KR20230119842A - 인공지능 기반의 제품의 외관 결함을 검사하는 방법 및 장치 - Google Patents

인공지능 기반의 제품의 외관 결함을 검사하는 방법 및 장치 Download PDF

Info

Publication number
KR20230119842A
KR20230119842A KR1020220016099A KR20220016099A KR20230119842A KR 20230119842 A KR20230119842 A KR 20230119842A KR 1020220016099 A KR1020220016099 A KR 1020220016099A KR 20220016099 A KR20220016099 A KR 20220016099A KR 20230119842 A KR20230119842 A KR 20230119842A
Authority
KR
South Korea
Prior art keywords
product
appearance
artificial intelligence
image
defects
Prior art date
Application number
KR1020220016099A
Other languages
English (en)
Inventor
고재필
이광준
Original Assignee
금오공과대학교 산학협력단
주식회사 러닝비전
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 금오공과대학교 산학협력단, 주식회사 러닝비전 filed Critical 금오공과대학교 산학협력단
Priority to KR1020220016099A priority Critical patent/KR20230119842A/ko
Publication of KR20230119842A publication Critical patent/KR20230119842A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biochemistry (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Processing (AREA)

Abstract

본 발명은 인공지능 기반의 제품의 외관 결함을 검사하는 방법 및 장치에 관한 것이다. 상기 방법은 검사할 제품의 외관을 촬영한 이미지를 획득하는 단계; 기 학습된 인공지능 모델을 통해, 상기 획득된 이미지를 분석하여 상기 제품의 외관 결함 여부에 대한 검사를 수행하는 단계; 및 상기 검사 결과를 통지하는 단계를 포함할 수 있다. 본 발명의 일 실시 예는 제품의 외관 결함을 빠르고 정확하게 검사하여 시간 및 노동력을 절감할 수 있고, 과검 문제를 해소하는 효과를 제공할 수 있다.

Description

인공지능 기반의 제품의 외관 결함을 검사하는 방법 및 장치{METHOD AND APPARATUS FOR EXAMINING APPEARANCE FAULTS OF PRODUCT BASED ON ARTIFICIAL INTELLIGENCE}
본 발명은 인공지능 기반의 제품의 외관 결함을 검사하는 방법 및 장치에 관한 것이다.
기술 발전과 함께 다양한 제품(예: 이차 전지, 디스플레이, 철강, 자동차, 인테리어 필름 등)이 제조 및 판매되고 있다. 상기 제품의 제조사들은 제품을 판매하기 전에 제품에 결함이 존재하는지 확인하는 검사 절차를 수행한다. 예를 들어, 제조사는 제품의 외관에 결함이 있는지 직접 확인할 수 있다. 또는, 제조사들은 제품의 외관을 촬영하고, 촬영된 이미지를 분석하여 결합 여부를 확인하는 비전 검사 장치를 이용할 수 있다.
하지만, 상기 직접 검사 방식은 시간 및 노동력이 많이 소요되는 문제가 있다. 또한, 비전 검사 장치를 이용하는 경우 제조사는 소비자에게 신뢰성을 주기 위해 불량 제품의 유출을 최소화할 수 있도록 결함 검출 기준을 높게 설정하고 있다. 이러한 경우 비전 검사는 과검(결함이 없는 제품을 결함이 있는 제품으로 분류)이 대량으로 발생하는 문제가 존재한다. 따라서, 최근에는 제품의 외관 결함을 빠르고 정확하게 검사할 수 있는 방안이 요구되고 있다.
본 발명은, 전술한 종래 기술의 문제점을 해결하기 위한 것으로, 제품의 외관 결함 여부를 빠르고 정확하게 검사할 수 있는 인공지능 기반의 제품의 외관 결함을 검사하는 방법 및 장치를 제공할 수 있다.
이와 같은 목적을 달성하기 위한, 본 발명의 일 실시예에 따른 인공지능 기반의 제품의 외관 결함을 검사하는 방법은 검사할 제품의 외관을 촬영한 이미지를 획득하는 단계; 기 학습된 인공지능 모델을 통해, 상기 획득된 이미지를 분석하여 상기 제품의 외관 결함 여부에 대한 검사를 수행하는 단계; 및 상기 검사 결과를 통지하는 단계를 포함할 수 있다.
상기 방법은 상기 이미지를 획득하는 단계 이후에 상기 획득된 이미지에 대한 비전 검사를 수행하는 단계를 더 포함할 수 있다. 이때, 상기 인공지능 모델을 통한 상기 제품의 외관 결함 여부에 대한 검사는 상기 비전 검사를 통해 결함이 검출된 제품에 대하여 수행될 수 있다.
상기 제품의 외관 결함 여부에 대한 검사를 수행하는 단계는 상기 획득된 이미지로부터 특징을 추출하는 단계; 상기 추출된 특징에 기초하여, 각 클래스(class)에 해당할 확률을 산출하는 단계; 및 상기 산출된 각 클래스에 해당할 확률과 지정된 판정 기준치를 비교하여, 상기 제품의 결함 유형을 분류하는 단계를 포함할 수 있다.
상기 판정 기준치는 외관 결함의 검출 난이도에 기초하여, 클래스 별로 각각 설정될 수 있다.
상기 방법은 외관 결함을 가지는 결함 제품을 촬영한 이미지 및 상기 결함 제품의 결함 유형이 라벨(label)된 학습 데이터들을 수집하는 단계; 상기 수집된 학습 데이터들을 증대하는 단계; 및 상기 수집 및 증대된 학습 데이터들을 기초로, 상기 인공지능 모델을 학습하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 따른 인공지능 기반의 제품의 외관 결함을 검사하는 장치는 인공지능 모델을 저장하는 메모리; 및 검사할 제품의 외관을 촬영한 이미지를 획득하고, 상기 인공지능 모델을 통해, 상기 획득된 이미지를 분석하여 상기 제품의 외관 결함 여부에 대한 검사를 수행하며, 및 상기 검사 결과를 통지하는 프로세서를 포함할 수 있다.
상기 장치는 상기 검사할 제품의 외관을 촬영하는 카메라를 더 포함할 수 있다.
상기 메모리는 비전 검사 모듈을 더 포함할 수 있다. 이때, 상기 프로세서는 상기 비전 검사 모듈을 이용하여 상기 획득된 이미지에 대한 비전 검사를 수행하고, 상기 비전 검사를 통해 결함이 검출된 제품에 대하여 상기 인공지능 모델을 이용한 상기 제품의 외관 결함 여부에 대한 검사를 수행할 수 있다.
상기 인공지능 모델은 상기 획득된 이미지로부터 특징을 추출하고, 상기 추출된 특징에 기초하여, 각 클래스(class)에 해당할 확률을 산출하고, 상기 산출된 각 클래스에 해당할 확률과 지정된 판정 기준치를 비교하여 상기 제품의 결함 유형을 분류할 수 있다.
상기 판정 기준치는 외관 결함의 검출 난이도에 기초하여, 클래스 별로 각각 설정될 수 있다.
상기 인공지능 모델은 외관 결함을 가지는 결함 제품을 촬영한 이미지 및 상기 결함 제품의 결함 유형이 라벨(label)된 학습 데이터, 및 상기 학습 데이터를 증대한 데이터를 기초로, 학습을 수행할 수 있다.
본 발명의 일 실시 예는 제품의 외관 결함을 빠르고 정확하게 검사할 수 있다. 이에, 본 발명은 시간 및 노동력을 절감할 수 있고, 과검 문제를 해소할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 인공지능 기반의 제품의 외관 결함을 검사하는 절차를 개략적으로 도시한 도면이다.
도 2는 본 발명의 일 실시 예에 따른 인공지능 모델의 학습 절차를 도시한 흐름도이다.
도 3은 본 발명의 일 실시 예에 따른 학습 데이터를 증대하는 방법을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시 예에 따른 인공지능 기반의 제품의 외관 결함을 검사하는 방법을 설명하기 위한 흐름도이다.
도 5는 본 발명의 일 실시 예에 따른 인공지능 기반의 제품의 외관 결함을 검사하는 방법을 설명하기 위한 예시도이다.
도 6은 본 발명의 일 실시 예에 따른 인공지능 기반의 제품의 외관 결함을 검사하는 장치의 구성을 도시한 블록도이다.
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.
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.
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.
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.
이하, 첨부된 도면을 참조하여 본 발명의 구성에 대하여 상세히 설명한다.
도 1은 본 발명의 일 실시 예에 따른 인공지능 기반의 제품의 외관 결함을 검사하는 절차를 개략적으로 도시한 도면이다.
도 1을 참조하면, 본 발명의 일 실시 예는 인공지능을 이용하여 다양한 제품(예: 이차 전지, 디스플레이, 철강, 자동차, 인테리어 필름 등)의 외관 결함을 검사할 수 있다. 외관 결함을 검사하는 절차는 제품의 외관 결함을 검사하기 위한 인공지능 모델을 생성하는 모델 생성 절차(10) 및 생성된 인공지능 모델을 이용하여 제품의 외관 결함을 검사하는 모델 적용 절차(20)를 포함할 수 있다.
상기 모델 생성 절차(10)는 다양한 케이스(외관 결함 유형)에 대한 학습 이미지(또는 학습 데이터)를 확보하는 분류별 학습 이미지 확보 단계(1-1), 인공지능 모델이 각 분류(케이스)별로 특징을 파악하여 학습하는 반복 학습 단계(1-2), 및 학습 결과에 따라 인공지능 모델을 구성하는 각 레이어의 가중치를 결정하는 모델 생성 단계(1-3)를 포함할 수 있다. 이에 대한 설명은 도 2 및 3을 참조하여 후술하기로 한다.
상기 모델 적용 절차(20)는 비전 검사기를 이용하여 검사 대상(제품)을 촬영한 이미지에 대한 비전 검사를 수행하는 비전 검사 단계(2-1), 이미지가 각 분류에 해당할 확률을 계산하는 확률 계산 단계(2-2), 계산된 확률에 기초하여 이미지의 유형(예: 이미지에 대응하는 제품의 결함 유형)을 판정하는 분류 판정 단계(2-3), 및 분류 결과를 통지하는 분류 완료 단계(2-4)를 포함할 수 있다. 이에 대한 설명은 도 4 및 5를 참조하여 후술하기로 한다.
도 2는 본 발명의 일 실시 예에 따른 인공지능 모델의 학습 절차를 도시한 흐름도이고, 도 3은 본 발명의 일 실시 예에 따른 학습 데이터를 증대하는 방법을 설명하기 위한 도면이다.
도 2 및 도 3을 참조하면, 본 발명의 일 실시 예에 따른 인공지능 모델의 학습 절차(또는 생성 절차)는 학습 이미지를 수집하는 단계(S210)를 포함할 수 있다. 상기 학습 이미지는 외관 결함을 가지는 실제 제품을 촬영하여 획득될 수 있다. 또한, 상기 학습 이미지는 촬영된 실제 제품의 외관 결함의 유형이 라벨(label)되어 있다.
일 실시 예에 따르면, 상기 학습 절차는 학습 이미지들을 증대(augmentation)하는 단계(S220)를 포함할 수 있다. 예를 들어, 상기 S220 단계는, 도 3에 도시된 바와 같이, 원본 이미지에 대하여 위치 변경(310), 회전 이동(320), 크기 변경(330), 또는 밝기 변경(340)을 수행하여 학습 이미지를 증대할 수 있다. 한편, 상기 S220 단계는 위치 변경(310), 회전(320), 크기 변경(330), 및 밝기 변경(340) 중 적어도 2개를 조합하여 학습 이미지를 증대하거나, 다른 이미지 처리(예: 반전)를 적용하여 학습 이미지를 증대할 수 있다.
일 실시 예에 따르면, 상기 학습 절차는 수집 및 증대된 학습 이미지들에 기초하여 인공지능 모델을 학습하는 단계(S230)를 포함할 수 있다. 예를 들어, 상기 S230 단계는 각 학습 이미지로부터 특징(feature)을 추출하고, 추출된 특징과 유사한 특징을 가지는 이미지의 입력 시 상기 학습 이미지에 라벨된 결함의 유형으로 정확하게 분류될 수 있도록 인공지능 모델을 구성하는 각 레이어의 가중치를 최적화(결정)할 수 있다.
도 4는 본 발명의 일 실시 예에 따른 인공지능 기반의 제품의 외관 결함을 검사하는 방법을 설명하기 위한 흐름도이고, 도 5는 본 발명의 일 실시 예에 따른 인공지능 기반의 제품의 외관 결함을 검사하는 방법을 설명하기 위한 예시도이다.
도 4 및 도 5를 참조하면, 본 발명의 일 실시 예에 따른 인공지능 기반의 제품의 외관 결함을 검사하는 방법은 검사하고자 하는 제품(이하, 검사 대상)의 외관을 촬영한 이미지를 획득하는 단계(S410)를 포함할 수 있다. 예를 들어, 검사 대상이 검사 장치를 통과할 때 검사 장치에 설치된 적어도 하나의 카메라를 통해 검사 대상의 외관을 촬영할 수 있다. 검사 장치는 카메라를 이동하거나, 서로 다른 위치에 설치된 다수의 카메라를 통해 다양한 각도에서 검사 대상을 촬영할 수 있다. 다른 예로, 검사 장치는 외부 장치로부터 검사 대상을 촬영한 이미지를 전송받을 수 있다.
일 실시 예에 따르면, 상기 검사 방법은 획득된 이미지에 기초하여 검사 대상의 외관 결함 여부에 대한 비전 검사를 수행하는 단계(S420)를 포함할 수 있다. 예를 들어, 상기 S420 단계는 비전 검사 모듈을 통해 상기 적어도 하나의 이미지를 분석하여 제품의 외관에 이상이 있는지 확인(예: 평평해야 되는 면에 돌출부 또는 홈이 있는지 확인, 돌출부의 크기가 기준치 이상인지 확인)할 수 있다. 상기 비전 검사는 룰(rule) 기반으로 수행될 수 있다.
일 실시 예에 따르면, 상기 검사 방법은 인공지능 모델(도 2 및 3의 절차를 통해 학습된 인공지능 모델)을 통해, 비전 검사에서 외관 결함이 검출된 검사 대상의 외관 결함 여부에 대한 검사를 수행하는 단계(S430)를 포함할 수 있다. 예를 들어, 상기 S430 단계는, 도 5에 도시된 바와 같이, 검사 대상을 촬영한 이미지(510)(이하, 판정 이미지)로부터 특징(feature)을 추출하고, 추출된 특징에 기초하여 각 결함 케이스(또는 클래스(class))에 해당할 확률(스코어)를 산출하고, 산출된 확률과 지정된 판정 기준치를 비교하여 결함 여부 및 유형을 결정(분류)할 수 있다.
어떤 실시 예에 따르면, 외관 결함 검출의 난이도에 기초하여 각 결함 케이스로 판정하기 위한 판정 기준치는 다르게 설정될 수 있다. 예를 들어, 도 5에 도시된 바와 같이, 판정 이미지(510)가 제1 유형일 확률 내지 제4 유형일 확률이 0.5로 동일하고, 제1 유형의 판정 기준치는 0.8이고, 제2 유형의 판정 기준치는 0.6이고, 제3 유형의 판정 기준치는 0.6이며, 제4 유형의 판정 기준치는 0.4인 것으로 가정하면, 판정 이미지(510)는 제4 유형으로 결정(분류)될 수 있다.
일 실시 예에 따르면, 상기 검사 방법은 검사 결과를 통지하는 단계(S440)를 포함할 수 있다. 예를 들어, S440 단계는 검사 결과(외관 결함 여부 및 결함 유형)을 출력 장치(예: 디스플레이)를 통해 출력(예: 디스플레이)할 수 있다. 어떤 실시 예에 따르면, 상기 검사 결과는 통신 모듈을 통해 외부 전자 장치(예: 서버, 외부 단말기)로 전송될 수 있다.
상술한 본 발명의 검사 방법은 검사 대상이 매우 많은 경우 S420 단계의 비전 검사를 통해 1차적으로 불량 제품을 검출(예: 과검출)하고, S430 단계의 인공지능 모델을 통해 정밀 검사를 수행하여 검사 속도를 향상시킬 수있다. 일 실시 예에 따르면, 상기 S420 단계는 빠른 검사를 원하지 않거나, 빠른 검사 요구되지 않는 경우 생략될 수 있다.
도 6은 본 발명의 일 실시 예에 따른 인공지능 기반의 제품의 외관 결함을 검사하는 장치의 구성을 도시한 블록도이다.
도 6을 참조하면, 본 발명의 일 실시 예에 따른 인공지능 기반의 제품의 외관 결함을 검사하는 장치(600)(이하, 검사 장치)는 메모리(610), 디스플레이(620), 프로세서(630), 및 카메라(640)을 포함할 수 있다.
메모리(610)는 프로세서(630)와 전기적으로 연결될 수 있고, 검사 장치(600)를 동작시키기 위한 다양한 프로그램들, 및 프로세서(630)를 동작시키기 위한 다양한 명령 및/또는 인스트럭션들을 저장할 수 있다. 메모리(610)는 내장 메모리 또는 외장 메모리 중 적어도 어느 하나를 포함할 수 있다. 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. 외장 메모리는 다양한 인터페이스를 통하여 진단 장치(600)와 연결될 수 있는 SD(secure digital), Micro-SD, Mini-SD, 또는 USB(universal serial bus) 메모리 등을 포함할 수 있다.
메모리(610)는 인공지능 모델(611) 및 비전 검사 모듈(612)을 포함할 수 있다. 비전 검사 모듈(612)은 검사 대상을 촬영한 적어도 하나의 이미지를 분석하고, 룰(rule) 기반으로 제품의 외관 결함을 검출할 수 있다. 인공지능 모델(611)은, 도 2 내지 도 5를 참조하여 상술한 바와 같이, 학습 이미지(또는 학습 데이터)에 기초하여 학습(예: 지도 학습)될 수 있고, 학습 결과에 기초하여 제품의 외관을 촬영한 이미지를 분석(특징 추출)하여 결함을 검사(예: 결함 여부 및 유형을 분류)할 수 있다.
디스플레이(620)는 입력 기능 및/또는 출력 기능을 제공할 수 있다. 예를 들어, 디스플레이(620)는 터치 패널 및/또는 표시 패널을 포함할 수 있다. 디스플레이(620)는 검사 결과를 표시할 수 있다.
프로세서(630)는 메모리(610)로부터 명령(command) 또는 인스트럭션들(instructions)을 수신하고, 수신된 명령 또는 인스트럭션들에 따라 각 구성 요소들을 제어하여, 다양한 기능들을 수행할 수 있다. 프로세서(630)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. 본 발명의 일 실시 예에 따른 프로세서(630)는, 도 2 내지 도 5를 참조하여 상술한 바와 같이, 인공지능 모델(611)의 학습 절차 및 인공지능 모델(611)을 이용한 제품의 외관 결함을 검사하는 절차를 제어할 수 있다.
카메라(640)는 검사하고자 하는 제품(검사 대상)을 촬영할 수 있다. 즉, 상기 카메라(640)를 통해 촬영된 이미지는 인공지능 모델(611)에 입력되어 외관 결함을 검사하는데 이용될 수 있다. 일 실시 예에 따르면, 카메라(640)는 검사 장치(600)에 이동 가능하게 설치되거나, 다수 개 설치되어 검사 대상을 다양한 각도에서 촬영할 수 있다.
어떤 실시 예에 따르면, 검사 장치(600)는 카메라(640)를 포함하지 않고, 외부 장치로부터 검사 대상을 촬영한 이미지를 수신(또는 다운로드)하고, 수신된 이미지를 기반으로 제품의 외관 결함을 검사할 수 있다.
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.
600: 진단 장치
610: 메모리 611: 인공지능 모델
620: 디스플레이 630: 프로세서
640: 카메라

Claims (11)

  1. 인공지능 기반의 제품의 외관 결함을 검사하는 방법에 있어서,
    검사할 제품의 외관을 촬영한 이미지를 획득하는 단계;
    기 학습된 인공지능 모델을 통해, 상기 획득된 이미지를 분석하여 상기 제품의 외관 결함 여부에 대한 검사를 수행하는 단계; 및
    상기 검사 결과를 통지하는 단계를 포함하는 것을 특징으로 하는 방법.
  2. 제 1 항에 있어서,
    상기 이미지를 획득하는 단계 이후에 상기 획득된 이미지에 대한 비전 검사를 수행하는 단계를 더 포함하고,
    상기 인공지능 모델을 통한 상기 제품의 외관 결함 여부에 대한 검사는
    상기 비전 검사를 통해 결함이 검출된 제품에 대하여 수행되는 것을 특징으로 하는 방법.
  3. 제 1 항에 있어서,
    상기 제품의 외관 결함 여부에 대한 검사를 수행하는 단계는
    상기 획득된 이미지로부터 특징을 추출하는 단계;
    상기 추출된 특징에 기초하여, 각 클래스(class)에 해당할 확률을 산출하는 단계; 및
    상기 산출된 각 클래스에 해당할 확률과 지정된 판정 기준치를 비교하여, 상기 제품의 결함 유형을 분류하는 단계를 포함하는 것을 특징으로 하는 방법.
  4. 제 3 항에 있어서,
    상기 판정 기준치는
    외관 결함의 검출 난이도에 기초하여, 클래스 별로 각각 설정되는 것을 특징으로 하는 방법.
  5. 제 1 항에 있어서,
    외관 결함을 가지는 결함 제품을 촬영한 이미지 및 상기 결함 제품의 결함 유형이 라벨(label)된 학습 데이터들을 수집하는 단계;
    상기 수집된 학습 데이터들을 증대하는 단계; 및
    상기 수집 및 증대된 학습 데이터들을 기초로, 상기 인공지능 모델을 학습하는 단계를 더 포함하는 것을 특징으로 하는 방법.
  6. 인공지능 기반의 제품의 외관 결함을 검사하는 장치에 있어서,
    인공지능 모델을 저장하는 메모리; 및
    검사할 제품의 외관을 촬영한 이미지를 획득하고, 상기 인공지능 모델을 통해, 상기 획득된 이미지를 분석하여 상기 제품의 외관 결함 여부에 대한 검사를 수행하며, 및 상기 검사 결과를 통지하는 프로세서를 포함하는 것을 특징으로 하는 장치.
  7. 제 6 항에 있어서,
    상기 검사할 제품의 외관을 촬영하는 카메라를 더 포함하는 것을 특징으로 하는 장치.
  8. 제 6 항에 있어서,
    상기 메모리는 비전 검사 모듈을 더 포함하고,
    상기 프로세서는
    상기 비전 검사 모듈을 이용하여 상기 획득된 이미지에 대한 비전 검사를 수행하고, 상기 비전 검사를 통해 결함이 검출된 제품에 대하여 상기 인공지능 모델을 이용한 상기 제품의 외관 결함 여부에 대한 검사를 수행하는 것을 특징으로 하는 장치.
  9. 제 6 항에 있어서,
    상기 인공지능 모델은
    상기 획득된 이미지로부터 특징을 추출하고, 상기 추출된 특징에 기초하여, 각 클래스(class)에 해당할 확률을 산출하고, 상기 산출된 각 클래스에 해당할 확률과 지정된 판정 기준치를 비교하여 상기 제품의 결함 유형을 분류하는 것을 특징으로 하는 장치.
  10. 제 9 항에 있어서,
    상기 판정 기준치는
    외관 결함의 검출 난이도에 기초하여, 클래스 별로 각각 설정되는 것을 특징으로 하는 장치.
  11. 제 6 항에 있어서,
    상기 인공지능 모델은
    외관 결함을 가지는 결함 제품을 촬영한 이미지 및 상기 결함 제품의 결함 유형이 라벨(label)된 학습 데이터, 및 상기 학습 데이터를 증대한 데이터를 기초로, 학습을 수행하는 것을 특징으로 하는 장치.
KR1020220016099A 2022-02-08 2022-02-08 인공지능 기반의 제품의 외관 결함을 검사하는 방법 및 장치 KR20230119842A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220016099A KR20230119842A (ko) 2022-02-08 2022-02-08 인공지능 기반의 제품의 외관 결함을 검사하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220016099A KR20230119842A (ko) 2022-02-08 2022-02-08 인공지능 기반의 제품의 외관 결함을 검사하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20230119842A true KR20230119842A (ko) 2023-08-16

Family

ID=87848633

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220016099A KR20230119842A (ko) 2022-02-08 2022-02-08 인공지능 기반의 제품의 외관 결함을 검사하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR20230119842A (ko)

Similar Documents

Publication Publication Date Title
US10964004B2 (en) Automated optical inspection method using deep learning and apparatus, computer program for performing the method, computer-readable storage medium storing the computer program, and deep learning system thereof
CN110659660B (zh) 利用深度学习系统的自动光学检测分类设备及其训练设备
CN110402487B (zh) 对从晶片检测的缺陷进行分类的方法和装置
US11189019B2 (en) Method for detecting defects, electronic device, and computer readable medium
US20190197356A1 (en) Data generation apparatus, data generation method, and data generation program
US11029260B2 (en) Solder paste printing quality inspection system and method
JP2019032268A (ja) 表面欠陥判定方法および表面欠陥検査装置
CN111160301A (zh) 基于机器视觉的隧道病害目标智能识别及提取方法
US11538148B2 (en) Defect detection of a component in an assembly
JP2019191117A (ja) 画像処理装置、画像処理方法及びプログラム
CN111060512A (zh) 智能缺陷识别系统
WO2014103617A1 (ja) 位置合せ装置、欠陥検査装置、位置合せ方法、及び制御プログラム
CN114596244A (zh) 基于视觉处理和多特征融合的红外图像识别方法及系统
CN112149693A (zh) 轮廓识别模型的训练方法和目标对象的检测方法
KR20230119842A (ko) 인공지능 기반의 제품의 외관 결함을 검사하는 방법 및 장치
JP6708695B2 (ja) 検査装置
KR102298708B1 (ko) 검사 대상에 존재하는 결함을 검사하는 방법 및 이를 수행하는 장치들
KR20230036650A (ko) 영상 패치 기반의 불량 검출 시스템 및 방법
KR20240064037A (ko) 피로 테스트를 통해 물체의 표면 결함 및 브레이크 디스크의 크랙을 인공 지능에 의해 식별 및 특성화하는 방법
KR102434442B1 (ko) 검사 대상의 결함 검사를 고속으로 수행하는 방법 및 이를 수행하는 장치들
KR20210106038A (ko) 딥러닝 기반의 ai 기술을 활용한 2차전지 분리막 자동 검사장치
TWM606740U (zh) 瑕疵檢測系統
Manasa et al. Fault Detection of Assembled PCB through Image Processing using LABVIEW
TWI765364B (zh) 人工智慧瑕疵影像分類方法與其系統
KR20240020507A (ko) 펄프몰드 제품의 불량 판정 및 그 방법