KR20230010500A - Apparatus and method for predicting and providing surface roughness of product to be moulded, and apparatus and method for predicting and providing process condition, using artificial intelligence - Google Patents
Apparatus and method for predicting and providing surface roughness of product to be moulded, and apparatus and method for predicting and providing process condition, using artificial intelligence Download PDFInfo
- Publication number
- KR20230010500A KR20230010500A KR1020210091131A KR20210091131A KR20230010500A KR 20230010500 A KR20230010500 A KR 20230010500A KR 1020210091131 A KR1020210091131 A KR 1020210091131A KR 20210091131 A KR20210091131 A KR 20210091131A KR 20230010500 A KR20230010500 A KR 20230010500A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- surface roughness
- artificial intelligence
- modeling
- sculpture
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 83
- 230000003746 surface roughness Effects 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000008569 process Effects 0.000 title description 6
- 238000000465 moulding Methods 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 10
- 239000000843 powder Substances 0.000 claims description 8
- 238000013434 data augmentation Methods 0.000 claims description 7
- 238000010146 3D printing Methods 0.000 claims description 6
- 230000003190 augmentative effect Effects 0.000 claims description 6
- 238000000151 deposition Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 229910000883 Ti6Al4V Inorganic materials 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
- B29C64/30—Auxiliary operations or equipment
- B29C64/386—Data acquisition or data processing for additive manufacturing
- B29C64/393—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
- B29C64/10—Processes of additive manufacturing
- B29C64/188—Processes of additive manufacturing involving additional operations performed on the added layers, e.g. smoothing, grinding or thickness control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y50/00—Data acquisition or data processing for additive manufacturing
- B33Y50/02—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
Landscapes
- Engineering & Computer Science (AREA)
- Materials Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Mechanical Engineering (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
Description
본 발명은 인공 지능을 이용하여, 조형물의 표면 조도를 예측하여 제공하는 장치 및 방법, 및 조형 조건을 예측하여 제공하는 장치 및 방법에 관한 것이다.The present invention relates to a device and method for predicting and providing the surface roughness of a sculpture using artificial intelligence, and a device and method for predicting and providing molding conditions.
최근에는 3 차원(three-dimension) 프린팅에 대한 관심이 증가하고 있다. 예를 들어, 직접 에너지 적층 방식(Directed Energy Deposition)을 이용한 3차원 프린팅에 대한 관심이 증가하고 있다. 이는 직접 에너지 적층 방식이 고품질의 부품 수리와 대형 부품 제조에 용이하기 때문이다.Recently, interest in three-dimensional (three-dimension) printing is increasing. For example, interest in 3D printing using directed energy deposition is increasing. This is because the direct energy stacking method facilitates high-quality part repair and large-scale part manufacturing.
하지만, 직접 에너지 적층 방식을 이용하여 조형된 조형물은 표면 상태(표면 조도 또는 표면 거칠기(surface roughness))가 조형 조건(process condition)에 따라 달라질 수 있다. 예를 들어, 직접 에너지 적층 방식을 통해 조형된 조형물은 표면 상태가 고르지 못할 수 있다. 이에 조형물에 대한 후처리(예: 표면 가공)가 필요하여 시간, 인력, 및/또는 비용이 낭비될 수 있다.However, the surface state (surface roughness or surface roughness) of an object molded using the direct energy deposition method may vary depending on the process condition. For example, a sculpted object formed through the direct energy deposition method may have an uneven surface state. Accordingly, post-processing (eg, surface processing) of the sculpture may be required, which may waste time, manpower, and/or cost.
본 발명은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 본 발명은 입력된 조형 조건에 의해 조형될 조형물의 표면 조도를 예상(예측)하여 제공할 수 있는 인공 지능을 이용하여 조형물의 표면 조도를 예측하여 제공하는 장치 및 방법을 제공하는 것을 목적으로 한다.The present invention is to solve the above-mentioned problems of the prior art, the present invention is to predict (predict) the surface roughness of the object to be molded by the input molding conditions, and use artificial intelligence that can provide it to improve the surface roughness of the object Its purpose is to provide a device and method for predicting and providing.
또한, 본 발명은 기 조형된 조형물의 학습 데이터를 기반으로 인공 지능(artificial intelligence, AI) 모델을 학습시키고, 원하는 표면 조도를 가지는 조형물을 생성할 수 있는 최적의 조형 조건을 학습된 AI 모델을 통해 예측하여 제공할 수 있는 인공 지능을 이용하여 조형 조건을 예측하여 제공하는 장치 및 방법을 제공하는 것을 목적으로 한다In addition, the present invention learns an artificial intelligence (AI) model based on the learning data of a pre-shaped sculpture, and the optimal modeling conditions capable of generating a sculpture having a desired surface roughness are learned through the AI model. An object of the present invention is to provide a device and method for predicting and providing modeling conditions using artificial intelligence that can be predicted and provided.
이와 같은 목적을 달성하기 위한 본 발명의 일 실시예에 따른 인공 지능을 이용하여 조형물의 표면 조도를 예측하여 제공하는 장치는, 디스플레이; 상기 인공 지능을 이용하여 생성되고, 표면 조도 이미지와 조형 조건이 매칭된 매칭 정보를 저장하는 메모리; 조형물을 조형하기 위한 조형 조건을 입력하는 입력 모듈; 및 상기 매칭 정보에 기초하여, 상기 수신된 조형 조건에 의해 조형될 조형물의 예상 표면 조도 이미지를 상기 디스플레이를 통해 출력하는 프로세서를 포함할 수 있다.An apparatus for predicting and providing surface roughness of a sculpture using artificial intelligence according to an embodiment of the present invention for achieving the above object includes a display; a memory that is generated using the artificial intelligence and stores matching information in which a surface roughness image and a molding condition are matched; An input module for inputting molding conditions for modeling a sculpture; And based on the matching information, it may include a processor for outputting an expected surface roughness image of a sculpture to be shaped according to the received molding condition through the display.
