KR20220083936A - 인공지능 기반 plc 모듈을 활용한 양품/불량품 판별 방법 및 시스템 - Google Patents
인공지능 기반 plc 모듈을 활용한 양품/불량품 판별 방법 및 시스템 Download PDFInfo
- Publication number
- KR20220083936A KR20220083936A KR1020200173660A KR20200173660A KR20220083936A KR 20220083936 A KR20220083936 A KR 20220083936A KR 1020200173660 A KR1020200173660 A KR 1020200173660A KR 20200173660 A KR20200173660 A KR 20200173660A KR 20220083936 A KR20220083936 A KR 20220083936A
- Authority
- KR
- South Korea
- Prior art keywords
- good
- defective product
- plc
- model
- defective
- Prior art date
Links
- 230000002950 deficient Effects 0.000 title claims abstract description 145
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 39
- 238000013480 data collection Methods 0.000 claims abstract description 15
- 238000004519 manufacturing process Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000004891 communication Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000007689 inspection Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 101100520231 Caenorhabditis elegans plc-3 gene Proteins 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0297—Reconfiguration of monitoring system, e.g. use of virtual sensors; change monitoring method as a response to monitoring results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Programmable Controllers (AREA)
Abstract
본 발명은 인공지능 기반 PLC 모듈을 활용한 양품/불량품 판별 방법 및 시스템에 관한 것으로, 본 발명에 따르면, 인공지능 기반 PLC 모듈을 활용한 양품/불량품 판별 방법에 있어서, 클라우드가 양품 데이터와 불량품 데이터를 수집하여 데이터셋을 저장하는 데이터 수집단계; 상기 클라우드가 설정된 모델을 이용하여 상기 데이터셋을 학습하고 학습된 모델을 인공지능 기반 양품/불량품 판별 모델로 저장하는 클라우드 처리단계; 래더 컴퓨터가 제품의 양품/불량품 판별을 위해 논리 제어 장치(PLC)를 제어하기 위한 래더 프로그램을 입력받아 상기 논리 제어 장치(PLC)로 전송하는 래더 프로그램 입력단계; 상기 논리 제어 장치(PLC)가 수신받은 상기 래더 프로그램에 따라 상기 클라우드로부터 상기 인공지능 기반 양품/불량품 판별 모델을 다운받아 인공지능 기반 PLC 모듈에 설정하는 모델 설정 단계 및 상기 인공지능 기반 PLC 모듈이 상기 논리 제어 장치(PLC)로부터 판별 시작 신호를 수신받아 제품에 대한 양품/불량품 판별을 수행하는 판별단계를 포함하는 양품/불량품 판별 방법을 제공할 수 있다.
또한, 인공지능 기반 PLC 모듈을 활용한 양품/불량품 판별 시스템에 있어서, 양품 데이터와 불량품 데이터를 수집하여 데이터셋을 저장하고, 상기 데이터셋을 이용하여 학습된 인공지능 기반 양품/불량품 판별 모델로 저장하는 클라우드; 제품의 양품/불량품 판별을 위해 논리 제어 장치(PLC)를 제어하기 위한 래더 프로그램을 입력받는 래더 컴퓨터; 생산 현장을 제어하고 감시할 수 있으며, 상기 래더 컴퓨터로부터 상기 래더 프로그램을 수신받아 상기 클라우드에서 인공지능 기반 양품/불량품 판별 모델을 다운받는 논리 제어 장치(PLC) 및 상기 논리 제어 장치(PLC)에 의해 상기 인공지능 기반 양품/불량품 판별 모델이 설정되고, 설정된 인공지능 기반 양품/불량품 판별 모델을 통해 제품에 대한 양품/불량품 판별을 수행하는 인공지능 기반 PLC 모듈을 포함하는 양품/불량품 판별 시스템을 제공할 수 있다.
또한, 인공지능 기반 PLC 모듈을 활용한 양품/불량품 판별 시스템에 있어서, 양품 데이터와 불량품 데이터를 수집하여 데이터셋을 저장하고, 상기 데이터셋을 이용하여 학습된 인공지능 기반 양품/불량품 판별 모델로 저장하는 클라우드; 제품의 양품/불량품 판별을 위해 논리 제어 장치(PLC)를 제어하기 위한 래더 프로그램을 입력받는 래더 컴퓨터; 생산 현장을 제어하고 감시할 수 있으며, 상기 래더 컴퓨터로부터 상기 래더 프로그램을 수신받아 상기 클라우드에서 인공지능 기반 양품/불량품 판별 모델을 다운받는 논리 제어 장치(PLC) 및 상기 논리 제어 장치(PLC)에 의해 상기 인공지능 기반 양품/불량품 판별 모델이 설정되고, 설정된 인공지능 기반 양품/불량품 판별 모델을 통해 제품에 대한 양품/불량품 판별을 수행하는 인공지능 기반 PLC 모듈을 포함하는 양품/불량품 판별 시스템을 제공할 수 있다.
Description
본 발명은 인공지능 기반 PLC 모듈을 활용한 양품/불량품 판별 방법 및 시스템에 관한 것으로, 더욱 자세하게는 생산 현장에서 사용하고 있는 논리 제어 장치(PLC)와 호환 가능한 인공지능 기반 PCL 모듈을 사용함으로써, 논리 제어 장치(PLC) 제어만을 통해 양품/불량품을 판별할 수 있는 인공지능 기반 PLC 모듈을 활용한 양품/불량품 판별 방법 및 시스템에 관한 것이다.
