KR20220085115A - 생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법 - Google Patents

생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법 Download PDF

Info

Publication number
KR20220085115A
KR20220085115A KR1020200174771A KR20200174771A KR20220085115A KR 20220085115 A KR20220085115 A KR 20220085115A KR 1020200174771 A KR1020200174771 A KR 1020200174771A KR 20200174771 A KR20200174771 A KR 20200174771A KR 20220085115 A KR20220085115 A KR 20220085115A
Authority
KR
South Korea
Prior art keywords
labeling
data
artificial intelligence
intelligence machine
corrected
Prior art date
Application number
KR1020200174771A
Other languages
English (en)
Other versions
KR102524151B1 (ko
Inventor
오상욱
김종만
윤상훈
Original Assignee
주식회사 아이디알인비전
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 주식회사 아이디알인비전 filed Critical 주식회사 아이디알인비전
Priority to KR1020200174771A priority Critical patent/KR102524151B1/ko
Publication of KR20220085115A publication Critical patent/KR20220085115A/ko
Application granted granted Critical
Publication of KR102524151B1 publication Critical patent/KR102524151B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8803—Visual inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B2210/00—Aspects not specifically covered by any group under G01B, e.g. of wheel alignment, caliper-like sensors
    • G01B2210/52—Combining or merging partially overlapping images to an overall image

Landscapes

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

Abstract

생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법이 개시된다. 본 발명의 생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법은, 스마트 비전검사 시스템을 이용한 인공지능머신의 라벨링 학습방법으로서, (a) 인공지능머신이 이미지데이터를 수신하는 단계; (b) 인공지능머신이 부품의 불량영역을 표시하는 제1 라벨링데이터를 생성하여 이미지데이터에 연동하여 저장하고, 제1 라벨링장치에 제1 라벨링데이터를 송신하는 단계; (c) 제1 라벨링장치에 제1 승인정보가 입력되면, 제1 라벨링장치가 인공지능머신에 제1 라벨링데이터를 업로드하는 단계; (d) 인공지능머신이 불량영역을 표시하는 제2 라벨링데이터를 생성하여 이미지데이터에 연동하여 저장하고, 제2 라벨링장치에 제2 라벨링데이터를 송신하는 단계; (e) 제2 라벨링장치에 제2 승인정보가 입력되면, 제2 라벨링장치가 인공지능머신에 제2 라벨링데이터를 업로드하는 단계; 및 (f) 인공지능머신이 이미지데이터에 연동되어 저장된 제1 라벨링데이터 및 제2 라벨링데이터를 학습하는 단계를 포함하는 것을 특징으로 한다.

