로 제공할 수 있다.
코팅-사양-예측 프로그램에 의해 사용된 예측 모델 M3의 훈련은 모델 M2에 대해 기술된 바와 유사하게 수행할 수 있는데, 동일한 상관관계를 학습하지만 M2의 입력 데이터를 M3의 출력 데이터로 학습하고 M2의 출력 데이터를 M3의 입력 데이터로 M3로 사용한 것으로 학습한다. 선택적으로 M3은 모델 M3에 의해 평가되어야 할 솔루션 공간을 제한하기 위해 제공되는 불완전 코팅 사양과 같은 추가 데이터를 사용한다.
제8A도 해당 코팅 조성물 사양에 기반하여 HTE에서 자동적으로 제조된 복수의 코팅 조성물을 보여준다.
제8B도는 "드로다운" 코팅 도포 장치를 보여준다. 첫째 단계에서, 코팅 조성물의 특정한 양이 샘플의 표면에 도포된다. 그 다음 표면으로부터 정의된 거리에서 롤러가 표면 위로 이동하여, 그 양이 표면 위에 고르게 펴지고 코팅을 형성한다.
제8C도는 "분사" 코팅 도포 장치를 보여준다.
제8D도는 코팅 조성물의 제조 및/또는 시험용 고처리량 시설의 자동화 컨베이어 벨트를 보여준다. 이 컨베이어 벨트는 도포된 샘플을 시설의 영상 획득 장치로 자동적으로 운반하도록 적응시킨다. 샘플을 영상 획득 장치에 적재한 다음 샘플의 표면으로부터 획득한 영상이 결함-식별 프로그램에 의한 자동화 처리에 적합하도록 카메라와 관련 및/또는 샘플을 이동하고 서로에 대해 배치한다.
제9A도는 결함에 대한 수동적 주석달기(라벨 지정) 전 코팅 표면의 디지털 영상(1202)의 하위영역을 보여준다. 예를 들어, 이 영상은 코팅 조성물의 자동적 제조 및/또는 시험을 위한 시설의 영상 획득 장치에서 카메라에 의해 획득되었을 수 있다. 대안적으로 이 영상은 예를 들어 제4-5도를 참조하여 설명한 데이터 처리 시스템의 카메라에 의해 얻어졌을 수 있다.
영상 획득 조건(조사, 카메라 설정, 영상 획득 각도, 조사 각도 등)은 검사할 결함이 영상에서 보이도록 또한 가능하도록 선택된다. 실시예들에 따르면, 다른 유형의 결함에는 다른 영상 획득 조건을 설정하여 사용한다. 예를 들어, 표면의 요철과 연관된 결함은 낮은 조사 각도(즉, 낮은 입사 각도)를 사용하여 얻어지는 영상에 기반하여 분석할 수 있는데, 이는 이 결함들이 충분한 크기 및 콘트라스트의 음영을 초래하도록 하기 위함이다. 다른 결함들(예: 색상 결함)은 가파른 조사 각도(약 80-100°)를 사용하여 얻은 디지털 영상에 근거하여 분석할 수 있다.
디지철 영상(1202)은 거품 결함을 포함하는 코팅 표면을 보여준다. 코팅 표면은 두 가지 주요 결함들(구멍) (1204, 1206) 그리고 몇 개의 보다 적은 결함들(작은 구멍)을 포함한다. 측면으로부터 기판에 조사했으므로, 음영의 형성으로 인해 그 결함을 분명히 인식할 수 있다. 이 음영 현상은 기판 상에서 코팅의 요철에 대한 식별 및 차별화를 허용한다. 그 밖에 이 음영 형성을 사용하여, 예를 들어 함몰의 경우 날카로운 가장자리가 있거나 코팅 두께가 천천히 감소하는지 그 여부를 판단할 수 있다. 이것은 크레터링 결함으로부터 기포 결함의 구별을 허용할 수 있다.
결함 외에도, 디지털 영상은 코팅 결함이 아닌 아티팩트(1208)를 포함한다. 예를 들어, 이 아티팩트는 영상 획득 장치의 렌즈나 기판 위에 있는 먼지 반점에 의해 초래될 수 있다.
충분한 크기의 훈련 데이터 조합을 생성하기 위해, 많은 숫자의 여러 종류의 코팅 결함을 포함하는 다수의 다른 코팅 표면들을 가진 디지털 영상이 획득된다. 거품 결함의 경우, 낮은 입사 각도가 선택된다. 다른 유형의 결함에서는, 다른 영상 획득 설정값과 조건을 선택할 수 있다. 바람직하게는 서로 중첩될 수 있는 다수의 다른 유형의 결함들을 식별할 수 있는 결함-식별 프로그램을 생성할 수 있기 위해, 각 도포된 샘플의 표면을 여러 다른 조건 하에서 조사하여 해당 디지털 영상을 획득한다.
바람직하게는 결함 유형이 다르고 도포된 기판의 유형이 다른 수천 개의 결함을 보여주는 방대한 숫자의 디지털 영상를 획득하며 이들을 수동으로 주석을 단다(라벨 표지).
제9B도는 수동으로 라벨 표지된(주석을 달은) 결함을 포함하는 제9A도의 디지털 영상(1202)을 보여준다. 디지털 영상의 주석달기는 영상에 묘사된 코팅 결함의 포지션과 유형을 나타내는 정보와 연관하여 디지털 영상을 저장하는 작업을 포함할 수 있다. 선택적으로 라벨은 직경, 둘레 등과 같은 정량적 결함 측정치의 결정을 허용할 수 있는 영상 해상도와 같은 추가 데이터를 포함할 수 있다.
다수의 영상에 수동으로 주석을 다는 작업에는 상당한 시간과 노력이 소비된다. 이 문제를 돕기 위해, 영상을 작은 섹션으로 잘랐다. 이러한 섹션의 일부에서, 거품 결함을 소프트웨어 VIA -VGG Image Annotator로 표시했다(Abhishek Dutta and Andrew Zisserman, 2019, "The VIA annotation software for images, audio and video", Proceedings of the 27th ACM International Conference on Multimedia (MM '19), October 21-25, 2019, Nice, France. ACM, New York, NY, USA, 4 pages. https://doi.org/10.1145/3343031.3350535.).
결함 1206 및 1208의 경우 VIA 소프트웨어를 사용하여 각 결함의 주위에 수동으로 동그라미(1212)를 그려서 표시했다. 다음 VIA 소프트웨어를 사용하여 영상이나 영상 식별자와 연관있는 구조적 포맷으로 표시 정보를 내보냈다. 구조적 포맷은, 예를 들어 XML 파일, JSON 파일, 쉼표에 의해 분리된 파일, 관계 데이터베이스의 데이터 기록 등일 수 있다.
일부 실시예들에 따르면, 영상이나 영상 식별자와 연관하여 추가 데이터가 저장된다. 추가 데이터는 코팅 표면의 도포에 사용된 코팅 조성물의 광선 또는 불완전 사양을 포함할 수 있으며, 여기서 그 사양은 성분의 정체성 및/또는 양, 조성물의 제조 공정의 양태를 나타내는 제조 공정 매개변수, 기판에 조성물을 도포하는 공정의 양태를 명시하는 도포 공정 매개변수 및/또는 영상 획득 시스템 매개변수를 포함할 수 있다. 이것은 예측 모델 M1(또는 코팅 질 예측 프로그램에 의해 사용되는 추가의 예측 모델 M1.2)이 한 편으로 결함 유형 및 코팅 표면 특성화와 하나 이상의 위에 언급한 매개변수 사이의 상관관계를 학습하도록 허용할 수 있다.
결함-식별 프로그램에 의해 사용될 예측 모델 M1의 생성은, 예를 들어 제6도를 참조하여 설명한 바와 같이 수행할 수 있다.
그 다음 훈련된 모델 M1은 훈련 단계에서 사용되지 않은(그리고 "시험 영상"으로 일컬어지는) 라벨 표지가 없는 새 영상에서 거품 결함(및 훈련 데이터에 의해 포함되는 다른 유형의 결함들)의 검출에 사용할 수 있다.
제10도는 코팅 표면의 디지털 영상(1302)을 보여준다. 이 영상은 본 발명의 실시예에 따른 결함-식별 프로그램(124)에 의해 자동적으로 만들어진 라벨(1304)을 포함한다. 이 라벨은 결함-식별 프로그램에 의해 자동적으로 검출된 바 있는 결함(1306, 1308)을 식별한다.
검출된 결함의 가시적 표현(예: 식별된 결함에 덮혀진 영상 세그먼트를 통해 또는 이 경우와 같이 식별된 결함을 둘러싸는 가장자리와 원을 통해) 외에도, 결함-식별 프로그램은 식별된 결함의 유형과 위치를 또한 구조적 형태로서, 임시적으로 또는 영구적으로 저장하도록 구성된다. 예를 들어, 이 위치는 결함을 나타내는 화소의 화소 좌표의 형태로 저장될 수 있다. 결함의 정체성 및 위치를 구조적 형태로 저장하여 결함-식별 프로그램이 구조적 데이터의 처리가 허용되어 도포된 표면의 응집된 특성화를 계산한다.
예를 들어, 전체 표면의 응집된 특성화는 코팅 표면의 정량적 특성화, 예를 들어 5를 넘는 질 척도를 일??는 척도 값, 예를 들어 10개의 가능한 척도 값을 초과할 수 있으며, 그에 따라 이 척도는 통합된 코팅 표면 질을 나타낼 수 있다. 표면의 질 점수는 코팅 표면에서 식별된 결함의 크기 및 숫자와 음의 상관관계를 갖는다.
코팅 표면의 정량적 결함 측정치 및/또는 정량적 특성화의 다른 예는 제11도에 묘사된 크기가 다른 결함들의 히스토그램일 수 있다.
제11도는 표면 면적에서 결함의 측정치를 히스토그램(1402) 및 면적 백분율 값의 형태로 보여준다. 이 히스토그램 및/또는 백분율 값은 코팅 표면의 정량적 특성화로 사용될 수 있거나 그러한 특성화를 계산적으로 유도하기 위해 사용될 수 있다.
히스토그램(1402)은 다른 크기의 거품 기포들의 분배를 표사하는데, 여기서 기포 크기가 화소로 측정된 기포의 면적으로 명시된다. 기포 크기들을 10개의 다른 빈으로 그룹화하며, 빈의 크기 범위에 속하는 크기를 갖는 기포의 숫자를 도표화한다. 그러므로 이 히스토그램은 코팅 조성물이나 코팅 공정에서 문제의 식별을 허용할 수 있는 기포의 크기 분포에 대한 대략의 추정을 제공한다.
그 밖에 기포 결함에 의해 덮히는 면적의 분획이 계수된다(이 경우 5.88%). 이 값은 처리된 디지털 영상에 묘사된 코팅 표면의 질 특성화로 사용할 수 있다. 결함의 숫자와 크기를 평가하여 코팅 표면을 사전정의된 질 등급 혹은 급으로 객관적이며 재현가능한 방식으로 분류할 수 있다.
제12도는 예측 모델(M2)을 암호화하여 코팅 조성물의 질을 예측하는데 사용되는 뉴럴 네트워크(400)의 아키텍처를 보여준다.
네트워크(400)는 입력 벡터(402)를 수신하고 입력 벡터의 함수로 출력 벡터(406)을 계산하고 출력하도록 구성하고 훈련한다.