본 발명의 일 실시예에 따른 인공 지능을 이용하여 조형물의 표면 조도를 예측하여 제공하는 방법은, 입력 모듈을 통해 조형물을 조형하기 위한 조형 조건을 수신하는 단계; 및 상기 인공 지능을 이용하여 생성되어 메모리에 저장되고, 표면 조도 이미지와 조형 조건이 매칭된 매칭 정보에 기초하여, 상기 수신된 조형 조건에 의해 조형될 조형물의 예상 표면 조도 이미지를 제공하는 단계를 포함할 수 있다.A method for predicting and providing surface roughness of a sculpture using artificial intelligence according to an embodiment of the present invention includes receiving molding conditions for modeling a sculpture through an input module; and providing an expected surface roughness image of a sculpture to be molded according to the received molding condition based on matching information generated using the artificial intelligence and stored in a memory and matching the surface roughness image and the molding condition. can do.
본 발명의 일 실시예에 따른 인공 지능을 이용하여 조형 장치의 조형 조건을 예측하여 제공하는 장치는, 학습된 인공 지능 모델을 저장하는 메모리; 및 원하는 표면 조도를 가지는 기준 이미지를 획득하고, 상기 획득된 기준 이미지를 전처리 하고, 상기 인공 지능 모델을 통해 상기 전처리된 기준 이미지를 분석하여 상기 기준 이미지에 대응하는 표면 조도를 가지는 조형물을 조형하기 위한 조형 조건을 예측하여 제공하는 프로세서를 포함할 수 있다.An apparatus for predicting and providing molding conditions of a molding apparatus using artificial intelligence according to an embodiment of the present invention includes a memory for storing a learned artificial intelligence model; And obtaining a reference image having a desired surface roughness, preprocessing the acquired reference image, and analyzing the preprocessed reference image through the artificial intelligence model to form a sculpture having a surface roughness corresponding to the reference image. It may include a processor that predicts and provides molding conditions.
본 발명의 일 실시예에 따른 인공 지능을 이용하여 조형 장치의 조형 조건을 예측하여 제공하는 방법은, 원하는 표면 조도를 가지는 기준 이미지를 획득하는 단계; 이미지 처리 모듈을 통해 상기 획득된 기준 이미지를 전처리 하는 단계; 및 인공 지능 모델을 통해 상기 전처리된 기준 이미지를 분석하여, 상기 기준 이미지에 대응하는 표면 조도를 가지는 조형물을 조형하기 위한 조형 조건을 예측하여 제공하는 단계를 포함할 수 있다.A method for predicting and providing molding conditions of a molding apparatus using artificial intelligence according to an embodiment of the present invention includes obtaining a reference image having a desired surface roughness; pre-processing the obtained reference image through an image processing module; and analyzing the preprocessed reference image through an artificial intelligence model to predict and provide modeling conditions for modeling a sculpture having a surface roughness corresponding to the reference image.
이상과 같은 본 발명은 입력된 조형 조건에 의해 조형될 조형물의 표면 조도를 미리 확인할 수 있어, 조형물 제작을 위한 시간, 비용, 및/또는 인력을 절감할 수 있는 효과를 제공할 수 있다.As described above, the present invention can check the surface roughness of a sculpture to be shaped in advance according to the input molding conditions, and can provide an effect of reducing time, cost, and / or manpower for manufacturing a sculpture.
또한, 본 발명은 원하는 표면 조도(surface roughness)를 가지는 조형물을 조형하기 위한 최적의 조형 조건을 용이하게 획득(예: AI가 추천)할 수 있어, 조형 장치(예: 3 차원 프린팅 장치)를 통해 조형물을 제작하는 시간, 비용, 및/또는 인력을 절감할 수 있는 효과를 제공할 수 있다.In addition, the present invention can easily obtain (e.g., recommended by AI) optimal modeling conditions for modeling a sculpture having a desired surface roughness, through a molding device (e.g., a 3D printing device). It is possible to provide an effect of reducing time, cost, and/or manpower for manufacturing a sculpture.
도 1은 본 발명의 일 실시 예에 따른 조형물을 조형하기 위한 시스템을 도시한 도면이다.
도 2는 도 1의 제어 장치의 구성을 도시한 블록도이다.
도 3은 본 발명의 일 실시 예에 따른 인공 지능의 학습 동작을 설명하기 위한 흐름도이다.
도 4는 본 발명의 일 실시 예에 따른 인공 지능의 학습을 위한 학습 데이터를 획득하는 방법을 설명하기 위한 예시도이다.
도 5는 본 발명의 일 실시 예에 따른 인공 지능을 이용하여 최적의 조형 조건을 추천하는 방법을 설명하기 위한 흐름도이다.
도 6은 본 발명의 일 실시예에 따른 인공 지능을 이용하여 최적의 조형 조건을 추천하는 방법을 설명하기 위한 예시도이다.
도 7은 본 발명의 일 실시 예에 따른 예상 표면 조도 이미지를 제공하는 방법을 설명하기 위한 도면이다.1 is a diagram showing a system for modeling a sculpture according to an embodiment of the present invention.
2 is a block diagram showing the configuration of the control device of FIG. 1;
3 is a flowchart illustrating a learning operation of artificial intelligence according to an embodiment of the present invention.
4 is an exemplary diagram for explaining a method of acquiring learning data for artificial intelligence learning according to an embodiment of the present invention.
5 is a flowchart illustrating a method of recommending optimal molding conditions using artificial intelligence according to an embodiment of the present invention.
6 is an exemplary diagram for explaining a method of recommending optimal modeling conditions using artificial intelligence according to an embodiment of the present invention.
7 is a diagram for explaining a method of providing an estimated surface roughness image according to an embodiment of the present invention.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 이하에서 동일한 참조 부호는 동일 구성 요소를 지칭한다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings. Advantages and features of the present invention, and methods of achieving them, will become clear with reference to the detailed description of the following embodiments taken in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but will be implemented in various different forms, only these embodiments make the disclosure of the present invention complete, and common knowledge in the art to which the present invention belongs. It is provided to fully inform the holder of the scope of the invention, and the present invention is only defined by the scope of the claims. In the following, like reference numerals designate like components.
