KR20220099875A - 광학 입상물 선별 장치 및 방법 - Google Patents

Abstract

개시된 기술은 광학 입상물 선별 장치 및 방법에 관한 것으로, 입상물에 빛을 조사하여 상기 입상물의 화상 데이터를 생성하는 광학 검출장치; 상기 광학 검출장치로부터 상기 화상 데이터를 수신하여 상기 입상물의 불량 여부를 판별하는 분석장치; 및 상기 분석장치가 불량으로 판별한 입상물을 분리하는 분리장치;를 포함하되, 상기 분석장치는 상기 화상 데이터를 입력받아 상기 입상물의 불량 여부를 판별하는 딥러닝 모델을 포함한다.

Description

광학 입상물 선별 장치 및 방법 {OPTICAL DEVICE AND METHOD FOR SORTING PARTICLE MATERIAL}

개시된 기술은 딥러닝 모델을 이용하여 입상물 중 불량품을 선별하는 장치 및 방법에 관한 것이다.

일반적으로 광학 선별기는 쌀, 보리 등과 같은 곡물, 커피류, 플라스틱 압축 펠릿 등의 입상물에서 이물질을 선별하기 위해 사용되는 장치이다. 검출 과정에서 이송중인 입상물에 광을 조사함으로써 입상물이 양품인지 불량품인지 판별할 수 있으며 만약 불량품인 것으로 판별하면 입상물의 이송 경로의 일측에 구비된 공기분사장치를 구동하여 이송 경로 밖으로 불량품을 배출시킬 수 있다.

이러한 광학 선별기는 입상물에 광을 조사하여 획득한 이미지를 기준으로 불량 여부를 판별한다. 예컨대, 사전에 양품에 광을 조사했을 때의 이미지와 불량품에 광을 조사했을 때의 이미지를 장치에 미리 입력하고 실시간으로 획득되는 이미지와 기 저장된 이미지를 비교하여 입상물이 양품인지 판별할 수 있다. 그러나 이와 같이 정상인 입상물의 데이터와 비정상인 입상물의 데이터를 사전에 정의하여 이용하는 방식은 불량을 구별하는 기준이 제한적이어서 기존에 없던 새로운 형태의 이물질이나 불량품은 정확하게 선별하지 못하는 문제가 있었다. 또한, 실제 제조 현장에서는 불량품의 형태나 색상을 미리 예측하는 것이 불가능하기 때문에 불량을 식별하기 위한 다수의 데이터를 확보하는데 많은 시간과 노력이 수반되는 단점도 있었다.

한국 공개특허 제10-2019-0119914호

개시된 기술은 딥러닝 모델을 이용하여 입상물 중 불량품을 선별하는 장치 및 방법을 제공하는데 있다.

상기의 기술적 과제를 이루기 위하여 개시된 기술의 제 1 측면은 입상물에 빛을 조사하여 상기 입상물의 화상 데이터를 생성하는 광학 검출장치, 상기 광학 검출장치로부터 상기 화상 데이터를 수신하여 상기 입상물의 불량 여부를 판별하는 분석장치 및 상기 분석장치가 불량으로 판별한 입상물을 분리하는 분리장치를 포함하되, 상기 분석장치는 상기 화상 데이터를 입력받아 상기 입상물의 불량 여부를 판별하는 딥러닝 모델을 포함하는 광학 입상물 선별 장치를 제공하는데 있다.

상기의 기술적 과제를 이루기 위하여 개시된 기술의 제 2 측면은 분석장치가 광학 검출장치로부터 광이 조사되는 입상물을 포함하는 원본 화상 데이터를 수신하는 단계, 상기 분석장치가 인코더를 이용하여 상기 원본 화상 데이터의 특징을 추출하는 단계, 상기 분석장치가 디코더를 이용하여 상기 특징으로부터 화상 데이터를 재구성하는 단계, 상기 분석장치가 상기 원본 화상 데이터와 상기 재구성된 화상 데이터를 비교하여 재구성에 대한 오차값을 계산하는 단계 및 상기 분석장치가 상기 오차값이 임계값 이상이면 상기 입상물을 불량품으로 판별하고 상기 오차값이 상기 임계값 미만이면 상기 입상물을 양품으로 판별하는 단계를 포함하는 광학 입상물 선별 방법을 제공하는데 있다.