Description

생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법{LABELING LEARNING METHOD OF ARTIFICIAL INTELLIGENCE MACHINE FOR SMART PRODUCTS INSPECTION}
본 발명은 생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법에 관한 것으로, 보다 상세하게는, 인공지능머신이 생산부품의 물리적 결함을 자동으로 인식하도록 이루어지는 생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법에 관한 것이다.
머신 비전(machine vision) 기반 자동화 시장 및 인공지능 활용 비전 시스템 시장은 급증하고 있다. 전 세계 머신 비전 시장은 2016년 90억 2000만 달러에서 연평균 8.15%씩 성장해 2022년에는 약 144억 3000만 달러에 이를 것으로 전망된다.
인공지능 및 비전 기반 품질 검사 시스템은 산업용 자동화 시스템에서 핵심 요소이다. 이는 제조과정에서의 물리적 형상 및 결함, 표면 마무리, 색상 등의 상태를 육안으로 검사하는 대신 카메라, 조명, 비전 소프트웨어 등으로 이루어진 머신 비전 시스템으로 검사를 진행함으로써 제품 평가 및 결함 발견, 제조 생산성 향상, 데이터 수집 등의 활동에서 탁월한 성능을 제공하기 때문이다.
특히 파워 트레인, 브레이크, 조향장치 등 자동차 안전과 소비자의 요구 수준이 높은 고가의 전자제품 금형과 관련된 부품인 경우, 엄격한 품질 전수 검사가 필요하며 이를 위한 비전 품질 검사는 필수적인 요소이다.
AI 비전 검출 기술은 AI 모델을 학습하기 위한 AI 학습용 라벨링데이터가 필수적이다. AI 모델은 학습용 데이터를 통해 AI 모델을 학습하게 된다. 이때 학습용 데이터는 AI가 추후 검출하고자 하는 객체에 대해 영상 내에서 어는 위치에 위치하는지와 어떤 객체인지를 구분하기 위한 데이터를 제공한다.
AI 모델 학습(training) 과정은 학습용 라벨링데이터를 무수히 많은 반복 입력 및 검증(validation) 과정을 통해 AI 모델의 각 노드(node) 별 가중치 값을 객체 검출(evaluation)할 수 있는 최적화되도록 결정하게 된다.
도 7에 도시된 바와 같이, AI 학습용 라벨링데이터를 수집하기 위한 라벨링 작업은 대표적으로 세 가지 방식으로 구분할 수 있다.
도 7(a)에 도시된 바와 같이, 바운딩 박스(bounding box)는 사진이나 동영상 속 객체의 영역을 박스(box)로 표시하는 방식이다. 이때 라벨링 되는 데이터는 바운딩 박스의 사각형 좌표 데이터 (x, y, width, height)와 객체의 종류에 대한 데이터로 구성된다. 다른 방식보다 빠른 처리가 가능하며, 다양한 분야에 일반적으로 사용되는 라벨링 방식이다.
도 7(b)에 도시된 바와 같이, 영상 의미(image classification) 방식은 사람이 영상을 보았을 때 느낄 수 있는 영상의 의미를 분류하는 방식이다. 라벨링데이터는 검출하고자 하는 영상의 의미에 대한 분류 데이터로 구성된다. 예를 들어 검출하고자 하는 영상의 분류 타입이 농구와 축구인 경우, 농구의 한 장면에 해당하는 영상에 대해서는 농구라는 분류 데이터를 지정하게 된다.
도 7(c)에 도시된 바와 같이, 객체 영역 분할 방식은 영상 내에서 화소 단위로 객체의 영역을 지정하기 위한 방식으로 객체에 해당하는 영역 화소에 대한 마스크 데이터와 해당 객체의 종류 데이터로 구성된다.
객체 마스크 데이터는 대상 영상과 동일 크기이며, 각 화소 위치별로 0과 1로 구성되며, 마스크 값이 1인 경우 해당 화소는 객체 영역에 포함되며, 0인 경우 배경 영역에 포함되는 것을 뜻한다. 정확한 객체의 영역을 파악할 수 있어 다른 방식보다 정밀도 높은 AI 검출이 필요한 경우 주로 사용된다.
종래 방식에서는 AI 학습용 데이터 라벨링 작업은 많은 사람을 투입하여 적은 비용으로 많은 라벨링데이터를 확보하는 데 중점을 두고 있다.
특히 최근에 많이 활용되는 크라우드 소싱(crowd sourcing) AI 학습용 데이터 라벨링 플랫폼은 저임금의 지역 또는 나라의 많은 사람의 일반 비전문가 라벨러(labeler)를 통해 학습용 데이터에 대한 1차 라벨링을 수행하고, 라벨링 준전문가의 1차 라벨링데이터 검수를 통해 2차 고품질의 라벨링데이터를 확보하는 방식이다.
크라우드 소싱 AI 학습용 데이터 라벨링은 많은 비전문가 사람들이 라벨링 작업을 수행하기 때문에 일반적인 사람의 상식적인 지식에 의해 라벨링이 가능한 경우에만 해당되며, 라벨링 대상에 대한 전문적인 지식이 필요한 경우 이와 같은 방식을 적용하기 어렵다.
그러나 제조 부품의 불량 검출용 비전 품질 검사를 수행하기 위해 필요한 AI 학습용 라벨링데이터는 실제 해당 부품이 생산되는 제조 공장의 품질 담당자 등 매우 제한적인 사람들만 판단할 수 있으며, 이와 같은 품질 전문가들을 해당 제조 공장 외에서 구하기 어려운 관계로 기존 AI 학습용 데이터 라벨링 방식을 그대로 적용하기는 어렵다.
제조 부품은 동일한 부품일지라도 모양이나 재질 및 공정에 따라 발생하는 불량 타입(type) 특성이 다르기 때문에 부품에 대한 일률적인 불량 데이터 라벨링을 수행할 수 없으며 각 제조 공정마다 불량 데이터에 대한 라벨링 작업을 따로 수행해야 한다.
따라서 기존 AI 학습용 데이터 라벨링 작업은 각 제조 부품을 생산하는 공장 또는 기업에서 불량이 발생한 부품을 따로 촬영하여 수집하고, 수집된 데이터를 제조 공정의 현장 품질 담당자가 생산 일정 시간 외 추가 시간에 각 촬영 영상에서 불량 데이터의 라벨링 작업을 수행하도록 한다.
이 방식은 현장 품질 담당자의 추가 작업에 대한 비용이 필요하며, 현장 품질 담당자가 생산 공정 외 추가로 작업을 직접 진행하기 때문에 AI 학습용 데이터 라벨링 작업 시간이 오래 걸리는 문제가 있다. 이는 비전 품질 검사 시스템을 도입하고자 하는 기업 또는 공장에 부담으로 작용하며 실제 비전 품질 검사 시스템을 도입하는데 주저하는 요인이 되고 있다.
