KR20220129265A - 설명가능 ai 기반 불량검출 장치 및 방법 - Google Patents
설명가능 ai 기반 불량검출 장치 및 방법 Download PDFInfo
- Publication number
- KR20220129265A KR20220129265A KR1020210033928A KR20210033928A KR20220129265A KR 20220129265 A KR20220129265 A KR 20220129265A KR 1020210033928 A KR1020210033928 A KR 1020210033928A KR 20210033928 A KR20210033928 A KR 20210033928A KR 20220129265 A KR20220129265 A KR 20220129265A
- Authority
- KR
- South Korea
- Prior art keywords
- classification model
- basis
- training
- determination result
- type set
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000007547 defect Effects 0.000 title claims abstract description 64
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 9
- 238000007689 inspection Methods 0.000 title claims description 15
- 238000013145 classification model Methods 0.000 claims abstract description 136
- 238000013135 deep learning Methods 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims description 55
- 238000012549 training Methods 0.000 claims description 44
- 230000008569 process Effects 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 17
- 230000006978 adaptation Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 10
- 230000007423 decrease Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 7
- 230000002950 deficient Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
-
- G—PHYSICS
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G06N3/0454—
-
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
설명가능 AI 기반 불량검출 장치 및 방법을 개시한다.
본 실시예는, 제품에 대한 이미지를 기반으로 딥러닝 기반 분류모델을 이용하여 제품의 양/불량을 판정함에 있어서, 설명 가능한 인공지능(eXplainable AI: XAI)을 이용하여 분류모델이 제공하는 양/불량에 대한 판단 근거를 제공하고, 판단 근거에 대한 유형집합을 생성하며, 유형집합을 이용하여 분류모델의 파라미터를 지속적으로 업데이트하는 불량검출 장치 및 방법을 제공한다.
본 실시예는, 제품에 대한 이미지를 기반으로 딥러닝 기반 분류모델을 이용하여 제품의 양/불량을 판정함에 있어서, 설명 가능한 인공지능(eXplainable AI: XAI)을 이용하여 분류모델이 제공하는 양/불량에 대한 판단 근거를 제공하고, 판단 근거에 대한 유형집합을 생성하며, 유형집합을 이용하여 분류모델의 파라미터를 지속적으로 업데이트하는 불량검출 장치 및 방법을 제공한다.
Description
본 개시는 설명가능 AI 기반 불량검출 장치 및 방법에 관한 것이다. 더욱 상세하게는, 제품에 대한 이미지를 기반으로 딥러닝 기반 분류모델을 이용하여 제품의 양/불량을 판정함에 있어서, 설명 가능한 인공지능(eXplainable AI: XAI)을 이용하여 분류모델이 제공하는 양/불량에 대한 판단 근거를 제공하고, 판단 근거에 대한 유형집합을 생성하며, 유형집합을 이용하여 분류모델의 파라미터를 지속적으로 업데이트하는 불량검출 장치 및 방법에 관한 것이다.
이하에 기술되는 내용은 단순히 본 발명과 관련되는 배경 정보만을 제공할 뿐 종래기술을 구성하는 것이 아니다.
규칙기반 알고리즘을 이용하는 불량검출 방법에 비해, 딥러닝 기반 불량검출 방법은 더욱 정교한 제품검사를 수행함으로써, 품질 관리 수준을 향상시킬 수 있다는 장점을 갖는다. 하지만 딥러닝 기술이 실제 공정에 적용되었을 때, 기존의 규칙기반 머신비전 기술에 비해 관리 감독이 어려울 수 있다. 이는 딥러닝 기반 불량검출 방법이 제품의 양/불량에 대한 명확한 판정근거를 제시하지 못할 수 있기 때문이다. 따라서, 불량 발생 시, 원인 분석이 어려울 뿐만 아니라 알고리즘의 정상 작동 여부를 파악하는 것 또한 어려울 수 있다. 이러한 문제는, 딥러닝 기반 알고리즘에 대한 입증된 성능에도 불구하고 실제 공정 적용 시에 기술장벽으로 작용할 수 있다.
또한, 딥러닝 기반 머신비전이 적용된 불량검출 방법은, 양/불량 판정에 다양한 근거가 존재함에도 불구하고, 단지 양/불량이라는 두 가지 결과만을 제공한다. 환경 변화 또는 공정 이슈의 발생으로 인하여 딥러닝 알고리즘의 파라미터가 업데이트될 필요가 있다. 단지 판정결과가 제공되기 때문에 딥러닝 알고리즘의 파라미터에 대한 업데이트가 적절한 시기에 진행되지 않는다면, 추후 딥러닝 알고리즘은 제품에 대한 지속적인 오판정을 유발할 수 있다. 이러한 오판정의 지속에 따른 낮은 직행률(nonadjusted ratio)은, 최종적으로 생산 과정에서 심각한 손해를 발생시킬 수 있다. 따라서, 불량검출 방법의 활용 및 유지보수 측면에서, 딥러닝 알고리즘의 판정결과에 대한 설명 가능한 근거를 제시하는 방안, 및 이러한 설명 가능한 근거를 기반으로 딥러닝 알고리즘을 업데이트할 수 있는 방안이 고려될 필요가 있다.