개시된 기술의 실시 예들은 다음의 장점들을 포함하는 효과를 가질 수 있다. 다만, 개시된 기술의 실시 예들이 이를 전부 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.

개시된 기술의 일 실시예에 따르면 광학 입상물 선별 장치 및 방법은 양품과 불량품을 실시간으로 선별하는 효과가 있다.

또한, 불량품의 형태와 색상에 관계 없이 정확하게 양품과 구별하는 효과가 있다.

도 1은 개시된 기술의 일 실시예에 따른 광학 입상물 선별 과정을 나타낸 도면이다.
도 2는 개시된 기술의 일 실시예에 따른 광학 입상물 선별 장치에 대한 블록도이다.
도 3은 개시된 기술의 일 실시예에 따른 광학 입상물 선별 방법에 대한 순서도이다.
도 4는 입상물을 처리하는 라인에 구비된 광학 입상물 선별 장치를 나타낸 도면이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제 1 , 제 2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 해당 구성요소들은 상기 용어들에 의해 한정되지는 않으며, 단지 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.

본 명세서에서 사용되는 용어에서 단수의 표현은 문맥상 명백하게 다르게 해석되지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 한다. 그리고 "포함한다" 등의 용어는 설시된 특징, 개수, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 의미하는 것이지, 하나 또는 그 이상의 다른 특징들이나 개수, 단계 동작 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하지 않는 것으로 이해되어야 한다.

도면에 대한 상세한 설명을 하기에 앞서, 본 명세서에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주기능 별로 구분한 것에 불과함을 명확히 하고자 한다. 즉, 이하에서 설명할 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다.

그리고 이하에서 설명할 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있음은 물론이다. 따라서, 본 명세서를 통해 설명되는 각 구성부들의 존재 여부는 기능적으로 해석되어야 할 것이다.

도 1은 개시된 기술의 일 실시예에 따른 광학 입상물 선별 과정을 나타낸 도면이다. 도 1을 참조하면 광학 입상물의 불량 여부를 판별하기 위해서 분석장치는 사전에 학습된 딥러닝 모델을 포함한다. 분석장치는 학습된 딥러닝 모델을 이용하여 입상물에 대한 화상 데이터의 특징추출 및 복원하는 과정을 거쳐서 촬영된 입상물이 양품인지 불량품인지를 판별한다.

한편, 분석장치에 구비되는 딥러닝 모델은 이미지의 특징을 추출하는 인코더 단과 추출된 특징을 이용하여 이미지를 다시 복원하는 디코더 단을 포함한다. 예컨대, 오토인코더(Auto Encoder)일 수 있다. 분석장치는 사전에 오토인코더에 양품에 대한 이미지만을 학습시키는 것으로 추후 불량품에 대한 이미지가 입력될 시 오차값에 따라 입상물의 불량을 판별할 수 있다.

종래의 경우, 사전에 학습과정에서 딥러닝 모델에 양품과 불량품의 이미지를 모두 입력하는 방식을 이용한다. 즉, 딥러닝 모델이 지도학습 방식에 따라 정답만을 학습하기 때문에 여러 가지 형태로 변형되거나 다양한 색상을 가질 수 있는 불량품에 대한 이미지가 입력될 경우에는 불량이라고 판단할 확률이 대폭 감소하게 된다. 따라서, 본 발명에서는 비지도학습 방식에 따라 사전에 양품에 대한 이미지만을 이용하여 딥러닝 모델을 학습시킨 후 추후에 입력되는 입상물에 대한 이미지를 분석하여 불량 여부를 판단하게 된다.