기본 제조과정에서 발생하는 양품/불량품 검출은 일반적으로 작업자가 직접 눈으로 보고 판단한다. 즉, 작업자가 검출 단계에서 필요한 제조 과정의 양품/불량품 선행 지식, 개별 이해 정도 및 그 날의 컨디션에 따라 정확도가 일관되지 못할 수 있고, 시간이 지남에 따라 작업 능률이 저하되는 문제점이 있다.
그러나 근래에는 머신 비전이라 불리는 자동화된 비전 기반 검사 시스템을 도입하여 결함 검사, 제품 분류 등의 여러 분야에서 작업자를 대체하게 되었다.
하지만, 머신 비전 검사 방법은 엔지니어가 해당 제조과정에서 품목 하나하나마다 얼마나 이상적인 환경과 파라미터를 설정하느냐에 따라 정확도가 결정되기 때문에, 같은 품목이라도 주간 검사와 야간 검사는 완전히 다른 환경과 파라미터를 설정해 주어야 하는 번거로움이 있다. 또한 복잡한 특징을 가져 불규칙하고 비정형적인 경우에는 정확도가 현저히 낮아지기 때문에 검사자가 필수적인 한계가 있다.
최근에는 인공지능 기반의 비전 시스템을 도입하여 결함 검사, 제품 분류 등의 여러 분야에서 종래의 머신 비전 기반 검사 시스템을 대체하고 있다.
인공지능 기반의 비전 시스템은 품목에 대한 특징을 엔지니어가 판단하는 것이 아니라 인공지능 기반 판별 모델이 데이터를 학습하여 해당 품목에 대한 특징맵을 만들어, 실제 검출단계에서 순전파를 수행하여 판별 결과를 얻기 때문에 잡음에 강하고 정확도가 높다.
하지만 인공지능 기반의 비전 시스템을 단순한 신경망만을 사용한다면 판별에 필요한 많은 수의 파라미터와 연산이 필요하게 되기 때문에 품목에 따라 적절한 인공지능 기반 모델이 필요하다.
또한, 인공지능 기반 모델들은 메모리 사용 및 연산량이 많이 필요하기 때문에 별도의 고스펙 장치가 필요하며, 일반적인 자동 제어 및 감시를 위한 제어장치를 설치한 생산 현장에서 사용하고 있는 논리 제어 장치(Programmable Logic Controller)와 호환이 안되는 별도의 시스템이 필요한 단점이 있다.
상기와 같은 문제를 해결하고자, 본 발명은 생산 현장에서 사용하고 있는 논리 제어 장치(PLC)와 호환 가능한 인공지능 기반 PCL 모듈을 사용함으로써, 논리 제어 장치(PLC) 제어만을 통해 양품/불량품을 판별할 수 있는 인공지능 기반 PLC 모듈을 활용한 양품/불량품 판별 방법 및 시스템을 제공하는 데 목적이 있다.
상기와 같은 과제를 해결하기 위하여, 본 발명의 실시예에 따른 인공지능 기반 PLC 모듈을 활용한 양품/불량품 판별 방법은 클라우드가 양품 데이터와 불량품 데이터를 수집하여 데이터셋을 저장하는 데이터 수집단계; 상기 클라우드가 설정된 모델을 이용하여 상기 데이터셋을 학습하고 학습된 모델을 인공지능 기반 양품/불량품 판별 모델로 저장하는 클라우드 처리단계; 래더 컴퓨터가 제품의 양품/불량품 판별을 위해 논리 제어 장치(PLC)를 제어하기 위한 래더 프로그램을 입력받아 상기 논리 제어 장치(PLC)로 전송하는 래더 프로그램 입력단계; 상기 논리 제어 장치(PLC)가 수신받은 상기 래더 프로그램에 따라 상기 클라우드로부터 상기 인공지능 기반 양품/불량품 판별 모델을 다운받아 인공지능 기반 PLC 모듈에 설정하는 모델 설정 단계 및 상기 인공지능 기반 PLC 모듈이 상기 논리 제어 장치(PLC)로부터 판별 시작 신호를 수신받아 제품에 대한 양품/불량품 판별을 수행하는 판별단계를 포함하는 양품/불량품 판별 방법을 제공할 수 있다.
여기서, 상기 데이터 수집단계는 상기 클라우드가 상기 인공지능 기반 PLC 모듈로 데이터 수집 요청 신호를 전송하면, 상기 인공지능 기반 PLC 모듈이 제품을 촬영하여 양품 데이터 또는 불량품 데이터를 얻을 수 있는 센서를 작동시켜, 양품 데이터와 불량품 데이터가 수집되도록 하는 것을 특징으로 한다.
또한, 상기 데이터 수집단계는 상기 클라우드에서 양품/불량품 판별을 수행할 제품에 따라 제품군, 모델명, 학습방식(인공지능 기반 모델)이 설정되어, 양품 데이터와 불량품 데이터를 수집하며, 수집된 데이터셋을 라벨로 저장할 수 있는 것을 특징으로 한다.
또한, 상기 클라우드 처리단계는 학습된 모델을 검증하고 테스트 한 다음 인공지능 기반 양품/불량품 판별 모델로 저장하되, 상기 데이터셋을 8:1:1로 나누어, 80%만 학습에 사용하고, 10%를 검증에 사용하고 나머지 10%를 테스트에 사용하는 것을 특징으로 한다.
또한, 상기 판별단계는 상기 인공지능 기반 PLC 모듈이 상기 논리 제어 장치(PLC)로부터 상기 래더 프로그램에 따라 절차적으로 통신 프로토콜을 통해 신호를 수신받아 양품/불량품 판별을 수행하는 것을 특징으로 한다.