비록 제1, 제2 등이 다양한 소자, 구성요소 및/또는 섹션들을 서술하기 위해서 사용되나, 이들 소자, 구성요소 및/또는 섹션들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 소자, 구성요소 또는 섹션들을 다른 소자, 구성요소 또는 섹션들과 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 소자, 제1 구성요소 또는 제1 섹션은 본 발명의 기술적 사상 내에서 제2 소자, 제2 구성요소 또는 제2 섹션일 수도 있음은 물론이다.Although first, second, etc. are used to describe various elements, components and/or sections, it is needless to say that these elements, components and/or sections are not limited by these terms. These terms are only used to distinguish one element, component or section from another element, component or section. Accordingly, it goes without saying that the first element, first element, or first section referred to below may also be a second element, second element, or second section within the spirit of the present invention.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "이루어지다(made of)"는 언급된 구성요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다. Terminology used herein is for describing the embodiments and is not intended to limit the present invention. In this specification, singular forms also include plural forms unless specifically stated otherwise in a phrase. As used in the specification, a referenced component, step, operation and/or element to "comprises" and/or "made of" refers to one or more other components, steps, operations and/or elements. Existence or additions are not excluded.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. Unless otherwise defined, all terms (including technical and scientific terms) used in this specification may be used in a meaning commonly understood by those of ordinary skill in the art to which the present invention belongs. In addition, terms defined in commonly used dictionaries are not interpreted ideally or excessively unless explicitly specifically defined.
이하, 첨부된 도면을 참조하여 본 발명의 구성에 대하여 상세히 설명한다.Hereinafter, the configuration of the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명의 일 실시 예에 따른 조형물을 조형하기 위한 시스템을 도시한 도면이다.1 is a diagram showing a system for modeling a sculpture according to an embodiment of the present invention.
도 1을 참조하면, 본 발명의 일 실시 예에 따른 시스템은 조형 장치(100) 및 제어 장치(200)를 포함할 수 있다.Referring to FIG. 1 , a system according to an embodiment of the present invention may include a
조형 장치(100)는 조형물을 조형할 수 있다. 예를 들어, 조형 장치(100)는 3 차원 프린팅 장치일 수 있다. 이하에서는, 조형 장치(100)가 직접 에너지 적층(directed energy deposition) 방식의 3차원 프린팅 장치인 것을 예로 하여 설명하기로 한다.The
조형 장치(100)는 설정된 조형 조건(process condition)에 따라 조형물을 조형할 수 있다. 상기 조형 조건은 레이저의 파워(세기), 분말 공급 속도 및 스캔 속도를 포함할 수 있다. 조형 장치(100)는 노즐을 설정된 속도로 지정된 패턴을 따라 이동시키며, 분말(예: Ti-6Al-4V 합금 파우더)을 설정된 분말 공급 속도로 방출하고, 설정된 파워의 레이저에 의해 방출된 분말들이 결합(예: 적층 방식으로 증착)되도록 할 수 있다.The
제어 장치(200)는 조형 장치(100)에 유선 또는 무선으로 연결되어 조형 장치(100)를 제어할 수 있다. 예를 들어, 제어 장치(200)는 조형 장치(100)에 유선 또는 무선으로 연결될 수 있는 데스크 탑 PC 또는 렙탑 PC일 수 있다. 다른 예로, 제어 장치(200)는 서버일 수 있다. 또 다른 예로, 제어 장치(200)는 조형 장치(100)에 포함될 수 있다.The
제어 장치(200)는 기제작된 조형물과 관련된 학습 데이터(학습 이미지 및 조형 조건을 포함)를 기반으로 훈련(training) 및 학습(learning)하고, 사용자가 원하는 표면 조도를 가지는 조형물을 조형하기 위한 최적의 조형 조건을 예측하여 제공하는 인공 지능(artificial intelligence, AI) 모델을 포함할 수 있다. 이에 대한 상세한 설명은 도 3 내지 도 6을 참조하여 후술하기로 한다.The
또한, 제어 장치(200)는 조형 조건이 입력되면, 입력된 조형 조건에 의해 조형될 조형물의 표면 조도를 예측하여 제공할 수 있다. 이에 대한 상세한 설명은 도 8을 참조하여 후술하기로 한다.Also, when molding conditions are input, the
도 2는 도 1의 제어 장치의 구성을 도시한 블록도이다.2 is a block diagram showing the configuration of the control device of FIG. 1;
도 2를 참조하면, 제어 장치(200)는 프로세서(210), 메모리(220), 디스플레이(230), 입력 모듈(240), 및 스캔 모듈(250)을 포함할 수 있다. 메모리(220)는 이미지 처리 모듈(221), 제1 AI 모델(223) 및 제2 AI 모델(225)을 포함할 수 있다.Referring to FIG. 2 , the