본 개시는, 제품에 대한 이미지를 기반으로 딥러닝 기반 분류모델을 이용하여 제품의 양/불량을 판정함에 있어서, 설명 가능한 인공지능(eXplainable Artificial Intelligence: XAI)을 이용하여 분류모델이 제공하는 양/불량에 대한 판단 근거를 제공하고, 판단 근거에 대한 유형집합을 생성하며, 유형집합을 이용하여 분류모델의 파라미터를 지속적으로 업데이트함으로써, 환경 변화에 맞게 분류모델을 적응시키는 불량검출 장치 및 방법을 제공하는 데 주된 목적이 있다.
본 개시의 실시예에 따르면, 컴퓨팅 장치가 수행하는 불량검출 방법에 있어서, 검사 대상인 제품에 대한 이미지를 획득하는 과정; 상기 이미지를 기반으로 딥러닝 기반의 제1 분류모델을 이용하여 상기 제품의 양/불량에 대한 판정결과를 생성하고, 상기 판정결과에 대한 판정근거를 제공하는 과정, 여기서, 상기 제1 분류모델은 프리트레이닝(pre-training)되거나 업데이트된 채로 저장되어 있는 제2 분류모델과 동일한 파라미터를 가짐; 및 상기 제품의 판정근거가 이상치로 판단된 경우, 상기 제1 분류모델에 대한 적응화(adaptation)를 수행하는 과정을 포함하되, 상기 적응화를 수행하는 과정은, 상기 판정근거에 대한 유형(category)을 포함하는 유형집합을 업데이트하는 과정; 및 상기 제2 분류모델 및 업데이트된 유형집합을 이용하여 상기 제1 분류모델을 트레이닝하는 과정을 포함하는 것을 특징으로 하는 불량검출 방법을 제공한다.
본 개시의 다른 실시예에 따르면, 검사 대상인 제품에 대한 이미지를 획득하는 입력부; 상기 이미지를 기반으로 딥러닝 기반의 제1 분류모델을 이용하여 상기 제품의 양/불량에 대한 판정결과를 생성하고, 상기 판정결과에 대한 판정근거를 제공하는 제품검사부, 여기서, 상기 제1 분류모델은 프리트레이닝(pre-training)되거나 업데이트된 채로 저장되어 있는 제2 분류모델과 동일한 파라미터를 가짐; 및 상기 제품의 판정근거가 이상치로 판단된 경우, 상기 제1 분류모델에 대한 적응화(adaptation)를 수행하는 적응화부를 포함하되, 상기 적응화부는, 상기 판정근거에 대한 유형(category)을 포함하는 유형집합을 업데이트하는 유형집합 생성부; 및 상기 제2 분류모델 및 업데이트된 유형집합을 이용하여 상기 제1 분류모델을 트레이닝하는 트레이닝부를 포함하는 것을 특징으로 하는 불량검출 장치를 제공한다.
본 개시의 다른 실시예에 따르면, 불량검출 방법이 포함하는 각 단계를 실행시키기 위하여 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터프로그램을 제공한다.
이상에서 설명한 바와 같이 본 실시예에 따르면, 설명 가능한 인공지능을 이용하여 딥러닝 기반 분류모델이 제공하는 양/불량에 대한 판단 근거를 제공하고, 판단 근거에 대한 유형집합을 생성하며, 유형집합을 이용하여 분류모델의 파라미터를 지속적으로 업데이트하는 불량검출 장치 및 방법을 제공함으로써, 딥러닝 알고리즘의 활용 및 유지보수 측면에서, 환경 변화에 따른 불량 원인에 대한 실시간 적응, 및 새로운 유형의 불량에 대한 유연한 대처가 가능해지는 효과가 있다.
또한 본 실시예에 따르면, 설명 가능한 인공지능을 이용하여 딥러닝 기반 분류모델이 제공하는 양/불량에 대한 판단 근거를 제공하는 불량검출 장치 및 방법을 제공함으로써, 이미지 내에서 불량 판정의 원인이 되는 특정한 잠재적 결함 요소를 파악하여 제품생산 공정과 관련된 새로운 노하우(knowhow)를 축적하는 것이 가능해지는 효과가 있다.
도 1은 본 개시의 일 실시예에 따른 불량검출 장치에 대한 개념적인 블록도이다.
도 2는 본 개시의 일 실시예에 따른 분류모델을 개념적으로 나타낸 블록도이다.
도 3은 본 개시의 일 실시예에 따른 불량검출 방법의 흐름도이다.
도 4는 본 개시의 일 실시예에 따른 분류모델에 대한 잠재공간 매칭 과정을 개념적으로 나타낸 예시도이다.
도 5는 본 개시의 일 실시예에 따른 분류모델에 대한 정밀조정 과정을 개념적으로 나타낸 예시도이다.
도 2는 본 개시의 일 실시예에 따른 분류모델을 개념적으로 나타낸 블록도이다.
도 3은 본 개시의 일 실시예에 따른 불량검출 방법의 흐름도이다.
도 4는 본 개시의 일 실시예에 따른 분류모델에 대한 잠재공간 매칭 과정을 개념적으로 나타낸 예시도이다.
도 5는 본 개시의 일 실시예에 따른 분류모델에 대한 정밀조정 과정을 개념적으로 나타낸 예시도이다.
이하, 본 발명의 실시예들을 예시적인 도면을 참조하여 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 실시예들을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 실시예들의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
또한, 본 실시예들의 구성요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성요소를 다른 구성요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 명세서 전체에서, 어떤 부분이 어떤 구성요소를 '포함', '구비'한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 '…부', '모듈' 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 발명의 예시적인 실시형태를 설명하고자 하는 것이며, 본 발명이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다.