본 발명의 목적은, 라벨링 작업에 전문적인 지식이 요구되는 생산 부품이더라도 AI 학습용 라벨링 데이터를 신속하게 구축할 수 있도록 이루어지는 생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법을 제공하는 것이다.
상기 목적은, 본 발명에 따라, 스마트 비전검사 시스템을 이용한 인공지능머신의 라벨링 학습방법으로서, 상기 스마트 비전검사 시스템은, 생산라인에서 부품의 이미지데이터를 생성하는 카메라; 상기 이미지데이터를 수신하는 제1 라벨링장치; 상기 제1 라벨링장치와 데이터를 송수신하는 인공지능머신; 및 상기 인공지능머신과 데이터를 송수신하는 제2 라벨링장치를 포함하고, (a) 상기 인공지능머신이 상기 이미지데이터를 수신하는 단계; (b) 상기 인공지능머신이 상기 부품의 불량영역을 표시하는 제1 라벨링데이터를 생성하여 상기 이미지데이터에 연동하여 저장하고, 상기 제1 라벨링장치에 상기 이미지데이터를 송신하는 단계; (c) 상기 제1 라벨링장치에 제1 승인정보가 입력되면, 상기 제1 라벨링장치가 상기 인공지능머신에 상기 제1 라벨링데이터를 업로드하는 단계; (d) 상기 인공지능머신이 상기 불량영역을 표시하는 제2 라벨링데이터를 생성하여 상기 이미지데이터에 연동하여 저장하고, 상기 제2 라벨링장치에 상기 제2 라벨링데이터를 송신하는 단계; (e) 상기 제2 라벨링장치에 제2 승인정보가 입력되면, 상기 제2 라벨링장치가 상기 인공지능머신에 상기 제2 라벨링데이터를 업로드하는 단계; 및 (f) 상기 인공지능머신이 상기 이미지데이터에 연동되어 저장된 상기 제1 라벨링데이터 및 상기 제2 라벨링데이터를 학습하는 단계를 포함하는 것을 특징으로 하는 생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법에 의하여 달성된다.
상기 제1 라벨링데이터는, 상기 불량영역을 지정하는 심볼; 상기 부품의 종류를 지정하는 부품분류데이터; 및 상기 불량영역의 종류를 지정하는 불량분류데이터를 포함하여 이루어질 수 있다.
상기 제2 라벨링데이터는, 상기 좌표 데이터 안쪽의 상기 불량영역을 화소 단위로 지정하는 마스크데이터를 포함하여 이루어질 수 있다.
상기 (c)단계에서, 상기 제1 라벨링장치에 상기 제1 승인정보 대신 제1 수정라벨링데이터가 입력되면, 상기 제1 라벨링데이터가 상기 제1 수정라벨링데이터로 치환된 후, 상기 제1 라벨링장치가 상기 인공지능머신에 상기 제1 수정라벨링데이터를 업로드하도록 이루어질 수 있다.
상기 (e)단계에서, 상기 제2 라벨링장치에 상기 제2 승인정보 대신 제2 수정라벨링데이터가 입력되면, 상기 제2 라벨링데이터가 상기 제2 수정라벨링데이터로 치환된 후, 상기 제2 라벨링장치가 상기 인공지능머신에 상기 제2 수정라벨링데이터를 업로드하도록 이루어질 수 있다.
상기 제1 수정라벨링데이터는, 상기 불량영역을 지정하는 심볼; 상기 부품의 종류를 지정하는 부품분류데이터; 및 상기 불량영역의 종류를 지정하는 불량분류데이터를 포함하여 이루어질 수 있다.
상기 제2 수정라벨링데이터는, 상기 불량영역을 화소 단위로 지정하는 마스크데이터를 포함하여 이루어질 수 있다.
상기 (b)단계에서 상기 인공지능머신이 상기 제1 라벨링데이터를 생성하지 않으면, 상기 제1 라벨링장치에서 제1 수정라벨링데이터가 상기 이미지데이터에 연동되어 저장된 후, 상기 제1 라벨링장치가 상기 인공지능머신에 상기 제1 수정라벨링데이터를 업로드하고, 상기 (d)단계가 개시되도록 이루어질 수 있다.
상기 (d)단계에서 상기 인공지능머신이 상기 제2 라벨링데이터를 생성하지 않으면, 상기 제2 라벨링장치에서 제2 수정라벨링데이터가 상기 이미지데이터에 연동되어 저장된 후, 상기 제2 라벨링장치가 상기 인공지능머신에 상기 제2 수정라벨링데이터를 업로드하고, 상기 (f)단계가 개시되도록 이루어질 수 있다.
본 발명에 의하면, 인공지능머신에 제1 라벨링데이터 또는 제1 수정라벨링데이터가 저장된 이미지데이터를 업로드한 다음, 제2 라벨링데이터 또는 제2 수정라벨링데이터가 저장된 이미지데이터를 업로드함으로써, 라벨링 작업에 전문적인 지식이 요구되는 생산 부품이더라도 AI 학습용 라벨링 데이터를 신속하게 구축할 수 있도록 이루어지는 생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법을 제공할 수 있게 된다.
도 1은 본 발명의 일 실시예에 따른 생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법의 순서도이다.
도 2는 도 1의 생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법에 사용되는 스마트 비전검사 시스템을 나타내는 개략도이다.
도 3은 도 1의 생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법의 (b)단계를 자세하게 나타내는 순서도이다.
도 4는 도 1의 생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법의 (d)단계를 자세하게 나타내는 순서도이다.
도 5(a)는 도 2의 불량처리된 부품의 이미지데이터를 나타내는 도면이다.
도 5(b)는 도 2의 제1 라벨링장치(12)의 화면에 출력된 이미지데이터를 나타내는 도면이다.
도 5(c)는 도 2의 제2 라벨링장치(13)의 화면에 출력된 이미지데이터를 나타내는 도면이다.
도 6은 다양한 이미지데이터를 나타내는 도면이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들을 상세하게 설명하면 다음과 같다. 다만, 본 발명을 설명함에 있어서, 이미 공지된 기능 혹은 구성에 대한 설명은, 본 발명의 요지를 명료하게 하기 위하여 생략하기로 한다.
본 발명의 생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법은, 라벨링 작업에 전문적인 지식이 요구되는 생산 부품이더라도 AI 학습용 라벨링 데이터를 신속하게 구축할 수 있도록 이루어진다.
도 1은 본 발명의 일 실시예에 따른 생산부품(1)의 스마트 비전검사를 위한 인공지능머신(14)의 라벨링 학습방법(S100)의 순서도이다.
