WO2022080517A1 - 학습 데이터를 생성하는 인공 지능 장치 및 방법 - Google Patents

학습 데이터를 생성하는 인공 지능 장치 및 방법 Download PDF

Info

Publication number
WO2022080517A1
WO2022080517A1 PCT/KR2020/013978 KR2020013978W WO2022080517A1 WO 2022080517 A1 WO2022080517 A1 WO 2022080517A1 KR 2020013978 W KR2020013978 W KR 2020013978W WO 2022080517 A1 WO2022080517 A1 WO 2022080517A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
defect data
defect
model
virtual
Prior art date
Application number
PCT/KR2020/013978
Other languages
English (en)
French (fr)
Inventor
후이
김상윤
퀴런
김현우
엄재홍
Original Assignee
엘지전자 주식회사
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 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to KR1020227037172A priority Critical patent/KR20220162728A/ko
Priority to US17/923,068 priority patent/US20230169634A1/en
Priority to PCT/KR2020/013978 priority patent/WO2022080517A1/ko
Publication of WO2022080517A1 publication Critical patent/WO2022080517A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • 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
    • G06T2207/30164—Workpiece; Machine component

Definitions

  • the present disclosure relates to artificial intelligence devices. More particularly, it relates to an image processing apparatus for machine learning-based vision inspection.
  • a vision inspection device introduced into the production process consists of a system such as a high-performance camera, an image processor, and software.
  • a product image of the process is acquired using a camera lens and lighting, and the image processor and software go through image processing and analysis according to the purpose of the work to determine the quality of the product in the process.
  • an AI (artificial intelligence) vision inspection solution to which Deep Learning is applied was provided.
  • the performance of deep learning is determined by the number of training data, the quality of the training data, and the learning algorithm.
  • defect data for learning the deep learning model used in vision inspection was difficult to obtain.
  • An object of the present disclosure is to generate virtual defect data using a small number of defect data.
  • An object of the present disclosure is to solve an imbalance between non-defective data and defective data by generating defect data that is difficult to obtain during a production process.
  • An object of the present disclosure is to train a deep learning model used for vision inspection by generating virtual bad data.
  • an image processing apparatus includes a data acquisition unit that acquires at least one piece of non-defective data and at least one piece of defect data, and extracts defect information from the defect data, and uses an artificial intelligence model to select the non-defective data, and a processor that generates final virtual defect data based on the defect data and the defect information.
  • the defect information may include at least one of an area, a location, a size, a shape, and a number of defects
  • the processor may perform a first operation of generating first virtual defect data using the defect information.
  • the processor may perform a second operation of generating second virtual defect data by synthesizing the first virtual defect data and the non-defective data.
  • the processor may perform a third operation of generating the final virtual defect data by inputting the second virtual defect data into the artificial intelligence model.
  • the processor of the image processing apparatus may generate the first virtual defect data based on the number of regions, sizes, and positions of the defects received from the user input unit.
  • the processor of the image processing apparatus may generate the first virtual defect data by arbitrarily setting the area, size, location, and number of the defects.
  • the artificial intelligence model includes a GAN model including a generative model and a discriminative model
  • the processor inputs the second virtual defect data to the generative model to provide the final virtual Defect data may be generated, and the final virtual defect data may include an image blended from the second virtual defect data.
  • the generation model includes a plurality of stages in which a result value becomes an input value of a next stage, and the processor scales the second virtual defect data based on the number of the plurality of stages, and scales the second virtual defect data.
  • Virtual defect data may be input to the plurality of stages to generate final virtual defect data, and the final virtual defect data may have a higher similarity to defect data than the second virtual defect data.
  • the artificial intelligence model includes a GAN model including a generative model and a discriminative model
  • the generative model is a final virtual model based on the defective product data, the defect data, and the defect information. Defect data is generated, and the classification model may determine whether the input image is real data or virtual defect data.
  • the generation model may include a model trained to minimize restoration loss of the classification model by inputting the defect data and deterioration data based on the defect data into the classification model.
  • the classification model may include a model trained to output authenticity information by determining whether the input image is real data or virtual defect data, and to minimize an error of the authenticity information.
  • the steps of obtaining at least one non-defective data and at least one defect data, extracting defect information from the defect data, and using an artificial intelligence model may include generating final virtual defect data based on non-defective data, the defect data, and the defect information.
  • the step of extracting defect information from the defect data and generating final virtual defect data based on the non-defective data, the defect data, and the defect information by using an artificial intelligence model includes the first virtual defect data using the defect information. and a first operation of generating defect data.
  • the method may further include performing a second operation of generating second virtual defect data by synthesizing the first virtual defect data and the non-defective data.
  • the method may further include performing a third operation of generating the final virtual defect data by inputting the second virtual defect data into an artificial intelligence model.
  • the performing of the third operation includes generating final virtual defect data by inputting the second virtual defect data into a generation model, wherein the final virtual defect data is blended from the second virtual defect data. It may include video.
  • the generating of final virtual defect data by inputting the second virtual defect data into a generation model may include scaling the second virtual defect data based on the number of the plurality of stages, and scaling the second virtual defect data. It may include generating final virtual defect data by inputting to the plurality of stages.
  • the present disclosure generates virtual defective data and uses it to learn a deep learning model used for vision inspection, thereby improving the reliability of vision inspection.
  • FIG 1 shows an artificial intelligence device 100 according to an embodiment of the present disclosure.
  • FIG 2 shows an artificial intelligence server 200 according to an embodiment of the present disclosure.
  • FIG 3 shows an artificial intelligence system 1 according to an embodiment of the present disclosure.
  • FIG 4 shows an AI device according to an embodiment of the present disclosure.
  • FIG 5 is an external view illustrating a production process in which a vision inspection is performed according to the vision inspection apparatus 500 according to an embodiment of the present disclosure.
  • FIG. 6 is a flowchart illustrating a process of generating virtual defect data according to an embodiment of the present disclosure.
  • FIG. 7 is a diagram illustrating a process of generating first virtual defect data according to an embodiment of the present disclosure.
  • FIG. 8 is a diagram illustrating a process of generating second virtual defect data according to an embodiment of the present disclosure.
  • FIG. 9 is a diagram illustrating a process of generating final virtual defect data according to an embodiment of the present disclosure.
  • FIG. 10 is a flowchart illustrating a process of learning an artificial intelligence model according to an embodiment of the present disclosure.
  • FIG. 11 is a diagram for explaining a learning process of an artificial intelligence model, according to an embodiment of the present disclosure.
  • Machine learning refers to a field that defines various problems dealt with in the field of artificial intelligence and studies methodologies to solve them. do.
  • Machine learning is also defined as an algorithm that improves the performance of a certain task through constant experience.
  • An artificial neural network is a model used in machine learning, and may refer to an overall model having problem-solving ability, which is composed of artificial neurons (nodes) that form a network by combining synapses.
  • An artificial neural network may be defined by a connection pattern between neurons of different layers, a learning process that updates model parameters, and an activation function that generates an output value.
  • the artificial neural network may include an input layer, an output layer, and optionally one or more hidden layers. Each layer includes one or more neurons, and the artificial neural network may include neurons and synapses connecting neurons. In the artificial neural network, each neuron may output a function value of an activation function for input signals, weights, and biases input through synapses.
  • Model parameters refer to parameters determined through learning, and include the weight of synaptic connections and the bias of neurons.
  • the hyperparameter refers to a parameter that must be set before learning in a machine learning algorithm, and includes a learning rate, the number of iterations, a mini-batch size, an initialization function, and the like.
  • the purpose of learning the artificial neural network can be seen as determining the model parameters that minimize the loss function.
  • the loss function may be used as an index for determining optimal model parameters in the learning process of the artificial neural network.
  • Machine learning can be classified into supervised learning, unsupervised learning, and reinforcement learning according to a learning method.
  • Supervised learning refers to a method of training an artificial neural network in a state where a label for the training data is given, and the label is the correct answer (or result value) that the artificial neural network should infer when the training data is input to the artificial neural network.
  • Unsupervised learning may refer to a method of training an artificial neural network in a state where no labels are given for training data.
  • Reinforcement learning can refer to a learning method in which an agent defined in an environment learns to select an action or sequence of actions that maximizes the cumulative reward in each state.
  • machine learning implemented as a deep neural network (DNN) including a plurality of hidden layers is also called deep learning (deep learning), and deep learning is a part of machine learning.
  • DNN deep neural network
  • deep learning deep learning
  • machine learning is used in a sense including deep learning.
  • a robot can mean a machine that automatically handles or operates a task given by its own capabilities.
  • a robot having a function of recognizing an environment and performing an operation by self-judgment may be referred to as an intelligent robot.
  • Robots can be classified into industrial, medical, home, military, etc. depending on the purpose or field of use.
  • the robot may be provided with a driving unit including an actuator or a motor to perform various physical operations such as moving the robot joints.
  • the movable robot includes a wheel, a brake, a propeller, and the like in the driving unit, and may travel on the ground or fly in the air through the driving unit.
  • Autonomous driving refers to a technology that drives itself, and an autonomous driving vehicle refers to a vehicle that travels without or with minimal manipulation of a user.
  • autonomous driving includes technology for maintaining a driving lane, technology for automatically adjusting speed such as adaptive cruise control, technology for automatically driving along a predetermined route, technology for automatically setting a route when a destination is set, etc. All of these can be included.
  • the vehicle includes a vehicle having only an internal combustion engine, a hybrid vehicle having both an internal combustion engine and an electric motor, and an electric vehicle having only an electric motor, and may include not only automobiles, but also trains, motorcycles, and the like.
  • the autonomous vehicle can be viewed as a robot having an autonomous driving function.
  • the extended reality is a generic term for virtual reality (VR), augmented reality (AR), and mixed reality (MR).
  • VR technology provides only CG images of objects or backgrounds in the real world
  • AR technology provides virtual CG images on top of images of real objects
  • MR technology is a computer that mixes and combines virtual objects in the real world. graphic technology.
  • MR technology is similar to AR technology in that it shows both real and virtual objects. However, there is a difference in that in AR technology, a virtual object is used in a form that complements a real object, whereas in MR technology, a virtual object and a real object are used with equal characteristics.
  • HMD Head-Mount Display
  • HUD Head-Up Display
  • mobile phone tablet PC, laptop, desktop, TV, digital signage, etc.
  • FIG 1 shows an artificial intelligence device 100 according to an embodiment of the present disclosure.
  • AI device 100 is TV, projector, mobile phone, smart phone, desktop computer, notebook computer, digital broadcasting terminal, PDA (personal digital assistants), PMP (portable multimedia player), navigation, tablet PC, wearable device, set-top box (STB) ), a DMB receiver, a radio, a washing machine, a refrigerator, a desktop computer, a digital signage, a robot, a vehicle, etc., may be implemented as a stationary device or a movable device.