본 실시예는 설명가능 AI 기반 불량검출 장치 및 방법에 관한 내용을 개시한다. 보다 자세하게는, 제품에 대한 이미지를 기반으로 딥러닝(deep learning) 기반 분류모델(classification model)을 이용하여 제품의 양/불량(good/no good)을 판정함에 있어서, 설명 가능한 인공지능(eXplainable AI: XAI)을 이용하여 분류모델이 제공하는 양/불량에 대한 판단 근거를 제공하고, 판단 근거에 대한 유형집합(category set)을 생성하며, 유형집합을 이용하여 분류모델의 파라미터를 지속적으로 업데이트하는 불량검출 장치 및 방법을 제공한다.
이하의 본 개시에 대한 설명에서, 분류모델은 제1 분류모델과 동일한 딥러닝 기반 신경망(neural network)을 나타낸다. 한편, 제2 분류모델은 제1 분류모델과 동일한 구조를 갖는 신경망으로서, 제1 분류모델을 백업(backup)하기 위해 이용된다. 또한, 제1 분류모델의 파라미터를 업데이트하는 과정에서 제2 분류모델이 이용될 수 있다.
도 1은 본 개시의 일 실시예에 따른 불량검출 장치에 대한 개념적인 블록도이다.
본 실시예에 따른, 불량검출 장치(100)는 제품에 대한 이미지를 기반으로 딥러닝 기반 분류모델을 이용하여 제품의 양/불량을 판정한다. 또한, 불량검출 장치(100)는 설명 가능한 인공지능(eXplainable AI: XAI)을 이용하여 분류모델이 제공하는 양/불량에 대한 판단 근거를 제공하고, 판단 근거에 대한 유형집합을 생성하며, 유형집합을 이용하여 분류모델의 파라미터를 지속적으로 업데이트한다. 불량검출 장치(100)는 입력부(110), 제품검사부(120) 및 유형집합 생성부(130)의 전부 또는 일부를 포함한다. 여기서, 본 실시예에 따른 불량검출 장치(100)에 포함되는 구성요소가 반드시 이에 한정되는 것은 아니다. 예컨대, 불량검출 장치(100)는 분류모델의 프리트레이닝(pre-training) 및 트레이닝을 위한 트레이닝부(미도시)를 추가로 구비하거나, 외부의 트레이닝부와 연동되는 형태로 구현될 수 있다.
도 1의 도시는 본 실시예에 따른 예시적인 구성이며, 입력의 형태, XAI 기반의 판정근거의 형태, 분류모델의 구조, 유형집합 생성 방법 등에 따라 다른 구성요소 또는 구성요소 간의 다른 연결을 포함하는 다양한 구현이 가능하다.
입력부(110)는 머신비전(machine vision) 카메라로부터 제품의 이미지를 획득한다. 여기서, 이미지는 검사의 대상이 되는 제품을 촬영한 것이다. 예컨대, 대상 제품에 포함된 PCB(Printed Circuit Board)를 검사하는 경우, 이미지는 PCB를 촬영한 것이다. 대상 제품의 외관을 촬영하는 경우, 이미지는 제품의 외관을 촬영한 것일 수 있다. 또는, 대상 제품이 디스플레이를 포함하는 경우, 디스플레이되는 영상을 머신비전 카메라로 촬영한 것일 수 있다.
제품검사부(120)는 이미지를 기반으로 딥러닝 기반 분류모델(제1 분류모델)을 이용하여 제품의 양/불량에 대한 판정결과를 생성한다. 또한, 분류모델은 판정결과에 대한 XAI 기반의 판정근거를 생성한다. 판정근거는 직관적으로 인지하기 쉬운 시각적 결과물로 표현될 수 있는데, 제품검사부(120)는 입력으로 이용된 이미지 상에 히트맵(heat map) 형태로 판정근거를 제공할 수 있다.
분류모델(또한, 제2 분류모델)은, 도 2에 예시된 바와 같이, 인코더, XAI 및 전연결 레이어(fully-connected layer)를 포함한다. 여기서, 인코더는 제품에 대한 이미지로부터 특성 맵(feature map)을 추출하는 기능을 수행하며, 예컨대, 영상처리에 적합하다고 알려진 신경망인 CNN(Convolutional Neural Network)을 이용하여 구현될 수 있다. 이하, 인코더가 추출하여 최종적으로 출력하는 특성 맵을 잠재 벡터(latent vector)로 나타낸다.
전연결 레이어는 인코더의 출력인 잠재 벡터를 기반으로 제품의 양/불량에 대한 판정 결과를 생성한다.
한편, XAI는 잠재 벡터를 이용하여 판정결과에 대응되는 판정근거를 생성한다. XAI는 고정 파라미터를 갖는 알고리즘이다. 이러한 XAI 알고리즘으로는 응답 맵 기반의(response map based) CAM(Class Activation Mapping) 및 ABN(Attention Branch Network) 알고리즘, 특이 마스크 기반의(saliency mask based) GradCAM(Gradient-weighted CAM) 및 GradCAM++ 알고리즘 등이 이용될 수 있다.
본 실시예에 따른 트레이닝부는 학습을 위한 출현(seen) 데이터 및 대응되는 타겟 판정결과를 이용하여 제2 분류모델을 프리트레이닝시킨다. 여기서, 출현 데이터는 프리트레이닝을 위해 사전에 확보된 이미지를 나타낸다.