예를 들어, 입력 벡터는 코팅 조성물의 성분(그리고 선택적으로 또한 해당 성분의 농도나 양)의 완전 또는 불완전 사양을 암호화할 수 있다. 선택적으로 입력 벡터는 또한 코팅 조성물 제조 공정 및 코팅 도포 공정의 공정 매개변수 값을 포함할 수 있다.
출력 벡터(406)는 조성물 혹은 조성물로써 기판의 도포에 의해 생성되는 표면의 하나 이상의 물성을 명시한다. 이 물성은 바람직하게는 코팅 조성물의 질 및/또는 코팅 조성물에 의해 형성되는 코팅 표면을 나타내는 하나 이상의 물성을 포함한다.
네트워크는 수 층(404)의 뉴런을 포함하며, 이 네트워크가 입력 벡터에 암호화되는 정보에 기반하여 상응하는 조성물의 그리고 상기 조성물로부터 생성되는 코팅 표면의 물성 및 질의 특성화를 계산(즉, 예측)할 수 있으며 또는 예측된 물성 및 질 특성화를 출력 벡터(406)의 형태로 출력할 수 있도록, 뉴런들이 가중 수학적 함수의 수단에 의해 다른 층들의 뉴런들과 연계된다.
훈련 전에, 뉴럴 네트워크의 뉴런들은 먼저 사전결정되거나 무작위 무게로써 초기화된다. 훈련 도중, 네트워크는 (유형 그리고 선택적으로 또한 성분의 양 및 선택적으로 제조 공정 매개변수나 도포 공정 매개변수를 포함할 수 있는) 코팅 조성물의 사양을 결함-식별 프로그램(124)에 의해 계산되고 출력된 결함 측정치 및 코팅 표면 특성화를 포함하는 이 조성물의 실험적으로 측정된 물성과 함께 수신한다. 네트워크는 이 조성물의 실험적으로 측정된 물성과 함께 수신한다. 네트워크는 이 조성물의 예측된 물성과 질 측정치로 출력 벡터를 계산하며, 예측된 물성 및 질 측정치의 알려지고 실험적으로 결정된 물성 및 코팅 표면 특성화로부터의 편차에 대한 손실 함수에 따라 벌칙이적용된다. 결정된 예측 오류는 역전달이라고 부르는 과정을 거치게 되는 해당 뉴런으로 다시 분산되며, 예측 오류(그리고 따라서 손실 함수의 값)가 감소되는 방식으로 특정 뉴런의 무게의 변경을 초래한다. 수학적으로 이것은 손실 함수의 기울기를 결정하여 실행할 수 있으며, 그에 따라 뉴런 무게가 방향적으로 변형되어 손실 함수에 의한 값 출력을 최소화시킬 수 있다. 예측 오류와 손실 함수 값이 사전정의된 임계값 미만이면, 훈련된 뉴럴 네트워크는 충분히 정밀한 것으로 간주되어 더 이상의 훈련을 요구하지 않는다.
훈련이 성공적으로 완료된 이후, 훈련된 예측 모델 M2를 사용하여 알려지지 않은 새 코팅 조성물의 코팅 표면의 물성, 특히 질을 예측할 수 있다. 정확한 조성물 및/또는 최적의 제조 공정 매개변수 및/또는 도포 공정 매개변수를 모르는 경우, 인간 사용자나 부수 소프트웨어 프로그램이 관심 대상의 새로운 코팅 조성물의 변이체를 대표하고 명시하는 몇 가지 후보 코팅 조성물의 사양을 생성한다. 새로운(후보) 코팅 조성물 각각의 물성을 자동적으로 예측하기 위해 훈련된 뉴럴 네트워크가 사용된다. 복수의 후보 코팅 조성물에 대해 예측을 수행한 경우, 해당 도포 시나리오에 대한 최상의 물성이나 질의 특성화를 가진 하나 이상의 후보 코팅 조성물을 선택하여/거나 시설에서 실제로 생산하고 시험한다.
각 후보 코팅 조성물에 대한 예측한 물성이 수동적 평가를 위해 뉴럴 네트워크의 출력 벡터(406)로 사용자에게 출력되며/거나, 예를 들어 나중에 얻어질 수 있는 조성물의 실험적으로 얻는 물성 값과의 추가 평가 및 비교를 위해 데이터베이스에 저장된다. 이 입력 벡터는, 예를 들어 코팅 조성물의 20개 성분들, 일부 제조 공정 매개변수들 및 일부 도포 공정 매개변수들을 포함할 수 있다. 출력 벡터(406)는 그 성격이 네트워크에 암호화된 예측 모델 M2의 훈련에 사용되는 훈련 데이터에 의존하는 다양한 물성을 포함할 수 있다. 예를 들어, 출력 벡터는 코팅이 기판에 도포될 경우 발생 가능한 코팅 결함의 유형 및 정도의 표시를 포함할 수 있다.
제13도는 디지털 영상의 획득을 위한 카메라(134), 광원(160) 및 도포된 표면(164)의 상대적 배치의 예시를 보여준다. 예를 들어, 이 상대적 포지션은, 예를 들어 카메라가 스마트폰 카메라인 경우 수동적으로 수행할 수 있다. 다른 실시예들에서는 상대적 배치를 자동적으로, 예를 들어 코팅 조성물의 제조 및/또는 시험용 시설(244)의 영상 획득 장치 내에서 수행할 수 있다. 상대적 배치를 수행하여, 코팅 표면의 디지털 영상이 결함-식별 프로그램(124)에 의한 코팅 결함의 자동화된 식별을 허용하도록 영상 획득 각도(1504)와 조사 각도(1502)가 선택되는 것이 보장된다. 예를 들어, 이 각도들(1502, 1504)은 결함-식별 프로그램의 예측 모델 M1의 훈련에 사용되는 디지털 영상을 얻는데 사용되는 각도들과 대개 동일하거나 유사해야 한다. 예를 들어, 각도 X에 "유사한" 각도는 X ± (X의 40%), 특히 X ± (X의 20%)의 범위에 있는 각도일 수 있다. 실시예들에 따르면, 각 도포된 샘플에 의하여 다중 디지털 영상을 얻는데, 여기서 영상 획득 각도(1504) 및/또는 조사 각도(1502)가 서로 다르다. 이것은 여러 다른 유형의 결함에 대하여, 획득된 영상의 조합이 결함의 정확한 식별 및 특성화를 허용하는 하나 이상의 영상을 포함하는 것을 보장할 수 있다.
제14도는 조성물-질-예측 프로그램의 예측 모델 M2(또는 M3)의 질을 향하는데 가장 적합한 코팅 조성물의 식별 방법이 순서도를 보여준다.
이 과정은, 예를 들어 제7도에 나와 있는 컴퓨터 시스템(120.2) 혹은 제5D도에 묘사된 컴퓨터 시스템(170)에 의해 실행될 수 있다.
첫째 단계 802 a)에서, 이미 알려진 조성물 및 그 물성과 질 특성화(그리고 조성물에 의해 생성된 코팅 표면의 특성화 포함)가 모델 M2(또는 M3), 예를 들어 뉴럴 네트워크, 지지 벡터 기계, 결정 트리, 랜덤 포레스트 등의 훈련을 위해 "초기 훈련 데이터 조합"으로서 사용된다. 훈련된 모델 M2/M3은 코팅 조성물의 물성, 예를 들어 코팅 조성물에 의해 만들어진 코팅 표면의 질을 예측하도록 구성된 조성물-질 예측 프로그램으로 또는 조성물-사양 예측 프로그램으로 통합될 수 있다.
다음 단계 804 (b)에서, 손실 함수의 값이 사전정의된 기준을 부합하는지 결정하는 점검이 수행된다. 기준의 충족은 훈련된 뉴럴 네트워크의 예측 정확도가 충분한 것으로 간주됨을 나타낸다. 기준이 충족되지 않는 경우에 대해 선별적으로, 다음에 기술된 단계들 806-812가 수행된다. 그렇지 않으면 훈련이 종료되고(단계 814) 훈련된 뉴럴 네트워크가 반송된다.
단계 806에서, 능동 학습 모듈은 복수의 수동적으로 제공되거나 자동적으로 계산된 후보 코팅 조성물 사양으로부터 호보 코팅 조성물의 사양을 자동적으로 선택한다. 본 발명의 실시예들에 따라 사용할 수 있는 몇 가지 다른 능동 학습 접근방법이 존재한다.
한 실시예에 따르면, 능동 학습 모듈은 "기대하는 모델 변경" 접근방식을 따르며(이 후보 코팅 조성물과 그것의 실제 측정된 물성들을 고려하여 네트워크를 재훈련할 때) 현재의 예측 모델을 가장 많이 변경시킬 후보 코팅 조성물의 사양을 선택한다.
다른 구현의 변종에 따르면, 이 능동 학습 모델은 "기대하는 오류 감소" 접근 방식을 따르며 훈련된 뉴럴 네트워크의 현재 예측 모델의 오류를 가장 강력히 감소시킬 후보 조성물을 선택한다.
다른 구현의 변종에 따르면, 능동 학습 모델은 "최소 한계 초평면" 접근방식을 따르며 다차원 데이터 공간에서 훈련된 모델의 현재 예측 모델이 걸치는 분할 선이나 평면에 가장 가까운 실험적 조성물을 선택한다. 이 분할 선이나 평면은 그 안에서 예측 모델이 분류 결정을 내리는, 즉 분할 선이나 평면의 한 쪽에 있는 데이터 점들을 분할 선의 다른 쪽에 있는 데이터 점들과 다른 등급이나 범주에 지정하는 다차원 데이터 공간 내의 계면들이다. 데이터 점의 파팅(parting) 평면에 대한 이러한 근접성은 예측 모델이 분류 결정에 관하여 확신이 없으며 이 파팅 평면의 근처로부터 실제로 측정된 데이터 조합들(성분들 그리고 선택적으로 그 성분들의 이 조성물에 따라 생산된 코팅 조성물의 농도 및 측정된 물성의 조합으로 구성)이 모델을 더욱 훈련시키기 위해 추가적으로 측정되었다면 특별히 높은 정도로 유익하도록 해석된다.
데이터베이스로부터 선택된 후보, 코팅 조성물의 사양을 검색한 후 단계 808에서 컴퓨터 시스템은 검색한 사양에 따라 제품이 자동적으로 생산되고 시험되도록 조성물 생산 및 시험 시설(244)을 제어한다. 이 시험은 하나 이상의 제품의 물성의 계측학적 기록, 예를 들어 pH 값, 색가, 점도, 샘플의 조성물 도포에 의해 만들어진 코팅 표면의 특성화의 전산화(809), 영상 촬영 및 결함-식별 프로그램에 의한 영상의 분석 등으로 이해한다.
단계 108에서 얻은 실제 측정된 물성과 단계 809에서 얻은 영상 데이터로부터 유래한 전산화된 값을 사용하여 선택된 후보 코팅 조성물을 보완하면, 알려진 조성물과 알려진 물성으로 구성된 완전한 추가 데이터가 얻어지며, 이것은 현재 또는 이전 반복의 a)에서 사용되는 훈련 데이터 조합을 확장하는 역할을 한다.
단계 810에서, 모델 M2/M3가 확장된 훈련 데이터에서 재훈련된다. 구현 변종에 따라, 훈련이 완전하게 확장 훈련 데이터 조합에 기반하여 다시 실행되거나 또는 단계 810에서의 훈련이 점진적이어서 지금까지 학습한 내용이 유지되면서 새로운 훈련 데이터 점만을 고려함으로써 변형되도록 하는 방식으로 재훈련이 실행될 수 있다.