프로세서(210)는 메모리(220)로부터 명령(command) 또는 인스트럭션들(instructions)을 수신하고, 수신된 명령 또는 인스트럭션들에 따라 각 구성 요소들을 제어하여, 다양한 기능들을 수행할 수 있다. 본 발명에 따른 프로세서(210)는 AI 모델을 통해 원하는 표면 조도를 가지는 조형물을 조형할 수 있는 최적의 조형 조건을 제공하는 절차 및 조형 조건에 따라 조형될 조형물의 표면 조도를 예측하여 제공하는 절차를 제어할 수 있다. 각 절차를 제어하는 프로세서(210)에 대한 상세한 설명은 도 5 내지 7을 참조하여 후술하기로 한다.The
프로세서(210)는 중앙 처리 장치(central processing unit: CPU), 마이크로 컨트롤 유닛(micro control unit: MCU), 마이크로 프로세서 유닛(micro processor unit: MPU) 등으로 형성될 수 있다.The
메모리(220)는 프로세서(210)와 전기적으로 연결될 수 있고, 메모리(220)는 제어 장치(200)를 동작시키기 위한 다양한 프로그램들, 및 프로세서(210)를 동작시키기 위한 다양한 명령 및/또는 인스트럭션들을 저장할 수 있다. 메모리(220)는 내장 메모리 또는 외장 메모리 중 적어도 어느 하나를 포함할 수 있다. 상기 내장 메모리는 휘발성 메모리(예: DRAM, SRAM, 또는 SDRAM 등), 비휘발성 메모리(예: OTPROM(one time programmable ROM), PROM, EPROM, EEPROM, mask ROM, flash ROM, 플래시 메모리, 하드 드라이브, 또는 솔리드 스테이트 드라이브 (SSD) 중 적어도 하나를 포함할 수 있다. 상기 외장 메모리는 다양한 인터페이스를 통하여 제어 장치(200)와 연결될 수 있는 SD(secure digital), Micro-SD, Mini-SD, 또는 USB(universal serial bus) 메모리 등을 포함할 수 있다.The
메모리(220)는 이미지 처리 모듈(221), 제1 AI 모델(223), 및 제2 AI 모델(225)을 포함할 수 있다.The
이미지 처리 모듈(221)은 제1 AI 모델(223)의 학습을 위한 학습 이미지 및 조형 조건을 예측하기 위한 목표 이미지에 대한 이미지 처리를 지원할 수 있다. 또한, 이미지 처리 모듈(221)은 데이터 증대(data augmentation) 기능을 지원할 수 있다. 도 2에서는 이미지 처리 모듈(221)이 메모리(220)에 저장된 소프트웨어 모듈인 것으로 도시하였다. 하지만, 다른 예에 따르면, 이미지 처리 모듈(221)은 프로세서(210)에 포함되는 하드에어 모듈 또는 별도의 구성으로 제어 장치에 포함되는 하드웨어 모듈일 수 있다.The
제1 AI 모델(223)은 사용자가 원하는 표면 조도를 가지는 조형물을 조형하기 위한 최적의 조형 조건을 예측하여 제공할 수 있다. 이를 위하여, 제1 AI 모델(223)은 기제작된 조형물들과 관련된 학습 데이터를 기반으로 훈련(training) 및 학습(learning)을 수행할 수 있다. 학습 데이터는 조형물을 스캔한 스캔 이미지(이하, 학습 이미지) 및 해당 조형물을 조형한 조형 조건을 포함할 수 있다.The
제1 AI 모델(223)은 딥 합성곱 신경망(deep convolution neural network)일 수 있다. 하지만, 본 발명은 제1 AI 모델(223)이 딥 합성곱 신경망인 것으로 한정되지 않고, 알려진 다양한 인공 지능 기술이 이용될 수 있다.The
제2 AI 모델(225)은 지정된 기준 이미지(이하, 실제 이미지)와 유사한 가상의 이미지를 생성할 수 있다. 예를 들어, 제2 AI 모델(225)은 이미지 처리 모듈(221)에 의해 증대된 이미지들을 기준으로 가상의 표면 조도 이미지를 생성할 수 있다. 제2 AI 모델(225)은 GAN(generative adversarial networks) 또는 DCGAN(deep convolution generative adversarial networks)일 수 있다. 하지만, 본 발명은 제2 AI 모델(225)이 GAN 또는 DCGAN인 것으로 한정되지 않고, 알려진 다양한 인공 지능 기술이 이용될 수 있다.The
제2 AI 모델(225)에 의해 생성된 가상의 표면 조도 이미지들은 제1 AI 모델(223)에 입력되어 조형 조건이 예측될 수 있다. 예측된 조형 조건은 해당 가상 표면 조도 이미지와 매칭되어 저장(예: 매칭 정보로 저장)될 수 있다. 또는, 예측된 조형 조건은 해당 가상 표면 조도 이미지에 표기(labeled)될 수 있다.Virtual surface roughness images generated by the
디스플레이(230)는 입력 기능 및/또는 출력 기능을 제공할 수 있다. 예를 들어, 디스플레이(230)는 터치 패널 및/또는 표시 패널을 포함할 수 있다. 디스플레이(230)는 제1 AI 모델(223)에 의해 예측된 최적의 조형 조건을 표시할 수 있다. 또한, 디스플레이(230)는 입력된 조형 조건에 따라 조형될 조형물의 예상 표면 조도 이미지를 표시할 수 있다.The
입력 모듈(240)은 물리적인 버튼, 광학식 키, 키패드, 마우스, 또는 터치 패드 등을 포함할 수 있다. 입력 모듈(240)은 조형 조건을 입력하는 사용자 입력을 수신할 수 있다. 입력 모듈(240)이 터치 패널로 형성되는 경우 입력 모듈(240)은 디스플레이(230)와 일체형으로 형성될 수 있다.The
스캔 모듈(250)은 조형물을 스캔할 수 있다. 스캔 모듈(250)은 조형물을 스캔하여 표면 조도 이미지(이하, 스캔 이미지)를 생성할 수 있다. 스캔 이미지는 제1 AI 모델(223)의 학습을 위한 학습 데이터로 이용되거나, 제2 AI 모델(225)이 가사의 표면 조도 이미지를 생성하는 기준 이미지로 이용될 수 있다. 한편, 스캔 모듈(250)은 제어 장치(200)에 포함되지 않고, 조형 장치(100)에 포함되거나, 별도의 구성일 수 있다.The
도 3은 본 발명의 일 실시 예에 따른 인공 지능의 학습 동작을 설명하기 위한 흐름도이고, 도 4는 본 발명의 일 실시 예에 따른 인공 지능의 학습을 위한 학습 데이터를 획득하는 방법을 설명하기 위한 예시도이다.3 is a flowchart for explaining a learning operation of artificial intelligence according to an embodiment of the present invention, and FIG. 4 is a flowchart for explaining a method of acquiring learning data for learning of artificial intelligence according to an embodiment of the present invention. is an example
도 3 및 도 4를 참조하면, 본 발명의 일 실시 예에 따른 제어 장치(200)(예: 프로세서(210))는 학습 데이터를 획득할 수 있다(S301). 학습 데이터는 조형 장치(100)를 통해 기 조형된 조형물(410)을 2차원 또는 3차원으로 스캔한 학습 이미지(421, 423) 및 해당 조형물(410)을 조형한 조형 조건을 포함할 수 있다. 이하에서는, 2차원으로 스캔한 학습 이미지(421)을 이용하여 설명하기로 한다.Referring to FIGS. 3 and 4 , the control device 200 (eg, the processor 210) according to an embodiment of the present invention may obtain learning data (S301). The learning data may include learning