트레이닝부는 출현 데이터를 기반으로 제2 분류모델이 추론한 판정결과와 타겟 판정결과 간의 거리(distance)에 기반하여 손실함수(loss function)를 정의하고, 손실함수를 감소시키는 방향으로 제2 분류모델의 파라미터를 업데이트함으로써, 프리트레이닝을 수행한다. 여기서 거리는 L1 메트릭(metric), L2 메트릭 등, 두 비교 대상 간의 거리 차이를 표현할 수 있는 어느 것이든 이용될 수 있다.
한편, 프리트레이닝 과정에서, 트레이닝부는 제2 분류모델의 모든 구성요소(인코더 및 전연결 레이어)의 파라미터를 업데이트할 수 있다.
유형집합 생성부(130)는, 제2 분류모델에 대한 프리트레이닝이 종료된 후, 제2 분류모델이 출현 데이터로부터 생성한 판정근거인 히트맵을 분류하여, 양/불량 판정결과에 대해 복수의 유형(category)을 생성함으로써, 유형집합을 초기화한다. 판정근거를 유형화하기 위한 유형화 알고리즘으로는 k-평균법(k-means), kNN(k Nearest Neighbors), GMM(Gaussian Mixture Model) 등이 이용될 수 있다. 유형화 알고리즘은 판정근거 간의 유사도(similarity)를 기반으로 유사한 판정근거들을 그룹으로 묶음으로써 판정근거에 대한 유형화를 수행할 수 있다. 여기서, 유사도로는 유클리드(Euclid) 거리, 마할라노비스(Mahalanobis) 거리, 밀도함수 등이 이용될 수 있다.
유형집합은, 양품 판정결과에 대응되는 유형들의 집합과 불량 판정결과에 대응되는 유형들의 집합의 합집합으로 표현될 수 있다. 유형집합은 포함된 유형들 각각에 대한 대표 히트맵(또는 대표 벡터)을 포함한다. 대표 히트맵은, 판정근거의 유형화에 이용되는 유형화 알고리즘 및 유사도에 따라 다르게 생성될 수 있다.
제품검사부(120)는 프리트레이닝되거나 업데이트된 채로 저장되어 있는 제2 분류모델의 파라미터를 분류모델로 복사한 후, 분류모델을 이용하여 불량검출을 수행한다.
판정근거에 이상치(abnormal value)가 발생하는 경우, 제품검사부(120)는 해당되는 판정근거 및 판정결과를 유형집합 생성부(130) 측으로 전달한다. 여기서, 임의의 판정근거와 각 유형집합에 포함된 유형 각각에 대한 대표 히트맵 간의 유사도 차이가 모두 기설정된 기준값보다 큰 경우, 이러한 임의의 판정근거를 이상치로 나타낸다.
한편, 판정결과의 양/불량 여부와 무관하게 이상치가 발생할 수 있다.
유형집합 생성부(130)는, 판정근거에 이상치가 발생하는 경우, 이상치를 신규 판정근거로 분류함으로써 유형집합을 업데이트할 수 있다. 업데이트된 유형집합은, 다음 순서의 제품에 대한 추후 불량검사 과정에서 판정근거 중 이상치의 발생을 확인하기 위한 용도로 이용될 수 있다.
유형집합 생성부(130)는, 분류모델로 하여금 이상치 및 대응되는 판정결과를 생성하도록 하는 이미지를 미출현(unseen) 데이터로 분류한다. 또한 유형집합 생성부(130)는 이상치에 대응되는 판정결과를 트레이닝을 위한 타겟 판정결과에 포함시킴으로써 타겟 판정결과를 업데이트할 수 있다. 유형집합 생성부(130)는 미출현 데이터, 업데이트된 타겟 판정결과 등을 트레이닝부 측에 제공한다.
트레이닝부는 (i) 저장하고 있던 출현 데이터와 제2 분류모델, 및 (ii) 미출현 데이터와 업데이트된 타겟 판정결과를 이용하여 분류모델에 대한 트레이닝을 수행할 수 있다. 분류모델에 대한 트레이닝 과정은 추후 설명하기로 한다.
도 3은 본 개시의 일 실시예에 따른 불량검출 방법의 흐름도이다.
불량검출 장치(100)는 검사 대상인 제품에 대한 이미지를 획득한다(S300).
불량검출 장치(100)는 이미지를 기반으로 분류모델을 이용하여 제품의 양/불량에 대한 판정결과를 생성하고, 판정결과에 대해 XAI 기반의 판정근거를 제공한다(S302). 여기서, 분류모델은 프리트레이닝된 제2 분류모델의 파라미터를 복사하여 형성된다. 또는, 분류모델은 업데이트된 채로 저장되어 있는 제2 분류모델과 동일한 파라미터를 갖는다. 전술한 바와 같이, 불량검출 장치(100)의 트레이닝부는, 학습을 위한 출현(seen) 데이터 및 대응되는 타겟 판정결과를 기반으로 제2 분류모델에 대한 프리트레이닝을 수행할 수 있다.
불량검출 장치(100)는 유형집합을 이용하여 제품의 판정근거가 이상치인지의 여부를 판단한다(S304). 여기서, 임의의 판정근거와 유형집합에 포함된 유형 각각에 대한 대표 히트맵 간의 유사도 차이가 모두 기설정된 기준치보다 큰 경우, 이러한 임의의 판정근거를 이상치로 나타낸다.