  • the terminal 100 includes a communication unit 110 , an input unit 120 , a learning processor 130 , a sensing unit 140 , an output unit 150 , a memory 170 and a processor 180 , etc. may include
  • the communication unit 110 may transmit/receive data to and from external devices such as other AI devices 100a to 100e or the AI server 200 using wired/wireless communication technology.
  • the communication unit 110 may transmit and receive sensor information, a user input, a learning model, a control signal, and the like with external devices.
  • the communication technology used by the communication unit 110 includes GSM (Global System for Mobile communication), CDMA (Code Division Multi Access), LTE (Long Term Evolution), 5G, WLAN (Wireless LAN), Wi-Fi (Wireless-Fidelity) ), Bluetooth, RFID (Radio Frequency Identification), Infrared Data Association (IrDA), ZigBee, NFC (Near Field Communication), and the like.
  • GSM Global System for Mobile communication
  • CDMA Code Division Multi Access
  • LTE Long Term Evolution
  • 5G Fifth Generation
  • WLAN Wireless LAN
  • Wi-Fi Wireless-Fidelity
  • Bluetooth Bluetooth
  • RFID Radio Frequency Identification
  • IrDA Infrared Data Association
  • ZigBee ZigBee
  • NFC Near Field Communication
  • the input unit 120 may acquire various types of data.
  • the input unit 120 may include a camera for inputting an image signal, a microphone for receiving an audio signal, a user input unit for receiving information from a user, and the like.
  • a signal obtained from the camera or the microphone may be referred to as sensing data or sensor information.
  • the input unit 120 may acquire training data for model training and input data to be used when acquiring an output using the training model.
  • the input unit 120 may acquire raw input data, and in this case, the processor 180 or the learning processor 130 may extract an input feature by preprocessing the input data.
  • the learning processor 130 may train a model composed of an artificial neural network by using the training data.
  • the learned artificial neural network may be referred to as a learning model.
  • the learning model may be used to infer a result value with respect to new input data other than the training data, and the inferred value may be used as a basis for a decision to perform a certain operation.
  • the learning processor 130 may perform AI processing together with the learning processor 240 of the AI server 200 .
  • the learning processor 130 may include a memory integrated or implemented in the AI device 100 .
  • the learning processor 130 may be implemented using the memory 170 , an external memory directly coupled to the AI device 100 , or a memory maintained in an external device.
  • the sensing unit 140 may acquire at least one of internal information of the AI device 100 , information on the surrounding environment of the AI device 100 , and user information by using various sensors.
  • sensors included in the sensing unit 140 include a proximity sensor, an illuminance sensor, an acceleration sensor, a magnetic sensor, a gyro sensor, an inertial sensor, an RGB sensor, an IR sensor, a fingerprint recognition sensor, an ultrasonic sensor, an optical sensor, a microphone, and a lidar. , radar, etc.
  • the output unit 150 may generate an output related to sight, hearing, or touch.
  • the output unit 150 may include a display unit that outputs visual information, a speaker that outputs auditory information, and a haptic module that outputs tactile information.
  • the memory 170 may store data supporting various functions of the AI device 100 .
  • the memory 170 may store input data obtained from the input unit 120 , learning data, a learning model, a learning history, and the like.
  • the processor 180 may determine at least one executable operation of the AI device 100 based on information determined or generated using a data analysis algorithm or a machine learning algorithm. In addition, the processor 180 may control the components of the AI device 100 to perform the determined operation.
  • the processor 180 may request, search, receive, or utilize the data of the learning processor 130 or the memory 170, and perform a predicted operation or an operation determined to be preferable among the at least one executable operation. It is possible to control the components of the AI device 100 to execute.
  • the processor 180 may generate a control signal for controlling the corresponding external device and transmit the generated control signal to the corresponding external device.
  • the processor 180 may obtain intention information with respect to a user input, and determine a user's requirement based on the obtained intention information.
  • the processor 180 uses at least one of a speech to text (STT) engine for converting a voice input into a character string or a natural language processing (NLP) engine for obtaining intention information of a natural language, Intention information corresponding to the input may be obtained.
  • STT speech to text
  • NLP natural language processing
  • At this time, at least one of the STT engine and the NLP engine may be configured as an artificial neural network, at least a part of which is learned according to a machine learning algorithm. And, at least one or more of the STT engine or the NLP engine is learned by the learning processor 130, or learned by the learning processor 240 of the AI server 200, or learned by distributed processing thereof. it could be
  • the processor 180 collects history information including the user's feedback on the operation contents or operation of the AI device 100 and stores it in the memory 170 or the learning processor 130, or the AI server 200 It can be transmitted to an external device.
  • the collected historical information may be used to update the learning model.
  • the processor 180 may control at least some of the components of the AI device 100 in order to drive an application program stored in the memory 170 . Furthermore, in order to drive the application program, the processor 180 may operate two or more of the components included in the AI device 100 in combination with each other.
  • FIG 2 shows an artificial intelligence server 200 according to an embodiment of the present disclosure.
  • the AI server 200 may refer to a device that trains an artificial neural network using a machine learning algorithm or uses a learned artificial neural network.
  • the AI server 200 may be configured with a plurality of servers to perform distributed processing, and may be defined as a 5G network.
  • the AI server 200 may be included as a part of the AI device 100 to perform at least a part of AI processing together.
  • the AI server 200 may include a communication unit 210 , a memory 230 , a learning processor 240 , a processor 260 , and the like.
  • the communication unit 210 may transmit/receive data to and from an external device such as the AI device 100 .
  • the memory 230 may include a model storage unit 231 .
  • the model storage unit 231 may store a model (or artificial neural network, 231a) being trained or learned through the learning processor 240 .
  • the learning processor 240 may train the artificial neural network 231a using the training data.
  • the learning model may be used while being mounted on the AI server 200 of the artificial neural network, or may be used while being mounted on an external device such as the AI device 100 .
  • the learning model may be implemented in hardware, software, or a combination of hardware and software.
  • one or more instructions constituting the learning model may be stored in the memory 230 .
  • the processor 260 may infer a result value with respect to new input data using the learning model, and may generate a response or a control command based on the inferred result value.
  • FIG 3 shows an artificial intelligence system 1 according to an embodiment of the present disclosure.
  • the AI system 1 includes at least one of an AI server 200 , a robot 100a , an autonomous vehicle 100b , an XR device 100c , a smart phone 100d , or a home appliance 100e . It is connected to the cloud network 10 .
  • the robot 100a to which the AI technology is applied, the autonomous driving vehicle 100b, the XR device 100c, the smart phone 100d, or the home appliance 100e may be referred to as AI devices 100a to 100e.
  • the cloud network 10 may constitute a part of the cloud computing infrastructure or may refer to a network existing in the cloud computing infrastructure.
  • the cloud network 10 may be configured using a 3G network, a 4G or Long Term Evolution (LTE) network, or a 5G network.
  • LTE Long Term Evolution
  • each of the devices 100a to 100e and 200 constituting the AI system 1 may be connected to each other through the cloud network 10 .
  • each of the devices 100a to 100e and 200 may communicate with each other through the base station, but may also directly communicate with each other without passing through the base station.
  • the AI server 200 may include a server performing AI processing and a server performing an operation on big data.
  • the AI server 200 includes at least one of the AI devices constituting the AI system 1, such as a robot 100a, an autonomous vehicle 100b, an XR device 100c, a smartphone 100d, or a home appliance 100e, and It is connected through the cloud network 10 and may help at least a part of AI processing of the connected AI devices 100a to 100e.
  • the AI devices constituting the AI system such as a robot 100a, an autonomous vehicle 100b, an XR device 100c, a smartphone 100d, or a home appliance 100e.
  • the AI server 200 may train an artificial neural network according to a machine learning algorithm on behalf of the AI devices 100a to 100e, and directly store the learning model or transmit it to the AI devices 100a to 100e.
  • the AI server 200 receives input data from the AI devices 100a to 100e, infers a result value with respect to the input data received using the learning model, and provides a response or control command based on the inferred result value. It can be generated and transmitted to the AI devices 100a to 100e.
  • the AI devices 100a to 100e may infer a result value with respect to input data using a direct learning model, and generate a response or a control command based on the inferred result value.
  • the AI devices 100a to 100e to which the above-described technology is applied will be described.
  • the AI devices 100a to 100e shown in FIG. 3 can be viewed as specific examples of the AI device 100 shown in FIG. 1 .
  • the robot 100a may be implemented as a guide robot, a transport robot, a cleaning robot, a wearable robot, an entertainment robot, a pet robot, an unmanned flying robot, etc. to which AI technology is applied.
  • the robot 100a may include a robot control module for controlling an operation, and the robot control module may mean a software module or a chip implemented as hardware.
  • the robot 100a acquires state information of the robot 100a by using sensor information obtained from various types of sensors, detects (recognizes) surrounding environments and objects, generates map data, moves path and travels A plan may be determined, a response to a user interaction may be determined, or an action may be determined.
  • the robot 100a may use sensor information obtained from at least one sensor among LiDAR, radar, and camera in order to determine a movement route and a travel plan.
  • the robot 100a may perform the above-described operations using a learning model composed of at least one artificial neural network.
  • the robot 100a may recognize a surrounding environment and an object using a learning model, and may determine an operation using the recognized surrounding environment information or object information.
  • the learning model may be directly learned from the robot 100a or learned from an external device such as the AI server 200 .
  • the robot 100a may perform an operation by generating a result using a direct learning model, but transmits sensor information to an external device such as the AI server 200 and receives the result generated accordingly to perform the operation You may.
  • the robot 100a determines a movement path and travel plan using at least one of map data, object information detected from sensor information, or object information obtained from an external device, and controls the driving unit to apply the determined movement path and travel plan. Accordingly, the robot 100a may be driven.
  • the map data may include object identification information for various objects disposed in a space in which the robot 100a moves.
  • the map data may include object identification information for fixed objects such as walls and doors and movable objects such as flowerpots and desks.
  • the object identification information may include a name, a type, a distance, a location, and the like.
  • the robot 100a may perform an operation or drive by controlling the driving unit based on the user's control/interaction.
  • the robot 100a may acquire intention information of an interaction according to a user's motion or voice utterance, determine a response based on the acquired intention information, and perform the operation.
  • the autonomous driving vehicle 100b may be implemented as a mobile robot, a vehicle, an unmanned aerial vehicle, etc. by applying AI technology.
  • the autonomous driving vehicle 100b may include an autonomous driving control module for controlling an autonomous driving function, and the autonomous driving control module may mean a software module or a chip implemented as hardware.
  • the autonomous driving control module may be included as a component of the autonomous driving vehicle 100b, or may be configured and connected to the outside of the autonomous driving vehicle 100b as separate hardware.
  • the autonomous vehicle 100b obtains state information of the autonomous vehicle 100b using sensor information obtained from various types of sensors, detects (recognizes) surrounding environments and objects, generates map data, A movement route and a driving plan may be determined, or an operation may be determined.