또한, 상기 래더 프로그램의 통신 프로토콜은 바이트 단위로 Function Code, data, CRC를 포함하는 패킷 구조를 기반으로 이루어지는 것을 특징으로 한다.
또한, 상기 Function Code는 상기 래더 프로그램의 양품/불량품 판별 절차에 따라 바이트 단위로 설정되는 것을 특징으로 한다.
또한 본 발명의 실시예에 따른 인공지능 기반 PLC 모듈을 활용한 양품/불량품 판별 시스템은 양품 데이터와 불량품 데이터를 수집하여 데이터셋을 저장하고, 상기 데이터셋을 이용하여 학습된 인공지능 기반 양품/불량품 판별 모델로 저장하는 클라우드; 제품의 양품/불량품 판별을 위해 논리 제어 장치(PLC)를 제어하기 위한 래더 프로그램을 입력받는 래더 컴퓨터; 생산 현장을 제어하고 감시할 수 있으며, 상기 래더 컴퓨터로부터 상기 래더 프로그램을 수신받아 상기 클라우드에서 인공지능 기반 양품/불량품 판별 모델을 다운받는 논리 제어 장치(PLC) 및 상기 논리 제어 장치(PLC)에 의해 상기 인공지능 기반 양품/불량품 판별 모델이 설정되고, 설정된 인공지능 기반 양품/불량품 판별 모델을 통해 제품에 대한 양품/불량품 판별을 수행하는 인공지능 기반 PLC 모듈을 포함하는 양품/불량품 판별 시스템을 제공할 수 있다.
상기와 같은 본 발명의 실시예에 따른 인공지능 기반 PLC 모듈을 활용한 양품/불량품 판별 방법 및 시스템은 생산 현장에서 사용하고 있는 논리 제어 장치(PLC)와 호환 가능한 인공지능 기반 PCL 모듈을 사용하고 클라우드 서버를 이용함으로써, 논리 제어 장치(PLC) 제어만을 통해 양품/불량품을 판별할 수 있다.
또한 인공지능 기반 양품/불량품 판별 모델이 수집된 데이터를 학습하여 순전파를 수행하는 것으로 판별 결과를 얻을 수 있어 잡음에 강하고 판별 정확도가 우수할 수 있다.
또한 인공지능 기반 양품/불량품 판별 모델을 구현하는데 필요한 컴퓨팅 파워를 인공지능 기반 PCL 모듈을 통해 보완할 수 있다.
도 1은 본 발명의 실시예에 따른 인공지능 기반 PLC 모듈을 활용한 양품/불량품 판별 방법을 개략적으로 도시한 흐름도.
도 2는 도 1의 S100 단계에서 제품군, 모델명, 학습방식이 설정될 시 화면을 나타낸 예시도.
도 3은 도 1의 S100 단계에서 수집된 데이터셋을 라벨로 저장하는 화면을 나타낸 예시도.
도 4는 도 1의 S400 단계에서 논리 제어 장치(PLC)가 클라우드에서 해당 인공지능 기반 양품/불량품 판별 모델을 다운 받는 과정을 나타낸 예시도.
도 5는 본 발명의 실시예에 따른 인공지능 기반 PLC 모듈을 활용한 양품/불량품 판별 방법에서 사용되는 래더 프로그램의 통신 프로토콜 패킷 구조를 나타낸 예시도.
도 6은 본 발명의 실시예에 따른 인공지능 기반 PLC 모듈을 활용한 양품/불량품 판별 방법에서 사용되는 래더 프로그램의 양품/불량품 판별 절차 네트워크를 나타낸 예시도.
도 7은 도 6의 양품/불량품 판별 절차 네트워크를 기반으로 진행되는 양품/불량품 판별 절차를 나타낸 흐름도.
도 8의 (a) 내지 (e)는 도 1의 S500 단계에서 판별 시작, 재시작, 데이터, 오류 정보, 딜레이 오류에 따라 인공지능 기반 PLC 모듈과 논리 제어 장치(PLC)의 요청 및 응답 신호를 나타낸 예시도.
도 9는 본 발명의 실시예에 따른 인공지능 기반 PLC 모듈을 활용한 양품/불량품 판별 시스템을 도시한 구성도.
도 2는 도 1의 S100 단계에서 제품군, 모델명, 학습방식이 설정될 시 화면을 나타낸 예시도.
도 3은 도 1의 S100 단계에서 수집된 데이터셋을 라벨로 저장하는 화면을 나타낸 예시도.
도 4는 도 1의 S400 단계에서 논리 제어 장치(PLC)가 클라우드에서 해당 인공지능 기반 양품/불량품 판별 모델을 다운 받는 과정을 나타낸 예시도.
도 5는 본 발명의 실시예에 따른 인공지능 기반 PLC 모듈을 활용한 양품/불량품 판별 방법에서 사용되는 래더 프로그램의 통신 프로토콜 패킷 구조를 나타낸 예시도.
도 6은 본 발명의 실시예에 따른 인공지능 기반 PLC 모듈을 활용한 양품/불량품 판별 방법에서 사용되는 래더 프로그램의 양품/불량품 판별 절차 네트워크를 나타낸 예시도.
도 7은 도 6의 양품/불량품 판별 절차 네트워크를 기반으로 진행되는 양품/불량품 판별 절차를 나타낸 흐름도.