판정근거가 이상치가 아닌 경우, 해당 제품에 대한 검사과정을 종료하고, 다음 순서의 제품에 대한 불량검사가 지속될 수 있다.
판정근거가 이상치인 경우, 불량검출 장치(100)는 분류모델에 대한 적응화 과정을 수행한다.
본 개시의 다른 실시예에 있어서, 이상치가 발생한 제품이 기설정된 개수 이상 누적된 경우, 분류모델에 대한 적응화 과정을 수행할 수 있다.
분류모델에 대한 적응화 과정(S306 및 S308)은 다음과 같다.
불량검출 장치(100)는 유형집합을 업데이트한다(S306). 불량검출 장치(100)는 이상치를 신규 판정근거로 분류함으로써 유형집합을 업데이트할 수 있다. 업데이트된 유형집합은, 다음 순서의 제품에 대한 추후 불량검사 과정에서 판정근거 중 이상치의 발생을 확인하기 위한 용도로 이용될 수 있다.
불량검출 장치(100)는, 분류모델로 하여금 이상치 및 대응되는 판정결과를 생성하도록 하는 이미지를 미출현 데이터로 분류한다. 또한, 불량검출 장치(100)는 이상치에 대응되는, 양/불량 판정결과를 트레이닝을 위한 타겟 판정결과에 포함시킴으로써 타겟 판정결과를 업데이트할 수 있다. 불량검출 장치(100)는 미출현 데이터, 업데이트된 타겟 판정결과 등을 트레이닝부 측에 제공한다.
이상에서 설명한 바와 같이 본 실시예에 따르면, 불량검출 장치(100)는, 이상치의 발생에 대해 신규 유형집합을 생성하는 대신 기존의 유형집합을 업데이트함으로써, 신규 데이터의 발생에 따른 불량검사 과정의 중단이 없이, 연속적으로 동작하는 것이 가능해지는 효과가 있다.
불량검출 장치(100)는 제2 분류모델 및 업데이트된 유형집합을 이용하여 분류모델을 트레이닝한다(S308).
분류모델에 대한 트레이닝 과정은 분류모델에 대한 잠재공간 매칭(S320) 및 정밀조정(S322)를 포함한다.
분류모델에 대한 정밀조정(fine-tuning)은 분류모델을 미출현 데이터에 적응시키는 과정이다. 미출현 데이터를 이용하는 정밀조정의 적용에 따라, 출현 데이터를 기반으로 분류모델의 인코더가 생성하는 잠재 벡터가 영향을 받을 수 있다. 잠재공간 매칭(latent space matching)은 이러한 영향을 감소시키기 위해 수행될 수 있다. 또한, 잠재 벡터에 대한 영향이 억제될 수 있다면, 전연결 레이어에 변동성을 줄 필요가 없다. 따라서, 분류모델에 대한 트레이닝 과정에서는, 분류모델 내 전연결 레이어는 고정된 채로, 인코더의 파라미터가 업데이트될 수 있다.
도 4는 본 개시의 일 실시예에 따른 분류모델에 대한 잠재공간 매칭 과정을 개념적으로 나타낸 예시도이다.
잠재공간 매칭 과정에서, 불량검출 장치(100)의 트레이닝부는, 출현 데이터(S0)에 대해, 분류모델과 제2 분류모델이 생성하는 잠재 벡터가 상호 일관성(consistency)을 갖도록 분류모델을 트레이닝한다. 트레이닝부는, 출현 데이터를 이용하여 분류모델이 생성하는 판정근거(z1)과 동일한 출현 데이터를 이용하여 제2 분류모델이 생성하는 판정근거(z2) 간의 차이에 기반하여, 손실함수 Lmatch(z1, z2)를 정의한다. 트레이닝부는 손실함수 Lmatch를 감소시키는 방향으로 분류모델 내 인코더의 파라미터를 업데이트할 수 있다. 전술한 바와 같이, 분류모델 내 전연결 레이어의 파라미터는 고정된 상태를 유지한다.
도 5는 본 개시의 일 실시예에 따른 분류모델에 대한 정밀조정 과정을 개념적으로 나타낸 예시도이다.
정밀조정 과정에서, 트레이닝부는, 미출현 데이터(S1)를 이용하여 분류모델이 생성하는 판정결과(y1)와 해당하는 타겟 판정결과(yt) 간의 차이에 기반하여, 손실함수 Lclass(y1, yt)를 정의한다. 트레이닝부는 손실함수 Lclass를 감소시키는 방향으로 분류모델 내 인코더의 파라미터를 업데이트할 수 있다. 전술한 바와 같이, 분류모델 내 전연결 레이어의 파라미터는 고정된 상태를 유지한다.
불량검출 장치(100)는, 분류모델의 성능이 기설정된 기준성능을 만족하는지에 대한 여부를 확인한다(S324). 여기서, 분류모델의 성능이 기설정된 기준성능을 만족한다는 것은, 예컨대, 손실함수 Lmatch가 기설정된 제1 기준값 이하로 감소하고, 손실함수 Lclass도 기설정된 제2 기준값 이하로 감소되는 것을 나타낸다.
분류모델의 성능이 기설정된 기준성능을 만족하지 않는 경우, 불량검출 장치(100)는 분류모델에 대한 트레이닝(S320 및 S322)을 반복하여 수행한다.
분류모델의 성능이 기설정된 기준성능을 만족하는 경우, 불량검출 장치(100)는 분류모델의 파라미터를 제2 분류모델 측으로 복사하고, 미출현 데이터를 출현 데이터에 포함시킨다(S310), 불량검출 장치(100)는 제2 분류모델을 저장하고, 출현 데이터를 업데이트함으로써, 분류모델에 대한 트레이닝을 종료한다.
본 실시예에 따른 불량검출 장치(100)가 탑재되는 디바이스(미도시)는 프로그램가능 컴퓨터일 수 있으며, 서버(미도시)와 연결이 가능한 적어도 한 개의 통신 인터페이스를 포함한다.
전술한 바와 같은 분류모델에 대한 트레이닝은, 불량검출 장치(100)가 탑재되는 디바이스의 컴퓨팅 파워를 이용하여 불량검출 장치(100)가 탑재되는 디바이스에서 진행될 수 있다. 또는, 분류모델에 대한 트레이닝은 서버에서 진행될 수 있다.
이상에서 설명한 바와 같이 본 실시예에 따르면, 설명 가능한 인공지능을 이용하여 딥러닝 기반 분류모델이 제공하는 양/불량에 대한 판단 근거를 제공하는 불량검출 장치 및 방법을 제공함으로써, 딥러닝 알고리즘의 활용 및 유지보수 측면에서, 환경 변화에 따른 불량 원인에 대한 실시간 적응, 및 새로운 유형의 불량에 대한 유연한 대처가 가능해지는 효과가 있다.
본 실시예에 따른 각 순서도에서는 각각의 과정을 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 순서도에 기재된 과정을 변경하여 실행하거나 하나 이상의 과정을 병렬적으로 실행하는 것이 적용 가능할 것이므로, 순서도는 시계열적인 순서로 한정되는 것은 아니다.
본 명세서에 설명되는 시스템들 및 기법들의 다양한 구현예들은, 디지털 전자 회로, 집적 회로, FPGA(field programmable gate array), ASIC(application specific integrated circuit), 컴퓨터 하드웨어, 펌웨어, 소프트웨어, 및/또는 이들의 조합으로 실현될 수 있다. 이러한 다양한 구현예들은 프로그래밍가능 시스템 상에서 실행가능한 하나 이상의 컴퓨터 프로그램들로 구현되는 것을 포함할 수 있다. 프로그래밍가능 시스템은, 저장 시스템, 적어도 하나의 입력 디바이스, 그리고 적어도 하나의 출력 디바이스로부터 데이터 및 명령들을 수신하고 이들에게 데이터 및 명령들을 전송하도록 결합되는 적어도 하나의 프로그래밍가능 프로세서(이것은 특수 목적 프로세서일 수 있거나 혹은 범용 프로세서일 수 있음)를 포함한다. 컴퓨터 프로그램들(이것은 또한 프로그램들, 소프트웨어, 소프트웨어 애플리케이션들 혹은 코드로서 알려져 있음)은 프로그래밍가능 프로세서에 대한 명령어들을 포함하며 "컴퓨터가 읽을 수 있는 기록매체"에 저장된다.
컴퓨터가 읽을 수 있는 기록매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 이러한 컴퓨터가 읽을 수 있는 기록매체는 ROM, CD-ROM, 자기 테이프, 플로피디스크, 메모리 카드, 하드 디스크, 광자기 디스크, 스토리지 디바이스 등의 비휘발성(non-volatile) 또는 비일시적인(non-transitory) 매체일 수 있다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 불량검출 장치
110: 입력부 120: 제품검사부
130: 유형집합 생성부
110: 입력부 120: 제품검사부
130: 유형집합 생성부
Claims (13)
- 컴퓨팅 장치가 수행하는 불량검출 방법에 있어서,
검사 대상인 제품에 대한 이미지를 획득하는 과정;
상기 이미지를 기반으로 딥러닝 기반의 제1 분류모델을 이용하여 상기 제품의 양/불량에 대한 판정결과를 생성하고, 상기 판정결과에 대한 판정근거를 제공하는 과정, 여기서, 상기 제1 분류모델은 프리트레이닝(pre-training)되거나 업데이트된 채로 저장되어 있는 제2 분류모델과 동일한 파라미터를 가짐; 및
상기 제품의 판정근거가 이상치로 판단된 경우, 상기 제1 분류모델에 대한 적응화(adaptation)를 수행하는 과정
을 포함하되,
상기 적응화를 수행하는 과정은,
상기 판정근거에 대한 유형(category)을 포함하는 유형집합을 업데이트하는 과정; 및
상기 제2 분류모델 및 업데이트된 유형집합을 이용하여 상기 제1 분류모델을 트레이닝하는 과정
을 포함하는 것을 특징으로 하는 불량검출 방법. - 제1항에 있어서,
트레이닝을 위한 출현(seen) 데이터 및 대응하는 타겟 판정결과를 이용하여 상기 제2 분류모델에 대한 프리트레이닝을 수행하고, 상기 출현 데이터를 이용하여 상기 제2 분류모델이 생성한 판정근거의 유형을 분류함으로써 상기 유형집합을 초기화하는 것을 특징으로 하는 불량검출 방법. - 제1항에 있어서,
상기 제품의 판정근거와 상기 유형집합에 포함된 유형 각각에 대한 대표값 간의 차이 모두가 기설정된 기준값보다 큰 경우, 상기 판정근거를 상기 이상치로 판단하는 것을 특징으로 하는 불량검출 방법. - 제2항에 있어서,
상기 유형집합을 업데이트하는 과정은,
상기 제1 분류모델로 하여금 상기 이상치 및 대응하는 판정결과를 생성하도록 하는 이미지를 미출현(unseen) 데이터로 분류하고, 상기 이상치에 대응하는 판정결과를 상기 타겟 판정결과에 포함시키는 것을 특징으로 하는 불량검출 방법. - 제4항에 있어서,
상기 제1 분류모델을 트레이닝하는 과정은,
상기 출현 데이터를 이용하는 잠재공간 매칭(latent space matching) 과정; 및
상기 미출현 데이터를 이용하는 정밀조정(fine-tuning) 과정
을 포함하되, 상기 제1 분류모델의 성능이 기설정된 기준성능을 만족할 때까지, 상기 제1 분류모델에 대해 상기 잠재 공간 매칭 과정, 및 상기 정밀조정 과정을 반복적으로 수행하는 것을 특징으로 하는 불량검출 방법. - 제5항에 있어서,
상기 잠재공간 매칭 과정은,