  • the autonomous driving vehicle 100b may use sensor information obtained from at least one sensor among a lidar, a radar, and a camera, similarly to the robot 100a, in order to determine a moving route and a driving plan.
  • the autonomous vehicle 100b may receive sensor information from external devices to recognize an environment or object for an area where the field of view is obscured or an area over a certain distance, or receive information recognized directly from external devices. .
  • the autonomous vehicle 100b may perform the above-described operations by using a learning model composed of at least one artificial neural network.
  • the autonomous driving vehicle 100b may recognize a surrounding environment and an object using a learning model, and may determine a driving route using the recognized surrounding environment information or object information.
  • the learning model may be directly learned from the autonomous vehicle 100b or learned from an external device such as the AI server 200 .
  • the autonomous vehicle 100b may generate a result by using the direct learning model and perform the operation, but it operates by transmitting sensor information to an external device such as the AI server 200 and receiving the result generated accordingly. can also be performed.
  • the autonomous vehicle 100b determines a movement path and a driving plan by using at least one of map data, object information detected from sensor information, or object information acquired from an external device, and controls the driving unit to determine the movement path and driving
  • the autonomous vehicle 100b may be driven according to a plan.
  • the map data may include object identification information for various objects disposed in a space (eg, a road) in which the autonomous vehicle 100b travels.
  • the map data may include object identification information for fixed objects such as street lights, rocks, and buildings, and movable objects such as vehicles and pedestrians.
  • the object identification information may include a name, a type, a distance, a location, and the like.
  • the autonomous vehicle 100b may perform an operation or drive by controlling the driving unit based on the user's control/interaction.
  • the autonomous vehicle 100b may acquire intention information of an interaction according to a user's motion or voice utterance, determine a response based on the obtained intention information, and perform the operation.
  • the XR device 100c is AI technology applied, so a head-mount display (HMD), a head-up display (HUD) provided in a vehicle, a television, a mobile phone, a smart phone, a computer, a wearable device, a home appliance, and a digital signage , a vehicle, a stationary robot, or a mobile robot.
  • HMD head-mount display
  • HUD head-up display
  • the XR device 100c analyzes three-dimensional point cloud data or image data obtained through various sensors or from an external device to generate position data and attribute data for three-dimensional points, thereby providing information on surrounding space or real objects. It can be obtained and output by rendering the XR object to be output. For example, the XR apparatus 100c may output an XR object including additional information on the recognized object to correspond to the recognized object.
  • the XR apparatus 100c may perform the above-described operations using a learning model composed of at least one artificial neural network.
  • the XR apparatus 100c may recognize a real object from 3D point cloud data or image data using a learning model, and may provide information corresponding to the recognized real object.
  • the learning model may be directly learned from the XR device 100c or learned from an external device such as the AI server 200 .
  • the XR device 100c may perform an operation by generating a result using the direct learning model, but it transmits sensor information to an external device such as the AI server 200 and receives the result generated accordingly to perform the operation. can also be done
  • the robot 100a may be implemented as a guide robot, a transport robot, a cleaning robot, a wearable robot, an entertainment robot, a pet robot, an unmanned flying robot, etc. to which AI technology and autonomous driving technology are applied.
  • the robot 100a to which AI technology and autonomous driving technology are applied may mean a robot having an autonomous driving function or a robot 100a that interacts with the autonomous driving vehicle 100b.
  • the robot 100a having an autonomous driving function may collectively refer to devices that move by themselves according to a given movement line without user's control or by determining a movement line by themselves.
  • the robot 100a with the autonomous driving function and the autonomous driving vehicle 100b may use a common sensing method to determine one or more of a moving route or a driving plan.
  • the robot 100a having an autonomous driving function and the autonomous driving vehicle 100b may determine one or more of a movement route or a driving plan by using information sensed through lidar, radar, and camera.
  • the robot 100a interacting with the autonomous driving vehicle 100b exists separately from the autonomous driving vehicle 100b and is linked to an autonomous driving function inside the autonomous driving vehicle 100b or connected to the autonomous driving vehicle 100b. An operation associated with the user on board may be performed.
  • the robot 100a interacting with the autonomous driving vehicle 100b acquires sensor information on behalf of the autonomous driving vehicle 100b and provides it to the autonomous driving vehicle 100b, or obtains sensor information and obtains information about the surrounding environment or By generating object information and providing it to the autonomous driving vehicle 100b, the autonomous driving function of the autonomous driving vehicle 100b may be controlled or supported.
  • the robot 100a interacting with the autonomous driving vehicle 100b may monitor a user riding in the autonomous driving vehicle 100b or control a function of the autonomous driving vehicle 100b through interaction with the user. .
  • the robot 100a may activate an autonomous driving function of the autonomous driving vehicle 100b or assist in controlling a driving unit of the autonomous driving vehicle 100b.
  • the function of the autonomous driving vehicle 100b controlled by the robot 100a may include not only an autonomous driving function, but also a function provided by a navigation system or an audio system provided in the autonomous driving vehicle 100b.
  • the robot 100a interacting with the autonomous driving vehicle 100b may provide information or assist a function to the autonomous driving vehicle 100b from the outside of the autonomous driving vehicle 100b.
  • the robot 100a may provide traffic information including signal information to the autonomous driving vehicle 100b, such as a smart traffic light, or interact with the autonomous driving vehicle 100b, such as an automatic electric charger for an electric vehicle. You can also automatically connect an electric charger to the charging port.
  • the robot 100a may be implemented as a guide robot, a transport robot, a cleaning robot, a wearable robot, an entertainment robot, a pet robot, an unmanned flying robot, a drone, etc. to which AI technology and XR technology are applied.
  • the robot 100a to which the XR technology is applied may mean a robot that is a target of control/interaction within an XR image.
  • the robot 100a is distinguished from the XR device 100c and may be interlocked with each other.
  • the robot 100a which is the target of control/interaction within the XR image, obtains sensor information from sensors including a camera, the robot 100a or the XR device 100c generates an XR image based on the sensor information. and the XR apparatus 100c may output the generated XR image.
  • the robot 100a may operate based on a control signal input through the XR device 100c or a user's interaction.
  • the user can check the XR image corresponding to the viewpoint of the remotely linked robot 100a through an external device such as the XR device 100c, and adjust the autonomous driving path of the robot 100a through interaction or , control motion or driving, or check information of surrounding objects.
  • an external device such as the XR device 100c
  • the autonomous vehicle 100b may be implemented as a mobile robot, a vehicle, an unmanned aerial vehicle, etc. by applying AI technology and XR technology.
  • the autonomous driving vehicle 100b to which the XR technology is applied may mean an autonomous driving vehicle equipped with a means for providing an XR image or an autonomous driving vehicle subject to control/interaction within the XR image.
  • the autonomous driving vehicle 100b which is the target of control/interaction within the XR image, is distinguished from the XR device 100c and may be interlocked with each other.
  • the autonomous driving vehicle 100b having means for providing an XR image may obtain sensor information from sensors including a camera, and output an XR image generated based on the acquired sensor information.
  • the autonomous vehicle 100b may provide an XR object corresponding to a real object or an object in a screen to the passenger by outputting an XR image with a HUD.
  • the XR object when the XR object is output to the HUD, at least a portion of the XR object may be output to overlap the real object to which the passenger's gaze is directed.
  • the XR object when the XR object is output to the display provided inside the autonomous vehicle 100b, at least a portion of the XR object may be output to overlap the object in the screen.
  • the autonomous vehicle 100b may output XR objects corresponding to objects such as a lane, other vehicles, traffic lights, traffic signs, two-wheeled vehicles, pedestrians, and buildings.
  • the autonomous driving vehicle 100b which is the subject of control/interaction in the XR image, acquires sensor information from sensors including a camera, the autonomous driving vehicle 100b or the XR device 100c performs An XR image is generated, and the XR apparatus 100c may output the generated XR image.
  • the autonomous vehicle 100b may operate based on a control signal input through an external device such as the XR device 100c or a user's interaction.
  • FIG 4 shows the AI device 100 according to an embodiment of the present disclosure.
  • the artificial intelligence apparatus 100 includes an edge device.
  • the input unit 120 includes a camera 121 for inputting an image signal, a microphone 122 for receiving an audio signal, and a user input unit for receiving information from a user. 123) may be included.
  • the voice data or image data collected by the input unit 120 may be analyzed and processed as a user's control command.
  • the input unit 120 is for inputting image information (or signal), audio information (or signal), data, or information input from a user.
  • the AI device 100 may include one or more Cameras 121 may be provided.
  • the camera 121 processes an image frame such as a still image or a moving image obtained by an image sensor in a video call mode or a shooting mode.
  • the processed image frame may be displayed on the display unit 151 or stored in the memory 170 .
  • the microphone 122 processes an external sound signal as electrical voice data.
  • the processed voice data may be utilized in various ways according to a function (or a running application program) being performed by the AI device 100 . Meanwhile, various noise removal algorithms for removing noise generated in the process of receiving an external sound signal may be applied to the microphone 122 .
  • the user input unit 123 is for receiving information from a user, and when information is input through the user input unit 123 , the processor 180 may control the operation of the AI device 100 to correspond to the input information. .
  • the user input unit 123 is a mechanical input means (or a mechanical key, for example, a button located on the front/rear or side of the AI device 100, a dome switch, a jog wheel, a jog switch, etc.) and a touch input means.
  • the touch input means consists of a virtual key, a soft key, or a visual key displayed on the touch screen through software processing, or a part other than the touch screen. It may be made of a touch key (touch key) disposed on the.
  • the sensing unit 140 may be referred to as a sensor unit.
  • the output unit 150 includes at least one of a display unit (Display Unit, 151), a sound output unit (Sound Output Unit, 152), a haptic module (Haptic Module, 153), and an optical output unit (Optical Output Unit, 154) can do.
  • the display unit 151 displays (outputs) information processed by the AI device 100 .
  • the display unit 151 may display execution screen information of an application program driven in the AI device 100 or UI (User Interface) and GUI (Graphic User Interface) information according to the execution screen information.
  • UI User Interface
  • GUI Graphic User Interface
  • the display unit 151 may implement a touch screen by forming a layer structure with the touch sensor or being integrally formed. Such a touch screen may function as the user input unit 123 providing an input interface between the AI device 100 and the user, and may provide an output interface between the terminal 100 and the user.
  • the sound output unit 152 may output audio data received from the communication unit 110 or stored in the memory 170 in a call signal reception, a call mode or a recording mode, a voice recognition mode, a broadcast reception mode, and the like.
  • the sound output unit 152 may include at least one of a receiver, a speaker, and a buzzer.
  • the haptic module 153 generates various tactile effects that the user can feel.
  • a representative example of the tactile effect generated by the haptic module 153 may be vibration.