단계 812에서, 훈련된 모델(M2/M3)의 예측 질에 대한 반복적인 점검이 개시되며, 손실 함수가 기준을 충족시키는, 예를 들어 손실 함수에 의해 계산된 "오류 값"이 사전정의된 최대값 미만인 사실에 의해 표시되는, 모델이 충분한 예측 질을 가질 때까지 단계들 804-812가 반복된다.
이제 전부 훈련된 모델을 사용하여, 이 코팅 조성물에서 얻은 코팅 표면의 질 특성화를 포함하는 코팅 조성물의 물성을 매우 빠르고 신뢰할 수 있도록 예측할 수 있다. 이를 실행하기 위해, 재훈련된 모델 M2가 질 예측 프로그램에 통합되며, 이로써 오래된 덜 정확한 버전의 모델이 교체될 수 있다.
이 모델이 코팅 조성물과 관련된 다양한 매개변수들(특히 그 성분, 절대적이나 상대적 양, 제조 공정 매개변수 및/또는 도포 공정 매개변수)과 얻어지는 제품의 물성(조성물로부터 만들어진 코팅 표면의 특성화 포함) 사이의 통계학적 상관관계를 학습했으므로, 이제 훈련된 모델 M2는 실험적 데이터를 얻을 수 없는 조성물에 대해서도 코팅 조성물의 사양이 주어지면 상응하는 코팅 표면의 물성과 질도 예측할 수 있다. 마찬가지로 훈련된 모델 M3은 원하는 코팅 표면의 특성화 및 선택적으로 불완전 코팅 조성물이 주어지면 코팅 조성물과 관련된 하나 이상의 위에서 언급된 매개변수들을 예측할 수 있다. 모델 M2 및 모델 M3 모두 한 편으로는 코팅 표면 특성화 그리고 위에서 언급된 코팅 조성물과 관련된 위에서 언급된 다양한 매개변수들과 같은 실험적으로 측정가능하거나 유도가능한 코팅 조성물 물성의 학습한 연관성에 의존한다. 모델 M2 및 M3는 상기 두 가지 양태 기준에서 어떤 것이 입력으로 기대되고 어떤 것이 출력으로 제공되는 측면에서만 다르다.
예측 문제에 대한 "손실 함수"(또는 "객관적 함수"로도 부름)는, 예를 들어 가장 간단한 경우에 한 조합의 예측에서 올바르게 인식된 예측만을 계수할 수 있다. 올바른 예측의 비율이 높을수록, 기계 학습 과정에서 사용된 예측 모델(예: 뉴럴 네트워크에 구현된 모델)의 질이 더 높다. 예를 들어, 점도와 같은 유변학적 물성 및/또는 코팅 표면에서 코팅 결함의 유형 및 정도와 같은 질 물성이 사전정의된 수용가능한 범위 이내에 있는 지에 대한 질문은 분류 문제로 이해할 수 있다.
하지만 훈련된 모델의 예측정확도 평가를 위한 다수의 대안적 손실 함수 및 상응하는 기준도 가능하다.
제15도는 조성물-질-예측 프로그램의 예측 모델 향상을 위해 사용되는 분산형 데이터 처리 및 코팅 제조 시스템(900)의 블록 선도를 보여준다;
이 시스템은 알려진 코팅 조성물(906) 및 후보 조성물(908)이 포함된 데이터베이스(904)를 포함한다. 알려진 조성물(906)은, 예를 들어 성분의 유형 및/또는 양, 제조 공정 매개변수 및/또는 코팅 조성물 도포 공정 매개변수의 완전 또는 불완전 사양을 각각 포함하는 데이터 기록의 조합일 수 있다. 그 밖에 알려진 코팅 조성물의 데이터 기록은 각각 코팅 조성물 및/또는 이로부터 생성된 코팅 표면의 실험적으로 결정된 물리적, 화학적, 촉각적, 광학적 및/또는 기타 계측학적으로 확인가능한 물성을 포함하며, 여기서 "실험적으로 결정된"이란 실험적 데이터의 함수로 계산된 측정치 및 특성화, 예를 들어 영상 데이터로 계산된 질 특성화를 포함한다.
반면에 후보 조성물(908)은 물리적, 화학적, 촉각적, 광학적 및/또는 기타 계측학적으로 확인가능한 물성을 알 수 없는 조성물이다.
예를 들어, 알려진 조성물(206)은HTE 시설에 의해 이미 생산되고 시험된 코팅 조성물 사양을 포함할 수 있다.
코팅 조성물 사양(908)은 코팅 성분의 구매자에 의해 제공되는 코팅 조성물 사양을 포함할 수 있거나 하나의 제공된 완전 또는 불완전 코팅 사양에 근거하여 변종 코팅 조성물 사양을 자동적으로 생성하는 컴퓨터 계산 단계에서 제공될 수 있다.
예를 들어, 코팅 조성물 변종의 사양은 이 조성물의 하나 이상의 성분들의 양을 10% 증가 및/또는 감소시켜 생성할 수 있다. 한 번에 하나의 성분만이 변경되면, 이 성분을 10 % 증가시킨 양과 10 % 감소시킨 양을 사용함으로써 성분 당 두 가지 변종이 형성된다. 이 절차를 20개 성분에 적용하면 40개의 후보 조성물이 생성된다. 자동적으로 생성되는 후보 조성물의 숫자는, 바람직하게는 알려진 조성물의 농도와 비교하여 두 개의 성분들의 농도를 동시에 10% 증가시키거나 감소시키면, 그리고 공정 매개변수를 변형시키면 더욱 증가된다.
전형적으로 이윤과 비용의 측면에서 자동적으로 계산되는 후보 조성물의 숫자는 실험실에서 실제로 물리적으로 제조하고 시험할 수 있는 코팅 조성물의 숫자보다 상당히 더 많다.
분산형 시스템(900)은 컴퓨터 시스템(924)을 포함하며, 이것은 뉴럴 네트워크나 다른 유형의 기계 학습 모델 그리고 능동 학습 모듈(922)을 포함한다. 이 능동 학습 모듈(922)은 데이터베이스(904)로부터 하나 이상의 선택된 후보 조성물들 그리고 각각의 지정된 매개변수(예: 성분들)의 사양을 판독하는 적어도 하나의 판독 액세스를 갖는다. 일부 실시예들에 따르면, 능동 학습 모듈 및/또는 코팅 조성물 그리고 선택적으로 또한 선택된 후보 조성물 사양에 따라 그로부터 생성되는 코팅 표면을 제조하여 분석하는 시설(944)은 또한 선택된 후보 코팅 조성물 또는 각각의 코팅 표면의 실험적으로 얻은 물성을 데이터베이스(904)에 저장하기 위해 데이터베이스(904)에 대한 쓰기 액세스를 갖는다. 예를 들어, 선택된 그리고 새로 제조된 후보 조성물의 코팅 표면 특성화 및/또는 코팅 결함의 측정치를 획득하고 저장하면, 이 후보 조성물이 알려진 조성물이 되며 그에 따라 데이터베이스(904)의 다른 위치에 저장되며/거나 다른 메타데이터("플랙")를 제공받는 결과를 초래할 수 있다.
제16도는 조성물-사양 예측 프로그램에 의해 사용되는 예측 모델 M3의 훈련 데이터 조합의 확장 및 정확도의 향상을 위해 그로부터 "능동 학습 모듈"이 특정 데이터 점들(1008)을 선택하는, 특정 코팅 조성물에 있어서 최적의 소포 물성을 갖는 소포제 DF1 및 최적의 호환성을 갖는 소포제 DF2의 다양한 조합에 대한 다차원 데이터 룸의 2D 섹션(1000)을 보여준다. 이 모델 향상은 모델 M3에 대하여 다음에 기술되지만, 코팅 조성물 질 예측 프로그램에 의해 사용되는 모델 M2의 개선을 위해서도 마찬가지로 사용될 수 있다.
뉴럴 네트워크나 다른 유형의 기계 학습 모델로 구현가능한 예측 모델 M3의 훈련 과정에서, 이 예측 모델은 다음 가운데 하나 이상을 포함할 수 있는 출력 벡터의 계산을 학습니다: 성분의 유형, 성분의 절대적 및/또는 상대적 양, 코팅 조성물 제조 매개변수 및/또는 코팅 조성물 도포 공정 매개변수. 입력 데이터는 바람직하게는 입력 벡터로 제공되며 하나 이상의 원하는 표면 특성화를 포함한다(예: 입력으로 제공되는 질 특성화). 선택적으로 이 입력은 하나 이상의 성분의 불완전 사양, 절대적 또는 상대적 성분 양, 제조 공정 매개변수 및/또는 도포 공정 매개변수 또는 각각의 양이나 매개변수 유효성 범위를 포함할 수 있다. 불완전 사양은 솔루션 공간을 예측된 코팅 조성물로 제한하기 위해 모델에 의해 사용될 수 있다. 예를 들어, 불완전 사양이 물 기반의 코팅 매체를 나타내면, 이 모델에 의해 제안되고 예측된 조성물이 유기 코팅 매체에 기반하지 않게 된다. 만약 불완전 사양이 두 가지 소포제인 DF1 및 DF2를 사용해야 함을 나타내면, 모델은 두 가지 소포제의 상대적 양만을 예측한다. 단 하나의 소포제 DF1이 입력으로 제공되면, 모델 M3은 소포제 DF1와 호환성일 것으로 예측되는 추가의 소포제 DF2만을 제안할 수 있다.
모델 M3의 입력 벡터는 특히 하나 이상의 다음 물성을 포함할 수 있다: 코팅 표면 질 측정치, 코팅 결함 유형(특히 기포 결함 및 크레터링 결함), 코팅 결함 측정치, 저장 안정성, pH 값, 유변학적 매개변수, 특히 점도, 밀도, 상대적 질량, 색체, 특히 착색력 및/또는 생산 중 원가 절감. 생산 중 원가 절감은, 예를 들어 조성물의 제조 중 자동화 생산 시설(244)에 의해 자동적으로 기록될 수 있으며, 또한, 예를 들어 주어진 참조 값에 대해 관련지어질 수 있다. 하지만 인간이 수동적으로 비용을 기록하는 것도 가능하다. 마찬가지로 코팅 결함 및 표면 질 측정치가 시설(244)에 의해 자동적으로 결정될 수 있다.
묘사된 예에서, 모델이 받는 입력은 기포 결함의 발생 및 크레터링 결함의 발생 모두 최소화되어야 함을 나타낼 수 있다. 이 입력은 또한 코팅 조성물의 하나 이상의 성분들을 명시할 수 있으며, 특히 (불완전하게) 명시된 코팅 조성물에서 최적의 소포 물성을 가진 소포제 DF1과 최적의 코팅 매체 호환성을 가진 소포제 DF2를 성분으로 사용해야 함을 명시할 수 있으나, 이 소포제들의 절대적 또는 상대적 양은 제공되지 않는다. DF1은 Evonik의 Tego Foamex 810일 수 있고, DF2는 Evonik의 Tego Wet 285일 수 있다.
가용한 데이터에 근거하여, M3 모델은 DF1 및 DF2 소포제들의 혼합물이 두 가지 소포제들이 개별적으로 생성하는 두 개의 거품 용적들 사이에 해당하는 거품 용적을 생성함을 학습했다. 거품 용적 소포제 비율의 관계가 거의 직선을 나타내며, 여기서 거품 용적과 그 연관된 기포 결함이 DF1:DF2의 비율 증가에 따라 감소하며 그에 따라 기포 결함에 대한 표면 질이 증가한다. 더욱이 이 모델은 이 두 가지 소포제와 코팅 매체의 호환성이 DF1:DF2의 비율 증가에 따라 감소하고 즉 크레터링 결함에 대한 표면 질이 감소함을 학습했다.