제1 손실함수(loss function)를 감소시키는 방향으로 상기 제1 분류모델의 파라미터를 업데이트시키되, 상기 제1 손실함수는, 상기 출현 데이터를 이용하여 상기 제1 분류모델이 생성하는 판정근거와 상기 출현 데이터를 이용하여 상기 제2 분류모델이 생성하는 판정근거 간의 차이에 기반하여 정의되는 것을 특징으로 하는 불량검출 방법. - 제5항에 있어서,
상기 정밀조정 과정은,
제2 손실함수를 감소시키는 방향으로 상기 제1 분류모델의 파라미터를 업데이트시키되, 상기 제2 손실함수는, 상기 미출현 데이터를 이용하여 상기 제1 분류모델이 생성하는 판정결과와 대응되는 타겟 판정결과 간의 차이에 기반하여 정의되는 것을 특징으로 하는 불량검출 방법. - 제5항에 있어서,
상기 제1 분류모델을 트레이닝하는 과정은,
상기 제1 분류모델의 성능이 상기 기설정된 기준성능을 만족한 후, 상기 제1 분류모델의 파라미터를 상기 제2 분류모델 측으로 복사하여 상기 제2 분류모델을 업데이트하고, 상기 미출현 데이터를 상기 출현 데이터에 포함시키는 것을 특징으로 하는 불량검출 방법. - 검사 대상인 제품에 대한 이미지를 획득하는 입력부;
상기 이미지를 기반으로 딥러닝 기반의 제1 분류모델을 이용하여 상기 제품의 양/불량에 대한 판정결과를 생성하고, 상기 판정결과에 대한 판정근거를 제공하는 제품검사부, 여기서, 상기 제1 분류모델은 프리트레이닝(pre-training)되거나 업데이트된 채로 저장되어 있는 제2 분류모델과 동일한 파라미터를 가짐; 및
상기 제품의 판정근거가 이상치로 판단된 경우, 상기 제1 분류모델에 대한 적응화(adaptation)를 수행하는 적응화부
를 포함하되,
상기 적응화부는,
상기 판정근거에 대한 유형(category)을 포함하는 유형집합을 업데이트하는 유형집합 생성부; 및
상기 제2 분류모델 및 업데이트된 유형집합을 이용하여 상기 제1 분류모델을 트레이닝하는 트레이닝부
를 포함하는 것을 특징으로 하는 불량검출 장치. - 제9항에 있어서,
상기 제1 분류모델 및 제2 분류모델 각각은,
인코더, 설명가능 AI(eXplainable Artificial Intelligence: XAI), 및 전연결 레이어를 포함하여, 상기 인코더는 상기 이미지로부터 잠재 벡터(latent vector)를 생성하고, 상기 XAI는 상기 잠재 벡터로부터 상기 판정근거를 생성하고, 상기 전연결 레이어는 상기 잠재 벡터로부터 상기 판정결과를 생성하는 것을 특징으로 하는 불량검출 장치. - 제9항에 있어서,
상기 트레이닝부는,
트레이닝을 위한 출현(seen) 데이터 및 대응하는 타겟 판정결과를 이용하여 상기 제2 분류모델에 대한 프리트레이닝을 수행하는 것을 특징으로 하는 불량검출 장치. - 제11항에 있어서,
상기 유형집합 생성부는,
상기 프리트레이닝을 위한 출현 데이터를 이용하여 상기 제2 분류모델이 생성한 판정근거의 유형을 분류함으로써, 상기 유형집합을 초기화하는 것을 특징으로 하는 불량검출 장치. - 제1항 내지 제8항 중 어느 한 항에 따른 불량검출 방법이 포함하는 각 단계를 실행시키기 위하여 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터프로그램.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210033928A KR102637170B1 (ko) | 2021-03-16 | 2021-03-16 | 설명가능 ai 기반 불량검출 장치 및 방법 |
| US17/352,017 US20220300805A1 (en) | 2021-03-16 | 2021-06-18 | Device and method for defect inspection based on explainable artificial intelligence |
| CN202110858120.5A CN115082374A (zh) | 2021-03-16 | 2021-07-28 | 操作用于缺陷检查的计算装置的方法及检查缺陷的系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210033928A KR102637170B1 (ko) | 2021-03-16 | 2021-03-16 | 설명가능 ai 기반 불량검출 장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220129265A true KR20220129265A (ko) | 2022-09-23 |
| KR102637170B1 KR102637170B1 (ko) | 2024-02-14 |
Family
ID=83246014
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210033928A KR102637170B1 (ko) | 2021-03-16 | 2021-03-16 | 설명가능 ai 기반 불량검출 장치 및 방법 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20220300805A1 (ko) |
| KR (1) | KR102637170B1 (ko) |
| CN (1) | CN115082374A (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240103084A (ko) | 2022-12-26 | 2024-07-04 | (주)제이에스 시스템 | Pcb 불량 검출 시스템 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117762113B (zh) * | 2024-02-22 | 2024-05-10 | 宁波数益工联科技有限公司 | 基于集成模型的自动监控迭代调参方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180005737A (ko) * | 2015-06-05 | 2018-01-16 | 케이엘에이-텐코 코포레이션 | 반복적 결함 분류 방법 및 시스템 |
