KR20240024586A - Electronic device capable of predicting parameters for a cad program corresponding to a figure image through generation of an artificial intelligence-based parameter prediction model and the operating method thereof - Google Patents

Electronic device capable of predicting parameters for a cad program corresponding to a figure image through generation of an artificial intelligence-based parameter prediction model and the operating method thereof Download PDF

Info

Publication number
KR20240024586A
KR20240024586A KR1020220102757A KR20220102757A KR20240024586A KR 20240024586 A KR20240024586 A KR 20240024586A KR 1020220102757 A KR1020220102757 A KR 1020220102757A KR 20220102757 A KR20220102757 A KR 20220102757A KR 20240024586 A KR20240024586 A KR 20240024586A
Authority
KR
South Korea
Prior art keywords
types
parameters
data values
training
shape image
Prior art date
Application number
KR1020220102757A
Other languages
Korean (ko)
Inventor
김지범
최우진
Original Assignee
인천대학교 산학협력단
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 인천대학교 산학협력단 filed Critical 인천대학교 산학협력단
Priority to KR1020220102757A priority Critical patent/KR20240024586A/en
Publication of KR20240024586A publication Critical patent/KR20240024586A/en

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
    • G06F11/324—Display of status information
    • G06F11/327—Alarm or error message display
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/3349—Reuse of stored results of previous queries
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2201/00—Indexing scheme relating to error detection, to error correction, and to monitoring
    • G06F2201/80—Database-specific techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2201/00—Indexing scheme relating to error detection, to error correction, and to monitoring
    • G06F2201/81—Threshold

Abstract

인공지능 기반의 파라미터 예측 모델의 생성을 통해, 도형 이미지에 대응되는 캐드(Computer Aided Design: CAD) 프로그램용 파라미터를 예측할 수 있는 전자 장치 및 그 동작 방법이 개시된다. 본 발명에 따른 전자 장치 및 그 동작 방법은 소정의 도형 이미지가 입력으로 인가되면, 인공지능 기반의 파라미터 예측 모델을 통해서, 해당 도형 이미지에 매칭되는 캐드 프로그램에서의 도형의 형상을 표현하기 위한 파라미터에 대한 데이터 값을 예측해 줌으로써, 캐드 활용에 익숙하지 않은 사용자들도 손쉽게 캐드용 도형 데이터를 확보할 수 있도록 지원할 수 있다.An electronic device capable of predicting parameters for a computer aided design (CAD) program corresponding to a geometric image through the creation of an artificial intelligence-based parameter prediction model and a method of operating the same are disclosed. The electronic device and its operating method according to the present invention, when a predetermined shape image is input, determine the parameters for expressing the shape of the shape in the CAD program that matches the shape image through an artificial intelligence-based parameter prediction model. By predicting data values for CAD, even users who are not familiar with using CAD can easily secure geometric data for CAD.

Description

인공지능 기반의 파라미터 예측 모델의 생성을 통해, 도형 이미지에 대응되는 캐드 프로그램용 파라미터를 예측할 수 있는 전자 장치 및 그 동작 방법{ELECTRONIC DEVICE CAPABLE OF PREDICTING PARAMETERS FOR A CAD PROGRAM CORRESPONDING TO A FIGURE IMAGE THROUGH GENERATION OF AN ARTIFICIAL INTELLIGENCE-BASED PARAMETER PREDICTION MODEL AND THE OPERATING METHOD THEREOF}An electronic device capable of predicting parameters for a CAD program corresponding to a figure image and its operating method through the creation of an artificial intelligence-based parameter prediction model {ELECTRONIC DEVICE CAPABLE OF PREDICTING PARAMETERS FOR A CAD PROGRAM CORRESPONDING TO A FIGURE IMAGE THROUGH GENERATION OF AN ARTIFICIAL INTELLIGENCE-BASED PARAMETER PREDICTION MODEL AND THE OPERATING METHOD THEREOF}

본 발명은 인공지능 기반의 파라미터 예측 모델의 생성을 통해, 도형 이미지에 대응되는 캐드 프로그램용 파라미터를 예측할 수 있는 전자 장치 및 그 동작 방법에 대한 것이다.The present invention relates to an electronic device that can predict parameters for a CAD program corresponding to a geometric image through the creation of an artificial intelligence-based parameter prediction model, and a method of operating the same.

최근, 컴퓨터를 이용한 디자인 작업이 증가함에 따라, 캐드(Computer Aided Design: CAD) 프로그램을 활용하는 사람이 증가하고 있다.Recently, as design work using computers increases, the number of people using Computer Aided Design (CAD) programs is increasing.

이러한 캐드 프로그램은 산업용 디자인 등을 수행함에 있어서, 유용하게 활용될 수 있는 툴이지만, 제대로 된 사용을 위해서는 전문적인 지식이 필요하기 때문에, 일반인들이 활용하기에는 다소 어려움이 존재한다.These CAD programs are tools that can be usefully used in performing industrial design, etc., but because they require specialized knowledge for proper use, they are somewhat difficult for the general public to use.

관련해서, 최근에는 일부의 샘플 데이터를 기초로 소정의 결과를 판단하기 위한 학습 모델을 만들 수 있는 기계학습 기반의 인공지능 기술이 등장하고 있다는 점에서, 캐드 프로그램의 사용에 있어서, 이러한 인공지능 기술의 활용을 고려할 수 있다.In relation to this, machine learning-based artificial intelligence technology has recently emerged that can create a learning model to judge a predetermined result based on some sample data, so in the use of CAD programs, such artificial intelligence technology You can consider using .

이러한 캐드 프로그램은 2D 또는 3D 도형의 형상을 표현하기 위한 소정의 파라미터를 정의하고 있다. 이러한 파라미터는 도형의 좌표 정보나 도형의 형상 정보를 포함하는 값으로서, 특정 형상의 도형이 있다고 하는 경우, 이 도형의 형상을 캐드 프로그램 상에서 렌더링하기 위해, 캐드 프로그램은 이 도형의 형상 정보를 담고 있는 파라미터를 참조하게 된다.These CAD programs define certain parameters for expressing the shape of a 2D or 3D figure. These parameters are values containing the coordinate information of the figure or the shape information of the figure. If there is a figure of a specific shape, in order to render the shape of this figure on the CAD program, the CAD program contains the shape information of this figure. It refers to parameters.

따라서, 캐드 활용에 익숙하지 않은 사용자를 위해서, 소정의 도형 이미지가 입력으로 인가되면, 인공지능 기반의 모델을 통해서, 해당 도형 이미지에 매칭되는 캐드 프로그램에서의 도형의 형상을 표현하기 위한 파라미터에 대한 데이터 값을 예측해 주는 기술이 도입된다면, 캐드 프로그램에 익숙하지 않은 사용자도 간단하게 자신이 원하는 도형 이미지만을 입력하는 것으로 캐드용 도형 데이터를 확보할 수 있다는 점에서, 매우 유용하게 활용될 수 있을 것이다.Therefore, for users who are not familiar with using CAD, when a certain shape image is input, the parameters for expressing the shape of the shape in the CAD program matching the shape image are provided through an artificial intelligence-based model. If a technology that predicts data values is introduced, it will be very useful in that even users who are not familiar with CAD programs will be able to secure shape data for CAD by simply entering the shape image they want.

본 발명에 따른 전자 장치 및 그 동작 방법은 소정의 도형 이미지가 입력으로 인가되면, 인공지능 기반의 파라미터 예측 모델을 통해서, 해당 도형 이미지에 매칭되는 캐드 프로그램에서의 도형의 형상을 표현하기 위한 파라미터에 대한 데이터 값을 예측해 줌으로써, 캐드 활용에 익숙하지 않은 사용자들도 손쉽게 캐드용 도형 데이터를 확보할 수 있도록 지원하고자 한다.The electronic device and its operating method according to the present invention, when a predetermined shape image is input, determine the parameters for expressing the shape of the shape in the CAD program that matches the shape image through an artificial intelligence-based parameter prediction model. By predicting data values for CAD, we aim to support users who are not familiar with using CAD to easily secure geometric data for CAD.

본 발명의 일실시예에 따른 인공지능 기반의 파라미터 예측 모델의 생성을 통해, 도형 이미지에 대응되는 캐드 프로그램용 파라미터를 예측할 수 있는 전자 장치는 사전 설정된 복수의 훈련용 도형 이미지들과, 상기 복수의 훈련용 도형 이미지들 각각에 대응되는 n가지 종류의 파라미터들 - 상기 n가지 종류의 파라미터들은, 사전 설정된 캐드(Computer Aided Design: CAD) 프로그램에서 도형의 형상을 표현하기 위해 사용되는 사전 설정된 파라미터를 의미함 - 에 대한 실제 데이터 값으로 구성된 트레이닝 세트가 저장되어 있는 트레이닝 세트 저장부, 상기 트레이닝 세트 저장부에 저장되어 있는 상기 복수의 훈련용 도형 이미지들 중 어느 하나의 훈련용 도형 이미지를 선정하여, 상기 선정된 훈련용 도형 이미지와 그에 대응되는 상기 n가지 종류의 파라미터들에 대한 실제 데이터 값을 기초로, 도형 이미지로부터 상기 캐드 프로그램에서 사용되는 상기 n가지 종류의 파라미터들에 대한 데이터 값을 예측하는 학습 모델을 생성하기 위한 기계학습 과정을, 상기 복수의 훈련용 도형 이미지들 각각에 대해 반복 수행함으로써, 파라미터 예측 모델을 생성하는 모델 생성부 및 상기 파라미터 예측 모델의 생성이 완료된 이후에, 제1 도형 이미지가 입력으로 인가되면서, 상기 제1 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 데이터 값을 예측할 것을 지시하는 예측 명령이 인가되면, 상기 파라미터 예측 모델을 기초로 상기 제1 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 데이터 값을 예측하는 파라미터 예측부를 포함한다.An electronic device capable of predicting parameters for a CAD program corresponding to a figure image through the creation of an artificial intelligence-based parameter prediction model according to an embodiment of the present invention includes a plurality of preset training figure images and the plurality of n types of parameters corresponding to each of the training shape images - The n types of parameters refer to preset parameters used to express the shape of the shape in a preset CAD (Computer Aided Design) program. - a training set storage unit storing a training set composed of actual data values for , selecting one training shape image from among the plurality of training shape images stored in the training set storage unit, Learning to predict data values for the n types of parameters used in the CAD program from the shape image based on the selected training shape image and the actual data values for the n types of parameters corresponding to it. A model generator for generating a parameter prediction model by repeatedly performing a machine learning process for generating a model on each of the plurality of training shape images, and after the creation of the parameter prediction model is completed, a first shape image is applied as an input, and a prediction command instructing to predict data values for the n types of parameters corresponding to the first shape image is applied, corresponding to the first shape image based on the parameter prediction model. and a parameter prediction unit that predicts data values for the n types of parameters.

또한, 본 발명의 일실시예에 따른 인공지능 기반의 파라미터 예측 모델의 생성을 통해, 도형 이미지에 대응되는 캐드 프로그램용 파라미터를 예측할 수 있는 전자 장치의 동작 방법은 사전 설정된 복수의 훈련용 도형 이미지들과, 상기 복수의 훈련용 도형 이미지들 각각에 대응되는 n가지 종류의 파라미터들 - 상기 n가지 종류의 파라미터들은, 사전 설정된 캐드 프로그램에서 도형의 형상을 표현하기 위해 사용되는 사전 설정된 파라미터를 의미함 - 에 대한 실제 데이터 값으로 구성된 트레이닝 세트가 저장되어 있는 트레이닝 세트 저장부를 유지하는 단계, 상기 트레이닝 세트 저장부에 저장되어 있는 상기 복수의 훈련용 도형 이미지들 중 어느 하나의 훈련용 도형 이미지를 선정하여, 상기 선정된 훈련용 도형 이미지와 그에 대응되는 상기 n가지 종류의 파라미터들에 대한 실제 데이터 값을 기초로, 도형 이미지로부터 상기 캐드 프로그램에서 사용되는 상기 n가지 종류의 파라미터들에 대한 데이터 값을 예측하는 학습 모델을 생성하기 위한 기계학습 과정을, 상기 복수의 훈련용 도형 이미지들 각각에 대해 반복 수행함으로써, 파라미터 예측 모델을 생성하는 단계 및 상기 파라미터 예측 모델의 생성이 완료된 이후에, 제1 도형 이미지가 입력으로 인가되면서, 상기 제1 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 데이터 값을 예측할 것을 지시하는 예측 명령이 인가되면, 상기 파라미터 예측 모델을 기초로 상기 제1 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 데이터 값을 예측하는 단계를 포함한다.In addition, a method of operating an electronic device capable of predicting parameters for a CAD program corresponding to a geometric image through the creation of an artificial intelligence-based parameter prediction model according to an embodiment of the present invention involves using a plurality of preset geometric images for training. And, n types of parameters corresponding to each of the plurality of training shape images - the n types of parameters mean preset parameters used to express the shape of the shape in a preset CAD program - Maintaining a training set storage unit in which a training set consisting of actual data values for is stored, selecting one training shape image among the plurality of training shape images stored in the training set storage unit, Predicting data values for the n types of parameters used in the CAD program from the shape image based on the selected training shape image and the actual data values for the n types of parameters corresponding thereto. After the step of generating a parameter prediction model by repeatedly performing a machine learning process for generating a learning model on each of the plurality of training shape images and the creation of the parameter prediction model is completed, the first shape image is When a prediction command instructing to predict data values for the n types of parameters corresponding to the first shape image is applied as an input, the prediction command corresponding to the first shape image is based on the parameter prediction model. It includes predicting data values for the n types of parameters.

본 발명에 따른 전자 장치 및 그 동작 방법은 소정의 도형 이미지가 입력으로 인가되면, 인공지능 기반의 파라미터 예측 모델을 통해서, 해당 도형 이미지에 매칭되는 캐드 프로그램에서의 도형의 형상을 표현하기 위한 파라미터에 대한 데이터 값을 예측해 줌으로써, 캐드 활용에 익숙하지 않은 사용자들도 손쉽게 캐드용 도형 데이터를 확보할 수 있도록 지원할 수 있다.The electronic device and its operating method according to the present invention, when a predetermined shape image is input, determine the parameters for expressing the shape of the shape in the CAD program that matches the shape image through an artificial intelligence-based parameter prediction model. By predicting data values for CAD, even users who are not familiar with using CAD can easily secure geometric data for CAD.

도 1은 본 발명의 일실시예에 따른 인공지능 기반의 파라미터 예측 모델의 생성을 통해, 도형 이미지에 대응되는 캐드 프로그램용 파라미터를 예측할 수 있는 전자 장치의 구조를 도시한 도면이다.
도 2는 본 발명의 일실시예에 따른 인공지능 기반의 파라미터 예측 모델의 생성을 통해, 도형 이미지에 대응되는 캐드 프로그램용 파라미터를 예측할 수 있는 전자 장치의 동작 방법을 도시한 순서도이다.Figure 1 is a diagram illustrating the structure of an electronic device capable of predicting parameters for a CAD program corresponding to a figure image through the creation of an artificial intelligence-based parameter prediction model according to an embodiment of the present invention.
FIG. 2 is a flow chart illustrating a method of operating an electronic device capable of predicting parameters for a CAD program corresponding to a graphic image through the creation of an artificial intelligence-based parameter prediction model according to an embodiment of the present invention.

이하에서는 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명하기로 한다. 이러한 설명은 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였으며, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 본 명세서 상에서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 사람에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다.Hereinafter, embodiments according to the present invention will be described in detail with reference to the attached drawings. This description is not intended to limit the present invention to specific embodiments, but should be understood to include all changes, equivalents, and substitutes included in the spirit and technical scope of the present invention. In describing each drawing, similar reference numerals are used for similar components, and unless otherwise defined, all terms used in this specification, including technical or scientific terms, are within the scope of common knowledge in the technical field to which the present invention pertains. It has the same meaning as generally understood by those who have it.

본 문서에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다. 또한, 본 발명의 다양한 실시예들에 있어서, 각 구성요소들, 기능 블록들 또는 수단들은 하나 또는 그 이상의 하부 구성요소로 구성될 수 있고, 각 구성요소들이 수행하는 전기, 전자, 기계적 기능들은 전자회로, 집적회로, ASIC(Application Specific Integrated Circuit) 등 공지된 다양한 소자들 또는 기계적 요소들로 구현될 수 있으며, 각각 별개로 구현되거나 2 이상이 하나로 통합되어 구현될 수도 있다. In this document, when a part "includes" a certain component, this means that it may further include other components rather than excluding other components, unless specifically stated to the contrary. Additionally, in various embodiments of the present invention, each component, functional block, or means may be composed of one or more subcomponents, and the electrical, electronic, and mechanical functions performed by each component may be electronic. It may be implemented with various known elements or mechanical elements such as circuits, integrated circuits, and ASICs (Application Specific Integrated Circuits), and may be implemented separately or by integrating two or more into one.

한편, 첨부된 블록도의 블록들이나 흐름도의 단계들은 범용 컴퓨터, 특수용 컴퓨터, 휴대용 노트북 컴퓨터, 네트워크 컴퓨터 등 데이터 프로세싱이 가능한 장비의 프로세서나 메모리에 탑재되어 지정된 기능들을 수행하는 컴퓨터 프로그램 명령들(instructions)을 의미하는 것으로 해석될 수 있다. 이들 컴퓨터 프로그램 명령들은 컴퓨터 장치에 구비된 메모리 또는 컴퓨터에서 판독 가능한 메모리에 저장될 수 있기 때문에, 블록도의 블록들 또는 흐름도의 단계들에서 설명된 기능들은 이를 수행하는 명령 수단을 내포하는 제조물로 생산될 수도 있다. 아울러, 각 블록 또는 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 명령들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 가능한 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 정해진 순서와 달리 실행되는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 실질적으로 동시에 수행되거나, 역순으로 수행될 수 있으며, 경우에 따라 일부 블록들 또는 단계들이 생략된 채로 수행될 수도 있다.Meanwhile, the blocks in the attached block diagram or the steps in the flow chart are computer program instructions that are mounted on the processor or memory of equipment capable of data processing, such as general-purpose computers, special-purpose computers, portable laptop computers, and network computers, and perform designated functions. It can be interpreted to mean. Because these computer program instructions can be stored in a memory provided in a computer device or in a computer-readable memory, the functions described in the blocks of a block diagram or the steps of a flow diagram can be produced as a manufactured product containing instruction means to perform them. It could be. In addition, each block or each step may represent a module, segment, or portion of code that includes one or more executable instructions for executing specified logical function(s). Additionally, it should be noted that in some alternative embodiments, it is possible for functions mentioned in blocks or steps to be executed in a different order. For example, two blocks or steps shown in succession may be performed substantially simultaneously or in reverse order, and in some cases, some blocks or steps may be omitted.

도 1은 본 발명의 일실시예에 따른 인공지능 기반의 파라미터 예측 모델의 생성을 통해, 도형 이미지에 대응되는 캐드 프로그램용 파라미터를 예측할 수 있는 전자 장치의 구조를 도시한 도면이다.Figure 1 is a diagram illustrating the structure of an electronic device capable of predicting parameters for a CAD program corresponding to a figure image through the creation of an artificial intelligence-based parameter prediction model according to an embodiment of the present invention.

도 1을 참조하면, 본 발명에 따른 전자 장치(110)는 트레이닝 세트 저장부(111), 모델 생성부(112) 및 파라미터 예측부(113)를 포함한다.Referring to FIG. 1, the electronic device 110 according to the present invention includes a training set storage unit 111, a model creation unit 112, and a parameter prediction unit 113.

트레이닝 세트 저장부(111)에는 사전 설정된 복수의 훈련용 도형 이미지들과, 상기 복수의 훈련용 도형 이미지들 각각에 대응되는 n가지 종류의 파라미터들에 대한 실제 데이터 값으로 구성된 트레이닝 세트가 저장되어 있다.The training set storage unit 111 stores a training set consisting of a plurality of preset training shape images and actual data values for n types of parameters corresponding to each of the plurality of training shape images. .

여기서, 상기 n가지 종류의 파라미터들은, 사전 설정된 캐드(Computer Aided Design: CAD) 프로그램에서 도형의 형상을 표현하기 위해 사용되는 사전 설정된 파라미터를 의미하는 것으로서, 도형을 표현하기 위한 좌표 값이나 도형을 표현하기 위한 라인, 면 등의 형상 정보가 포함될 수 있다. 예컨대, 상기 n가지 종류의 파라미터는 라인의 종류, 면의 개수, 점의 개수, 곡면의 존재여부, 곡면의 각도 등 캐드 프로그램에서 지원 가능한 모든 형상의 도형들을 표현하기 위한, 캐드 프로그램 자체에서 정의한 파라미터를 의미한다. 이러한 파라미터는 캐드 프로그램마다 서로 다르게 정의되어 있을 수 있다.Here, the n types of parameters refer to preset parameters used to express the shape of a figure in a preset CAD (Computer Aided Design) program, and represent coordinate values or shapes for expressing the figure. Shape information such as lines and surfaces may be included. For example, the n types of parameters are parameters defined by the CAD program itself to express all shapes of figures that can be supported by the CAD program, such as the type of line, number of faces, number of points, presence of a curved surface, and angle of the curved surface. means. These parameters may be defined differently for each CAD program.

이때, n을 5라고 하는 경우, 트레이닝 세트 저장부(111)에는 하기의 표 1과 같이, 정보가 저장되어 있을 수 있다.At this time, when n is 5, information may be stored in the training set storage unit 111 as shown in Table 1 below.

복수의 훈련용 도형 이미지Multiple training shape images 5가지 종류의 파라미터들에 대한 실제 데이터 값Actual data values for 5 types of parameters 훈련용 도형 이미지 1Shape image for training 1 (a1, b1, c1, d1, e1)(a1, b1, c1, d1, e1) 훈련용 도형 이미지 2Shape image for training 2 (a2, b2, c2, d2, e2)(a2, b2, c2, d2, e2) 훈련용 도형 이미지 3Shape image for training 3 (a3, b3, c3, d3, e3)(a3, b3, c3, d3, e3) ...... ......

모델 생성부(112)는 트레이닝 세트 저장부(111)에 저장되어 있는 상기 복수의 훈련용 도형 이미지들 중 어느 하나의 훈련용 도형 이미지를 선정하여, 상기 선정된 훈련용 도형 이미지와 그에 대응되는 상기 n가지 종류의 파라미터들에 대한 실제 데이터 값을 기초로, 도형 이미지로부터 상기 캐드 프로그램에서 사용되는 상기 n가지 종류의 파라미터들에 대한 데이터 값을 예측하는 학습 모델을 생성하기 위한 기계학습 과정을, 상기 복수의 훈련용 도형 이미지들 각각에 대해 반복 수행함으로써, 파라미터 예측 모델을 생성한다.The model generator 112 selects one training shape image from among the plurality of training shape images stored in the training set storage unit 111, and selects the selected training shape image and the corresponding training shape image. A machine learning process for generating a learning model that predicts data values for the n types of parameters used in the CAD program from a geometric image, based on actual data values for the n types of parameters, By repeating the process for each of the plurality of training shape images, a parameter prediction model is created.

이때, 본 발명의 일실시예에 따르면, 모델 생성부(112)는 합성곱 처리부(114) 및 학습 처리부(115)를 포함할 수 있다.At this time, according to one embodiment of the present invention, the model generator 112 may include a convolution processor 114 and a learning processor 115.

합성곱 처리부(114)는 상기 복수의 훈련용 도형 이미지들 중 어느 하나인 제1 훈련용 도형 이미지가 선정됨에 따라, 상기 제1 훈련용 도형 이미지에 대한 기계학습 과정이 수행되어야 하는 순서가 되는 경우, 상기 제1 훈련용 도형 이미지를 합성곱 신경망(Convolutional Neural Network)에 입력으로 인가하여 출력을 생성한다.When a first training shape image, which is one of the plurality of training shape images, is selected, the convolution processing unit 114 determines the order in which the machine learning process for the first training shape image should be performed. , the first training shape image is applied as input to a convolutional neural network to generate an output.

여기서, 합성곱 신경망이란 합성곱 필터로 구성된 다수의 합성곱층과 풀링(pooling)층들로 구성되는 신경망으로서, 합성곱 신경망에 이미지가 입력되면, 합성곱층을 구성하는 하나 이상의 채널을 갖는 합성곱 필터들에 의해 합성곱이 발생하여 출력 피처맵이 생성되고, 풀링층을 통해서 상기 출력 피처맵의 크기를 줄이기 위한 다운샘플링이 수행된 후, 그 출력이 다음 합성곱층과 풀링층에 다시 입력으로 인가되는 과정이 반복되며, 이러한 과정의 반복을 통해 소정의 출력이 산출되게 된다.Here, the convolutional neural network is a neural network composed of a plurality of convolutional layers and pooling layers composed of convolutional filters. When an image is input to the convolutional neural network, the convolutional neural network has one or more channels constituting the convolutional layer. Convolution occurs and an output feature map is generated, downsampling is performed to reduce the size of the output feature map through a pooling layer, and then the output is applied as input again to the next convolution layer and pooling layer. It is repeated, and a predetermined output is produced through repetition of this process.

이렇게, 합성곱 처리부(114)를 통해, 상기 합성곱 신경망의 출력이 생성되면, 학습 처리부(115)는 상기 합성곱 신경망의 출력을 생성적 적대 신경망(Generative Adversarial Network: GAN)의 생성기(generator)에 입력으로 인가하여, 상기 n가지 종류의 파라미터들에 대한 모조(fake) 데이터 값을 생성하고, 상기 n가지 종류의 파라미터들에 대한 모조 데이터 값과 상기 제1 훈련용 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 실제 데이터 값을 상기 GAN의 식별기(discriminator)에 입력으로 인가하여, 상기 n가지 종류의 파라미터들에 대한 모조 데이터 값과 상기 제1 훈련용 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 실제 데이터 값이 실제(real)인지 모조인지 여부를 식별하도록 하는 기계학습 과정을 수행함으로써, 상기 합성곱 신경망, 상기 생성기 및 상기 식별기를 학습시킨다.In this way, when the output of the convolutional neural network is generated through the convolutional processing unit 114, the learning processing unit 115 converts the output of the convolutional neural network into a generator of a generative adversarial network (GAN). is applied as an input to generate fake data values for the n types of parameters, and the n corresponding to the fake data values for the n types of parameters and the first training figure image. The real data values for the four types of parameters are applied as input to the discriminator of the GAN, and the n types of fake data values for the n types of parameters and the n types corresponding to the first training figure image are applied as input to the discriminator of the GAN. The convolutional neural network, the generator, and the identifier are trained by performing a machine learning process to identify whether actual data values for the types of parameters are real or fake.

여기서, GAN이란 비지도 학습에 사용되는 인공지능 알고리즘으로, 생성기와 식별기로 구성되어 있어, 생성기가 모조 데이터를 생성하면, 식별기에서 상기 모조 데이터가 실제인지 모조인지 여부를 확률적으로 검토하는 과정을 반복 학습함으로써, 결국 생성기가 실제 데이터와 거의 유사한 모조 데이터를 생성하도록 구성되는 알고리즘을 의미한다.Here, GAN is an artificial intelligence algorithm used in unsupervised learning. It consists of a generator and an identifier. When the generator generates fake data, the identifier probabilistically examines whether the fake data is real or fake. It refers to an algorithm in which the generator is configured to generate fake data that is almost similar to real data by learning repeatedly.

이때, 본 발명의 일실시예에 따르면, 학습 처리부(115)는 제1 식별 확률(상기 제1 식별 확률은, 상기 식별기를 통해서, 상기 n가지 종류의 파라미터들에 대한 모조 데이터 값이 실제인지 모조인지 여부가 식별된 결과, 상기 n가지 종류의 파라미터들에 대한 모조 데이터 값이, 모조에 해당되는 값인 것으로 식별된 확률을 의미함)과 제2 식별 확률(상기 제2 식별 확률은, 상기 식별기를 통해서, 상기 제1 훈련용 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 실제 데이터 값이 실제인지 모조인지 여부가 식별된 결과, 상기 제1 훈련용 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 실제 데이터 값이, 실제에 해당되는 값인 것으로 식별된 확률을 의미함)이 최대가 되도록 상기 식별기를 학습시키고, 상기 제1 식별 확률과 상기 제2 식별 확률이 최소가 되도록 상기 합성곱 신경망과 상기 생성기를 학습시킬 수 있다.At this time, according to one embodiment of the present invention, the learning processor 115 determines whether the fake data values for the n types of parameters are real or not through the identifier. As a result of identifying whether or not the fake data values for the n types of parameters are identified as being fake, it means the probability that the fake data values are identified as values corresponding to the fakes) and the second identification probability (the second identification probability is the identifier). As a result of identifying whether the actual data values for the n types of parameters corresponding to the first training shape image are real or fake, the n types of parameters corresponding to the first training shape image are identified. The identifier is trained so that the actual data values for the parameters (meaning the probability of being identified as the actual value) is maximized, and the convolution is performed so that the first and second identification probabilities are minimized. The neural network and the generator can be trained.

예컨대, n을 5라고 가정하고, 상기 제1 훈련용 도형 이미지가 상기 합성곱 신경망과 상기 생성기를 통과함에 따라, 5가지 종류의 파라미터들에 대한 모조 데이터 값이 '(f1, f2, f3, f4, f5)'와 같이 생성되었다고 가정하고, 상기 제1 훈련용 도형 데이터에 대응되는 5가지 종류의 파라미터들에 대한 실제 데이터 값이 '(a1, b1, c1, d1, e1)'이라고 가정하자.For example, assuming n is 5, as the first training shape image passes through the convolutional neural network and the generator, the dummy data values for five types of parameters are '(f1, f2, f3, f4 , f5)', and assume that the actual data values for the five types of parameters corresponding to the first training shape data are '(a1, b1, c1, d1, e1)'.

그러면, 학습 처리부(115)는 상기 식별기에 '(f1, f2, f3, f4, f5)'와 '(a1, b1, c1, d1, e1)'을 인가할 수 있고, 이때, 식별기는 '(f1, f2, f3, f4, f5)'와 '(a1, b1, c1, d1, e1)'가 각각 모조 값인지 실제 값인지 여부를 식별할 수 있다.Then, the learning processor 115 can apply '(f1, f2, f3, f4, f5)' and '(a1, b1, c1, d1, e1)' to the identifier, and at this time, the identifier is '( It is possible to identify whether 'f1, f2, f3, f4, f5)' and '(a1, b1, c1, d1, e1)' are imitation values or real values, respectively.

구체적으로, 상기 식별기는 '(f1, f2, f3, f4, f5)'가 모조에 해당되는 값인지, 실제에 해당되는 값인지 여부를 확률로 산출할 수 있고, '(a1, b1, c1, d1, e1)'가 모조에 해당되는 값인지, 실제에 해당되는 값인지 여부를 확률로 산출할 수 있다.Specifically, the identifier can calculate with probability whether '(f1, f2, f3, f4, f5)' is a value corresponding to an imitation or a real value, and '(a1, b1, c1, It is possible to calculate with probability whether 'd1, e1)' is a value corresponding to an imitation or a real value.

이때, 상기 식별기를 통해서 산출된, '(f1, f2, f3, f4, f5)'가 모조에 해당되는 값일 확률을 제1 식별 확률이라고 하고, '(a1, b1, c1, d1, e1)'가 실제에 해당되는 값일 확률을 제2 식별 확률이라고 하는 경우, 학습 처리부(115)는 상기 제1 식별 확률과 상기 제2 식별 확률이 최대가 되도록 역전파 처리를 수행함으로써, 상기 식별기를 기계학습시킬 수 있다. 즉, 학습 처리부(115)는 상기 식별기의 성능이 최대가 되도록 상기 식별기에 대한 기계학습을 수행할 수 있다.At this time, the probability that '(f1, f2, f3, f4, f5)', calculated through the identifier, is a value corresponding to an imitation is called the first identification probability, and '(a1, b1, c1, d1, e1)' When the probability that is the actual value is called the second identification probability, the learning processor 115 performs backpropagation processing so that the first identification probability and the second identification probability are maximized, thereby machine learning the identifier. You can. That is, the learning processing unit 115 may perform machine learning on the identifier to maximize the performance of the identifier.

반면에, 학습 처리부(115)는 상기 제1 식별 확률과 상기 제2 식별 확률이 최소가 되도록 역전파 처리를 수행함으로써, 상기 합성곱 신경망과 상기 생성기를 기계학습시킬 수 있다. 즉, 학습 처리부(115)는 상기 합성곱 신경망과 상기 생성기를 통과하여 산출되는 모조 값이 최대한 실제 값에 가까워지도록 상기 합성곱 신경망과 상기 생성기를 학습시킬 수 있다.On the other hand, the learning processor 115 can perform machine learning on the convolutional neural network and the generator by performing backpropagation processing to minimize the first and second identification probabilities. That is, the learning processor 115 may train the convolutional neural network and the generator so that the simulated value calculated by passing through the convolutional neural network and the generator is as close to the actual value as possible.

이때, 학습 처리부(115)는 하기의 수학식 1과 같은 목적 함수를 기반으로, 상기 식별기, 상기 합성곱 신경망, 상기 생성기에 대한 기계학습을 수행할 수 있다.At this time, the learning processing unit 115 may perform machine learning on the identifier, the convolutional neural network, and the generator based on an objective function such as Equation 1 below.

상기 수학식 1에서, D(x)는 상기 식별기가 실제 데이터 값을 실제인 것으로 판단한 제2 식별 확률을 의미하고, 1-D(G(z))는 상기 식별기가 모조 데이터 값을 모조인 것으로 판단한 제1 식별 확률을 의미한다. 이때, 학습 처리부(115)는 상기 목적 함수가 최대가 되도록(즉, 상기 제1 식별 확률과 상기 제2 식별 확률이 최대가 되도록) 상기 식별기를 학습시킬 수 있고, 상기 목적 함수가 최소가 되도록(즉, 상기 제1 식별 확률과 상기 제2 식별 확률이 최소가 되도록) 상기 합성곱 신경망과 상기 생성기를 학습시킬 수 있다.In Equation 1, D(x) means the second identification probability that the identifier determines that the real data value is real, and 1-D(G(z)) means that the identifier determines that the fake data value is fake. It means the determined first identification probability. At this time, the learning processor 115 may train the identifier so that the objective function is maximized (i.e., the first and second identification probabilities are maximized) and the objective function is minimized (i.e., That is, the convolutional neural network and the generator can be trained so that the first identification probability and the second identification probability are minimized.

이렇게, 모델 생성부(112)를 통해, 상기 파라미터 예측 모델의 생성이 완료된 이후에, 제1 도형 이미지가 입력으로 인가되면서, 상기 제1 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 데이터 값을 예측할 것을 지시하는 예측 명령이 전자 장치(110)에 인가되면, 파라미터 예측부(113)는 상기 파라미터 예측 모델을 기초로 상기 제1 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 데이터 값을 예측한다.In this way, after the generation of the parameter prediction model is completed through the model generator 112, the first shape image is applied as an input, and data for the n types of parameters corresponding to the first shape image are generated. When a prediction command instructing to predict a value is applied to the electronic device 110, the parameter prediction unit 113 generates data for the n types of parameters corresponding to the first shape image based on the parameter prediction model. Predict the value.

이때, 본 발명의 일실시예에 따르면, 파라미터 예측부(113)는 상기 파라미터 예측 모델의 생성이 완료된 이후에, 상기 제1 도형 이미지가 입력으로 인가되면서, 상기 제1 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 데이터 값을 예측할 것을 지시하는 예측 명령이 인가되면, 상기 제1 도형 이미지를 기계학습이 완료된 상기 합성곱 신경망에 입력으로 인가하여 출력을 생성한 후, 기계학습이 완료된 상기 합성곱 신경망의 출력을 기계학습이 완료된 상기 생성기에 입력으로 인가함으로써, 상기 n가지 종류의 파라미터들에 대한 데이터 값을 예측할 수 있다.At this time, according to one embodiment of the present invention, after the creation of the parameter prediction model is completed, the parameter prediction unit 113 receives the first shape image as an input, and the n corresponding to the first shape image When a prediction command instructing to predict data values for two types of parameters is applied, the first shape image is applied as an input to the convolutional neural network on which machine learning has been completed to generate an output, and then the machine learning has been completed on the convolutional neural network. By applying the output of the convolutional neural network as input to the generator on which machine learning has been completed, data values for the n types of parameters can be predicted.

예컨대, n을 5라고 하는 경우, 파라미터 예측부(113)는, 상기 파라미터 예측 모델의 생성이 완료된 이후에, 상기 제1 도형 이미지가 입력으로 인가되면서, 상기 제1 도형 이미지에 대응되는 5가지 종류의 파라미터들에 대한 데이터 값을 예측할 것을 지시하는 예측 명령이 인가되면, 상기 제1 도형 이미지를 기계학습이 완료된 상기 합성곱 신경망에 입력으로 인가하여 출력을 생성한 후, 이 출력을 기계학습이 완료된 상기 생성기에 입력으로 인가함으로써, 5가지 종류의 파라미터들에 대한 데이터 값을 '(e1, e2, e3, e4, e5)'와 같이 예측할 수 있다.For example, when n is 5, after the creation of the parameter prediction model is completed, the parameter prediction unit 113 receives the first shape image as an input and generates five types corresponding to the first shape image. When a prediction command instructing to predict data values for the parameters is applied, the first shape image is applied as an input to the convolutional neural network on which machine learning has been completed to generate an output, and this output is then sent to By applying input to the generator, data values for five types of parameters can be predicted as '(e1, e2, e3, e4, e5)'.

본 발명의 일실시예에 따르면, 전자 장치(110)는 표시부(116), 이력 저장 처리부(117) 및 권고 메시지 표시부(118)를 더 포함할 수 있다.According to one embodiment of the present invention, the electronic device 110 may further include a display unit 116, a history storage processor 117, and a recommendation message display unit 118.

표시부(116)는 파라미터 예측부(113)를 통해, 입력되는 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 데이터 값이 예측 완료될 때마다, 상기 캐드 프로그램을 실행한 후, 예측 완료된 상기 n가지 종류의 파라미터들에 대한 데이터 값을 기초로 상기 캐드 프로그램 상에서 도형 모델링을 생성하여 화면 상에 표시함과 동시에, 화면 상에 표시되는 도형 모델링에 대한 예측 결과의 정확도 여부를 질의하는 질의 메시지를 생성하여 화면 상에 표시한다.The display unit 116 executes the CAD program through the parameter prediction unit 113 whenever the data values for the n types of parameters corresponding to the input figure image are predicted, and then displays the predicted prediction unit 113. Based on data values for n types of parameters, shape modeling is generated in the CAD program and displayed on the screen, and at the same time, a query message is sent to inquire whether the prediction result for shape modeling displayed on the screen is accurate. Create it and display it on the screen.

예컨대, n을 5라고 하고, 파라미터 예측부(113)를 통해, 소정의 도형 이미지에 대한 5가지 종류의 파라미터들에 대한 데이터 값이 예측된 결과, '(e1, e2, e3, e4, e5)'와 같이 예측되었다고 하는 경우, 표시부(116)는 상기 캐드 프로그램을 실행한 후, 예측 완료된 5가지 종류의 파라미터들에 대한 데이터 값인 '(e1, e2, e3, e4, e5)'를 기초로 상기 캐드 프로그램 상에서 도형 모델링을 생성하여 화면 상에 표시함과 동시에, 화면 상에 표시되는 도형 모델링에 대한 예측 결과의 정확도 여부를 질의하는 질의 메시지를 생성하여 화면 상에 표시할 수 있다. 이때, 표시부(116)는 이러한 도형 모델링과 질의 메시지를 표시하는 과정을, 파라미터 예측부(113)를 통해 파라미터들에 대한 데이터 값이 예측될 때마다 수행할 수 있다.For example, let n be 5, and as a result of predicting data values for five types of parameters for a given shape image through the parameter prediction unit 113, '(e1, e2, e3, e4, e5) ', the display unit 116 executes the CAD program and then displays the data based on '(e1, e2, e3, e4, e5)', which are data values for the five types of parameters that have been predicted. At the same time as creating shape modeling in a CAD program and displaying it on the screen, a query message inquiring about the accuracy of the prediction result for the shape modeling displayed on the screen can be generated and displayed on the screen. At this time, the display unit 116 may perform the process of displaying the shape modeling and query message whenever data values for the parameters are predicted through the parameter prediction unit 113.

이력 저장 처리부(117)는 사용자로부터 상기 질의 메시지에 대한 응답으로, 상기 예측 결과가 정확함을 지시하는 응답과 상기 예측 결과가 부정확함을 지시하는 응답이 수신되면, 상기 사용자로부터 수신된 응답을, 응답 이력 데이터베이스 상에 저장한다.When a response indicating that the prediction result is accurate and a response indicating that the prediction result is incorrect are received from the user in response to the inquiry message, the history storage processing unit 117 stores the response received from the user as a response. Save it on the history database.

권고 메시지 표시부(118)는 상기 응답 이력 데이터베이스에 저장된 상기 사용자의 응답이 사전 설정된 기준 개수가 되면, 상기 응답 이력 데이터베이스에 저장되어 있는 상기 사용자의 응답 중 상기 예측 결과가 부정확함을 지시하는 응답이 차지하는 비율을 산출한 후, 상기 비율이 임계치를 초과하는 것으로 확인되면, 상기 파라미터 예측 모델에 대한 기계학습을 재수행할 것을 권고하는 재수행 권고 메시지를 생성하여 화면 상에 표시한다.When the user's responses stored in the response history database reach a preset standard number, the recommendation message display unit 118 displays the response indicating that the prediction result is incorrect among the user's responses stored in the response history database. After calculating the ratio, if it is confirmed that the ratio exceeds the threshold, a re-performance recommendation message recommending that machine learning for the parameter prediction model be re-performed is generated and displayed on the screen.

예컨대, 상기 기준 개수를 20개라고 하고, 이력 저장 처리부(117)를 통해서, 상기 사용자로부터 응답을 수신하여 상기 응답 이력 데이터베이스 상에 저장한 결과, 상기 응답 이력 데이터베이스 상에 저장된 응답의 개수가 20개가 되면, 권고 메시지 표시부(118)는 상기 응답 이력 데이터베이스에 저장되어 있는 상기 사용자의 응답 중 상기 예측 결과가 부정확함을 지시하는 응답이 차지하는 비율을 산출할 수 있다.For example, assuming that the standard number is 20, and as a result of receiving a response from the user through the history storage processor 117 and storing it in the response history database, the number of responses stored in the response history database is 20. If so, the recommendation message display unit 118 may calculate the proportion of responses indicating that the prediction result is incorrect among the user's responses stored in the response history database.

그 이후, 권고 메시지 표시부(118)는 상기 비율이 사전 설정된 임계치를 초과하는 것으로 확인되면, 상기 파라미터 예측 모델에 대한 기계학습을 재수행할 것을 권고하는 재수행 권고 메시지를 생성하여 화면 상에 표시할 수 있다.Afterwards, if it is confirmed that the ratio exceeds the preset threshold, the recommendation message display unit 118 may generate a re-performance recommendation message recommending that machine learning for the parameter prediction model be re-performed and display it on the screen. there is.

즉, 본 발명에 따른 전자 장치(110)는 상기 파라미터 예측 모델에 대한 정확도를 사용자로부터 피드백받아서, 이 정확도가 소정의 임계치에 미치지 못하는 것으로 판단되는 경우, 상기 파라미터 예측 모델을 다시 학습시킬 것을 권고하는 권고 메시지를 화면 상에 표시함으로써, 상기 파라미터 예측 모델에 대한 정확도 향상을 도모할 수 있다.That is, the electronic device 110 according to the present invention receives feedback from the user on the accuracy of the parameter prediction model, and when it is determined that this accuracy does not reach a predetermined threshold, it recommends retraining the parameter prediction model. By displaying a recommendation message on the screen, the accuracy of the parameter prediction model can be improved.

도 2는 본 발명의 일실시예에 따른 인공지능 기반의 파라미터 예측 모델의 생성을 통해, 도형 이미지에 대응되는 캐드 프로그램용 파라미터를 예측할 수 있는 전자 장치의 동작 방법을 도시한 순서도이다.FIG. 2 is a flow chart illustrating a method of operating an electronic device capable of predicting parameters for a CAD program corresponding to a graphic image through the creation of an artificial intelligence-based parameter prediction model according to an embodiment of the present invention.

단계(S210)에서는 사전 설정된 복수의 훈련용 도형 이미지들과, 상기 복수의 훈련용 도형 이미지들 각각에 대응되는 n가지 종류의 파라미터들(상기 n가지 종류의 파라미터들은, 사전 설정된 캐드 프로그램에서 도형의 형상을 표현하기 위해 사용되는 사전 설정된 파라미터를 의미함)에 대한 실제 데이터 값으로 구성된 트레이닝 세트가 저장되어 있는 트레이닝 세트 저장부를 유지한다.In step S210, a plurality of preset shape images for training and n types of parameters corresponding to each of the plurality of shape images for training (the n types of parameters are used to determine the shape of a shape in a preset CAD program). A training set storage unit is maintained in which a training set consisting of actual data values (meaning preset parameters used to express the shape) is stored.

단계(S220)에서는 상기 트레이닝 세트 저장부에 저장되어 있는 상기 복수의 훈련용 도형 이미지들 중 어느 하나의 훈련용 도형 이미지를 선정하여, 상기 선정된 훈련용 도형 이미지와 그에 대응되는 상기 n가지 종류의 파라미터들에 대한 실제 데이터 값을 기초로, 도형 이미지로부터 상기 캐드 프로그램에서 사용되는 상기 n가지 종류의 파라미터들에 대한 데이터 값을 예측하는 학습 모델을 생성하기 위한 기계학습 과정을, 상기 복수의 훈련용 도형 이미지들 각각에 대해 반복 수행함으로써, 파라미터 예측 모델을 생성한다.In step S220, one training shape image is selected from among the plurality of training shape images stored in the training set storage unit, and the selected training shape image and the n types of shapes corresponding thereto are selected. A machine learning process for generating a learning model that predicts data values for the n types of parameters used in the CAD program from a geometric image, based on actual data values for the parameters, for the plurality of training By repeating the process for each shape image, a parameter prediction model is created.

단계(S230)에서는 상기 파라미터 예측 모델의 생성이 완료된 이후에, 제1 도형 이미지가 입력으로 인가되면서, 상기 제1 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 데이터 값을 예측할 것을 지시하는 예측 명령이 인가되면, 상기 파라미터 예측 모델을 기초로 상기 제1 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 데이터 값을 예측한다.In step S230, after the creation of the parameter prediction model is completed, a first shape image is applied as an input, and instructions are given to predict data values for the n types of parameters corresponding to the first shape image. When a prediction command is applied, data values for the n types of parameters corresponding to the first shape image are predicted based on the parameter prediction model.

이때, 본 발명의 일실시예에 따르면, 단계(S220)에서는 상기 복수의 훈련용 도형 이미지들 중 어느 하나인 제1 훈련용 도형 이미지가 선정됨에 따라, 상기 제1 훈련용 도형 이미지에 대한 기계학습 과정이 수행되어야 하는 순서가 되는 경우, 상기 제1 훈련용 도형 이미지를 합성곱 신경망에 입력으로 인가하여 출력을 생성하는 단계 및 상기 합성곱 신경망의 출력을 GAN의 생성기에 입력으로 인가하여, 상기 n가지 종류의 파라미터들에 대한 모조 데이터 값을 생성하고, 상기 n가지 종류의 파라미터들에 대한 모조 데이터 값과 상기 제1 훈련용 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 실제 데이터 값을 상기 GAN의 식별기에 입력으로 인가하여, 상기 n가지 종류의 파라미터들에 대한 모조 데이터 값과 상기 제1 훈련용 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 실제 데이터 값이 실제인지 모조인지 여부를 식별하도록 하는 기계학습 과정을 수행함으로써, 상기 합성곱 신경망, 상기 생성기 및 상기 식별기를 학습시키는 단계를 포함할 수 있다.At this time, according to an embodiment of the present invention, in step S220, as a first training shape image, which is one of the plurality of training shape images, is selected, machine learning on the first training shape image is performed. When the order in which the process must be performed is to apply the first training shape image as an input to a convolutional neural network to generate an output, and apply the output of the convolutional neural network as an input to the generator of the GAN, wherein the n Generating fake data values for the n types of parameters, and creating fake data values for the n types of parameters and real data values for the n types of parameters corresponding to the first training shape image. It is applied as an input to the identifier of the GAN to determine whether the fake data values for the n types of parameters and the actual data values for the n types of parameters corresponding to the first training shape image are real or fake. It may include training the convolutional neural network, the generator, and the identifier by performing a machine learning process to identify whether or not the device is present.

이때, 본 발명의 일실시예에 따르면, 상기 학습시키는 단계는 제1 식별 확률(상기 제1 식별 확률은, 상기 식별기를 통해서, 상기 n가지 종류의 파라미터들에 대한 모조 데이터 값이 실제인지 모조인지 여부가 식별된 결과, 상기 n가지 종류의 파라미터들에 대한 모조 데이터 값이, 모조에 해당되는 값인 것으로 식별된 확률을 의미함)과 제2 식별 확률(상기 제2 식별 확률은, 상기 식별기를 통해서, 상기 제1 훈련용 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 실제 데이터 값이 실제인지 모조인지 여부가 식별된 결과, 상기 제1 훈련용 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 실제 데이터 값이, 실제에 해당되는 값인 것으로 식별된 확률을 의미함)이 최대가 되도록 상기 식별기를 학습시키고, 상기 제1 식별 확률과 상기 제2 식별 확률이 최소가 되도록 상기 합성곱 신경망과 상기 생성기를 학습시킬 수 있다.At this time, according to one embodiment of the present invention, the learning step is performed by determining the first identification probability (the first identification probability determines whether the fake data values for the n types of parameters are real or fake through the identifier). As a result of identifying whether or not the fake data values for the n types of parameters are identified as values corresponding to the fake, it means the probability of being identified as a value corresponding to the fake) and the second identification probability (the second identification probability is determined through the identifier) , As a result of identifying whether the actual data values for the n types of parameters corresponding to the first training shape image are real or fake, the n types of parameters corresponding to the first training shape image The convolutional neural network trains the identifier so that the actual data value (meaning the probability of being identified as the actual value) is maximized, and the first identification probability and the second identification probability are minimized. And the generator can be trained.

또한, 본 발명의 일실시예에 따르면, 단계(S230)에서는 상기 파라미터 예측 모델의 생성이 완료된 이후에, 상기 제1 도형 이미지가 입력으로 인가되면서, 상기 제1 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 데이터 값을 예측할 것을 지시하는 예측 명령이 인가되면, 상기 제1 도형 이미지를 기계학습이 완료된 상기 합성곱 신경망에 입력으로 인가하여 출력을 생성한 후, 기계학습이 완료된 상기 합성곱 신경망의 출력을 기계학습이 완료된 상기 생성기에 입력으로 인가함으로써, 상기 n가지 종류의 파라미터들에 대한 데이터 값을 예측할 수 있다.In addition, according to an embodiment of the present invention, in step S230, after the creation of the parameter prediction model is completed, the first shape image is applied as an input, and the n types corresponding to the first shape image are generated. When a prediction command instructing to predict data values for the parameters of is applied, the first shape image is applied as an input to the convolutional neural network on which machine learning has been completed to generate an output, and then the convolutional neural network on which machine learning has been completed is By applying the output of the neural network as input to the generator on which machine learning has been completed, data values for the n types of parameters can be predicted.

또한, 본 발명의 일실시예에 따르면, 상기 전자 장치의 동작 방법은 단계(S230)을 통해, 입력되는 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 데이터 값이 예측 완료될 때마다, 상기 캐드 프로그램을 실행한 후, 예측 완료된 상기 n가지 종류의 파라미터들에 대한 데이터 값을 기초로 상기 캐드 프로그램 상에서 도형 모델링을 생성하여 화면 상에 표시함과 동시에, 화면 상에 표시되는 도형 모델링에 대한 예측 결과의 정확도 여부를 질의하는 질의 메시지를 생성하여 화면 상에 표시하는 단계, 사용자로부터 상기 질의 메시지에 대한 응답으로, 상기 예측 결과가 정확함을 지시하는 응답과 상기 예측 결과가 부정확함을 지시하는 응답이 수신되면, 상기 사용자로부터 수신된 응답을, 응답 이력 데이터베이스 상에 저장하는 단계 및 상기 응답 이력 데이터베이스에 저장된 상기 사용자의 응답이 사전 설정된 기준 개수가 되면, 상기 응답 이력 데이터베이스에 저장되어 있는 상기 사용자의 응답 중 상기 예측 결과가 부정확함을 지시하는 응답이 차지하는 비율을 산출한 후, 상기 비율이 사전 설정된 임계치를 초과하는 것으로 확인되면, 상기 파라미터 예측 모델에 대한 기계학습을 재수행할 것을 권고하는 재수행 권고 메시지를 생성하여 화면 상에 표시하는 단계를 더 포함할 수 있다.In addition, according to an embodiment of the present invention, the method of operating the electronic device includes, through step S230, whenever data values for the n types of parameters corresponding to the input figure image are predicted, After executing the CAD program, a shape modeling is generated on the CAD program based on the data values for the n types of parameters that have been predicted and displayed on the screen, and at the same time, the shape modeling displayed on the screen is Generating and displaying on a screen a query message asking whether the prediction result is accurate, in response to the query message from the user, a response indicating that the prediction result is accurate and a response indicating that the prediction result is inaccurate. When received, storing the response received from the user on a response history database, and when the user's response stored in the response history database reaches a preset standard number, the response of the user stored in the response history database After calculating the ratio of responses indicating that the prediction result is incorrect, if the ratio is confirmed to exceed a preset threshold, a re-performance recommendation recommends that machine learning on the parameter prediction model be re-performed. The step of generating a message and displaying it on the screen may be further included.

이상, 도 2를 참조하여 본 발명의 일실시예에 따른 전자 장치의 동작 방법에 대해 설명하였다. 여기서, 본 발명의 일실시예에 따른 전자 장치의 동작 방법은 도 1을 이용하여 설명한 전자 장치(110)의 동작에 대한 구성과 대응될 수 있으므로, 이에 대한 보다 상세한 설명은 생략하기로 한다.Above, a method of operating an electronic device according to an embodiment of the present invention has been described with reference to FIG. 2. Here, since the method of operating the electronic device according to an embodiment of the present invention may correspond to the configuration of the operation of the electronic device 110 described using FIG. 1, a more detailed description thereof will be omitted.

본 발명의 일실시예에 따른 전자 장치의 동작 방법은 컴퓨터와의 결합을 통해 실행시키기 위한 저장매체에 저장된 컴퓨터 프로그램으로 구현될 수 있다.The method of operating an electronic device according to an embodiment of the present invention may be implemented as a computer program stored in a storage medium to be executed through combination with a computer.

또한, 본 발명의 일실시예에 따른 전자 장치의 동작 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. Additionally, the method of operating an electronic device according to an embodiment of the present invention may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, etc., singly or in combination. Program instructions recorded on the medium may be specially designed and constructed for the present invention or may be known and usable by those skilled in the art of computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. -Includes optical media (magneto-optical media) and hardware devices specifically configured to store and execute program instructions, such as ROM, RAM, flash memory, etc. Examples of program instructions include machine language code, such as that produced by a compiler, as well as high-level language code that can be executed by a computer using an interpreter, etc.

이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.As described above, the present invention has been described with specific details such as specific components and limited embodiments and drawings, but this is only provided to facilitate a more general understanding of the present invention, and the present invention is not limited to the above embodiments. , those skilled in the art can make various modifications and variations from this description.

따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.Accordingly, the spirit of the present invention should not be limited to the described embodiments, and the scope of the patent claims described below as well as all modifications that are equivalent or equivalent to the scope of this patent claim shall fall within the scope of the spirit of the present invention. .

110: 전자 장치
111: 트레이닝 세트 저장부 112: 모델 생성부
113: 파라미터 예측부 114: 합성곱 처리부
115: 학습 처리부 116: 표시부
117: 이력 저장 처리부 118: 권고 메시지 표시부110: electronic device
111: training set storage unit 112: model creation unit
113: Parameter prediction unit 114: Convolution processing unit
115: learning processing unit 116: display unit
117: History storage processing unit 118: Recommendation message display unit

Claims (12)

인공지능 기반의 파라미터 예측 모델의 생성을 통해, 도형 이미지에 대응되는 캐드 프로그램용 파라미터를 예측할 수 있는 전자 장치에 있어서,
사전 설정된 복수의 훈련용 도형 이미지들과, 상기 복수의 훈련용 도형 이미지들 각각에 대응되는 n가지 종류의 파라미터들 - 상기 n가지 종류의 파라미터들은, 사전 설정된 캐드(Computer Aided Design: CAD) 프로그램에서 도형의 형상을 표현하기 위해 사용되는 사전 설정된 파라미터를 의미함 - 에 대한 실제 데이터 값으로 구성된 트레이닝 세트가 저장되어 있는 트레이닝 세트 저장부;
상기 트레이닝 세트 저장부에 저장되어 있는 상기 복수의 훈련용 도형 이미지들 중 어느 하나의 훈련용 도형 이미지를 선정하여, 상기 선정된 훈련용 도형 이미지와 그에 대응되는 상기 n가지 종류의 파라미터들에 대한 실제 데이터 값을 기초로, 도형 이미지로부터 상기 캐드 프로그램에서 사용되는 상기 n가지 종류의 파라미터들에 대한 데이터 값을 예측하는 학습 모델을 생성하기 위한 기계학습 과정을, 상기 복수의 훈련용 도형 이미지들 각각에 대해 반복 수행함으로써, 파라미터 예측 모델을 생성하는 모델 생성부; 및
상기 파라미터 예측 모델의 생성이 완료된 이후에, 제1 도형 이미지가 입력으로 인가되면서, 상기 제1 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 데이터 값을 예측할 것을 지시하는 예측 명령이 인가되면, 상기 파라미터 예측 모델을 기초로 상기 제1 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 데이터 값을 예측하는 파라미터 예측부
를 포함하는 전자 장치.In an electronic device capable of predicting parameters for a CAD program corresponding to a geometric image through the creation of an artificial intelligence-based parameter prediction model,
A plurality of preset training shape images, and n types of parameters corresponding to each of the plurality of training shape images - the n types of parameters are obtained from a preset Computer Aided Design (CAD) program. Refers to preset parameters used to express the shape of a figure - a training set storage unit that stores a training set composed of actual data values for;
By selecting one of the plurality of training shape images stored in the training set storage unit, the actual data for the selected training shape image and the n types of parameters corresponding thereto are selected. Based on data values, a machine learning process for generating a learning model that predicts data values for the n types of parameters used in the CAD program from geometric images is performed on each of the plurality of training geometric images. a model generator that generates a parameter prediction model by repeatedly performing the operation; and
After the creation of the parameter prediction model is completed, a first shape image is input, and a prediction command instructing to predict data values for the n types of parameters corresponding to the first shape image is applied. , a parameter prediction unit that predicts data values for the n types of parameters corresponding to the first shape image based on the parameter prediction model.
Electronic devices containing. 제1항에 있어서,
상기 모델 생성부는
상기 복수의 훈련용 도형 이미지들 중 어느 하나인 제1 훈련용 도형 이미지가 선정됨에 따라, 상기 제1 훈련용 도형 이미지에 대한 기계학습 과정이 수행되어야 하는 순서가 되는 경우, 상기 제1 훈련용 도형 이미지를 합성곱 신경망(Convolutional Neural Network)에 입력으로 인가하여 출력을 생성하는 합성곱 처리부; 및
상기 합성곱 신경망의 출력을 생성적 적대 신경망(Generative Adversarial Network: GAN)의 생성기(generator)에 입력으로 인가하여, 상기 n가지 종류의 파라미터들에 대한 모조(fake) 데이터 값을 생성하고, 상기 n가지 종류의 파라미터들에 대한 모조 데이터 값과 상기 제1 훈련용 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 실제 데이터 값을 상기 GAN의 식별기(discriminator)에 입력으로 인가하여, 상기 n가지 종류의 파라미터들에 대한 모조 데이터 값과 상기 제1 훈련용 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 실제 데이터 값이 실제(real)인지 모조인지 여부를 식별하도록 하는 기계학습 과정을 수행함으로써, 상기 합성곱 신경망, 상기 생성기 및 상기 식별기를 학습시키는 학습 처리부
를 포함하는 전자 장치.According to paragraph 1,
The model creation unit
As a first training shape image, which is one of the plurality of training shape images, is selected, when the machine learning process for the first training shape image is to be performed, the first training shape image A convolutional processing unit that generates an output by applying an image as an input to a convolutional neural network; and
The output of the convolutional neural network is applied as an input to a generator of a generative adversarial network (GAN) to generate fake data values for the n types of parameters, and the n Fake data values for the four types of parameters and real data values for the n types of parameters corresponding to the first training shape image are applied as input to the discriminator of the GAN, and the n types Perform a machine learning process to identify whether the fake data values for the types of parameters and the actual data values for the n types of parameters corresponding to the first training shape image are real or fake. By doing so, a learning processor that trains the convolutional neural network, the generator, and the identifier
Electronic devices containing. 제2항에 있어서,
상기 학습 처리부는
제1 식별 확률 - 상기 제1 식별 확률은, 상기 식별기를 통해서, 상기 n가지 종류의 파라미터들에 대한 모조 데이터 값이 실제인지 모조인지 여부가 식별된 결과, 상기 n가지 종류의 파라미터들에 대한 모조 데이터 값이, 모조에 해당되는 값인 것으로 식별된 확률을 의미함 - 과 제2 식별 확률 - 상기 제2 식별 확률은, 상기 식별기를 통해서, 상기 제1 훈련용 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 실제 데이터 값이 실제인지 모조인지 여부가 식별된 결과, 상기 제1 훈련용 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 실제 데이터 값이, 실제에 해당되는 값인 것으로 식별된 확률을 의미함 - 이 최대가 되도록 상기 식별기를 학습시키고, 상기 제1 식별 확률과 상기 제2 식별 확률이 최소가 되도록 상기 합성곱 신경망과 상기 생성기를 학습시키는 것을 특징으로 하는 전자 장치.According to paragraph 2,
The learning processing unit
First identification probability - The first identification probability is a result of identifying, through the identifier, whether the fake data values for the n types of parameters are real or fake, and is a result of identifying whether the fake data values for the n types of parameters are real or fake. This means the probability that the data value is identified as a value corresponding to the imitation - and the second identification probability - The second identification probability is, through the identifier, the n types of shapes corresponding to the first training shape image. As a result of identifying whether the real data values for the parameters are real or fake, the real data values for the n types of parameters corresponding to the first training shape image are identified as being real values. Means probability - an electronic device characterized in that the identifier is trained so that the probability is maximized, and the convolutional neural network and the generator are trained so that the first and second identification probabilities are minimized. 제2항에 있어서,
상기 파라미터 예측부는
상기 파라미터 예측 모델의 생성이 완료된 이후에, 상기 제1 도형 이미지가 입력으로 인가되면서, 상기 제1 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 데이터 값을 예측할 것을 지시하는 예측 명령이 인가되면, 상기 제1 도형 이미지를 기계학습이 완료된 상기 합성곱 신경망에 입력으로 인가하여 출력을 생성한 후, 기계학습이 완료된 상기 합성곱 신경망의 출력을 기계학습이 완료된 상기 생성기에 입력으로 인가함으로써, 상기 n가지 종류의 파라미터들에 대한 데이터 값을 예측하는 것을 특징으로 하는 전자 장치.According to paragraph 2,
The parameter prediction unit
After the creation of the parameter prediction model is completed, the first shape image is input, and a prediction command is applied to predict data values for the n types of parameters corresponding to the first shape image. Then, the first shape image is applied as an input to the convolutional neural network on which machine learning has been completed to generate an output, and then the output of the convolutional neural network on which machine learning has been completed is applied as an input to the generator on which machine learning has been completed, An electronic device characterized in that it predicts data values for the n types of parameters. 제1항에 있어서,
상기 파라미터 예측부를 통해, 입력되는 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 데이터 값이 예측 완료될 때마다, 상기 캐드 프로그램을 실행한 후, 예측 완료된 상기 n가지 종류의 파라미터들에 대한 데이터 값을 기초로 상기 캐드 프로그램 상에서 도형 모델링을 생성하여 화면 상에 표시함과 동시에, 화면 상에 표시되는 도형 모델링에 대한 예측 결과의 정확도 여부를 질의하는 질의 메시지를 생성하여 화면 상에 표시하는 표시부;
사용자로부터 상기 질의 메시지에 대한 응답으로, 상기 예측 결과가 정확함을 지시하는 응답과 상기 예측 결과가 부정확함을 지시하는 응답이 수신되면, 상기 사용자로부터 수신된 응답을, 응답 이력 데이터베이스 상에 저장하는 이력 저장 처리부; 및
상기 응답 이력 데이터베이스에 저장된 상기 사용자의 응답이 사전 설정된 기준 개수가 되면, 상기 응답 이력 데이터베이스에 저장되어 있는 상기 사용자의 응답 중 상기 예측 결과가 부정확함을 지시하는 응답이 차지하는 비율을 산출한 후, 상기 비율이 사전 설정된 임계치를 초과하는 것으로 확인되면, 상기 파라미터 예측 모델에 대한 기계학습을 재수행할 것을 권고하는 재수행 권고 메시지를 생성하여 화면 상에 표시하는 권고 메시지 표시부
를 더 포함하는 전자 장치.According to paragraph 1,
Through the parameter prediction unit, whenever the data values for the n types of parameters corresponding to the input geometric image are predicted, the CAD program is executed, and then the predicted n types of parameters are predicted. A display unit that generates a shape modeling in the CAD program based on data values and displays it on the screen, and at the same time generates a query message to inquire about the accuracy of the prediction result for the shape modeling displayed on the screen and displays it on the screen. ;
When a response indicating that the prediction result is accurate and a response indicating that the prediction result is incorrect are received in response to the query message from the user, the response received from the user is stored in the response history database. storage processing unit; and
When the user's responses stored in the response history database reach a preset standard number, the ratio of responses indicating that the prediction result is incorrect among the user's responses stored in the response history database is calculated, and then If the ratio is confirmed to exceed a preset threshold, a recommendation message display unit that generates a re-performance recommendation message recommending re-performing machine learning for the parameter prediction model and displays it on the screen.
An electronic device further comprising: 인공지능 기반의 파라미터 예측 모델의 생성을 통해, 도형 이미지에 대응되는 캐드 프로그램용 파라미터를 예측할 수 있는 전자 장치의 동작 방법에 있어서,
사전 설정된 복수의 훈련용 도형 이미지들과, 상기 복수의 훈련용 도형 이미지들 각각에 대응되는 n가지 종류의 파라미터들 - 상기 n가지 종류의 파라미터들은, 사전 설정된 캐드(Computer Aided Design: CAD) 프로그램에서 도형의 형상을 표현하기 위해 사용되는 사전 설정된 파라미터를 의미함 - 에 대한 실제 데이터 값으로 구성된 트레이닝 세트가 저장되어 있는 트레이닝 세트 저장부를 유지하는 단계;
상기 트레이닝 세트 저장부에 저장되어 있는 상기 복수의 훈련용 도형 이미지들 중 어느 하나의 훈련용 도형 이미지를 선정하여, 상기 선정된 훈련용 도형 이미지와 그에 대응되는 상기 n가지 종류의 파라미터들에 대한 실제 데이터 값을 기초로, 도형 이미지로부터 상기 캐드 프로그램에서 사용되는 상기 n가지 종류의 파라미터들에 대한 데이터 값을 예측하는 학습 모델을 생성하기 위한 기계학습 과정을, 상기 복수의 훈련용 도형 이미지들 각각에 대해 반복 수행함으로써, 파라미터 예측 모델을 생성하는 단계; 및
상기 파라미터 예측 모델의 생성이 완료된 이후에, 제1 도형 이미지가 입력으로 인가되면서, 상기 제1 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 데이터 값을 예측할 것을 지시하는 예측 명령이 인가되면, 상기 파라미터 예측 모델을 기초로 상기 제1 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 데이터 값을 예측하는 단계
를 포함하는 전자 장치의 동작 방법.In a method of operating an electronic device capable of predicting parameters for a CAD program corresponding to a geometric image through the creation of an artificial intelligence-based parameter prediction model,
A plurality of preset training shape images, and n types of parameters corresponding to each of the plurality of training shape images - the n types of parameters are obtained from a preset Computer Aided Design (CAD) program. Referring to preset parameters used to express the shape of a figure - maintaining a training set storage unit in which a training set consisting of actual data values for is stored;
By selecting one of the plurality of training shape images stored in the training set storage unit, the actual data for the selected training shape image and the n types of parameters corresponding thereto are selected. Based on data values, a machine learning process for generating a learning model that predicts data values for the n types of parameters used in the CAD program from geometric images is performed on each of the plurality of training geometric images. Generating a parameter prediction model by performing repetitions; and
After the creation of the parameter prediction model is completed, a first shape image is input, and a prediction command instructing to predict data values for the n types of parameters corresponding to the first shape image is applied. , predicting data values for the n types of parameters corresponding to the first shape image based on the parameter prediction model.
A method of operating an electronic device comprising: 제6항에 있어서,
상기 파라미터 예측 모델을 생성하는 단계는
상기 복수의 훈련용 도형 이미지들 중 어느 하나인 제1 훈련용 도형 이미지가 선정됨에 따라, 상기 제1 훈련용 도형 이미지에 대한 기계학습 과정이 수행되어야 하는 순서가 되는 경우, 상기 제1 훈련용 도형 이미지를 합성곱 신경망(Convolutional Neural Network)에 입력으로 인가하여 출력을 생성하는 단계; 및
상기 합성곱 신경망의 출력을 생성적 적대 신경망(Generative Adversarial Network: GAN)의 생성기(generator)에 입력으로 인가하여, 상기 n가지 종류의 파라미터들에 대한 모조(fake) 데이터 값을 생성하고, 상기 n가지 종류의 파라미터들에 대한 모조 데이터 값과 상기 제1 훈련용 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 실제 데이터 값을 상기 GAN의 식별기(discriminator)에 입력으로 인가하여, 상기 n가지 종류의 파라미터들에 대한 모조 데이터 값과 상기 제1 훈련용 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 실제 데이터 값이 실제(real)인지 모조인지 여부를 식별하도록 하는 기계학습 과정을 수행함으로써, 상기 합성곱 신경망, 상기 생성기 및 상기 식별기를 학습시키는 단계
를 포함하는 전자 장치의 동작 방법.According to clause 6,
The step of generating the parameter prediction model is
As a first training shape image, which is one of the plurality of training shape images, is selected, when the machine learning process for the first training shape image is to be performed, the first training shape image Generating an output by applying an image as an input to a convolutional neural network; and
The output of the convolutional neural network is applied as an input to a generator of a generative adversarial network (GAN) to generate fake data values for the n types of parameters, and the n Fake data values for the four types of parameters and real data values for the n types of parameters corresponding to the first training shape image are applied as input to the discriminator of the GAN, and the n types Perform a machine learning process to identify whether the fake data values for the types of parameters and the actual data values for the n types of parameters corresponding to the first training shape image are real or fake. learning the convolutional neural network, the generator, and the identifier by doing so,
A method of operating an electronic device comprising: 제7항에 있어서,
상기 학습시키는 단계는
제1 식별 확률 - 상기 제1 식별 확률은, 상기 식별기를 통해서, 상기 n가지 종류의 파라미터들에 대한 모조 데이터 값이 실제인지 모조인지 여부가 식별된 결과, 상기 n가지 종류의 파라미터들에 대한 모조 데이터 값이, 모조에 해당되는 값인 것으로 식별된 확률을 의미함 - 과 제2 식별 확률 - 상기 제2 식별 확률은, 상기 식별기를 통해서, 상기 제1 훈련용 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 실제 데이터 값이 실제인지 모조인지 여부가 식별된 결과, 상기 제1 훈련용 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 실제 데이터 값이, 실제에 해당되는 값인 것으로 식별된 확률을 의미함 - 이 최대가 되도록 상기 식별기를 학습시키고, 상기 제1 식별 확률과 상기 제2 식별 확률이 최소가 되도록 상기 합성곱 신경망과 상기 생성기를 학습시키는 것을 특징으로 하는 전자 장치의 동작 방법.In clause 7,
The learning step is
First identification probability - The first identification probability is a result of identifying, through the identifier, whether the fake data values for the n types of parameters are real or fake, and is a result of identifying whether the fake data values for the n types of parameters are real or fake. This means the probability that the data value is identified as a value corresponding to the imitation - and the second identification probability - The second identification probability is, through the identifier, the n types of shapes corresponding to the first training shape image. As a result of identifying whether the real data values for the parameters are real or fake, the real data values for the n types of parameters corresponding to the first training shape image are identified as being real values. Means probability - a method of operating an electronic device, characterized in that the identifier is trained so that the probability is maximized, and the convolutional neural network and the generator are trained so that the first and second identification probabilities are minimized. 제7항에 있어서,
상기 예측하는 단계는
상기 파라미터 예측 모델의 생성이 완료된 이후에, 상기 제1 도형 이미지가 입력으로 인가되면서, 상기 제1 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 데이터 값을 예측할 것을 지시하는 예측 명령이 인가되면, 상기 제1 도형 이미지를 기계학습이 완료된 상기 합성곱 신경망에 입력으로 인가하여 출력을 생성한 후, 기계학습이 완료된 상기 합성곱 신경망의 출력을 기계학습이 완료된 상기 생성기에 입력으로 인가함으로써, 상기 n가지 종류의 파라미터들에 대한 데이터 값을 예측하는 것을 특징으로 하는 전자 장치의 동작 방법.In clause 7,
The prediction step is
After the creation of the parameter prediction model is completed, the first shape image is input, and a prediction command is applied to predict data values for the n types of parameters corresponding to the first shape image. Then, the first shape image is applied as an input to the convolutional neural network on which machine learning has been completed to generate an output, and then the output of the convolutional neural network on which machine learning has been completed is applied as an input to the generator on which machine learning has been completed, A method of operating an electronic device, characterized in that predicting data values for the n types of parameters. 제6항에 있어서,
상기 예측하는 단계를 통해, 입력되는 도형 이미지에 대응되는 상기 n가지 종류의 파라미터들에 대한 데이터 값이 예측 완료될 때마다, 상기 캐드 프로그램을 실행한 후, 예측 완료된 상기 n가지 종류의 파라미터들에 대한 데이터 값을 기초로 상기 캐드 프로그램 상에서 도형 모델링을 생성하여 화면 상에 표시함과 동시에, 화면 상에 표시되는 도형 모델링에 대한 예측 결과의 정확도 여부를 질의하는 질의 메시지를 생성하여 화면 상에 표시하는 단계;
사용자로부터 상기 질의 메시지에 대한 응답으로, 상기 예측 결과가 정확함을 지시하는 응답과 상기 예측 결과가 부정확함을 지시하는 응답이 수신되면, 상기 사용자로부터 수신된 응답을, 응답 이력 데이터베이스 상에 저장하는 단계; 및
상기 응답 이력 데이터베이스에 저장된 상기 사용자의 응답이 사전 설정된 기준 개수가 되면, 상기 응답 이력 데이터베이스에 저장되어 있는 상기 사용자의 응답 중 상기 예측 결과가 부정확함을 지시하는 응답이 차지하는 비율을 산출한 후, 상기 비율이 사전 설정된 임계치를 초과하는 것으로 확인되면, 상기 파라미터 예측 모델에 대한 기계학습을 재수행할 것을 권고하는 재수행 권고 메시지를 생성하여 화면 상에 표시하는 단계
를 더 포함하는 전자 장치의 동작 방법.According to clause 6,
Through the predicting step, whenever the data values for the n types of parameters corresponding to the input figure image are predicted, after executing the CAD program, the prediction is performed on the n types of parameters that have been predicted. Based on the data values for the CAD program, shape modeling is generated and displayed on the screen, and at the same time, a query message inquiring about the accuracy of the prediction result for the shape modeling displayed on the screen is generated and displayed on the screen. step;
When a response indicating that the prediction result is accurate and a response indicating that the prediction result is incorrect are received from the user in response to the inquiry message, storing the response received from the user in a response history database. ; and
When the user's responses stored in the response history database reach a preset standard number, the ratio of responses indicating that the prediction result is incorrect among the user's responses stored in the response history database is calculated, and then If the ratio is confirmed to exceed a preset threshold, generating a re-performance recommendation message recommending re-performing machine learning on the parameter prediction model and displaying it on the screen.
A method of operating an electronic device further comprising: 제6항 내지 제10항 중 어느 한 항의 방법을 컴퓨터와의 결합을 통해 실행시키기 위한 컴퓨터 프로그램을 기록한 컴퓨터 판독 가능 기록 매체.A computer-readable recording medium recording a computer program for executing the method of any one of claims 6 to 10 through combination with a computer. 제6항 내지 제10항 중 어느 한 항의 방법을 컴퓨터와의 결합을 통해 실행시키기 위한 저장매체에 저장된 컴퓨터 프로그램.A computer program stored in a storage medium for executing the method of any one of claims 6 to 10 through combination with a computer.
KR1020220102757A 2022-08-17 2022-08-17 Electronic device capable of predicting parameters for a cad program corresponding to a figure image through generation of an artificial intelligence-based parameter prediction model and the operating method thereof KR20240024586A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220102757A KR20240024586A (en) 2022-08-17 2022-08-17 Electronic device capable of predicting parameters for a cad program corresponding to a figure image through generation of an artificial intelligence-based parameter prediction model and the operating method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220102757A KR20240024586A (en) 2022-08-17 2022-08-17 Electronic device capable of predicting parameters for a cad program corresponding to a figure image through generation of an artificial intelligence-based parameter prediction model and the operating method thereof

Publications (1)

Publication Number Publication Date
KR20240024586A true KR20240024586A (en) 2024-02-26

Family

ID=90058120

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220102757A KR20240024586A (en) 2022-08-17 2022-08-17 Electronic device capable of predicting parameters for a cad program corresponding to a figure image through generation of an artificial intelligence-based parameter prediction model and the operating method thereof

Country Status (1)

Country Link
KR (1) KR20240024586A (en)

Similar Documents

Publication Publication Date Title
JP7395617B2 (en) Three-dimensional mesh model reconstruction method, apparatus, equipment, and storage medium
CN105701120A (en) Method and apparatus for determining semantic matching degree
CN109685204B (en) Image processing method and device, storage medium and electronic equipment
JP2020109659A (en) Learning of neural network for inferring editable feature tree
CN111105375B (en) Image generation method, model training method and device thereof, and electronic equipment
JP2020109660A (en) To form data set for inference of editable feature tree
KR102063562B1 (en) Graphic processing apparatus to support the creation of high quality mesh structures through the learning of pointer networks and operating method thereof
US11276202B2 (en) Moving image generation apparatus, moving image generation method, and non-transitory recording medium
CN110704668B (en) Grid-based collaborative attention VQA method and device
CN111445021A (en) Learning method, learning apparatus, and computer-readable recording medium
KR102482472B1 (en) Electronic device that can rectangularize an inclined license plate image through machine learning-based vertex extraction and the operating method thereof
EP4280162A1 (en) Generating prismatic cad models by machine learning
CN112766348A (en) Method and device for generating sample data based on antagonistic neural network
KR20240024586A (en) Electronic device capable of predicting parameters for a cad program corresponding to a figure image through generation of an artificial intelligence-based parameter prediction model and the operating method thereof
KR102188115B1 (en) Electronic device capable of selecting a biomarker to be used in cancer prognosis prediction based on generative adversarial networks and operating method thereof
JP4771822B2 (en) Numerical analysis mesh generation device, numerical analysis mesh generation method, numerical analysis mesh generation program
JPWO2012032747A1 (en) Feature point selection system, feature point selection method, and feature point selection program
CN112825143A (en) Deep convolutional neural network compression method, device, storage medium and equipment
US11721007B2 (en) Facial image editing and enhancement using a personalized prior
JPWO2020054402A1 (en) Neural network processing device, computer program, neural network manufacturing method, neural network data manufacturing method, neural network utilization device, and neural network miniaturization method
KR102523803B1 (en) Data processing apparatus for classification of machine learning data and the operating method thereof
KR100275274B1 (en) Method for reducting volume of the mesh data
CN112613495B (en) Real person video generation method and device, readable storage medium and equipment
CN116957991B (en) Three-dimensional model completion method
KR102557697B1 (en) Electronic device capable of rectangularizing an inclined license plate image through machine learning-based vertex extraction and homography matrix calculation, and the operating method thereof

Legal Events

Date Code Title Description
E902 Notification of reason for refusal