한편, 딥러닝 모델에 입력하는 이미지는 광학적 방식에 따라 획득된 화상 데이터일 수 있다. 예컨대, 화상데이터는 입상물에 광을 조사하여 투과되는 형태를 감지하여 생성한 이미지일 수 있다. 이러한 이미지는 입상물이 특정 위치를 지나갈 때 자동으로 촬영될 수 있다.

한편, 분석장치는 상술한 바와 같이 오토인코더를 이용하여 이미지의 특징추출 및 복원하는 과정을 거쳐서 입력된 이미지와 복원된 이미지를 비교할 수 있다. 오토인코더는 사전에 양품에 대한 이미지만을 학습한 상태이기 때문에 정상 상태의 입상물에 대한 이미지가 입력된 경우에는 사전에 학습한대로 양품과 유사하게 이미지를 복원할 수 있다. 그러나 불량 상태의 입상물에 대한 이미지가 입력되더라도 마찬가지로 양품처럼 복원하려고 하기 때문에 오차값이 양품의 경우보다 더 높게 발생하게 된다. 따라서 이러한 오차값의 차이를 계산하는 것으로 입상물이 양품인지 불량인지를 판별하는 것이 가능하다.

분석장치는 양품의 이미지를 복원했을 때의 오차값과 불량품의 이미지를 복원했을 때의 오차값 사이에 임계값을 설정하고 임계값의 초과 여부에 따라 입상물을 양품 또는 불량으로 판별할 수 있다. 분석장치는 임계값 설정을 위해 사전에 다수의 양품의 이미지를 복원할 때 발생된 오차값들의 평균을 취하여 평균값보다 높은 값을 임계값으로 설정할 수 있다.

도 2는 개시된 기술의 일 실시예에 따른 광학 입상물 선별 장치에 대한 블록도이다. 도 2를 참조하면 광학 입상물 선별 장치(200)는 입상물에서 반사되는 빛을 검출하는 광학 검출장치(210), 상기 광학 검출장치에서 출력되는 화상 데이터를 분석하여 입상물의 불량 여부를 판별하는 분석장치(220) 및 상기 분석장치가 불량으로 판별한 입상물을 분리하는 분리장치(230)를 포함한다.

광학 검출장치(210)는 이송중인 입상물에 광을 조사하여 화상 데이터를 생성한다. 광학 검출장치는 좌우 한 쌍으로 구비되며 광을 조사하는 램프(Lamp)를 포함한다. 한쪽에서 광을 조사하면 반대편에서는 광을 수광할 수 있다. 이 과정에서 입상물에 반사되는 빛을 토대로 화상 데이터를 생성할 수 있다. 일 실시예로, 좌측 장치는 광을 조사하는 장치이고 우측 장치는 조사되는 광을 수광하는 장치일 수 있다. 광학 검출장치(210)는 일반적인 입상물 처리기에서 사용하는 라인 스캔 카메라를 이용할 수 있다. 이러한 라인 스캔 카메라는 이송라인을 촬영하는데 이용되며 CCD 센서 (Charge Coupled Device Camera) 또는 CMOS (Complementary Metal Oxide Semiconductor) 센서를 포함할 수 있다.

분석장치(220)는 광학 검출장치의 화상 데이터를 수신하여 입상물이 양품인지 불량품인지를 판별한다. 분석장치(220)는 광학 검출장치와 연결되거나 일체로 형성될 수 있다. 분석장치(220)는 입상물의 불량 여부를 정확하게 판별하기 위해서 비지도학습 방식의 딥러닝 모델을 포함한다. 분석장치(220)에 탑재되는 딥러닝 모델은 오토 인코더와 같이 입력되는 영상에서 특징을 추출하는 인코더와 추출된 특징을 복원하여 영상을 생성하는 디코더를 포함한다. 오토 인코더의 경우 중간에 병목(Bottle neck)이 존재하고 있어서 고차원 공간 상의 입력 데이터를 저차원의 공간으로 맵핑(mapping)하여 잠재적인 변수로 표현(latent representation)하였다가, 다시 입력된 데이터와 동일한 고차원의 공간으로 복원할 수 있다.