도 8의 (a) 내지 (e)는 도 1의 S500 단계에서 판별 시작, 재시작, 데이터, 오류 정보, 딜레이 오류에 따라 인공지능 기반 PLC 모듈과 논리 제어 장치(PLC)의 요청 및 응답 신호를 나타낸 예시도.
도 9는 본 발명의 실시예에 따른 인공지능 기반 PLC 모듈을 활용한 양품/불량품 판별 시스템을 도시한 구성도.
이하, 도면을 참조한 본 발명의 설명은 특정한 실시 형태에 대해 한정되지 않으며, 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있다. 또한, 이하에서 설명하는 내용은 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
이하의 설명에서 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용되는 용어로서, 그 자체에 의미가 한정되지 아니하며, 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
본 명세서 전체에 걸쳐 사용되는 동일한 참조번호는 동일한 구성요소를 나타낸다.
본 발명에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, 이하에서 기재되는 "포함하다", "구비하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것으로 해석되어야 하며, 하나 또는 그 이상의 다른 특징들이나, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
또한, 명세서에 기재된 "…부", "…기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명의 실시 예에 따른 인공지능 기반 PLC 모듈을 활용한 양품/불량품 판별 방법 및 시스템을 상세히 살펴보기로 한다.
도 1은 본 발명의 실시예에 따른 인공지능 기반 PLC 모듈을 활용한 양품/불량품 판별 방법을 개략적으로 도시한 흐름도이고, 도 2는 도 1의 S100 단계에서 제품군, 모델명, 학습방식이 설정될 시 화면을 나타낸 예시도이고, 도 3은 도 1의 S100 단계에서 수집된 데이터셋을 라벨로 저장하는 화면을 나타낸 예시도이고, 도 4는 도 1의 S400 단계에서 논리 제어 장치(PLC)가 클라우드에서 해당 인공지능 기반 양품/불량품 판별 모델을 다운 받는 과정을 나타낸 예시도이고, 도 5는 본 발명의 실시예에 따른 인공지능 기반 PLC 모듈을 활용한 양품/불량품 판별 방법에서 사용되는 래더 프로그램의 통신 프로토콜 패킷 구조를 나타낸 예시도이고, 도 6은 본 발명의 실시예에 따른 인공지능 기반 PLC 모듈을 활용한 양품/불량품 판별 방법에서 사용되는 래더 프로그램의 양품/불량품 판별 절차 네트워크를 나타낸 예시도이고, 도 7은 도 6의 양품/불량품 판별 절차 네트워크를 기반으로 진행되는 양품/불량품 판별 절차를 나타낸 흐름도이며, 도 8의 (a) 내지 (e)는 도 1의 S500 단계에서 판별 시작, 재시작, 데이터, 오류 정보, 딜레이 오류에 따라 인공지능 기반 PLC 모듈과 논리 제어 장치(PLC)의 요청 및 응답 신호를 나타낸 예시도이다.
도 1을 참조하면, 본 발명의 실시예에 따른 인공지능 기반 PLC 모듈을 활용한 양품/불량품 판별 방법은 데이터 수집단계(S100), 클라우드 처리단계(S200), 래더 프로그램 입력단계(S300), 모델 설정 단계(S400) 및 판별단계(S500)를 포함할 수 있다.
먼저, 데이터 수집단계(S100)는 클라우드(1)가 양품 데이터와 불량품 데이터를 수집하여 데이터셋을 저장할 수 있다.
이를 위해, S100 단계는 작업자가 클라우드(1)에 관리자 모드로 접속하여 양품/불량품 판별을 수행할 제품에 따라 도 2와 같이 제품군, 모델명, 학습방식(인공지능 기반 모델)을 설정할 수 있다.
예를 들어, 제품군은 기계, 부품 등일 수 있으며, 학습방식은 인공지능 기반 모델로서, 제품의 특징에 따라 적합한 모델을 선택하도록 할 수 있는 것이다.
인공지능 기반 모델로는 로지스틱 회귀공식(Logistic Regression), 바이너리 분류(Binary Classification), 다층 퍼셉트론(Multi-Layer Perceptron), 콘볼루션 신경망(Convolutional Neural Network) 등이 있을 수 있으나, 이에 한정되지는 않는다.
여기서 작업자의 클라우드(1) 접속은 래더 컴퓨터(2)를 통해 이루어질 수 있으나, 이에 한정되지 않고, 다른 단말기를 통해 이루어질 수도 있다.
그 다음, S100 단계는 작업자로부터 클라우드(1)에 데이터 수집 신호가 입력되면 클라우드(1)가 통신 프로토콜을 통해 인공지능 기반 PLC 모듈(4)로 데이터 수집 요청 신호를 전송할 수 있다.
이에 S100 단계에서 인공지능 기반 PLC 모듈(4)이 통신 프로토콜을 통해 센서(5)로 신호를 보내 센서(5)를 작동시켜 제품을 촬영하도록 할 수 있다. 여기서 센서(5)는 신호를 통해 지정된 값(Default Value)에 따라 제품을 촬영하여 양품 데이터 또는 불량품 데이터를 얻을 수 있는데, 지정된 값(Default Value)은 매 프레임당 한 장씩 촬영하도록 설정되는 것이 바람직하나, 생산 현장 상황에 따라 작업자에 의해 값이 변경될 수 있어 프레임 수를 조절하여 촬영되도록 할 수 있다.
이를 통해 인공지능 기반 PLC 모듈(4)이 센서(5)로부터 양품 데이터, 불량품 데이터를 수신받을 수 있으며, 수신받은 데이터를 클라우드(1)로 전송하는 것으로, 클라우드(1)가 양품 데이터와 불량품 데이터를 수집하도록 할 수 있다.