어느 정도의 초기 훈련 단계 이후, 뉴럴 네트워크의 모델 M3은 코팅 조성물의 성분이나 공정 매개변수 그리고 얻어지는 코팅 조성물이나 코팅 표면의 일부 물성 사이의 특정한 관계를 이미 "학습하게" 된다. 모델 M3에 저장된 지식에 근거하여, 이 모델은 만약 불완전하게 명시된 조성물에서 입력으로 제공되는 DF1:DF2 비율이 너무 높으면, 다수의 크레터링 영향이 발생할 것이며, DF1:DF2 비율이 너무 낮으면, 다수의 기포 결함이 발생할 것을 예측할 수 있다.
이러한 학습된 관계가 제16도의 구분 윤곽(1016)에 의해 예시되어 있으며, 이 윤곽은 "코팅 질"이라는 물성에 대하여 데이터 룸을 한편으로 수용가능한 코팅 표면 질 물성을 갖는 데이터 룸(118) 그리고 다른 한 편으로는 수용가능하지 않은 코팅 표면 질 물성을 갖는 데이터 룸(1020)으로 나눈다. 이 도표는 소포제의 절대적 및 상대적 양 모두가 관련될 수 있음을 예시한다: 두 가지 소포제의 총 수량이 너무 낮으면, 기포 결함이 발생할 수 있다. 만약 DF1:DF2 비율이 너무 높으면, 크레터링 결함이 발생할 것이다. 이 비율이 너무 낮으면, 기포 결함이 발생할 것이다. 두 가지 소포제의 총 수량이 너무 높으면, 다른 표면이 발생할 수 있거나 생산 비용이(표시되지 않음) 수용할 수 높도록 높을 것으로 예측할 수 있다.
제16도는 그 도표가 두 가지 차원("농도 DF1" 및 "농도 DF2")만을 나타내므로 데이터 룸의 부분적 양태만을 나타낼 수 있지만, 다른 코팅 성분들과 그 절대적 및/또는 상대적 양 또한 코팅 표면 질에 영향을 미칠 수 있다. 코팅 조성물에는 흔히 10개가 넘거나 전형적으로 약 20개의 성분들이 있으며, 제조 공정 매개변수와 코팅 도포 공정 매개변수가 각각의 치수를 나타낼 수도 있으므로, 데이터 공간(1000)은 제16도에 나와 있는 것 보다 훨씬 더 많은 치수를 포함할 수 있다. 이러한 20개 치수에 의해 형성되는 다수의 하위공간 각각은 고유한 분리 선 그리고 수용가능하거나 수용가능하지 않은 코팅 표면 질의 면적을 포함할 수 있다. 훈련 동안 모델 M3가 학습한 다차원 공간에서 분리 선(1016)의 전체는 분리 평면("초평면")으로도 불린다.
제16도에 동그라미로 보이는 데이터 점은 각각의 물성들이 아직 실험적으로 결정되지 않은 후보 코팅 조성물을 나타낸다. 모델 M3은, 예를 들어 데이터 점들(1008, 1009)이 나타내는 코팅 조성물이 수용가능한 코팅 질의 영역 이내에 위치하며 또한 데이터 점들(1004, 1012, 1010)이 나타내는 코팅 조성물이 수용가능하지 않은 코팅 질을 가진다는 내용에 상당히 확신할 수 있다. 하지만 이 모델은 데이터 점(1002)이 나타내는 코팅 조성물의 표면 질에 관해서는 확신할 수 없을 것이다. 그러므로 데이터 점 1002가 나타내는 코팅 조성물의 제조, 비 코팅 조성물의 다양한 물성에 대한 실험적 결정(코팅 표면 결함을 포함) 그리고 얻어진 실험적 데이터의 훈련 데이터 조항의 확장에 대한 사용 및 확장된 훈련 데이터 조합에 대한 모델 M3의 재훈련이 이 모델을 위해 가장 높은 학습 효과를 제공할 것이라고 가정하는 것이 가능하다.
예를 들어, 추가의 실험적 데이터와 함께 훈련 데이터의 확장에 사용한 데이터 점(1002)을, 예를 들어 소위 "최소 한계 초평면" 접근방식에 따라 선택할 수 있다. 예를 들어, 응용 학습 모델은 지지 벡터 기계로 또는 예측 모델이 데이터 점들의 하위조합으로부터 이미 학습한 지식에 근거하여 데이터 점들의 총체가 거치는 데이터 공간을 하나 이상의 물성에 대해 하위공간으로 분할할 수 있는 다른 알고리듬으로 설계할 수 있다. 그러므로 모델 M3의 초기 훈련 동안 이미 획득한 현재의 "지식"이 분할 선 또는 분할 평면(1016)에 의해 표시된다. 이러한 "최소 한계 초평면" 방법은 분할 선(1016)까지의 거리가 가장 작은 데이터 점들(1002)은 이 분할 선(1016)에 의해 표시되는 이미 학습된 예측 모델이 가장 불확실한 대상의 데이터 점들이며, 따라서 실제 물성, 예를 들어 코팅 표면 특성화 및/또는 점도를 실험적으로 결정하기 위해 이 데이터 전에 속하는 실험적 조성물을 선택하여 제조하고 분석해야 함을 가정한다. 따라서 여기서 제시된 예에서, 능동 학습 모델을 "코팅 표면 질"의 물성만을 고려하여 데이터 점(1002)이 나타내는 후보 코팅 조성물을 선택할 것이며 또한 조성물(1002)의 성분들의 사양과 그 코팅 조성물 및 상응하는 코팅 표면에 대해 실험적으로 측정된 물성으로 훈련 데이터를 확장하기 위해 공장(244)에 의한 그 조성물의 제조 및 분석을 초래할 것이다. 그 다음 모델 M3이 확장된 훈련 데이터 조합에 대해 재훈련될 것이다.
한 예로서, 데이터 점(1002)이 나타내는 조성물의 실험적 측정치는 그 예측된 코팅 표면 질에 의해 수용가능하지 않은 코팅 질 영역(1020)에 있다고 보여줄 수 있다. 그러므로 확장된 훈련 데이터 조합에 대한 재훈련의 결과는 여기서 분할 선(1016)에 의해 그래픽으로 가시화된 뉴럴 네트워크의 예측 모델에 의한 데이터 점(1002)이 표시하는 조성물의 미래 예측이 그 코팅 표면의 질이 면적 1020에 위치하는 방식으로 이루어지도록 모델이 적응된다. 그러므로 확장된 훈련 데이터 조합에 대한 재훈련에 의해, 그 선/평면(1016)은 그 선이나 평면이 "볼록함"을 받는 방식으로 변형되어 이제 향상된 모델은 점(1002)이 나타내는 조성물이 수용가능하지 않은 코팅 질 범위(1020)에 있다고 인식하고 예측할 것이다. 실제로, 데이터 점이나 상응하는 실험적 조성물의 선택 시, 몇 가지 물성의 분할 선까지 상응하는 데이터 점의 거리를 우선적으로 고려하는데, 예를 들어 완전한 다차원 데이터 공간의 모든 분할 선/분할 면까지의 평균 거리가 최소인 데이터 점을 선택하여 이루어진다.
코팅 조성물의 완전 또는 불완전 사양 및/또는 연관된 공정 매개변수에 근거하여 코팅 조성물의 질을 에측하는데 사용할 모델 M2의 향상은 유사하게 수행할 수 있으며, 유일한 차이는 모델의 입력이나 출력으로 각각 사용되는 정보가 상호교환되는 것이다.
추가의 양태에서, 코팅 표면에 대한 정성적 및/또는 정량적 특성화의 컴퓨터 구현 방법 및 상응하는 시스템이 여기에 공개된다. 이 방법 및 시스템은 다음 조항에 기술되는 단계들 및 특성들을 포함한다.
1. 조항: 코팅 표면의 정성적 및/또는 정량적 특성화의 방법에 있어서, 다음을 포함하는 방법:
- 결함-식별 프로그램(124)에 의한 코팅 표면(162-168)의 디지털 영상(604, 606, 1202)의 처리(102)에 있어서, 결함-식별 프로그램이 패턴을 인식하도록 구성되며, 각 패턴이 코팅 표면 결함(1204, 1206, 1306, 1308)의 유형을 나타내는 처리; 그리고
- 결함-식별 프로그램에 의한 코팅 표면의 특성화 출력(104)에 있어서, 특성화가 처리 동안 결함-식별 프로그램에 의해 인식되는 코팅 표면 결함의 함수로 전산화되는 출력.
2. 제1항의 방법에서:
- 결함-식별 프로그램에 의한 인식된 결함의 측정치(632, 634, 1402)의 계산(106)에 있어서;
코팅 표면의 특성화가 측정치의 정성적 및/또는 정량적 특성화의 함수로 전산화되는 방법.
3. 제2항의 방법에서,
- 측정치가 다음을 포함하는 군으로부터 선택되는 정량적 측정치: 디지털 영상(604, 606, 1202)에서 관찰되는 결함의 면적, 기포나 항목의 숫자, 디지털 영상(604, 606, 1202)에서 기포나 함몰의 최대치, 최소치 및/또는 평균 크기; 및/또는
- 측정치가 정성적 측정치이며, 특히 그 정성적 측정치가 크레터링 결함, 마모 결함, 접착 불량 결함, 엘리게이터링 결함, 부풀음 결함, 블룸 결함, 브리징 결함, 기포 결함, 캐소딕 디스밴딩 결함, 체킹 결함, 뭉침 결함, 거미줄 결함, 균열 결함, 크레이징 결함, 크로우푸트 결함, 박리 결함, 탈색 결함, 벗겨짐 결함, 그리닝 결함, 가열 결함, 충격 결함, 인터코트 오염 결함, 머드 크래킹 결함, 오렌지 필 결함, 미경화 결함, 핀홀 결함, 리플 코팅 결함, 러닝 결함, 러스트 래싱 결함, 러스트 스포팅 결함, 녹 얼룩 결함, 처짐 결함, 침강 결함, 스키닝 결함, 용매 리프팅 결함, 용매 포핑 결함, 응력 균열 결함, 언더커팅 결함, 주름 결함를 포함하는 군으로부터 선택되는 결함의 유형인 방법.
4. 이전 항목의 어느 한 항의 방법에서, 다음을 더 포함하는 방법:
- 식별할 적어도 하나의 코팅 표면 결함의 결정;
- 적어도 하나의 결정된 결함 유형에 대하여 결함-식별 프로그램이 영상에 묘사된 코팅의 특성화의 전산화를 사용가능케 하는 디지털 영상의 취득을 허용하는 하나 이상의 조사 각도 및/또는 하나 이상의 영상 획득 각도의 자동적 결정;
- 코팅 표면에 대하여 결정된 조사 각도(1502)로써 하나 이상의 광원(160)의 배치; 그리고/또는
- 코팅 표면에 대하여 결정된 하나 이상의 영상 획득 각도(1504)에 하나 이상의카메라, 바람직하게는 하나의 카메라(134)의 배치; 그리고
- 광원(들), 카메라(들) 및 코팅 표면의 서로에 대한 배치 후 코팅 표면의 디지털 영상(들)의 획득을 위한 카메라(들)의 사용.
5. 이전 항목의 어느 한 항의 방법에 있어서, 디지털 영상의 처리가 다음을 더 포함하는 방법:
- 결함-식별 프로그램에 의한 디지털 영상에 묘사된 표면 결함의 유형 및/또는 양에 대한 디지털 영상의 분류 및/또는 그 안에 모사된 하나 이상의 표면 결함 유형에 근거하는 영상의 의미론적 분할 및/또는 영상의 객체 검출 및/또는 인스턴스 분할의 수행과 그에 따라 각 라벨이 디지털 영상에서 식별된 결함의 유형을 표시하며 전체 디지털 영상에 대해, 영상 영역에 대해 그리고/또는 개별 화소에 대해 하나 이상의 라벨을 자동적으로 지정; 그리고
- 하나 이상의 지정된 라벨의 출력.
6. 이전 항들의 어느 한 항의 방법에 있어서,
- 결함-식별 프로그램이 카메라에 작동적으로 결합되고 다음을 위해 구성되며,
o 거리 범위 및/또는 각도 범위를 결함-식별 프로그램의 예측 모델의 생성을 위해 훈련 영상의 획득에 사용되는 유사한 상대적 위치로부터 영상의 획득이 가능하도록 적응시킨, 카메라가 사전정의된 거리 범위 이내 및/또는 코팅 표면에 대해 사전정의된 영상 획득 각도 범위 내에 위치하는지 결정;
o 이 결정의 결과와 독립적으로,
§ 카메라 포지션의 조절이 요구되는지에 대한 사용자 및/또는 카메라를 위한 피드백 신호의 생성; 그리고/또는
§ 카메라와 코팅 표면의 상대적 포지션의 자동적 조정; 그리고/또는
§ 카메라가 사전정의된 거리 및/또는 영상 획득 각도 범위 이내에 있는 경우 카메라에 의한 영상의 선택적 획득.
7. 이전 항들의 어느 한 항의 방법에 있어서, 결함-식별 프로그램이 다음을 포함하는 군으로부터 선택되는 방법:
- 휴대용 데이터 처리 시스템(130), 특히 휴대용 전기통신 기기(예: 스마트폰)에 설치된 앱;
- 코팅 표면의 품질 관리를 위해 특별히 설계된 휴대용이나 고정용 기기(150)에 설치된 애플리케이션 프로그램;
- 코팅의 자동화 또는 반자동화 제조 및/또는 시험을 위한 고처리량 시설(244)에 설치된 애플리케이션 프로그램;
- 네트워크를 통해 다운로드되어 실체화된 웹 애플리케이션;
- 브라우저(예: JavaScript 프로그램) 내에서 실행된 프로그램;
- 서버 컴퓨터 상에 실체화된 서버 프로그램에 있어서, 서버 프로그램이 클라이언트 데이터 처리 시스템 상에 실체화된 클라이언트 프로그램에 네트워크 연결을 통해 작동적으로 결합되고, 클라이언트 프로그램이 특히 디지털 영상을 획득하여 네트워크를 통해 그 영상을 서버 프로그램에 제공하며/거나 서버 프로그램이 제공한 결과를 표시하기 위해 구성되는 서버 프로그램.
8. 이전의 항들의 어느 한 항의 방법에 있어서, 결함-식별 프로그램이 기계 학습 프로그램에 의해 수행되는 훈련 단계에서 사정정의된 패턴을 인식하기 위해 훈련 데이터(602)로부터 학습한 예측 모델 (M1)을 포함하고, 기계 학습 프로그램이 특히 뉴럴 네트워크인 방법.
9. 제8항의 방법에 있어서, 기계 학습이 영역 제안 네트워크를 포함하는 뉴럴 네트워크나 뉴럴 네트워크의 조합이며, 영역 제안 네트워크가 앵커가 결함 패턴들의 하나를 포함할 수 있는 지에 대한 제안을 위해 입력 영상의 앵커들을 스캔하도록 구성되며, 앵커가 결함 패턴의 기대하는 크기와 일치하는 앵커 크기를 갖는 입력 영상의 하위영역인 방법.
10. 제8 - 9항의 어느 항의 방법에 있어서:
- 훈련 데이터는 코팅 표면의 라벨표기된 디지털 훈련 영상(602, 606)의 조합을 포함하며 라벨(616, 618)은 훈련 영상에서 결함의 위치/포지션 및/또는 유형을 식별하고 예측 모델은 역전달을 사용하는 라벨표기된 훈련 영상의 수단에 의해 패턴의 인식을 훈련시키는훈련 데이터(602)에 대한 훈련 단계의 수행을 포함하는 방법.
11. 제10항의 방법에 있어서, 각각의 훈련 영상이 추가 데이터와 결함 패턴의 상관관계를 결정하는 예측 모델(M1)을 사용가능케 하는 훈련 단계에서 처리되는 지정된 추가 데이터(608, 610)를 가지며, 이 추가 데이터가 다음을 포함한다:
- 훈련 영상에 묘사된 하나 이상의 결함의 정량적 측정치, 예를 들어 결함의 크기 및/또는 심도 또는 기포의 숫자;
- 선택적으로 또한 다음을 포함하는 군으로부터 선택된 매개변수:
o 훈련 영상에서 묘사하는 코팅 표면의 생성에 사용된 코팅 조성물의 하나 이상의 성분의 표시;
o 코팅 조성물의 하나 이상의 성분의 절대적 또는 상대적 양의 표시; 그리고/또는
o 하나 이상의 제조 공정 매개변수에 있어서, 제조 공정 매개변수가 코팅 조성물의 생성 공정을 특성화하며, 공정 매개변수가 예를 들어, 코팅 조성물의 혼합 속도 및/또는 혼합 기간을 포함한 제조 공정 매개변수; 그리고/또는
o 하나 이상의 도포 공정 매개변수에 있어서, 도포 공정 매개변수가 코팅 조성물을 기판에 도포하는 공정을 특성화하며, 도포 공정 매개변수가 특히 기판의 면적당 도포되는 코팅 조성물의 양, 기판의 유형 및/또는 도포 장비의 유형을 포함하는 도포 공정 매개변수.
o 훈련 영상의 획득에 사용되는 이미징 시스템의 시스템 매개변수에서, 그 시스템 매개변수가 코팅 표면을 조사하는데 사용되는 광원(들)의 유형, 광원(들)의 휘도, 조사 각도, 광원(들)의 파장, 코팅 표면의 디지털 영상의 획득에 사용되는 하나 이상의 카메라(들)의 유형(들), 영상 획득 각도(들), 하나 이상의 카메라(등)의 포지션을 포함하는 군으로부터 선택되는 시스템 매개변수.
추가의 양태에서, 코팅 조성물 관련 예측 프로그램의 제공을 위한 컴퓨터 구현 방법 및 상응하는 시스템이 여기에 공개된다. 이 방법 및 시스템은 다음 조항에 기술된 단계들 및 특징들을 포함한다.
조항들:
12. 코팅 조성물 관련 예측 프로그램의 제공을 위한 컴퓨터 구현 방법에 있어서, 다음을 포함하는 방법:
- 해당 코팅 표면의 생성에 사용되는 코팅 조성물의 하나 이상의 성분, 하나 이상의 상기 성분의 상대적 및/또는 절대적 양, 코팅 조성물의 제조 공정 매개변수 그리고/또는 코팅 표면의 코팅에 사용되는 도포 공정 매개변수를 포함하는 군으로부터 선택되는 하나 이상의 매개변수와 연관하여 코팅 표면의 정성적 및/또는 정량적 특성화의 연관을 포함하는 데이터베이스(204, 904)의 제공;
- 하나 이상의 코팅 표면의 정성적 및/또는 정량적 특성화 그리고 해당 코팅 표면 특성화와 연관하여 저장된 하나 이상의 매개변수 사이의 상관관계 결정을 학습한 예측 모델(M2 또는 M3)의 제공을 위해 코팅 표면 특성화와 데이터베이스에서 하나 이상의 매개변수 사이의 연관에 대한 기계 학습 모델의 훈련; 그리고
- 코팅 표면의 생성에 사용되는 코팅 조성물의 하나 이상의 성분, 하나 이상의 상기 성분의 상대적 및/또는 절대적 양, 코팅 조성물의 제조에 사용되는 제조 공정 매개변수 및/또는 코팅 표면의 생성에 사용되는 도포 공정 매개변수를 포함하는 군으로부터 선택되는 하나 이상의 입력 매개변수로부터 생성되는 코팅 표면의 물성을 예측하는 예측 모델(M2)의 사용을 위해 구성되는 조성물-질-예측 프로그램에 있어서, 예측 모델(M2)을 포함하는 조성물-질-예측 프로그램의 제공; 그리고/또는
- 예측 모델(M3)을 포함하는 조성물-사양-예측 프로그램의 제공에 있어서, 조성물-사양-예측 프로그램이 적어도 하나의 원하는 코팅 표면 특성화를 명시하는 입력에 기반하는 예측 및 입력 표면 특성화를 가진 코팅 표면을 생성할 것으로 예측되는 코팅 조성물과 관련된 하나 이상의 매개변수의 출력을 위한 예측 모델 (M3)의 사용을 위해 구성되며, 하나 이상의 출력 매개변수가 코팅 표면의 생성에 사용되는 코팅 조성물의 하나 이상의 성분, 하나 이상의 상기 성분의 상대적 및/또는 절대적 양, 코팅 조성물의 제조에 사용되는 제조 공정 매개변수 및/또는 코팅 표면의 생성에 사용되는 도포 공정 매개변수를 포함하는 군으로부터 선택되며; 선택적으로 조성물-사양-예측 프로그램이 불완전 코팅 조성물 사양을 수령하고 예측된 출력 매개변수의 솔루션 공간의 제한에 대한 사양을 사용하도록 구성되는 제공.
13. 제12항의 방법에 있어서, 다음을 포함하는 방법:
- 다중의 다른 코팅 조성물로부터 만들어진 코팅 표면을 묘사하는 복수의 영상의 제공에 있어서, 그 코팅 표면들의 적어도 일부가 각각 하나 이상의 다른 결함 유형을 가지는 제공;
- 영상의 패턴 식별을 위해, 식별된 패턴에 의해 대표되는 코팅 결함의 측정치를 획득하기 위해 그리고 영상에 묘사된 코팅 표면의 정성적 및/또는 정량적 특성화의 전산화를 위해 영상에 대한 결함-식별의 적용에 있어서, 결함-식별 프로그램이 바람직하게는 제1-11항의 어느 한 항에 명시된 결함-식별 프로그램인 적용;
- 코팅 표면의 정성적 및/또는 정량적 특성화를 이러한 결함들을 포함하는 코팅 표면의 생성에 사용되는 코팅 조성물과 관련된 하나 이상의 매개변수와 연관하여 데이터베이스에 저장.
14. 이전의 제12-13항의 어느 한 항의 방법에 있어서, 입력으로 제공되는 원하는 코팅 표면 특성화에 부합하는 코팅 조성물을 예측하는 조성물-사양-예측 프로그램의 사용을 포함하고, 이 사용이 다음을 포함하는 방법:
- 조성물-사양-예측 프로램으로의 입력으로 적어도 하나의 원하는 코팅 표면 특성화의 사양을 제공;
- 원하는 표면 특성을 갖는 코팅 표면을 제공하도록 적응된 코팅 조성물의 사양을 조성물-사양-예측 프로그램에 의해 예측함에 있어서, 그 사양이 하나 이상의 코팅 조성물 성분, 하나 이상의 코팅 조성물 성분의 절대적이나 상대적 양, 제조 공정 매개변수 및/또는 도포 공장 매개변수를 포함하는 군으로부터 선택된 매개변수를 포함하는 예측;
- 바람직하게는 코팅 조성물의 예측된 사양의 인간에 대한 출력 및/또는 선택된 후보 코팅 조성물의 사양을 코팅 조성물에 대한 조성물 생산 및/또는 시험을 위한 시설(244)을 제어하는 프로세서로의 입력을 포함하는데 있어서, 그 프로세서가 입력 코팅 조성물의 생산하는 시설을 구동하는 출력을 더욱 포함.