  • the light output unit 154 outputs a signal for notifying the occurrence of an event by using the light of the light source of the AI device 100 .
  • Examples of the event generated by the AI device 100 may be message reception, call signal reception, missed call, alarm, schedule notification, email reception, information reception through an application, and the like.
  • FIG 5 is an external view illustrating a production process in which a vision inspection is performed according to the vision inspection apparatus 500 according to an embodiment of the present disclosure.
  • a plurality of products may be sequentially transported to the next process through transport means such as conveyor belts 501 , 502 , and 503 .
  • the vision inspection apparatus 500 may be equipped with an artificial intelligence device learned by deep learning to determine a good product or a defective product of a specific product (eg, 510 ).
  • the specific product 510 passes through the vision inspection device 500 , and when it is determined as a good product without defects as a result of the inspection of the vision inspection device 500 , it is transported to the first conveyor belt 502 or the second conveyor belt 503 .
  • the specific product 510 passes through the vision inspection apparatus 500 , and when it is determined as a defective product according to the vision inspection apparatus 500 , it may be transported to the third conveyor belt 501 .
  • 520 and 550 of the plurality of products may be products determined as good products without defects, and 530 and 540 of the plurality of products may be products determined as defective products with detected defects. .
  • the vision inspection apparatus 500 since the vision inspection apparatus 500 also uses deep learning, it may include an artificial intelligence model, and may include the configuration of the artificial intelligence apparatus 100 described with reference to FIGS. 1 to 4 . will be.
  • the image processing apparatus 100 of the present disclosure may be used to generate training data for learning the deep learning model of the vision inspection apparatus 500 .
  • the image processing apparatus 100 may be used in combination with the artificial intelligence device 100 or the terminal 100 of the configuration described with reference to FIGS. 1 to 4 , and the artificial intelligence device of FIGS. 1 to 4 . It will be understood to include all of the configurations of (100).
  • FIG. 6 is a flowchart illustrating a process of generating virtual defect data according to an embodiment of the present disclosure.
  • the image processing apparatus 100 may acquire at least one piece of defective product data and at least one piece of defect data using the data acquisition unit ( S610 ).
  • the data acquisition unit of the image processing apparatus 100 may include a camera 122 of the input unit 120 , may be a communication unit 110 that communicates with an external device or server 200 , and a memory 170 that retrieves stored data.
  • a camera 122 of the input unit 120 may be a communication unit 110 that communicates with an external device or server 200 , and a memory 170 that retrieves stored data.
  • data acquisition unit is the camera 122
  • data may be acquired by directly photographing the defective product data and the defective data.
  • the defective product data and the defective data may be data received from an external device or the server 200 .
  • the defective product data and the defective data may be data stored in the image processing apparatus 100 .
  • the non-defective data may include an image of a product classified as a normal product through a vision inspection or other inspection during the production process.
  • defect data may include images of products classified as defective products through vision inspection or other inspection during the production process.
  • good product data and defect data may include images obtained by photographing the product during the actual production process. can mean
  • the processor 180 of the image processing apparatus 100 may extract defect information from the defect data acquired through the data acquisition unit ( S620 ).
  • the defect information may include at least one of an area, a location, a size, a shape, and the number of the defect in which the defect appears.
  • the processor 180 may extract a region of a defect included in the defect data by using an image processing algorithm.
  • the area of the defect may be extracted by masking a specific area in which the defect is detected from the defect data.
  • the processor 180 may extract the position, size, and shape of the defect by using an image processing algorithm in a case in which a relationship with neighboring pixels or a difference with comparison data exceeds a predetermined value during masking using an image processing algorithm.
  • the processor 180 may mask the area in which the defect is detected and may generate a mask image obtained by extracting the masked area.
  • the mask image has the same size as the defect data and may include a binary image in which defects extracted from the defect data are indicated.
  • a pixel representing a defect in the mask image may be set to a maximum brightness (eg, 255), and other portions may be set to a minimum brightness (eg, 0).
  • the processor 180 may store defective product data, defect data, and a mask image in the memory 170 .
  • the processor 180 may perform a first operation of generating first virtual defect data by using the defect information ( S630 ).
  • the first operation may include an image manipulation process.
  • the first virtual defect data generated according to the first operation may not be a photographed image of an actual defective product, but may be a virtual defective product image generated based on the defect data.
  • FIG. 7 is a diagram illustrating a process of generating first virtual defect data according to an embodiment of the present disclosure.
  • the processor 180 may generate first virtual defect data 731 based on the defect data 711 and the mask image 712 through a first operation 720 .
  • the processor 180 may generate the first virtual defect data 731 by setting at least one of the location, size, shape, and number of defects included in the defect information.
  • the first operation 720 is a method of generating the first virtual defect data, and the first virtual defect data by setting a manual mode 721 for generating the first virtual defect data 731 according to a predetermined pattern and an arbitrary parameter and a random transform mode 722 that generates 731 .
  • the processor 180 may receive information included in the defect information from the user input unit.
  • the defect information received from the user input unit may include at least one of the area, size, location, and number of defects.
  • the processor may generate the first virtual defect data 731 based on the received defect information.
  • the processor 180 may generate the first virtual defect data 731 according to the area, size, location, and number of the received defect using a predetermined function or pattern.
  • the predetermined function or pattern may be variously set according to the type of product, the pixel value distribution of defect data, the shape of the product, specifications, requirements and design, and the like.
  • the processor 180 may A defect having a size of a first pixel may be generated at a first location in the first area of the first image.
  • the processor 180 may generate the first virtual defect data 731 by arbitrarily setting the area, size, location, and number of the defects.
  • the processor 180 may set each defect area, size, location, number, etc. as arbitrary parameters and generate the first virtual defect data 731 according to the set parameters.
  • an arbitrary parameter may be generated using a random variable generation algorithm.
  • At least one defect area is set according to the first operation 720 , and at least one defect may exist in at least one size and at least one location within the defect area, respectively.
  • the manual mode 721 and the random transform mode 722 have been described separately, some of the parameters included in the defect information are set to the manual mode 721 and some are set to the random transform mode 722 . Thus, it will also be possible to generate the first virtual defect data 731 .
  • the processor 180 may generate the first virtual defect mask image 732 by masking the first virtual defect data 731 after generating the first virtual defect data 731 .
  • the first virtual defect mask image 732 may include an image having the same size or resolution as the first virtual defect data 731 and representing a defect extracted from the defect data as a binary image.
  • the processor 180 may perform a second operation of generating second virtual defect data by synthesizing the first virtual defect data and the non-defective data ( S640 ).
  • the second virtual defect data may refer to an image in which the first virtual defect data, the defective product data, and the first virtual mask image are synthesized and blended to generate more natural virtual defect data.
  • FIG. 8 is a diagram illustrating a process of generating second virtual defect data according to an embodiment of the present disclosure.
  • the processor 180 may generate second virtual defect data 831 by synthesizing the first virtual defect data 811 and the non-defective data 813 in a second operation 820 .
  • the processor 180 may generate a composite image by inputting the first virtual defect data 811 , the non-defective data 813 , and the first virtual defect mask 812 to the synthesis algorithm 821 .
  • the processor 180 may generate second virtual defect data by performing image blending 822 on the synthesized image.
  • the processor 180 generates a first composite image by synthesizing the defect included in the defect region of the first virtual defect mask image 812 and the non-defective data 813 , A portion other than the defect included in the defect region of the first virtual defect mask image 812 may be synthesized with the first virtual defect data 811 to generate a second composite image.
  • the processor 180 may generate the second virtual defect data 831 by synthesizing the first composite image and the second composite image, and performing image blending to naturally process the boundary of the synthesized image.
  • Blending may refer to an operation of smoothing a boundary such as an artifact of a composite image based on values of neighboring pixels.
  • the blending algorithm multi-band blending, Laplacian blending, Poisson blending, etc. may be used.
  • the processor 180 may obtain the second virtual defect data 831 a little closer to the actual defect data by blending the synthesized image.
  • the above-described synthesis may mean the product of each pixel of an image used in image processing, and synthesized according to various processing methods of pixels used in image processing, such as image interpolation and transformation algorithms. It may be understood that a feature of each image to be used is reflected to generate one image.
  • the processor 180 may perform a third operation of generating the final virtual defect data by inputting the second virtual defect data 831 into an artificial intelligence model. (S650).
  • the third operation may mean performing image harmonization on the second virtual defect data 831 using an artificial intelligence model and generating final virtual defect data 934 .
  • the final virtual defect data may mean an image in which an artifact boundary is naturally processed rather than the second virtual defect data.
  • FIG. 9 is a diagram illustrating a process of generating final virtual defect data according to an embodiment of the present disclosure.
  • the artificial intelligence model may include a generative adversarial network (GAN) including a generative model and a discriminative model.
  • GAN generative adversarial network
  • the generation model (eg, 913, 923, 933) may include a model for generating the final virtual defect data 934 based on the defective product data, the defect data, and the defect information.
  • the classification model may include a model for determining whether the input image is real data or virtual defect data.
  • GAN generative adversarial network
  • the GAN model may include a GAN model of a single or a plurality of stages.
  • the GAN model may include GAN models (eg, 913, 923, 933, etc.) of a plurality of stages.
  • Each of the plurality of stages may include a generative model trained to output an image having a higher quality than the second virtual defect data when an image based on the second virtual defect data 911 , 921 , and 931 is input.
  • high quality may mean an image having a high similarity with defect data obtained in an actual process by blending the boundaries and artifacts of the image.
  • each of the plurality of stages included in the GAN model may be connected to each other, and a scale factor S for input from each stage to the next stage may exist.
  • the scale factor S may refer to a parameter for adjusting the size of an input image when moving from a previous stage to a next stage whenever it passes through a plurality of stages.
  • the first image input in the first stage is converted to high quality according to a result output by the generative model of the first stage, and the first image converted to high quality is input to the generative model of the second stage, which is the next stage It may be transformed into a second image whose size or resolution is increased by a scale factor to become a second image.
  • the transform may include scaling. That is, the first image may be an image in which horizontal and vertical widths are scaled by a scale factor than that of the second image.
  • an image finally generated by calling all of the plurality of stages may be final virtual defect data.
  • the size of the final virtual defect data that has passed through the plurality of stages may be the same as that of the second virtual defect data.
  • the processor 180 performs scaling to reduce the second virtual defect data by 'the number of stages (N) - 1' times before performing S650. It would be desirable to perform
  • the processor 180 adjusts the number of the plurality of stages or sets a stage to which the second virtual defect data is first input among the plurality of stages, so that the similarity with the pattern of defect data learned by the generation model will be able to adjust
  • the number of the plurality of stages may include a degree of image harmonization.
  • the defect area generated from the final virtual defect data may appear more similar to the pattern learned from the training data set of the generative model. there is.
  • a defect area generated from the final virtual defect data may appear less similar to a pattern learned from the training data set of the generative model.