제어 장치(200)는 학습 이미지(421)를 전처리할 수 있다(S303). 예를 들어, 제어 장치(200)는, 도 4의 식별 부호 430에 도시된 바와 같이, 학습 이미지(421)의 여백을 잘라내고, 도 4의 식별 부호 440에 도시된 바와 같이, 지정된 크기(예: 128*128)로 리사이징(resizing)할 수 있다.The
제어 장치(200)는, 전처리된 학습 이미지를 증대(data augmentation)할 수 있다(S305). 예를 들어, 제어 장치(200)는, 도 4의 식별 부호 450에 도시된 바와 같이, 리사이징된 이미지를 지정된 각도(예: 90도, 180도, 207도)만큼 회전(451, 453, 455), 좌우 반전(457) 또는 상하 반전(459)하여 새로운 학습 이미지들을 생성할 수 있다. 한편, S305 단계는 과적합 발생을 방지하기 위한 것으로, 학습 데이터가 충분한 경우 생략될 수 있다. 도시하지는 않았지만, 제어 장치(200)는 학습 이미지의 RGB 값을 0과 1 사이의 값으로 조정하는 정규화(normalization)를 수행할 수 있다.The
제어 장치(200)는 학습 이미지를 이용하여 제1 AI 모델(223)의 학습을 수행할 수 있다(S307). 제1 AI 모델(223)은 딥 합성곱 신경망(deep convolution neural network)을 포함할 수 있다. 하지만, 본 발명은 제1 AI 모델(223)이 딥 합성곱 신경망인 것으로 한정되지 않고, 알려진 다양한 인공 지능 기술이 이용될 수 있다.The
도 5는 본 발명의 일 실시 예에 따른 인공 지능을 이용하여 최적의 조형 조건을 추천하는 방법을 설명하기 위한 흐름도이고, 도 6은 본 발명의 일 실시예에 따른 인공 지능을 이용하여 최적의 조형 조건을 추천하는 방법을 설명하기 위한 예시도이다.5 is a flowchart illustrating a method of recommending optimal modeling conditions using artificial intelligence according to an embodiment of the present invention, and FIG. 6 is an optimal modeling condition using artificial intelligence according to an embodiment of the present invention. It is an exemplary diagram for explaining a method of recommending a condition.
도 5 및 도 6을 참조하면, 제어 장치(200)는 기준 이미지(610)를 수신할 수 있다(S501). 기준 이미지(610)는 사용자가 원하는 표면 조도를 가지는 조형물을 스캔한 이미지일 수 있다.Referring to FIGS. 5 and 6 , the
제어 장치(200)는 기준 이미지(601)를 전처리할 수 있다(S503). 예를 들어, 제어 장치(200)는, 도 6의 603에 도시된 바와 같이, 용량 감소 및 효율 향상을 위하여 기준 이미지(610)를 리스케일(rescale)할 수 있다.The
제어 장치(200)는 전처리된 기준 이미지를 분석할 수 있다(S505). 예를 들어, 제어 장치(200)는, 도 6의 605에 도시된 바와 같이, 기준 이미지(610)에 대응하는 표면 조도를 가지는 조형물을 조형하기 위한 최적의 조형 조건을 예측하기 위해 AI 모델(예: 제1 AI 모델(223))을 통해 전처리된 기준 이미지를 분석할 수 있다. AI 모델은 식별 부호 605에 도시된 바와 같이, 딥 합성곱 신경망(DCNN)일 수 있다. 딥 합성곱 신경망은 1개의 입력 층과 출력 층, 및 4개의 은닉 층으로 구성될 수 있다. 은닉층의 활성화 함수는 Relu, 출력층의 활성화 함수는 sigmoid를 포함할 수 있다. 한편, 식별 부호 605의 딥 합성곱 신경망의 구조는 일 예일 뿐, 본 발명을 한정하지는 않는다.The
제어 장치(200)는 예측된 최적의 조형 조건을 제공할 수 있다(S507). 예를 들어, 제어 장치(200)는, 식별 부호 607에 도시된 바와 같이, 예측된 최적의 조형 조건을 디스플레이(230) 상에 출력할 수 있다.The
한편, 제어 장치(200)는 산출된 조형 조건을 자동 또는 수동(예: 사용자의 요청)으로 조형 장치(100)로 전송하여 조형 장치(100)가 해당 조형 조건에 따라 조형물을 조형하도록 할 수 있다.Meanwhile, the
한편, 기 학습된 제1 AI 모델을 통해 학습 이미지 셋(trained set)과 비학습 이미지 셋(test set)의 조형 조건을 예측하여 제1 AI 모델의 성능을 평가한 결과, 조형 조건을 예측한 예측 데이터(predicted data)와 실제 조형 조건을 나타내는 오리지널 데이터(original data)가 유사하였다. 상세하게는, 식별 부호 611에 도시된 평가 결과를 참조하면, 평가된 전체 학습 이미지에 대한 레이저 파워의 평균절대비율오차(mean absolute percentage error: MAPE)는 3.28 %이고, 분말 공급 속도의 평균절대비율오차는 5.11 %이고, 진행 속도의 평균절대비율오차는 1.89 %임을 알 수 있다. 또한, 식별 부호 613에 도시된 평가 결과를 참조하면, 평가된 전체 비학습 이미지에 대한 레이저 파워의 평균절대비율오차는 7.81 %이고, 분말 공급 속도의 평균절대비율오차는 11,77 %이고, 진행 속도의 평균절대비율오차는 4.30 %임을 알 수 있다. 이는 일 예일 뿐, 제1 AI 모델이 더 많은 수의 학습 이미지를 통해 학습하면, 더 정확한 예측이 가능할 것이다. 비학습 이미지에 대한 예측 결과 역시 더욱 정확해질 것이다.On the other hand, as a result of evaluating the performance of the first AI model by predicting the modeling conditions of the trained image set and the non-learning image set (test set) through the pre-learned first AI model, the prediction that predicted the modeling condition Predicted data and original data representing actual molding conditions were similar. In detail, referring to the evaluation result shown by
도 7은 본 발명의 일 실시 예에 따른 예상 표면 조도 이미지를 제공하는 방법을 설명하기 위한 도면이다.7 is a diagram for explaining a method of providing an estimated surface roughness image according to an embodiment of the present invention.
먼저, 본 발명의 일 실시 예에 따른 제어 장치는 가상의 이미지를 생성하는 제2 AI 모델을 더 포함할 수 있다.First, the control device according to an embodiment of the present invention may further include a second AI model generating a virtual image.
도 7을 참조하면, 본 발명의 일 실시 예에 따른 제어 장치는 조형물을 스캔하고, 스캔 이미지를 전처리(S701)할 수 있다. 제어 장치는 전처리된 이미지들을 회전 또는 반전하여 데이터 증대를 수행(S703)할 수 있다. 데이터 증대된 이미지들은 제2 AI 모델(720)로 입력될 수 있다. 제2 AI 모델(720)은 가짜 이미지를 생성하는 생성기(721) 및 생성된 가짜 이미지를 판별하는 판별기(722)를 포함할 수 있다.Referring to FIG. 7 , the control device according to an embodiment of the present invention may scan a sculpture and pre-process the scanned image (S701). The control device may perform data augmentation by rotating or inverting the preprocessed images (S703). Data augmented images may be input to the
제2 AI 모델(720)은 데이터 증대된 이미지들에 기초하여 가상 표면 조도 이미지들을 생성할 수 있다(S705). 생성된 가상 표면 조도 이미지들은 채도(saturation) 및 밝기(brightness)가 조절될 수 있다(S707).The
제2 AI 모델(720)에 의해 생성된 가상의 표면 조도 이미지들은 제1 AI 모델(710)로 입력되어, 조형 조건이 각각 예측될 수 있다(S709). 예측된 조형 조건은 가상의 표면 조도 이미지와 각각 매칭되어 저장될 수 있다. 이를 통해 본 발명의 제어 장치는 다양한 조형 조건과 표면 조도 이미지가 매칭된 매칭 정보(예: 데이터베이스 또는 매칭 테이블)를 확보(예: 메모리에 저장)할 수 있다.The virtual surface roughness images generated by the
상술한 본 발명의 일 실시 예에 따른 제어 장치(예: 제어 장치의 프로세서)는 입력 모듈을 통해 조형 조건이 입력되면, 매칭 정보를 이용하여 해당 조형 조건과 매치되는 표면 조도 이미지(예상 표면 조도 이미지)를 제공할 수 있다. 예를 들어, 제어 장치는 매칭 정보로부터 상기 입력된 조형 조건에 매칭된 표면 조도 이미지를 추출하고, 추출된 표면 조도 이미지를 디스플레이 상에 출력할 수 있다. 이를 통해, 사용자는 조형 장치를 통해 조형물을 조형하지 않더라도 조형될 조형물의 표면 조도를 미리 확인할 수 있다.When molding conditions are input through the input module, the control device (eg, the processor of the control device) according to an embodiment of the present invention described above uses matching information to match the surface roughness image (expected surface roughness image) with the molding condition. ) can be provided. For example, the control device may extract a surface roughness image matching the input modeling condition from matching information, and output the extracted surface roughness image on a display. Through this, the user can check the surface roughness of the object to be modeled in advance without modeling the object through the modeling device.
이상과 같이 본 발명의 도시된 실시 예를 참고하여 설명하고 있으나, 이는 예시적인 것들에 불과하며, 본 발명이 속하는 기술 분야의 통상의 지식을 가진 자라면 본 발명의 요지 및 범위에 벗어나지 않으면서도 다양한 변형, 변경 및 균등한 다양한 타 실시 예들이 가능하다는 것을 명백하게 알 수 있을 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 청구범위의 기술적인 사상에 의해 정해져야 할 것이다.Although the above has been described with reference to the illustrated embodiments of the present invention, these are only examples, and those skilled in the art to which the present invention belongs can variously It will be apparent that various other embodiments that are variations, modifications and equivalents are possible. Therefore, the true technical protection scope of the present invention should be determined by the technical spirit of the appended claims.
100: 조형 장치 200: 제어 장치
210: 프로세서 220: 메모리
221: 이미지 처리 모듈 222: 제1 AI 모델
223: 제2 AI 모델 230: 디스플레이
240: 입력 모듈 250: 스캔 모듈100: molding device 200: control device
210: processor 220: memory
221: image processing module 222: first AI model
223: second AI model 230: display
240: input module 250: scan module
Claims (13)
디스플레이;
상기 인공 지능을 이용하여 생성되고, 표면 조도 이미지와 조형 조건이 매칭된 매칭 정보를 저장하는 메모리;
조형물을 조형하기 위한 조형 조건을 입력하는 입력 모듈; 및
상기 매칭 정보에 기초하여, 상기 수신된 조형 조건에 의해 조형될 조형물의 예상 표면 조도 이미지를 상기 디스플레이를 통해 출력하는 프로세서를 포함하는 것을 특징으로 하는 장치.
In the apparatus for predicting and providing the surface roughness of a sculpture using artificial intelligence,
display;
a memory that is generated using the artificial intelligence and stores matching information in which a surface roughness image and a molding condition are matched;
An input module for inputting molding conditions for modeling a sculpture; and
Based on the matching information, the apparatus characterized in that it comprises a processor for outputting an expected surface roughness image of the object to be shaped by the received modeling condition through the display.
상기 프로세서는
적어도 하나의 학습 이미지를 전처리 하고,
상기 전처리된 학습 이미지를 회전 또는 플립하여 데이터 증대(data augmentation)를 수행하고,
제2 인공 지능 모델을 통해, 상기 증대된 학습 이미지들을 기초로, 가상의 표면 조도 이미지를 생성하고,
제1 인공 지능 모델을 통해, 상기 생성된 가상의 표면 조도 이미지를 분석하여 상기 생성된 가상의 표면 조도 이미지에 대응하는 조형물을 조형하기 위한 조형 조건을 예측하고, 및
상기 가상의 표면 조도 이미지와 상기 예측된 조형 조건을 매칭하여 상기 매칭 정보로 저장하는 것을 특징으로 하는 장치.
According to claim 1,
The processor
preprocessing at least one training image;
Rotate or flip the preprocessed training image to perform data augmentation,
Through a second artificial intelligence model, based on the augmented learning images, a virtual surface roughness image is generated,
Analyzing the generated virtual surface roughness image through a first artificial intelligence model to predict molding conditions for modeling a sculpture corresponding to the generated virtual surface roughness image, and
The apparatus characterized in that the virtual surface roughness image and the predicted modeling conditions are matched and stored as the matching information.
입력 모듈을 통해 조형물을 조형하기 위한 조형 조건을 수신하는 단계; 및
상기 인공 지능을 이용하여 생성되어 메모리에 저장되고, 표면 조도 이미지와 조형 조건이 매칭된 매칭 정보에 기초하여, 상기 수신된 조형 조건에 의해 조형될 조형물의 예상 표면 조도 이미지를 제공하는 단계를 포함하는 것을 특징으로 하는 방법.
In the method of predicting and providing the surface roughness of a sculpture using artificial intelligence,
Receiving modeling conditions for modeling a sculpture through an input module; and
Providing an expected surface roughness image of a sculpture to be shaped by the received molding condition based on matching information generated using the artificial intelligence and stored in a memory and matching the surface roughness image and the molding condition characterized by a method.
적어도 하나의 학습 이미지를 전처리 하는 단계;
상기 전처리된 학습 이미지를 회전 또는 플립하여 데이터 증대(data augmentation)를 수행하는 단계;
제2 인공 지능 모델을 통해, 상기 증대된 학습 이미지들을 기초로, 가상의 표면 조도 이미지를 생성하는 단계;
제1 인공 지능 모델을 통해, 상기 생성된 가상의 표면 조도 이미지를 분석하여 상기 생성된 가상의 표면 조도 이미지에 대응하는 조형물을 조형하기 위한 조형 조건을 예측하는 단계; 및
상기 가상의 표면 조도 이미지와 상기 예측된 조형 조건을 매칭하여 상기 매칭 정보로 저장하는 단계를 더 포함하는 것을 특징으로 하는 방법.
According to claim 3,
pre-processing at least one training image;
Rotating or flipping the preprocessed training image to perform data augmentation;
generating a virtual surface roughness image based on the augmented learning images through a second artificial intelligence model;
Predicting modeling conditions for modeling a sculpture corresponding to the generated virtual surface roughness image by analyzing the generated virtual surface roughness image through a first artificial intelligence model; and
The method further comprising the step of matching the virtual surface roughness image and the predicted modeling condition and storing the matching information.
학습된 인공 지능 모델을 저장하는 메모리; 및
원하는 표면 조도를 가지는 기준 이미지를 획득하고, 상기 획득된 기준 이미지를 전처리 하고, 상기 인공 지능 모델을 통해 상기 전처리된 기준 이미지를 분석하여 상기 기준 이미지에 대응하는 표면 조도를 가지는 조형물을 조형하기 위한 조형 조건을 예측하여 제공하는 프로세서를 포함하는 것을 특징으로 하는 장치.
A device for predicting and providing molding conditions of a molding device using artificial intelligence,
a memory to store the learned artificial intelligence model; and
Obtaining a reference image having a desired surface roughness, preprocessing the acquired reference image, and analyzing the preprocessed reference image through the artificial intelligence model to form a sculpture having a surface roughness corresponding to the reference image. A device comprising a processor that predicts and provides conditions.
상기 프로세서는
상기 기준 이미지를 리스케일(rescale)하여 상기 전처리를 수행하는 것을 특징으로 하는 장치.
According to claim 5,
The processor
and performing the preprocessing by rescaling the reference image.
상기 조형 조건을 출력하는 디스플레이를 더 포함하는 것을 특징으로 하는 장치.
According to claim 5,
The device further comprising a display outputting the molding conditions.
상기 인공 지능 모델은
딥 합성곱 신경망(deep convolution neural network)를 포함하는 것을 특징으로 하는 장치.
According to claim 5,
The artificial intelligence model is
An apparatus comprising a deep convolution neural network.
상기 프로세서는
조형 조건 및 학습 이미지를 포함하는 학습 데이터를 획득하고,
상기 학습 이미지를 지정된 방식으로 전처리 하고,
상기 전처리된 학습 이미지를 회전 또는 플립하여 데이터 증대(data augmentation)를 수행하고,
상기 데이터 증대된 학습 이미지를 통해 상기 인공 지능 모델의 학습을 수행하는 것을 특징으로 하는 장치.
According to claim 5,
The processor
Acquiring learning data including modeling conditions and learning images;
Pre-processing the training image in a designated manner,
Rotate or flip the preprocessed training image to perform data augmentation,
The device characterized in that for performing the learning of the artificial intelligence model through the data-augmented learning image.
상기 조형 장치는 직접 에너지 적층(directed energy deposition) 방식의 3차원 프린팅 장치이고,
상기 조형 조건은 상기 3차원 프린팅 장치의 레이저 파워, 분말 공급 속도 및 스캔 속도를 포함하는 것을 특징으로 하는 장치.
According to claim 5,
The molding device is a 3D printing device of a directed energy deposition method,
The molding conditions include laser power, powder supply speed, and scan speed of the three-dimensional printing device.
원하는 표면 조도를 가지는 기준 이미지를 획득하는 단계;
이미지 처리 모듈을 통해 상기 획득된 기준 이미지를 전처리 하는 단계; 및
인공 지능 모델을 통해 상기 전처리된 기준 이미지를 분석하여, 상기 기준 이미지에 대응하는 표면 조도를 가지는 조형물을 조형하기 위한 조형 조건을 예측하여 제공하는 단계를 포함하는 것을 특징으로 하는 방법.
A method for predicting and providing molding conditions of a molding apparatus using artificial intelligence,
obtaining a reference image having a desired surface roughness;
pre-processing the obtained reference image through an image processing module; and
Analyzing the preprocessed reference image through an artificial intelligence model, predicting and providing modeling conditions for modeling a sculpture having a surface roughness corresponding to the reference image.
상기 획득된 기준 이미지를 전처리 하는 단계는
상기 기준 이미지를 지정된 크기로 리스케일하는 단계를 포함하는 것으로 특징으로 하는 방법.