15. 이전의 제12-14항들의 어느 한 항의 방법에 있어서, 훈련 과정이 능동 학습 모듈을 포함하며 그 방법이 또한 다음을 포함하는 방법:
a. 예측 모델(M2, M3)의 제공을 위해, 기계 학습 모델, 바람직하게는 뉴런 네트워크의 데이터베이스에서 측정치와 코팅 성분들의 연관에 대한 훈련의 수행에 있어서, 훈련에 대한 손실 함수가 최소화되는 수행,
b. 예측 모델을 위해 얻어진 손실 기능의 값이 명시된 기준에 부합하는지 결정하는 시험,
이로써 기준이 부합하지 않는 경우 선택적으로 다음 단계들이 실행된다:
i. 복수의 후보 조성물 사양으로부터 능동 학습 모델에 의한 후보 코팅 조성물 사양(1002)의 선택에 있어서, 선택된 후보 조성물 사양의 코팅 조성물의 코팅 성분, 성분 양, 제조 공정 매개변수 및/또는 도포 공정 매개변수를 포함하는 군으로부터 선택된 하나 이상의 매개변수와 정성적 및/또는 정량적 코팅 표면 특성화 사이의 상관관계에 대하여 예측 모델(M2, M3)을 위해 가장 높은 학습 효과를 제공하는 것으로 결정되는 하나 이상의 후보 조성물을 명시하는 선택;
ii. 생산된 후보 조성물의 기판에 대한 자동적 도포를 위하여 그리고 도포된 코팅 조성물을 가진 표면 영상의 자동적 획득을 위하여, 선택된 사양에 따라 컴퓨터 시스템에 의한 후보 코팅 조성물을 자동적으로 생산하는 시설의 구동;
iii. 데이터베이스에서 상기 영상에 묘사된 코팅 표면의 정성적 및/또는 정량적 특성화의 전산화 및 저장을 위해 단계 ii에서 획득한 영상에 대한 결함-식별 프로그램의 적용;
iv. 향상된 버전의 예측 모델을 제공하기 위해 확장 데이터베이스 상에서 예측 모델(M2, M3)의 재훈련,
v. 향상된 버전의 예측 모델을 사용하여 단계 b의 반복적 실행,
c. 조성물-질-예측 프로그램의 예측 모델(M2)을 향상된 버전의 예측 모델로 대체 및/또는 조성물-사양 예측 프로그램의 예측 모델(M3)을 향상된 버전의 예측 모델로 대체.
16. 이전의 제12-14항의 어느 한 항의 방법에 있어서, 훈련 과정이 능동 학습 모듈을 포함하며 그 방법이 또한 다음을 포함하는 방법:
- 코팅 조성물에 의해 생성될 코팅 표면의 질에 대한 다중 예측을 수행하기 위해 조성물-질-예측 프로그램의 예측-모델(M2)이 대화식으로 질의하는 능동 학습 모델의 사용에 있어서, 각 예측은 코팅 조성물의 하나 이상의 성분들, 하나 이상의 상기 성분들의 절대적 및/또는 상대적 양, 및/또는 후보 코팅 조성물의 제공에 사용될 제조 공정 매개변수들 및/또는 후보 코팅 표면의 생성에 사용될 도포 공정 매개변수들을 포함하는 후보 조성물의 사양에 기반하는 사용;
- 각 예측의 불확실성 정도의 능동 학습 모델에 의한 결정(예: 최소 한계 초평면 방법, 손실 함수 등의 수단에 의해);
- 그 불확실성의 정도가 사전정의된 불확실성 임계값을 초과하는 예측 결과를 산출한 하나 이상의 후보 조성물 사양의 식별;
- 식별된 후보 코팅 사양에 의거하여 후보 코팅 조성물을 선택적으로 생산(그러나 그 예측이 충분한 정도의 확실성을 가졌던 다른 후보 코팅 조성물은 아님) 그리하여 새로운 코팅 조성물의 자동적 생성,
- 새로운 코팅 표면을 얻기 위한 새로운 코팅 조성물의 도포,
- 새로운 코팅 표면의 영상 획득;
- 새로운 코팅 표면의 표면 결함에 대한 식별 및/또는 특성화에 따라 획득한 영상의 영상 분석 수행; 그리고
- 조성물-질-예측 프로그램의 재훈련 그리고 조성물-질-예측 프로그램의 정확성 향상을 위해식별된 코팅 사양 및 그에 따른 각각의 얻어진 표면 코팅 결함 특성의 고려.
예를 들어, 새로운 코팅 조성물의 생성 그리고 선택적으로 또한 코팅 표면의 생성 그리고 선택적으로 또한 영상 획득 및 분석은 컴퓨터 시스템에 의해 시설(244)을 구동하여 식별된 후보 코팅 사양에 의거하여(그 예측이 충분한 정도의 불확실성 즉, 임계값 미만의 불확실성을 가진 다른 후보 코팅 조성물은 아님) 시설로 하여금 자동적으로 후보 코팅 조성물을 생산하도록 야기하여 얻을 수 있다. 이 시설은 생성된 후보 코팅 조성물(들)을 각각의 기판 상에 자동적으로 도포한다. 이 시설은 영상 획득 시스템을 포함하거나 시스템에 작동적으로 결합할 수 있다. 영상 획득 시스템은 도포된 코팅 조성물을 가진 표면의 영상 획득에 사용된다. 영상 획득 시스템은 본 발명의 실시예들에 대하여 여기에 기술된 바와 같이 생성되고 도포된 후 식별된 후보 코팅 조성물의 표면 코팅에 대해 획득된 영상에 대하여 결함-식별 프로그램을 적용할 수 있다. 그럼으로써 각 영상에 묘사된 새로운 후보 코팅 표면의 정성적이거나 정량적인 특성들이 얻어진다. 이러한 특성들은 예측 모델(M2)의 재훈련 및 향상에 사용될 수 있다. 매우 높은 정도의 불확실성을 가진 예측 결과는 능동 학습 모듈에 의해 해당 후보 코팅 조성물의 사양이 예측 모델에 대해 고도로 익숙하지 않은 코팅임을 나타내는 지표로 해석되어, 해당 예측 모델(M3)이 그러한 후보 코팅 조성물에 대해 얻은 실질적이고 실험적인 따라서 신뢰할 수 있는 데이터에 근거하여 높은 학습 효과를 성취할 수 있다. 조성물-사양-예측 프로그램의 예측 모델(M3)은 능동 학습 모듈을 유사하게 사용하여 향상시킬 수 있다. 유일한 차이는 조성물-사양-예측 프로그램의 예측 모델(M2)에서 그 출력에 상응하며 또한 그 반대로 상응하는 것이므로, 이 두 모델은 다른 후보 입력 데이터에 근거하여 도전받는다. 모델(M3)의 경우, 그 후보 입력 데이터가 코팅 조성물의 원하는 물리적이나 화학적 물성, 특히 이 코팅 조성물로부터 생성된 표면 코팅의 정성적 및/또는 정량적 특성의 사양이다. 다른 단계들과 양태들은 동일이다.
17. 다음을 포함하는 시스템
- 도료, 바니시, 인쇄 잉크, 연마 수지, 안료 농축물 또는 다른 코팅 재질의 조성물에 대한 생산과 시험을 위한 시설에 있어서, 그 위로 자가 추진되는 운반 차량이 조성물 및/또는 작업대들 사이에서 생산되는 조성물의 성분들을 운반하기 위해 운전될 수 있는 운반 시스템을 통해 적어도 두 대의 작업대가 서로 연결되는 시설(244), 그리고
- 제1 - 16절의 어느 하나의 방법을 수행하도록 구성된 컴퓨터 시스템(224).
위에 언급된 조항들에 있어서, 여기서 기술된 방법과 시스템의 특징들은 이들이 서로 상호적으로 배제하지 않는 한 본 발명의 실시예들 및 예들과 자유롭게 조합될 수 있다.
102-118 단계
120 데이터 처리 시스템
122 데이터 저장 매체
124 결함-식별 프로그램
125 디지털 영상
126 프로세서(들)
130 휴대용 전기통신 기기
132 결함-식별 프로그램의 GUI
134 카메라
136 결함-식별 프로그램의 GUI
140 브라우저
142 네트워크
144 서버 컴퓨터
146 웹서버
150 코팅 품질 관리 기기
152 제어판
154 캐리어/운반 벨트
156 로봇 팔
158 로봇 팔
160 광원
162-168 도포된 샘플
170 컴퓨터 시스템
204 데이터베이스
244 코팅 조성물의 제조 및/또는 시험용 시설
246 주 제어 컴퓨터
248 제어 장치
252 영상 획득 장치
254 샘플 도포 장치
246 혼합 장치
257 분석기
258 운반 장치
400 뉴럴 네트워크의 구조
402 입력 데이터(예: 벡터)
404 뉴럴 네트워크의 층들
406 예측 모델의 출력
602 예측 모델 M1의 훈련 데이터
604 예측 모델 M1의 훈련 영상
606 예측 모델 M1의 훈련 영상
608 콘텍스트 매개변수의 라벨
610 콘텍스트 매개변수의 라벨
612 예측 모델 M1
614 결함-식별 프로그램의 GUI
615 카메라 제어 모듈
616 결함 측정치 및 질 특성화의 수동 라벨
618 결함 측정치 및 질 특성화의 수동 라벨
620 데이터베이스 또는 영상 획득 시스템
622 예측 모델 M1의 시험 데이터
624 예측 모델 M1의 시험 영상
626 예측 모델 M1의 시험 영상
628 콘텍스트 매개변수의 라벨
630 콘텍스트 매개변수의 라벨
632 결함 측정치 및 질 특성화의 전산화된 라벨
634 결함 측정치 및 질 특성화의 전산화된 라벨
711 훈련되지 않은 예측 모델 M2
712 훈련된 예측 모델 M2
714 조성물-질-예측-프로그램
715 조성물-질-예측-프로그램의 GUI
720 데이터베이스
721 능동 학습 모듈
722 M2의 시험 데이터
728 콘텍스트 매개변수
729 전산화된 유변학적 물성
730 콘텍스트 매개변수
731 전산화된 유변학적 물성
732 전산화된 코팅 질/물성
734 전산화된 코팅 질/물성
736 조성물-질-예측 프로그램의 출력
802-816 단계
900 시스템
902 DBMS
904 데이터베이스
906 알려진 조성물
908 후보 조성물
910 알려진 조성물 및 물성
912 선택된 후보 조성물
914 선택
916 선택된 조성물
918 물성
944 시설
946 제어 컴퓨터
948 제어 소프트웨어
952 분석 장치
954 제조 장치
956 제조 장치
958 운반 장치
1000 초평면의 플롯
1002-1009 데이터 점
1016 분할 선
1018 수용가능한 코팅 질의 면적
1020 수용가능하지 않은 코팅 질의 면적
1202 코팅 표면의 디지털 영상
1204 기포
1206 기포
1208 오물
1210 수동적으로 라벨표시된 영상1202
1212 수동적으로 추가된 라벨
1302 코팅 표면의 디지털 영상
1306 거품 공동
1308 거품 공동
1304 컴퓨터 계산에 의해 식별된 공동 결함의 자동적으로 생성된 라벨/세그먼트 경계
1402 기포 결함의 정량적 측정치/히스토그램
1502 조사 각도
1504 영상 포착 각도