도 2는 도 1의 생산부품(1)의 스마트 비전검사를 위한 인공지능머신(14)의 라벨링 학습방법(S100)에 사용되는 스마트 비전검사 시스템(10)을 나타내는 개략도이다.
도 3은 도 1의 생산부품(1)의 스마트 비전검사를 위한 인공지능머신(14)의 라벨링 학습방법(S100)의 (b)단계(S120)를 자세하게 나타내는 순서도이다.
도 4는 도 1의 생산부품(1)의 스마트 비전검사를 위한 인공지능머신(14)의 라벨링 학습방법(S100)의 (d)단계(S140)를 자세하게 나타내는 순서도이다.
도 5(a)는 도 2의 불량처리된 부품(1)의 이미지데이터(1A)를 나타내는 도면이다. 도 5(b)는 도 2의 제1 라벨링장치(12)의 화면에 출력된 이미지데이터(1A)를 나타내는 도면이다. 도 5(c)는 도 2의 제2 라벨링장치(13)의 화면에 출력된 이미지데이터(1A)를 나타내는 도면이다.
도 6은 다양한 이미지데이터(1A)를 나타내는 도면이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 생산부품(1)의 스마트 비전검사를 위한 인공지능머신(14)의 라벨링 학습방법(S100)은 (a)단계(S110), (b)단계(S120), (c)단계(S130), (d)단계(S140), (e)단계(S150) 및 (f)단계(S160)를 포함한다.
도 2에 도시된 바와 같이, 본 발명의 일 실시예에 따른 생산부품(1)의 스마트 비전검사를 위한 인공지능머신(14)의 라벨링 학습방법(S100)은 스마트 비전검사 시스템(10)을 이용한다.
스마트 비전검사 시스템(10)은 카메라(11), 제1 라벨링장치(12), 인공지능머신(14) 및 제2 라벨링장치(13)를 포함하여 구성된다.
카메라(11)는 생산라인에서 부품(1)의 이미지데이터(1A)를 생성한다. 카메라(11)는 생산라인의 일측에 설치된다. 카메라(11)는 하나 이상 구비될 수 있다. 카메라(11)는 자동 또는 수동 작동하여 부품(1)의 이미지데이터(1A)를 생성할 수 있다.
제1 라벨링장치(12)는 생산라인에 구비된 태블릿 또는 개인용 컴퓨터일 수 있다. 제1 라벨링장치(12)는 카메라(11)로부터 이미지데이터(1A)를 수신한다. 제1 라벨링장치(12)와 카메라(11)는 유선 또는 무선으로 통신할 수 있다.
제1 라벨링장치(12)는 카메라(11)로부터 수신된 이미지데이터(1A)를 화면에 출력할 수 있다. 제1 라벨링장치(12)에 이미지데이터(1A)에서 부품(1)의 종류, 불량영역(1B)의 종류 및 위치 지정을 할 수 있는 응용 프로그램이 설치될 수 있다.
전문작업자(P1)는 제1 라벨링장치(12)를 조작한다. 전문작업자(P1)는 부품(1)의 이미지데이터(1A)를 보고 부품(1) 및 불량영역의 종류를 판단할 수 있는 전문인력일 수 있다.
제2 라벨링장치(13)는 생산라인과 원거리에 구비된 태블릿 또는 개인용 컴퓨터일 수 있다. 제2 라벨링장치(13)는 인공지능머신(14)과 데이터를 송수신한다. 제2 라벨링장치(13)와 인공지능머신(14)은 유선 또는 무선으로 통신할 수 있다.
제2 라벨링장치(13)는 인공지능머신(14)이 송신한 데이터를 화면에 출력할 수 있다. 제2 라벨링장치(13)에 이미지데이터(1A)에서 불량영역(1B)에 대해 화소 단위로 영역분할을 할 수 있는 응용 프로그램이 설치될 수 있다.
외부작업자(P2)는 제2 라벨링장치(13)를 조작한다. 외부작업자(P2)는 부품(1)의 이미지데이터(1A)를 보고 부품(1) 및 불량영역(1B)의 종류를 판단할 수 없는 비전문인력이어도 무방하다.
인공지능머신(14)은 이미지데이터(1A)의 인식 및 학습, 부품(1) 및 불량영역(1B)의 종류 판단 및 학습에 대하여 딥러닝(Deep Learning) 등 머신 러닝(machine learning)을 수행할 수 있다.
머신 러닝의 일종인 딥러닝(deep learning) 기술은 데이터를 기반으로 다단계로 깊은 수준까지 내려가 학습할 수 있다. 딥러닝은 단계를 높여갈수록 복수의 데이터들로부터 핵심적인 데이터를 추출하는 머신 러닝 알고리즘의 집합을 나타낼 수 있다. 딥러닝 기술은 널리 공지된 기술이므로 이의 자세한 설명은 생략하고자 한다.
인공지능머신(14)은 자동으로 이미지데이터(1A)의 불량영역(1B)을 검출(localization)하기 위한 불량 위치 검출용 인공지능 모델, 검출된 불량영역(1B)을 화소 단위로 분할(segmentation) 및 지정하기 위한 불량 영역 분할용 인공지능 모델을 포함할 수 있다.
인공지능머신(14)은 제1 라벨링장치(12) 및 제2 라벨링장치(13)와 데이터를 송수신하고 저장한다. 인공지능머신(14)은 클라우드 플랫폼(cloud platform) 기능을 포함할 수 있다. 즉, 데이터를 인터넷과 연결된 인공지능머신(14)에 저장하고, 인터넷에 접속한 제1 라벨링장치(12) 및 제2 라벨링장치(13)와 자유롭게 데이터를 송수신할 수 있다.
도 3에 도시된 바와 같이, (a)단계(S110)는, 인공지능머신(14)이 카메라(11)로부터 이미지데이터(1A)를 수신하는 단계이다. 도 5(a)는 카메라(11)가 촬영한 이미지데이터(1A)를 나타내고 있다.
제1 라벨링장치(12)가 카메라(11)로부터 이미지데이터(1A)를 수신(S110)하면, 제1 라벨링장치(12)는 인공지능머신(14)으로 이미지데이터(1A)를 송신한다.
(a)단계(S110)가 완료되면, (b)단계(S120)가 수행된다. (b)단계(S120)에서 인공지능머신(14)은 우선 제1 라벨링데이터의 생성 여부를 판단(S121)한다.
도 5(b)에 도시된 바와 같이, 제1 라벨링데이터는 불량영역을 지정하는 심볼(D1-1)과, 부품(1)의 종류를 지정하는 부품분류데이터와, 불량영역의 종류를 지정하는 불량분류데이터를 포함한다.
머신 러닝(machine learning)은 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 알고리즘을 포함한다. 인공지능머신(14)은 머신 러닝에 의한 부품(1) 및 불량영역(1B)의 학습이 진행될수록 제1 라벨링데이터의 생성 빈도 및 정확성이 향상될 수 있다.