또한 S100 단계는 클라우드(1)에 수집된 양품 데이터와 불량품 데이터를 데이터셋으로 저장할 수 있는데, 작업자가 도 3과 같이 래더 컴퓨터(2)를 통해 데이터셋을 라벨로 저장할 수 있다.
이때, 라벨은 모델명_학습방식 형태로 저장될 수 있으나, 이에 한정되지는 않는다.
한편, 작업자가 라벨로 저장하지 않을 경우, 데이터셋은 모델 학습을 위한 온-핫 인코딩을 위하여 아라비아 숫자 0과 1로 지정될 수 있다.
클라우드 처리단계(S200)는 클라우드(1)가 설정된 모델을 이용하여 데이터셋을 학습하고 학습된 모델을 인공지능 기반 양품/불량품 판별 모델로 저장할 수 있다.
S200 단계는 클라우드(1)가 설정된 학습방식에 따라서 인공지능 기반 모델이 데이터셋을 학습하도록 할 수 있다.
또한, S200 단계는 학습된 모델을 검증하고 테스트 한 다음 인공지능 기반 양품/불량품 판별 모델로 저장함으로써, 인공지능 기반 양품/불량품 판별 모델의 정확도를 확인할 수 있다. 이와 같은 과정으로 모델의 정확도를 확인함으로써 정확도가 낮은 모델은 제외할 수 있도록 하여 본 발명의 판별 정확도가 보다 향상되도록 할 수 있다.
이를 위해, S200 단계는 클라우드(1)가 학습에 이용될 데이터셋을 8:1:1로 나눌 수 있으며, 80%만 학습에 사용하고, 10%를 검증에 사용하고 나머지 10%를 테스트에 사용할 수 있다. 여기서 데이터셋을 나누는 비율은 상기 비율이 바람직하나, 이에 한정되지는 않는다.
이와 같이 테스트가 완료된 인공지능 기반 양품/불량품 판별 모델은 클라우드(1)에 h5 포멧 형식으로 저장될 수 있다.
S200 단계는 여러 번 수행될 수 있으며, 이에 클라우드(1)는 다수의 인공지능 기반 양품/불량품 판별 모델을 저장할 수 있다.
또한 S200 단계는 클라우드(1)가 저장된 인공지능 기반 양품/불량품 판별 모델을 다운받을 수 있도록 논리 제어 장치(PLC,3)를 통해 관리자 모드 또는 유저 모드로 접속하는 래더 컴퓨터(2)에 제공할 수 있다.
래더 프로그램 입력단계(S300)는 래더 컴퓨터(2)가 제품의 양품/불량품 판별을 위해 논리 제어 장치(PLC,3)를 제어하기 위한 래더 프로그램을 입력받아 논리 제어 장치(PLC,3)로 전송할 수 있다.
S300 단계는 제품의 양품/불량품 판별이 진행될 수 있도록 래더 컴퓨터(2)가 작업자로부터 래더 프로그램을 입력받을 수 있는데, 래더 프로그램으로 입력받을 시, 제공받은 인공지능 기반 양품/불량품 판별 모델에 대한 정보에 따라 라벨로 이루어진 파라미터를 입력받는 것으로 입력이 완료될 수 있다.
모델 설정 단계(S400)는 논리 제어 장치(PLC,3)가 수신받은 래더 프로그램에 따라 클라우드(1)로부터 인공지능 기반 양품/불량품 판별 모델을 다운받고, 인공지능 기반 PLC 모듈(4)이 제품에 대한 양품/불량품 판별을 수행할 수 있도록 다운받은 인공지능 기반 양품/불량품 판별 모델을 인공지능 기반 PLC 모듈(4)에 설정할 수 있다.
S400 단계에서 논리 제어 장치(PLC,3)가 수신받은 래더 프로그램에 따라 클라우드(1)로부터 인공지능 기반 양품/불량품 판별 모델을 다운받는 과정은 도 4와 같이 이루어질 수 있다.
판별단계(S500)는 인공지능 기반 PLC 모듈(4)이 논리 제어 장치(PLC,3)로부터 판별 시작 신호를 수신받아 제품에 대한 양품/불량품 판별을 수행할 수 있다.
S500 단계는 논리 제어 장치(PLC,3)로부터 판별 시작 신호를 수신받으면 인공지능 기반 PLC 모듈(4)이 센서(5)로 통신 프로토콜을 통해 신호를 전송하여 제품을 촬영하도록 할 수 있다.
또한 S500 단계는 센서(5)로부터 촬영된 제품영상을 입력으로 수신받아 인공지능 기반 PLC 모듈(4)이 인공지능 기반 양품/불량품 판별 모델을 통해 해당 제품이 양품인지 불량품인지 판별하여 판별결과를 획득할 수 있다.
또한 S500 단계는 인공지능 기반 PLC 모듈(4)이 판별결과를 논리 제어 장치(PLC,3)로 전송할 수 있고, 논리 제어 장치(PLC,3)가 래더 컴퓨터(2)로 판별결과를 전송하여 작업자가 확인하도록 할 수 있다.
한편, S500 단계는 인공지능 기반 PLC 모듈(4)이 논리 제어 장치(PLC,3)로부터 래더 프로그램에 따라 절차적으로 통신 프로토콜을 통해 신호를 수신받아 양품/불량품 판별을 수행할 수 있다.
여기서, 래더 프로그램의 통신 프로토콜은, 도 5에 도시된 바와 같이, 바이트 단위로 Function Code, data, CRC를 포함하는 패킷 구조를 기반으로 이루어질 수 있다.
