KR20230126006A - 식료품을 인쇄하는 3d 프린터의 인쇄 품질을 예측하는 방법 및 장치 - Google Patents

식료품을 인쇄하는 3d 프린터의 인쇄 품질을 예측하는 방법 및 장치 Download PDF

Info

Publication number
KR20230126006A
KR20230126006A KR1020220022964A KR20220022964A KR20230126006A KR 20230126006 A KR20230126006 A KR 20230126006A KR 1020220022964 A KR1020220022964 A KR 1020220022964A KR 20220022964 A KR20220022964 A KR 20220022964A KR 20230126006 A KR20230126006 A KR 20230126006A
Authority
KR
South Korea
Prior art keywords
print quality
model
processor
predicting
printer
Prior art date
Application number
KR1020220022964A
Other languages
English (en)
Inventor
유현주
Original Assignee
주식회사 탑테이블
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 탑테이블 filed Critical 주식회사 탑테이블
Priority to KR1020220022964A priority Critical patent/KR20230126006A/ko
Priority to PCT/KR2023/002377 priority patent/WO2023163467A1/ko
Publication of KR20230126006A publication Critical patent/KR20230126006A/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
    • A23P—SHAPING OR WORKING OF FOODSTUFFS, NOT FULLY COVERED BY A SINGLE OTHER SUBCLASS
    • A23P20/00—Coating of foodstuffs; Coatings therefor; Making laminated, multi-layered, stuffed or hollow foodstuffs
    • A23P20/20—Making of laminated, multi-layered, stuffed or hollow foodstuffs, e.g. by wrapping in preformed edible dough sheets or in edible food containers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • A—HUMAN NECESSITIES
    • A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
    • A23P—SHAPING OR WORKING OF FOODSTUFFS, NOT FULLY COVERED BY A SINGLE OTHER SUBCLASS
    • A23P20/00—Coating of foodstuffs; Coatings therefor; Making laminated, multi-layered, stuffed or hollow foodstuffs
    • A23P20/20—Making of laminated, multi-layered, stuffed or hollow foodstuffs, e.g. by wrapping in preformed edible dough sheets or in edible food containers
    • A23P20/25—Filling or stuffing cored food pieces, e.g. combined with coring or making cavities
    • A23P2020/253—Coating food items by printing onto them; Printing layers of food products
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y30/00—Apparatus for additive manufacturing; Details thereof or accessories therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

본 발명의 일 실시예에 따르면, 식료품을 인쇄하는 3D 프린터의 인쇄 품질을 예측하기 위한 방법으로서, 3D 프린터의 공정 인자들을 복수의 그룹들로 분류하는 단계; 상기 분류 결과에 대응하는 입력 데이터를 상기 인쇄 품질을 예측하는 모델에 입력하는 단계; 및 상기 모델로부터 출력된 출력 데이터를 이용하여 상기 인쇄 품질을 나타내는 라벨을 획득하는 단계;를 포함할 수 있다.

Description

식료품을 인쇄하는 3D 프린터의 인쇄 품질을 예측하는 방법 및 장치{A method and an apparatus for predicting the printing quality of a 3D printer for printing groceries}
아래의 실시예들은 식료품을 인쇄하는 3D 프린터의 인쇄 품질을 예측하는 방법 및 장치 관한 것이다.
3D 푸드 프린팅 기술은 CAD나 3D 스캐너를 통해 만들어진 3 차원 디지털 디자인을 바탕으로 식품 구성 비율, 영양학적 데이터 등을 반영한 후, 식품원료를 한층씩 적층하여 3차원으로 재구성하는 식품 제조 기술이다.
곡류, 육류, 채소류와 같은 필수적인 식품과 3D 프린팅을 통한 새로운 구조적 특징을 결합하여 기존 식품의 형태와 질감을 자유롭게 디자인 할 수 있으며, 식품의 구성성분, 맛과 향미 등이 완전히 다른 개별적인 식품을 생산할 수 있어 다양한 식품 산업에 응용될 수 있다.
한편, 3D 프린터의 공정 인자들은 출력물의 인쇄 품질에 많은 영향을 미친다. 동일한 시료를 사용하여 출력물을 출력하더라도 3D 프린터에 설정된 공정 인자들에 따라 출력물의 품질은 상이할 수 있다. 실패없이 출력물을 인쇄하기 위한 공정 인자들의 최적화가 필요하나 공정 인자들과 출력물 품질의 상관 관계가 정확히 규명되지 않아, 공정 인자들의 최적화가 어려웠다. 따라서, 기존 식료품 3D 프린터의 사용자는 출력이 완료되기 전까지는 출력물의 품질을 예측하기 어려운 문제점이 존재하였다.
식료품을 인쇄하는 3D 프린터의 인쇄 품질을 예측하는 방법 및 장치를 제공하는데 있다.
본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 과제 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명이 해결하고자 하는 과제 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.
일 측면에 따르면, 식료품을 인쇄하는 3D 프린터의 인쇄 품질을 예측하기 위한 방법으로서, 3D 프린터의 공정 인자들을 복수의 그룹들로 분류하는 단계; 상기 분류 결과에 대응하는 입력 데이터를 상기 인쇄 품질을 예측하는 모델에 입력하는 단계; 및 상기 모델로부터 출력된 출력 데이터를 이용하여 상기 인쇄 품질을 나타내는 라벨을 획득하는 단계;를 포함할 수 있다.
상술한 방법에 있어서, 상기 분류하는 단계는, 상기 인쇄 품질에 끼치는 영향에 기초하여 상기 공정 인자들을 복수 개의 그룹으로 분류할 수 있다.
상술한 방법에 있어서, 상기 입력 데이터는, 상기 공정 인자의 정규화를 통하여 생성되는 데이터를 포함할 수 있다.
상술한 방법에 있어서, 상기 모델은, 상기 복수 개의 그룹들과 동일한 수의 오토 인코더들 및 단일 심층 신경망으로 구성될 수 있다.
상술한 방법에 있어서, 상기 공정 인자 데이터를 인쇄 품질 예측 모델에 입력하는 단계는, 상기 오토 인코더들 각각으로부터 출력된 잠재 변수들을 획득하는 단계; 및 상기 잠재 변수들을 상기 단일 심층 신경망에 입력하는 단계;를 포함할 수 있다.
상술한 방법에 있어서, 잠재 변수들을 획득하는 단계는, 상기 복수 개의 그룹 중 제n 그룹에 포함되는 입력 데이터 및 제n-1 그룹의 잠재 변수를 오토 인코더에 입력하여, n 잠재 변수를 추출하는 단계를 포함하고, 상기 n은 2 이상의 자연수를 포함할 수 있다.
상술한 방법에 있어서, 역전파 알고리즘을 사용하여 상기 모델을 훈련시키는 단계;를 더 포함할 수 있다.
다른 측면에 따르면, 식료품을 인쇄하는 3D 프린터의 인쇄 품질을 예측하기 위한 장치에 있어서, 통신을 수행하는 통신 모듈; 적어도 하나의 프로그램이 저장된 메모리; 및 상기 적어도 하나의 프로그램을 실행함으로써 연산을 수행하는 프로세서를 포함하고, 상기 프로세서는, 3D 프린터의 공정 인자들을 복수의 그룹들로 분류하고, 상기 분류 결과에 대응하는 입력 데이터를 상기 인쇄 품질을 예측하는 모델에 입력하고, 상기 모델로부터 출력된 출력 데이터를 이용하여 상기 인쇄 품질을 나타내는 라벨을 획득하는 장치를 포함할 수 있다.
또 다른 측면에 따르면, 본 발명의 방법을 컴퓨터에서 실행하기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체가 제공된다.
전술한 본 개시의 과제 해결 수단에 의하면, 식료품 3D 프린터의 출력물에 대한 인쇄 품질을 예측할 수 있다.
본 개시의 해결 수단 중 하나에 의하면, 출력이 완료되기 전 미리 인쇄 품질의 예측이 가능하여 사용자의 편의성을 향상 시킬 수 있다.
도 1 은 본 발명의 일 실시예에 따른 식료품을 인쇄하는 3D 프린터의 인쇄 품질을 예측하기 위한 방법을 나타낸 블록도이다.
도 2 는 본 발명의 일 실시예에 따른 3D 프린터의 공정 인자들을 복수 개의 그룹들로 분류하는 일 예를 설명하기 위한 도면이다.
도 3 은 본 발명의 일 실시예에 따른 식료품을 인쇄하는 3D 프린터의 인쇄 품질을 예측하는 모델의 일 예를 설명하기 위한 도면이다.
도 4 는 본 발명의 일 실시예에 따른 잠재 변수를 추출하는 일 예를 설명하기 위한 블록도이다.
도 5 는 본 발명의 일 실시예에 따른 입력 데이터를 예측 모델에 입력하는 일 예를 설명하기 위한 도면이다.
도 6 은 본 발명의 일 실시예에 따른 예측 모델로부터 출력된 출력 데이터를 이용하여 인쇄 품질을 예측하는 일 예를 설명하기 위한 도면이다.
도 7 은 본 발명의 일 실시예에 따른 역전파 알고리즘을 이용하여 예측 모델을 훈련하는 일 예를 설명하기 위한 블록도이다.
도 8 은 본 발명의 일 실시예에 따른 역전파 알고리즘을 이용하여 예측 모델을 훈련시키는 모습의 일 예를 설명하기 도면이다.
도 9 는 본 발명의 실시예에 따른 인쇄 품질 예측 장치를 나타낸 블록도이다.
본 실시예들에서 사용되는 용어는 본 실시예들에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 부분에서 상세히 그 의미를 기재할 것이다. 따라서, 본 실시예들에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 실시예들 전반에 걸친 내용을 토대로 정의되어야 한다.
본 실시예들에 사용되는 용어들은 다르게 정의되지 않는 한, 본 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 실시예들에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않아야 한다.
본 실시예들은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는바, 일부 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 본 실시예들을 특정한 개시형태에 대해 한정하려는 것이 아니며, 본 실시예들의 사상 및 기술범위에 포함되는 모든 변경, 대체물을 포함하는 것으로 이해되어야 한다. 본 명세서에서 사용한 용어들은 단지 실시예들의 설명을 위해 사용된 것으로, 본 실시예들을 한정하려는 의도가 아니다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.
또한, 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
아래에서는 첨부한 도면을 참고하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.
이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
종래의 식료품 3D 프린터는 식료품이라는 시료의 특성상 일반 3D 프린터로 출력한 출력물 보다 정밀도, 정확도가 떨어질 수 있다. 다시 말해, 시료를 동일하게 사용하여 동일한 출력물을 출력하더라도, 출력물의 인쇄 품질은 식료품 3D 프린터의 출력을 위해 설정된 공정 인자들에 따라 상이할 수 있다. 종래 기술에 따르면, 출력물 품질에 따른 공정 인자들의 최적화가 어려워 즉각적으로 출력물의 품질을 확인하기 힘들다는 문제점이 존재하였다. 한편, 본 발명의 일 실시예에 따른 식료품을 인쇄하는 3D 프린터의 인쇄 품질을 예측하는 방법 및 장치는 3D 프린터의 출력물의 품질을 즉각적으로 확인할 수 있는바, 상술한 문제점이 해소될 수 있다. 이하, 도 1 내지 도 9를 참조하여, 본 발명의 일 실시예에 따른 3D 프린터의 인쇄 품질을 예측하는 방법 및 장치를 설명한다.
도 1 은 본 발명의 일 실시예에 따른 식료품을 인쇄하는 3D 프린터의 인쇄 품질을 예측하기 위한 방법을 나타낸 블록도이다.
도 1 을 참조하면, 프로세서는 3D 프린터의 공정 인자들을 복수 개의 그룹들로 분류할 수 있다(S110).
공정 인자들은 3D 프린터의 인쇄 품질에 많은 영향을 끼치는 중요한 요소들을 의미한다. 예를 들어, 공정 인자들에는 노즐의 크기, 노즐의 이동속도, 압출 속도, 사용한 식료품 소재, 3D 프린터의 출력 속도 등 출력물의 품질에 영향을 주는 다양한 인자들이 포함될 수 있다.
프로세서는 공정 인자들이 인쇄 품질에 영향을 끼치는 정도에 따라 공정 인자들을 복수 개의 그룹으로 분류할 수 있다. 보다 상세히, 프로세서는 공정 인자들이 인쇄 품질에 영향을 끼치는 정도에 따라 공정 인자들을 복수 개의 그룹으로 분류한다.
예를 들어, 일반적인 3D 프린터와는 다르게, 식료품 3D 프린터는 외부 온도와 습도에 따라 출력물의 품질에 많은 영향을 받는다. 따라서, 공정 인자에는 외부 온도와 외부 습도가 포함 될 수 있다.
예를 들어, 공정 인자들이 인쇄 품질에 영향을 끼치는 정도에 기초하여, 공정 인자들은 아래 [표 1] 과 같이 복수 개의 그룹으로 분류될 수 있다. [표 1]에는 식료품 3D 프린터에 대한 48개의 공정 인자들과 외부 온도 및 습도를 포함하여, 총 50개의 공정 인자들이 포함되어 있다. [표 1] 에 따르면, 50개의 공정 인자들이 인쇄 품질에 영향을 끼치는 정도에 기초하여 4가지 그룹으로 분류된 것을 확인 할 수 있다. [표 1] 은 공정 인자들을 복수 개의 그룹으로 분류한 예시일 뿐 공정 인자들의 항목과 분류된 그룹의 수를 한정하는 것은 아니다.
1st group 2nd group 3rd group 4th group
Nozzle Size Wall Line Width Wall Flow Outer Wall Wipe Distance
Layer Height Outer Wall Line Width Outer Wall Flow Initial Bottom Layers
Line Width Inner Wall(s) Line Width Inner Wall(s) Flow Top/Bottom Pattern
Printing Temperature Top/Bottom Line Width Top/Bottom Flow Bottom Pattern Initial Layer
Print Speed Infill Line Width Infill Flow Seam Corner Preference
External Temperature Initial Layer Line Width Infill Speed Infill Pattern
Humidity Wall Thickness Wall Speed Printing Temperature Initial Layer
Infill Density Wall Line Count Top/Bottom Speed Outer Wall Speed
Initial Printing Temperature Top/Bottom Thickness Travel Speed Inner Wall Speed
Final Printing Temperature Top Thickness Initial Layer Speed Initial Layer Travel Speed
Flow Top Layers Initial Layer Print Speed
Initial Layer Flow Bottom Thickness Combining Mode
Bottom Layers Avoid Printed Parts When Traveling
Z Seam Alignment
Infill Line Distance
이하에서는, 설명의 편의를 위하여, 용어 '공정 인자'는 해당 공정 인자를 나타내는 값을 지칭하는 것으로 한다.
프로세서는 분류 결과에 대응하는 입력 데이터를 인쇄 품질을 예측하는 모델에 입력할 수 있다(S120).
예를 들어, 입력 데이터는 공정 인자들의 정규화 과정을 통해 생성될 수 있다. 각각의 공정 인자들은 공정 인자 마다 평균값과 분산이 모두 다르기 때문에, 인쇄 품질을 예측하는 모델에 적용하기 위해서는 정규화 과정을 통하여 입력 데이터가 생성되어야 한다.
예를 들어, 프로세서는 공정 인자들을 최대-최소 정규화하여 입력 데이터를 생성할 수 있다. 최대-최소 정규화는 아래의 [수학식 1]을 통하여 수행될 수 있다.
[수학식 1]
는 인쇄 품질을 예측하는 모델에 기설정된 공정 인자의 최대값이며, 는 인쇄 품질을 예측하는 모델에 기설정된 공정 인자의 최소값이다. 또한, 는 인쇄 품질을 예측하고자 하는 식료품 3D 프린터의 공정 인자 값이며, 은 정규화 과정을 통하여 생성된 입력 데이터이다,
그 후에, 프로세서는 입력 데이터를 인쇄 품질을 예측하는 모델에 입력할 수 있다.
인쇄 품질을 예측하는 모델은 그룹들의 수와 동일한 수의 오토 인코더와 단일 심층 신경망으로 구성될 수 있다. 인쇄 품질 예측 모델에 대한 설명은 도 3 및 도 5 내지 6을 참고하여 서술하도록 한다.
프로세서는 복수 개의 그룹들 각각에 대응하는 입력 데이터를 오토 인코더 각각에 입력할 수 있다. 보다 상세히, 프로세서는 인쇄 품질에 가장 많은 영향을 끼치는 제1 그룹에 대응하는 입력 데이터를 제1 오토 인코더에 입력하여 제1 잠재 변수를 추출하고, 제1 잠재 변수와 제2 그룹에 대응하는 입력 데이터를 제2 오토 인코더에 입력하여 제2 잠재 변수를 추출할 수 있다. 이러한 방식으로, 프로세서는 복수 개의 그룹들 각각에 대응하는 입력데이터를 오토 인코더에 입력할 수 있다.
또한, 프로세서는 추출한 복수 개의 잠재 변수를 심층 신경망에 입력하여, 인쇄 품질을 나타내는 값을 획득할 수 있다.
예를 들어, 잠재 변수에는 입력 데이터에서 노이즈가 제거된 결과 및 공정 인자의 특징들이 포함될 수 있다.
프로세서는 입력 데이터와 이전 오토 인코더에서 추출된 잠재 변수를 조합하여 다음 오토 인코더에 입력한다. 예를 들어, 제2 오토 인코더에는 제1 오토 인코더에서 추출된 잠재 변수 및 제2 입력 데이터가 입력된다. 따라서, 본 발명의 방법에 따르면, 인쇄 품질에 영향을 주는 공정 인자의 특징들이 잠재 변수에 반영되어 있을 수 있다. 또한, 복수 개의 그룹으로 분류된 입력 데이터에 기초하여 잠재 변수들이 추출되므로 인쇄 품질을 예측하는 모델의 정확도를 향상시킬 수 있다.
프로세서는 모델로부터 출력된 출력 데이터를 이용하여 인쇄 품질을 나타내는 라벨을 획득할 수 있다.(S130).
출력 데이터는 0~100% 범위의 인쇄 품질을 나타내는 예측 값을 나타낸다. 또한, 프로세서는 소정의 기준에 따라 출력 데이터를 어느 하나의 라벨(예를 들어, 실패, 낮음, 중간, 높음, 매우 높음 등)로 매칭할 수 있다. 예를 들어, 출력 데이터가 60% 미만인 경우, 프로세서는 '실패'라는 라벨로 매칭할 수 있다. 또한, 출력 데이터가 60% 이상 70% 미만인 경우, 프로세서는 '낮음'이라는 라벨로 매칭할 수 있다. 또한, 출력 데이터가 70% 이상 80% 미만인 경우, 프로세서는 '중간'이라는 라벨로 매칭할 수 있다. 또한, 출력 데이터가 80% 이상 90% 미만인 경우, 프로세서는 '높음'이라는 라벨로 매칭할 수 있다. 또한, 출력 데이터가 90% 이상인 경우, 프로세서는 '매우 높음'이라는 라벨로 매칭할 수 있다. 따라서, 사용자는 매칭된 라벨에 따라 3D 프린터의 인쇄 품질을 확인할 수 있다.
도 2 는 본 발명의 일 실시예에 따른 3D 프린터의 공정 인자들을 복수 개의 그룹들로 분류하는 일 예를 설명하기 위한 도면이다.
도 2를 참조하면, 공정 인자들(210)에는 외부 환경(온도 및 습도), 재료(시료), 출력물 품질, 출력 속도 등 다양한 요소들이 포함될 수 있다.
도 1 의 S110 단계에서 언급한 것처럼, 공정 인자들(210)은 각 공정 인자가 인쇄 품질에 영향을 끼치는 정도에 따라 복수 개의 그룹(220)으로 분류될 수 있다.
보다 상세히, 복수 개의 그룹(220) 중 제1 그룹으로 분류된 공정 인자들은 인쇄 품질에 가장 많은 영향을 끼친다. 또한, 제n 그룹으로 분류된 공정 인자들은 인쇄 품질에 가장 적은 영향을 끼친다. 여기에서 n은 2 이상의 자연수를 의미한다.
프로세서는 복수 개의 그룹으로 분류된 공정 인자들을 정규화하여 입력 데이터를 생성하고, 입력 데이터를 순차적으로 인쇄 품질을 예측하는 모델에 입력 할 수 있다.
도 3 은 본 발명의 일 실시예에 따른 식료품을 인쇄하는 3D 프린터의 인쇄 품질을 예측하는 모델의 일 예를 설명하기 위한 도면이다.
도 3을 참고하면, 인쇄 품질을 예측하는 모델은 복수 개의 오토 인코더(300)와 단일 심층 신경망(400)으로 구성될 수 있다. 인쇄 품질을 예측하는 모델은 복수 개의 오토 인코더(300)로부터 추출된 잠재 변수가 단일 심층 신경망에 입력되는 구조이다.
오토 인코더(300)의 수는 복수 개의 그룹들의 수와 동일할 수 있다. 다만, 설명의 편의를 위하여, 도 3 에서는 하나의 오토 인코더(300)와 심층 신경망(400)을 도시하였다. 인쇄 품질을 예측하는 모델에 복수 개의 오토 인코더(300)가 포함된 예는 도 5에 도시하였다.
오토 인코더(300)는 인코더 레이어 및 디코더 레이어를 포함한다. 인코더 레이어 및 디코더 레이어는 각각 복수 개의 히든 레이어를 포함 할 수 있다. 프로세서는 인코더 레이어에 포함된 히든 레이어를 이용하여 입력 데이터를 압축하고, 잠재 변수를 추출 할 수 있다. 보다 상세하게, 프로세서는 입력 데이터를 압축하여 공정 인자가 출력물의 인쇄 품질에 영향을 끼치는 특징들을 포함하는 잠재 변수를 추출할 수 있다.
또한, 프로세서는 디코더 레이어에 포함된 히든 레이어를 이용하여 압축된 입력 데이터를 복원시켜 출력 데이터를 생성할 수 있다. 디코더 레이어에 의해 생성된 출력 데이터는 역전파 알고리즘에 기초하여 인쇄 품질을 예측하는 모델을 학습시키는데 사용된다.
프로세서는 추출한 잠재 변수를 심층 신경망(400)에 입력할 수 있으며, 심층 신경망(400)으로부터의 출력은 인쇄 품질 예측 값을 나타내는 출력 데이터일 수 있다.
도 4 는 본 발명의 일 실시예에 따른 프로세서가 잠재 변수를 추출하는 일 예를 설명하기 위한 블록도이다.
프로세서는 복수 개의 그룹 중 제n 그룹에 포함되는 입력 데이터 및 제n-1 그룹의 잠재 변수를 오토 인코더에 입력하여, 제n 잠재 변수를 추출 할 수 있다. 여기에서, n은 2 이상의 자연수로서, 분류된 그룹의 수를 의미한다.
보다 자세히, 도 4 를 참고하여 잠재 변수를 추출 하는 예를 설명하고자 한다.
프로세서는 제1 그룹의 입력 데이터를 오토 인코더에 입력할 수 있다(S121). 그 후에, 프로세서는 제1 그룹의 잠재 변수를 추출 할 수 있다(S122).
그 후에, 프로세서는 제1 그룹의 잠재 변수와 제2 그룹의 입력 데이터를 오토 인코더에 입력할 수 있다(S123). 그 후에, 프로세서는 제2 그룹의 잠재 변수를 추출할 수 있다(S124).
보다 상세히, 제1 그룹의 잠재 변수를 추출한 뒤, 프로세서는 제1 그룹의 잠재 변수와 제2 그룹의 입력 데이터를 오토 인코더에 입력하여 제2 그룹의 잠재 변수를 추출할 수 있다.
프로세서는 모든 잠재 변수를 추출했는지 판단할 수 있다(S125). 보다 상세히, 프로세서는 모든 오토 인코더의 잠재 변수를 추출했는지 판단할 수 있다. 예를 들어, 공정 인자에 대하여 분류된 그룹의 수가 n개 이면, 오토 인코더의 수도 n개 일 수 있다. 프로세서는 모든 오토 인코더의 잠재 변수를 추출했다고 판단하면, 추출한 잠재 변수를 심층 신경망에 입력할 수 있다.
만약, 프로세서는 모든 오토 인코더의 잠재 변수를 추출하지 않았다고 판단하면, 제2 그룹의 잠재 변수와 제3 그룹의 입력 데이터를 오토 인코더에 입력할 수 있다(S126). 그리고, 프로세서는 제3 그룹의 잠재 변수를 추출할 수 있다(S127).
이와 같은 방식으로, 프로세서는 모든 오토 인코더들 각각에 대한 잠재 변수를 추출할 때까지 상술한 동작을 반복한다.(S128). 예를 들어, 공정 인자에 대하여 분류된 그룹의 수가 n개이면, 프로세서는 분류된 n개의 그룹에 대응하는 오토 인코더를 통하여 n개의 잠재 변수를 추출할 수 있다. 예를 들어, 분류된 그룹의 수가 4개이면, 프로세서는 4개의 잠재 변수를 추출 할 수 있다. 혹은, 분류된 그룹의 수가 5개이면, 프로세서는 5개의 잠재 변수를 추출 할 수 있다.프로세서는 상술한 동작을 반복하여(S128) 모든 오토 인코더들 각각에 대한 잠재 변수를 추출하면, 추출한 잠재 변수를 심층 신경망에 입력할 수 있다.
도 5 는 본 발명의 일 실시예에 따른 입력 데이터를 인쇄 품질을 예측하는 모델에 입력하는 일 예를 설명하기 위한 도면이다.
도 5 를 참고하면, 인쇄 품질을 예측하는 모델은 복수 개의 그룹에 대응하는 복수 개의 오토 인코더들(300)을 포함할 수 있다. 프로세서는 공정 인자들을 복수 개의 그룹들로 분류하고, 분류 결과에 대응하는 입력 데이터(310, 320, 330, 340)을 생성할 수 있다. 프로세서는 제1 그룹의 입력 데이터(310)를 오토 인코더에 입력하여 잠재 변수(311)을 추출하고, 잠재 변수(311)와 제2 그룹의 입력 데이터(320)을 합하여 오토 인코더에 입력 할 수 있다. 프로세서는 잠재 변수(321)을 추출하고, 잠재 변수 (321)와 제3 그룹의 입력 데이터(330)을 합하여 오토 인코더에 입력할 수 있다. 앞서 서술한 방식과 동일하게 프로세서는 잠재 변수(331)와 제4 그룹의 입력 데이터(340)을 합하여 오토 인코더에 입력할 수 있고 잠재 변수(341)을 추출할 수 있다.
본 발명의 일 실시예에 따르면, 인쇄 품질에 가장 많은 영향을 끼치는 공정 인자의 특징들이 전체 잠재 변수들에 모두 영향을 미치므로, 인쇄 품질을 예측하는 모델의 정확성이 높아질 수 있다.
오토 인코더의 출력 데이터(312, 322, 332, 342)는 입력 데이터(310, 320, 330, 340)와 비교하여 오차를 줄이기 위한 역전파 알고리즘에 사용될 수 있다. 프로세서는 역전파 알고리즘을 사용하여 인쇄 품질을 예측하는 모델을 훈련시킬 수 있다.
도 6 은 본 발명의 일 실시예에 따른 예측 모델로부터 출력된 출력 데이터를 이용하여 인쇄 품질을 예측하는 일 예를 설명하기 위한 도면이다.
도 6을 참조하면, 인쇄 품질을 예측하는 모델은 복수 개의 그룹에 대응하는 복수 개의 오토 인코더들(300)과 단일 심층 신경망(400)으로 구성될 수 있다.
프로세서는 복수 개의 오토 인코더들(300)로부터 추출한 잠재 변수(311, 321, 331, 341)들을 심층 신경망(400)에 입력할 수 있고, 심층 신경망(400)으로부터 인쇄 품질 예측 값을 나타내는 출력 데이터를 획득할 수 있다. 프로세서는 출력 데이터에 대응하는 인쇄 품질을 나타내는 라벨(610)을 획득할 수 있다.
도 7 및 8 은 일 실시예에 따른 역전파 알고리즘을 이용하여 예측 모델을 훈련하는 일 예를 설명하기 위한 도면이다.
도 7 은 일 실시예에 따른 역전파 알고리즘을 이용하여 예측 모델을 훈련하는 일 예를 설명하기 위한 블록도이다.
도 7을 참조하면, S110 ~ S130 단계들은 도 1의 S110 ~ S130 단계와 동일하다. 따라서, 이하에서는 도 1과 중복되는 설명은 생략한다.
프로세서는 역전파 알고리즘을 사용하여 예측 모델을 훈련한다(S140).
예를 들어, 프로세서는 손실 함수를 이용하여 손실값을 산출할 수 있고, 손실 값에 기초하여 인쇄 품질을 예측하는 모델을 훈련시킬 수 있다. 인쇄 품질을 예측하는 모델의 손실 함수는 각 오토 인코더의 손실 값들과 인쇄 품질을 예측하는 모델의 전체 손실 값을 합하여 아래의 [수학식 2] 와 같이 구성될 수 있다.
[수학식 2]
수학식2에서, 는 복수 개의 오토 인코더의 손실 값을 나타내며, 인쇄 품질을 예측하는 모델 전체의 손실 값을 나타낸다.
역전파 알고리즘의 진행 방향은 출력 데이터를 구하는 방향과 반대로 진행된다. 프로세서는 심층 신경망과 각각의 오토 인코더의 디코더 레이어에서 역전파를 진행할 수 있다. 또한, 프로세서는 각각의 오토 인코더의 손실 값의 합과 심층 신경망의 손실 값을 합쳐 오토 인코더의 인코더 레이어로 역전파를 수행할 수 있다.
도 8 은 본 발명의 일 실시예에 따른 역전파 알고리즘을 이용하여 예측 모델을 훈련시키는 모습의 일 예를 설명하기 도면이다.
도 7 에서 설명한 바와 같이, 역전파 알고리즘은 인쇄 품질을 예측하는 모델에서 출력 데이터를 구하는 방향과 반대로 진행된다.
도 8을 참고하면, 프로세서는 심층 신경망에서 발생한 손실을 각각의 오토 인코더의 인코더 레이어로 역전파할 수 있다(820). 또한, 프로세서는 각각의 오토 인코더에서 발생한 손실을 각각의 오토 인코더에서만 역전파(810) 할 수 있다. 각각의 오토 인코더에 존재하는 인코더 레이어는 오토 인코더의 손실과 분류 신경망의 손실이 합쳐져 역전파가 진행될 수 있다.
도 9 는 본 발명의 실시예에 따른 인쇄 품질 예측 장치를 나타낸 블록도이다.
도 9를 참조하면, 인쇄 품질을 예측하는 장치(900)는 통신모듈(910), 프로세서(920) 및 메모리(930)를 포함할 수 있다. 도 9의 장치(900)에는 실시예와 관련된 구성요소들만이 도시되어 있다. 따라서, 도 9에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 당해 기술분야의 통상의 기술자라면 이해할 수 있다.
통신모듈(910)은 인쇄 품질을 예측하기 위한 장치(900)와 외부 장치 간의 데이터 통신을 가능하게 하는 하나 이상의 구성 요소를 포함할 수 있다. 예를 들어, 외부 장치로부터 공정 인자들(공정 인자 항목 및 공정 인자의 수치 등을 포함)을 수신하여 인쇄 품질을 예측하기 위한 장치(900)에 포함된 프로세서(920)에 제공할 수 있다. 또는, 인쇄 품질을 예측하기 위한 장치(900)로부터 획득한 인쇄 품질의 예측 결과를 외부 장치로 제공할 수 있다. 통신모듈(910)는, 근거리 통신모듈, 이동 통신모듈 등 적어도 하나를 포함할 수 있다.
메모리(930)는 각종 데이터들을 저장하는 하드웨어로서, 프로세서(920)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 메모리(930)는 복수 개의 그룹으로 분류된 공정 인자들, 입력 데이터, 잠재 변수, 인쇄 품질을 예측하는 모델 등을 저장할 수 있다.
메모리(930)는 DRAM(dynamic random access memory), SRAM(static random access memory) 등과 같은 RAM(random access memory), ROM(read-only memory), EEPROM(electrically erasable programmable read-only memory), CD-ROM, 블루레이 또는 다른 광학 디스크 스토리지, HDD(hard disk drive), SSD(solid state drive), 또는 플래시 메모리를 포함할 수 있다.
프로세서(920)는 인쇄 품질을 예측하기 위한 방법들을 수행한다. 예를 들어, 프로세서(920)는 메모리(930)에 저장된 프로그램들을 실행함으로써, 통신모듈(910), 메모리(930) 등을 전반적으로 제어할 수 있다.
프로세서(920)는, 메모리(930)에 저장된 프로그램들을 실행함으로써, 3D 프린터의 공정 인자들을 복수의 그룹들로 분류하고, 분류 결과에 대응하는 입력 데이터를 상기 인쇄 품질을 예측하는 모델에 입력하여, 모델로부터 출력된 출력 데이터를 이용하여 인쇄 품질을 나타내는 라벨을 획득하여 인쇄 품질을 예측할 수 있다.
프로세서(920)는 ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.
한편, 상술한 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 방법에서 사용된 데이터의 구조는 컴퓨터로 읽을 수 있는 기록매체에 여러 수단을 통하여 기록될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 램, USB, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등)와 같은 저장매체를 포함한다.
본 실시예와 관련된 기술 분야에서 통상의 지식을 가진 자는 상기된 기재의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 방법들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 하며, 권리 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점을 포함하는 것으로 해석되어야 할 것이다.

Claims (9)

  1. 컴퓨팅 장치에 포함된 적어도 하나의 프로세서에 의하여 각 단계가 수행되는 식료품을 인쇄하는 3D 프린터의 인쇄 품질을 예측하는 방법에 있어서,
    상기 3D 프린터의 공정 인자들을 복수 개의 그룹들로 분류하는 단계;
    상기 분류 결과에 대응하는 입력 데이터를 상기 인쇄 품질을 예측하는 모델에 입력하는 단계; 및
    상기 모델로부터 출력된 출력 데이터를 이용하여 상기 인쇄 품질을 나타내는 라벨을 획득하는 단계;를 포함하는 방법.
  2. 제 1 항에 있어서,
    상기 분류하는 단계는,
    상기 공정 인자들이 상기 인쇄 품질에 영향을 끼치는 정도에 기초하여 상기 공정 인자들을 복수 개의 그룹으로 분류하는 방법.
  3. 제 1 항에 있어서,
    상기 입력 데이터는,
    상기 공정 인자의 정규화를 통하여 생성되는 데이터를 포함하는 방법.
  4. 제 1 항에 있어서,
    상기 모델은,
    상기 복수의 그룹들과 동일한 수의 오토 인코더들 및 단일 심층 신경망으로 구성된 방법.
  5. 제 4 항에 있어서,
    상기 공정 인자 데이터를 인쇄 품질 예측 모델에 입력하는 단계는,
    상기 오토 인코더들 각각으로부터 출력된 잠재 변수들을 획득하는 단계; 및
    상기 잠재 변수들을 상기 단일 심층 신경망에 입력하는 단계;를 포함하는 방법.
  6. 제 1 항에 있어서,
    상기 잠재 변수들을 획득하는 단계는,
    상기 복수 개의 그룹 중 제n 그룹에 포함되는 입력데이터 및 제n-1 그룹의 잠재 변수를 오토 인코더에 입력하여, 제n 잠재 변수를 추출하는 단계;를 포함하고,
    상기 n은 2 이상의 자연수를 포함하는 방법.
  7. 제 1 항에 있어서,
    역전파 알고리즘을 사용하여 상기 모델을 훈련시키는 단계;를 더 포함하는 방법.
  8. 3D 프린터의 인쇄 품질을 예측하기 위한 장치에 있어서,
    통신을 수행하는 통신모듈;
    적어도 하나의 프로그램이 저장된 메모리; 및
    상기 적어도 하나의 프로그램을 실행함으로써 연산을 수행하는 프로세서를 포함하고,
    상기 프로세서는, 식료품 3D 프린터의 공정 인자들을 복수의 그룹들로 분류하고, 상기 분류 결과에 대응하는 입력 데이터를 상기 인쇄 품질을 예측하는 모델에 입력하며, 상기 모델로부터 출력된 출력 데이터를 이용하여 상기 인쇄 품질을 나타내는 라벨을 획득하는 장치.
  9. 제 1 항의 방법을 컴퓨터에서 실행하기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.

KR1020220022964A 2022-02-22 2022-02-22 식료품을 인쇄하는 3d 프린터의 인쇄 품질을 예측하는 방법 및 장치 KR20230126006A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220022964A KR20230126006A (ko) 2022-02-22 2022-02-22 식료품을 인쇄하는 3d 프린터의 인쇄 품질을 예측하는 방법 및 장치
PCT/KR2023/002377 WO2023163467A1 (ko) 2022-02-22 2023-02-20 식료품을 인쇄하는 3d 프린터의 인쇄 품질을 예측하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220022964A KR20230126006A (ko) 2022-02-22 2022-02-22 식료품을 인쇄하는 3d 프린터의 인쇄 품질을 예측하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20230126006A true KR20230126006A (ko) 2023-08-29

Family

ID=87766394

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220022964A KR20230126006A (ko) 2022-02-22 2022-02-22 식료품을 인쇄하는 3d 프린터의 인쇄 품질을 예측하는 방법 및 장치

Country Status (2)

Country Link
KR (1) KR20230126006A (ko)
WO (1) WO2023163467A1 (ko)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3426466B1 (en) * 2016-05-12 2022-05-04 Hewlett-Packard Development Company, L.P. Predicting quality of a 3d object part
DE102016221860A1 (de) * 2016-11-08 2018-05-09 BSH Hausgeräte GmbH Steuereinheit, Nahrungsmitteldrucker und Verfahren zur Steuerung eines Nahrungsmitteldruckers
KR20190058084A (ko) * 2017-11-21 2019-05-29 주식회사 스페이스디 3d 푸드프린터
KR20190068350A (ko) * 2017-12-08 2019-06-18 성균관대학교산학협력단 3d 프린팅 출력물의 품질 예측 방법 및 장치
JP7404833B2 (ja) * 2019-12-03 2023-12-26 株式会社ジェイテクト 品質予測システム

Also Published As

Publication number Publication date
WO2023163467A1 (ko) 2023-08-31

Similar Documents

Publication Publication Date Title
CN109636026B (zh) 一种基于深度学习模型的晶圆良率预测方法
TWI691930B (zh) 基於神經網路的分類方法及其分類裝置
CN108932301B (zh) 数据填充方法及装置
CN111179263B (zh) 一种工业图像表面缺陷检测模型、方法、系统及装置
US8903529B2 (en) Simulation method, simulation apparatus, and computer-readable storage medium
Imani et al. Joint multifractal and lacunarity analysis of image profiles for manufacturing quality control
CN109977299B (zh) 一种融合项目热度和专家系数的推荐算法
CN111429405A (zh) 基于3d cnn的锡球缺陷检测方法及装置
KR20230126006A (ko) 식료품을 인쇄하는 3d 프린터의 인쇄 품질을 예측하는 방법 및 장치
CN115049127A (zh) 基于bohb算法及神经网络的3d打印质量预测方法
Arora et al. Printability assessment and optimization of process parameters for 3D printing of rice flour and jaggery paste
Hu et al. Deep fusion for energy consumption prediction in additive manufacturing
JP2011109602A5 (ko)
Yan et al. Rotating machinery fault diagnosis based on a novel lightweight convolutional neural network
WO2020131046A1 (en) Part packing
CN114239810A (zh) 一种基于改进PCANet模型的铣刀磨损预测方法
CN117033912B (zh) 一种设备故障预测方法、装置、可读存储介质及电子设备
US20070244658A1 (en) Data analysis method
CN113177578A (zh) 一种基于lstm的农产品品质分类方法
CN108389113A (zh) 一种协同过滤推荐方法和系统
Gong et al. The strip steel surface defect recognition based on multiple support vector hyper‐sphere with feature and sample weights
CN111709463B (zh) 基于指数协同度量的特征选择方法
CN111159961B (zh) 一种基于曲线数据的异常检测方法及系统
Foster et al. Evaluating an adaptive one-factor-at-a-time search procedure within the mahalanobis-taguchi system
TW202115626A (zh) 適用於光譜儀的自動化模型訓練裝置和自動化模型訓練方法