  • a method of acquiring the final virtual defect data according to FIG. 9 according to a specific example is as follows.
  • the processor 180 generates the second virtual defect data 911 and then inputs the second virtual defect data 911 into the first generation model 913 to obtain the first final virtual defect data. (914) can be created.
  • the first final virtual defect data 914 may be an image blended with respect to the second virtual defect data 911 .
  • the final virtual defect data 914 may have a high quality similar to that of the actual defect data.
  • the processor 180 may increase the size of the first final virtual defect data 914 by the scale factor S, and input the scaled first final virtual defect data 914 to the second generation model 923 . .
  • the second generation model 923 may generate second final virtual defect data 924 that is blended with respect to the first final virtual defect data 914 .
  • the above process may be repeatedly performed every N stages.
  • the processor 180 may generate the final virtual defect data 934 by inputting the scaled Nth final virtual defect data 931 to the Nth generation model 933 in the Nth stage 933 .
  • the finally obtained final virtual defect data 934 is non-defective data, the first virtual defect data, and the second It may have the same size as the virtual defect data.
  • the generation model is a model trained in advance to output an image similar to the actual defect data
  • the final virtual defect data generated by the above process may have a higher similarity to the defect data than the second virtual defect data.
  • the GAN model of a single stage as the GAN model during image harmonization.
  • the single-stage GAN model may mean a model in which N is 1 in a GAN model having N stages.
  • final virtual defect data having a higher quality than the second virtual defect data may be output.
  • high quality may mean an image having a high similarity with defect data obtained in an actual process by blending the boundaries and artifacts of the image.
  • the GAN model of a single stage and the GAN model of multiple stages have been described in the embodiment of the present disclosure, in general, the GAN model of multiple stages can generate a higher quality image than a single stage, so the final virtual defect data is generated In this case, it would be desirable to use a multi-stage GAN model.
  • noise (z, 912, 922, 932) is synthesized with the input value of each stage for each stage and used as an input value of the generative model.
  • the processor 180 may train the vision inspection apparatus 500 by using the final virtual defect data (S660).
  • the final virtual defect data may refer to virtually generated defect data.
  • the processor 180 may train the vision inspection apparatus 500 using the final virtual defect data.
  • the processor 180 of the image processing apparatus 100 may support learning of the deep learning model for determining whether the image is defective data or defective data.
  • the final virtual defect data may be used as image data input during learning.
  • the deep learning model of the vision inspection apparatus 500 may be learned using data provided from an external device or server 200 .
  • the vision inspection apparatus 500 may receive training data including the final virtual defect data and learn the deep learning model through the operation of the processor of the vision inspection apparatus.
  • the vision inspection device 500 equipped with the learned deep learning model may determine whether a product is good or defective during the production process.
  • FIG. 10 is a flowchart illustrating a process of learning an artificial intelligence model according to an embodiment of the present disclosure.
  • the processor 180 of the image processing apparatus 100 may collect good product data for learning and defect data for learning to be used for generating model learning during training ( S1010 ).
  • the good data for training and the defective data for learning may include image data obtained during an actual process, and may be image data generated to artificially learn an artificial intelligence model of an image processing apparatus from an external device.
  • the processor 180 of the present disclosure may image degradation of the learning defect data according to a predetermined pattern or an arbitrary pattern (S1020).
  • the processor of the present disclosure may train the GAN model by using the degraded learning defect data (S1030).
  • FIG. 11 is a diagram illustrating a learning process of an artificial intelligence model according to an embodiment of the present disclosure.
  • the artificial intelligence model of the present disclosure may include a GAN model, and the GAN model may include a generation model 1100 and a classification model 1200 .
  • the generation model 1100 may refer to a model trained to generate an output image from an input image.
  • the classification model 1200 may refer to a model trained to output information on whether an output image is authentic or not.
  • each of the generative model 1100 and the classification model 1200 may be configured with the above-described neural network, but is not limited thereto.
  • the generative model 1100 may be complementarily trained using the classification model 1200 .
  • the processor 180 of the present disclosure may generate virtual defect data based on the learned database when defect data is input by using the training-completed generation model 1100 .
  • the generative model 1100 is trained by a plurality of training data to generate the final virtual defect data 1103 when the deteriorated defect data 1101 and noise (z, 1102) are input.
  • ) may be a neural network.
  • the generation model 1100 and the classification model 1200 are the deteriorated defect data 1101 , the defect data 1104 , the final virtual defect data 1103 , and the authenticity result value of the classification model 1200 .
  • At least one of 1201 and recovery loss 1202 or a combination thereof may be used as training data.
  • the output of the classification model 1200 may include authenticity 1202 .
  • the authenticity information may be good product or defective data.
  • the authenticity information is a probability indicating whether an image represents a real object, and may indicate that 0 is virtual data and 1 indicates that it is real data.
  • the classification model 1200 may be trained to be classified as an actual image by a target ratio when determining whether the generated image is real image data (ie, authenticity).
  • the classification model 1200 may be trained until the percentage of correct answers of the actual authenticity result value 1201 converges to a specific value.
  • the learning of the classification model 1200 may be terminated when the ratio of the authenticity result value 1201 as a correct answer converges to the target ratio.
  • a reconstruction loss 1202 may be used for learning the generative model 1100 and the classification model 1200 .
  • the restoration loss 1202 may represent an error between an output image generated from an input image by the generative model 1100 and a correct answer image for the input image.
  • the correct answer image may be the defect data image 1104 before the input image is degraded.
  • the processor 180 may update the parameters of the generative model 1100 such that the restoration loss 1202 is minimized. Also, the processor 180 may update the parameter of the generative model 320 until the error regarding the authenticity 1202 converges to a predetermined value.
  • training of a plurality of GAN models may be performed as separate learning for each stage.
  • the processor determines that the resolution is the scale factor in N stages.
  • An image having a resolution reduced by 'N-1' times in (S) can be used as training data.
  • the generation model 1100 and the classification model 1200 can be learned, and after the learning is completed, the processor 180 generates final virtual defect data based on the defect data as shown in FIG. 6 . will be able
  • the generated final virtual defect data may be used as training data of the deep learning model of the vision inspection apparatus 500 .
  • the present disclosure described above can be implemented as computer-readable code on a medium in which a program is recorded.
  • the computer-readable medium includes all types of recording devices in which data readable by a computer system is stored. Examples of computer-readable media include Hard Disk Drive (HDD), Solid State Disk (SSD), Silicon Disk Drive (SDD), ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage device, etc. There is this.
  • the computer may include a processor 180 of the terminal.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

본 개시는 적어도 하나의 양품 데이터 및 적어도 하나의 결함 데이터를 획득하는 데이터 획득부 및 상기 결함 데이터로부터 결함 정보를 추출하고, 인공 지능 모델을 이용하여 상기 양품 데이터, 상기 결함데이터 및 상기 결함정보에 기초한 최종 가상 결함 데이터를 생성하는 프로세서를 포함하는 영상 처리 장치를 개시한다.

Description

학습 데이터를 생성하는 인공 지능 장치 및 방법
본 개시는 인공 지능 장치에 관한 것이다. 더욱 상세하게는 머신러닝 기반 비전 검사를 위한 영상 처리 장치에 관한 것이다.
일반적으로 제품의 생산 공정에 있어서, 생산 공정에 도입된 비전 검사 장치는 고성능 카메라와 이미지 프로세서, 소프트웨어 등의 시스템으로 구성된다. 카메라 렌즈와 조명을 이용하여 공정 과정의 제품 이미지를 획득하고, 이미지 프로세서, 소프트웨어가 작업 목적에 맞게 영상 처리 및 분석 과정을 거쳐 공정 과정의 제품의 품질을 판정한다.
종래에는 생산 공정 시 발생한 제품의 결함 여부를 패턴, 위치, 사이즈 색상 등의 지표를 이용하여 결함에 해당하는 이미지를 검출하는 방식을 사용하였다.
이때, 이미지 검출의 정확도를 향상시키기 위하여 딥러닝(Deep Learning)을 적용한 AI(인공지능) 비전 검사 솔루션이 제공되었다.
한편, 이미지 검출의 정확도를 향상시키기 위한 딥러닝 기반의 비전 검사 장치의 성능을 향상시키기 위해서는 사전에 학습(training)이 수반되어야 한다. 즉, 딥러닝의 성능은 학습 데이터의 개수, 학습 데이터의 품질, 학습 알고리즘 등에 의해 결정되는데, 소정 수준 이상의 신뢰도를 갖는 딥러닝 모델을 구축하기 위해서는 높은 품질을 갖는 대량의 학습 데이터를 확보하는 것이 중요하였다.
그러나 생산 공정 시에는 결함이 발생하는 횟수 자체가 제한적이므로, 결함 데이터를 수집하는데 어려움이 있어 양품데이터와 결함 데이터의 불균형이 발생하였고, 이에 따라 비전 검사 시 사용되는 딥러닝 모델을 학습시키기 위한 결함 데이터를 확보하는데 어려움이 있었다.
본 개시의 목적은 소수의 결함 데이터를 이용하여 가상의 결함 데이터를 생성하기 위함이다.
본 개시의 목적은 생산 공정 시 획득하기 어려운 결함 데이터를 생성하여 양품 데이터와 결함 데이터의 불균형을 해결하기 위함이다.
본 개시의 목적은 가상의 불량 데이터를 생성하여 비전 검사에 사용되는 딥러닝을 모델을 학습시키기 위함이다.
본 개시의 실시 예에 따르면, 영상 처리 장치는 적어도 하나의 양품 데이터 및 적어도 하나의 결함 데이터를 획득하는 데이터 획득부 및 상기 결함 데이터로부터 결함 정보를 추출하고, 인공 지능 모델을 이용하여 상기 양품 데이터, 상기 결함데이터 및 상기 결함정보에 기초한 최종 가상 결함 데이터를 생성하는 프로세서를 포함할 수 있다.
또한, 상기 결함정보는, 결함의 영역, 위치, 크기, 모양 및 개수 중 적어도 하나를 포함하고, 상기 프로세서는 상기 결함 정보를 이용하여 제1 가상결함 데이터를 생성하는 제1 동작을 수행할 수 있다.
또한, 프로세서는 상기 제1 가상결함 데이터와 상기 양품 데이터를 합성하여 제2 가상결함 데이터를 생성하는 제2 동작을 수행할 수 있다.
또한, 프로세서는 상기 제2 가상결함 데이터를 인공 지능 모델에 입력하여 상기 최종 가상결함 데이터를 생성하는 제3 동작을 수행할 수 있다.
또한, 제1 동작에서 영상 처리 장치의 프로세서는, 상기 사용자 입력부로부터 수신된 결함의 영역, 크기 위치 개수에 기초하여 상기 제1 가상결함 데이터를 생성할 수 있다.
또는, 제1 동작에서 영상 처리 장치의 프로세서는 상기 결함의 영역, 크기, 위치, 개수를 임의로 설정하여 제1 가상결함 데이터를 생성할 수 있다.