Claims (16)

  1. 코팅 표면의 정성적 및/또는 정량적 특성화의 방법에 있어서,
    - 코팅 표면 결함 유형(1204, 1206, 1306, 1308)을 인식하도록 구성된 결함-식별 프로그램(124)의 제공에 있어서, 그 결함-식별 프로그램이 훈련 영상에 묘사된 코팅 표면에 대하여 사전정의된 거리 범위 이내에서 그리고/또는 사전정의된 영상 획득 각도 범위 이내에서 획득된 훈련 영상(604, 606)에 대하여, 훈련된 예측 모델을 포함하는 제공;
    - 적어도 하나의 결함-식별 프로그램에 작동적으로 결합된 카메라(134)가 현재 제시된 코팅 표면에 대하여 사전정의된 거리 범위 이내 및/또는 사전정의된 영상 획득 각도 범위 이내의 배치 여부에 대한 결함-식별 프로그램에 의한 결정;
    이 결정의 결과에 의존하여:
    o 카메라가 사전정의된 거리 범위 이내 및/또는 사전정의된 영상 획득 각도 범위 이내에 있도록 적어도 하나의 카메라의 포지션 조절이 요구되는 지에 대한 피드백 신호의 생성; 및/또는
    o 카메라 포지션이 코팅 표면으로부터 사전정의된 거리 범위 이내에 있도록 적어도 하나의 카메라와 코팅 표면의 상대적 거리에 대한 자동적인 조절 및/또는 카메라 포지션이 사전정의된 영상 획득 각도 범위 이내에 있도록 적어도 하나의 카메라의 각도에 대한 자동적인 조절;
    - 카메라가 사전정의된 거리 범위 및/또는 영상 획득 각도 범위에 있는 경우에만 제시된 코팅 표면의 디지털 영상(604, 606, 1202)을 획득할 수 있도록 하는 카메라의 작동;
    - 코팅 표면 결함의 인식을 위한 결함-식별 프로그램에 의한 코팅 표면(162-168)의 디지털 영상(604, 606, 1202)에 대한 처리(102); 그리고
    - 결함-식별 프로그램에 의한 코팅 표면의 특성화의 출력(104)에 있어서 특성화가 인식된 코팅 표면 결함의 함수로 전산화되는 출력을 포함하는 방법.
  2. 제1항의 방법에서:
    - 결함-식별 프로그램에 의한 인식된 결함의 측정치(632, 634, 1402)의 계산(106)에 있어서, 그 코팅 표면의 특성화가 측정치의 정성적 및/또는 정량적 특성화의 함수로의 전산화를 포함하는 방법.
  3. 제2항의 방법에서,
    - 측정치가 다음을 포함하는 군으로부터 선택되는 정량적 측정치: 디지털 영상(604, 606, 1202)에서 관찰되는 결함의 면적, 기포나 항목의 숫자, 디지털 영상(604, 606, 1202)에서 기포나 함몰의 최대치, 최소치 및/또는 평균 크기; 및/또는
    - 측정치가 정성적 측정치이며, 특히 그 정성적 측정치가 크레터링 결함, 마모 결함, 접착 불량 결함, 엘리게이터링 결함, 부풀음 결함, 블룸 결함, 브리징 결함, 기포 결함, 캐소딕 디스밴딩 결함, 체킹 결함, 뭉침 결함, 거미줄 결함, 균열 결함, 크레이징 결함, 크로우푸트 결함, 박리 결함, 탈색 결함, 벗겨짐 결함, 그리닝 결함, 가열 결함, 충격 결함, 인터코트 오염 결함, 머드 크래킹 결함, 오렌지 필 결함, 미경화 결함, 핀홀 결함, 리플 코팅 결함, 러닝 결함, 러스트 래싱 결함, 러스트 스포팅 결함, 녹 얼룩 결함, 처짐 결함, 침강 결함, 스키닝 결함, 용매 리프팅 결함, 용매 포핑 결함, 응력 균열 결함, 언더커팅 결함, 주름 결함를 포함하는 군으로부터 선택되는 결함의 유형인 방법.
  4. 이전 청구항들의 어느 하나의 방법에 있어서, 사전정의된 거리 범위가 제시된 코팅 표면과 카메라가 적어도 사전정의된 최소 해상도의 해상도를 가진 영상의 획득을 가능케하는 적어도 하나의 카메라 사이의 거리 범위이며, 이 사전정의된 최소 해상도가 특히 코팅-결함-유형-특이적 최소 해상도인 방법.
  5. 이전 청구항들의 어느 항 항의 방법에 있어서,
    - 데이터 저장 매체의 제공에 있어서, 하나 이상의 코팅 표면 결함 유형의 각각 적어도 하나의 카메라와 코팅 표면의 사전정의된 거리와 연관하여 저장되며/거나 하나 이상의 사전정의된 영상 획득 각도와 연관하여 저장되며, 특정한 결함 유형과 연관하여 저장되는 사전정의된 영상 획득 각도 및/또는 거리가, 코팅 표면의 디지털 영상에서 결함-식별 프로그램이 상기 결함 유형의 식별을 가능케하는 코팅 표면의 디지털 영상의 획득을 허용하는 제공;
    - 식별 대상의 적어도 하나의 코팅 표면 결함 유형의 결정;
    식별 대상의 적어도 하나의 결정된 코팅 표면 결함 유형에 대해:
    - 사전정의된 거리 범위의 하나 및/또는 결정된 결함 유형과 연관하여 저장되는 하나 이상의 사전정의된 영상 획득 각도 범위들의 하나를 자동적으로 식별; 및
    - 카메라가 사전정의된 거리 범위나 영상 획득 각도 범위 이내에 배치되어 있는지의 결정을 위해, 결함-식별 프로그램에 의해 식별된 사전정의된 거리 범위 및/또는 식별된 사전정의된 영상 획득 각도 범위의 사용을 더 포함하는 방법.
  6. 제5항의 방법에 있어서,
    - 적어도 하나의 카메라와 코팅 표면 사이의 거리가 사전정의된 거리 범위 이내에 있도록 적어도 하나의 카메라의 포지션의 자동적 변형에 의해 및/또는 코팅 표면을 가진 샘플을 포함하는 캐리어의 포지션의 자동적 변형에 의해 수행되는 적어도 하나의 카메라(134)의 코팅 표면까지의 상대적 거리의 자동적 조절; 및/또는
    - 카메라가 사전정의된 영상 획득 각도 범위 이내에 위치한 영상 획득 각도로 코팅 표면을 향하도록 적어도 하나의 카메라의 방향의 변형을 포함하는 코팅 표면에 대한 영상 획득 각도 범위(1504)의 자동적 조절을 포함하는 방법.
  7. 제5항 또는 제6항의 방법에 있어서,
    - 하나 이상의 코팅 표면 결함들의 적어도 하나가 사전정의된 조사 각도 범위와 연관하여 저장되며, 특정한 결함 유형과 연관하여 저장된 사전정의된 조사 각도 범위가, 결함-식별 프로그램이 코팅 표면의 디지털 영상에서 상기 결함 유형의 식별할 수 있도록 하는 코팅 표면의 디지털영상의 획득을 허용하는 코팅 표면에 대한 광원의 조사 각도의 범위이며;
    적어도 하나의 결정된 식별 대상의 코팅 표면 결함 유형들 각각에 대해:
    - 결정된 결함 유형과 연관하여 저장된 사전정의된 조사 각도 범위들의 하나를 자동적으로 식별;
    - 조사 각도가 식별되고 사전정의된 조사 각도 범위 이내에 있도록 하나 이상의 광원들이 코팅 표면에 대해 배치되는지 결정하기 위해, 결함-식별 프로그램에 의해, 식별된 사전정의된 조사 각도 범위의 사용; 및
    - 하나 이상의 광원들의 조사 각도가 식별된 사전정의된 조사 각도 범위의 외부에 있는 경우,
    o 조사 각도가 식별되고 사전정의된 조사 각도 범위의 이내에 있도록 하나 이상의 광원들(160) 및 코팅 표면의 서로에 대한 배치; 및/또는
    o 조사 각도가 식별되고 사전정의된 조사 각도 범위 이내에 있도록 하나 이상의 광원들(160)과 코팅 표면이 서로에 대한 배치를 적응시킬 수 있으며/거나 그 방법을 나타내는 피드백 신호의 생성을 포함하는 방법.
  8. 제5-7항의 어느 하나의 방법에 있어서:
    - 코팅 표면, 적어도 하나의 카메라 및/또는 하나 이상의 광원들의 서로에 대한 배치 이후 코팅 표면의 디지털 영상 획득을 위해 적어도 하나의 카메라 사용을 더 포함하는 방법:
  9. 이전의 청구항들의 어느 하나의 방법에 있어서, 디지털 영상의 처리가:
    - 결함-식별 프로그램에 의한 디지털 영상에 묘사된 표면 결함의 유형 및/또는 양에 대한 디지털 영상의 분류 및/또는 그 안에 모사된 하나 이상의 표면 결함 유형에 근거하는 영상의 의미론적 분할 및/또는 영상의 객체 검출 및/또는 인스턴스 분할의 수행과 그에 따라 각 라벨이 디지털 영상에서 식별된 결함의 유형을 표시하며 전체 디지털 영상에 대해, 영상 영역에 대해 그리고/또는 개별 화소에 대해 하나 이상의 라벨을 자동적으로 지정; 그리고
    - 하나 이상의 지정된 라벨의 출력을 더 포함하는 방법.
  10. 이전의 청구항들의 어느 항의 방법에 있어서, 결함-식별 프로그램이 다음을 포함하는 군으로부터 선택되는 방법:
    - 정지형 또는 휴대용 데이터 처리 시스템(130), 특히 휴대용 전기통신 기기(예: 스마트폰) 상에 설치되는 애플리케이션 프로그램;
    - 코팅 표면의 품질 관리를 위해 특별히 설계된 휴대용이나 고정용 기기(150)에 설치된 애플리케이션 프로그램;
    - 코팅의 자동화 또는 반자동화 제조 및/또는 시험을 위한 고처리량 시설(244)에 설치된 애플리케이션 프로그램;
    - 네트워크를 통해 다운로드되어 실체화된 웹 애플리케이션;
    - 브라우저(예: JavaScript 프로그램) 내에서 실행된 프로그램;
    - 서버 컴퓨터 상에 실체화된 서버 프로그램에 있어서, 서버 프로그램이 클라이언트 데이터 처리 시스템 상에 실체화된 클라이언트 프로그램에 네트워크 연결을 통해 작동적으로 결합되고, 클라이언트 프로그램이 특히 디지털 영상을 획득하여 네트워크를 통해 그 영상을 서버 프로그램에 제공하며/거나 서버 프로그램이 제공한 결과를 표시하기 위해 구성되는 서버 프로그램.
  11. 이전의 청구항들의 어느 한 항의 방법에 있어서, 디지털 영상에서 패턴들을 인식하도록 구성된 기계 학습 프로그램에 의해 수행되는 훈련 단계에서 예측 모델(M1)이 훈련 영상(604, 606)을 포함하는 훈련 데이터(602)로부터 학습했으며, 기계 학습 프로그램이 특히 뉴럴 네트워크인 방법.
  12. 이전의 청구항들의 어느 한 항의 방법에 있어서,
    - 훈련 영상을 포함하는 훈련 데이터(602)에 대한 훈련 단계의 수행에 의한 예측 모델의 생성에 있어서, 훈련 영상이 라벨을 포함하며, 라벨들(616, 618)이 훈련 영상에 묘사된 코팅 표면에서 결함의 위치 및/또는 유형을 식별하며, 예측 모델이 역전달을 사용하여 라벨표지된 훈련 영상의 수단에 의해 결함 유형의 인식에 대해 훈련되는 생성을 더 포함하는 방법.
  13. 이전의 청구항들의 어느 항의 방법에 있어서, 각각의 훈련 영상이 추가 데이터와 결함 패턴의 상관관계를 결정하는 예측 모델(M1)을 사용가능케 하는 훈련 단계에서 처리되는 지정된 추가 데이터(608, 610)를 가지며, 이 추가 데이터가:
    - 훈련 영상에 묘사된 하나 이상의 결함의 정량적 측정치, 예를 들어 결함의 크기 및/또는 심도 또는 기포의 숫자;
    - 선택적으로 또한 다음을 포함하는 군으로부터 선택된 매개변수:
    o 훈련 영상에서 묘사하는 코팅 표면의 생성에 사용된 코팅 조성물의 하나 이상의 성분의 표시;
    o 코팅 조성물의 하나 이상의 성분의 절대적 또는 상대적 양의 표시; 그리고/또는
    o 하나 이상의 제조 공정 매개변수에 있어서, 제조 공정 매개변수가 코팅 조성물의 생성 공정을 특성화하며, 공정 매개변수가 예를 들어, 코팅 조성물의 혼합 속도 및/또는 혼합 기간을 포함한 제조 공정 매개변수; 그리고/또는
    o 하나 이상의 도포 공정 매개변수에 있어서, 도포 공정 매개변수가 코팅 조성물을 기판에 도포하는 공정을 특성화하며, 도포 공정 매개변수가 특히 기판의 면적당 도포되는 코팅 조성물의 양, 기판의 유형 및/또는 도포 장비의 유형을 포함하는 도포 공정 매개변수; 그리고/또는
    o 훈련 영상의 획득에 사용되는 이미징 시스템의 시스템 매개변수에서, 그 시스템 매개변수가 코팅 표면을 조사하는데 사용되는 광원(들)의 유형, 광원(들)의 휘도, 조사 각도, 광원(들)의 파장, 코팅 표면의 디지털 영상의 획득에 사용되는 하나 이상의 카메라(들)의 유형(들), 영상 획득 각도(들), 하나 이상의 카메라(등)의 포지션을 포함하는 군으로부터 선택되는 시스템 매개변수를 포함하는 방법.
  14. 제13항의 방법에 있어서, 시스템 매개변수가 적어도 조사 각도, 적어도 하나의 카메라의 영상 획득 각도 및/또는 적어도 하나의 카메라와 코팅 표면의 상대적 거리를 포함하는 방법.
  15. 코팅 표면의 정성적 및/또는 정량적 특성화를 위한 컴퓨터 시스템(224)에 있어서, 다음을 포함하는 컴퓨터 시스템:
    - 결함-식별 프로그램(124)에 있어서, 결함-식별 프로그램이 적어도 하나의 카메라(134)에 작동적으로 결합하고 코팅 표면 결함 유형들(1204, 1206, 1306, 1308)을 인식하도록 구성되며, 결함-식별 프로그램이 훈련 영상이 묘사된 코팅 표면에 대하여 사전정의된 거리 범위 이내에서 및/또는 사전정의된 영상 획득 각도 범위 이내에서 획득된 훈련 영상(604, 606)에 대하여 훈련된 예측 모델을 포함하는 프로그램;
    여기서 결함-식별 프로그램이 다음에 대해 구성되며:
    - 적어도 하나의 카메라가 현재 제시된 코팅 표면에 대하여 사전정의된 거리 범위 이내 및/또는 사전정의된 영상 획득 각도 범위 이내에 있는 지에 대한 결정;
    - 이 결정의 결과에 의존하여:
    o 카메라가 사전정의된 거리 범위 이내 및/또는 사전정의된 영상 획득 각도 범위 이내에 있도록 하기 위해 적어도 하나의 카메라의 포지션 조절이 요구되는 지에 관한 피드백 신호의 생성; 및/또는
    o 카메라 포지션이 코팅 표면으로부터 사전정의된 거리 범위 이내에 있도록 적어도 하나의 카메라와 코팅 표면의 상대적 거리에 대한 자동적 조절 및/또는 카메라 포지션의 사전정의된 영상 획득 각도 범위 이내에 있도록 적어도 하나의 카메라의 각도에 대한 자동적 조절;
    - 카메라가 사전정의된 거리 범위 및/또는 영상 획득 각도 범위 니애에 있는 경우에만 적어도 하나의 카메라가 제시된 코팅 표면의 디지털 영상을 획득할 수 있도록 작동;
    - 하나 이상의 결함 유형을 인식하기 위해 작동가능한 적어도 하나의 카메라로부터 획득한 디지털 영상(604, 606, 1202)의 처리(102); 그리고
    - 코팅 표면의 특성화 출력(104)에 있어서, 특성화가 처리 동안 결함-식별 프로그램에 의해 인식되는 코팅 표면 결함들의 함수로서 정상화되는 출력.
  16. 시스템에 있어서,
    - 제15항의 컴퓨터;
    - 적어도 하나의 카메라; 및/또는
    - 도료, 바니시, 인쇄 잉크, 연마 수지, 안료 농축물 또는 기타 코팅 재질의 시험을 위한 시설(244)을 포함하는 시스템에 있어서, 이 시설이:
    o 다중 객체들의 적어도 하나의 표면 상에 하나 이상의 코팅 조성물을 도포하도록 구성된 적어도 하나의 작업대 및
    o 도포된 객체를 영상 획득 및 분석 시스템으로 운반하는 자동화 운반 시스템을 포함하며,
    다중 객체들의 코팅 표면의 영상을 자동으로 획득하기 위한 그리고 코팅 표면의 특성화를 출력하기 위한 영상 획득 및 분석 시스템을 사용하도록 구성된 시스템.
KR1020210124844A 2020-09-17 2021-09-17 코팅 표면의 정성적 또는 정량적 특성 KR20220037392A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP20196660.3 2020-09-17
EP20196660.3A EP3971556A1 (en) 2020-09-17 2020-09-17 Qualitative or quantitative characterization of a coating surface

Publications (1)

Publication Number Publication Date
KR20220037392A true KR20220037392A (ko) 2022-03-24

Family

ID=72603312

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020210124844A KR20220037392A (ko) 2020-09-17 2021-09-17 코팅 표면의 정성적 또는 정량적 특성
KR1020210124881A KR20220037395A (ko) 2020-09-17 2021-09-17 코팅 표면의 정성적 또는 정량적 특성

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020210124881A KR20220037395A (ko) 2020-09-17 2021-09-17 코팅 표면의 정성적 또는 정량적 특성

Country Status (5)

Country Link
US (2) US20220084181A1 (ko)
EP (3) EP3971556A1 (ko)
JP (2) JP2022050347A (ko)
KR (2) KR20220037392A (ko)
CN (2) CN114283111A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102640549B1 (ko) * 2023-08-17 2024-02-27 (주)쎄미콤 3d스캐너를 이용한 프로파일 온도센서의 불량검사방법

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2971228A1 (en) * 2013-12-16 2015-06-25 Inbubbles Inc. Space time region based communications
US11493453B2 (en) * 2019-06-28 2022-11-08 Kyocera Document Solutions Inc. Belt inspection system, belt inspection method, and recording medium for belt inspection program
EP4015583A1 (de) 2020-12-15 2022-06-22 Evonik Operations GmbH Verwendung von rhamnolipiden und/oder sophorolipiden zur erhöhung der ergiebigkeit und/oder zur erhaltung der applikationseigenschaften bei lagerung von beschichtungszusammensetzungen
US20220189005A1 (en) * 2020-12-16 2022-06-16 Baker Hughes Holdings Llc Automatic inspection using artificial intelligence models
EP4227900A4 (en) * 2021-12-03 2024-01-24 Contemporary Amperex Technology Co Ltd DEFECT DETECTION METHOD AND SYSTEM
EP4249899A1 (en) * 2022-03-22 2023-09-27 Evonik Operations GmbH Method for inspecting a coated surface for coating defects
EP4257326A1 (en) * 2022-04-08 2023-10-11 Evonik Operations GmbH Optical determination of a control signal in response to detection of macroscopic polyurethane foam defects
CN114539586B (zh) * 2022-04-27 2022-07-19 河南银金达新材料股份有限公司 一种聚合物膜的表面处理生产和检测工艺
CN114535033B (zh) * 2022-04-27 2022-07-19 河南银金达新材料股份有限公司 一种表面具有涂层的聚酯膜加工方法
WO2024015832A1 (en) * 2022-07-15 2024-01-18 Ppg Industries Ohio, Inc. Systems, methods, and interfaces for predicting coating weathering
WO2024051905A1 (en) * 2022-09-06 2024-03-14 Frontier Innovation Aps Characterizing a surface comprising a cured coat
CN115239725B (zh) * 2022-09-22 2022-12-02 张家港大裕橡胶制品有限公司 一种橡胶手套胶浸涂层视觉监测方法及系统
CN116630242B (zh) * 2023-04-28 2024-01-12 广东励图空间信息技术有限公司 一种基于实例分割的管道缺陷评估方法及装置
US11907841B1 (en) * 2023-05-01 2024-02-20 Ian Truitner Machine learning based consumer product identification system and method therefor
CN116229126B (zh) * 2023-05-09 2023-07-25 日照皓诚电子科技有限公司 一种石英晶体镀膜智能检测方法、系统、设备及介质
CN116309564B (zh) * 2023-05-17 2023-08-11 厦门微图软件科技有限公司 基于人工智能图像识别的电芯外观缺陷检测方法及系统
CN116660099B (zh) * 2023-07-24 2023-10-31 绵阳新启科技有限公司 一种水性涂料流动性检测系统及方法
CN116973373B (zh) * 2023-09-25 2023-12-08 昆山泰瑞克智能科技有限公司 一种电极涂层的检测方法及系统
CN117198443B (zh) * 2023-11-08 2024-01-26 烟台核电智能技术研究院有限公司 一种连结层强化钛合金耐磨涂层的生产工艺
CN117517325B (zh) * 2024-01-04 2024-04-02 江苏海德曼新材料股份有限公司 一种基于机器视觉的铝单板喷涂质量检测分析系统

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6462813B1 (en) * 1996-04-12 2002-10-08 Perceptron, Inc. Surface defect inspection system and method
JP2007093340A (ja) * 2005-09-28 2007-04-12 Toyota Motor Corp 塗装検査装置及び塗装検査方法
EP2602763B1 (en) * 2011-12-09 2014-01-22 C.R.F. Società Consortile per Azioni Method for monitoring the quality of the primer layer applied on a motor-vehicle body before painting
FI20155171A (fi) * 2015-03-13 2016-09-14 Conexbird Oy Kontin tarkastusjärjestely, -menetelmä, -laitteisto ja -ohjelmisto
US20170069075A1 (en) * 2015-09-04 2017-03-09 Canon Kabushiki Kaisha Classifier generation apparatus, defective/non-defective determination method, and program
US20170148102A1 (en) * 2015-11-23 2017-05-25 CSI Holdings I LLC Damage assessment and repair based on objective surface data
US20180017501A1 (en) * 2016-07-13 2018-01-18 Sightline Innovation Inc. System and method for surface inspection
BR102016028266A2 (pt) * 2016-12-01 2018-06-19 Autaza Tecnologia Ltda - Epp Método e sistema para a inspeção automática de qualidade de materiais
US20200210635A1 (en) * 2017-02-24 2020-07-02 Newell R. Washburn Designing a formulation of a material with complex data processing
WO2019026714A1 (ja) * 2017-08-04 2019-02-07 ソニー株式会社 情報処理装置、および情報処理方法、プログラム、並びに移動体
US20190080446A1 (en) * 2017-09-11 2019-03-14 All Axis Robotics, LLC System and method for automated defect detection
KR102021944B1 (ko) * 2017-09-20 2019-09-17 주식회사 에이치엔에스휴먼시스템 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법 및 시스템
WO2019171498A1 (ja) * 2018-03-07 2019-09-12 日立化成株式会社 塗布制御システム、塗布制御方法、および塗布制御プログラム
JP6996413B2 (ja) * 2018-04-27 2022-01-17 トヨタ自動車株式会社 解析装置および解析プログラム
WO2020106725A1 (en) * 2018-11-20 2020-05-28 Relativity Space, Inc. Real-time adaptive control of manufacturing processes using machine learning
US10726543B2 (en) * 2018-11-27 2020-07-28 General Electric Company Fluorescent penetrant inspection system and method
US11915105B2 (en) * 2019-02-05 2024-02-27 Imagars Llc Machine learning to accelerate alloy design
CN113396318B (zh) * 2019-02-05 2023-04-21 Ppg工业俄亥俄公司 基于光的量角器及其用于检测与物理涂层相关联的颜色的用途
JP7273250B2 (ja) * 2019-09-17 2023-05-12 ボストン ポーラリメトリックス，インコーポレイティド 偏光キューを用いた面モデリングのためのシステム及び方法
CN111444617A (zh) * 2020-03-27 2020-07-24 贵州中医药大学第一附属医院 涂层质量在线预测方法、系统以及计算机可读存储介质
EP4193333A1 (en) * 2020-08-06 2023-06-14 Smartex Europe, Unipessoal Lda. Systems and methods for defect detection and quality control

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102640549B1 (ko) * 2023-08-17 2024-02-27 (주)쎄미콤 3d스캐너를 이용한 프로파일 온도센서의 불량검사방법

Also Published As

Publication number Publication date
EP3971557A1 (en) 2022-03-23
JP2022050347A (ja) 2022-03-30
US20220082508A1 (en) 2022-03-17
CN114283111A (zh) 2022-04-05
EP3971904A1 (en) 2022-03-23
JP2022050348A (ja) 2022-03-30
KR20220037395A (ko) 2022-03-24
EP3971556A1 (en) 2022-03-23
CN114283112A (zh) 2022-04-05
US20220084181A1 (en) 2022-03-17

Similar Documents

Publication Publication Date Title
KR20220037392A (ko) 코팅 표면의 정성적 또는 정량적 특성
US20220066905A1 (en) Explainable artificial intelligence modeling and simulation system and method
CN108074243B (zh) 一种细胞定位方法以及细胞分割方法
CN112881467A (zh) 一种大尺寸复合材料损伤成像与定量识别方法
US20050043898A1 (en) Method and system for analyzing coatings undergoing exposure testing
KR20130126916A (ko) 제조된 웨브 제품의 디지털 샘플에 대한 컴퓨터-보조 등급 배정
CN111667455A (zh) 一种刷具多种缺陷的ai检测方法
JP2022526119A (ja) 塗料、ワニス、印刷インキ、研削用樹脂、色素濃縮物、または他のコーティング剤の組成物の生成方法
Eshkevari et al. Automatic dimensional defect detection for glass vials based on machine vision: A heuristic segmentation method
KR102189951B1 (ko) 이미지 분석을 이용한 선박 도장상태 검사 시스템 및 방법
US20220082484A1 (en) Characterization of a phase separation of a coating composition
US20230304941A1 (en) System and method for assessing a coated surface with respect to surface defects
Chiou et al. The feature extraction and analysis of flaw detection and classification in BGA gold-plating areas
EP4001902A1 (en) Method and system for simulating an optical image of a photonic and/or electronic device
Landgraf et al. Computer vision for industrial defect detection
CN111521600A (zh) 3d打印金属构件缺陷在线监测与分析装置及其控制方法
Divakaruni et al. Shim Bond Coverage Analysis Using Artificial Intelligence
Nordin et al. Feature Extraction of Mold Defects on Fine Arts Painting using Derivative Oriented Thresholding
CN116523912B (zh) 一种基于图像识别的清洁度检测系统及方法
Candra et al. Computer Vision Implementation in Scratch Inspection and Color Detection on The Car Roof Surface
Banerjee Image processing of biofilms and its applications
US20240046617A1 (en) Machine Learning-Based Generation of Rule-Based Classification Recipes for Inspection System
WO2022202365A1 (ja) 検査支援システム、検査支援方法、及びプログラム
Tan et al. Automated Metal Surface Defect Detection
Hueter Neural networks automate inspections