이때, Function Code는 래더 프로그램의 양품/불량품 판별 절차에 따라 바이트 단위로 설정될 수 있다.
양품/불량품 판별 절차 네트워크는 기본적으로 도 6과 같이 구성될 수 있으며, 이러한 양품/불량품 판별 절차 네트워크를 기반으로 양품/불량품 판별 절차는 도 7과 같이 이루어질 수 있다.
이러한 양품/불량품 판별 절차에 따라 Function Code는 표 1과 같이 설정될 수 있으나, 이에 한정되지는 않는다.
상기와 같은 Function Code에 오류 Code(0x80)를 더하면 해당 Function Code의 오류로 인식할 수 있다.
도 8에 도시된 바와 같이, 논리 제어 장치(PLC,3)에서 Function Code를 통한 요청에 따라 인공지능 기반 PLC 모듈(4)로부터 응답을 받을 수 있으며, Function Code를 통한 요청에 대한 응답으로 오류 Code가 더해지면 해당 요청에 오류가 발생했음을 뜻하는 것이다.
이에 논리 제어 장치(PLC,3)가 그에 맞는 다음 과정에 대한 요청 신호를 전송하고 인공지능 기반 PLC 모듈(4)의 응답 신호에 의해 그 절차가 진행되도록 할 수 있다.
도 9는 본 발명의 실시예에 따른 인공지능 기반 PLC 모듈을 활용한 양품/불량품 판별 시스템을 도시한 구성도이다.
도 9를 참조하면, 본 발명의 실시예에 따른 인공지능 기반 PLC 모듈을 활용한 양품/불량품 판별 시스템은 클라우드(1), 래더 컴퓨터(2), 논리 제어 장치(PLC,3), 인공지능 기반 PLC 모듈(4) 및 센서(5)를 포함할 수 있으며, 각 구성요소들은 통신 프로토콜에 의해 연결될 수 있다.
여기서 통신 프로토콜은 UART, I2C, SPI, TCP/IP, WIFI 등을 기반으로 이루어질 수 있으나, 이에 한정되지는 않으며, 생산현장의 실제 환경에 따라 정해 질 수 있다.
클라우드(1)는 양품 데이터와 불량품 데이터를 수집하여 데이터셋을 저장하고, 데이터셋을 이용하여 학습된 인공지능 기반 양품/불량품 판별 모델로 저장할 수 있다.
클라우드(1)는 래더 컴퓨터(2) 또는 다른 단말기를 통해 관리자 모드로 접속한 작업자로부터 양품/불량품 판별을 수행할 제품에 따라 제품군, 모델명, 학습방식이 설정되고, 데이터 수집 신호를 입력받아 인공지능 기반 PLC 모듈(4)로 데이터 수집 요청 신호를 전송할 수 있다.
또한, 클라우드(1)는 인공지능 기반 PLC 모듈(4)로부터 양품 데이터와 불량품 데이터를 수신받아 수집할 수 있으며, 하나의 데이터셋으로 저장할 수 있다.
또한 클라우드(1)는 설정된 학습방식에 따라 인공지능 기반 모델에 데이터셋을 학습시키며, 학습된 모델을 인공지능 기반 양품/불량품 판별 모델로 저장할 수 있다. 이때 인공지능 기반 양품/불량품 판별 모델을 검증하고 테스트한 후 저장할 수 있다.
한편, 클라우드(1)는 인공지능 기반 양품/불량품 판별 모델을 h5 포멧 형식으로 저장하며, 다수의 인공지능 기반 양품/불량품 판별 모델을 저장할 수 있으며, 관리자 모드 또는 유저 모드로 접속된 래더 컴퓨터(2) 또는 다른 단말기에 공유되도록 할 수 있다.
래더 컴퓨터(2)는 래더 프로그램 컴퓨터로써, 작업자로부터 제품의 양품/불량품 판별을 위해 논리 제어 장치(PLC,3)를 제어하기 위한 래더 프로그램을 입력받아, 논리 제어 장치(PLC,3)로 전송할 수 있다.
논리 제어 장치(PLC,3)는 생산 현장에서 생산 현장을 제어하고 감시하기 위해 사용하고 있는 장치일 수 있으며, 래더 컴퓨터(2)로부터 래더 프로그램을 수신받고, 수신받은 래더 프로그램에 따라 클라우드(1)에서 인공지능 기반 양품/불량품 판별 모델을 다운받을 수 있다.
이에 논리 제어 장치(PLC,3)는 인공지능 기반 PLC 모듈(4)이 제품에 대한 양품/불량품 판별을 수행할 수 있도록 다운받은 인공지능 기반 양품/불량품 판별 모델을 인공지능 기반 PLC 모듈(4)에 업로드 시킬 수 있다.
또한 논리 제어 장치(PLC,3)는 인공지능 기반 PLC 모듈(4)에서 인공지능 기반 양품/불량품 판별 모델을 이용하여 양품/불량품 판별이 수행되도록 래더 프로그램을 따라 판별 시작 신호를 시작으로 여러 신호를 절차적으로 인공지능 기반 PLC 모듈(4)에 전송할 수 있다.
인공지능 기반 PLC 모듈(4)은 논리 제어 장치(PLC,3)에 의해 인공지능 기반 양품/불량품 판별 모델이 설정되고, 설정된 인공지능 기반 양품/불량품 판별 모델을 통해 제품에 대한 양품/불량품 판별을 수행할 수 있다.