According to claim 11,
The step of pre-processing the obtained reference image
and rescaling the reference image to a specified size.
조형 조건 및 학습 이미지를 포함하는 학습 데이터를 획득하는 단계;
상기 학습 이미지를 전처리 하는 단계;
상기 전처리된 학습 이미지를 회전 또는 플립하여 데이터 증대(data augmentation)를 수행하는 단계; 및
상기 데이터 증대된 학습 이미지들을 통해 상기 인공 지능 모델의 학습을 수행하는 단계를 더 포함하는 것을 특징으로 하는 방법.According to claim 11,
Acquiring learning data including modeling conditions and learning images;
pre-processing the training image;
Rotating or flipping the preprocessed training image to perform data augmentation; and
The method further comprising the step of performing learning of the artificial intelligence model through the data augmented training images.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210091131A KR102520759B1 (en) | 2021-07-12 | 2021-07-12 | Apparatus and method for predicting and providing surface roughness of product to be moulded, and apparatus and method for predicting and providing process condition, using artificial intelligence |
PCT/KR2022/009213 WO2023287066A1 (en) | 2021-07-12 | 2022-06-28 | Apparatus and method for predicting and providing surface roughness of product to be molded by using artificial intelligence, and apparatus and method for predicting and providing molding conditions by using artificial intelligence |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210091131A KR102520759B1 (en) | 2021-07-12 | 2021-07-12 | Apparatus and method for predicting and providing surface roughness of product to be moulded, and apparatus and method for predicting and providing process condition, using artificial intelligence |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20230010500A true KR20230010500A (en) | 2023-01-19 |
KR102520759B1 KR102520759B1 (en) | 2023-04-13 |
Family
ID=84919522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210091131A KR102520759B1 (en) | 2021-07-12 | 2021-07-12 | Apparatus and method for predicting and providing surface roughness of product to be moulded, and apparatus and method for predicting and providing process condition, using artificial intelligence |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR102520759B1 (en) |
WO (1) | WO2023287066A1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102572304B1 (en) * | 2023-03-09 | 2023-08-28 | 박종영 | Method and apparatus for providing real-time welding inspection and defect prevention service based on artificial intelligence algorithm |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190143192A (en) * | 2018-06-20 | 2019-12-30 | 에임시스템 주식회사 | Automated defect classification method based on machine learning |
JP2020015944A (en) * | 2018-07-25 | 2020-01-30 | 株式会社ジェイテクト | Learning model generator for addition manufacturing, manufacturing condition determination device of molded article by addition manufacturing, and state estimation device of molded article by addition manufacturing |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11491729B2 (en) * | 2018-05-02 | 2022-11-08 | Carnegie Mellon University | Non-dimensionalization of variables to enhance machine learning in additive manufacturing processes |
US11009863B2 (en) * | 2018-06-14 | 2021-05-18 | Honeywell International Inc. | System and method for additive manufacturing process monitoring |
CN111151751B (en) * | 2020-01-02 | 2022-03-22 | 汕头大学 | Three laser beam intelligence increase and decrease material combined manufacturing system |
-
2021
- 2021-07-12 KR KR1020210091131A patent/KR102520759B1/en active IP Right Grant
-
2022
- 2022-06-28 WO PCT/KR2022/009213 patent/WO2023287066A1/en active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190143192A (en) * | 2018-06-20 | 2019-12-30 | 에임시스템 주식회사 | Automated defect classification method based on machine learning |
JP2020015944A (en) * | 2018-07-25 | 2020-01-30 | 株式会社ジェイテクト | Learning model generator for addition manufacturing, manufacturing condition determination device of molded article by addition manufacturing, and state estimation device of molded article by addition manufacturing |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102572304B1 (en) * | 2023-03-09 | 2023-08-28 | 박종영 | Method and apparatus for providing real-time welding inspection and defect prevention service based on artificial intelligence algorithm |
Also Published As
Publication number | Publication date |
---|---|
WO2023287066A1 (en) | 2023-01-19 |
KR102520759B1 (en) | 2023-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109325437B (en) | Image processing method, device and system | |
RU2770752C1 (en) | Method and device for training a face recognition model and a device for determining the key point of the face | |
US11861936B2 (en) | Face reenactment | |
US20210089760A1 (en) | Facial expression image processing method and apparatus | |
EP2608108A1 (en) | Face feature vector construction | |
US20230044644A1 (en) | Large-scale generation of photorealistic 3d models | |
US11087517B2 (en) | Sketch-based abstraction for character posing and synthesis | |
US20220114289A1 (en) | Computer architecture for generating digital asset representing footwear | |
KR102520759B1 (en) | Apparatus and method for predicting and providing surface roughness of product to be moulded, and apparatus and method for predicting and providing process condition, using artificial intelligence | |
Duong et al. | Learning from longitudinal face demonstration—where tractable deep modeling meets inverse reinforcement learning | |
CN110210204A (en) | Verification code generation method and device, storage medium and electronic equipment | |
CN116580156A (en) | Text generation 3D printing model method based on big data deep learning | |
Xu et al. | A high resolution grammatical model for face representation and sketching | |
US12008706B2 (en) | Method and device for generating image data for machine learning | |
US20240012955A1 (en) | Generative network-based floor plan generation | |
CN117133277A (en) | Virtual character expression control method and system for man-machine interaction | |
CN110458237B (en) | Semantic recognition method and device, electronic equipment and storage medium | |
GB2597111A (en) | Computer vision method and system | |
WO2021203076A1 (en) | Method for understanding and synthesizing differentiable scenes from input images | |
KR20170082412A (en) | Apparatus and method for generating customized object vision system | |
KR102526189B1 (en) | Apparatus and method for modeling three dimensional image | |
Perfler et al. | Concepts for the evaluation of a parametric pinna model | |
US20240177414A1 (en) | 3d generation of diverse categories and scenes | |
US20230360327A1 (en) | Generating three-dimensional representations for digital objects utilizing mesh-based thin volumes | |
Chungnoy et al. | Bee-inspired knowledge transfer: synthesizing data for enhanced deep learning explainability |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right |