KR20230081911A - 선택적 인공 지능 엔진 기반 대상체 비파괴 검사 방법, 장치 및 시스템 - Google Patents

Abstract

선택적 인공 지능 엔진 기반 대상체 비파괴 검사 방법, 장치 및 시스템이 제공된다. 상기 선택적 인공 지능 엔진 기반 대상체에 대한 비파괴 검사를 수행하는 전자 장치는, 결함 검사를 위한 복수 개의 학습 변수와 상기 개별 학습 변수에 대응되는 복수 개의 학습 모델을 저장하는 메모리; 및 상기 대상체의 결함을 검사하는 프로세서를 포함하되, 상기 프로세서는, 상기 저장된 복수 개의 학습 모델 중 선택된 적어도 하나의 학습 모델에 기초하여 상기 대상체의 결함 검사를 수행하는 처리부를 포함한다.

Description

선택적 인공 지능 엔진 기반 대상체 비파괴 검사 방법, 장치 및 시스템{METHOD, APPARATUS AND SYSTEM FOR NON-CONSTRUCTIVE INSPECTION OF OBJECT BASED ON SELECTIVE ARTIFICIAL INTELLIGENCE ENGINE}

본 발명은 대상체 비파괴 검사에 관한 것으로, 보다 자세하게는 선택적 인공 지능 엔진에 기초하여 대상체에 대한 비파괴 결함 검사를 수행하는 방법, 장치 및 시스템에 관한 것이다.

제품의 불량은 공급망 서비스의 저하, 자동화 설비의 손실 등을 발생시킬 수 있다. 그러므로 제품의 불량 여부를 제대로 검사하는 것이 매우 중요하다.

방사선 특히, 엑스레이(X-ray)를 활용하여 대상체(object)를 파괴하지 않는 즉, 비파괴 검사가 품질 검사에 활용되고 있는데, 종래 방사선 비파괴 검사는 단일 기술을 적용하여 대상체에 대한 엑스레이 영상 내 불량 여부를 검출하였다. 그러나 이러한 종래 검사 방식은 불량 검출 성능의 한계가 있어, 상기 엑스레이 영상으로부터 모든 불량을 검출하지 못하는 즉, 미검출되는 불량이 있는 문제점이 있었다. 뿐만 아니라, 대상체의 구성물에 따라 특징이 상이한바, 이는 동종이형의 경우에도 검사의 결과 즉, 정확도에 차이가 발생할 수 있어 검사의 신뢰도를 떨어뜨리는 문제점이 있다.

대한민국 등록특허공보 제10-2249836호 (2021.05.03)

본 발명이 해결하고자 하는 과제는, 검사 대상체에 대하여 최적의 인공 지능 학습 모델을 선택하여 비파괴 검사 정확도 향상을 통해 검사 신뢰도를 높이면서 동시에 검사 시스템의 효율성을 높이는 방법, 장치 및 시스템을 제공하는 것이다.

본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 선택적 인공 지능 엔진 기반 대상체에 대한 비파괴 검사를 수행하는 전자 장치는, 결함 검사를 위한 복수 개의 학습 변수와 상기 개별 학습 변수에 대응되는 복수 개의 학습 모델을 저장하는 메모리; 및 상기 대상체의 결함을 검사하는 프로세서를 포함하되, 상기 프로세서는, 상기 저장된 복수 개의 학습 모델 중 선택된 적어도 하나의 학습 모델에 기초하여 상기 대상체의 결함 검사를 수행하는 처리부를 포함한다.

본 발명의 일 면에 따른 전자 장치에서 선택적 인공 지능 엔진 기반 대상체에 대한 비파괴 검사 방법은, 결함 검사를 위한 복수 개의 학습 변수와 상기 개별 학습 변수에 대응되는 복수 개의 학습 모델을 저장하는 단계; 상기 대상체의 이미지 데이터를 입력받는 단계; 상기 저장된 학습 모델을 통해 상기 입력받는 대상체에 대한 카테고리를 결정하고, 상기 결정된 대상체의 카테고리에 기초하여 상기 저장된 복수 개의 학습 모델 중 적어도 하나의 학습 모델을 선별적으로 선택하는 단계; 상기 선택된 적어도 하나의 학습 모델에 기초하여 상기 대상체의 결함 검사를 수행하는 단계; 및 상기 결함 검사 결과를 제공하는 단계를 포함한다.

본 발명의 일면에 따른 선택적 인공 지능 엔진 기반 대상체 비파괴 검사 시스템은, 방사선을 조사하여 대상체에 대한 이미지 데이터를 획득하는 영상 획득 장치; 및 전자 장치를 포함하되, 상기 전자 장치는, 결함 검사를 위한 복수 개의 학습 변수와 상기 개별 학습 변수에 대응되는 복수 개의 학습 모델을 저장하는 메모리; 및 상기 저장된 복수 개의 학습 모델 중 선택된 적어도 하나의 학습 모델에 기초하여 상기 대상체의 결함 검사를 수행하는 프로세서를 포함한다.

본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 발명에 따르면, 다음과 같은 효과들을 가질 수 있다.

본 발명에 따르면, 검사 대상체에 대한 비파괴 검사의 정확도 향상을 통해 검사 신뢰도를 높이면서 동시에 검사 시스템의 효율성을 높일 수 있다.

본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1 은 본 발명의 일 실시 예에 따른 인공 지능 기반 대상체 비파괴 검사 시스템을 도시한 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 대상체 비파괴 검사 방법을 설명하기 위해 도시한 흐름도이다.
도 3은 본 발명의 일 실시 예에 따른 전자 장치의 구성 블록도이다.
도 4는 본 발명의 일 실시 예에 따른 학습부의 구성 블록도이다.
도 5는 본 발명의 일 실시 예에 따른 처리부의 구성 블록도이다.
도 6은 본 발명의 다른 일 실시 예에 따른 전자 장치의 구성 블록도이다.
도 7은 도 6의 처리부의 구성 블록도이다.
도 8과 도 9는 본 발명에 따른 대상체 비파괴 검사 결과를 설명하기 위해 도시한 도면이다.
도 10은 본 발명의 다른 일 실시 예에 따른 대상체 비파괴 방법을 설명하기 위해 도시한 흐름도이다.

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 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

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 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 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.

공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓여질 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.

본 명세서에서 '이미지 또는 이미지 데이터(image data)'는 방사선을 이용하는 튜브(Tube), 디텍터(Detector) 등을 통해 얻어진 정지 영상(still image)이나 동영상(video) 데이터를 의미한다. 일 실시 예로, 상기 이미지는 X-ray 튜브나 X-ray 디텍터를 통해 대상체(object)에 대한 X-ray 이미지일 수 있다. 이 때, 상기 X-ray 이미지는 예를 들어, 2D(Dimensional) 이미지와 연속적인 2D 이미지 집합(image aggregation)으로부터 재구성(reconstruction)된 CT(Computed Tomography) 이미지, 재구성된 CT 볼륨(volume) 데이터의 단면(slice) 이미지를 포함할 수 있다.

본 명세서에서 '결함'은 본 발명에 따른 인공 지능 기반으로 결함 검사의 대상이 되는 대상체에 대한 비파괴 검사시, 상기 대상체에 대하여 정상(normal)으로 정의된 또는 정의될 수 있는 부분이 아닌 부분을 나타내는 것으로, 이는 불량 또는 오류 등 다양한 명칭으로 표현할 수도 있다. 실시 예에 따라, 본 발명은 그러한 표현에 한정되지 않고, 통상적인 의미에서의 결함과 동일 또는 유사한 의미도 포함할 수 있다.

도 1 은 본 발명의 일 실시 예에 따른 인공 지능 기반 대상체 비파괴 검사 시스템을 도시한 블록도이다.

도 1을 참조하면, 본 발명의 일 실시 예에 따른 인공 지능 기반 대상체 비파괴 검사를 수행하는 시스템은, 전자 장치(100)와 영상 획득 장치(150)를 포함하여 구성될 수 있다. 이 때, 도 1에 도시된 전자 장치(100)와 영상 획득 장치(150)의 구성은 일 실시 예로서 이에 한정되지 않으며, 본 발명에 따른 동작 수행과 관련하여 하나 또는 그 이상의 구성요소가 추가되어 구성될 수도 있고, 그 반대일 수도 있다.

전자 장치(100)는 메모리(memory)와 프로세서(processor)를 포함하여 구성될 수 있으며, 상기 메모리는 도 1에 도시된 데이터베이스(120)에 대응되거나 그를 포함할 수 있고, 상기 프로세서는 제어부(110)와 AI 엔진(130) 중 적어도 하나를 포함할 수 있다. 이 때, AI 엔진(130)은 딥러닝 네트워크를 포함하나, 이에 한정되는 것은 아니다.

상기 전자 장치(100)는, 상기 영상 획득 장치(150)와 네트워크를 통해 연결되어 대상체에 대한 이미지 데이터를 수신할 수 있다.

영상 획득 장치(150)는 디텍터(160), 엑스레이 튜브(170) 및 광원(lighting source)(미도시)를 포함하여 구성될 수 있으며, 상기 디텍터(160)는 2D 디텍터와 3D 디텍터 중 적어도 하나일 수 있다. 상기에서, 디텍터(160) 및 엑스레이 튜브(170)는 각각 대상체에 대한 엑스레이 영상 획득 장치로, 이는 기존의 공지된 구성으로 이루어질 수 있다. 이외에도,　영상 획득 장치(150)는 이동 대상체의 움직임(motion)을 촬영할 수 있는 장치 및　CT　디텍터(미도시)를　추가로 구비할 수도 있다. 광원은 투과성 광원인 테라헤르츠(terahertz)를 포함하나, 이에 한정되는 것은 아니다.

전자 장치(100)의 일 구성요소로서, 제어부(110)는 전자 장치(100)에서 수행되는 동작을 제어하며, 데이터베이스(120)는 영상 획득 장치(150)로부터 수신되는 대상체의 이미지, 상기 대상체에 대한 결함 검사에 이용되는 학습 데이터셋(learning dataset), 상기 학습 데이터셋에 대응되는 학습 모델(learning model) 등 전자 장치(100)에 의해 수신, 처리 등이 이루어지는 데이터를 저장한다.

제어부(110)는 대상체의 이미지 데이터를 입력으로 데이터베이스(120)에 저장된 학습 모델을 통해 상기 대상체의 카테고리를 결정(classification)(또는 분류)하고, 결함 검사의 대상인 상기 대상체의 이미지 데이터에 대한 결함 검사 동작 모드를 특정하고, 상기 특정된 결함 검사 동작 모드에 대응되는 적어도 하나의 학습 모델을 선별적으로 선택하여, 선택된 학습 모델에 기초하여 상기 대상체의 이미지 데이터로부터 결함 검사를 수행하는 다양한 기계학습 모델(Machine-learning model)의 알고리즘 및 관련 애플리케이션을 수행하는 연산 능력이 있는 하드웨어 유닛(hardware unit)을 포함할 수 있다.　예를 들어,　제어부(110)는 중앙 처리 장치(Central Processing Unit),　마이크로 프로세서(microprocessor)　및 그래픽 프로세서(Graphic Processing Unit)　중 적어도 하나를 포함할 수 있다.　또한,　제어부(110)는 기계 학습 모델 알고리즘 또는 애플리케이션을 저장하는 별도의 메모리(미도시)를 더 포함할 수 있다.

전자 장치(100)는 결함 검사를 위하여 대상체에 대한 이미지 데이터를 학습시켜서, AI 엔진(130)에 입력하여 (고화질 또는 개선된) 대상체 이미지 데이터를 획득할 수 있다. 이 때, AI 엔진(130)을 통해 획득된 이미지는 일반적인 의미에서 영상 획득 장치(150)로부터 입력된 대상체 이미지 데이터보다 전체적으로 고화질이거나 개선된 이미지 데이터뿐만 아니라 인공 지능 기반으로 대상체에 대한 비파괴 검사시 결함 검사의 관점에서 전부 또는 일부 개선된 또는 새로운 이미지 데이터를 나타낼 수 있다.

일 실시 예에 따라, 전자 장치(100)는 상기 학습 전 대상체에 대한 이미지 데이터에 대한 검사 결과와 상기 AI 엔진(130)을 통해 획득한 대상체에 대한 이미지 데이터에 대한 검사 결과를 비교하여 새로운 학습 모델을 추가 정의할 수도 있다. 전자 장치(100)는 이렇게 추가된 학습 모델에 기반하여 입력되는 대상체의 이미지로부터 AI 엔진(130)의 이용 여부 즉, 입력된 대상체의 이미지 데이터가 아닌 상기 AI 엔진(130)을 통해 획득한 대상체의 이미지 데이터를 결함 여부 검사에 이용할 지 여부를 결정하고, 그에 따른 동작을 수행할 수도 있다.

따라서, 본 발명과 관련하여 전자 장치(100)로 입력되는 대상체의 엑스레이 이미지는 검사 장비 예를 들어, 반도체 불량 검출, PCB 기판 불량 검출, 식품 및 제약 분야의 이물질 검출 등의 다양한 분야의 검사에 활용될 수 있다.

도 2는 본 발명의 일 실시 예에 따른 대상체 비파괴 검사 방법을 설명하기 위해 도시한 흐름도이다. 도 3은 본 발명의 일 실시 예에 따른 전자 장치(100)의 구성 블록도이다. 도 4는 본 발명의 일 실시 예에 따른 학습부(220)의 구성 블록도이다. 도 5는 본 발명의 일 실시 예에 따른 처리부(230)의 구성 블록도이다. 도 6은 본 발명의 다른 일 실시 예에 따른 전자 장치(100)의 구성 블록도이고, 도 7은 도 6의 처리부(610)의 구성 블록도이다. 도 8과 도 9는 본 발명에 따른 대상체 비파괴 검사 결과를 설명하기 위해 도시한 도면이다. 도 10은 본 발명의 다른 일 실시 예에 따른 대상체 비파괴 방법을 설명하기 위해 도시한 흐름도이다.

도 2 및 도 10의 동작들은 도 1의 전자 장치(100)를 통해 수행될 수 있다. 여기서, 도 2 및 도 10의 동작들을 도 3 내지 7에 도시된 전자 장치(100)의 구성을 참조하여 설명한다.

먼저, 도 2를 참조하면, 동작 11에서, 전자 장치(100)는 복수의 학습 변수와 대응 학습 모델을 저장할 수 있다. 여기서, '학습 변수'라 함은 후술하는 훈련 데이터셋(제1 및/또는 제2 훈련 데이터셋)을 나타내고, '대응 학습 모델'이라 함은 상기 훈련 데이터셋을 이용하여 생성된 학습 모델을 나타낸다.

동작 12에서, 입력부(310)는 영상 획득 장치(150)로부터 방사선(예를 들어, X선) 조사를 통해 획득된 대상체의 이미지 데이터를 수신한다.

실시 예에 따라서, 동작 11과 동작 12는 그 동작 순서가 도 2에 도시된 바와 다르게 정의될 수도 있다. 이는 비단 동작 11 및 동작 12뿐만 아니라 도 2(및 후술하는 도 10)에 도시된 동작들의 순서에도 적용될 수 있다.

입력부(310)로 입력되는 대상체의 이미지 데이터는, 영상 획득 장치(150)로부터 수신한 로 데이터(raw data)이거나 전술한 AI 엔진(130)을 통하여 결함 검사에 적합하도록 적어도 일부에 대해 가공 처리된 데이터일 수 있다.

일 실시 예에서, 수신한 대상체의 이미지 데이터 즉, 로 데이터에 기초하여 결함 검사 수행 여부를 미리 판단할 수 있다. 별도의 동작 또는 후술하는 동작 16에 따른 대상체 결함 여부 판단 결과에 기초하여, 상기 이용한 로 데이터에 오류가 있거나 검사 결과에 대한 신뢰도가 미리 정한 기준치 이하로 판단되면, 그라운드 트루쓰(Ground Truth)에 해당하는 결과를 얻기 어려울 뿐만 아니라 설령 유사한 결과를 얻는다고 하더라도 해당 결과를 신뢰할 수 없기 때문에, 이 경우에는 전술한 바와 같이 AI 엔진(130)을 통해 개선된 이미지 데이터를 획득하여 그것을 결함 검사를 위한 기본 데이터로 이용할 수 있다.

학습부(320)는, 훈련 데이터셋을 입력으로 하여 전처리 모듈(410), 특징 추출 모듈(420) 및 검사 처리 모듈(430)을 통해, 상기 입력 훈련 데이터셋에 대응되는 학습 모델을 생성하여 메모리에 일시 저장할 수 있다.

동작 13과 동작 14에서, 처리부(330)는 입력되는 대상체의 이미지 데이터 기반 학습 모델을 통해 상기 대상체의 카테고리(category)를 결정하고, 상기 결정된 카테고리에 기초하여 상기 대상체에 대한 결함 검사 동작 모드를 특정하여, 상기 특정된 동작 모드에 대응되는 학습 모델을 선택할 수 있다.

동작 15에서, 처리부(330)는 선택된 학습 모델에 기초하여 상기 대상체의 이미지 데이터로부터 결함 여부를 검사하고, 결함 여부 검사 결과 데이터를 생성한다.

동작 16에서, 출력부(340)는 처리부(330)에서 대상체 대해 생성한 결함 여부 검사 결과 데이터를 제공한다. 본 명세서에서, '제공'이라 함은, 디스플레이를 통한 직접 또는 간접 출력, 대상 단말로의 전송 및/또는 출력 제어 등 상기 대상체에 대한 결과의 출력과 관련된 다양한 의미로 정의될 수 있다.

도 10을 참조하여 본 발명에 따른 인공 지능 기반 대상체 비파괴 검사 방식을 보다 상세하게 설명하면, 다음과 같다.

동작 21과 동작 22에서, 전자 장치(100)는 검사 대상의 이미지 데이터 기반 결함 검사를 위한 모델을 학습하고, 대상체의 이미지 데이터를 수신하는데, 이는 각각 전술한 도 2의 동작 11과 동작 12에 대응되는 동작이다.

동작 23에서, 전자 장치(100)는 대상체에 대한 결함 검사 동작 모드를 결정한다.

동작 24-1에서, 전자 장치(100)는 상기 동작 23에서 결정한 결함 검사 동작 모드가 제1 동작 모드이면, 동작 모드 선택 모듈을 통해 해당 동작 모드에 대응하는 학습 모델을 선택하여, 대상체의 이미지 데이터를 처리, 즉 결함 검사를 수행한다.

반면, 동작 24-2에서, 전자 장치(100)는 상기 동작 23에서 결정한 결함 검사 동작 모드가 제2 동작 모드이면, 동작 모드 선택 모듈을 통해 해당 동작 모드에 대응하는 학습 모델을 선택하여, 대상체의 이미지 데이터를 처리, 즉 결함 검사를 수행한다.

상기 동작 23과 동작 24와 관련하여, 결함 검사 동작 모드 결정(제1 모드, 제2 모드) 및 결정된 결함 검사 동작 모드에 따른 대상체의 이미지 데이터 처리에 대한 상세 내용은 아래 도 4 내지 5의 설명 부분에서 후술한다. 본 발명의 기술 사상에 대한 이해를 돕기 위하여, 본 명세서에서는 결함 검사 동작 모드로 제1 및 제2 동작 모드, 2개만을 정의하여 설명하였으나, 설정이나 요청에 따라 동작 모드의 개수, 동작 모드의 정의 등은 다르게 구현될 수 있다.

도 3을 참조하면, 전자 장치(100)는 입력부(310), 결함 검사부 및 출력부(340)를 포함하여 구성될 수 있다. 이 때, 상기 결함 검사부는 학습부(Learning part)(320)와 처리부(Processing part)(330)를 포함하여 구성될 수 있다.

도 4를 참조하면, 결함 검사부를 구성하는 학습부(320)는, 메모리로부터 대상체의 비파괴 검사 즉, 결함 검사의 학습을 위한 훈련 데이터(또는 데이터셋)를 입력받아 전처리하는 전처리 모듈(410), 상기 전처리된 데이터로부터 특징을 추출하는 특징 추출 모듈(420), 및 추출된 특징에 기초하여 결함 검사에 이용될 학습 모델을 생성하는 검사 처리 모듈(430)을 포함하여 구성될 수 있다. 상기에서, 학습부(320)는 하나의 AI 엔진을 결함 검사의 학습에 이용할 수 있으나, 이에 한정되는 것은 아니다. 실시 예에 따라서, 학습부(320)는 복수의 학습 모듈로 구현되고 각 학습 모듈은 서로 다른 AI 엔진을 결함 검사의 학습에 이용할 수 있다. 이 때, 상기 개별 학습 모듈은 전술한 학습부(320)의 전처리 모듈, 특징 추출 모듈 및 검사 처리 모듈 중 적어도 하나 이상을 포함하여 구성될 수도 있다.

도 4를 참조하면, 훈련 데이터셋 즉, Prod #1, Prod #2, …, Prod #N(여기서, N은 양의 정수)은, 미리 정의된 개별 검사 대상에 대한 제1 훈련 데이터셋으로 정의할 수 있다. 또한, 학습 모델 Model #1, Model #2, …, Model #N(여기서, N은 양의 정수)은 상기 제1 훈련 데이터셋에 대응하여 생성된 학습 모델 즉, 제1 학습 모델로 정의할 수 있다.

다시 말해, 학습부(320)는 복수의 학습 변수 즉, 개별 제1 훈련 데이터셋을 이용하여 대응하는 복수의 개별 제1 학습 모델을 생성할 수 있다. 이렇게 생성된 제1 학습 모델은 개별 검사 대상에 특화된 학습 모델로 정의할 수도 있다. 즉, 학습부(320)는 N(여기서, N은 양의 정수)개의 제1 훈련 데이터셋에 대응하여 N개의 제1 학습 모델을 생성할 수 있다.

한편, 적어도 둘 이상의 개별 제1 훈련 데이터셋으로 조합된 또는 모든 제1 훈련 데이터셋을 포함한 제2 훈련 데이터셋을 정의할 수 있다. 이러한 제2 훈련 데이터셋은, 풀(Full) 훈련 데이터셋, 조합된(Combinated) 훈련 데이터셋 또는 통합(United) 훈련 데이터셋 등으로 명명될 수도 있다. 학습부(320)는 이러한 제2 훈련 데이터셋을 이용하여 제2 학습 모델을 생성할 수 있다. 따라서, 제2 학습 모델은 전술한 제1 학습 모델과는 상이한 학습 모델이며, 상기 제2 학습 모델의 개수는 상기 정의되는 제2 훈련 데이터셋의 개수에 의해 결정될 수 있다. 또한, 상기에서 제2 훈련 데이터셋에 이용되는 개별 훈련 데이터셋은 전술한 제1 훈련 데이터셋과 동일하거나 그렇지 않을 수 있다. 예를 들어, 제2 훈련 데이터셋에는 상기 제1 훈련 데이터셋으로 분류되지 않은 적어도 하나 이상의 훈련 데이터셋이 포함될 수 있다. 이러한 관점에서, 제1 훈련 데이터셋은 제1 학습 모델 생성에 기초가 되는 분류된 훈련 데이터셋으로 볼 수도 있다.

한편, 도 4, 5 및 7에서 설명의 편의상 모든 제1 훈련 데이터셋을 포함한 하나의 제2 훈련 데이터셋만 정의하였으나, 이에 한정되지 않는다. 다시 말해, 상기 제2 훈련 데이터셋은 구성 방식에 따라 복수 개의 제2 훈련 데이터셋으로 정의될 수 있으며, 대응하는 학습 모델 역시 복수 개일 수 있다.

상기에서, 생성되는 제1 및/또는 제2 학습 모델은 검사 대상에 따라 파라미터(parameter), 가중치(weight) 등의 값이 상이하게 설정될 수 있다.

후술하는 바와 같이, 본 발명에서는 대상체의 대상 특정 여부에 따라 어떤 학습 모델을 이용할 것인지 결정하고, 결정된 학습 모델에 따라 대상체의 결함 여부 검사를 수행할 수 있다. 이 때, 상기에서 대상 특정 여부는 예를 들어, 대상체 대해 결정된 카테고리 내지 분류를 의미할 수 있다. 실시 예에 따라, 상기 대상 특정 여부는 전자 장치(100)에 의해서가 아니라 외부 입력 예를 들어, 대상체에 대한 결함 검사 요청자 내지 단말의 입력이나 요청에 의해 결정될 수도 있다. 따라서, 상기 대상 특정 여부는 결함 검사의 대상이 되는 대상체에 대하여 결함 검사에 이용 가능한 학습 모델을 특정할 수 있는 지 여부로 판단될 수도 있다. 즉, 전자 장치(100)는 상기 외부 입력이 수신되면, 그에 기초하여 학습 모델을 특정하여 선별적으로 선택할 수 있다. 전자 장치(100)는 상기 대상체의 대상이 특정되는 경우에는 특정된 대상에 대응하는 특정 제1 학습 모델을 선택 이용하나, 그렇지 않은 경우에는 제2 학습 모델을 이용하여 상기 대상체의 결함 여부를 검사할 수 있다. 이 때, 전자 장치(100)는 상기 제2 학습 모델이 복수 개인 경우에는, 그 중 어떤 제2 학습 모델(들)을 이용할 것인지 아니면 복수의 제2 학습 모델 전부를 이용할 것인지 결정하여 그에 따라 대상체에 대한 결함 검사를 수행할 수 있다.

한편, 실시 예에 따라서, 기수행된 대상체의 결함 검사 결과가 미리 정한 기준치 이하이고, 상기 저장된 복수 개의 학습 모델 중 기 선택된 학습 모델이 상기 복수 개의 제1 학습 모델 중 하나이면, 전자 장치(100)는 상기 저장된 복수 개의 학습 모델 중 상기 제1 학습 모델에 속하는 다른 제1 학습 모델이 아닌 제2 학습 모델을 선택하도록 제어할 수 있다. 실시 예에 따라서, 대상체에 대한 대상 특정과 무관하게 또는 대상체의 대상 특정이 어려운 경우 등에서, 전자 장치(100)는 디폴트(default) 설정된 제1 학습 모델 또는 제2 학습 모델 중 적어도 하나에 기초하여 대상체에 대한 결함 검사를 수행할 수도 있다. 이 경우, 전자 장치(100)는 디폴트로 설정된 특정 학습 모델에 따른 대상체 결함 검사 결과에 기초하여 추가 학습 모델 정의 내지 재검사 등 여부를 결정하여 해당 동작을 수행할 수도 있다. 예를 들어, 전자 장치(100)는 디폴트로 설정된 특정 제1 학습 모델에 기초하여 대상체에 대한 결함 검사를 수행하고, 수행 결과가 미리 정의한 기준치 이하이면 제2 학습 모델에 기초하여 대상체에 대한 결함 검사를 재수행할 수 있다. 실시예에 따라서, 전자 장치(100)는 디폴트로 제1 학습 모델 중 적어도 둘 이상의 특정 제1 학습 모델을 선정하여 대상체에 대한 결함 검사를 수행하고, 수행 결과에 따라 제2 학습 모델에 기초한 결함 검사 재수행 여부를 결정할 수 있다. 이 때, 상기 선정되는 특정 제1 학습 모델은 결함 검사의 대상이 되는 대상체에 대한 정보, 이전 결함 검사 수행 히스토리, 전자 장치(100)의 설정 사항, 검사 요청자 또는 단말에 의한 입력 정보 등에 기초하여 결정될 수 있다. 이는 또한, 대상체의 대상 특정에도 동일 또는 유사한 형태로 이용될 수 있다.

도 4에 도시된 학습부(320)의 동작은, i) 도 3에 도시된 입력부(310)를 통해 결함 검사의 대상이 되는 대상체의 이미지 데이터가 입력되는 경우, ii) 상기 i)의 이전 정기 또는 비정기, iii) 상기 i)과 무관하게 정기 또는 비정기로 수행될 수도 있다.

도 5를 참조하면, 처리부(330)는 모델 선택 모듈(510), 전처리 모듈(520), 특징 추출 모듈(530) 및 검사 처리 모듈(540)을 포함하여 구성될 수 있다.

여기서, 전처리 모듈(520), 특징 추출 모듈(530) 및 검사 처리 모듈(540)은 도 4에 도시된 대응 구성요소와는 개별 구성요소일 수 있다. 따라서, 전처리 모듈, 특징 추출 모듈 및 검사 처리 모듈은 전술한 도 4의 학습부(320)와 도 5의 처리부(330)에 각각 개별 구현된 것으로 볼 수 있다.

한편, 실시 예에 따라서, 도 6에 도시된 바와 같이 하나의 처리부가 존재하고 이 경우, 전처리 모듈, 특징 추출 모듈 및 검사 처리 모듈은 도 7에 도시된 바와 같이, 전술한 도 4의 학습부(320)와 도 5의 처리부(330)에서 공유하는 형태로 구현될 수도 있다.

모델 선택 모듈(510)은 대상체에 대한 결함 검사 동작 모드를 결정하고, 상기 결정된 결함 검사 동작 모드에 대응하는 도 4에서 훈련 데이터셋 기반으로 생성된 학습 모델 중 적어도 하나를 선별적으로 선택한다. 실시 예에 따라, 상기 모델 선택 모듈(510)은 도 1의 제어부(110) 또는 도 4의 학습부(320) 내 구성요소에 의해 이미 결정된 결함 검사 동작 모드에 따라 도 4에서 훈련 데이터셋 기반으로 생성한 학습 모델 중 적어도 하나를 단순 선택할 수도 있다.

도 5를 참조하면, 처리부(330)는 입력부(310)를 통해 입력받은 대상체의 이미지 데이터에 대하여 전처리 모듈(520)에서 전처리를 수행하고, 전처리된 대상체의 이미지 데이터는 모델 선택 모듈(510)에서 결함 검사 동작 모드에 대응하는 학습 모델로 선택된 학습 모델 기반으로 특징 추출 모듈(530)과 검사 처리 모듈(540)을 통해 상기 대상체의 이미지 데이터로부터 결함 여부를 검사하고, 검사 결과에 기반 결함 검사 결과 데이터를 생성하여, 출력부(340)로 전달한다. 이후, 출력부(340)는, 전달받은 상기 대상체의 결함 검사 결과 데이터를 제공한다.

한편, 본 명세서에서 제1 훈련 데이터셋은 대상체에 대한 검사를 위해 이미 분류된 데이터에 기초하여 생성될 수 있으며, 제2 훈련 데이터셋은 분류되지 않은 언노운(Unknown) 데이터에 기초하거나 그를 포함하여 생성될 수 있다.

하기 표 1을 참조하면, 본 발명과 관련하여, 학습 모델에 따른 결함 검사 결과를 도시한 것으로 볼 수 있다.

	Prod#1	Prod#2	Unknown
제2AI 학습모델	80.9%	84.2%	79.3%
Prod#1제1AI 학습모델	95.3%	61.9%	38.1%
Prod#2 제1AI 학습모델	52.1%	97.6%	50.7%

따라서, 전술한 바와 같이, 대상체에 대하여 특정된 대상에 대하여 선별적으로 학습 모델을 선정하여, 상기 대상체에 대한 결함 검사를 수행하는 것이 바람직하다. 즉, 대상체 대하여 대상이 특정되지 않은 언노운의 경우에는 제2 학습 모델을 이용하여 결함 검사를 수행하고, 기분류된 데이터 중 Prod#1에 대해서는 제1 학습 모델 중 Prod#1에 대응하는 제1 학습 모델을, 그리고 기분류된 데이터 중 Prod#2에 대해서는 제1 학습 모델 중 Prod#2에 대응하는 제1 학습 모델을 선별적으로 선정하여 결함 검사를 수행하는 것이 가장 성능이 우수하고 효율적이며, 원하는 결함 검사 결과를 획득할 수 있다.

다른 실시예에 따라, 도 6 및 7을 참조하면, 전자 장치(100)의 결함 검사부(610)은, 도 3에 도시된 결함 검사부의 구성과 상이할 수 있다. 즉, 도 3에서 결함 검사부는 학습부(320)와 처리부(330)가 개별 구성으로 도시되고 각 구성은 개별적으로 전처리 모듈, 특징 추출 모듈 및 검사 처리 모듈을 구비하는 방식으로 구현되었으나, 도 6 및 7에서는 전처리 모듈(720), 특징 추출 모듈(740) 및 검사 처리 모듈(750)을 결함 검사부(610)가 공유하여 도 3의 학습부와 처리부의 기능을 수행하는 방식으로 모듈화 구현되었다. 이 때, 도 6 및 도 7의 결함 검사 처리부(610)는 도 5에 도시된 바와 같은 모델 선택 모듈(710)을 포함한다.

한편, 도 2의 동작 16과 같이, 결함 여부 검사 결과 데이터는 예를 들어, 도 8이나 도 9의 (c) 내지 도 9의 (d)와 같은 방식으로 대상체의 이미지 데이터 상에 검출된 결함 부분을 표시하는 방식으로 제공될 수 있다. 다만, 본 발명은 이러한 제공 방식에 한정되는 것은 아니다. 예를 들어, 상기와 같은 방식에 검출된 결함의 타입, 결함의 정도, 결함의 개수, 결함 비율 등과 관련된 텍스트, 오디오, 이미지(그래프) 등이 더 추가되거나 개별로 제공될 수도 있다.

도 8의 (a) 내지 도 8의 (b)는 전술한 제2 결함 검사 동작 모드 즉, 도 4 내지 5에서 설명한 제2 학습 모델을 이용한 대상체의 이미지 데이터로부터 결함 검사 결과를 나타낸다. 반면, 도 8의 (c) 내지 도 8의 (d)는 전술한 제1 결함 검사 동작 모드 즉, 도 4 내지 5에서 설명한 상기 대상체에 특화된 제1 학습 모델을 이용한 대상체의 이미지 데이터로부터 결함 검사 결과를 나타낸다.

도 9의 (a) 내지 도 9의 (b)는, 미리 생성된 하나의 학습된 모델만을 이용하여 대상체의 이미지 데이터 내 결함 여부 검사 결과를 나타낸 것이다. 이에 반해, 도 9의 (c) 내지 도 9의 (d)는 전술한 본 발명에 따라 다수의 학습 모델 중에서 선별적으로 학습 모델을 선택하여 대상체의 이미지 데이터 내 결함 여부를 검사한 결과를 나타낸 것이다.

도 8의 (a) 내지 도 8의 (d)에 도시된 이미지 데이터 내 사각형 부분(811 내지 844) 및 도 9의 (a) 내지 도 9의 (d)에 도시된 이미지 데이터 내 사각형 부분(911 내지 941)은 결함 검출 부분을 나타낸다.

본 발명의 권리범위와 관련하여, 프로세서는 문맥에 따라 도 3 내지 7에 도시된 입력부, 학습부, 처리부 및 출력부 모두를 나타내거나 그 중 적어도 하나 이상을 나타낼 수도 있다.

본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.

이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

100 : 전자 장치
150 : 이미지 획득 장치
310 : 입력부
320 : 학습부
330 : 처리부
340 : 출력부
510 : 모델 선택 모듈

Claims (10)

1. 선택적 인공 지능 엔진 기반 대상체에 대한 비파괴 검사를 수행하는 전자 장치에 있어서,
   결함 검사를 위한 복수 개의 학습 변수와 상기 개별 학습 변수에 대응되는 복수 개의 학습 모델을 저장하는 메모리; 및
   상기 대상체의 결함을 검사하는 프로세서를 포함하되,
   상기 프로세서는, 상기 저장된 복수 개의 학습 모델 중 선택된 적어도 하나의 학습 모델에 기초하여 상기 대상체의 결함 검사를 수행하는 처리부를 포함하는,
   선택적 인공 지능 엔진 기반 대상체 비파괴 검사 수행 전자 장치.
2. 제1항에 있어서,
   상기 프로세서는,
   상기 저장된 학습 모델을 통해 상기 입력받는 대상체에 대한 카테고리를 결정하고, 상기 결정된 대상체의 카테고리에 기초하여 상기 저장된 복수 개의 학습 모델 중 적어도 하나의 학습 모델을 선별적으로 선택하는,
   선택적 인공 지능 엔진 기반 대상체 비파괴 검사 수행 전자 장치.
3. 제1항에 있어서,
   상기 훈련 데이터셋에는,
   상기 복수 개의 학습 변수 중 미리 분류된 학습 변수에 대한 개별 훈련 데이터가 포함된 제1 훈련 데이터셋과,
   상기 복수 개의 학습 변수 중 미리 분류되지 않은 학습 변수 또는 상기 적어도 둘 이상의 제1 훈련 데이터셋의 조합에 따른 훈련 데이터셋이 포함된 제2 훈련 데이터셋이 포함되는,
   선택적 인공 지능 엔진 기반 대상체 비파괴 검사 수행 전자 장치.
4. 제3항에 있어서,
   상기 프로세서는,
   상기 복수 개의 학습 모델을 상기 제1 훈련 데이터셋에 대응하는 각 제1 학습 모델과, 상기 제2 훈련 데이터셋에 대응하는 제2 학습 모델을 구분하여 생성 및 저장하는,
   선택적 인공 지능 엔진 기반 대상체 비파괴 검사 수행 전자 장치.
5. 제4항에 있어서,
   상기 프로세서는,
   상기 수행된 대상체의 결함 검사 결과가 미리 정한 기준치 이하이고, 상기 저장된 복수 개의 학습 모델 중 기 선택된 학습 모델이 상기 복수 개의 제1 학습 모델 중 하나이면, 상기 저장된 복수 개의 학습 모델 중 제2 학습 모델을 선택하도록 제어하는,
   선택적 인공 지능 엔진 기반 대상체 비파괴 검사 수행 전자 장치.
6. 제1항에 있어서,
   상기 프로세서는,
   상기 복수 개의 학습 변수에 대응하는 훈련 데이터셋을 전처리하는 전처리 모듈;
   전처리된 데이터로부터 특징을 추출하는 특징 추출 모듈; 및
   추출된 특징에 기초하여 상기 훈련 데이터셋에 대응하는 개별 학습 모델을 생성하는 처리 모듈을 포함하는,
   선택적 인공 지능 엔진 기반 대상체 비파괴 검사 수행 전자 장치.
7. 제1항에 있어서,
   상기 프로세서는,
   상기 대상체의 이미지 데이터를 입력받는 입력부와,
   상기 처리부의 결함 검사 결과를 제공하는 출력부를 더 포함하는,
   선택적 인공 지능 엔진 기반 대상체 비파괴 검사 수행 전자 장치.
8. 제1항에 있어서,
   상기 프로세서는,
   상기 대상체에 관한 외부 입력이 수신되면, 상기 외부 입력에 기초하여 상기 저장된 복수 개의 학습 모델 중 적어도 하나의 학습 모델을 선택하는,
   선택적 인공 지능 엔진 기반 대상체 비파괴 검사 수행 전자 장치.
9. 전자 장치에서 선택적 인공 지능 엔진 기반 대상체에 대한 비파괴 검사 방법에 있어서,
   결함 검사를 위한 복수 개의 학습 변수와 상기 개별 학습 변수에 대응되는 복수 개의 학습 모델을 저장하는 단계;
   상기 대상체의 이미지 데이터를 입력받는 단계;
   상기 저장된 학습 모델을 통해 상기 입력받는 대상체에 대한 카테고리를 결정하고, 상기 결정된 대상체의 카테고리에 기초하여 상기 저장된 복수 개의 학습 모델 중 적어도 하나의 학습 모델을 선별적으로 선택하는 단계;
   상기 선택된 적어도 하나의 학습 모델에 기초하여 상기 대상체의 결함 검사를 수행하는 단계; 및
   상기 결함 검사 결과를 제공하는 단계를 포함하는,
   전자 장치에서 선택적 인공 지능 엔진 기반 대상체에 대한 비파괴 검사 방법.
10. 방사선을 조사하여 대상체에 대한 이미지 데이터를 획득하는 영상 획득 장치; 및
    전자 장치를 포함하되, 상기 전자 장치는,
    결함 검사를 위한 복수 개의 학습 변수와 상기 개별 학습 변수에 대응되는 복수 개의 학습 모델을 저장하는 메모리; 및
    상기 저장된 복수 개의 학습 모델 중 선택된 적어도 하나의 학습 모델에 기초하여 상기 대상체의 결함 검사를 수행하는 프로세서를 포함하는,
    선택적 인공 지능 엔진 기반 대상체 비파괴 검사 시스템.

Images