상술한 바와 같이 입력된 화상 데이터를 오토 인코더가 저차원으로 맵핑하고 이를 다시 원래의 차원으로 복원함에 따라 오차가 발생할 수 있다. 가령, 오토 인코더 상에서 원본과 동일한 출력값을 생성하였더라도 실제 원본과 비교하면 복원 과정에서의 오차로 인해 약간의 차이가 있을 수 있다. 분석장치(220)는 이 오차값이 기 설정된 임계값을 초과하는지를 판별하여 입상물의 불량 여부를 판별할 수 있다. 일 실시예로, 원본 화상 데이터와 복원된 화상 데이터를 비교하여 계산한 오차값이 임계값 이상이면 입상물을 불량품으로 판별할 수 있다. 또는 오차값이 임계값 미만이면 입상물을 양품으로 판별할 수 있다.

오토 인코더는 복원 오차를 최소화하기 위해서 병목 구간을 지날 때, 최소한의 정보량을 잃기 위해 자동으로 학습될 수 있다. 가령 MNIST를 예로 들면, 주변부의 항상 숫자가 존재하지 않는 뻔한 픽셀들은 굳이 기억하지 않아도 될 것이고, 중간 픽셀들을 좀 더 효율적으로 기억하도록 학습될 수 있다. 만약 비정상적인 샘플이 테스트 과정에서 주어질 경우, 오토인코더는 주어진 샘플에 대해서 효과적으로 매핑과 복원을 수행하지 못할 수 있다. 즉, 비정상 샘플이 주어진 상황에서는 샘플의 특징을 잘 추출해내지 못할 것이므로, 복원 오차(Reconstruction error)는 커질 수 있다.

한편, 때때로 표현에 필요한 최적의 병목 구간 크기에 비해서 실제 병목 구간의 크기가 너무 클 경우, 오토인코더는 항등함수(Identity function)과 같이 동작하여 입력을 그대로 복사해내는 능력을 갖게 될 수 있다. 즉, 학습 과정에서 보지 못했던 비정상 샘플이 주어져도 그냥 그대로 복사하는 것이 가능하다. 따라서 병목 구간의 크기를 하이퍼 파라미터(Hyper-parameter)로써 적절하게 잘 조절할 필요성이 있다. 이러한 점을 고려하여 분석장치의 임계값은 적중 확률(True Positive Rate)이 높고 오경보 확률(False Positive Rate)이 낮은 값으로 오토 인코더에 설정될 수 있다.

한편, 종래의 선별기에서는 사전에 입상물에 대한 양품과 불량품에 대한 광학 이미지를 미리 입력하는 방식을 이용한다. 즉, 지도학습 기반의 모델을 이용하기 때문에 PCA나 선형회귀 등의 알고리즘으로 모델을 생성하고 양품인지 불량품인지를 추론하게 된다. 이 경우 사전에 입력되지 않은 불량품의 광학 이미지가 입력될 때에는 정확하게 불량품을 판별하지 못하게 되므로 정확도에 있어서 다소 떨어질 수 있다. 이를 극복하기 위해서는 실제 제조 현장에서 발생되는 불량품에 대한 다수의 광학 이미지를 확보해야 하기 때문에 현실적으로 어려움이 존재한다. 반면, 본 발명에 따른 분석장치는 비지도 학습 기반의 딥러닝 모델을 이용하기 때문에 양품과 불량품을 보다 높은 정확도로 판별하는 것이 가능하다.

