KR20230072739A - System for classfying mold type baseond on deep learning and operating method thereof - Google Patents

System for classfying mold type baseond on deep learning and operating method thereof Download PDF

Info

Publication number
KR20230072739A
KR20230072739A KR1020210159275A KR20210159275A KR20230072739A KR 20230072739 A KR20230072739 A KR 20230072739A KR 1020210159275 A KR1020210159275 A KR 1020210159275A KR 20210159275 A KR20210159275 A KR 20210159275A KR 20230072739 A KR20230072739 A KR 20230072739A
Authority
KR
South Korea
Prior art keywords
mold
type
data
deep learning
tool group
Prior art date
Application number
KR1020210159275A
Other languages
Korean (ko)
Inventor
권형운
박대유
이종화
장형규
Original Assignee
화천기공 주식회사
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 화천기공 주식회사 filed Critical 화천기공 주식회사
Priority to KR1020210159275A priority Critical patent/KR20230072739A/en
Publication of KR20230072739A publication Critical patent/KR20230072739A/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/755—Deformable models or variational models, e.g. snakes or active contours
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/19—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by positioning or contouring control systems, e.g. to control position from one programmed point to another or to control movement along a programmed continuous path
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

본 명세서는 금형 타입 분류 기술에 관한 것으로, 상세하게는 금형 이미지 데이터에 대한 딥러닝 학습을 통해 생성된 금형 모델을 기반으로 판단 대상의 금형 데이터에 대한 타입을 결정하고, 결정된 타입에 따라 선택되는 금형 가공 공구 그룹에 대한 공구 경로를 생성할 수 있는 딥러닝 기반 금형 타입 분류 시스템 및 이의 동작 방법에 관한 것이다.This specification relates to a mold type classification technology, and in detail, determines the type of mold data to be judged based on a mold model generated through deep learning on mold image data, and a mold selected according to the determined type. A deep learning-based mold type classification system capable of generating a tool path for a group of machining tools and an operation method thereof.

Description

딥러닝 기반 금형 타입 분류 시스템 및 이의 동작 방법{SYSTEM FOR CLASSFYING MOLD TYPE BASEOND ON DEEP LEARNING AND OPERATING METHOD THEREOF}Deep learning based mold type classification system and its operation method {SYSTEM FOR CLASSFYING MOLD TYPE BASEOND ON DEEP LEARNING AND OPERATING METHOD THEREOF}

본 발명은 금형 타입 분류 기술에 관한 것으로, 상세하게는 금형 이미지 데이터에 대한 딥러닝 학습을 통해 생성된 금형 모델을 기반으로 판단 대상의 금형 데이터에 대한 타입을 결정하고, 결정된 타입에 따라 선택되는 금형 가공 공구 그룹에 대한 공구 경로를 생성할 수 있는 딥러닝 기반 금형 타입 분류 시스템 및 이의 동작 방법에 관한 것이다.The present invention relates to a mold type classification technology, and more particularly, to determine the type of mold data to be judged based on a mold model generated through deep learning on mold image data, and to select a mold according to the determined type. A deep learning-based mold type classification system capable of generating a tool path for a group of machining tools and an operation method thereof.

A.I(Artificial Intelligence)가 산업 전반으로 그 적용 영역이 확대되고 있으며, 공작기계 산업에도 적용되고 있다. 종래 금형 타입 분류 작업은 사람이 직접 눈으로 확인하여 판단하거나, 프로그램 내에서 모델링 데이터를 읽어 들여 수학적 연산을 거친 후에 판단하였다.A.I (Artificial Intelligence) is expanding its application area throughout the industry, and is also being applied to the machine tool industry. In the past, mold type classification was judged by checking with the eyes of a person, or after reading modeling data in a program and performing mathematical calculations.

사람이 직접 금형을 분류하는 방식은 기업체 혹은 조직체에 속한 전문가에 의해 이루어졌으나, 그 인력이 점점 감소하고 있는 실정이다. 또한, 금형 타입이 점점 더 정밀해지고 복잡해지면서 사람이 금형 타입을 빠르게 판단하는 데에 있어 한계에 도달하여 효율적이고 신속하게 금형 타입을 분류할 수 있는 방법에 대한 필요성이 증대되고 있다. 이러한 금형 타입 분류에 대한 연구는 4차 산업혁명과 맞물려 산업 전반에서 요구되고 있는 무인화, 자동화 측면에서도 필요하다.The method of directly classifying molds by humans has been performed by experts belonging to companies or organizations, but the number of such personnel is gradually decreasing. In addition, as the mold type becomes increasingly precise and complex, the need for a method for efficiently and quickly classifying the mold type is increasing as a person reaches a limit in quickly determining the mold type. Research on mold type classification is also necessary in terms of unmanned and automated industries, which are required throughout the industry in line with the 4th industrial revolution.

프로그램을 통한 금형 분류 방식은 복잡한 모델을 판단할 경우에 연산 시간이 많이 소요되고, 판단한 결과가 정확하지 않은 경우가 많아 신뢰도가 낮다는 문제점이 있다.The mold classification method through the program has a problem in that it takes a lot of calculation time when determining a complicated model, and reliability is low in many cases where the determined result is not accurate.

이러한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공증에게 공개된 공지기술이라 할 수는 없다.This background art is technical information that the inventor possessed for derivation of the present invention or acquired during the derivation process of the present invention, and cannot necessarily be called known art disclosed to general notaries prior to filing of the present invention.

상기의 종래 기술의 문제점을 해결하기 위해 본 명세서에서 게시되는 실시예들은 금형 이미지 데이터에 대한 딥러닝 학습을 통해 생성된 금형 모델을 기반으로 판단 대상의 금형 데이터에 대한 타입을 결정하고, 결정된 타입에 따라 선택되는 금형 가공 공구 그룹에 대한 공구 경로를 생성할 수 있는 딥러닝 기반 금형 타입 분류 시스템 및 이의 동작 방법을 제공하는 것을 기술적 과제로 한다.Embodiments disclosed in this specification to solve the above problems of the prior art determine the type of the mold data to be judged based on the mold model generated through deep learning on mold image data, and determine the determined type. It is a technical task to provide a deep learning-based mold type classification system and its operation method capable of generating tool paths for mold processing tool groups selected according to the present invention.

또한, 실시예들은 사람에 의존하지 않고 시스템 상에서 자동으로 금형 타입을 결정할 수 있는 금형 타입 분류 시스템 및 이의 동작 방법을 제공하는 것을 기술적 과제로 한다.In addition, embodiments make it a technical task to provide a mold type classification system and its operating method capable of automatically determining a mold type on a system without relying on a person.

또한, 실시예들은 금형 타입 결정에 소요되는 시간을 단축할 수 있고, 금형 타입 결정의 정확성 및 신뢰도를 향상시킬 수 있는 금형 타입 분류 시스템 및 이의 동작 방법을 제공하는 것을 기술적 과제로 한다.In addition, embodiments make it a technical task to provide a mold type classification system and its operating method capable of reducing the time required for determining the mold type and improving the accuracy and reliability of determining the mold type.

본 발명의 기술적 과제는 이상에서 언급한 사항에 제한되지 않으며, 이하의 기재로부터 본 발명이 속하는 기술 분야의 통상의 지식을 가진 자라면 본 발명이 의도하는 기타의 과제들 또한 명료하게 이해할 수 있을 것이다.The technical problem of the present invention is not limited to the above-mentioned matters, and from the following description, those of ordinary skill in the art to which the present invention belongs will be able to clearly understand other problems intended by the present invention. .

상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 실시예에 따른 딥러닝 기반 금형 타입 분류 시스템은, 입력되는 금형 이미지 데이터를 딥러닝을 통해 학습하여 다양한 형태의 금형 모델을 생성하고, 판단 대상의 금형 데이터가 입력되면, 입력된 판단 대상 금형 데이터를 금형 모델과 비교하여 판단 대상 금형 데이터의 타입을 결정하는 금형 타입 결정 모듈, 금형 타입 결정 모듈로부터 제공되는 타입 정보를 바탕으로 판단 대상 금형 데이터에 상응하는 금형의 가공에 이용되는 금형 가공 공구 그룹을 선택하는 공구 그룹 선택 모듈, 및 공구 그룹 선택 모듈로부터 제공된 금형 가공 공구 그룹 정보에 해당하는 공구 그룹에 대한 공구 경로를 생성하는 공구 경로 생성 모듈을 포함할 수 있다.As a technical means for achieving the above-described technical problem, the deep learning-based mold type classification system according to an embodiment of the present invention learns input mold image data through deep learning to generate various types of mold models and determine When the target mold data is input, the mold type determination module that determines the type of the judgment target mold data by comparing the entered judgment target mold data with the mold model, and the judgment target mold data based on the type information provided from the mold type determination module. A tool group selection module for selecting a mold processing tool group used for processing the corresponding mold, and a tool path generation module for generating a tool path for a tool group corresponding to the mold processing tool group information provided from the tool group selection module can include

실시예에 따르면, 금형 이미지 데이터는 일반 타입의 금형 이미지 데이터, 및 립(rib) 타입의 금형 이미지 데이터를 포함할 수 있다.According to the embodiment, the mold image data may include general type mold image data and rib type mold image data.

실시예에 따르면, 금형 타입 결정 모듈은 다양한 형태의 일반 타입 금형 모델, 및 다양한 형태의 립 타입 금형 모델을 생성할 수 있다.According to the embodiment, the mold type determination module may generate various types of normal type mold models and various types of rib type mold models.

실시예에 따르면, 금형 타입 결정 모듈은 판단 대상 금형 데이터가 입력되면, 생성한 다양한 형태의 일반 타입 금형 모델 및 립 타입 금형 모델과 비교하여 판단 대상 금형 데이터의 타입이 일반 타입의 금형 모델에 해당하는지 립 타입의 금형 모델에 해당하는지를 판단하여 판단 대상 금형 데이터의 타입을 결정할 수 있다.According to the embodiment, the mold type determination module, when the judgment target mold data is input, compares it with various generated general type mold models and lip type mold models to determine whether the type of the judgment target mold data corresponds to a general type mold model. It is possible to determine the type of mold data to be judged by determining whether it corresponds to a lip-type mold model.

실시예에 따르면, 공구 그룹 선택 모듈은 타입 정보가 일반 타입에 해당하는 경우 일반 금형 가공 공구 그룹을 선택하고, 타입 정보가 립 타입에 해당하는 경우 립 금형 가공 공구 그룹을 선택할 수 있다.According to an embodiment, the tool group selection module selects a general mold processing tool group when the type information corresponds to the general type, and selects a lip mold processing tool group when the type information corresponds to the lip type.

본 발명의 실시예에 따른 딥러닝 기반 금형 타입 분류 시스템의 동작 방법은, 입력되는 금형 이미지 데이터를 딥러닝을 통해 학습하여 다양한 형태의 금형 모델을 생성하는 단계, 판단 대상의 금형 데이터가 입력되면, 입력된 판단 대상 금형 데이터를 금형 모델과 비교하여 판단 대상 금형 데이터의 타입을 결정하는 단계, 결정된 타입을 바탕으로 판단 대상 금형 데이터에 상응하는 금형의 가공에 이용되는 금형 가공 공구 그룹을 선택하는 단계, 및 선택된 금형 가공 공구 그룹에 대한 공구 경로를 생성하는 단계를 포함할 수 있다.The operation method of the deep learning-based mold type classification system according to an embodiment of the present invention includes the steps of learning input mold image data through deep learning to create mold models of various shapes, when the mold data to be judged is input, Comparing the entered judgment target mold data with the mold model to determine the type of the judgment target mold data, selecting a mold processing tool group used for processing the mold corresponding to the judgment target mold data based on the determined type, and generating a tool path for the selected mold machining tool group.

실시예에 따르면, 금형 이미지 데이터는 일반 타입의 금형 이미지 데이터, 및 립(rib) 타입의 금형 이미지 데이터를 포함할 수 있다.According to the embodiment, the mold image data may include general type mold image data and rib type mold image data.

실시예에 따르면, 금형 모델을 생성하는 단계는, 다양한 형태의 일반 타입 금형 모델, 및 다양한 형태의 립 타입 금형 모델을 생성하는 것을 포함할 수 있다.According to the embodiment, the step of generating the mold model may include generating general type mold models of various shapes and lip type mold models of various shapes.

실시예에 따르면, 판단 대상 금형 데이터의 타입을 결정하는 단계는, 다양한 형태의 일반 타입 금형 모델 및 립 타입 금형 모델과 비교하여 판단 대상 금형 데이터의 타입이 일반 타입의 금형 모델에 해당하는지 립 타입의 금형 모델에 해당하는지를 판단하여 판단 대상 금형 데이터의 타입을 결정하는 것을 포함할 수 있다.According to the embodiment, the step of determining the type of the judgment target mold data is compared with various types of general type mold models and lip type mold models, and whether the type of the judgment target mold data corresponds to the general type mold model or the lip type of the mold model. It may include determining whether the data corresponds to the mold model and determining the type of mold data to be judged.

실시예에 따르면, 금형 가공 공구 그룹을 선택하는 단계는, 타입 정보가 일반 타입에 해당하는 경우 일반 금형 가공 공구 그룹을 선택하고, 타입 정보가 립 타입에 해당하는 경우 립 금형 가공 공구 그룹을 선택하는 것을 포함할 수 있다.According to an embodiment, the step of selecting the mold processing tool group includes selecting a general mold processing tool group when the type information corresponds to the general type and selecting a lip mold processing tool group when the type information corresponds to the lip type. may include

위에서 언급된 과제의 해결 수단 이외의 본 발명의 다양한 예에 따른 구체적인 사항들은 아래의 기재 내용 및 도면들에 포함되어 있다.Specific details according to various examples of the present invention other than the means for solving the problems mentioned above are included in the description and drawings below.

본 명세서에 기재된 실시예에 따르면, 금형 이미지 데이터에 대한 딥러닝 학습을 통해 생성된 금형 모델을 기반으로 판단 대상의 금형 데이터에 대한 타입을 결정할 수 있는 금형 타입 분류 시스템 및 이의 동작 방법이 제공될 수 있다.According to the embodiments described in the present specification, a mold type classification system capable of determining the type of mold data to be judged based on a mold model generated through deep learning learning on mold image data and an operation method thereof can be provided. there is.

이와 같이, 본 명세서의 실시예에 따른 딥러닝 기반 금형 타입 분류 기술을 이용하면, 사람에 의존하지 않고 시스템적으로 자동으로 금형 타입을 결정할 수 있다.In this way, using the deep learning-based mold type classification technology according to the embodiment of the present specification, the mold type can be automatically determined systematically without relying on a person.

따라서, 금형 타입 결정에 소요되는 시간을 단축할 수 있고, 금형 타입 결정의 정확성 및 신뢰도를 향상시킬 수 있다. 또한, 딥러닝을 기반으로 금형 타입을 결정하기 때문에, 오랜 경험을 쌓은 숙련공과 비슷한 수준으로 금형 타입을 결정할 수 있다.Accordingly, the time required for determining the mold type can be reduced, and the accuracy and reliability of determining the mold type can be improved. In addition, since the mold type is determined based on deep learning, the mold type can be determined at a level similar to that of skilled workers with long experience.

또한, 본 명세서의 실시예에 따르면, 결정된 타입에 따라 선택되는 금형 가공 공구 그룹에 대한 공구 경로를 생성할 수 있는 딥러닝 기반 금형 타입 분류 시스템 및 이의 동작 방법이 제공될 수 있다.In addition, according to an embodiment of the present specification, a deep learning-based mold type classification system capable of generating a tool path for a mold processing tool group selected according to the determined type and an operation method thereof may be provided.

따라서, 판단 대상의 금형 데이터의 타입에 따라 금형 가공 공구 그룹 및 공구 경로가 자동으로 생성될 수 있다.Accordingly, a mold processing tool group and a tool path may be automatically generated according to the type of mold data to be judged.

본 발명의 효과는 이상에서 언급한 효과에 제한되지 않으며, 언급되지 않은 또 다른 효과는 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The effects of the present invention are not limited to the effects mentioned above, and other effects not mentioned will be clearly understood by those skilled in the art from the description below.

위에서 언급된 해결하고자 하는 과제, 과제 해결 수단, 효과의 내용은 청구범위의 필수적인 특징을 특정하는 것은 아니므로, 청구범위의 권리 범위는 발명의 내용에 기재된 사항에 의하여 제한되지 않는다.Since the contents of the problem to be solved, the means for solving the problem, and the effect mentioned above do not specify essential features of the claims, the scope of the claims is not limited by the matters described in the contents of the invention.

이하에 첨부되는 도면들은 본 발명의 실시예에 관한 이해를 돕기 위한 것으로, 상세한 설명과 함께 실시예들을 제공한다. 다만, 본 실시예의 기술적 특징이 특정 도면에 한정되는 것은 아니며, 각 도면에서 게시하는 특징들은 서로 조합되어 새로운 실시예로 구성될 수 있다.
도 1은 본 발명의 실시예에 따른 딥러닝 기반 금형 타입 분류 시스템의 일례를 나타낸 도면이다.
도 2는 본 발명의 실시예에 따른 딥러닝 기반 금형 타입 분류 시스템에 학습을 위해 입력되는 일반 타입의 금형 이미지 데이터의 예들을 나타낸 도면이다.
도 3은 본 발명의 실시예에 따른 딥러닝 기반 금형 타입 분류 시스템에 학습을 위해 입력되는 립 타입의 금형 이미지 데이터의 예들을 나타낸 도면이다.The accompanying drawings are provided to aid in understanding the embodiments of the present invention, and provide examples along with detailed descriptions. However, the technical features of this embodiment are not limited to specific drawings, and features posted in each drawing may be combined with each other to form a new embodiment.
1 is a diagram showing an example of a deep learning-based mold type classification system according to an embodiment of the present invention.
2 is a diagram showing examples of general type mold image data input for learning to a deep learning-based mold type classification system according to an embodiment of the present invention.
3 is a diagram showing examples of lip type mold image data input for learning to a deep learning-based mold type classification system according to an embodiment of the present invention.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 게시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 게시가 완전하도록 하며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.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 a variety of 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 completely inform the person who has the scope of the invention, and the present invention is only defined by the scope of the claims.

본 발명의 실시예를 설명하기 위한 도면에 게시된 형상, 크기, 비율, 각도, 개수 등은 예시적인 것이므로 본 발명이 도시된 사항에 한정되는 것은 아니다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다. 또한, 본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명은 생략한다. 본 명세서 상에서 언급한 "포함한다", "갖는다", "이루어진다" 등이 사용되는 경우 "만"이 사용되지 않는 이상 다른 부분이 추가될 수 있다. 구성 요소를 단수로 표현한 경우에 특별히 명시적인 기재 사항이 없는 한 복수를 포함하는 경우를 포함한다.The shapes, sizes, ratios, angles, numbers, etc. posted in the drawings for explaining the embodiments of the present invention are exemplary, so the present invention is not limited to the matters shown. Like reference numbers designate like elements throughout the specification. In addition, in describing the present invention, if it is determined that a detailed description of related known technologies may unnecessarily obscure the subject matter of the present invention, the detailed description will be omitted. When "includes", "has", "consists of", etc. mentioned in this specification is used, other parts may be added unless "only" is used. In the case where a component is expressed in the singular, the case including the plural is included unless otherwise explicitly stated.

구성 요소를 해석함에 있어서, 오차 범위에 대한 별도의 명시적 기재가 없더라도 오차 범위를 포함하는 것으로 해석한다.In interpreting the components, even if there is no separate explicit description of the error range, it is interpreted as including the error range.

위치 관계에 대한 설명일 경우, 예를 들어, "상에", "상부에", "하부에", "옆에" 등으로 두 부분의 위치 관계가 설명되는 경우, 예를 들면, "바로" 또는 "직접"이 사용되지 않는 이상 두 부분 사이에 하나 이상의 다른 부분이 위치할 수도 있다.In the case of a description of a positional relationship, for example, when the positional relationship of two parts is described as "on", "upper", "at the bottom", "next to", etc., for example, "right" Or, unless "directly" is used, one or more other parts may be located between the two parts.

시간 관계에 대한 설명일 경우, "후에", "이어서", "다음에", "전에" 등으로 시간적 선후 관계가 설명되는 경우, "바로" 또는 "직접"이 사용되지 않는 이상 연속적이지 않은 경우도 포함할 수 있다.In the case of a description of a temporal relationship, when a temporal precedence relationship is described with “after,” “next to,” “next to,” “before,” etc., when it is not continuous unless “immediately” or “directly” is used may also be included.

제1, 제2 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않는다. 이들 용어들은 단지 하나의 구성 요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있다.Although first, second, etc. are used to describe various components, these components are not limited by these terms. These terms are only used to distinguish one component from another. Therefore, the first component mentioned below may also be the second component within the technical spirit of the present invention.

본 발명의 구성 요소를 설명하는 데에 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질, 차례, 순서 또는 개수 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 특별히 명시적인 기재 사항이 없는 간접적으로 연결되거나 또는 접속될 수 있는 각 구성 요소 사이에 다른 구성 요소가 "개재"될 수도 있다고 이해되어야 할 것이다.In describing the components of the present invention, terms such as first, second, A, B, (a), and (b) may be used. These terms are only used to distinguish the component from other components, and the nature, sequence, order, or number of the corresponding component is not limited by the term. When an element is described as being “connected”, “coupled” or “connected” to another element, that element is directly connected or may be connected to the other element, but indirectly unless specifically stated otherwise. It should be understood that other components may be "interposed" between each component that is or can be connected.

"적어도 하나"는 연관된 구성요소의 하나 이상의 모든 조합을 포함하는 것으로 이해되어야 할 것이다. 예를 들면, "제1, 제2, 및 제3 구성요소의 적어도 하나"의 의미는 제1, 제2, 또는 제3 구성요소뿐만 아니라, 제1, 제2, 및 제3 구성요소의 두 개 이상의 모든 구성요소의 조합을 포함한다고 할 수 있다. “At least one” should be understood to include all combinations of one or more of the associated elements. For example, "at least one of the first, second, and third elements" means not only the first, second, or third elements, but also two of the first, second, and third elements. It can be said to include a combination of all components of one or more.

본 명세서의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하고, 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시할 수도 있다.Each feature of the various embodiments of the present specification can be partially or entirely combined or combined with each other, technically various interlocking and driving are possible, and each embodiment can be implemented independently of each other or can be implemented together in an association relationship. may be

이하, 첨부된 도면 및 실시예를 통해 본 발명의 실시예를 살펴보면 다음과 같다. 도면에 도시된 구성요소들의 스케일은 설명의 편의를 위해 실제와 다른 스케일을 가지므로, 도면에 도시된 스케일에 한정되지 않는다.Hereinafter, looking at the embodiments of the present invention through the accompanying drawings and embodiments are as follows. Since the scales of the components shown in the drawings have different scales from actual ones for convenience of explanation, they are not limited to the scales shown in the drawings.

이하, 첨부된 도면을 참조하여 본 발명의 실시예에 따른 딥러닝 기반 금형 타입 분류 시스템 및 이의 동작 방법에 대해서 설명한다.Hereinafter, a deep learning-based mold type classification system and its operating method according to an embodiment of the present invention will be described with reference to the accompanying drawings.

도 1은 본 발명의 실시예에 따른 딥러닝 기반 금형 타입 분류 시스템의 일례를 나타낸 도면이고, 도 2는 본 발명의 실시예에 따른 딥러닝 기반 금형 타입 분류 시스템에 학습을 위해 입력되는 일반 타입의 금형 이미지 데이터의 예들을 나타낸 도면이며, 도 3은 본 발명의 실시예에 따른 딥러닝 기반 금형 타입 분류 시스템에 학습을 위해 입력되는 립 타입의 금형 이미지 데이터의 예들을 나타낸 도면이다.1 is a diagram showing an example of a deep learning-based mold type classification system according to an embodiment of the present invention, and FIG. 2 is a general type input for learning to a deep learning-based mold type classification system according to an embodiment of the present invention. 3 is a diagram showing examples of mold image data of a lip type input for learning to a deep learning-based mold type classification system according to an embodiment of the present invention.

도 1 내지 도 3을 참조하면, 본 발명의 실시예에 따른 딥러닝 기반 금형 타입 분류 시스템(1)은 금형 타입 결정 모듈(100), 공구 그룹 선택 모듈(200), 및 공구 경로 생성 모듈(300)을 포함할 수 있으며, 금형 타입 분류 시스템(1)의 구성이 이에 한정되는 것은 아니다.1 to 3, the deep learning-based mold type classification system 1 according to an embodiment of the present invention includes a mold type determination module 100, a tool group selection module 200, and a tool path generation module 300. ), and the configuration of the mold type classification system 1 is not limited thereto.

금형 타입 결정 모듈(100)은 입력되는 금형 이미지 데이터를 학습하여 다양한 형태의 금형 모델을 생성하고, 판단 대상의 금형 데이터가 입력되면, 입력된 판단 대상 금형 데이터를 금형 모델과 비교하여 판단 대상 금형 데이터의 타입을 결정할 수 있다.The mold type determination module 100 learns the input mold image data to create mold models of various shapes, and when the mold data to be judged is input, the input mold data to be judged is compared with the mold model to be judged. can determine the type of

금형 타입 결정 모듈(100)은 딥러닝(deep learning)을 통해 금형 이미지 데이터를 학습하여 다양한 형태의 금형 모델을 생성할 수 있다.The mold type determination module 100 may generate mold models of various shapes by learning mold image data through deep learning.

예를 들어, 금형 타입 결정 모듈(100)은 콘볼루션 신경망(Convolutional neural network, CNN), 순환 신경망(Recurrent neural network, RNN), 심층 신경망(Deep belief network, DBN), 심층 오토인코더(Deep autoencoder) 등을 통해 금형 이미지 데이터를 학습하여 다양한 형태의 금형 모델을 생성할 수 있으며, 금형 타입 결정 모듈(100)의 학습 알고리즘이 이에 한정되는 것은 아니다.For example, the mold type determination module 100 uses a convolutional neural network (CNN), a recurrent neural network (RNN), a deep belief network (DBN), and a deep autoencoder. It is possible to generate mold models of various shapes by learning mold image data through the like, and the learning algorithm of the mold type determination module 100 is not limited thereto.

금형 타입 결정 모듈(100)로 입력되는 금형 이미지 데이터는 도 2에 도시된 바와 같은 일반 타입의 금형 이미지 데이터, 및 도 3에 도시된 바와 같은 립(rib) 타입의 금형 이미지 데이터를 포함할 수 있으며, 금형 타입 결정 모듈(100)은 금형 이미지 데이터에 대한 학습을 통해 다양한 형태의 일반 타입 금형 모델, 및 다양한 형태의 립 타입 금형 모델을 생성할 수 있다.The mold image data input to the mold type determination module 100 may include general type mold image data as shown in FIG. 2 and rib type mold image data as shown in FIG. 3, , The mold type determination module 100 may generate various forms of general type mold models and various forms of lip type mold models through learning on mold image data.

금형 타입 결정 모듈(100)은 판단 대상 금형 데이터가 입력되면, 생성한 다양한 형태의 일반 타입 금형 모델 및 립 타입 금형 모델과 비교하여 판단 대상 금형 데이터의 타입이 일반 타입의 금형 모델에 해당하는지 립 타입의 금형 모델에 해당하는지를 판단하여 판단 대상 금형 데이터의 타입을 결정할 수 있다.When the mold type determination module 100 determines whether the type of the target mold data corresponds to the general type mold model by comparing it with the generated general type mold model and lip type mold model of various shapes when the judgment target mold data is input, the lip type It is possible to determine the type of mold data to be judged by determining whether it corresponds to the mold model of .

금형 타입 결정 모듈(100)은 판단 대상 금형 데이터에 대해 결정된 타입 정보를 공구 그룹 선택 모듈(200)로 제공할 수 있다.The mold type determination module 100 may provide the tool group selection module 200 with information on the type determined for the mold data to be judged.

공구 그룹 선택 모듈(200)은 금형 타입 결정 모듈(100)로부터 제공되는 타입 정보를 바탕으로 판단 대상 금형 데이터에 상응하는 금형의 가공에 이용되는 금형 가공 공구 그룹을 선택할 수 있다.The tool group selection module 200 may select a mold processing tool group used for machining a mold corresponding to the mold data to be determined based on the type information provided from the mold type determination module 100 .

실시예에 따르면, 공구 그룹 선택 모듈(200)은 타입 정보를 바탕으로 일반 금형 가공 공구 그룹을 선택하거나, 립 금형 가공 공구 그룹을 선택할 수 있다.According to the embodiment, the tool group selection module 200 may select a general mold machining tool group or a lip mold machining tool group based on the type information.

예를 들어, 공구 그룹 선택 모듈(200)은 타입 정보가 일반 타입에 해당하는 경우 일반 금형 가공 공구 그룹을 선택하고, 타입 정보가 립 타입에 해당하는 경우 립 금형 가공 공구 그룹을 선택할 수 있다.For example, the tool group selection module 200 may select a general mold processing tool group when the type information corresponds to a general type, and may select a lip mold processing tool group when the type information corresponds to a lip type.

공구 그룹 선택 모듈(200)은 선택된 금형 가공 공구 그룹 정보를 공구 경로 생성 모듈(300)로 제공할 수 있다.The tool group selection module 200 may provide the selected mold machining tool group information to the tool path generation module 300 .

공구 경로 생성 모듈(300)은 공구 그룹 선택 모듈(200)로부터 제공된 금형 가공 공구 그룹 정보에 해당하는 공구 그룹에 대한 공구 경로(Tool Path)를 생성할 수 있다.The tool path generation module 300 may generate a tool path for a tool group corresponding to the mold processing tool group information provided from the tool group selection module 200 .

이와 같이, 본 발명의 실시예에 따른 딥러닝 기반 금형 타입 분류 시스템(1)은 금형 이미지 데이터에 대한 딥러닝 학습을 통해 생성된 금형 모델을 기반으로 판단 대상의 금형 데이터에 대한 타입을 결정하고, 결정된 타입에 따라 선택되는 금형 가공 공구 그룹에 대한 공구 경로를 생성할 수 있다.In this way, the deep learning-based mold type classification system 1 according to an embodiment of the present invention determines the type of the mold data to be judged based on the mold model generated through deep learning of the mold image data, A tool path for a mold processing tool group selected according to the determined type may be created.

따라서, 사람에 의존하지 않고 시스템적으로 자동으로 금형 타입을 결정할 수 있고, 금형 타입 결정에 소요되는 시간을 단축할 수 있으며, 금형 타입 결정의 정확성 및 신뢰도를 향상시킬 수 있다. 또한, 딥러닝을 기반으로 금형 타입을 결정하기 때문에, 오랜 경험을 쌓은 숙련공과 비슷한 수준으로 금형 타입을 결정할 수 있다. 또한, 판단 대상의 금형 데이터의 타입에 따라 금형 가공 공구 그룹 및 공구 경로가 자동으로 생성될 수 있다.Therefore, the mold type can be determined automatically and systematically without relying on a person, the time required for determining the mold type can be reduced, and the accuracy and reliability of the mold type determination can be improved. In addition, since the mold type is determined based on deep learning, the mold type can be determined at a level similar to that of skilled workers with long experience. In addition, a mold processing tool group and a tool path may be automatically generated according to the type of mold data to be judged.

이상에서는 본 발명의 실시예에 따른 딥러닝 기반 금형 타입 분류 시스템의 구성 및 구성별 동작/기능에 대해서 설명하였다. 이하에서는 본 발명의 실시예에 따른 딥러닝 기반 금형 타입 분류 시스템의 동작에 대해서 설명한다.In the above, the configuration of the deep learning-based mold type classification system according to an embodiment of the present invention and the operation/function for each configuration have been described. Hereinafter, the operation of the deep learning-based mold type classification system according to an embodiment of the present invention will be described.

도 4는 본 발명의 실시예에 따른 딥러닝 기반 금형 타입 분류 시스템의 동작을 설명하기 위한 순서도이다.4 is a flowchart for explaining the operation of the deep learning-based mold type classification system according to an embodiment of the present invention.

도 4의 단계별 동작은 도 1 내지 도 3를 참조하여 설명한 딥러닝 기반 금형 타입 분류 시스템(1)에 의해 수행될 수 있다.The step-by-step operation of FIG. 4 may be performed by the deep learning-based mold type classification system 1 described with reference to FIGS. 1 to 3 .

도 1 내지 도 4를 참조하면, 금형 타입 분류 시스템(1)은 입력되는 금형 이미지 데이터를 학습하여 다양한 형태의 금형 모델을 생성하고(S400), 판단 대상의 금형 데이터가 입력되면, 입력된 판단 대상 금형 데이터를 금형 모델과 비교하여 판단 대상 금형 데이터의 타입을 결정할 수 있다(S410).1 to 4, the mold type classification system 1 learns input mold image data to create mold models of various shapes (S400), and when the mold data of the judgment target is input, the input judgment target The type of mold data to be determined may be determined by comparing the mold data with the mold model (S410).

단계 S400에서, 금형 타입 분류 시스템(1)은 딥러닝(deep learning)을 통해 금형 이미지 데이터를 학습하여 다양한 형태의 금형 모델을 생성할 수 있다.In step S400, the mold type classification system 1 may generate mold models of various shapes by learning mold image data through deep learning.

예를 들어, 금형 타입 분류 시스템(1)은 콘볼루션 신경망(Convolutional neural network, CNN), 순환 신경망(Recurrent neural network, RNN), 심층 신경망(Deep belief network, DBN), 심층 오토인코더(Deep autoencoder) 등을 통해 금형 이미지 데이터를 학습하여 다양한 형태의 금형 모델을 생성할 수 있다.For example, the mold type classification system 1 includes a convolutional neural network (CNN), a recurrent neural network (RNN), a deep belief network (DBN), and a deep autoencoder. It is possible to create various types of mold models by learning mold image data through such methods.

금형 타입 분류 시스템(1)으로 입력되는 금형 이미지 데이터는 도 2에 도시된 바와 같은 일반 타입의 금형 이미지 데이터, 및 도 3에 도시된 바와 같은 립(rib) 타입의 금형 이미지 데이터를 포함할 수 있으며, 금형 타입 분류 시스템(1)은 금형 이미지 데이터에 대한 학습을 통해 다양한 형태의 일반 타입 금형 모델, 및 다양한 형태의 립 타입 금형 모델을 생성할 수 있다.The mold image data input to the mold type classification system 1 may include general type mold image data as shown in FIG. 2 and rib type mold image data as shown in FIG. 3, , The mold type classification system 1 can generate various forms of general type mold models and various forms of lip type mold models through learning on mold image data.

단계 S410에서, 금형 타입 분류 시스템(1)은 판단 대상 금형 데이터가 입력되면, 생성한 다양한 형태의 일반 타입 금형 모델 및 립 타입 금형 모델과 비교하여 판단 대상 금형 데이터의 타입이 일반 타입의 금형 모델에 해당하는지 립 타입의 금형 모델에 해당하는지를 판단하여 판단 대상 금형 데이터의 타입을 결정할 수 있다.In step S410, the mold type classification system 1, when the judgment subject mold data is input, compares the generated general type mold model and lip type mold model of various shapes, and determines whether the type of the judgment subject mold data corresponds to the general type mold model. It is possible to determine the type of mold data to be judged by determining whether it corresponds to a lip-type mold model.

이후, 금형 타입 분류 시스템(1)은 결정된 타입을 바탕으로 판단 대상 금형 데이터에 상응하는 금형의 가공에 이용되는 금형 가공 공구 그룹을 선택할 수 있다(S420).Thereafter, the mold type classification system 1 may select a mold processing tool group used for processing a mold corresponding to the determined mold data based on the determined type (S420).

단계 S420에서, 금형 타입 분류 시스템(1)은 결정된 타입을 바탕으로 일반 금형 가공 공구 그룹을 선택하거나, 립 금형 가공 공구 그룹을 선택할 수 있다.In step S420, the mold type classification system 1 may select a general mold processing tool group or a lip mold processing tool group based on the determined type.

예를 들어, 금형 타입 분류 시스템(1)은 결정된 타입이 일반 타입에 해당하는 경우 일반 금형 가공 공구 그룹을 선택하고, 결정된 타입이 립 타입에 해당하는 경우 립 금형 가공 공구 그룹을 선택할 수 있다.For example, the mold type classification system 1 may select a general mold processing tool group when the determined type corresponds to a general type, and select a lip mold processing tool group when the determined type corresponds to a lip type.

이후, 금형 타입 분류 시스템(1)은 선택된 금형 가공 공구 그룹에 대한 공구 경로(Tool Path)를 생성할 수 있다(S430).Thereafter, the mold type classification system 1 may generate a tool path for the selected mold processing tool group (S430).

이상 첨부된 도면을 참조하여 본 발명의 실시예들을 더욱 상세하게 설명하였으나, 본 발명이 반드시 이러한 실시예로 국한되는 것은 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서, 본 명세서에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 청구 범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.Although the embodiments of the present invention have been described in more detail with reference to the accompanying drawings, the present invention is not necessarily limited to these embodiments, and may be variously modified and implemented without departing from the technical spirit of the present invention. . Therefore, the embodiments disclosed herein are not intended to limit the technical spirit of the present invention, but to explain, and the scope of the technical spirit of the present invention is not limited by these embodiments. Therefore, it should be understood that the embodiments described above are illustrative in all respects and not restrictive. The protection scope of the present invention should be construed according to the scope of the claims, and all technical ideas within the scope equivalent thereto should be construed as being included in the scope of the present invention.

1: 금형 타입 분류 시스템
100: 금형 타입 결정 모듈
200: 공구 그룹 선택 모듈
300: 공구 경로 생성 모듈1: mold type classification system
100: mold type determination module
200: tool group selection module
300: tool path generation module

Claims (8)

입력되는 금형 이미지 데이터를 딥러닝을 통해 학습하여 다양한 형태의 금형 모델을 생성하고, 판단 대상의 금형 데이터가 입력되면, 입력된 판단 대상 금형 데이터를 상기 금형 모델과 비교하여 상기 판단 대상 금형 데이터의 타입을 결정하는 금형 타입 결정 모듈;
상기 금형 타입 결정 모듈로부터 제공되는 타입 정보를 바탕으로 상기 판단 대상 금형 데이터에 상응하는 금형의 가공에 이용되는 금형 가공 공구 그룹을 선택하는 공구 그룹 선택 모듈; 및
상기 공구 그룹 선택 모듈로부터 제공된 금형 가공 공구 그룹 정보에 해당하는 공구 그룹에 대한 공구 경로를 생성하는 공구 경로 생성 모듈을 포함하는, 딥러닝 기반 금형 타입 분류 시스템.The input mold image data is learned through deep learning to create various types of mold models, and when the mold data to be judged is input, the input mold data to be judged is compared with the mold model to determine the type of the mold data to be judged. Mold type determination module for determining;
a tool group selection module that selects a mold processing tool group used for processing a mold corresponding to the decision target mold data based on the type information provided from the mold type determination module; and
A deep learning-based mold type classification system comprising a tool path generation module for generating a tool path for a tool group corresponding to the mold processing tool group information provided from the tool group selection module. 제 1 항에 있어서,
상기 금형 이미지 데이터는 일반 타입의 금형 이미지 데이터, 및 립(rib) 타입의 금형 이미지 데이터를 포함하고,
상기 금형 타입 결정 모듈은 다양한 형태의 일반 타입 금형 모델, 및 다양한 형태의 립 타입 금형 모델을 생성하는, 딥러닝 기반 금형 타입 분류 시스템.According to claim 1,
The mold image data includes general type mold image data and rib type mold image data,
The mold type determination module generates a general type mold model of various shapes and a lip type mold model of various shapes, a deep learning-based mold type classification system. 제 2 항에 있어서,
상기 금형 타입 결정 모듈은 상기 판단 대상 금형 데이터가 입력되면, 생성한 다양한 형태의 일반 타입 금형 모델 및 립 타입 금형 모델과 비교하여 상기 판단 대상 금형 데이터의 타입이 상기 일반 타입의 금형 모델에 해당하는지 상기 립 타입의 금형 모델에 해당하는지를 판단하여 상기 판단 대상 금형 데이터의 타입을 결정하는, 딥러닝 기반 금형 타입 분류 시스템.According to claim 2,
When the mold type determination module is input, the mold type determination module compares the generated general type mold model and lip type mold model of various shapes to determine whether the type of the determination target mold data corresponds to the general type mold model. A deep learning-based mold type classification system that determines the type of the mold data to be judged by determining whether it corresponds to a lip type mold model. 제 2 항에 있어서,
상기 공구 그룹 선택 모듈은 상기 타입 정보가 일반 타입에 해당하는 경우 일반 금형 가공 공구 그룹을 선택하고, 상기 타입 정보가 립 타입에 해당하는 경우 립 금형 가공 공구 그룹을 선택하는, 딥러닝 기반 금형 타입 분류 시스템.According to claim 2,
The tool group selection module selects a general mold processing tool group when the type information corresponds to a general type, and selects a lip mold processing tool group when the type information corresponds to a lip type. Deep learning-based mold type classification system. 입력되는 금형 이미지 데이터를 딥러닝을 통해 학습하여 다양한 형태의 금형 모델을 생성하는 단계;
판단 대상의 금형 데이터가 입력되면, 입력된 판단 대상 금형 데이터를 상기 금형 모델과 비교하여 상기 판단 대상 금형 데이터의 타입을 결정하는 단계;
결정된 타입을 바탕으로 상기 판단 대상 금형 데이터에 상응하는 금형의 가공에 이용되는 금형 가공 공구 그룹을 선택하는 단계; 및
선택된 금형 가공 공구 그룹에 대한 공구 경로를 생성하는 단계를 포함하는, 딥러닝 기반 금형 타입 분류 시스템의 동작 방법.Learning input mold image data through deep learning to create mold models of various shapes;
determining the type of the judgment target mold data by comparing the input judgment target mold data with the mold model when the judgment target mold data is input;
selecting a mold processing tool group used for processing a mold corresponding to the determined mold data based on the determined type; and
A method of operating a deep learning-based mold type classification system comprising generating a tool path for a selected mold processing tool group. 제 5 항에 있어서,
상기 금형 이미지 데이터는 일반 타입의 금형 이미지 데이터, 및 립(rib) 타입의 금형 이미지 데이터를 포함하고,
상기 금형 모델을 생성하는 단계는, 다양한 형태의 일반 타입 금형 모델, 및 다양한 형태의 립 타입 금형 모델을 생성하는 것을 포함하는, 딥러닝 기반 금형 타입 분류 시스템의 동작 방법.According to claim 5,
The mold image data includes general type mold image data and rib type mold image data,
The step of generating the mold model includes generating general type mold models of various shapes and lip type mold models of various shapes, a method of operating a deep learning-based mold type classification system. 제 6 항에 있어서,
상기 판단 대상 금형 데이터의 타입을 결정하는 단계는, 상기 다양한 형태의 일반 타입 금형 모델 및 립 타입 금형 모델과 비교하여 상기 판단 대상 금형 데이터의 타입이 상기 일반 타입의 금형 모델에 해당하는지 상기 립 타입의 금형 모델에 해당하는지를 판단하여 상기 판단 대상 금형 데이터의 타입을 결정하는 것을 포함하는, 딥러닝 기반 금형 타입 분류 시스템의 동작 방법.According to claim 6,
In the step of determining the type of the target mold data to be judged, the type of the target mold data to be judged corresponds to the general type mold model by comparing the various types of general type mold models and lip type mold models of the lip type. A method of operating a deep learning-based mold type classification system comprising determining whether it corresponds to a mold model and determining the type of the mold data to be judged. 제 6 항에 있어서,
상기 금형 가공 공구 그룹을 선택하는 단계는, 상기 타입 정보가 일반 타입에 해당하는 경우 일반 금형 가공 공구 그룹을 선택하고, 상기 타입 정보가 립 타입에 해당하는 경우 립 금형 가공 공구 그룹을 선택하는 것을 포함하는, 딥러닝 기반 금형 타입 분류 시스템의 동작 방법.According to claim 6,
The selecting of the mold processing tool group includes selecting a general mold processing tool group when the type information corresponds to a general type, and selecting a lip mold processing tool group when the type information corresponds to a lip type. How to operate a deep learning-based mold type classification system.
KR1020210159275A 2021-11-18 2021-11-18 System for classfying mold type baseond on deep learning and operating method thereof KR20230072739A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210159275A KR20230072739A (en) 2021-11-18 2021-11-18 System for classfying mold type baseond on deep learning and operating method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210159275A KR20230072739A (en) 2021-11-18 2021-11-18 System for classfying mold type baseond on deep learning and operating method thereof

Publications (1)

Publication Number Publication Date
KR20230072739A true KR20230072739A (en) 2023-05-25

Family

ID=86541961

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210159275A KR20230072739A (en) 2021-11-18 2021-11-18 System for classfying mold type baseond on deep learning and operating method thereof

Country Status (1)

Country Link
KR (1) KR20230072739A (en)

Similar Documents

Publication Publication Date Title
KR20190063839A (en) Method and System for Machine Vision based Quality Inspection using Deep Learning in Manufacturing Process
TWI760916B (en) Manufacturing system for automatic production line in factory
KR102088509B1 (en) Method and apparatus for detection of anomaly on computer system
US20210069990A1 (en) Systems, Methods, and Media for Manufacturing Processes
JP2020512631A (en) Automated decision making using stepwise machine learning
US20180336477A1 (en) Information processing apparatus and non-transitory computer readable medium
US20210311440A1 (en) Systems, Methods, and Media for Manufacturing Processes
KR20230072739A (en) System for classfying mold type baseond on deep learning and operating method thereof
CN112529218A (en) Building safety detection method and system based on correlation analysis
US20210192779A1 (en) Systems, Methods, and Media for Manufacturing Processes
Srinivasa Rao et al. A Markov system dynamics approach for repairable systems reliability modeling
JP2023516776A (en) Systems, methods and media for manufacturing processes
Vater et al. Development of a Cloud-and Edge-Architecture for adaptive model weight optimization of a CNN exemplified by optical detection of hairpin welding
JP7306460B2 (en) Adversarial instance detection system, method and program
US20160357879A1 (en) Method and apparatus for checking the buildability of a virtual prototype
KR20230025698A (en) Systems, methods and media for manufacturing processes
US11543804B2 (en) System and method for remotely managing configuration of industrial machines
JP7286023B1 (en) Machining failure analysis device, machining system, machining failure analysis method, and machining method
CN115427984A (en) Machine learning program, machine learning method, and machine learning device
da Rocha et al. Intelligent product quality failure prediction system in smart factories based on machine learning techniques
Hermann et al. KI Based Chip Classification for Detection of Unwanted Chip Buildup
Pingel Making AI Explainable
Glatt et al. Framework for synergetic integration of heterogenous Digital Twins in Manufacturing Systems
JP2023104050A (en) Information processing method, control program, information processing apparatus, and information processing system
CN114730279A (en) Protection of industrial production against complex attacks

Legal Events

Date Code Title Description
E902 Notification of reason for refusal