인공지능 기반 PLC 모듈(4)은 논리 제어 장치(PLC,3)로부터 판별 시작 신호를 수신받으면 센서(5)로 신호를 전송하여 제품의 촬영이 이루어지도록 할 수 있다.
또한 인공지능 기반 PLC 모듈(4)은 촬영에 의해 센서(5)로부터 제품영상을 수신받아 제품이 양품인지 불량품인지 판별할 수 있고, 판별에 따른 판별결과를 획득할 수 있다. 획득한 판별결과는 논리 제어 장치(PLC,3)로 전송할 수 있다.
센서(5)는 제품을 촬영하여 양품 데이터, 불량품 데이터 수집이 가능하도록 하며, 판별하고자 하는 제품을 촬영하여 제품영상을 확보해 인공지능 기반 PLC 모듈(4)로 전송할 수 있다.
이러한 센서(5)는 인공지능 기반 PLC 모듈(4)로부터 신호를 수신받으면 작동되어 촬영을 시작할 수 있다.
상기에서 설명한 바와 같이, 본 발명의 실시예에 따른 인공지능 기반 PLC 모듈을 활용한 양품/불량품 판별 방법 및 시스템은 생산 현장에서 사용하고 있는 논리 제어 장치(PLC)와 호환 가능한 인공지능 기반 PCL 모듈을 사용하고 클라우드 서버를 이용함으로써, 논리 제어 장치(PLC) 제어만을 통해 양품/불량품을 판별할 수 있다.
또한 인공지능 기반 양품/불량품 판별 모델이 수집된 데이터를 학습하여 순전파를 수행하는 것으로 판별 결과를 얻을 수 있어 잡음에 강하고 판별 정확도가 우수할 수 있다.
또한 인공지능 기반 양품/불량품 판별 모델을 구현하는데 필요한 컴퓨팅 파워를 인공지능 기반 PCL 모듈을 통해 보완할 수 있다.
이상으로 첨부된 도면을 참조하여 본 발명의 실시예를 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고 다른 구체적인 형태로 실시할 수 있다는 것을 이해할 수 있을 것이다. 따라서 이상에서 기술한 실시예는 모든 면에서 예시적인 것이며 한정적이 아닌 것이다.
1: 클라우드
2: 래더 컴퓨터
3: 논리 제어 장치(PLC)
4: 인공지능 기반 PLC 모듈
5: 센서(5)
2: 래더 컴퓨터
3: 논리 제어 장치(PLC)
4: 인공지능 기반 PLC 모듈
5: 센서(5)
Claims (8)
- 인공지능 기반 PLC 모듈을 활용한 양품/불량품 판별 방법에 있어서,
클라우드가 양품 데이터와 불량품 데이터를 수집하여 데이터셋을 저장하는 데이터 수집단계;
상기 클라우드가 설정된 모델을 이용하여 상기 데이터셋을 학습하고 학습된 모델을 인공지능 기반 양품/불량품 판별 모델로 저장하는 클라우드 처리단계;
래더 컴퓨터가 제품의 양품/불량품 판별을 위해 논리 제어 장치(PLC)를 제어하기 위한 래더 프로그램을 입력받아 상기 논리 제어 장치(PLC)로 전송하는 래더 프로그램 입력단계;
상기 논리 제어 장치(PLC)가 수신받은 상기 래더 프로그램에 따라 상기 클라우드로부터 상기 인공지능 기반 양품/불량품 판별 모델을 다운받아 인공지능 기반 PLC 모듈에 설정하는 모델 설정 단계 및
상기 인공지능 기반 PLC 모듈이 상기 논리 제어 장치(PLC)로부터 판별 시작 신호를 수신받아 제품에 대한 양품/불량품 판별을 수행하는 판별단계를 포함하는 양품/불량품 판별 방법.
- 제1항에 있어서,
상기 데이터 수집단계는,
상기 클라우드가 상기 인공지능 기반 PLC 모듈로 데이터 수집 요청 신호를 전송하면, 상기 인공지능 기반 PLC 모듈이 제품을 촬영하여 양품 데이터 또는 불량품 데이터를 얻을 수 있는 센서를 작동시켜, 양품 데이터와 불량품 데이터가 수집되도록 하는 것을 특징으로 하는 양품/불량품 판별 방법.
- 제1항에 있어서,
상기 데이터 수집단계는,
상기 클라우드에서 양품/불량품 판별을 수행할 제품에 따라 제품군, 모델명, 학습방식(인공지능 기반 모델)이 설정되어, 양품 데이터와 불량품 데이터를 수집하며,
수집된 데이터셋을 라벨로 저장할 수 있는 것을 특징으로 하는 양품/불량품 판별 방법.
- 제1항에 있어서,
상기 클라우드 처리단계는,
학습된 모델을 검증하고 테스트 한 다음 인공지능 기반 양품/불량품 판별 모델로 저장하되,
상기 데이터셋을 8:1:1로 나누어, 80%만 학습에 사용하고, 10%를 검증에 사용하고 나머지 10%를 테스트에 사용하는 것을 특징으로 하는 양품/불량품 판별 방법.
- 제1항에 있어서,
상기 판별단계는,
상기 인공지능 기반 PLC 모듈이 상기 논리 제어 장치(PLC)로부터 상기 래더 프로그램에 따라 절차적으로 통신 프로토콜을 통해 신호를 수신받아 양품/불량품 판별을 수행하는 것을 특징으로 하는 양품/불량품 판별 방법.
