KR20230045239A - 인공지능을 이용한 양품 선별 학습모델 생성 방법 - Google Patents

인공지능을 이용한 양품 선별 학습모델 생성 방법 Download PDF

Info

Publication number
KR20230045239A
KR20230045239A KR1020210127838A KR20210127838A KR20230045239A KR 20230045239 A KR20230045239 A KR 20230045239A KR 1020210127838 A KR1020210127838 A KR 1020210127838A KR 20210127838 A KR20210127838 A KR 20210127838A KR 20230045239 A KR20230045239 A KR 20230045239A
Authority
KR
South Korea
Prior art keywords
storage unit
image storage
image
good
similar
Prior art date
Application number
KR1020210127838A
Other languages
English (en)
Inventor
오상민
유상혁
이진호
Original Assignee
주식회사 크레셈
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 크레셈 filed Critical 주식회사 크레셈
Priority to KR1020210127838A priority Critical patent/KR20230045239A/ko
Publication of KR20230045239A publication Critical patent/KR20230045239A/ko

Links

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
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

본 발명은 촬영이미지를 학습데이터로 이용하여 양품 선별을 위한 학습모델을 생성하는 기술에 관한 것으로, 특히 서로 다른 작업자의 판단기준에 따라 기준 이상의 유사도를 갖는 촬영이미지가 양품과 불량품으로 각각 분류됨으로 인해 이를 이용하여 생성된 학습모델의 양품 선별 정확도가 저하되는 것을 방지하는 기술에 관한 것이다.
본 발명에 따른 인공지능을 이용한 양품 선별 학습모델 생성 방법은, 다수의 작업자 단말에서 촬영이미지에 대한 작업자의 양품 또는 불량품 결정에 따라 해당 촬영이미지를 양품이미지 저장부 또는 불량품이미지 저장부에 선택적으로 저장하는 제11 단계와, 유사이미지 제거부에서 양품이미지 저장부에 저장된 촬영이미지와 불량품이미지 저장부에 저장된 촬영이미지를 비교하여 일치율이 기준 비율 이상인 유사이미지를 검색하는 제12 단계, 유사이미지 제거부에서 양품이미지 저장부와 불량품이미지 저장부에 저장된 유사이미지를 삭제하는 제13 단계 및, 학습모델 생성부에서 양품이미지 저장부 또는 불량품이미지 저장부에 저장된 촬영이미지를 학습데이터로 이용하여 양품 선별을 위한 학습모델을 생성하는 제14 단계를 포함하여 구성되는 것을 특징으로 한다.

Description

인공지능을 이용한 양품 선별 학습모델 생성 방법 {Method for generating learning model to select good products using Artificial Intelligence}
본 발명은 촬영이미지를 학습데이터로 이용하여 양품 선별을 위한 학습모델을 생성하는 기술에 관한 것으로, 특히 서로 다른 작업자의 판단기준에 따라 기준 이상의 유사도를 갖는 촬영이미지가 양품과 불량품으로 각각 분류됨으로 인해 이를 이용하여 생성된 학습모델의 양품 선별 정확도가 저하되는 것을 방지하는 기술에 관한 것이다.
최근 인쇄회로기판(PCB, Printed Circuit Board)과 부품, 반도체 소자, SMT, 바이오 등의 각종 분야에서 해당 검사대상 물품의 불량 여부를 검사하는 방법이 광범위하게 실시되고 있다.
예컨대, 반도체 기술 발달에 따라 반도체 배선 폭이 나노(Nano) 단위까지 감소되고 있어 반도체를 안착시키는 인쇄회로기판의 배선 폭은 더욱 감소하게 되었으며, 반도체의 다양한 기능 확대로 인하여 반도체 핀의 수는 증가하게 되면서 이러한 반도체 PCB에 대하여 정상/불량을 명확하게 검사하는 것이 반도체가 포함된 전체 시스템의 신뢰성 향상을 위하여 매우 중요하게 되었다.
이러한 불량 검사 중 하나인 비전검사(Vision inspection)는 검사대상 물품의 외관 상태를 검사하기 위해 주로 사용되는데, 이러한 비전검사 방식은 검사대상 물품을 카메라를 통해 촬영하고, 촬영된 영상을 학습모델에 입력하여 해당 검사대상 물품을 양품과 불량품으로 분류하게 된다.
이때, 학습모델은 미리 오류가 없는 양품이미지들과 오류가 존재하는 불량품이미지들을 학습데이터로 이용하여 생성되고, 입력되는 촬영 이미지가 양품이미지인지 또는 불량품이미지인지의 결과를 출력하게 된다.
이러한 학습모델 생성을 위해서는 학습모델의 기반이 되는 학습데이터 즉, 양품이미지와 불량품이미지를 선별하는 작업이 수행되는데, 이미지 선별작업은 일반적으로 작업자에 의해 수동적으로 이루어진다.
그러나, 양불 결정기준이 정해져 있다 하더라도, 작업자마다 그 정도에 따른 양불 판단기준이 다를 수 있기 때문에, 동일하거나 일치율이 일정 이상인 촬영 이미지가 양품이미지와 불량품이미지로 각각 분류될 수 있다.
이와 같이 일정 이상의 일치율을 갖는 촬영이미지가 양품이미지와 불량품이미지로 분류되고, 이와 같이 분류된 촬영 이미지들을 그대로 학습데이터로 이용하여 학습모델을 생성하는 경우, 학습모델에 의해 결정되는 양품 판별 정확도가 저하되는 문제가 있다.
1. 한국등록특허 제10-2171491호 (명칭 : 딥러닝을 이용한 양품 선별 방법) 2. 한국공개특허 제10-2021-0038143호 (명칭 : 인공지능(AI) 기반 대상물 검사 시스템 및 방법)
이에, 본 발명은 상기한 사정을 감안하여 창출된 것으로, 작업자에 의해 일정 비율 이상 유사한 촬영이미지가 양품 촬영이미지와 불량품 촬영이미지로 각각 분류된 경우, 해당 촬영이미지를 삭제한 후 학습모델을 생성함으로써, 학습모델의 양품 선별 정확도가 저하되는 것을 방지할 수 있도록 해 주는 인공지능을 이용한 양품 선별 학습모델 생성 방법을 제공함에 그 기술적 목적이 있다.
상기 목적을 달성하기 위한 본 발명의 일측면에 따르면, 다수의 작업자 단말에서 촬영이미지에 대한 작업자의 양품 또는 불량품 결정에 따라 해당 촬영이미지를 양품이미지 저장부 또는 불량품이미지 저장부에 선택적으로 저장하는 제11 단계와, 유사이미지 제거부에서 양품이미지 저장부에 저장된 촬영이미지와 불량품이미지 저장부에 저장된 촬영이미지를 비교하여 일치율이 기준 비율 이상인 유사이미지를 검색하는 제12 단계, 유사이미지 제거부에서 양품이미지 저장부와 불량품이미지 저장부에 저장된 유사이미지를 삭제하는 제13 단계 및, 학습모델 생성부에서 양품이미지 저장부 또는 불량품이미지 저장부에 저장된 촬영이미지를 학습데이터로 이용하여 양품 선별을 위한 학습모델을 생성하는 제14 단계를 포함하여 구성되는 것을 특징으로 하는 인공지능을 이용한 양품 선별 학습모델 생성 방법이 제공된다.
또한, 상기 목적을 달성하기 위한 본 발명의 또 다른 일측면에 따르면, 다수의 작업자 단말에서 촬영이미지에 대한 작업자의 양품 또는 불량품 결정에 따라 해당 촬영이미지를 양품이미지 저장부 또는 불량품이미지 저장부에 선택적으로 저장하는 제21 단계와, 유사이미지 제거부에서 양품이미지 저장부에 저장된 촬영이미지와 불량품이미지 저장부에 저장된 촬영이미지를 비교하여 일치율이 기준 비율 이상인 유사이미지를 검색하는 제22 단계, 유사이미지 제거부에서 양품이미지 저장부와 불량품이미지 저장부에 저장된 유사이미지를 관리자 단말로 전송하는 제23 단계, 유사이미지 제거부에서 관리자 단말로부터 수신되는 유사이미지 상태 결정정보를 근거로 양품이미지 저장부에 저장된 해당 유사이미지를 삭제하거나 또는 불량품이미지 저장부에 저장된 해당 유사이미지를 삭제하는 제24 단계 및, 학습모델 생성부에서 양품이미지 저장부 또는 불량품이미지 저장부에 저장된 촬영이미지를 학습데이터로 이용하여 양품 선별을 위한 학습모델을 생성하는 제25 단계를 포함하여 구성되는 것을 특징으로 하는 인공지능을 이용한 양품 선별 학습모델 생성 방법이 제공된다.
또한, 상기 목적을 달성하기 위한 본 발명의 또 다른 일측면에 따르면, 다수의 작업자 단말에서 촬영이미지에 대해 작업자에 의한 양품 또는 불량품 결정에 따라 해당 촬영이미지와 작업자 코드를 포함하는 학습정보를 양품이미지 저장부 또는 불량품이미지 저장부에 선택적으로 저장하는 제31 단계와, 유사이미지 제거부에서 양품이미지 저장부에 저장된 촬영이미지와 불량품이미지 저장부에 저장된 촬영이미지를 비교하여 일치율이 기준 비율 이상인 유사이미지를 검색하는 제32 단계, 유사이미지 제거부에서 양품이미지 저장부와 불량품이미지 저장부에 저장된 유사이미지 중 기 등록된 결정우선순위가 낮은 작업자 코드의 유사이미지를 삭제하는 제33 단계 및, 학습모델 생성부에서 양품이미지 저장부 또는 불량품이미지 저장부에 저장된 촬영이미지를 학습데이터로 이용하여 양품 선별을 위한 학습모델을 생성하는 제34 단계를 포함하여 구성되는 것을 특징으로 하는 인공지능을 이용한 양품 선별 학습모델 생성 방법이 제공된다.
이때, 작업자 단말은 촬영이미지와 해당 촬영이미지의 이미지 코드를 포함하는 학습정보를 양품이미지 저장부 또는 불량품이미지 저장부에 선택적으로 저장하고, 상기 유사이미지 제거부는 양품이미지 저장부와 불량품이미지 저장부에 동일 이미지코드로 저장된 촬영이미지를 유사이미지로 검색할 수 있다.
본 발명에 의하면, 서로 다른 작업자의 판단기준에 따라 일정 이상의 유사도를 갖는 촬영이미지가 양품과 불량품으로 각각 분류되더라도, 학습모델의 학습데이터로 이용하기 전에 해당 촬영이미지를 미리 삭제한 후 학습모델을 생성함으로써, 학습모델의 양품 선별 정확도가 저하되는 것을 방지할 수 있다.
도1은 본 발명이 적용되는 따른 인공지능을 이용한 양품 선별 학습모델 생성 장치의 개략적인 구성을 도시한 도면.
도2는 본 발명의 제1 실시예에 따른 인공지능을 이용한 양품 선별 학습모델 생성 방법을 설명하기 위한 도면.
도3은 본 발명의 제2 실시예에 따른 인공지능을 이용한 양품 선별 학습모델 생성 방법을 설명하기 위한 도면.
이하에서는 첨부된 도면을 참조하여 본 발명을 보다 상세하게 설명한다. 도면 중 동일한 구성 요소들은 가능한 한 어느 곳에서든지 동일한 부호로 나타내고 있음을 유의해야 한다. 한편, 이에 앞서 본 명세서 및 특허청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
도1은 본 발명이 적용되는 따른 인공지능을 이용한 양품 선별 학습모델 생성 장치의 개략적인 구성을 도시한 도면이다.
도1을 참조하면, 본 발명이 적용되는 인공지능을 이용한 양품 선별 학습모델 생성 장치는, 다수의 작업자 단말(100)과, 양품이미지 저장부(200), 불량품이미지 저장부(300), 유사이미지 제거부(400) 및, 학습모델 생성부(500)를 포함하고, 관리자 단말(600)을 더 포함하여 구성된다.
작업자 단말(100)은 검사대상품의 촬영이미지를 표시출력하고, 작업자의 양품 또는 불량품의 선택정보를 근거로 해당 촬영이미지를 양품이미지 저장부(200) 또는 불량품이미지 저장부(300) 중 하나의 이미지 저장부에 저장한다.
이때, 작업자 단말(100)은 미리 검사대상품에 대한 촬영이미지를 수집하여 저장하고, 작업자의 요청에 따라 기 저장된 촬영이미지를 표시 출력하며, 현재 표시출력되는 촬영이미지에 대해 작업자에 의해 입력되는 양품 또는 불량품 결정정보를 근거로 해당 촬영이미지를 포함하는 학습정보를 양품이미지 저장부(200) 또는 불량품이미지 저장부(300)에 저장한다.
작업자 단말(100)은 촬영이미지와 이미지코드로 이루어지는 학습 정보 또는 촬영이미지와 작업자코드를 포함하는 학습정보 또는 촬영이미지와 이미지코드 및 작업자코드를 포함하는 학습정보를 양품이미지 저장부(200) 또는 불량품이미지 저장부(300)에 저장할 수 있다.
양품이미지 저장부(200)는 작업자 단말(100)로부터 양품으로 판정된 양품 학습정보를 저장한다.
불량품이미지 저장부(300)는 작업자 단말(100)로부터 불량품으로 판정된 불량퓸 학습정보를 저장한다.
유사이미지 제거부(400)는 양품이미지 저장부(200)에 저장된 양품 촬영이미지와 불량품이미지 저장부(300)에 저장된 불량품 촬영이미지를 비교하여, 일치율이 기준 이상인 유사이미지를 검색하며, 양품이미지 저장부(200)와 불량품이미지 저장부(300) 모두에서 해당 유사이미지를 제거한다.
또한, 유사이미지 제거부(400)는 양품이미지 저장부(200) 또는 불량품이미지 저장부(300) 중 하나의 이미지 저장부(200)에 저장된 유사이미지를 선택적으로 제거할 수 있다.
학습모델 생성부(500)는 유사이미지가 제거된 촬영이미지를 학습 데이터로 이용하여 양품 선별을 위한 학습모델을 생성한다.
즉, 학습모델 생성부(500)는 양품 촬영이미지를 학습데이터로 이용하여 양품 여부의 결과를 출력하는 학습모델을 생성하거나, 불량품 촬영이미지를 학습데이터로 이용하여 불량품 여부의 결과를 출력하는 학습모델을 생성할 수 있다.
관리자 단말(600)은 관리자의 결정에 따라 학습모델 생성부(500)로부터 수신되는 유사이미지에 대한 양품 또는 불량품의 상태결정정보를 유사이미지 제거부(400)로 전송한다.
도2는 본 발명의 제1 실시예에 따른 인공지능을 이용한 양품 선별 학습모델 생성 방법을 설명하기 위한 도면으로, 도1에 도시된 학습모델 생성장치의 동작을 근거로 설명한다.
도2를 참조하면, 다수의 서로 다른 작업자 단말(100)에서 작업자의 결정에 따라 촬영이미지를 양품이미지 저장부(200) 또는 불량품이미지 저장부(300)에 선택적으로 저장한다(ST110).
상술한 바와 같이 작업자 단말(100)에 의해 다수 촬영이미지가 양품이미지 저장부(200) 또는 불량품이미지 저장부(300)에 선택 저장된 상태에서, 유사이미지 제거부(400)는 양품이미지 저장부(200)와 불량이미지 저장부(300)에 저장된 양품 촬영이미지와 불량품 촬영이미지를 비교하여 기준 이상, 예컨대 99% 이상의 일치율을 갖는 유사이미지를 검색한다(ST120).
즉, 작업자의 주관적인 판단기준에 의해 동일 이미지로 인식될 수 있는 예컨대, 99% 이상의 일치율을 갖는 촬영이미지나 동일 이미지가 제1 작업자에 의해서는 양품으로 선택되고, 제2 작업자에 의해서는 불량품으로 선택되어 양품이미지 저장부(200)와 불량품이미지 저장부(300)에 모두 저장될 수 있는 바, 유사이미지 제거부(400)는 이와 같이 양품이미지 저장부(200)와 불량품이미지 저장부(300)에 동시에 저장된 촬영이미지를 검색하여 유사이미지로 결정한다.
상기 ST120 단계에서 유사이미지가 검색되면, 유사이미지 제거부(400)는 양품이미지 저장부(200)와 불량품이미지 저장부(300)에서 해당 유사이미지를 삭제한다(ST130). 즉, 유사이미지에 해당하는 양품 촬영이미지와 불량품 촬영이미지는 모두 삭제된다.
그리고, 학습모델 생성부(500)는 유사이미지가 삭제된 상태의 양품 촬영이미지 및/또는 불량품 촬영이미지를 이용하여 양품 선별을 위한 학습모델을 생성한다(ST140).
또한, 상기 ST110 단계에서 작업자 단말(100)에는 양품 선별을 위한 학습 데이터로 이용할 다수의 촬영이미지가 미리 저장되되, 동일 촬영이미지를 서로 다른 작업자 단말(100)로 제공하여 서로 다른 작업자에 의해 양품 또는 불량품이 선별되어 양품이미지 저장부(200) 또는 불량품이미지 저장부(300)에 선택적으로 저장되도록 실시할 수 있다. 이때, 작업자 단말(100)은 촬영이미지와 해당 촬영이미지의 이미지코드를 포함하는 학습정보를 양품이미지 저장부(200) 또는 불량품이미지 저장부(300)에 선택적으로 저장할 수 있다.
그리고, 상기 ST120 단계에서 유사이미지 제거부(400)는 양품이미지 저장부(200)와 불량품이미지 저장부(300)에 동일 이미지코드로 저장된 촬영이미지를 유사이미지로 검색할 수 있다.
한편, 상기 실시예에 있어서는 양품이미지 저장부(200)와 불량품이미지 저장부(300)에 동시 저장된 유사이미지를 양품이미지 저장부(200)와 불량품이미지 저장부(300) 모두에서 삭제하도록 실시하였으나, 본 발명에 있어서는 유사이미지를 양품이미지 저장부(200) 또는 불량품이미지 저장부(300) 중 하나의 이미지 저장부에만 선택적으로 저장하도록 실시하는 것도 가능하다.
도3은 본 발명의 제2 실시예에 따른 인공지능을 이용한 양품 선별 학습모델 생성 방법을 설명하기 위한 도면이다.
도3을 참조하면, 다수의 작업자 단말(100)을 통해 다수의 촬영이미지가 양품이미지 저장부(200) 또는 불량품이미지 저장부(300)에 선택 저장되면(ST210), 유사이미지 제거부(400)는 양품이미지 저장부(200)와 불량품이미지 저장부(300)에 저장된 유사이미지를 검색한다(ST220).
상기한 상태에서, 유사이미지 제거부(400)는 유사이미지를 관리자 단말(600)로 전송하고(ST230), 관리자 단말(600)은 유사이미지를 표시출력하며, 이에 대해 관리자에 의해 결정되는 양품 또는 불량품의 상태 결정정보를 근거로 양품이미지 저장부(200) 또는 불량품이미지 저장부(300) 중 하나의 이미지 저장부에서만 해당 유사이미지를 삭제한다(ST240).
이때, 상기 ST230 단계에서 유사이미지 제거부(400)는 양품이미지 저장부(200)에 저장된 양품 유사이미지와 불량품이미지 저장부(300)에 저장된 불량품 유사이미지를 모두 관리자 단말(600)로 제공할 수 있다.
그리고, 상기 ST240 단계에서 유사이미지 제거부(400)는 관리자 단말(600)로 제공된 유사이미지에 대해 양품 결정정보가 수신되면 불량품이미지 저장부(300)에 저장된 해당 유사이미지를 삭제하고, 불량품 결정정보가 수신되면 양품이미지 저장부(200)에서 해당 유사이미지를 삭제한다.
이후, 학습모델 생성부(500)는 유사이미지가 삭제된 상태의 양품이미지 저장부(200)에 저장된 양품 촬영이미지 및/또는 유사이미지가 삭제된 상태의 불량품이미지 저장부(300)에 저장된 불량품 촬영이미지를 이용하여 양품 선별을 위한 학습모델을 생성한다(ST250).
또한, 상기 ST210 단계에서 작업자 단말(100)은 촬영이미지와 현재 촬영이미지 분류작업을 수행하는 작업자의 작업자코드를 포함하는 학습정보를 양품이미지 저장부(200) 또는 불량품이미지 저장부(300)에 선택적으로 저장할 수 있다.
그리고, 상기 ST220 단계에서 유사이미지 제거부(400)는 양품이미지 저장부(200)와 불량품이미지 저장부(300)에 모두 저장된 유사이미지가 검색되면, 해당 유사이미지를 저장한 작업자 코드를 근거로 양품이미지 저장부(200) 또는 불량품이미지 저장부(300)에 저장된 유사이미지 중 하나의 이미지 저장부에 저장된 유사이미지만을 선택적으로 삭제하도록 실시할 수 있다.
즉, 유사이미지 제거부(400)에 작업자 코드별 결정우선순위가 미리 저장된 상태에서, 유사이미지 제거부(400)는 유사이미지를 결정한 작업자코드의 결정우선순위를 확인하여 결정우선순위가 낮은 작업자코드의 유사이미지를 삭제한다. 예컨대, 양품이미지 저장부(200)에는 결정우선순위 "2"인 작업자 코드의 유사이미지가 저장되고, 불량품이미지 저장부(300)에는 결정우선순위 "4"인 작업자코드의 유사이미지가 저장된 경우, 불량품이미지 저장부(300)에서 해당 유사이미지를 삭제한다.
또한, 작업자 단말(100)은 촬영이미지와 이미지 코드 및 작업자 코드를 포함하는 학습정보를 양품이미지 저장부(200) 또는 불량품이미지 저장부(300)에 선택적으로 저장하고, 유사이미지 제거부(400)는 이미지 코드를 근거로 유사이미지를 검색하며, 검색된 유사이미지의 작업자코드 결정우선순위가 낮은 작업자코드의 유사이미지를 삭제할 수 있다.
100 : 작업자 단말, 200 : 양품이미지 저장부,
300 : 불량품이미지 저장부, 400 : 유사이미지 제거부,
500 : 학습모델 생성부, 500 : 관리자 단말.

Claims (4)

  1. 다수의 작업자 단말에서 촬영이미지에 대한 작업자의 양품 또는 불량품 결정에 따라 해당 촬영이미지를 양품이미지 저장부 또는 불량품이미지 저장부에 선택적으로 저장하는 제11 단계와,
    유사이미지 제거부에서 양품이미지 저장부에 저장된 촬영이미지와 불량품이미지 저장부에 저장된 촬영이미지를 비교하여 일치율이 기준 비율 이상인 유사이미지를 검색하는 제12 단계,
    유사이미지 제거부에서 양품이미지 저장부와 불량품이미지 저장부에 저장된 유사이미지를 삭제하는 제13 단계 및,
    학습모델 생성부에서 양품이미지 저장부 또는 불량품이미지 저장부에 저장된 촬영이미지를 학습데이터로 이용하여 양품 선별을 위한 학습모델을 생성하는 제14 단계를 포함하여 구성되는 것을 특징으로 하는 인공지능을 이용한 양품 선별 학습모델 생성 방법.
  2. 다수의 작업자 단말에서 촬영이미지에 대한 작업자의 양품 또는 불량품 결정에 따라 해당 촬영이미지를 양품이미지 저장부 또는 불량품이미지 저장부에 선택적으로 저장하는 제21 단계와,
    유사이미지 제거부에서 양품이미지 저장부에 저장된 촬영이미지와 불량품이미지 저장부에 저장된 촬영이미지를 비교하여 일치율이 기준 비율 이상인 유사이미지를 검색하는 제22 단계,
    유사이미지 제거부에서 양품이미지 저장부와 불량품이미지 저장부에 저장된 유사이미지를 관리자 단말로 전송하는 제23 단계,
    유사이미지 제거부에서 관리자 단말로부터 수신되는 유사이미지 상태 결정정보를 근거로 양품이미지 저장부에 저장된 해당 유사이미지를 삭제하거나 또는 불량품이미지 저장부에 저장된 해당 유사이미지를 삭제하는 제24 단계 및,
    학습모델 생성부에서 양품이미지 저장부 또는 불량품이미지 저장부에 저장된 촬영이미지를 학습데이터로 이용하여 양품 선별을 위한 학습모델을 생성하는 제25 단계를 포함하여 구성되는 것을 특징으로 하는 인공지능을 이용한 양품 선별 학습모델 생성 방법.
  3. 다수의 작업자 단말에서 촬영이미지에 대해 작업자에 의한 양품 또는 불량품 결정에 따라 해당 촬영이미지와 작업자 코드를 포함하는 학습정보를 양품이미지 저장부 또는 불량품이미지 저장부에 선택적으로 저장하는 제31 단계와,
    유사이미지 제거부에서 양품이미지 저장부에 저장된 촬영이미지와 불량품이미지 저장부에 저장된 촬영이미지를 비교하여 일치율이 기준 비율 이상인 유사이미지를 검색하는 제32 단계,
    유사이미지 제거부에서 양품이미지 저장부와 불량품이미지 저장부에 저장된 유사이미지 중 기 등록된 결정우선순위가 낮은 작업자 코드의 유사이미지를 삭제하는 제33 단계 및,
    학습모델 생성부에서 양품이미지 저장부 또는 불량품이미지 저장부에 저장된 촬영이미지를 학습데이터로 이용하여 양품 선별을 위한 학습모델을 생성하는 제34 단계를 포함하여 구성되는 것을 특징으로 하는 인공지능을 이용한 양품 선별 학습모델 생성 방법.
  4. 제1항 내지 제3항 중 어느 한 항에 있어서,
    작업자 단말은 촬영이미지와 해당 촬영이미지의 이미지 코드를 포함하는 학습정보를 양품이미지 저장부 또는 불량품이미지 저장부에 선택적으로 저장하고,
    상기 유사이미지 제거부는 양품이미지 저장부와 불량품이미지 저장부에 동일 이미지코드로 저장된 촬영이미지를 유사이미지로 검색하는 것을 특징으로 하는 인공지능을 이용한 양품 선별 학습모델 생성 방법.
KR1020210127838A 2021-09-28 2021-09-28 인공지능을 이용한 양품 선별 학습모델 생성 방법 KR20230045239A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210127838A KR20230045239A (ko) 2021-09-28 2021-09-28 인공지능을 이용한 양품 선별 학습모델 생성 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210127838A KR20230045239A (ko) 2021-09-28 2021-09-28 인공지능을 이용한 양품 선별 학습모델 생성 방법

Publications (1)

Publication Number Publication Date
KR20230045239A true KR20230045239A (ko) 2023-04-04

Family

ID=85928985

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210127838A KR20230045239A (ko) 2021-09-28 2021-09-28 인공지능을 이용한 양품 선별 학습모델 생성 방법

Country Status (1)

Country Link
KR (1) KR20230045239A (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102171491B1 (ko) 2017-12-21 2020-10-29 동의대학교 산학협력단 딥러닝을 이용한 양품 선별 방법
KR20210038143A (ko) 2019-09-30 2021-04-07 (주)쎄미시스코 인공지능(ai) 기반 대상물 검사 시스템 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102171491B1 (ko) 2017-12-21 2020-10-29 동의대학교 산학협력단 딥러닝을 이용한 양품 선별 방법
KR20210038143A (ko) 2019-09-30 2021-04-07 (주)쎄미시스코 인공지능(ai) 기반 대상물 검사 시스템 및 방법

Similar Documents

Publication Publication Date Title
KR20220041212A (ko) 거짓점 결함 검출 기반의 pcb 유지보수 시스템 및 유지보수 방법
US20210304397A1 (en) Method and system for scanning wafer
US10863660B2 (en) Stored image reclassification system and reclassification method
JP4442119B2 (ja) 画像認識装置および画像認識方法、並びに、画像認識装置のティーチング装置およびティーチング方法
US20070168735A1 (en) System and method for automatic testing
US20020057830A1 (en) Method and apparatus for inspection of assemblies
KR20230045239A (ko) 인공지능을 이용한 양품 선별 학습모델 생성 방법
JP2001291054A (ja) 半導体ウエハのｉｄ認識装置及びｉｄ認識ソータシステム
CN1936585A (zh) 分类系统
JP2768344B2 (ja) パターン検査装置およびその検査方法
KR100696105B1 (ko) Ｐｃｂ검사장치의 티칭데이터 설정방법 및 장치
WO2020009108A1 (ja) 検査方法、検査システム及びプログラム
CN110955603A (zh) 自动化测试方法、装置、电子设备及计算机可读存储介质
TW200842346A (en) Detection method of printed circuit boards and the system thereof
JP4480947B2 (ja) 製品検査内容設定方法、製品検査内容変更方法、製品検査内容設定システム及び製品検査内容変更システム
CN115617640A (zh) 一种软件测试方法、装置、电子设备及存储介质
GB2417072A (en) A machine vision inspection system and method
JP3107264B2 (ja) プリント板検査方法と装置およびプリント板集中検査システム
KR101993705B1 (ko) 자동광학검사기의 부품 라이브러리 코드 자동 입력 장치 및 방법
CN112416689A (zh) 一种辅助研发人员分析小概率不开机问题的方法
Șipoș et al. Pcb quality check: optical inspection using color mask and thresholding
Oppermann et al. Optimization of inspection strategies by use of quality cost models
Zhang Computer-aided visual inspection for integrated quality control
KR20230132083A (ko) 기판 검사 방법
JP3557784B2 (ja) 検査データ生成方法及び装置

Legal Events

Date Code Title Description
E902 Notification of reason for refusal