| KR20200094640A (ko) * | 2019-01-30 | 2020-08-07 | 주식회사 스트라드비젼 | 연속 학습을 이용해 검출 가능한 클래스의 종류를 실시간으로 업데이트할 수 있는 객체 검출 시스템을 제공하는 방법 및 이를 이용한 장치 |
-
2021
- 2021-03-16 KR KR1020210033928A patent/KR102637170B1/ko active IP Right Grant
- 2021-06-18 US US17/352,017 patent/US20220300805A1/en active Pending
- 2021-07-28 CN CN202110858120.5A patent/CN115082374A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180005737A (ko) * | 2015-06-05 | 2018-01-16 | 케이엘에이-텐코 코포레이션 | 반복적 결함 분류 방법 및 시스템 |
| KR20200094640A (ko) * | 2019-01-30 | 2020-08-07 | 주식회사 스트라드비젼 | 연속 학습을 이용해 검출 가능한 클래스의 종류를 실시간으로 업데이트할 수 있는 객체 검출 시스템을 제공하는 방법 및 이를 이용한 장치 |
Non-Patent Citations (2)
| Title |
|---|
| K. H. Sun 등. "Vision-Based Fault Diagnostics Using Explainable Deep Learning With Class Activation Maps". IEEE Access. Vol. 8* * |
| Y. Chen 등. "Not Afraid of the Unseen: a Siamese Network based Scheme for Unknown Traffic Discovery". 2020 IEEE Symposium on Computers and Communications (ISCC)* * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240103084A (ko) | 2022-12-26 | 2024-07-04 | (주)제이에스 시스템 | Pcb 불량 검출 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115082374A (zh) | 2022-09-20 |
| KR102637170B1 (ko) | 2024-02-14 |
| US20220300805A1 (en) | 2022-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6831480B2 (ja) | テキスト検出分析方法、装置及びデバイス | |
| CN111353413B (zh) | 一种输电设备低漏报率缺陷识别方法 | |
| US11216932B1 (en) | Electronic substrate defect detection | |
| KR20220129265A (ko) | 설명가능 ai 기반 불량검출 장치 및 방법 | |
| KR20220085589A (ko) | 딥러닝 기반 제품 불량 검출방법 및 시스템 | |
| KR101935010B1 (ko) | 영상 기반 차량 번호판 인식 장치 및 방법 | |
| KR102246085B1 (ko) | 어노말리 디텍션 | |
| US20220130139A1 (en) | Image processing method and apparatus, electronic device and storage medium | |
| KR20220156769A (ko) | 생산 과정을 통하여 생산되는 제품을 분류하는 방법 및 시스템 | |
| CN111832410B (zh) | 一种基于视觉与激光雷达融合的前向列车检测方法 | |
| CN114331949A (zh) | 一种图像数据处理方法、计算机设备以及可读存储介质 | |
| JP2021189625A (ja) | 路上障害物検知装置、路上障害物検知方法、及び路上障害物検知プログラム | |
| KR102488789B1 (ko) | 인공지능 기반 단일 클래스 이상 탐지 모델을 이용한 예측 분류 방법, 장치 및 프로그램 | |
| CN113706523A (zh) | 基于人工智能技术的皮带跑偏及异常运行状态的监测方法 | |
| Okarma et al. | Color independent quality assessment of 3D printed surfaces based on image entropy | |
| JP7059889B2 (ja) | 学習装置、画像生成装置、学習方法、及び学習プログラム | |
| WO2024179409A1 (zh) | 三维工业异常检测方法、装置、存储介质及电子设备 | |
| CN110472640B (zh) | 一种目标检测模型预测框处理方法及装置 | |
| US11900589B2 (en) | Detection device of display panel and detection method thereof, electronic device and readable medium | |
| CN116994175A (zh) | 深度伪造视频的时空结合检测方法、装置及设备 | |
| CN114170271A (zh) | 一种具有自跟踪意识的多目标跟踪方法、设备及存储介质 | |
| JP2023018316A (ja) | 画像認識方法、画像認識装置、および画像認識プログラム | |
| KR20220101373A (ko) | 영상 기반 pcb 결함 검출 장치 및 방법 | |
| CN111598013A (zh) | 一种螺母-销钉状态的识别方法及相关装置 | |
| US20220253996A1 (en) | Method, apparatus, and device for labeling images |
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 |