분리장치(230)는 분석장치의 판별 결과에 따라 입상물이 불량인 것으로 확인되면 입상물을 분리시킬 수 있다. 분리장치(230)는 공기를 배출하여 입상물을 밖으로 날려버리는 이젝터(Air ejector)를 이용할 수 있다. 예컨대, 분리장치가 분석장치의 계산결과를 수신하여 직접 불량인 입상물을 이송경로 밖으로 날려버리거나 분리장치가 이젝터에 제어신호를 전송하여 불량인 입상물을 이송경로 밖으로 날릴 수 있다.

한편, 상술한 광학 입상물 선별 장치(200)는 컴퓨터와 같은 디바이스에서 실행될 수 있는 실행가능한 알고리즘을 포함하는 프로그램(또는 어플리케이션)으로 구현될 수 있다. 상기 프로그램은 일시적 또는 비일시적 판독 가능 매체(non-transitory computer readable medium)에 저장되어 제공될 수 있다.

비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 어플리케이션 또는 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM (read-only memory), PROM (programmable read only memory), EPROM(Erasable PROM, EPROM) 또는 EEPROM(Electrically EPROM) 또는 플래시 메모리 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.

일시적 판독 가능 매체는 스태틱 램(Static RAM，SRAM), 다이내믹 램(Dynamic RAM，DRAM), 싱크로너스 디램 (Synchronous DRAM，SDRAM), 2배속 SDRAM(Double Data Rate SDRAM，DDR SDRAM), 증강형 SDRAM(Enhanced SDRAM，ESDRAM), 동기화 DRAM(Synclink DRAM，SLDRAM) 및 직접 램버스 램(Direct Rambus RAM，DRRAM) 과 같은 다양한 RAM을 의미한다.

도 3은 개시된 기술의 일 실시예에 따른 광학 입상물 선별 방법에 대한 순서도이다. 도 3을 참조하면 광학 입상물 선별 방법(300)은 분석장치를 통해 수행되며 원본 화상 데이터를 수신하는 단계(310), 인코더를 이용하여 원본 화상 데이터의 특징을 추출하는 단계(320), 디코더를 이용하여 추출된 특징으로부터 화상 데이터를 재구성하는 단계(330), 원본 화상 데이터와 복원된 화상 데이터를 비교하여 오차값을 계산하는 단계(340) 및 오차값에 따라 입상물의 불량 여부를 판단하는 단계(350)를 포함한다.

310 단계에서 분석장치는 광학 검출장치로부터 입상물에 반사된 빛을 토대로 생성된 원본 화상 데이터를 수신한다. 원본 화상 데이터에는 입상물의 형태 및 색상에 대한 정보가 포함된다. 분석장치는 광학 검출장치에서 전송되는 화상 데이터를 원본 화상 데이터로 저장한다.

320 단계에서 분석장치는 오토 인코더를 이용하여 원본 화상 데이터의 특징을 추출한다. 일 실시예로, 입력된 원본 화상 데이터를 낮은 차원으로 매핑할 수 있다.

330 단계에서 분석장치는 추출된 특징으로부터 화상 데이터를 재구성한다. 여기에서 화상 데이터의 재구성은 추출된 특징을 토대로 화상 데이터를 복원하는 것을 의미한다. 분석장치는 화상 데이터의 특징 추출과 재구성을 위한 오토인코더를 포함한다. 그리고 오토인코더를 이용하여 화상 데이터에 대한 특징 추출과 복원을 수행할 수 있다. 분석장치가 원본 화상 데이터를 오토 인코더에 입력하면 오토 인코더는 화상 데이터를 인코더를 거쳐 낮은 차원으로 매핑한 뒤 디코더를 거쳐 다시 원래 차원으로 복원시킬 수 있다.

340 단계에서 분석장치는 원본 화상 데이터와 복원된 화상 데이터를 비교하여 재구성에 대한 오차값을 계산한다. 분석장치에 탑재된 오토 인코더는 오토인코더는 입력을 잠재변수(Latent variable)로 압축하는 인코딩(Encoding) 과정과 이를 다시 원본과 가깝게 복원하는 디코딩(Decoding) 과정으로 진행되며, 이를 통해 데이터의 중요한 정보들만 압축적으로 학습할 수 있기 때문에 주성분분석(PCA)와 유사하게 동작할 수 있다. 앞서 도 1을 통해 설명한 바와 같이 오토인코더는 인코더와 디코더 중간에 병목이 있어 고차원 공간 상의 입력 데이터를 저차원의 공간으로 매핑하여 잠재변수로 표현했다가, 다시 입력과 같은 고차원 공간으로 복원해야 한다. 여기서 인코더와 디코더는 여러개의 비선형(Non-linear) 레이어(계층)를 가질 수 있으며, 비선형 액티베이션 함수(Non-linear Activation Function)를 없애서 선형적인 형태로 오토인코더를 구성할 경우 주성분분석(Principal Component Analysis, PCA)을 수행하듯 동작하는 것도 가능하다.

350 단계에서 분석장치는 오차값이 임계값 이상이면 입상물을 불량품으로 판별하고 오차값이 임계값 미만이면 상기 입상물을 양품으로 판별한다. 여기에서 임계값은 학습 과정에서 적중 확률(True Positive Rate)이 높고 오경보 확률(False Positive Rate)이 낮은 최적 값으로 설정할 수 있다. 분석장치에 탑재된 오토 인코더는 양품에 대한 광학 이미지가 입력된 경우에는 원본과 거의 동일한 형태로 복원하기 때문에 원본과 복원된 데이터 간의 차이가 적지만 불량품에 대한 광학 이미지가 입력된 경우에도 정상 상태로 복원하려고 동작하기 때문에 불량품인지 판별하는 것이 가능하다. 따라서, 지도학습과 같이 사전에 라벨값을 입력하지 않아도 비지도 방식으로 학습될 수 있다. 이에 따라 불량품의 형태나 색상이 전에 입력된 것과 확연히 차이가 있더라도 정확하게 양품과 구별하는 것이 가능하다.

도 4는 입상물을 처리하는 라인에 구비된 광학 입상물 선별 장치를 나타낸 도면이다. 도 4에 도시된 상부의 호퍼(Hopper)를 통해 복수개의 입상물이 유입되면 피더(Feeder)를 통해 이송라인(Chute)로 이송된다. 입상물이 이송되는 과정에서 광학 검출장치(401)가 각각의 입상물에 광을 조사하여 이미지를 획득한다. 여기에서 이미지를 획득하는 방식은 광을 입상물에 조사하고 투과되는 형태를 감지하는 방식으로 입상물에 대한 화상 데이터를 획득하는 것으로 예시를 들었으나 이와 다른 방식으로도 입상물에 대한 화상데이터를 획득할 수도 있다. 가령, 입상물에 광이 반사되는 것을 감지하여 입상물의 형태를 파악하거나 초음파와 같은 수단을 이용하여 화상 데이터를 생성하는 것도 가능하다. 이와 같이 획득된 화상 데이터를 분석장치(402)가 분석하여 양품과 불량품을 판별한다. 그리고 판별 결과에 따라 분리장치(403)가 불량품을 이송라인의 밖으로 배출시키게 된다.

한편, 도 4와 같이 광학 검출장치와 분석장치는 하나로 병합된 형태로 구비될 수 있다. 즉, 광학 검출장치는 입상물을 촬영하는 카메라이고 분석장치는 카메라의 본체에 내장된 프로세서 내지는 AP에 해당하는 장치일 수 있다.

개시된 기술의 일 실시예에 따른 광학 입상물 선별 장치 및 방법은 이해를 돕기 위하여 도면에 도시된 실시 예를 참고로 설명되었으나, 이는 예시적인 것에 불과하며, 당해 분야에서 통상적 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 개시된 기술의 진정한 기술적 보호범위는 첨부된 특허청구범위에 의해 정해져야 할 것이다.

Claims (10)

1. 입상물에 빛을 조사하여 상기 입상물의 화상 데이터를 생성하는 광학 검출장치;
   상기 광학 검출장치로부터 상기 화상 데이터를 수신하여 상기 입상물의 불량 여부를 판별하는 분석장치; 및
   상기 분석장치가 불량으로 판별한 입상물을 분리하는 분리장치;를 포함하되, 상기 분석장치는 상기 화상 데이터를 입력받아 상기 입상물의 불량 여부를 판별하는 딥러닝 모델을 포함하는 광학 입상물 선별 장치.
2. 제 1 항에 있어서, 상기 광학 검출장치는,
   이송라인의 일 측에 구비되고 상기 이송라인을 지나는 입상물에 빛을 조사하는 발광장치;
   상기 이송라인의 타 측에 구비되고 상기 입상물에 빛이 투과되는 형태를 수신하는 수광장치; 및
   상기 빛이 투과되는 형태에 따라 상기 화상 데이터를 생성하는 생성장치;를 포함하는 광학 입상물 선별 장치.
3. 제 2 항에 있어서, 상기 광학 검출장치는,
   상기 이송라인을 촬영하는 CCD 센서 (Charge Coupled Device Camera) 또는 CMOS (Complementary Metal Oxide Semiconductor) 센서를 포함하는 라인 스캔 카메라(Line Scan Camera)인 것을 특징으로 하는 광학 입상물 선별 장치.
4. 제 1 항에 있어서,
   상기 분석장치는, 입력된 화상 데이터를 복원하는 비지도 학습 모델을 이용하는 광학 입상물 선별 장치.
5. 제 1 항에 있어서,
   상기 딥러닝 모델은 오토인코더이고,
   상기 분석장치는 상기 화상 데이터가 입력되면 상기 오토인코더의 인코딩 레이어를 이용하여 상기 화상 데이터의 특징을 추출하고 상기 오토인코더의 디코딩 레이어를 이용하여 상기 화상 데이터를 재구성하는 광학 입상물 선별 장치.
6. 제 5 항에 있어서,
   상기 분석장치는 상기 화상 데이터의 재구성에 대한 오차값을 계산하고, 상기 오차값이 임계값 이상이면 상기 입상물을 불량품으로 판별하고 상기 오차값이 상기 임계값 미만이면 상기 입상물을 양품으로 판별하는 광학 입상물 선별 장치.
7. 분석장치가 광학 검출장치로부터 광이 조사되는 입상물을 포함하는 원본 화상 데이터를 수신하는 단계;
   상기 분석장치가 인코더를 이용하여 상기 원본 화상 데이터의 특징을 추출하는 단계;
   상기 분석장치가 디코더를 이용하여 상기 특징으로부터 화상 데이터를 재구성하는 단계;
   상기 분석장치가 상기 원본 화상 데이터와 상기 재구성된 화상 데이터를 비교하여 재구성에 대한 오차값을 계산하는 단계; 및
   상기 분석장치가 상기 오차값이 임계값 이상이면 상기 입상물을 불량품으로 판별하고 상기 오차값이 상기 임계값 미만이면 상기 입상물을 양품으로 판별하는 단계;를 포함하는 광학 입상물 선별 방법.
8. 제 7 항에 있어서,
   상기 임계값은 적중 확률(True Positive Rate)이 높고 오경보 확률(False Positive Rate)이 낮은 값으로 상기 딥러닝 모델의 사전 학습 과정에서 설정되는 광학 입상물 선별 방법.
9. 제 7 항에 있어서,
   상기 분석장치는 입력된 화상 데이터를 복원하는 비지도 학습 모델을 이용하는 광학 입상물 선별 방법.
10. 제 7 항에 있어서,
    상기 분석장치는 상기 인코더 및 상기 디코더를 포함하는 오토인코더를 이용하고, 상기 오토인코더는 상기 원본 화상 데이터가 입력되기 이전에 양품에 대한 화상 데이터를 이용하여 학습되는 광학 입상물 선별 방법.

Images