제1 라벨링데이터가 생성되면, 인공지능머신(14)은 제1 라벨링데이터를 이미지데이터(1A)에 연동하여 저장한다. 제1 라벨링데이터는 이미지데이터(1A)와 연동된 다른 형태의 데이터로 저장된다. 일 예로, 제1 라벨링데이터는 이미지데이터(1A)의 특정 영역의 좌표 데이터를 포함할 수 있다.
이후 제1 라벨링장치(12)에 제1 라벨링데이터를 송신한다. 이때 제1 라벨링장치(12)는 화면에 수신된 제1 라벨링데이터 및 입력창을 출력한다. 제1 라벨링데이터는 제1 라벨링장치(12)의 화면에 이미지데이터(1A)와 겹쳐서(overlay) 출력된다.
전문작업자(P1)는 화면에 출력된 이미지데이터(1A)와 제1 라벨링데이터를 통해 제1 라벨링데이터가 정확한지 확인할 수 있다. 제1 라벨링데이터가 정확하다고 판단되면, 전문작업자(P1)는 입력창에 제1 승인정보를 입력(S122)하게 된다.
(c)단계(S130)는, 제1 라벨링장치(12)가 인공지능머신(14)에 제1 라벨링데이터를 업로드하는 단계이다.
제1 라벨링장치(12)에 제1 승인정보가 입력(S122)되면, 제1 라벨링장치(12)는 인공지능머신(14)에 제1 라벨링데이터를 업로드(S130)하게 된다. 제1 라벨링데이터는 클라우드 플랫폼에 발생 시간, 부품(1) ID 등 메타 데이터와 함께 업로드되어 저장될 수 있다.
도 3에 도시된 바와 같이, 전문작업자(P1)는 제1 라벨링데이터가 부정확하다고 판단되면, 제1 라벨링장치(12)에 제1 승인정보 대신 제1 수정라벨링데이터를 입력(S123)할 수 있다.
제1 수정라벨링데이터는 불량영역(1B)을 지정하는 심볼데이터(D3-1), 부품(1)의 종류를 지정하는 부품분류데이터, 불량영역(1B)의 종류를 지정하는 불량분류데이터(D3-3)를 포함할 수 있다.
전문작업자(P1)는 태블릿의 터치스크린 또는 PC의 마우스 등을 포함한 다양한 제1 라벨링장치(12)를 통해 화면에 출력된 이미지데이터(1A)에 불량영역(1B)을 지정할 수 있다. 불량영역(1B)을 지정하는 심볼데이터(D3-1)는 사각 박스(bounding rect) 또는 화면 그리기 이미지일 수 있다.
또는, 전문작업자(P1)는 부품(1)의 불량 위치에 직접 펜 또는 불량 표시용 스티커(S2)를 이용하여 불량 위치를 표시(도 6 참조)하고, 부품(1)을 촬영하여 제1 라벨링장치(12)에 이미지데이터(1A)를 저장할 수도 있다. S1은 펜으로 불량 위치를 표시한 것을 의미한다.
그리고 전문작업자(P1)는 제1 라벨링장치(12)의 화면에 표시된 부품(1)의 종류 중 하나를 선택하여 해당 부품(1)의 종류를 지정할 수 있다.
아울러, 전문작업자(P1)는 제1 라벨링장치(12)의 화면에 표시된 불량영역(1B)의 종류 중 하나 또는 다중을 선택하여 해당 불량영역(1B)의 종류를 지정할 수 있다.
제1 라벨링장치(12)에 제1 승인정보 대신 제1 수정라벨링데이터가 입력(S123)되면, 제1 라벨링데이터가 제1 수정라벨링데이터로 치환된다. 즉, 제1 수정라벨링데이터가 이미지데이터(1A)에 연동되어 저장된다. 이후 제1 라벨링장치(12)는 인공지능머신(14)에 제1 수정라벨링데이터(1A)를 업로드(S130)하게 된다.
상술한 바와 같이, (b)단계(S120)에서 인공지능머신(14)은 우선 제1 라벨링데이터의 생성 여부를 판단(S121)한다. 인공지능머신(14)이 제1 라벨링데이터를 생성하지 않으면, 제1 라벨링장치(12)는 화면에 이미지데이터(1A) 및 입력창을 출력한다. 그리고 전문작업자(P1)는 제1 라벨링장치(12)에 제1 수정라벨링데이터를 입력(S123)할 수 있다.
제1 라벨링장치(12)에서 제1 수정라벨링데이터가 이미지데이터(1A)에 연동되어 저장된 후, 제1 라벨링장치(12)가 인공지능머신(14)에 제1 수정라벨링데이터를 업로드(S130)하고, (d)단계(S140)가 개시된다.
(c)단계(S130)가 완료되면, (d)단계(S140)가 수행된다. (d)단계(S140)에서 인공지능머신(14)은 우선 제2 라벨링데이터의 생성 여부를 판단(S141)한다.
도 5(c)에 도시된 바와 같이, 제2 라벨링데이터는 좌표 데이터(D1-1) 안쪽의 불량영역(1B)을 화소 단위로 지정하는 마스크데이터(D2-1)와, 불량영역(1B)의 종류를 인식하는 불량분류데이터를 포함한다.
마스크데이터(mask data)란 부품(1) 사진과 동일한 크기의 화소 위치별 불량영역(1B) 유무를 나타내는 값을 가지는 데이터를 의미한다.
마스크데이터(D2-1)의 값이 0이면, 부품(1) 사진에서 해당 위치의 화소가 불량영역(1B)에 포함되지 않는 것을 의미한다.
마스크데이터(D2-1)의 값이 1이면(또는 0이 아니면), 부품(1)의 이미지데이터(1A)에서 해당 위치의 화소가 불량영역(1B)에 포함되는 것을 의미한다. 이뿐만 아니라 마스크데이터(D2-1)는 다양한 방식으로 불량영역(1B)에 포함되는 화소에 대해 구별할 수 있는 데이터를 포함할 수 있다.
머신 러닝(machine learning)은 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 알고리즘을 포함한다. 머신 러닝에 의한 부품(1) 및 불량영역(1B)의 학습이 진행될수록 제2 라벨링데이터의 생성 빈도 및 정확성이 향상될 수 있다.
제2 라벨링데이터가 생성되면, 인공지능머신(14)은 제2 라벨링데이터를 이미지데이터(1A)에 연동하여 저장한다. 제2 라벨링데이터는 이미지데이터(1A)와 연동된 다른 형태의 데이터로 저장된다. 일 예로, 제2 라벨링데이터는 이미지데이터(1A)의 특정 영역의 좌표 데이터를 포함할 수 있다.
이후 제2 라벨링장치(13)에 이미지데이터(1A)를 송신한다. 이때 제2 라벨링장치(13)는 화면에 수신된 제2 라벨링데이터 및 입력창을 출력한다. 제2 라벨링데이터는 제2 라벨링장치(13)의 화면에 이미지데이터(1A)와 겹쳐서(overlay) 출력된다.
외부작업자(P2)는 화면에 출력된 이미지데이터(1A) 및 제2 라벨링데이터를 통해 제2 라벨링데이터가 정확한지 확인할 수 있다. 제2 라벨링데이터가 정확하다고 판단되면, 외부작업자(P2)는 입력창에 제2 승인정보를 입력(S142)하게 된다.
(e)단계(S150)는, 제2 라벨링장치(13)가 인공지능머신(14)에 제2 라벨링데이터를 업로드하는 단계이다.
제2 라벨링장치(13)에 제2 승인정보가 입력(S142)되면, 제2 라벨링장치(13)는 인공지능머신(14)에 제2 라벨링데이터를 업로드(S150)하게 된다. 제2 라벨링데이터는 클라우드 플랫폼에 발생 시간, 부품(1) ID 등 메타 데이터와 함께 업로드되어 저장될 있다.
도 4에 도시된 바와 같이, 외부작업자(P2)는 제2 라벨링데이터가 부정확하다고 판단되면, 제2 라벨링장치(13)에 제2 승인정보 대신 제2 수정라벨링데이터를 입력(S143)할 수 있다.
제2 수정라벨링데이터는 불량영역(1B)을 화소 단위로 지정하는 마스크데이터(D4-1)를 포함할 수 있다.
도 5(c)에 도시된 바와 같이, 외부작업자(P2)는 태블릿의 터치스크린 또는 PC의 마우스 등을 포함한 다양한 제2 라벨링장치(13)를 통해 화면에 출력된 이미지데이터(1A)의 불량영역(1B)을 화소 단위로 지정할 수 있다.
제2 라벨링장치(13)에 제2 승인정보 대신 제2 수정라벨링데이터가 입력(S143)되면, 제2 라벨링데이터가 제2 수정라벨링데이터로 치환된다. 즉, 제2 수정라벨링데이터가 이미지데이터(1A)에 연동되어 저장된다. 이후 제2 라벨링장치(13)는 인공지능머신(14)에 제2 수정라벨링데이터를 업로드(S150)하게 된다.
상술한 바와 같이, (d)단계(S140)에서 인공지능머신(14)은 우선 제2 라벨링데이터의 생성 여부를 판단(S141)한다. 인공지능머신(14)이 제2 라벨링데이터를 생성하지 않으면, 제2 라벨링장치(13)는 화면에 이미지데이터(1A) 및 입력창을 출력한다. 그리고 외부작업자(P2)는 제2 라벨링장치(13)에 제2 수정라벨링데이터를 입력(S143)할 수 있다.
제2 라벨링장치(13)에서 제2 수정라벨링데이터가 이미지데이터(1A)에 연동되어 저장된 후, 제2 라벨링장치(13)가 인공지능머신(14)에 제2 수정라벨링데이터를 업로드(S150)하고, (f)단계(S160)가 개시된다.
도 4에 도시된 바와 같이, (f) 인공지능머신(14)이 이미지데이터(1A)에 연동되어 저장된 제1 라벨링데이터 및 제2 라벨링데이터를 학습하는 단계이다.
제1 라벨링장치(12)가 인공지능머신(14)에 제1 라벨링데이터를 업로드(S130)하는 횟수가 증가할수록, 불량위치 검출용 AI 모델의 학습에 사용되는 학습데이터가 증가하여, 불량위치 검출용 AI 모델의 불량위치 검출성능은 향상된다.
따라서 제1 라벨링장치(12)가 인공지능머신(14)에 제1 라벨링데이터를 업로드(S130)하는 횟수가 증가할수록, 전문작업자(P1)가 불량위치를 직접 지정(S123)하는 수작업의 빈도를 줄일 수 있어 (b)단계(S120)가 빠르게 진행될 수 있다.
또한, 제2 라벨링장치(13)가 인공지능머신(14)에 제2 라벨링데이터를 업로드(S150)하는 횟수가 증가할수록, 불량영역(1B) 분할용 AI 모델의 학습에 사용되는 학습데이터가 증가하여, 불량영역(1B) 분할용 AI 모델의 불량영역(1B) 분할성능이 향상된다.
따라서 제2 라벨링장치(13)가 인공지능머신(14)에 제2 라벨링데이터를 업로드(S150)하는 횟수가 증가할수록, 외부작업자(P2)가 불량영역(1B)을 화소별로 마스크데이터(D4-1)를 지정(S143)하는 수작업의 빈도를 줄일 수 있어 (d)단계(S140)가 빠르게 진행될 수 있다.
본 발명에 의하면, 생산라인에서 품질검사 담당자가 불량위치와 불량타입 등 필수적인 요소만 입력 처리하는 단계(S123)와, AI 모델링을 학습하기 위해 필요한 불량영역(1B)에 대한 화소단위 분할을 수행하는 단계(S143)를 이원화하여 처리함으로써, 제조 분야에서 현장 품질 담당자 등 전문적인 사람만 가능한 제조 부품(1) 불량 데이터에 대한 라벨링(S123)을 신속하게 수행할 수 있는 이점이 있다.
또한, 제조 현장에서 실제 사용되는 부품(1)의 불량위치 표시방법인 유성펜 등 펜을 이용한 부품(1) 표면 내 표기 및 불량위치 표기용 스티커(S2) 표기를 지원함으로써, IT 기술에 익숙하지 않은 제조 현장 품질 담당자가 빠르게 라벨링(S123)을 수행할 수 있는 이점이 있다.
또한, 부품(1) 양불 판정용 AI 데이터 라벨링 작업을 부품(1) 생산 공정 단계과 연계하여 수행함으로써, 부품(1) 양불 판정용 비전 품질 검사 시스템 도입시 요구되는 AI 모델 학습용 라벨링 데이터 확보 시간 및 비용을 크게 단축하여, 기존보다 빠르게 비전 품질 시스템을 도입할 수 있는 이점이 있다.
아울러, 본 발명에 의하면, 인공지능머신(14)에 제1 라벨링데이터 또는 제1 수정라벨링데이터를 업로드한 다음, 제2 라벨링데이터 또는 제2 수정라벨링데이터를 업로드함으로써, 라벨링 작업에 전문적인 지식이 요구되는 생산 부품(1)이더라도 AI 학습용 라벨링 데이터를 신속하게 구축할 수 있도록 이루어지는 생산부품(1)의 스마트 비전검사를 위한 인공지능머신(14)의 라벨링 학습방법(S100)을 제공할 수 있게 된다.
앞에서, 본 발명의 특정한 실시예가 설명되고 도시되었지만 본 발명은 기재된 실시예에 한정되는 것이 아니고, 본 발명의 사상 및 범위를 벗어나지 않고 다양하게 수정 및 변형할 수 있음은 이 기술의 분야에서 통상의 지식을 가진 자에게 자명한 일이다. 따라서, 그러한 수정예 또는 변형예들은 본 발명의 기술적 사상이나 관점으로부터 개별적으로 이해되어서는 안되며, 변형된 실시예들은 본 발명의 특허청구범위에 속한다 하여야 할 것이다.
S100 : 라벨링 학습방법
S110 : (a)단계
S120 : (b)단계
S130 : (c)단계
S140 : (d)단계
S150 : (e)단계
S160 : (f)단계
10 : 비전검사 시스템
11 : 카메라
12 : 제1 라벨링장치
13 : 제2 라벨링장치
14 : 인공지능머신
1 : 부품
1A : 이미지데이터
1B : 불량영역
S2 : 스티커
D1-1 : 좌표 데이터
D2-1 : 마스크데이터
D3-1 : 심볼데이터
D3-3 : 불량분류데이터
D4-1 : 마스크데이터
P1 : 현장작업자
P2 : 외부작업자

Claims (9)

  1. 스마트 비전검사 시스템을 이용한 인공지능머신의 라벨링 학습방법으로서,
    상기 스마트 비전검사 시스템은,
    생산라인에서 부품의 이미지데이터를 생성하는 카메라;
    상기 이미지데이터를 수신하는 제1 라벨링장치;
    상기 제1 라벨링장치와 데이터를 송수신하는 인공지능머신; 및
    상기 인공지능머신과 데이터를 송수신하는 제2 라벨링장치를 포함하고,
    (a) 상기 인공지능머신이 상기 이미지데이터를 수신하는 단계;
    (b) 상기 인공지능머신이 상기 부품의 불량영역을 표시하는 제1 라벨링데이터를 생성하여 상기 이미지데이터에 연동하여 저장하고, 상기 제1 라벨링장치에 상기 제1 라벨링데이터를 송신하는 단계;
    (c) 상기 제1 라벨링장치에 제1 승인정보가 입력되면, 상기 제1 라벨링장치가 상기 인공지능머신에 상기 제1 라벨링데이터를 업로드하는 단계;
    (d) 상기 인공지능머신이 상기 불량영역을 표시하는 제2 라벨링데이터를 생성하여 상기 이미지데이터에 연동하여 저장하고, 상기 제2 라벨링장치에 상기 제2 라벨링데이터를 송신하는 단계;
    (e) 상기 제2 라벨링장치에 제2 승인정보가 입력되면, 상기 제2 라벨링장치가 상기 인공지능머신에 상기 제2 라벨링데이터를 업로드하는 단계; 및
    (f) 상기 인공지능머신이 상기 이미지데이터에 연동되어 저장된 상기 제1 라벨링데이터 및 상기 제2 라벨링데이터를 학습하는 단계를 포함하는 것을 특징으로 하는 생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법.
  2. 제1항에 있어서,
    상기 제1 라벨링데이터는,
    상기 불량영역을 지정하는 심볼; 및
    상기 부품의 종류를 지정하는 부품분류데이터; 및
    상기 불량영역의 종류를 지정하는 불량분류데이터를 포함하는 것을 특징으로 하는 생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법.
  3. 제2항에 있어서,
    상기 제2 라벨링데이터는,
    상기 좌표 데이터 안쪽의 상기 불량영역을 화소 단위로 지정하는 마스크데이터를 포함하는 것을 특징으로 하는 생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법.
  4. 제1항에 있어서,
    상기 (c)단계에서,
    상기 제1 라벨링장치에 상기 제1 승인정보 대신 제1 수정라벨링데이터가 입력되면, 상기 제1 라벨링데이터가 상기 제1 수정라벨링데이터로 치환된 후, 상기 제1 라벨링장치가 상기 인공지능머신에 상기 제1 수정라벨링데이터를 업로드하는 것을 특징으로 하는 생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법.
  5. 제4항에 있어서,
    상기 (e)단계에서,
    상기 제2 라벨링장치에 상기 제2 승인정보 대신 제2 수정라벨링데이터가 입력되면, 상기 제2 라벨링데이터가 상기 제2 수정라벨링데이터로 치환된 후, 상기 제2 라벨링장치가 상기 인공지능머신에 상기 제2 수정라벨링데이터를 업로드하는 것을 특징으로 하는 생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법.
  6. 제4항에 있어서,
    상기 제1 수정라벨링데이터는,
    상기 불량영역을 지정하는 심볼; 및
    상기 부품의 종류를 지정하는 부품분류데이터; 및
    상기 불량영역의 종류를 지정하는 불량분류데이터를 포함하는 것을 특징으로 하는 생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법.
  7. 제6항에 있어서,
    상기 제2 수정라벨링데이터는,
    상기 불량영역을 화소 단위로 지정하는 마스크데이터를 포함하는 것을 특징으로 하는 생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법.
  8. 제1항에 있어서,
    상기 (b)단계에서 상기 인공지능머신이 상기 제1 라벨링데이터를 생성하지 않으면, 상기 제1 라벨링장치에서 제1 수정라벨링데이터가 상기 이미지데이터에 연동되어 저장된 후, 상기 제1 라벨링장치가 상기 인공지능머신에 상기 제1 수정라벨링데이터를 업로드하고, 상기 (d)단계가 개시되는 것을 특징으로 하는 생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법.
  9. 제8항에 있어서,
    상기 (d)단계에서 상기 인공지능머신이 상기 제2 라벨링데이터를 생성하지 않으면, 상기 제2 라벨링장치에서 제2 수정라벨링데이터가 상기 이미지데이터에 연동되어 저장된 후, 상기 제2 라벨링장치가 상기 인공지능머신에 상기 제2 수정라벨링데이터를 업로드하고, 상기 (f)단계가 개시되는 것을 특징으로 하는 생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법.
KR1020200174771A 2020-12-14 2020-12-14 생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법 KR102524151B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200174771A KR102524151B1 (ko) 2020-12-14 2020-12-14 생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200174771A KR102524151B1 (ko) 2020-12-14 2020-12-14 생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법

Publications (2)

Publication Number Publication Date
KR20220085115A true KR20220085115A (ko) 2022-06-22
KR102524151B1 KR102524151B1 (ko) 2023-04-21

Family

ID=82216492

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200174771A KR102524151B1 (ko) 2020-12-14 2020-12-14 생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법

Country Status (1)

Country Link
KR (1) KR102524151B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102568037B1 (ko) * 2022-11-23 2023-08-18 세종대학교산학협력단 파이프 인식 모델 생성 방법 및 장치, 이를 이용한 파이프 이상 영역 판단 방법 및 시스템
KR20240053954A (ko) 2022-10-18 2024-04-25 주식회사 스누아이랩 환경적응형 머신비전장치 및 그 장치의 구동방법

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016181098A (ja) * 2015-03-24 2016-10-13 株式会社Ｓｃｒｅｅｎホールディングス 領域検出装置および領域検出方法
JP2017151813A (ja) * 2016-02-25 2017-08-31 ファナック株式会社 入力画像から検出した対象物を表示する画像処理装置
JP2017224027A (ja) * 2016-06-13 2017-12-21 三菱電機インフォメーションシステムズ株式会社 データのラベリングモデルに係る機械学習方法、コンピュータおよびプログラム
JP2019101535A (ja) * 2017-11-29 2019-06-24 コニカミノルタ株式会社 教師データ作成装置および該方法ならびに画像セグメンテーション装置および該方法
JP2020024110A (ja) * 2018-08-06 2020-02-13 株式会社マイクロ・テクニカ 検査装置および検査方法
JP2020060398A (ja) * 2018-10-05 2020-04-16 オムロン株式会社 推定器生成装置、検査装置、推定器生成方法、及び推定器生成プログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016181098A (ja) * 2015-03-24 2016-10-13 株式会社Ｓｃｒｅｅｎホールディングス 領域検出装置および領域検出方法
JP2017151813A (ja) * 2016-02-25 2017-08-31 ファナック株式会社 入力画像から検出した対象物を表示する画像処理装置
JP2017224027A (ja) * 2016-06-13 2017-12-21 三菱電機インフォメーションシステムズ株式会社 データのラベリングモデルに係る機械学習方法、コンピュータおよびプログラム
JP2019101535A (ja) * 2017-11-29 2019-06-24 コニカミノルタ株式会社 教師データ作成装置および該方法ならびに画像セグメンテーション装置および該方法
JP2020024110A (ja) * 2018-08-06 2020-02-13 株式会社マイクロ・テクニカ 検査装置および検査方法
JP2020060398A (ja) * 2018-10-05 2020-04-16 オムロン株式会社 推定器生成装置、検査装置、推定器生成方法、及び推定器生成プログラム

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240053954A (ko) 2022-10-18 2024-04-25 주식회사 스누아이랩 환경적응형 머신비전장치 및 그 장치의 구동방법
KR102568037B1 (ko) * 2022-11-23 2023-08-18 세종대학교산학협력단 파이프 인식 모델 생성 방법 및 장치, 이를 이용한 파이프 이상 영역 판단 방법 및 시스템

Also Published As

Publication number Publication date
KR102524151B1 (ko) 2023-04-21

Similar Documents

Publication Publication Date Title
EP3480735B1 (en) Inspection apparatus, data generation apparatus, data generation method, and data generation program
US11763443B2 (en) Method for monitoring manufacture of assembly units
JP6573226B2 (ja) データ生成装置、データ生成方法及びデータ生成プログラム
KR20190063839A (ko) 제조 공정에서 딥러닝을 활용한 머신 비전 기반 품질검사 방법 및 시스템
JP5546317B2 (ja) 外観検査装置、外観検査用識別器の生成装置及び外観検査用識別器生成方法ならびに外観検査用識別器生成用コンピュータプログラム
US10824906B2 (en) Image processing device, non-transitory computer readable storage medium, and image processing system
TWI748242B (zh) 掃描晶圓的系統及方法
JP2019114116A (ja) データ生成装置、データ生成方法及びデータ生成プログラム
KR20190075707A (ko) 딥러닝을 이용한 양품 선별 방법
US10423669B2 (en) Manufacturing process visualization apparatus and method
KR20210008352A (ko) 촬상된 품목의 결함을 검출하기 위한 시스템 및 방법
KR102524151B1 (ko) 생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법
WO2015115274A1 (ja) 物体判別装置、画像センサ、物体判別方法
CN113538631A (zh) 通过基于用户输入所生成的人工智能模型来生成虚拟缺陷图像的计算机程序、方法和装置
JP2022507678A (ja) 自動目視検査プロセスにおけるセットアップ段階の最適化
CN114419038A (zh) 轮毂表面缺陷的识别方法及装置、存储介质、电子设备
CN113222913A (zh) 一种电路板缺陷检测定位方法、装置和存储介质
Mukhopadhyay et al. PCB inspection in the context of smart manufacturing
US20100194562A1 (en) Failure recognition system
CN109255805B (zh) 机器学习的工业智能数据收集系统和方法
CN115631169A (zh) 产品检测方法、装置、电子设备及存储介质
KR102597692B1 (ko) 영상을 이용한 물건 부피의 측정 장치, 방법, 및 컴퓨터 프로그램
CN111524107B (zh) 缺陷检测方法、缺陷检测装置及计算机可读存储介质
CN115861161A (zh) 机器学习系统、学习数据收集方法以及存储介质
KR20220101373A (ko) 영상 기반 pcb 결함 검출 장치 및 방법

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant