WO2021066253A1 - 인공지능(ai) 기반 대상물 검사 시스템 및 방법 - Google Patents

인공지능(ai) 기반 대상물 검사 시스템 및 방법 Download PDF

Info

Publication number
WO2021066253A1
WO2021066253A1 PCT/KR2019/017267 KR2019017267W WO2021066253A1 WO 2021066253 A1 WO2021066253 A1 WO 2021066253A1 KR 2019017267 W KR2019017267 W KR 2019017267W WO 2021066253 A1 WO2021066253 A1 WO 2021066253A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
classification
roi
unit
classification model
Prior art date
Application number
PCT/KR2019/017267
Other languages
English (en)
French (fr)
Inventor
이순종
김학권
윤석민
김우열
Original Assignee
(주)쎄미시스코
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 (주)쎄미시스코 filed Critical (주)쎄미시스코
Publication of WO2021066253A1 publication Critical patent/WO2021066253A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
    • G01N21/896—Optical defects in or on transparent materials, e.g. distortion, surface flaws in conveyed flat sheet or rod
    • G—PHYSICS
    • G02—OPTICS
    • G02F—OPTICAL DEVICES OR ARRANGEMENTS FOR THE CONTROL OF LIGHT BY MODIFICATION OF THE OPTICAL PROPERTIES OF THE MEDIA OF THE ELEMENTS INVOLVED THEREIN; NON-LINEAR OPTICS; FREQUENCY-CHANGING OF LIGHT; OPTICAL LOGIC ELEMENTS; OPTICAL ANALOGUE/DIGITAL CONVERTERS
    • G02F1/00—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics
    • G02F1/01—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour 
    • G02F1/13—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour  based on liquid crystals, e.g. single liquid crystal display cells
    • G—PHYSICS
    • G02—OPTICS
    • G02F—OPTICAL DEVICES OR ARRANGEMENTS FOR THE CONTROL OF LIGHT BY MODIFICATION OF THE OPTICAL PROPERTIES OF THE MEDIA OF THE ELEMENTS INVOLVED THEREIN; NON-LINEAR OPTICS; FREQUENCY-CHANGING OF LIGHT; OPTICAL LOGIC ELEMENTS; OPTICAL ANALOGUE/DIGITAL CONVERTERS
    • G02F1/00—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics
    • G02F1/01—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour 
    • G02F1/13—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour  based on liquid crystals, e.g. single liquid crystal display cells
    • G02F1/1306—Details
    • G02F1/1309—Repairing; Testing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30121—CRT, LCD or plasma display

Definitions

  • the present invention relates to an AI-based object inspection system and method.
  • the process of inspecting the defects of the glass substrate is essentially performed.
  • defects in glass substrates were inspected through rule-based filter treatment.
  • the existing rule-based inspection method has to newly develop a filter suitable for the new type of defect and then newly inspect the defect of the glass substrate. As a result, the response period was long and the inspection cost was inevitably increased.
  • the present invention provides an AI-based object inspection system and method for inspecting an object such as a glass substrate by using learning.
  • an AI-based object inspection system includes: an ROI detector configured to generate an ROI image by detecting an ROI (region of interest) from an input image that is an image of the object; A classification unit for classifying the ROI image generated by the ROI detection unit based on a first classification model; And a data learning unit that generates a model by learning the image provided from the classification unit.
  • the classification unit provides the new image to the data learning unit when a new image that does not belong to the classification criterion exists as a result of classifying the ROI image based on the first classification model, and the data learning unit provides the provided new image
  • a new second classification model is generated by reflecting and is provided to the classification unit, and the classification unit classifies the ROI image based on the provided second classification model.
  • An AI-based object inspection system includes an ROI detector configured to generate an ROI image by detecting an ROI (region of interest) from an input image that is an image of the object; A classification unit for classifying the ROI image generated by the ROI detection unit based on a first classification model; And a data learning unit that generates a model by learning the image provided from the classification unit.
  • the classification unit classifies the ROI image based on the first classification model, and if there is an erroneous detection or non-detection of a learned type belonging to the criterion of the first classification model, the erroneous detection or non-detection A corresponding image is provided to the data learning unit, the data learning unit generates a new second classification model by reflecting the provided image and provides it to the classification unit, and the classification unit generates an ROI image based on the provided second classification model. Classify.
  • the AI-based object inspection method includes: generating an ROI image by detecting an ROI (region of interest) from an input image that is an image of the object; Classifying an ROI image generated by the ROI detector based on a first classification model; Generating a second classification model by learning the image when there is an image belonging to the criteria of the first classification model but corresponding to erroneous detection or non-detection, or a new image that does not belong to the first classification model; And classifying the new ROI image by applying the generated second classification model to a new ROI image.
  • the AI-based object inspection system and method according to the present invention can detect defects in the object through learning. As a result, even if a new type of defect is found, a new classification model can be created to quickly detect the defect of the object. Therefore, the response period can be reduced and the inspection cost can be reduced.
  • the inspection accuracy can be significantly increased.
  • FIG. 1 is a block diagram schematically showing an AI-based object inspection system according to an embodiment of the present invention.
  • FIG. 2 is a diagram showing a comparison between an existing rule-based object inspection system and an AI-based object inspection system of the present invention.
  • FIG. 3 is a flowchart illustrating an AI-based object inspection process according to an embodiment of the present invention.
  • 4 and 5 are diagrams illustrating an AI-based object inspection process according to another embodiment of the present invention.
  • FIG. 6 is a diagram showing a result of comparing the false detection rate of an AI-based object inspection method and a rule-based object inspection method.
  • the present invention relates to a system and method for inspecting an object based on artificial intelligence (AI), and can inspect a defect of an object using a learning method.
  • the object may be, for example, a glass substrate or film used in a display process, and there is no limitation as long as the learning method is applicable.
  • the object inspection system of the present invention detects an object defect through an AI-based learning method without using a filter. Therefore, it is possible to inspect new defects through learning, and as a result, it is possible to immediately inspect existing types of defects and new types of defects in the field, thereby shortening a response period and reducing inspection costs.
  • the object inspection system of the present invention may detect a defect of an object by performing normal learning as well as defect learning. In general, only errors are learned and applied to a model. However, the object inspection system of the present invention can learn not only defects but also normals and apply them to the model.
  • the object inspection system of the present invention can be applied to inspection by reflecting not only defects but also normality models.
  • an object that has not been identified as a defect by defect learning may be identified as a defect by normal learning.
  • the object inspection system may determine that a defect has occurred in the object even if it is not identified as a defect by defect learning.
  • the object inspection system of the present invention can more accurately inspect defects of the object, and thus inspection accuracy can be improved.
  • FIG. 1 is a block diagram schematically showing an AI-based object inspection system according to an embodiment of the present invention
  • FIG. 2 is a diagram showing a comparison between an existing rule-based object inspection system and the AI-based object inspection system of the present invention to be.
  • the object inspection system of this embodiment includes a region of interest (ROI) detection unit 100, a classification unit 102, and a data learning unit 104.
  • ROI region of interest
  • the ROI detection unit 100 detects an ROI (region of interest) using input data, and, for example, can detect images of the region of interest (ROI images) from an image (input data) of an object photographed by a camera. have.
  • the classification unit 102 classifies the ROI images transmitted from the ROI detection unit 100 into a normal image (normal data) and a defect image (defect data), and if necessary, the normal image and the defect image are classified as a corresponding classification model. It can be classified according to at least one of a proposed region of interest, a defect type, a normal shape, and a defect size. As a result, the normal image or the defective image may be systematically classified according to the criteria of the classification model.
  • the classification unit 102 systematically classifies the defect data and the normal data based on the first classification model provided by the data learning unit 104, and detects a new defect.
  • the defect data and the normal data may be systematically classified based on the second classification model.
  • an image that has been determined as a normal image in the first classification model or an image that has not been determined because it is a new defect may be determined as a defect image in the second classification model.
  • the classification unit 102 may output classified images, and the defect determination unit (not shown) may determine whether an object, for example, a glass substrate is defective through the output images.
  • the data learning unit 104 may generate a classification model by learning at least one of a normal image and a defect image provided from the classification unit 102. For example, the data learning unit 104 may learn a normal image and a defect image using a deep learning technique.
  • the data learning unit 104 receives a corresponding image from the classification unit 102 when there is a new image that does not belong to a normal image or a defective image among ROI images according to a previous classification model, and the reception A new classification model can be created by training the generated image.
  • the new image does not belong to a normal image, it is highly likely to correspond to a defective image.
  • the data learning unit 104 may provide the generated new classification model to the classification unit 102, and the classification unit 102 may classify the ROI image as a normal image or a defective image according to the new classification model.
  • the data learning unit 104 may generate a classification model by considering not only an image provided from the classification unit 102 but also an inspection result (eg, an image) provided by an inspector. This is because the classification unit 102 did not determine the image as a defective image, but the inspector may determine that there is a defect as a result of visual inspection, and the inspector may determine whether the new image is a normal image or a defective image and provide the determination result Because it may be.
  • an inspection result eg, an image
  • the AI-based object inspection system of the present invention can inspect the defect of the object by using learning, and in particular, learn not only the defect but also the normality of the object to inspect the defect of the object.
  • the object inspection system learns ROI images that do not belong to the normal image or the defect image by the corresponding classification model and classifies it as a normal image or a defect image, the defect detection accuracy can be significantly improved compared to the conventional target defect inspection system. I can.
  • the existing rule-based object inspection system When comparing the existing rule-based object inspection system with the AI-based object inspection system of the present invention with reference to FIG. 2, the existing rule-based object inspection system must develop a new filter capable of filtering the defect in the presence of a new type of defect. Therefore, while it takes about 14 days, the AI-based object inspection system of the present invention generates a new classification model through learning when discovering a new image and applies it to the inspection, so it may not take one day. That is, when a new image is found, the response period of the AI-based object inspection system of the present invention can be significantly shortened compared to the response period of the existing rule-based object inspection system.
  • FIG. 3 is a flowchart illustrating an AI-based object inspection process according to an embodiment of the present invention.
  • the object inspection system may acquire an object image (input image) by photographing an object such as a glass substrate (S300).
  • the object inspection system detects a part suspected of being a defect as a defect candidate group (S302).
  • the object inspection system may classify a defect candidate group through the classification unit 102 (S304).
  • the object inspection system determines whether the classification result is correct (S306).
  • the object inspection system may output the classification result if the classification result is correct (S310).
  • the object inspection system may retrain to generate a new classification model (S308), and apply the generated classification model to output the classified classification result (S310). .
  • 4 and 5 are diagrams illustrating an AI-based object inspection process according to another embodiment of the present invention.
  • 6 is a diagram showing a result of comparing the false detection rate of an AI-based object inspection method and a rule-based object inspection method.
  • the ROI detector 100 receives input data that is an image of an object photographed, pre-processes the received input data to facilitate classification, and detects an ROI from the pre-processed input data to generate ROI images. have.
  • the ROI may be edge regions of a glass substrate.
  • the ROI detector 100 may generate ROI images by detecting preset edge regions as shown in FIG. 5.
  • the ROI image was generated by detecting the edge regions of the quadrant.
  • the classification unit 102 may classify the ROI image as a normal image or a defect image based on a corresponding classification model.
  • the classification unit 102 may output the classification result. Specifically, the classification unit 102 may determine whether the ROI image is a defective image or a normal image, and output the determination result as a classification result. The results of this classification are shown in FIG. 5.
  • the classification unit 102 uses the new image as new data to the data learning unit 104. to provide.
  • the test result visually checked by the inspector may be provided to the data learning unit 104 together with an image provided by the classification unit 102 as new data.
  • the data learning unit 104 generates a new classification model by reflecting the new image provided by the classification unit 102 and the test result provided by the inspector, and provides the generated new classification model to the classification unit 102. I can.
  • the classification unit 102 may classify the ROI image as a normal image or a defect image by applying a new classification model and output a classification result.
  • a new image that could not be determined in the previous classification model is a normal image or a defective image in the new classification model, and the new classification model is applied to the image in which an error occurred in the previous classification model. It can be judged normally.
  • the false detection rate when using the existing rule-based object inspection method was 20%, while the false detection rate when using the AI-based object inspection method of the present invention was confirmed to be 1%. In other words, it can be seen that the false detection rate is dramatically improved.
  • the classification unit 102 provides a new image to the data learning unit 104, but the classification unit 102 does not detect the error of the learned type belonging to the corresponding classification model.
  • the detected or undetected image may be provided to the data learning unit 104, and the data learning unit 104 generates a new classification model by reflecting the provided image and provides it to the classification unit 102,
  • the classification unit 102 may classify the ROI image by applying the new classification model to the ROI image.
  • the AI-based object inspection system of the present invention can generate a new classification model by reflecting not only new types of defects that do not belong to the classification model, but also learned false detections or non-detections belonging to the classification model.
  • each component can be identified as a respective process.
  • the process of the above-described embodiment can be easily grasped from the viewpoint of the components of the device.
  • the above-described technical contents may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium.
  • the computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination.
  • the program instructions recorded on the medium may be specially designed and configured for the embodiments, or may be known and usable to those skilled in 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.
  • -A hardware device specially configured to store and execute program instructions such as magneto-optical media, and ROM, RAM, flash memory, and the like.
  • Examples of program instructions include not only machine language codes such as those produced by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.
  • the hardware device may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Nonlinear Science (AREA)
  • Multimedia (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Textile Engineering (AREA)
  • Optics & Photonics (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)

Abstract

학습을 이용하여 유리 기판 등의 대상물의 결함을 검사하는 AI 기반 대상물 검사 시스템 및 방법이 개시된다. 상기 AI 기반 대상물 검사 시스템은 대상물의 이미지인 입력 이미지로부터 ROI(관심 영역)를 검출하여 ROI 이미지를 생성하는 ROI 검출부, 제 1 분류 모델에 기초하여 상기 ROI 검출부에 의해 생성된 ROI 이미지를 분류하는 분류부 및 상기 분류부로부터 제공된 이미지를 학습시켜 모델을 생성하는 데이터 학습부를 포함할 수 있다. 여기서, 상기 분류부는 상기 제 1 분류 모델에 기초하여 상기 ROI 이미지를 분류한 결과 분류 기준에 속하지 않는 새로운 이미지가 존재하는 경우 상기 새로운 이미지를 상기 데이터 학습부로 제공하고, 상기 데이터 학습부는 상기 제공된 새로운 이미지를 반영하여 새로운 제 2 분류 모델을 생성하여 상기 분류부로 제공하며, 상기 분류부는 상기 제공된 제 2 분류 모델을 기초로 ROI 이미지를 분류시킬 수 있다.

Description

인공지능(AI) 기반 대상물 검사 시스템 및 방법
본 발명은 AI 기반 대상물 검사 시스템 및 방법에 관한 것이다.
디스플레이 공정에서는 유리 기판의 결함을 검사하는 과정이 필수적으로 수행된다. 기존에는 규칙 기반의 필터 처리를 통하여 유리 기판의 결함을 검사하였다.
다만, 디스플레이 공정 동안 새로운 유형의 결함이 발견되는 경우, 기존 규치 기반 검사 방법은 새로운 유형의 결함에 맞는 필터를 새롭게 개발한 후 새롭게 유리 기판의 결함을 검사하여야만 했다. 결과적으로, 대응 기간이 오래 걸리고 검사 비용이 상승할 수밖에 없었다.
본 발명은 학습을 이용하여 유리 기판 등의 대상물의 결함을 검사하는 AI 기반 대상물 검사 시스템 및 방법을 제공하는 것이다.
상기한 바와 같은 목적을 달성하기 위하여, 본 발명의 일 실시예에 따른 AI 기반 대상물 검사 시스템은 대상물의 이미지인 입력 이미지로부터 ROI(관심 영역)를 검출하여 ROI 이미지를 생성하는 ROI 검출부; 제 1 분류 모델에 기초하여 상기 ROI 검출부에 의해 생성된 ROI 이미지를 분류하는 분류부; 및 상기 분류부로부터 제공된 이미지를 학습시켜 모델을 생성하는 데이터 학습부를 포함한다. 여기서, 상기 분류부는 상기 제 1 분류 모델에 기초하여 상기 ROI 이미지를 분류한 결과 분류 기준에 속하지 않는 새로운 이미지가 존재하는 경우 상기 새로운 이미지를 상기 데이터 학습부로 제공하고, 상기 데이터 학습부는 상기 제공된 새로운 이미지를 반영하여 새로운 제 2 분류 모델을 생성하여 상기 분류부로 제공하며, 상기 분류부는 상기 제공된 제 2 분류 모델을 기초로 ROI 이미지를 분류시킨다.
본 발명의 다른 실시예에 따른 AI 기반 대상물 검사 시스템은 대상물의 이미지인 입력 이미지로부터 ROI(관심 영역)를 검출하여 ROI 이미지를 생성하는 ROI 검출부; 제 1 분류 모델에 기초하여 상기 ROI 검출부에 의해 생성된 ROI 이미지를 분류하는 분류부; 및 상기 분류부로부터 제공된 이미지를 학습시켜 모델을 생성하는 데이터 학습부를 포함한다. 여기서, 상기 분류부는 상기 제 1 분류 모델에 기초하여 상기 ROI 이미지를 분류한 결과 상기 제 1 분류 모델의 기준에 속하는 학습된 유형의 오검출이나 미검출이 존재하는 경우, 상기 오검출이나 미검출에 해당하는 이미지를 상기 데이터 학습부로 제공하고, 상기 데이터 학습부는 상기 제공된 이미지를 반영하여 새로운 제 2 분류 모델을 생성하여 상기 분류부로 제공하며, 상기 분류부는 상기 제공된 제 2 분류 모델을 기초로 ROI 이미지를 분류시킨다.
상기 AI 기반 대상물 검사 방법은 대상물의 이미지인 입력 이미지로부터 ROI(관심 영역)를 검출하여 ROI 이미지를 생성하는 단계; 제 1 분류 모델에 기초하여 상기 ROI 검출부에 의해 생성된 ROI 이미지를 분류하는 단계; 상기 제 1 분류 모델의 기준에 속하나 오검출 또는 미검출에 해당하는 이미지가 존재하거나 상기 제 1 분류 모델에 속하지 않는 새로운 이미지가 존재하는 경우, 상기 이미지를 학습시켜 제 2 분류 모델을 생성하는 단계; 및 상기 생성된 제 2 분류 모델을 새로운 ROI 이미지에 적용하여 상기 새로운 ROI 이미지를 분류하는 단계를 포함한다.
본 발명에 따른 AI 기반 대상물 검사 시스템 및 방법은 학습을 통하여 대상물의 결함을 검출할 수 있다. 결과적으로, 새로운 유형의 결함이 발견되더라도 새로운 분류 모델을 생성하여 신속하여 대상물의 결함을 검출할 수 있다. 따라서, 대응 기간이 감축되고 검사 비용이 감소할 수 있다.
또한, 상기 대상물 검사 시스템이 결함뿐만 아니라 정상도 학습시키므로, 상기 검사 정확도가 상당히 상승할 수 있다.
도 1은 본 발명의 일 실시예에 따른 AI 기반 대상물 검사 시스템을 개략적으로 도시한 블록도이다.
도 2는 기존의 규칙 기반 대상물 검사 시스템과 본 발명의 AI 기반 대상물 검사 시스템의 비교를 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 AI 기반 대상물 검사 과정을 도시한 순서도이다.
도 4 및 도 5는 본 발명의 다른 실시예에 따른 AI 기반 대상물 검사 과정을 도시한 도면들이다.
도 6은 AI 기반 대상물 검사 방법과 규칙 기반 대상물 검사 방법의 오검출율을 비교한 결과를 도시한 도면이다.
본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
본 발명은 AI(Artificial intelligence, 인공지능) 기반 대상물 검사 시스템 및 방법에 관한 것으로서, 학습 방법을 이용하여 대상물의 결함(defect)을 검사할 수 있다. 여기서, 대상물은 예를 들어 디스플레이 공정에 사용되는 유리 기판, 필름 등일 수 있으며, 학습 방법이 적용 가능한한 제한이 없다.
종래 기판 검사 방법은 규칙 기반의 필터 처리를 통하여 결함 유무를 판단하였다. 따라서, 새로운 결함이 발견되는 경우 즉시 결함 검출이 어렵고 오랜 시간에 걸쳐서 새로운 필터를 개발하여 공정에 적용하여야만 한다. 결과적으로, 대응 기간이 오래 걸리고 검사 비용이 상승하는 문제점이 있다.
반면에, 본 발명의 대상물 검사 시스템은 필터 사용없이 AI에 기반한 학습 방법을 통하여 대상물의 결함을 검출한다. 따라서, 새로운 결함도 학습을 통하여 검사가 가능하며, 그 결과 현장에서 즉시 기존 형태의 결함 및 새로운 형태의 결함에 대한 검사가 가능하여 대응 기간이 단축되고 검사 비용이 절감될 수 있다.
일 실시예에 따르면, 본 발명의 대상물 검사 시스템은 결함 학습뿐만 아니라 정상 학습도 수행하여 대상물의 결함을 검출할 수 있다. 일반적으로 에러에 대하여만 학습하여 모델에 적용하지만,본 발명의 대상물 검사 시스템은 결함을 학습시킬뿐만 아니라 정상도 학습시켜 모델에 적용할 수 있다.
유리 기판 등의 검사 대상물에는 다양한 종류의 결함이 존재하고 동일한 결함이더라도 다양한 형태가 존재하며, 정상인지 결함인지 분별하기 어려운 작은 흠도 존재한다. 결과적으로, 결함으로 판단되어야 할 결함이 대상물에 발생하더라도 검사 시스템이 결함으로 판별하지 못할 경우가 발생할 수 있다.
따라서, 본 발명의 대상물 검사 시스템은 결함뿐만 아니라 정상도 모델에 반영하여 검사에 적용할 수 있다. 결과적으로, 결함 학습에 의해 결함으로 판별되지 않았던 대상물이 정상 학습에 의해 결함으로 판별될 수도 있다. 예를 들어, 대상물의 결함이 정상에 속하지 않는 경우, 상기 대상물 검사 시스템은 결함 학습에 의해 결함으로 판별되지 않았더라도 대상물에 결함이 발생하였다고 결정할 수 있다. 결과적으로, 본 발명의 대상물 검사 시스템은 더 정밀하게 대상물의 결함을 검사할 수 있어 검사 정확도가 향상될 수 있다.
이하, 본 발명의 다양한 실시예들을 첨부된 도면을 참조하여 상술하겠다.
도 1은 본 발명의 일 실시예에 따른 AI 기반 대상물 검사 시스템을 개략적으로 도시한 블록도이고, 도 2는 기존의 규칙 기반 대상물 검사 시스템과 본 발명의 AI 기반 대상물 검사 시스템의 비교를 도시한 도면이다.
도 1을 참조하면, 본 실시예의 대상물 검사 시스템은 ROI(Region Of Interest, 관심 영역) 검출부(100), 분류부(102) 및 데이터 학습부(104)를 포함한다.
ROI 검출부(100)는 입력 데이터를 이용하여 ROI(관심 영역)을 검출하며, 예를 들어 카메라에 의해 촬영된 대상물의 이미지(입력 데이터)에서 관심 영역의 이미지들(ROI 이미지들)을 검출할 수 있다.
분류부(102)는 ROI 검출부(100)로부터 전송된 ROI 이미지들을 정상 이미지(정상 데이터) 및 결함 이미지(결함 데이터)로 분류하고, 필요에 따라서는 상기 정상 이미지 및 상기 결함 이미지를 해당 분류 모델이 제시하는 관심 영역별, 결함 형태별, 정상 형태별 및 결함 크기별 중 적어도 하나의 기준에 따라 분류할 수 있다. 결과적으로, 상기 정상 이미지 또는 상기 결함 이미지가 상기 분류 모델의 기준에 따라 체계적으로 분류될 수 있다.
일 실시예에 따르면, 분류부(102)는 데이터 학습부(104)에 의해 제공된 제 1 분류 모델에 기초하여 상기 결함 데이터 및 상기 정상 데이터를 체계적으로 분류하고, 새로운 결함의 발견 등으로 인하여 상기 제 1 분류 모델이 제 2 분류 모델로 변경된 경우 상기 제 2 분류 모델에 기초하여 상기 결함 데이터 및 상기 정상 데이터를 체계적으로 분류할 수 있다. 이 때, 상기 제 1 분류 모델에서는 정상 이미지로 판단되었던 이미지 또는 새로운 결함이어서 판단되지 못하였던 이미지가 상기 제 2 분류 모델에서는 결함 이미지로 판별될 수도 있다.
또한, 분류부(102)는 분류된 이미지들을 출력할 수 있으며, 결함 판단부(미도시)는 상기 출력된 이미지들을 통하여 대상물, 예를 들어 유리 기판의 결함 여부를 결정할 수 있다.
데이터 학습부(104)는 분류부(102)로부터 제공되는 정상 이미지 및 결함 이미지 중 적어도 하나를 학습하여 분류 모델을 생성할 수 있다. 예를 들어, 데이터 학습부(104)는 딥 러닝 기법을 활용하여 정상 이미지 및 결함 이미지를 학습시킬 수 있다.
일 실시예에 따르면, 데이터 학습부(104)는 이전 분류 모델에 따라 ROI 이미지들 중 정상 이미지 및 결함 이미지에 속하지 않는 새로운 이미지가 존재하는 경우 해당 이미지를 분류부(102)로부터 수신하고, 상기 수신된 이미지를 학습시켜 새로운 분류 모델을 생성할 수 있다. 여기서, 상기 새로운 이미지는 정상 이미지에 속하지 않으므로 결함 이미지에 해당할 가능성이 높다.
이어서, 데이터 학습부(104)는 상기 생성된 새로운 분류 모델을 분류부(102)로 제공하고, 분류부(102)는 새로운 분류 모델에 따라 ROI 이미지를 정상 이미지 또는 결함 이미지로 분류할 수 있다.
다른 실시예에 따르면, 데이터 학습부(104)는 분류부(102)로부터 제공되는 이미지뿐만 아니라 검사자에 의해 제공되는 검사 결과(예를 들어 이미지)도 고려하여 분류 모델을 생성할 수 있다. 이 것은 분류부(102)가 결함 이미지로 판단하지 않았지만 검사자가 시각적으로 검사한 결과 결함이 있다고 판단할 수도 있고, 상기 검사자가 새로운 이미지에 대하여 정상 이미지인지 결함 이미지인지를 판단하여 판단 결과를 제공할 수도 있기 때문이다.
정리하면, 본 발명의 AI 기반 대상물 검사 시스템은 학습을 이용하여 대상물의 결함을 검사하고, 특히 결함뿐만 아니라 정상도 학습시켜 대상물의 결함을 검사할 수 있다. 또한, 상기 대상물 검사 시스템은 해당 분류 모델에 의해 정상 이미지 또는 결함 이미지에 속하지 않는 ROI 이미지도 학습시켜 정상 이미지 또는 결함 이미지로 분류시키므로, 결함 검출 정확도가 종래의 대상 결함물 검사 시스템에 비하여 상당히 향상될 수 있다.
도 2를 참조하여 기존 규칙 기반 대상물 검사 시스템과 본 발명의 AI 기반 대상물 검사 시스템을 비교하면, 기존의 규칙 기반 대상물 검사 시스템은 새로운 유형의 결함 존재시 상기 결함을 필터링할 수 있는 새로운 필터를 개발하여야 하기 때문에 약 14일이 소요되는 반면에, 본 발명의 AI 기반 대상물 검사 시스템은 새로운 이미지 발견시 학습을 통하여 새로운 분류 모델을 생성하여 검사에 적용하므로 1일이 소요되지 않을 수 있다. 즉, 새로운 이미지 발견시 본 발명의 AI 기반 대상물 검사 시스템의 대응 기간이 기존의 규칙 기반 대상물 검사 시스템의 대응 기간에 비하여 획기적으로 단축될 수 있다.
도 3은 본 발명의 일 실시예에 따른 AI 기반 대상물 검사 과정을 도시한 순서도이다.
도 3을 참조하면, 상기 대상물 검사 시스템은 유리 기판 등의 대상물을 촬영하여 대상물 이미지(입력 이미지)를 획득할 수 있다(S300).
이어서, 상기 대상물 검사 시스템은 결함이라고 의심되는 부분을 결함 후보군으로 검출한다(S302).
계속하여, 상기 대상물 검사 시스템은 분류부(102)를 통하여 결함 후보군을 분류할 수 있다(S304).
이어서, 상기 대상물 검사 시스템은 상기 분류 결과가 올바르게 되었는지를 판단한다(S306).
계속하여, 상기 대상물 검사 시스템은 분류 결과가 올바르게 되었으면 분류 결과를 출력시킬 수 있다(S310).
반면에, 상기 대상물 검사 시스템은 분류 결과가 올바르게 되지 않았다고 판단되는 경우 재학습하여 새로운 분류 모델을 생성하고(S308), 상기 생성된 분류 모델을 적용하여 분류된 분류 결과를 출력시킬 수 있다(S310).
도 4 및 도 5는 본 발명의 다른 실시예에 따른 AI 기반 대상물 검사 과정을 도시한 도면들이다. 도 6은 AI 기반 대상물 검사 방법과 규칙 기반 대상물 검사 방법의 오검출율을 비교한 결과를 도시한 도면이다.
도 4를 참조하면, ROI 검출부(100)는 대상물 촬영 이미지인 입력 데이터를 수신하고, 상기 수신된 입력 데이터를 분류하기 용이하도록 전처리하며, 전처리된 입력 데이터에서 ROI를 검출하여 ROI 이미지들을 생성할 수 있다.
예를 들어, ROI는 유리 기판의 에지 영역들일 수 있으며, 이 경우 ROI 검출부(100)는 도 5에 도시된 바와 같이 기설정된 에지 영역들을 검출하여 ROI 이미지들을 생성할 수 있다. 도 5에서는 사변의 에지 영역들을 검출하여 ROI 이미지를 생성하였다.
이어서, 분류부(102)는 해당 분류 모델에 기초하여 상기 ROI 이미지를 정상 이미지 또는 결함 이미지로 분류할 수 있다.
계속하여, 분류부(102)는 분류 결과를 출력할 수 있다. 구체적으로는, 분류부(102)는 해당 ROI 이미지를 결함 이미지 또는 정상 이미지인지를 판단하고 판단 결과를 분류 결과로서 출력할 수 있다. 이러한 분류 결과가 도 5에 보여진다.
또한, 분류부(102)는 해당 분류 모델에서 정한 기준에 속하지 않은 새로운 이미지(예를 들어 새로운 유형의 결함을 가지는 이미지)가 존재하는 경우 상기 새로운 이미지를 새로운 데이터로 하여 데이터 학습부(104)로 제공한다. 이 때, 검사자가 시각적으로 확인한 검사 결과가 새로운 데이터로 하여 분류부(102)에서 제공하는 이미지와 함께 데이터 학습부(104)로 제공될 수 있다.
이어서, 데이터 학습부(104)는 분류부(102)에서 제공된 새로운 이미지와 검사자에 의해 제공된 검사 결과를 반영하여 새로운 분류 모델을 생성하고, 상기 생성된 새로운 분류 모델을 분류부(102)로 제공할 수 있다.
계속하여, 분류부(102)는 새로운 분류 모델을 적용하여 ROI 이미지를 정상 이미지 또는 결함 이미지로 분류하고 분류 결과를 출력할 수 있다. 결과적으로, 이전 분류 모델에서 판단하지 못하였던 새로운 이미지를 새로운 분류 모델에서는 정상 이미지인지 결함 이미지인지를 판단할 수 있고, 이전 분류 모델에서 오류가 발생하였던 형태의 이미지에 대하여도 새로운 분류 모델을 적용하여 정상적으로 판단할 수 있다.
이러한 AI 기반 대상물 검사 방법을 사용하였을 때의 오검출과 기존 규칙 기반 대상물 검사 방법을 사용하였을 때의 오검출의 비율을 7개의 결함에 대하여 실험하여본 결과, 도 6의 결과가 도출되었다.
도 6에 도시된 바와 같이, 기존 규칙 기반 대상물 검사 방법을 사용하였을 때 오검출율이 20%인 반면에, 본 발명의 AI 기반 대상물 검사 방법을 사용하였을 때의 오검출율이 1%로 확인되었으며, 즉 오검출율이 획기적으로 개선됨을 확인할 수 있다.
위에서는, 분류부(102)가 새로운 이미지를 데이터 학습부(104)로 제공하는 것으로 설명하였으나, 분류부(102)는 해당 분류 모델에 속하는 학습된 유형의 오검출 또는 미검출이 발생한 경우 상기 오검출 또는 상기 미검출에 해당하는 이미지를 데이터 학습부(104)로 제공할 수 있으며, 데이터 학습부(104)는 상기 제공된 이미지를 반영하여 새로운 분류 모델을 생성하여 분류부(102)로 제공하고, 분류부(102)는 상기 새로운 분류 모델을 ROI 이미지에 적용하여 상기 ROI 이미지를 분류할 수 있다.
즉, 본 발명의 AI 기반 대상물 검사 시스템은 분류 모델에 속하지 않는 새로운 유형의 결함뿐만 아니라 분류 모델에 속하는 학습된 오검출이나 미검출도 반영하여 새로운 분류 모델을 생성할 수 있다.
한편, 전술된 실시예의 구성 요소는 프로세스적인 관점에서 용이하게 파악될 수 있다. 즉, 각각의 구성 요소는 각각의 프로세스로 파악될 수 있다. 또한 전술된 실시예의 프로세스는 장치의 구성 요소 관점에서 용이하게 파악될 수 있다.
또한 앞서 설명한 기술적 내용들은 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 실시예들을 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. 하드웨어 장치는 실시예들의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
본 발명의 범위는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (7)

  1. 대상물의 이미지인 입력 이미지로부터 ROI(관심 영역)를 검출하여 ROI 이미지를 생성하는 ROI 검출부;
    제 1 분류 모델에 기초하여 상기 ROI 검출부에 의해 생성된 ROI 이미지를 분류하는 분류부; 및
    상기 분류부로부터 제공된 이미지를 학습시켜 모델을 생성하는 데이터 학습부를 포함하되,
    상기 분류부는 상기 제 1 분류 모델에 기초하여 상기 ROI 이미지를 분류한 결과 분류 기준에 속하지 않는 새로운 이미지가 존재하는 경우 상기 새로운 이미지를 상기 데이터 학습부로 제공하고, 상기 데이터 학습부는 상기 제공된 새로운 이미지를 반영하여 새로운 제 2 분류 모델을 생성하여 상기 분류부로 제공하며, 상기 분류부는 상기 제공된 제 2 분류 모델을 기초로 ROI 이미지를 분류시키는 것을 특징으로 하는 AI 기반 대상물 검사 시스템.
  2. 제1항에 있어서, 상기 대상물은 디스플레이 공정에 사용되는 유리 기판 또는 필름이되,
    상기 ROI는 상기 대상물의 에지 영역을 포함하는 것을 특징으로 하는 AI 기반 대상물 검사 시스템.
  3. 제1항에 있어서, 상기 데이터 학습부는 결함 이미지뿐만 아니라 정상 이미지도 학습하며, 상기 분류부는 상기 ROI 이미지를 정상 이미지 또는 결함 이미지로 분류하고 분류 결과를 출력하되,
    상기 새로운 이미지는 상기 제 1 분류 모델에 따라 상기 정상 이미지 또는 상기 결함 이미지에 속하지 않는 이미지인 것을 특징으로 하는 AI 기반 대상물 검사 시스템.
  4. 제3항에 있어서, 검사자는 상기 분류부로부터 출력된 분류 결과를 검사하고 상기 검사 결과를 상기 데이터 학습부로 제공하며, 상기 데이터 학습부는 상기 새로운 이미지뿐만 아니라 상기 검사자에 의해 제공된 검사 결과를 반영하여 상기 제 2 분류 모델을 생성하는 것을 특징으로 하는 AI 기반 대상물 검사 시스템.
  5. 대상물의 이미지인 입력 이미지로부터 ROI(관심 영역)를 검출하여 ROI 이미지를 생성하는 ROI 검출부;
    제 1 분류 모델에 기초하여 상기 ROI 검출부에 의해 생성된 ROI 이미지를 분류하는 분류부; 및
    상기 분류부로부터 제공된 이미지를 학습시켜 모델을 생성하는 데이터 학습부를 포함하되,
    상기 분류부는 상기 제 1 분류 모델에 기초하여 상기 ROI 이미지를 분류한 결과 상기 제 1 분류 모델의 기준에 속하는 학습된 유형의 오검출이나 미검출이 존재하는 경우, 상기 오검출이나 미검출에 해당하는 이미지를 상기 데이터 학습부로 제공하고, 상기 데이터 학습부는 상기 제공된 이미지를 반영하여 새로운 제 2 분류 모델을 생성하여 상기 분류부로 제공하며, 상기 분류부는 상기 제공된 제 2 분류 모델을 기초로 ROI 이미지를 분류시키는 것을 특징으로 하는 AI 기반 대상물 검사 시스템.
  6. 제5항에 있어서, 제1항에 있어서, 상기 데이터 학습부는 결함 이미지뿐만 아니라 정상 이미지도 학습하며, 상기 분류부는 상기 ROI 이미지를 정상 이미지 또는 결함 이미지로 분류하고 분류 결과를 출력하되,
    검사자는 상기 분류부로부터 출력된 분류 결과를 검사하고 상기 검사 결과를 상기 데이터 학습부로 제공하며, 상기 데이터 학습부는 상기 분류부로부터 제공된 이미지뿐만 아니라 상기 검사자에 의해 제공된 검사 결과를 반영하여 상기 제 2 분류 모델을 생성하는 것을 특징으로 하는 AI 기반 대상물 검사 시스템.
  7. 대상물의 이미지인 입력 이미지로부터 ROI(관심 영역)를 검출하여 ROI 이미지를 생성하는 단계;
    제 1 분류 모델에 기초하여 상기 ROI 검출부에 의해 생성된 ROI 이미지를 분류하는 단계;
    상기 제 1 분류 모델의 기준에 속하나 오검출 또는 미검출에 해당하는 이미지가 존재하거나 상기 제 1 분류 모델에 속하지 않는 새로운 이미지가 존재하는 경우, 상기 이미지를 학습시켜 제 2 분류 모델을 생성하는 단계; 및
    상기 생성된 제 2 분류 모델을 새로운 ROI 이미지에 적용하여 상기 새로운 ROI 이미지를 분류하는 단계를 포함하는 것을 특징으로 하는 AI 기반 대상물 검사 방법.
PCT/KR2019/017267 2019-09-30 2019-12-09 인공지능(ai) 기반 대상물 검사 시스템 및 방법 WO2021066253A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190120905A KR20210038143A (ko) 2019-09-30 2019-09-30 인공지능(ai) 기반 대상물 검사 시스템 및 방법
KR10-2019-0120905 2019-09-30

Publications (1)

Publication Number Publication Date
WO2021066253A1 true WO2021066253A1 (ko) 2021-04-08

Family

ID=75336541

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/017267 WO2021066253A1 (ko) 2019-09-30 2019-12-09 인공지능(ai) 기반 대상물 검사 시스템 및 방법

Country Status (2)

Country Link
KR (1) KR20210038143A (ko)
WO (1) WO2021066253A1 (ko)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102497000B1 (ko) * 2021-05-03 2023-02-08 한국표준과학연구원 딥러닝을 이용한 초음파 비파괴 검사방법 및 시스템과 이에 사용되는 오토 인코더 기반의 예측모델 학습방법
KR20230045239A (ko) 2021-09-28 2023-04-04 주식회사 크레셈 인공지능을 이용한 양품 선별 학습모델 생성 방법
KR102535327B1 (ko) * 2021-11-16 2023-05-26 라이트비전 주식회사 공간군 추론이 용이한 분류 체계 시스템 및 이에 있어서 정대축 추천 방법
KR20230064249A (ko) 2021-11-03 2023-05-10 주식회사 크레셈 학습모델을 이용한 기판 검사 방법
KR102585028B1 (ko) * 2021-11-30 2023-10-10 (주)자비스 3차원 처리 기반 대상체 비파괴 검사 방법, 장치 및 시스템
KR20230129940A (ko) * 2022-03-02 2023-09-11 주식회사 엘지에너지솔루션 배터리 불량 검출 장치, 방법 및 시스템
KR20230139068A (ko) * 2022-03-25 2023-10-05 경상국립대학교산학협력단 상하수도 시설물 결함 검출 방법 및 이를 지원하는 결함 검출 시스템
KR102606407B1 (ko) * 2022-06-27 2023-11-29 (주) 보성글로벌 이차전지 생산 시스템에 대한 이미지 분석 기반의 검사 시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130077092A1 (en) * 2011-09-28 2013-03-28 Hitachi High-Technologies Corporation Substrate surface defect inspection method and inspection device
KR20170022346A (ko) * 2015-08-20 2017-03-02 충북대학교 산학협력단 Ｐｃｂ 결함 및 결함종류 분류 시스템 및 방법
JP2019045585A (ja) * 2017-08-30 2019-03-22 キヤノン株式会社 パターン形成装置、決定方法、プログラム、情報処理装置及び物品の製造方法
JP2019100753A (ja) * 2017-11-29 2019-06-24 アンリツ株式会社 プリント基板検査装置及びプリント基板検査方法
KR20190105093A (ko) * 2017-02-13 2019-09-11 주식회사 고영테크놀러지 인쇄 회로 기판에 실장된 부품을 검사하는 장치, 그 동작 방법 및 컴퓨터 판독 가능한 기록 매체

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100939424B1 (ko) 2008-04-28 2010-01-28 선문대학교 산학협력단 유리 기판의 결함 검사 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130077092A1 (en) * 2011-09-28 2013-03-28 Hitachi High-Technologies Corporation Substrate surface defect inspection method and inspection device
KR20170022346A (ko) * 2015-08-20 2017-03-02 충북대학교 산학협력단 Ｐｃｂ 결함 및 결함종류 분류 시스템 및 방법
KR20190105093A (ko) * 2017-02-13 2019-09-11 주식회사 고영테크놀러지 인쇄 회로 기판에 실장된 부품을 검사하는 장치, 그 동작 방법 및 컴퓨터 판독 가능한 기록 매체
JP2019045585A (ja) * 2017-08-30 2019-03-22 キヤノン株式会社 パターン形成装置、決定方法、プログラム、情報処理装置及び物品の製造方法
JP2019100753A (ja) * 2017-11-29 2019-06-24 アンリツ株式会社 プリント基板検査装置及びプリント基板検査方法

Also Published As

Publication number Publication date
KR20210038143A (ko) 2021-04-07

Similar Documents

Publication Publication Date Title
WO2021066253A1 (ko) 인공지능(ai) 기반 대상물 검사 시스템 및 방법
WO2019107614A1 (ko) 제조 공정에서 딥러닝을 활용한 머신 비전 기반 품질검사 방법 및 시스템
CN105808416B (zh) 一种人机图形交互界面的自动化测试方法和系统
KR102168724B1 (ko) 이미지 검사를 이용한 이상 판별 방법 및 장치
WO2017131263A1 (ko) 교차 프로젝트 결함 예측을 위한 최단 이웃점을 이용한 하이브리드 인스턴스 선택 방법
WO2016204402A1 (ko) 부품 결함 검사 방법 및 그 장치
CN110659660A (zh) 利用深度学习系统的自动光学检测分类设备及其训练设备
KR960011414A (ko) 검사 시스템 및 공정
WO2005109317A3 (en) High throughput image for processing inspection images
WO2021095991A1 (ko) 불량 이미지 생성 장치 및 방법
WO2020032506A1 (ko) 시각 감지 시스템 및 이를 이용한 시각 감지 방법
KR20190073247A (ko) 향상된 전처리를 갖는 화이트 스팟 무라 검출 시스템 및 방법
WO2021112273A1 (ko) 딥러닝 기반 동영상에서 연속적으로 개인정보를 비식별화하기 위한 방법 및 장치
WO2020138549A1 (ko) 음향 방출 결함 신호 검출 장치 및 방법
Miller et al. What’s in the black box? the false negative mechanisms inside object detectors
CN110817674B (zh) 一种扶梯的缺级检测方法、装置、设备及存储介质
WO2023113274A1 (ko) Ai 기반 제품 표면 검사 장치 및 방법
Yoon et al. Improved modified pressure imaging and software for egg micro-crack detection and egg quality grading
CN109359683B (zh) 目标检测方法、装置、终端和计算机可读存储介质
US8055056B2 (en) Method of detecting defects of patterns on a semiconductor substrate and apparatus for performing the same
CN112801071B (zh) 一种基于深度学习的电梯非同步开门识别系统及方法
CN114549414A (zh) 一种针对轨道数据的异常变化检测方法及系统
WO2022255518A1 (ko) 딥러닝 신경망 모델을 이용한 검사대상 패널의 결함 판정장치
WO2022164215A1 (ko) 인공지능 기반 진단키트 검사 결과 이미지에서 비정형 이물질 배제를 통한 진단 검사 장치 및 방법
WO2023101374A1 (ko) 인공 지능 기반 대상체 앙상블 비파괴 검사 방법, 장치 및 시스템

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19947947

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19947947

Country of ref document: EP

Kind code of ref document: A1