- 제1항에 있어서,
상기 래더 프로그램의 통신 프로토콜은,
바이트 단위로 Function Code, data, CRC를 포함하는 패킷 구조를 기반으로 이루어지는 것을 특징으로 하는 양품/불량품 판별 방법.
- 제6항에 있어서,
상기 Function Code는,
상기 래더 프로그램의 양품/불량품 판별 절차에 따라 바이트 단위로 설정되는 것을 특징으로 하는 양품/불량품 판별 방법.
- 인공지능 기반 PLC 모듈을 활용한 양품/불량품 판별 시스템에 있어서,
양품 데이터와 불량품 데이터를 수집하여 데이터셋을 저장하고, 상기 데이터셋을 이용하여 학습된 인공지능 기반 양품/불량품 판별 모델로 저장하는 클라우드;
제품의 양품/불량품 판별을 위해 논리 제어 장치(PLC)를 제어하기 위한 래더 프로그램을 입력받는 래더 컴퓨터;
생산 현장을 제어하고 감시할 수 있으며, 상기 래더 컴퓨터로부터 상기 래더 프로그램을 수신받아 상기 클라우드에서 인공지능 기반 양품/불량품 판별 모델을 다운받는 논리 제어 장치(PLC) 및
상기 논리 제어 장치(PLC)에 의해 상기 인공지능 기반 양품/불량품 판별 모델이 설정되고, 설정된 인공지능 기반 양품/불량품 판별 모델을 통해 제품에 대한 양품/불량품 판별을 수행하는 인공지능 기반 PLC 모듈을 포함하는 양품/불량품 판별 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200173660A KR102473141B1 (ko) | 2020-12-11 | 2020-12-11 | 인공지능 기반 plc 모듈을 활용한 양품/불량품 판별 방법 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200173660A KR102473141B1 (ko) | 2020-12-11 | 2020-12-11 | 인공지능 기반 plc 모듈을 활용한 양품/불량품 판별 방법 및 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220083936A true KR20220083936A (ko) | 2022-06-21 |
| KR102473141B1 KR102473141B1 (ko) | 2022-12-02 |
Family
ID=82221252
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200173660A KR102473141B1 (ko) | 2020-12-11 | 2020-12-11 | 인공지능 기반 plc 모듈을 활용한 양품/불량품 판별 방법 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102473141B1 (ko) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017211713A (ja) * | 2016-05-23 | 2017-11-30 | ルネサスエレクトロニクス株式会社 | 生産システム |
| KR102177635B1 (ko) * | 2019-12-13 | 2020-11-11 | 주식회사 원옥 | Plc 제어 기반 차량 제조 공정 모니터링 장치 및 방법 |
-
2020
- 2020-12-11 KR KR1020200173660A patent/KR102473141B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017211713A (ja) * | 2016-05-23 | 2017-11-30 | ルネサスエレクトロニクス株式会社 | 生産システム |
| KR102177635B1 (ko) * | 2019-12-13 | 2020-11-11 | 주식회사 원옥 | Plc 제어 기반 차량 제조 공정 모니터링 장치 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102473141B1 (ko) | 2022-12-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020019256A1 (en) | Product performance prediction modeling method and apparatus, computer device, computer-readable storage medium, and product performance prediction method and prediction system | |
| CN109060817B (zh) | 人工智能复检系统及其方法 | |
| US10816951B2 (en) | Emulation of a control system and control method for abnormality detection parameter verification | |
| CN111542791B (zh) | 使用设施诊断系统的设施诊断方法 | |
| CN108965795A (zh) | 摄像装置、系统以及方法 | |
| KR102483811B1 (ko) | 자동화 공정 이상상태 모니터링 및 제어 시스템 및 방법 | |
| JP6795562B2 (ja) | 検査装置及び機械学習方法 | |
| CN110290203A (zh) | 人工智能云计算对制成品进行非侵入性生产缺陷识别与信息连通 | |
| CN111814557A (zh) | 动作流检测方法、装置、设备及存储介质 | |
| JP6823025B2 (ja) | 検査装置及び機械学習方法 | |
| US20200150628A1 (en) | Defect detection during an automated production process | |
| KR20200006028A (ko) | 인쇄 회로 기판 검사 장치, 스크린 프린터의 결함 유형 결정 방법 및 컴퓨터 판독 가능한 기록 매체 | |
| KR20220083936A (ko) | 인공지능 기반 plc 모듈을 활용한 양품/불량품 판별 방법 및 시스템 | |
| JP7300757B2 (ja) | レガシー・マシンを制御するプロキシ・インタープリタ・システム及びそのトレーニング方法 | |
| CN113507397B (zh) | 一种基于云端运维收集终端设备状态自动巡检的方法 | |
| CN114218430A (zh) | 远程协作设备运维系统、方法及装置 | |
| JP7081462B2 (ja) | 車両電子制御装置及び診断システム | |
| CN117828499B (zh) | Pcba异常件确定方法、系统、存储介质及电子设备 | |
| CN117910148B (zh) | 基于影子模式的bms优化方法、系统、介质及设备 | |
| CN113570333B (zh) | 一种适用于集成的流程设计方法 | |
| CN116774679B (zh) | 一种自动驾驶车辆测试方法、系统、装置和存储介质 | |
| JP3144369B2 (ja) | 生産制御システムおよびその制御方法 | |
| JP7345006B1 (ja) | 学習モデル生成方法及び検査装置 | |
| CN118260363A (en) | Data copying method, system and computer storage medium | |
| EP4254325A1 (en) | Inspection of printed circuit board assemblies |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E90F | Notification of reason for final refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |