KR20240100887A - 객체의 외관 검사 장치 및 객체의 외관 검사 방법 - Google Patents
객체의 외관 검사 장치 및 객체의 외관 검사 방법 Download PDFInfo
- Publication number
- KR20240100887A KR20240100887A KR1020220182986A KR20220182986A KR20240100887A KR 20240100887 A KR20240100887 A KR 20240100887A KR 1020220182986 A KR1020220182986 A KR 1020220182986A KR 20220182986 A KR20220182986 A KR 20220182986A KR 20240100887 A KR20240100887 A KR 20240100887A
- Authority
- KR
- South Korea
- Prior art keywords
- appearance
- defect
- inspection
- changed
- image
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000007547 defect Effects 0.000 claims abstract description 136
- 238000007689 inspection Methods 0.000 claims abstract description 108
- 230000002950 deficient Effects 0.000 claims abstract description 38
- 238000013135 deep learning Methods 0.000 claims abstract description 23
- 238000012795 verification Methods 0.000 claims description 37
- 238000012544 monitoring process Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 description 13
- 230000003287 optical effect Effects 0.000 description 12
- 238000013480 data collection Methods 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000011179 visual inspection Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000003702 image correction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Manufacturing & Machinery (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
객체의 외관 검사 방법은 객체의 외관을 촬영하여 객체의 외관에 관한 영상을 획득하고, 객체의 외관에 관한 영상을 대상으로 룰 검사 방식을 이용하여 1차 불량 판정하고, 1차 불량으로 판정된 영상을 대상으로 딥러닝을 이용하여 2차 불량 판정하며, 1차 불량으로 판정된 영상 또는 2차 불량으로 판정된 영상을 대상으로 3차 불량 판정한다. 1차 불량 판정은 객체가 다른 객체로 변경되거나 객체의 검사 조건이 변경되더라도, 객체의 외관에 관한 영상을 실시간으로 1차 불량 판정할 수 있다.
Description
실시예는 객체의 외관 검사 장치 및 객체의 외관 검사 방법에 관한 것이다.
제조 공장에서 제조된 제품은 제품 외관에 대한 불량 검사 후 출하된다.
고객이나 소비자들이 제품 외관에 대한 관심이 커지면서, 제품 외관에 대한 불량 검사가 매우 중요해졌다.
제품 외관에 대한 불량 검사가 육안으로 이루어진 경우, 검사자의 경험치와 시력 등에 의해 제품 외관에 대한 불량 검출 정도가 달라지므로, 검출 신뢰도가 낮아진다.
최근 들어, 제품 외관에 대한 영상을 이용하여 제품 외관에 대한 불량을 검출하는 기술이 제안되었다.
하지만, 제품 외관에 대한 영상을 획득하는 카메라와 획득된 영상을 분석하는 분석 장치의 품질에 따라 불량 검출 정도가 달라져, 여전히 검출 신뢰도가 낮아지는 문제가 있다.
또한, 제품 대상이 변경되거나 해당 제품의 검사 조건이 변경될 수 있다. 이러한 경우, 기 설정된 매뉴얼로는 제품 외관 검사에 실시간으로 대응하기 어려운 문제가 있다. 제품 대상이 변경되거나 해당 제품의 검사 조건이 변경되는 경우, 해당 변경된 제품이나 검사 조건에 맞도록 파라미터나 알고리즘이 최적화되어야 한다. 하지만, 파라미터나 알고리즘의 최적화가 수동으로 수행되는 경우, 시간이 상당히 많이 소요되어 불량 판정 검사가 중지되므로, 실시간 대응이 어렵다.
실시예는 전술한 문제 및 다른 문제를 해결하는 것을 목적으로 한다.
실시예의 다른 목적은 객체의 외관의 불량 검출 신뢰도를 향상시킬 수 있는 객체의 외관 검사 장치 및 객체의 외관 검사 방법을 제공하는 것이다.
또한 실시예의 또 다른 목적은 객체가 다른 객체로 변경되거나 객체의 검사 조건이 변경되더라도, 실시간으로 객체의 외관의 불량을 검출할 수 있는 객체의 외관 검사 장치 및 객체의 외관 검사 방법을 제공하는 것이다.
실시예의 기술적 과제는 본 항목에 기재된 것에 한정되지 않으며, 발명의 설명을 통해 파악될 수 있는 것을 포함한다.
상기 또는 다른 목적을 달성하기 위해 실시예의 일 실시예에 따르면, 객체의 외관 검사 방법은, 객체의 외관을 촬영하여 상기 객체의 외관에 관한 영상을 획득하는 단계; 상기 객체의 외관에 관한 영상을 대상으로 룰(rule) 검사 방식을 이용하여 1차 불량 판정하는 단계; 상기 1차 불량으로 판정된 영상을 대상으로 딥러닝을 이용하여 2차 불량 판정하는 단계; 및 상기 1차 불량으로 판정된 영상 또는 상기 2차 불량으로 판정된 영상을 대상으로 3차 불량 판정하는 단계;를 포함하고, 상기 1차 불량 판정하는 단계는, 상기 객체가 다른 객체로 변경되거나 상기 객체의 검사 조건이 변경되더라도, 상기 객체의 외관에 관한 영상을 실시간으로 1차 불량 판정하는 단계를 포함한다.
상기 실시간으로 1차 불량 판정하는 단계는, 상기 객체가 다른 객체로 변경되거나 상기 객체의 검사 조건이 변경되더라도, 실시간으로 1차 불량 판정을 위한 최적의 알고리즘을 선정하는 단계;를 포함할 수 있다.
상기 최적의 알고리즘을 선정하는 단계는, 복수의 사이트 각각에서 근무하는 적어도 한 명 이상의 엔지니어에 관한 경험치 데이터에 가중치를 부여하는 단계; 및 상기 가중치가 부여된 경험치 데이터를 고려하여 최적의 알고리즘을 선정하는 단계;를 포함할 수 있다.
상기 실시간으로 1차 불량 판정하는 단계는, 상기 객체가 다른 객체로 변경되거나 상기 객체의 검사 조건이 변경되더라도, 실시간으로 1차 불량 판정을 위한 최적의 파라미터를 선정하는 단계;를 포함할 수 있다.
상기 실시간으로 1차 불량 판정하는 단계는, 상기 선정된 최적의 알고리즘 또는 상기 선정된 최적의 파라미터를 이용하여 실시간으로 상기 1차 불량 판정하는 단계;를 포함할 수 있다.
상기 실시간으로 1차 불량 판정하는 단계는, 상기 1차 불량 판정의 성능을 모니터링하는 단계;를 포함할 수 있다.
상기 1차 불량 판정하는 단계는, 검증 데이터를 수집하는 단계; 상기 수집된 검증 데이터를 복수의 그룹으로 그룹핑하는 단계; 및 상기 복수의 그룹 각각으로부터 검증 데이터를 추출하는 단계;를 포함할 수 있다.
객체의 외관 검사 방법은, 상기 2차 불량 판정 결과 또는 상기 3차 불량 판정 결과에 따라 상기 객체를 분류하는 단계;를 포함할 수 있다.
실시예의 다른 실시예에 따르면, 객체의 외관 검사 장치는, 객체의 외관에 관한 영상을 대상으로 룰 검사 방식을 이용하여 1차 불량 판정하는 복수의 외관 검사기; 상기 1차 불량으로 판정된 영상을 대상으로 딥러닝을 이용하여 2차 불량 판정하는 딥러닝 장치; 상기 1차 불량으로 판정된 영상 또는 상기 2차 불량으로 판정된 영상을 대상으로 3차 불량 판정하는 이미지 판정 장치;를 포함하고, 상기 복수의 외관 검사기는 각각, 상기 객체가 다른 객체로 변경되거나 상기 객체의 검사 조건이 변경되더라도, 상기 객체의 외관에 관한 영상을 실시간으로 1차 불량 판정하는 룰 기반 검사부;를 포함한다.
상기 룰 기반 검사부는, 상기 객체가 다른 객체로 변경되거나 상기 객체의 검사 조건이 변경되더라도, 실시간으로 1차 불량 판정을 위한 최적의 알고리즘을 선정할 수 있다.
상기 룰 기반 검사부는, 복수의 사이트 각각에서 근무하는 적어도 한 명 이상의 엔지니어에 관한 경험치 데이터에 가중치를 부여하고, 상기 가중치가 부여된 경험치 데이터를 고려하여 최적의 알고리즘을 선정할 수 있다.
상기 룰 기반 검사부는, 상기 객체가 다른 객체로 변경되거나 상기 객체의 검사 조건이 변경되더라도, 실시간으로 1차 불량 판정을 위한 최적의 파라미터를 선정할 수 있다.
상기 룰 기반 검사부는, 상기 선정된 최적의 알고리즘 또는 상기 선정된 최적의 파라미터를 이용하여 상기 객체의 외관에 관한 영상을 1차 불량 판정할 수 있다.
상기 복수의 외관 검사기는 각각, 상기 1차 불량 판정의 성능을 모니터링하는 성능 모니터링부;를 포함할 수 있다.
상기 룰 기반 검사부는, 검증 데이터를 수집하고, 상기 수집된 검증 데이터를 복수의 그룹으로 그룹핑하며, 상기 복수의 그룹 각각으로부터 검증 데이터를 추출할 수 있다.
상기 복수의 외관 검사기는 각각, 상기 2차 불량 판정 결과 또는 상기 3차 불량 판정 결과에 따라 상기 객체를 분류할 수 있다.
실시예에 따르면, 객체가 다른 객체로 변경되거나 객체의 검사 조건이 변경하는 경우, 복수의 파라미터 중 적어도 하나 이상의 파라미터 값이 최적화되거나 알고리즘의 제어값이 최적화되거나 다른 알고리즘으로 변경됨으로써, 객체의 외관에 대한 불량 검사를 중지하지 않고 실시간으로 지속할 수 있다.
실시예에 따르면, 객체의 외관에 대한 불량이 3회에 걸쳐 판정되므로, 불량 검출에 대한 정확도가 대폭 증가되어 신뢰도가 제고될 수 있다.
실시예에 따르면, 다양하게 분포된 검증 데이터를 그룹핑한 후, 그룹핑된 그룹 각각에서 검증 데이터를 추출함으로써, 검증 데이터의 폭넓은 샘플링을 통해 검증의 정확도를 높일 수 있다.
실시예의 적용 가능성의 추가적인 범위는 이하의 상세한 설명으로부터 명백해질 것이다. 그러나 실시예의 사상 및 범위 내에서 다양한 변경 및 수정은 당업자에게 명확하게 이해될 수 있으므로, 상세한 설명 및 바람직한 실시예와 같은 특정 실시예는 단지 예시로 주어진 것으로 이해되어야 한다.
도 1은 실시예에 따른 객체의 외관 검사 장치에서의 불량 검출 모습을 도시한다.
도 2는 실시예에 따른 객체의 외관 검사 장치를 도시한다.
도 3은 실시예에 따른 객체의 외관 검사 방법을 설명하는 순서도이다.
도 4는 도 3의 S220을 상세히 설명하는 순서도이다.
도 5는 최적의 파라미터를 선정하는 방법을 설명한다.
도 6은 최적의 알고리즘을 선정하는 방법을 설명한다.
도 7은 검증 데이터의 효율화 방법을 설명하는 순서도이다.
도 8은 검증 데이터의 효율화 방법을 설명하는 모식도이다.
도 9은 다양한 파라미터를 도시한다.
도 2는 실시예에 따른 객체의 외관 검사 장치를 도시한다.
도 3은 실시예에 따른 객체의 외관 검사 방법을 설명하는 순서도이다.
도 4는 도 3의 S220을 상세히 설명하는 순서도이다.
도 5는 최적의 파라미터를 선정하는 방법을 설명한다.
도 6은 최적의 알고리즘을 선정하는 방법을 설명한다.
도 7은 검증 데이터의 효율화 방법을 설명하는 순서도이다.
도 8은 검증 데이터의 효율화 방법을 설명하는 모식도이다.
도 9은 다양한 파라미터를 도시한다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 '모듈' 및 '부'는 명세서 작성의 용이함이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것이며, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되는 것은 아니다. 또한, 층, 영역 또는 기판과 같은 요소가 다른 구성요소 '상(on)'에 존재하는 것으로 언급될 때, 이것은 직접적으로 다른 요소 상에 존재하거나 또는 그 사이에 다른 중간 요소가 존재할 수도 있는 것을 포함한다.
도 1은 실시예에 따른 객체의 외관 검사 장치에서의 불량 검출 모습을 도시한다.
도 1을 참조하면, 실시예에 따른 객체의 외관 검사 장치(100)는 외관 검사기(110), 딥러닝 장치(120) 및 이미지 판정 장치(130)를 포함할 수 있다. 딥러닝 장치(120)는 외관 검사기(110)에 포함될 수 있지만, 이에 대해서는 한정하지 않는다.
외관 검사기(110)는 대량 검사를 위해 복수의 외관 검사기(110a, 110b)를 포함할 수 있다.
복수의 외관 검사기(110a, 110b)는 각각 객체의 외관에 관한 영상을 대상으로 룰 검사 방식을 이용하여 1차 불량 판정할 수 있다. 룰 검사 방식은 기 설정된 복수의 파라미터(도 9)에 근거하여 기 설정된 알고리즘을 통해 해당 영상으로부터 불량을 판정할 수 있다.
실시예에 따르면, 객체가 다른 객체로 변경되거나 객체의 검사 조건이 변경하는 경우, 복수의 파라미터 중 적어도 하나 이상의 파라미터 값이 최적화되거나 알고리즘의 제어값이 최적화되거나 다른 알고리즘으로 변경됨으로써, 객체의 외관에 대한 불량 검사를 중지하지 않고 실시간으로 지속할 수 있다.
딥러닝 장치(120)는 1차 불량 판정 결과, 불량으로 판정된 영상을 대상으로 딥러닝을 이용하여 2차 불량 판정할 수 있다. 예컨대, 해당 영상으로부터 복수의 특징 정보가 추출되고, 복수의 특징 정보를 입력으로 하여 학습하여 양품 또는 불량과 같은 판정 정보를 출력할 수 있다. 특징 정보로는 영상 밝기, 컬러, 채도, 영상으로부터 추출된 불량체의 크기, 형상 등이 있다 딥러닝은 기공지된 딥러닝 기술이나 향후 개발되거나 적용될 딥러닝 기술 모두 적용 가능하다.
이미지 판정 장치(130)는 1차 불량 판정 결과 또는 2차 불량 판정 결과, 불량으로 판정된 영상을 대상으로 3차 불량 판정할 수 있다. 이미지 판정 장치(130)는 검사자에 의한 육안 관찰을 통해 해당 영상에 대해 불량이 판정될 수 있다. 예컨대, 검사자가 해당 영상을 육안 관찰하여 양품 또는 불량에 관한 입력 정보가 입력됨으로써, 해당 영상 대한 3차 불량 판정 결과가 획득될 수 있다.
한편, 외관 검사기(110)는 객체의 외관에 대한 불량 판정 결과에 따라 해당 객체를 양품 또는 불량품으로 분류하여 배출할 수 있다. 즉, 도시되지 않았지만, 적어도 2개의 배출부가 구비되어, 하나의 배출부를 통해 양품의 객체들이 분류되어 배출되며, 다른 배출부를 통해 불량품의 객체들이 분류되어 배출될 수 있다.
외관 검사기(110)에 의해 해당 객체의 외관이 양품으로 판정된 경우, 해당 객체가 양품으로 분류되어 배출될 수 있다.
외관 검사기(110)에 의해 해당 객체의 외관이 불량품으로 판정된 경우, 해당 영상이 딥러닝 장치(120)로 입력되어 2차 불량이 판정될 수 있다. 또는, 외관 검사기(110)에 의해 해당 객체의 외관이 불량품으로 판정된 경우, 해당 영상으로부터 추출된 특징 정보가 딥러닝 장치(120)로 입력되어 2차 불량이 판정될 수 있다.
딥러닝 장치(120)에 의해 해당 객체의 외관이 양품으로 판정된 경우, 양품으로 판정된 결과가 외관 검사기(110)로 전달되어, 해당 객체가 양품으로 분류되어 배출될 수 있다. 외관 검사기(110)는 딥러닝 장치(120)나 이미지 판정 장치(130)에서 제공된 양품 판정 결과를 바탕으로 해당 객체를 양품으로 분류하여 배출할 수 있다.
딥러닝 장치(120)에 의해 해당 객체의 외관이 불량품으로 판정된 경우, 해당 영상이 이미지 판정 장치(130)로 입력되어 3차 불량이 판정될 수 있다.
실시예에 따르면, 객체의 외관에 대한 불량이 3회에 걸쳐 판정되므로, 불량 검출에 대한 정확도가 대폭 증가되어 신뢰도가 제고될 수 있다.
한편, 실싱예에 따른 객체의 외관 검사 장치(100)는 데이터 수집 장치(150) 및 추가 검사부(160)를 포함할 수 있다.
데이터 수집 장치(150)는 외관 검사기(110), 딥러닝 장치(120) 등에서 발생되거나 획득된 데이터를 자동으로 수집, 분류, 저장하는 장치일 수 있다.
추가 검사부(160)는 이미징 판정 장치에 의해 객체의 외관의 판정 결과에 대해 추가로 검사하거나 다시 검사할 수 있다. 추가 검사부(160)는 해당 객체 자체를 잉여 인력에 의한 육안으로 검사할 수 있다.
한편, 기존에는 객체의 외관 검사 장치가 가동 중에 해당 객체가 다른 객체로 변경되거나 객체의 검사 조건이 변경되는 경우, 불량 판정을 중지해야 하므로 실시간 불량 판정이 어렵다.
하지만, 실시예에서는 객체의 외관 검사 장치(100)가 가동 중에 해당 객체가 다른 객체로 변경되거나 객체의 검사 조건이 변경되더라도, 객체의 외관에 관한 영상을 실시간으로 불량 판정할 수 있다. 검사 조건이란 객체의 검사를 위한 다양한 파라미터 설정값(도 9)이나 다양한 알고리즘일 수 있다.
이하에서, 객체 교체나 객체의 검사 조건 변경에 관계없이 수행 가능한 실시간 불량 판정을 상세히 설명한다.
도 2는 실시예에 따른 객체의 외관 검사 장치를 도시한다.
도 2를 참조하면, 실시예에 따른 객체의 외관 검사 장치(100)는 광학계 설비(111), 룰 기반 검사부(112), 성능 모니터링부(113) 및 데이터 수집부(114)를 포함할 수 있다. 광학계 설비(111), 룰 기반 검사부(112), 성능 모니터링부(113) 및 데이터 수집부(114)는 복수의 외관 검사기(110a, 110b) 각각에 구비될 수 있지만, 이에 대해서는 한정하지 않는다.
도시되지 않았지만, 광학계 설비(111)는 적어도 하나 이상의 카메라, 광학계와 광학계를 제어하는 제어 장치로 이루어질 수 있다. 광학계 설비(111)는 외관 검사기(110a, 110b) 각각에 구비될 수 있지만, 이에 대해서는 한정하지 않는다. 실시예에서, 광학계 설비(111)는 객체의 6면 각각의 영상을 획득할 수 있지만, 이에 대해서는 한정하지 않는다. 객체는 예컨대, 육면체 형상을 가질 수 있다. 이러한 경우, 객체의 하면, 상면 및 4 측면 각각에 대한 영상이 획득될 수 있다. 제어 장치에 의해 광학계가 x축, y축 및 z축 이동이 가능하고, 카메라에 대한 광학계의 거리가 조절될 수 있다.
룰 기반 검사부(112)는 룰 검사 방식을 이용하여 객체의 외관에 대한 영상을 대상으로 1차 불량 판정할 수 있다. 룰 검사란 설정된 다양한 파라미터와 이들 다양한 파라미터를 이용하여 불량 판정을 수행하는 알고리즘을 이용하여 객체의 외관의 불량을 검사함을 의미한다.
룰 기반 검사부(112)는 객체가 다른 객체로 변경되거나 객체의 조건이 변경되더라도, 객체의 외관에 관한 영상을 실시간으로 1차 불량 판정할 수 있다.
룰 기반 검사부(112)는 객체가 다른 객체로 변경되거나 객체의 검사 조건이 변경되더라도, 실시간으로 1차 불량 판정을 위한 최적의 알고리즘을 선정할 수 있다.
룰 기반 검사부(112)는 객체가 다른 객체로 변경되거나 객체의 검사 조건이 변경되더라도, 실시간으로 1차 불량 판정을 위한 최적의 파라미터를 선정할 수 있다. 여기서, 최적의 파라미터 선정은 최적의 파라미터의 설정값의 선정이나 최적의 파라미터 개수의 선정 등을 포함할 수 있다.
룰 기반 검사부(112)는 최적의 알고리즘 및/또는 최적의 파라미터를 이용하여 객체의 외관에 관한 영상을 1차 불량 판정할 수 있다. 최적의 알고리즘을 이용하여 1차 불량 판정되거나, 최적의 파라미터를 이용하여 1차 불량 판정되거나 최적의 알고리즘 및 최적의 파라미터를 이용하여 1차 불량 판정될 수 있다.
룰 기반 검사부(112)는 데이터 검증 효율화를 수행할 수 있다. 예컨대, 룰 기반 검사부(112)는 검증 데이터를 수집하고, 상기 수집된 검증 데이터를 복수의 그룹으로 그룹핑하며, 복수의 그룹 각각으로부터 검증 데이터를 추출할 수 있다. 이와 같이 추출된 검증 데이터를 이용하여 최적의 파라미터 및/또는 최적의 알고리즘에 따른 1차 불량 판정의 정확도가 검증될 수 있다.
한편, 성능 모니터링부(113)는 1차 불량 판정의 성능을 모니터링할 수 있다. 성능 모니터링부(113)는 데이터 수집부(114)를 통해 복수의 외관 검사기(110a, 110b) 각각으로부터 1차 불량 판정과 관련된 데이터를 제공받아, 이들 데이터를 바탕으로 1차 불량 판정의 성능을 모니터링할 수 있다. 1차 불량 판정과 관련된 데이터로는 다양한 파라미터, 알고리즘, 1차 판정 결과 등이 포함될 수 있지만, 이에 대해서는 한정하지 않는다.
데이터 수집부(114)는 복수의 외관 검사기(110a, 110b) 각각으로부터 1차 불량 판정과 관련된 데이터를 수집, 분류 및 저장할 수 있다. 데이터 수집부(114)는 데이터베이스(DB)나 저장 서버일 수 있지만, 이에 대해서는 한정하지 않는다.
도 3은 실시예에 따른 객체의 외관 검사 방법을 설명하는 순서도이다.
도 1 및 도 3에 도시한 바와 같이, 복수의 외관 검사기(110a, 110b)는 각각 객체의 외관에 관한 영상을 획득할 수 있다(S210). 복수의 외관 검사기(110a, 110b)는 각각 도2에 도시된 광학계 설비(111)를 구비하여, 광학계 설비(111)에 의해 객체의 외관에 관한 영상이 획득될 수 있다.
복수의 외관 검사기(110a, 110b)는 각각 객체의 외관에 관한 영상을 바탕으로 룰 검사 방식을 이용하여 1차 불량을 판정할 수 있다(S220).
딥러닝 장치(120)는 1차 불량 판정 결과, 불량으로 판정된 영상을 대상으로 딥러닝을 이용하여 2차 불량을 판정할 수 있다(S230).
이미지 판정 장치(130)는 1차 판정 결과 또는 2차 불량 판정 결과, 불량으로 판정된 영상을 대상으로 3차 불량 판정할 수 있다(S240). 예컨대, 이미지 판정 장치(130) 상에 불량으로 판정된 영상이 디스플레이되고, 검사자에 의해 상기 디스플레이된 영상을 대상으로 3차 불량이 판정될 수 있지만, 이에 대해서는 한정하지 않는다. 예컨대, 이미지 판정 장치(130)는 상기 불량으로 판정된 영상을 양품 판정을 위한 기준 영상과 매핑 방식으로 비교하여어, 3차 불량 판정할 수 있다. 매핑 방식이란 기준 영상과 상기 불량으로 판정된 영상이 일대일로 매핑되어, 그 매핑 정도가 설정값 이하인 경우 불량으로 판정될 수 있다.
도 4는 도 3의 S220을 상세히 설명하는 순서도이다.
도 2 및 도 4에 도시한 바와 같이, 복수의 외관 검사기(110a, 110b) 각각, 즉 룰 기반 검사부(112)는 객체가 다른 객체로 변경되거나 객체의 외관 검사 조건이 변경되는지를 확인할 수 있다(S221).
제품을 양산하는 제조 공장에서는 수시로 제품이 변경되거나 동일 제품 내에서도 디자인, 형상 등이 변경될 수 있다. 또한, 객체의 외관 검사 조건이 다 우수하고 정확한 불량 판정이 가능하도록 변경될 수도 있다.
이와 같이, 객체(제품)이 변경되거나 객체의 외관 검사 조건이 변경되는 경우, 1차 불량을 판정하기 하는데 필요한 파라미터나 알고리즘이 변경될 수 있다. 예컨대, 파라미터의 개수가 변경되고, 파라미터들이 새로 추가되거나 제외될 수 있다. 객체가 변경되거나 객체의 외관 검사 조건이 변경되는 경우, 알고리즘의 출력값, 즉 1차 불량 판정의 정확도가 저하될 수 있다. 이를 위해, 알고리즘의 제어값이 변경되거나 기존의 알고리즘 대신에 새로운 알고리즘이 구축될 수 있다.
룰 기반 검사부(112)는 최적의 알고리즘을 선정하고(S222), 최적의 파라미터를 선정할 수 있다(S223). 도면에서는 최적의 알고리즘의 선정이 최적의 파라미터의 선정보다 먼저 동작되는 것으로 도시되고 있지만, 이와 반대로 동작되어도 무방하다. 즉, 최적의 파라미터가 선정된 후, 최적의 알고리즘이 선정될 수도 있다.
도 6에 도시한 바와 같이, 이미지 로딩(S241), 알고리즘 입력(S242), 알고리즘 처리(S243), 결함(defect) 검출값 및 인공 지능(AI)를 통한 최적의 알고리즘 선정(S245)의 순서로 진행될 수 있다. 알고리즘 처리(S243)은 S242에 입력된 알고리즘을 통해 S241에서 로딩된 이미지를 처리함으로써, 결함 검출값이 산출될 수 있다. 여기서, 결함 검출값은 면적, 비율, 위치 차이 등일 수 있다. 결함 검출값을 토대로 인공지능을 통해 최적의 알고리즘(S245)이 선정될 수 있다. 최적의 알고리즘으로 선정되면, 최적의 알고리즘의 선정 절차가 종료될 수 있다(S246). 최적의 알고리즘이 선정되지 않으면, S242로 이동하여 알고리즘의 제어값을 변경하거나 다른 알고리즘을 입력하여, 최적의 알고리즘이 선정되는 과정이 수행될 수 있다.
한편, 룰 기반 검사부(112)는 복수의 사이트 각각에서 근무하는 적어도 한 명 이상의 엔지니어에 관한 경험치 데이터에 가중치를 부여하고, 가중치가 부여된 경험치 데이터를 고려하여 최적의 알고리즘을 선정할 수 있다. 여기서, 사이트는 회사, 동일 회사 내 사업장 등일 수 있다. 엔지니어는 객체의 불량 판정을 위해 알고리즘을 계획, 알고리즘 구현, 알고리즘 검증, 알고리즘 적용 등과 같은 분야에서 활동하는 엔지니어일 수 있다. 수많은 회사나 다양한 사업장에서 근무하는 엔지니어는 경력이나 능력이나 수준에 따라 개발된 다양한 알고리즘이 구축될 수 있다.
이와 같이 구축된 알고리즘 각각에 가중치가 부여될 수 있다. 가중치 부여 대상 알고리즘이 현재 사용중인 알고리즘으로 국한될 수 있지만, 이에 대해서는 한정하지 않는다. 가중치가 부여된 알고리즘 중에서 가장치가 가장 높은 알고리즘이 최적의 알고리즘으로 선정될 수 있다. 최적의 알고리즘을 통해 불량 검출에 대한 검증이 수행되어, 만족되지 않으면 다음 높은 가중치가 부여된 알고리즘이 최적의 알고리즘으로 선정될 수 있다. 이와 같은 과정을 반복하여, 실시예의 룰 기반 검사부(112)에 적용될 알고리즘으로 결정될 수 있다. 가중치가 높은 순서로 알고리즘들이 S242에 입력될 수 있다.
도 5에 도시한 바와 같이, 이미지 로딩(S231), 매칭 파라미터 입력(S232), 이미지 보정(S233), 이미지 편차 산출(S234) 및 인공 지능(AI)를 통한 최적의 파라미터 선정(S235)의 순서로 진행될 수 있다. 이미지 보정(S233)은 S232에 입력된 매칭 파라미터를 통해 S231에서 로딩된 이미지를 처리함으로써, 이미지 편차가 산출될 수 있다. 여기서, 이미지 편차는 마스터 샘플 이미지와 현재 이미 간의 차이일 수 있다. 이러한 이미지 편차를 줄이거나 0으로 만들기 위해 인공지능을 통해 최적의 파라미터(S235)가 선정될 수 있다. 최적의 파라미터로 선정되면, 최적의 파라미터의 선정 절차를 종료할 수 있다(S236). 최적의 파라미터가 선정되지 않으면, S232로 이동하여 파라미터의 값이 변경되거나 다른 파라미터를 이용함으로써, 최적의 파라미터가 선정되는 과정이 수행될 수 있다.
상기 선정된 최적의 알고리즘 및/또는 상기 선정된 최적의 파라미터가 외관 검사기(110)에 적용될 수 있다. 즉, 외관 검사기(110)에서의 1차 불량 판정이 상기 선정된 최적의 알고리즘 및/또는 상기 선정된 최적의 파라미터에 의해 이루어질 수 있다. 이를 위해, 외관 검사기(110)의 기존의 파라미터가 상기 선정된 최적의 파리미터(또는 그 값)으로 설정되고, 기존의 알고리즘이 상기 선정된 최적의 알고리즘으로 대체되거나 상기 기존의 알고리즘의 제어값이 상기 선정된 최적의 알고리즘에서의 제어값으로 변경될 수 있다.
룰 기반 검사부(112)는 상기 선정된 최적의 알고리즘 및/또는 상기 선정된 최적의 파라미터를 이용하여 실시간으로 1차 불량 판정할 수 있다(S224). 예컨대, 객체의 외관에 관한 영상을 대상으로 상기 선정된 최적의 알고리즘을 이용하여 실시간으로 1차 불량 판정될 수 있다. 예컨대, 객체의 외관에 관한 영상을 대상으로 상기 선정된 최적의 파라미터를 이전 알고리즘에 적용함으로써, 실시간으로 1차 불량 판정될 수 있다. 예컨대, 객체의 외관에 관한 영상을 대상으로 상기 선정된 최적의 파라미터를 상기 선정된 최적의 알고리즘에 적용함으로써, 실시간으로 1차 불량 판정될 수 있다.
한편, 성능 모니터링부(113)는 1차 불량 판정의 성능을 모니터링할 수 있다(S225). 즉, 성능 모니터링부(113)는 상기 선정된 최적의 알고리즘 및/또는 상기 선정된 최적의 파라미터를 이용하여 실시간으로 1차 불량 판정된 결과들과 해당 영상들을 바탕으로 1차 불량 판정의 정확도를 모니터링할 수 있다.
외관 검사기(110)에 의해 이루어진 1차 불량 판정된 결과들과 해당 영상들이 데이터 수집부(114)에 의해 수집되고 저장된 후 성능 모니터링부(113)의 요청에 응답하여 1차 불량 판정된 결과들과 해당 영상들이 성능 모니터링부(113)로 전달될 수 있다. 또는 외관 검사기(110)에 의해 이루어진 1차 불량 판정된 결과들과 해당 영상들이 직접 성능 모니터링부(113)로 전달될 수 있다.
한편, 룰 기반 검사부(112)는 검증 데이터를 효율화할 수 있다. 최적의 파라미터를 선정하거나 최적의 알고리즘을 선정하는 경우, 해당 최적의 파라미터나 최저의 알고리즘에서의 1차 불량의 정확도를 검증해야 한다. 따라서, 최적의 파라미터나 최적의 알고리즘이 선정되는 경우, 해당 최적의 파라미터나 최적의 알고리즘이 외관 검사기(110)에 적용된 후, 주어진 시간 동안 객체들 각각의 외관에 대해 1차 불량 판정될 수 있다. 이와 같은 불량 판정된 결과, 예컨대 양품, 불량, 과검 또는 미검 등과 같은 판정 데이터(검증 데이터)를 1차 불량 판정의 정확도가 검증될 수 있다. 과검이란 실시예에 따른 객체의 외관 검사 장치(100)에 의해 불량으로 판정되었지만, 다시 검증한 결과 양품으로 판정됨을 의미할 수 있다. 미검이란 실시예에 따른 객체의 외관 검사 장치(100)에 의해 양품으로 판정되었지만, 실제로 다시 검증한 결과 블량으로 판정됨을 의미할 수 있다.
이와 같이 회득된 판정 데이터들의 개수가 많고 판정 데이터들이 x축 변수 및 y축 변수에 따라 널리 분포될 수 있다. 이러한 경우, 모든 판정 데이터를 검증하기에는 시간이 너무 많이 소요되어, 판정 데이터들 중 일부 데이터를 샘플링하여, 샘플링된 데이터를 이용하여 검증이 이루어질 수 있다. 이때, x축 변수 및 y축 변수에 따라 널리 분포된 판정 데이터 중에서 일부 영역에 국한되어 샘플 데이터가 추출되어 검증이 이루어진 경우, 해당 추출된 샘플 데이터를 이용하여 검증된 1차 불량의 정확도에 대한 신뢰도가 낮아지는 문제가 있다.
이하, 1차 불량의 정확도를 높여 신뢰도를 제고할 수 있는 방법을 설명한다.
도 7은 검증 데이터의 효율화 방법을 설명하는 순서도이다. 도 8은 검증 데이터의 효율화 방법을 설명하는 모식도이다.
도 7에 도시한 바와 같이, 룰 기반 검사부(112)는 검증 데이터를 수집하고(S310), 상기 수집된 검증 데이터를 복수의 그룹으로 그룹핑하며(S320), 복수의 그룹 각각에서 검증 데이터를 추출할 수 있다(S330).
도 8에 도시한 바와 같이, 객체의 외관에서 추출된 이물의 크기와 객체의 외관에 관한 영상의 밝기 편차에 따라 양품 데이터, 불량 데이터, 과검 데이터가 분포될 수 있다.
다양하게 분포된 양품 데이터, 불량 데이터, 과검 데이터를 복수의 그룹으로 그룹핑할 수 있다. 도 8에 도시한 바와 같이, 이물의 크기에 따라 복수의 그룹으로 그룹핑될 수 있다. 이러한 경우, 복수의 그룹 각각에 양품 데이터, 불량 데이터, 과검 데이터가 분포될 수 있다.
이후, 상기 그룹핑된 복수의 그룹 각각에서 검증 데이터가 추출될 수 있다. 예컨대, 도 8에 도시된 복수의 그룹 각각에서 과검 데이터가 추출될 수 있다. 이들 추출된 과검 데이터를 이용하여 최적의 파라미터 및/또는 최적의 알고리즘에 따른 1차 불량 판정의 정확도가 검증될 수 있다.
실시예에 따르면, 다양하게 분포된 검증 데이터를 그룹핑한 후, 그룹핑된 그룹 각각에서 검증 데이터를 추출함으로써, 검증 데이터의 폭넓은 샘플링을 통해 검증의 정확도를 높일 수 있다.
상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 실시예의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 실시예의 등가적 범위 내에서의 모든 변경은 실시예의 범위에 포함된다.
100: 객체의 외관 검사 장치
110, 110a, 110b: 외관 검사기
111: 광학계 설비
112: 룰 기반 검사부
113: 성능 모니터링부
114: 데이터 수집부
120: 딥러닝 장치
130: 이미지 판정 장치
150: 데이터 수집 장치
160: 추가 검사부
110, 110a, 110b: 외관 검사기
111: 광학계 설비
112: 룰 기반 검사부
113: 성능 모니터링부
114: 데이터 수집부
120: 딥러닝 장치
130: 이미지 판정 장치
150: 데이터 수집 장치
160: 추가 검사부
Claims (16)
- 객체의 외관을 촬영하여 상기 객체의 외관에 관한 영상을 획득하는 단계;
상기 객체의 외관에 관한 영상을 대상으로 룰(rule) 검사 방식을 이용하여 1차 불량 판정하는 단계;
상기 1차 불량으로 판정된 영상을 대상으로 딥러닝을 이용하여 2차 불량 판정하는 단계; 및
상기 1차 불량으로 판정된 영상 또는 상기 2차 불량으로 판정된 영상을 대상으로 3차 불량 판정하는 단계;를 포함하고,
상기 1차 불량 판정하는 단계는,
상기 객체가 다른 객체로 변경되거나 상기 객체의 검사 조건이 변경되더라도, 상기 객체의 외관에 관한 영상을 실시간으로 1차 불량 판정하는 단계를 포함하는,
객체의 외관 검사 방법. - 제1항에 있어서,
상기 실시간으로 1차 불량 판정하는 단계는,
상기 객체가 다른 객체로 변경되거나 상기 객체의 검사 조건이 변경되더라도, 실시간으로 1차 불량 판정을 위한 최적의 알고리즘을 선정하는 단계;를 포함하는,
객체의 외관 검사 방법. - 제2항에 있어서,
상기 최적의 알고리즘을 선정하는 단계는,
복수의 사이트 각각에서 근무하는 적어도 한 명 이상의 엔지니어에 관한 경험치 데이터에 가중치를 부여하는 단계; 및
상기 가중치가 부여된 경험치 데이터를 고려하여 최적의 알고리즘을 선정하는 단계;를 포함하는,
객체의 외관 검사 방법. - 제2항에 있어서,
상기 실시간으로 1차 불량 판정하는 단계는,
상기 객체가 다른 객체로 변경되거나 상기 객체의 검사 조건이 변경되더라도, 실시간으로 1차 불량 판정을 위한 최적의 파라미터를 선정하는 단계;를 포함하는,
객체의 외관 검사 방법. - 제4항에 있어서,
상기 선정된 최적의 알고리즘 또는 상기 선정된 최적의 파라미터를 이용하여 실시간으로 상기 1차 불량 판정하는 단계;를 포함하는,
객체의 외관 검사 방법. - 제5항에 있어서,
상기 1차 불량 판정의 성능을 모니터링하는 단계;를 포함하는,
객체의 외관 검사 방법. - 제1항에 있어서,
상기 1차 불량 판정하는 단계는,
검증 데이터를 수집하는 단계;
상기 수집된 검증 데이터를 복수의 그룹으로 그룹핑하는 단계; 및
상기 복수의 그룹 각각으로부터 검증 데이터를 추출하는 단계;를 포함하는,
객체의 외관 검사 방법. - 제1항에 있어서,
상기 2차 불량 판정 결과 또는 상기 3차 불량 판정 결과에 따라 상기 객체를 분류하는 단계;를 포함하는,
객체의 외관 검사 방법. - 객체의 외관에 관한 영상을 대상으로 룰 검사 방식을 이용하여 1차 불량 판정하는 복수의 외관 검사기;
상기 1차 불량으로 판정된 영상을 대상으로 딥러닝을 이용하여 2차 불량 판정하는 딥러닝 장치;
상기 1차 불량으로 판정된 영상 또는 상기 2차 불량으로 판정된 영상을 대상으로 3차 불량 판정하는 이미지 판정 장치;를 포함하고,
상기 복수의 외관 검사기는 각각,
상기 객체가 다른 객체로 변경되거나 상기 객체의 검사 조건이 변경되더라도, 상기 객체의 외관에 관한 영상을 실시간으로 1차 불량 판정하는 룰 기반 검사부;를 포함하는,
객체의 외관 검사 장치. - 제9항에 있어서,
상기 룰 기반 검사부는,
상기 객체가 다른 객체로 변경되거나 상기 객체의 검사 조건이 변경되더라도, 실시간으로 1차 불량 판정을 위한 최적의 알고리즘을 선정하는,
객체의 외관 검사 장치. - 제10항에 있어서,
상기 룰 기반 검사부는,
복수의 사이트 각각에서 근무하는 적어도 한 명 이상의 엔지니어에 관한 경험치 데이터에 가중치를 부여하고,
상기 가중치가 부여된 경험치 데이터를 고려하여 최적의 알고리즘을 선정하는,
객체의 외관 검사 장치. - 제10항에 있어서,
상기 룰 기반 검사부는,
상기 객체가 다른 객체로 변경되거나 상기 객체의 검사 조건이 변경되더라도, 실시간으로 1차 불량 판정을 위한 최적의 파라미터를 선정하는,
객체의 외관 검사 장치. - 제12항에 있어서,
상기 룰 기반 검사부는,
상기 선정된 최적의 알고리즘 또는 상기 선정된 최적의 파라미터를 이용하여 상기 객체의 외관에 관한 영상을 1차 불량 판정하는,
객체의 외관 검사 장치. - 제13항에 있어서,
상기 1차 불량 판정의 성능을 모니터링하는 성능 모니터링부;를 포함하는,
객체의 외관 검사 장치. - 제9항에 있어서,
상기 룰 기반 검사부는,
검증 데이터를 수집하고,
상기 수집된 검증 데이터를 복수의 그룹으로 그룹핑하며,
상기 복수의 그룹 각각으로부터 검증 데이터를 추출하는,
객체의 외관 검사 장치. - 제9항에 있어서,
상기 복수의 외관 검사기는 각각,
상기 2차 불량 판정 결과 또는 상기 3차 불량 판정 결과에 따라 상기 객체를 분류하는,
객체의 외관 검사 장치.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220182986A KR20240100887A (ko) | 2022-12-23 | 2022-12-23 | 객체의 외관 검사 장치 및 객체의 외관 검사 방법 |
| PCT/KR2023/021370 WO2024136568A1 (ko) | 2022-12-23 | 2023-12-22 | 객체의 외관 검사 장치 및 객체의 외관 검사 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220182986A KR20240100887A (ko) | 2022-12-23 | 2022-12-23 | 객체의 외관 검사 장치 및 객체의 외관 검사 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240100887A true KR20240100887A (ko) | 2024-07-02 |
Family
ID=91589604
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220182986A KR20240100887A (ko) | 2022-12-23 | 2022-12-23 | 객체의 외관 검사 장치 및 객체의 외관 검사 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20240100887A (ko) |
| WO (1) | WO2024136568A1 (ko) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101523512B1 (ko) * | 2013-11-05 | 2015-05-28 | 스템코 주식회사 | 자동 광학 검사 시스템, 장치 및 방법 |
| WO2020161534A1 (en) * | 2019-02-05 | 2020-08-13 | 3M Innovative Properties Company | Paint repair process by scenario |
| JP6653929B1 (ja) * | 2019-07-18 | 2020-02-26 | Ｊｅインターナショナル株式会社 | 自動判別処理装置、自動判別処理方法、検査システム、プログラム、および記録媒体 |
| JP7386724B2 (ja) * | 2020-02-19 | 2023-11-27 | シーシーエス株式会社 | 検査システム及びそれに用いられる発光コントローラ |
| KR102668045B1 (ko) * | 2021-04-28 | 2024-05-22 | 주식회사 크레셈 | 기판 검사 방법 |
-
2022
- 2022-12-23 KR KR1020220182986A patent/KR20240100887A/ko unknown
-
2023
- 2023-12-22 WO PCT/KR2023/021370 patent/WO2024136568A1/ko unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024136568A1 (ko) | 2024-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111209434B (zh) | 一种基于多源异构数据融合的变电站设备巡检系统及方法 | |
| Shipway et al. | Automated defect detection for fluorescent penetrant inspection using random forest | |
| CN105845062A (zh) | 检测显示面板的方法及系统和显示面板的批量检测方法 | |
| JP5898221B2 (ja) | 製造されたウェブ製品のデジタルサンプルに対する評価のコンピュータ支援割り当て | |
| CN103502801B (zh) | 缺陷分类方法以及缺陷分类系统 | |
| CN109840900A (zh) | 一种应用于智能制造车间的故障在线检测系统及检测方法 | |
| CN112734692A (zh) | 一种变电设备缺陷识别方法及装置 | |
| US20080281548A1 (en) | Method and System for Automatic Defect Detection of Articles in Visual Inspection Machines | |
| CN107004123A (zh) | 迭代式缺陷滤除工艺 | |
| KR20190075707A (ko) | 딥러닝을 이용한 양품 선별 방법 | |
| CN112819780A (zh) | 一种丝锭表面缺陷检测方法、检测系统以及丝锭分级系统 | |
| CN116934062B (zh) | 一种基于多元融合的信息处理系统及方法 | |
| JP2022045688A (ja) | 欠陥管理装置、方法およびプログラム | |
| CN113902710A (zh) | 基于异常检测算法进行工业零件表面缺陷检测方法及系统 | |
| CN110020691A (zh) | 基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法 | |
| CN112964732A (zh) | 一种基于深度学习的丝饼缺陷视觉检测系统及方法 | |
| JP2020042669A (ja) | 検査装置及び機械学習方法 | |
| CN115938009A (zh) | 一种智能电子巡检定位方法及系统 | |
| CN117250201B (zh) | 一种泳池砖层缺陷检测方法及系统 | |
| KR20240100887A (ko) | 객체의 외관 검사 장치 및 객체의 외관 검사 방법 | |
| Herlambang et al. | Development of Machine Vision to Increase the Level of Automation in Indonesia Electronic Component Industry. | |
| CN116881530B (zh) | 一种基于深度学习的器件表面缺陷检测系统 | |
| KR102189951B1 (ko) | 이미지 분석을 이용한 선박 도장상태 검사 시스템 및 방법 | |
| JP2001134763A (ja) | 撮像画像に基づく欠陥の分類方法、および、その結果の表示方法 | |
| CN112508946B (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 |