또한, 상기 인공 지능 모델은, 생성 모델(generative model)과 분류 모델(discriminative model)을 포함하는 GAN 모델을 포함하고, 상기 프로세서는, 상기 제2 가상결함 데이터를 상기 생성 모델에 입력하여 상기 최종 가상결함데이터를 생성하고, 상기 최종 가상결함 데이터는 상기 제2 가상 결함 데이터보다 블렌딩된 영상을 포함할 수 있다.
또한, 상기 생성 모델은 결과값이 다음 스테이지의 입력값이 되는 복수개의 스테이지를 포함하고, 상기 프로세서는, 상기 제2 가상 결함 데이터를 상기 복수개의 스테이지의 개수에 기초하여 스케일링하고, 스케일링된 제2 가상 결함 데이터를 상기 복수개의 스테이지에 입력하여 최종 가상결함데이터를 생성하고, 상기 최종 가상결함 데이터는 상기 제2 가상 결함 데이터보다 결함 데이터와 높은 유사도를 가질 수 있다.
또한, 상기 인공 지능 모델은, 생성 모델(generative model)과 분류 모델(discriminative model)을 포함하는 GAN 모델을 포함하고, 상기 생성모델은, 상기 양품 데이터, 상기 결함데이터 및 상기 결함정보에 기초한 최종 가상 결함 데이터를 생성하고, 상기 분류 모델은, 입력 이미지가 실제 데이터인지 가상 결함 데이터인지 판별할 수 있다.
또한, 상기 생성 모델은, 상기 결함 데이터 및 상기 결함 데이터에 기초한 열화 데이터를 상기 분류 모델에 입력하여, 상기 분류 모델의 복원 손실이 최소화되도록 트레이닝된 모델을 포함할 수 있다.
또한, 분류 모델은 상기 입력 이미지가 실제 데이터인지 가상 결함 데이터인지 판별하여 진위 정보를 출력하고, 상기 진위 정보의 오차가 최소화되도록 트레이닝된 모델을 포함할 수 있다.
본 개시의 실시 예에 따른 영상 처리 장치의 동작 방법에 있어서, 적어도 하나의 양품 데이터 및 적어도 하나의 결함 데이터를 획득하는 단계, 및 상기 결함 데이터로부터 결함 정보를 추출하고, 인공 지능 모델을 이용하여 상기 양품 데이터, 상기 결함데이터 및 상기 결함정보에 기초한 최종 가상 결함 데이터를 생성하는 단계를 포함할 수 있다.
또한, 상기 결함 데이터로부터 결함 정보를 추출하고, 인공 지능 모델을 이용하여 상기 양품 데이터, 상기 결함데이터 및 상기 결함정보에 기초한 최종 가상 결함 데이터를 생성하는 단계는, 상기 결함 정보를 이용하여 제1 가상결함 데이터를 생성하는 제1 동작을 포함할 수 있다.
또한, 상기 제1 가상결함 데이터와 상기 양품 데이터를 합성하여 제2 가상결함 데이터를 생성하는 제2 동작을 수행하는 단계를 포함할 수 있다.
또한, 상기 제2 가상결함 데이터를 인공 지능 모델에 입력하여 상기 최종 가상결함 데이터를 생성하는 제3 동작을 수행하는 단계를 포함할 수 있다.
또한, 제3 동작을 수행하는 단계는, 상기 제2 가상결함 데이터를 생성 모델에 입력하여 최종 가상결함데이터를 생성하는 단계를 포함하고, 상기 최종 가상결함 데이터는 상기 제2 가상 결함 데이터보다 블렌딩된 영상을 포함할 수 있다.
또한, 상기 제2 가상결함 데이터를 생성 모델에 입력하여 최종 가상결함데이터를 생성하는 단계는, 상기 제2 가상 결함 데이터를 상기 복수개의 스테이지의 개수에 기초하여 스케일링하고, 스케일링된 제2 가상 결함 데이터를 상기 복수개의 스테이지에 입력하여 최종 가상결함데이터를 생성하는 단계를 포함할 수 있다.
본 개시는 소수의 불량 데이터에 포함된 정보를 이용하여 다양한 가상의 불량 데이터를 생성함으로써 양품 데이터와 결함 데이터의 불균형을 해소할 수 있다.
본 개시는 가상의 불량 데이터를 생성하고, 이를 이용하여 비전 검사에 사용되는 딥러닝 모델을 학습시킴으로써, 비전 검사의 신뢰도를 향상시킬 수 있다.
도 1은 본 개시의 일 실시 예에 따른 인공 지능 장치(100)를 나타낸다.
도 2는 본 개시의 일 실시 예에 따른 인공 지능 서버를(200)의 나타낸다.
도 3은 본 개시의 일 실시 예에 따른 인공 지능 시스템(1)을 나타낸다.
도 4는 본 개시의 일 실시 예에 따른 AI 장치를 나타낸다.
도 5는 본 개시의 실시 예에 따른 비전 검사 장치(500)에 따라 비전 검사가 수행되는 생산 공정을 도시한 외관도이다.
도 6은 본 개시의 실시 예에 따른 가상 결함 데이터를 생성하는 과정을 나타낸 순서도이다.
도 7은 본 개시의 실시 예에 따른 제1 가상 결함 데이터를 생성하는 과정을 나타낸 도면이다.
도 8은 본 개시의 실시 예에 따른 제2 가상 결함 데이터를 생성하는 과정을 나타낸 도면이다.
도 9는 본 개시의 실시 예에 따른 최종 가상 결함 데이터를 생성하는 과정을 나타낸 도면이다.
도 10은 본 개시의 실시 예에 따른, 인공 지능 모델을 학습시키는 과정을 나타낸 순서도이다.
도 11은 본 개시의 실시 예에 따른, 인공 지능 모델의 학습 과정을 설명하기 위한 도면이다.
이하, 본 발명의 상세에 대하여 설명한다.
이하에 설명하는 실시 예는 본 발명의 일례 일 뿐이며, 본 발명은 다양한 형태로 변형 될 수 있다. 따라서, 이하에 개시된 특정 구성 및 기능은 청구 범위를 제한하지 않는다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 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 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 개시의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
<인공 지능(AI: Artificial Intelligence)>
인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.
인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.
인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.
모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.
인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.
머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.
지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.
인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.
<로봇(Robot)>
로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.
로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.
로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.
<자율 주행(Self-Driving)>
자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.
예컨대, 자율 주행에는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등이 모두 포함될 수 있다.
차량은 내연 기관만을 구비하는 차량, 내연 기관과 전기 모터를 함께 구비하는 하이브리드 차량, 그리고 전기 모터만을 구비하는 전기 차량을 모두 포괄하며, 자동차뿐만 아니라 기차, 오토바이 등을 포함할 수 있다.
이때, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.
<확장 현실(XR: eXtended Reality)>
확장 현실은 가상 현실(VR: Virtual Reality), 증강 현실(AR: Augmented Reality), 혼합 현실(MR: Mixed Reality)을 총칭한다. VR 기술은 현실 세계의 객체나 배경 등을 CG 영상으로만 제공하고, AR 기술은 실제 사물 영상 위에 가상으로 만들어진 CG 영상을 함께 제공하며, MR 기술은 현실 세계에 가상 객체들을 섞고 결합시켜서 제공하는 컴퓨터 그래픽 기술이다.
MR 기술은 현실 객체와 가상 객체를 함께 보여준다는 점에서 AR 기술과 유사하다. 그러나, AR 기술에서는 가상 객체가 현실 객체를 보완하는 형태로 사용되는 반면, MR 기술에서는 가상 객체와 현실 객체가 동등한 성격으로 사용된다는 점에서 차이점이 있다.
XR 기술은 HMD(Head-Mount Display), HUD(Head-Up Display), 휴대폰, 태블릿 PC, 랩탑, 데스크탑, TV, 디지털 사이니지 등에 적용될 수 있고, XR 기술이 적용된 장치를 XR 장치(XR Device)라 칭할 수 있다.
도 1은 본 개시의 일 실시 예에 따른 인공 지능 장치(100)를 나타낸다.
AI 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.
도 1을 참조하면, 단말기(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.
통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.
이때, 통신부(110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth쪠), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.
입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.
이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.
입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.
러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.
이때, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.
이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.
센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.
이때, 센싱부(140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.
이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.
메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.
프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.
이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(100)의 구성 요소들을 제어할 수 있다.
이때, 프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.
프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.
이때, 프로세서(180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.
이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.
프로세서(180)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.
도 2는 본 개시의 일 실시 예에 따른 인공 지능 서버(200)를 나타낸다.
도 2를 참조하면, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.
AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.
통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.
메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.
러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 등의 외부 장치에 탑재되어 이용될 수도 있다.
학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.
프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.
도 3은 본 개시의 일 실시 예에 따른 인공 지능 시스템(1)을 나타낸다.
도 3을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 수 있다.
클라우드 네트워크(10)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(10)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.
즉, AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.
AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.
AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.
또는, AI 장치(100a 내지 100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.
이하에서는, 상술한 기술이 적용되는 AI 장치(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.
<AI+로봇>
로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.
로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.
여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.
맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
<AI+자율주행>
자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.
자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.
여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.
자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
자율 주행 차량(100b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 자율 주행 차량(100b)을 주행시킬 수 있다.
맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
<AI+XR>
XR 장치(100c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.
XR 장치(100c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.
XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(100c)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
<AI+로봇+자율주행>
로봇(100a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
AI 기술과 자율 주행 기술이 적용된 로봇(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.
자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.
자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.
자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.
이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.
<AI+로봇+XR>
로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.
XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.
<AI+자율주행+XR>
자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.
이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
도 4는 본 개시의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
도 1과 중복되는 설명은 생략한다.
본 개시에서, 인공 지능 장치(100)는 엣지 디바이스(edge device)를 포함한다.
도 4를 참조하면, 입력부(120)는 영상 신호 입력을 위한 카메라(Camera, 121), 오디오 신호를 수신하기 위한 마이크로폰(Microphone, 122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(User Input Unit, 123)를 포함할 수 있다.
입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.
입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, AI 장치(100)는 하나 또는 복수의 카메라(121)들을 구비할 수 있다.
카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(Display Unit, 151)에 표시되거나 메모리(170)에 저장될 수 있다.
마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 AI 장치(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 적용될 수 있다.
사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 AI 장치(100)의 동작을 제어할 수 있다.
사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예컨대, AI 장치(100)의 전/후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.
센싱부(140)는 센서부라고 칭할 수 있다.
출력부(150)는 디스플레이부(Display Unit, 151), 음향 출력부(Sound Output Unit, 152), 햅틱 모듈(Haptic Module, 153), 광 출력부(Optical Output Unit, 154) 중 적어도 하나를 포함할 수 있다.
디스플레이부(151)는 AI 장치(100)에서 처리되는 정보를 표시(출력)한다. 예컨대, 디스플레이부(151)는 AI 장치(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, AI 장치(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 단말기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.
음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다.
음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.
햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.
광출력부(154)는 AI 장치(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. AI 장치(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.
도 5는 본 개시의 실시 예에 따른 비전 검사 장치(500)에 따라 비전 검사가 수행되는 생산 공정을 도시한 외관도이다.
도 5를 참고하면, 제품의 생산 공정에서 복수개의 제품(예를들어, 510,520,530,540,550)은 차례대로 컨베이어 벨트(501,502,503)와 같은 이송 수단을 통하여 다음 공정으로 운반될 수 있다.
이때, 비전 검사 장치(500)는 딥러닝으로 학습된 인공 지능 장치를 탑재하여, 특정 제품(예를 들어 510)의 양품 또는 결함 제품을 판별할 수 있다.
특정 제품(510)은 비전 검사 장치(500)를 통과하고, 비전 검사 장치(500)의 검사 결과 결함이 없는 양품으로 판단되면, 제1 컨베이어 벨트(502) 또는 제2 컨베이어 벨트(503)으로 운반될 수 있다.
그리고 특정 제품(510)은 비전 검사 장치(500)를 통과하고, 비전 검사 장치(500)에 따라 결함 제품으로 판단되면 제3 컨베이어 벨트(501)로 운반될 수 있다.
따라서 도 5에 도시된 바와 같이, 복수개의 제품 중 520, 550은 결함이 없는 양품으로 판단된 제품일 수 있으며, 복수개의 제품 중 530, 540은 결함이 검출된 결함 제품으로 판단된 제품일 수 있다.
한편, 본 개시의 실시 예에 따르면 비전 검사 장치(500) 또한 딥러닝을 이용하므로 인공 지능 모델을 포함할 수 있으며, 도 1 내지 도 4에서 설명한 인공 지능 장치(100)의 구성을 포함할 수 있을 것이다.
본 개시의 실시 예에 따르면, 비전 검사 장치(500)의 딥러닝 모델을 학습시키기 위한 학습데이터를 생성하기 위하여 본 개시의 영상 처리 장치(100)가 사용될 수 있다.
본 개시의 실시 예에 따라 영상 처리 장치(100)는 도 1 내지 도 4에서 설명한 구성인 인공 지능 장치(100) 또는 단말기(100) 등과 혼용되어 사용될 수 있으며, 도 1 내지 도 4의 인공 지능 장치(100)의 구성을 모두 포함하는 것으로 이해되어야 할 것이다.
이하 도 6에서 영상 처리 장치(100)에 대하여 설명한다.
도 6은 본 개시의 실시 예에 따른 가상 결함 데이터를 생성하는 과정을 나타낸 순서도이다.
본 개시의 실시 예에 따르면 영상 처리 장치(100)는 데이터 획득부를 이용하여 적어도 하나의 양품 데이터와 적어도 하나의 결함 데이터를 획득할 수 있다(S610).
영상 처리 장치(100)의 데이터 획득부는 입력부(120)의 카메라(122)를 포함할 수 있으며 외부 장치 또는 서버(200)와 통신하는 통신부(110)일 수 있으며, 저장된 데이터를 불러오는 메모리(170)일 수 있다.
데이터 획득부가 카메라(122)인 경우, 양품 데이터와 결함 데이터를 직접 촬영하는 것으로 데이터를 획득할 수 있다.
데이터 획득부가 통신부(110)인 경우, 양품 데이터와 결함 데이터는 외부 장치 또는 서버(200)로부터 수신된 데이터일 수 있다.
데이터 획득부가 메모리(170)인 경우, 양품 데이터와 결함 데이터는 영상 처리 장치(100)에 저장된 데이터 일 수 있다.
이때, 양품 데이터는 생산 공정 시 비전 검사 또는 기타 검사를 통해 정상 제품으로 분류된 제품의 이미지를 포함할 수 있다.
그리고 결함 데이터는 생산 공정 시 비전 검사 또는 기타 검사를 통해 결함이 포함된 제품으로 분류된 제품의 이미지를 포함할 수 있다.
또한, 양품 데이터와 결함 데이터는 실제 생산 공정 시 제품을 촬영하여 획득된 영상을 포함할 수 있으며, 결함이라 함은 제품에 표면 또는 내부에 발생한 스크래치, 이격, 파손 및 기타 미리 정해진 규격과 어긋나는 경우를 의미할 수 있다.
영상 처리 장치(100)의 프로세서(180)는 데이터 획득부를 통해 획득된 결함 데이터로부터 결함 정보를 추출할 수 있다(S620).
이때 결함 정보는 결함이 나타난 결함의 영역, 위치, 크기, 모양 및 개수 중 적어도 하나를 포함할 수 있다.
구체적으로 프로세서(180)는 영상처리 알고리즘을 이용하여 결함 데이터에 포함된 결함의 영역을 추출할 수 있다. 예를 들어 결함의 영역은 결함 데이터에서 결함이 검출된 특정 영역을 마스킹(masking)하는 방식으로 추출될 수 있다.
프로세서(180)는 영상처리 알고리즘을 이용하여 마스킹 시, 주변 픽셀과의 관계 또는 비교 데이터와의 차이가 일정치를 초과하는 경우의 방식을 통하여 결함의 위치, 크기, 모양을 추출할 수 있다.
프로세서(180)는 결함이 검출된 영역을 마스킹하고, 마스킹된 영역을 추출한 마스크 이미지를 생성할 수 있다. 마스크 이미지는 결함 데이터와 동일한 크기를 가지며 결함 데이터에서 추출된 결함이 표시된 바이너리 이미지를 포함할 수 있다.
예를 들어, 마스크 이미지에 결함을 나타낸 픽셀은 최대 밝기(예를 들어 255)로, 이외의 부분은 최소 밝기(예를 들어 0)으로 설정될 수 있을 것이다.
프로세서(180)는 양품 데이터, 결함 데이터 및 마스크 이미지를 메모리(170)에 저장할 수 있다.
본 개시의 실시 예에 따르면, 프로세서(180)는 상기 결함 정보를 이용하여 제1 가상결함 데이터를 생성하는 제1 동작을 수행할 수 있다(S630). 이때 제1 동작은 이미지 조작(image manipulate) 과정을 포함할 수 있다.
제1 동작에 따라 생성된 제1 가상 결함 데이터는 실제 결함 제품의 촬영 영상이 아닌, 결함 데이터에 기초하여 생성된 가상의 결함 제품 이미지일 수 있다.
제1 동작과 관련된 구체적 예시는 도 7에서 설명한다.
도 7은 본 개시의 실시 예에 따른 제1 가상 결함 데이터를 생성하는 과정을 나타낸 도면이다.
도 7을 참고하면, 프로세서(180)는 제1 동작(720)을 통하여 결함 데이터(711)와 마스크 이미지(712)에 기초하여 제1 가상 결함 데이터(731)를 생성할 수 있다.
구체적으로 프로세서(180)는 결함 정보에 포함된 결함의 위치, 크기, 모양 및 개수 중 적어도 하나를 설정함으로써 제1 가상 결함 데이터(731)를 생성할 수 있다.
제1 동작(720)은 제1 가상 결함 데이터를 생성하는 방법으로써, 정해진 패턴에 따라 제1 가상 결함 데이터(731)를 생성하는 메뉴얼 모드(721) 및 임의의 파라미터를 설정하여 제1 가상 결함 데이터(731)를 생성하는 랜덤 트랜스폼 모드(722)를 포함할 수 있다.
일 실시 예에 따르면, 메뉴얼 모드(721)에서 프로세서(180)는 결함 정보에 포함된 정보들을 상기 사용자 입력부로부터 수신할 수 있다. 사용자 입력부로부터 수신된 결함 정보에는 결함의 영역, 크기, 위치 및 개수 중 적어도 하나의 정보가 포함될 수 있다. 프로세서는 수신된 결함 정보에 기초하여 상기 제1 가상결함 데이터(731)를 생성할 수 있다.
또는 프로세서(180)는 미리 정해진 함수 또는 패턴을 이용하여 수신된 결함의 영역, 크기, 위치 및 개수에 따라 제1 가상 결함 데이터(731)를 생성할 수 있다.
한편, 미리 정해진 함수 또는 패턴은 제품의 종류, 결함 데이터의 픽셀 값 분포, 제품의 형태, 스펙, 요구 조건 및 설계 등에 따라 다양하게 설정될 수 있을 것이다.
예를 들어, 결함 데이터와 동일한 해상도를 갖는 제1 영상이 존재하고, 사용자 입력부를 통하여 제1 영역에, 제1 픽셀만큼, 제1 위치에 해당하는 결함 정보가 입력되면, 프로세서(180)는 제1 영상의 제1 영역의, 제1 위치에 제1 픽셀 크기만큼의 결함을 생성할 수 있다.
일 실시 예에 따르면, 랜덤 트랜스폼 모드(722)에서 프로세서(180)는 상기 결함의 영역, 크기, 위치, 개수를 임의로 설정하여 제1 가상결함 데이터(731)를 생성할 수 있다.
예를 들어 프로세서(180)는 결함의 영역, 크기, 위치 및 개수 등 각각을 임의의 파라미터로 설정하고 설정된 파라미터에 따라 제1 가상 결함 데이터(731)를 생성할 수 있다.
이때 임의의 파라미터는 랜덤 변수 생성 알고리즘을 이용하여 생성될 수 있다.
제1 동작(720)에 따라 적어도 하나의 결함의 영역이 설정되고, 결함의 영역 내부에는 적어도 하나의 결함이 적어도 하나의 크기로 적어도 하나의 위치에 각각 존재할 수 있다.
한편, 상기 메뉴얼 모드(721)와 랜덤 트랜스폼 모드(722)를 구분하여 설명하였으나, 결함 정보에 포함된 파라미터들 중 일부는 메뉴얼 모드(721)로, 일부는 랜덤 트랜스폼 모드(722)로 설정하여 제1 가상결함데이터(731)를 생성하는 것 또한 가능할 것이다.
본 개시의 실시 예에 따른 프로세서(180)는, 제1 가상 결함 데이터(731)를 생성한 뒤 제1 가상 결함 데이터(731)를 마스킹하는 방식으로 제1 가상 결함 마스크 이미지(732)를 생성할 수 있다. 제1 가상 결함 마스크 이미지(732)는 제1 가상 결함 데이터(731)와 동일한 크기 또는 해상도를 가지며 결함 데이터에서 추출된 결함을 바이너리 이미지로 나타낸 영상을 포함할 수 있다.
다시 도 6을 설명한다.
프로세서(180)는 제1 가상 결함 데이터와 양품 데이터를 합성하여 제2 가상 결함 데이터를 생성하는 제2 동작을 수행할 수 있다(S640).
구체적으로 제2 가상 결함 데이터는 제1 가상 결함 데이터와 양품 데이터 및 제1 가상 마스크 이미지가 합성되고, 보다 자연스러운 가상 결함 데이터를 생성하기 위하여 블렌딩된 이미지를 의미할 수 있다.
이하 제2 동작을 도 8에서 설명한다.
도 8은 본 개시의 실시 예에 따른 제2 가상 결함 데이터를 생성하는 과정을 나타낸 도면이다.
도 8을 참고하면, 프로세서(180)는 제2 동작(820)에서 제1 가상 결함 데이터(811)와 양품 데이터(813)를 합성하여 제2 가상 결함 데이터(831)를 생성할 수 있다.
구체적으로 프로세서(180)는 제1 가상 결함 데이터(811)와 양품 데이터(813) 및 제1 가상 결함 마스크(812)를 합성 알고리즘(821)에 입력하여 합성 이미지를 생성할 수 있다.
프로세서(180)는 합성된 이미지를 이미지 블렌딩(822)에 하여 제2 가상 결함 데이터를 생성할 수 있다.
더욱 구체적으로, 합성 알고리즘(821)에 따라 프로세서(180)는 제1 가상 결함 마스크 이미지(812)의 결함 영역에 포함된 결함과 양품 데이터(813)를 합성하여 제1 합성 이미지를 생성하고, 제1 가상 결함 마스크 이미지(812)의 결함 영역에 포함된 결함 이외의 부분은 제1 가상 결함 데이터(811)와 합성하여 제2 합성 이미지를 생성할 수 있다.
프로세서(180)는 제1 합성 이미지와 제2 합성 이미지를 합성하고, 합성된 영상의 바운더리를 자연스럽게 처리하기 위한 블렌딩(image blending)을 수행하여 제2 가상 결함 데이터(831)를 생성할 수 있다.
블렌딩은 합성 영상의 아티펙트(artifact)와 같은 바운더리를 주변 픽셀의 값에 기초하여 스무딩(smoothing)시키는 동작을 의미할 수 있다. 이때 블렌딩 알고리즘은 멀티 밴드 블렌딩, 라플라시안 블렌딩, 푸아송 블랜딩 등이 사용될 수 있다.
프로세서(180)는 합성된 영상을 블렌딩 함으로써 실제 결함 데이터에 조금 더 가까운 제2 가상 결함 데이터(831)를 획득할 수 있을 것이다.
한편, 상기 설명한 합성(synthesis)는 영상처리에서 사용되는 이미지 각각의 픽셀 곱을 의미할 수 있으며, 이미지 보간(image interpolation), 변형(transform) 알고리즘 등 영상처리에서 사용되는 픽셀의 다양한 처리방법에 따라 합성되는 이미지 각각의 특징(feature)이 반영되어 하나의 이미지를 생성하는 것으로 이해될 수 있을 것이다.
다시 도 6을 설명한다.
프로세서(180)는 제2 가상 결함 데이터(831)를 생성한 이후, 상기 제2 가상결함 데이터(831)를 인공 지능 모델에 입력하여 상기 최종 가상결함 데이터를 생성하는 제3 동작을 수행할 수 있다(S650).
구체적으로 제3 동작은 제2 가상 결함 데이터(831)를 인공지능 모델을 이용하여 이미지 조화(image harmonization)를 수행하고 최종 가상결함 데이터(934)를 생성하는 것을 의미할 수 있다.
이때, 최종 가상결함 데이터는 제2 가상결함 데이터보다 아티펙트 바운더리(artifact boundary)가 자연스럽게 처리된 영상을 의미할 수 있다.
제3 동작에 대한 구체적인 설명은 이하 도 9에서 설명한다.
도 9는 본 개시의 실시 예에 따른 최종 가상 결함 데이터를 생성하는 과정을 나타낸 도면이다.
본 개시의 실시 예에 따른 인공 지능 모델은 생성 모델(Generative model)과 분류 모델(Discriminative model)을 포함하는 GAN 모델(Generative Adversarial network, GAN)을 포함할 수 있다.
이때, 생성모델(예를 들어, 913,923,933)은 상기 양품 데이터, 상기 결함데이터 및 상기 결함정보에 기초한 최종 가상 결함 데이터(934)를 생성하는 모델을 포함할 수 있다.
분류 모델은, 입력 이미지가 실제 데이터인지 가상 결함 데이터인지 판별하는 모델을 포함할 수 있다.
분류 모델과 관련하여서는 이하 도 10 및 도 11에서 자세히 설명하도록 한다.
또한, GAN 모델(generative Adversarial Network, GAN)의 학습 방법에 관해서는 이하 도 10 내지 11에서 구체적으로 설명하고, 도 9에서는 생성 모델의 사용에 따라 최종 가상 결함 데이터가 생성되는 과정을 설명한다.
도 9를 참고하면, 실시 예에 따라 이미지 조화(Image harmonization)시 GAN 모델은 단일 또는 복수개의 스테이지의 GAN 모델을 포함할 수 있다.
구체적으로, 본 개시의 실시 예에 따라, 이미지 조화(Image harmonization)시 GAN 모델은 복수개의 스테이지의 GAN 모델(예를 들어, 913,923,933 등)을 포함할 수 있다.
복수개의 스테이지 각각은 제2 가상 결함 데이터(911,921,931)에 기초한 영상이 입력되면 제2 가상 결함 데이터보다 높은 품질을 갖는 영상을 출력하도록 학습된 생성모델을 포함할 수 있다.
이때, 높은 품질이라 함은 영상의 바운더리, 아티펙트가 블렌딩되어 실제 공정에서 얻는 결함 데이터와의 유사도가 높은 영상을 의미할 수 있다.
구체적으로 GAN 모델에 포함된 복수개의 스테이지의 각각은 서로 연결될 수 있으며, 각 스테이지에서 다음 스테이지로 입력되기 위한 스케일 팩터(S)가 존재할 수 있다.
스케일 팩터(S)는 복수개의 스테이지를 통과할 때 마다 이전 스테이지에서 다음 스테이지로 이동할 때 입력되는 영상의 크기를 조절하는 파라미터를 의미할 수 있다.
예를 들어, 제1 스테이지에서 입력된 제1 영상은 제1 스테이지의 생성 모델이 출력한 결과에 따라 고품질로 변환되고, 고품질로 변환된 제1 영상은 다음 스테이지인 제2 스테이지의 생성 모델로 입력되기 위하여 스케일 팩터만큼 크기 또는 해상도가 증가된 제2 영상으로 변환(transform)될 수 있다.
구체적으로 변환(transform)은 스케일링을 포함할 수 있다. 즉, 제1 영상은 제2 영상보다 스케일 팩터만큼 가로와 세로 폭이 스케일링(scaling)된 이미지일 수 있다.
본 개시의 실시 예에 따르면, 복수개의 스테이지를 모두 통화하여 최종 생성된 영상은 최종 가상결함 데이터일 수 있다.
복수개의 스테이지를 통과한 최종 가상 결함 데이터의 크기는 제2 가상 결함 데이터와 동일할 수 있다.
프로세서(180)는 최종 가상 결함 데이터의 크기를 조절하기 위하여, S650을 수행하기 이전, 제2 가상 결함 데이터를 '복수개의 스테이지 개수(N) - 1'번 만큼 축소하는 스케일링을 수행한 뒤 S650 을 수행하는 것이 바람직 할 것이다.
즉, 실시 예에 따르면 프로세서(180)는 복수개의 스테이지의 개수를 조절하거나, 복수개의 스테이지 중 제2 가상 결함 데이터가 최초로 입력되는 스테이지를 설정함으로써, 생성 모델이 학습한 결함 데이터의 패턴과의 유사도를 조절할 수 있을 것이다.
다시 말해 복수개의 스테이지의 개수는 이미지 조화(image harmonization)의 정도를 포함할 수 있다. 구체적인 실시 예에 따르면 복수개의 스테이지 중 낮은 스테이지에서 제2 가상 결함 데이터(911)가 입력될수록 최종 가상 결함 데이터에서 생성된 결함 영역이, 생성 모델의 학습 데이터 세트에서 학습한 패턴과 더 유사하게 나타날 수 있다.
반면, 복수개의 스테이지 중 높은 스테이지에서 제2 가상 결함 데이터가 최초로 입력되면, 최종 가상 결함 데이터에서 생성된 결함 영역이, 생성 모델의 학습 데이터 세트에서 학습한 패턴과 덜 유사하게 나타날 수 있다.
따라서, 사용자는 영상 처리 장치를 사용하기 위한 비용, 시간, 성능 등을 종합적으로 고려하여, 복수개의 스테이지 중 시작 스테이지 또는 복수개의 스테이지 개수를 설계하는 것이 바람직할 것이다.
이하 구체적인 예시에 따른 도 9에 따른 최종 가상 결함 데이터를 획득하는 방법은 아래와 같다.
본 개시의 실시 예에 따르면, 프로세서(180)는 제2 가상 결함 데이터(911)를 생성한 이후 제2 가상 결함 데이터(911)를 제1 생성 모델(913)에 입력하여 제1 최종 가상 결함 데이터(914)를 생성할 수 있다.
이때 제1 최종 가상결함 데이터(914)는 제2 가상 결함 데이터(911)보다 블렌딩(blending)된 영상일 수 있다.
제1 최종 가상 결함 데이터(914)는 제2 가상 결함 데이터(911)보다 블렌딩 됨으로써 최종 가상결함 데이터는 실제 결함 데이터와 유사한 높은 품질을 가질 수 있다.
프로세서(180)는 제1 최종 가상 결함 데이터(914)를 스케일 팩터(S)만큼 크기를 증가시키고, 스케일링 된 제1 최종 가상 결함 데이터(914)를 제2 생성 모델(923)에 입력할 수 있다.
제2 생성 모델(923)은 제1 최종 가상 결함 데이터(914)보다 블렌딩 된 제2 최종 가상 결함 데이터(924)를 생성할 수 있다.
본 개시의 실시 예에 따르면, N 개의 스테이지를 마다 상기 과정이 반복적으로 수행될 수 있다.
프로세서(180)는 N 번째 스테이지(933)에서, 스케일된 제N 최종 가상 결함 데이터(931)를 제 N 생성모델(933)에 입력하여 최종 가상 결함 데이터(934)를 생성할 수 있다.
본 개시에 따르면, 제2 가상 결함 데이터를 N번 스케일팩터(S) 만큼 스케일링하여 제1 스테이지에 입력하므로, 최종 획득되는 최종 가상 결함 데이터 (934)는 양품 데이터, 제1 가상 결함 데이터 및 제2 가상 결함 데이터와 동일한 크기를 가질 수 있을 것이다.
생성 모델은 실제 결함 데이터와 유사한 영상을 출력하도록 미리 학습된 모델이므로, 상기 과정으로 생성된 최종 가상 결함 데이터는 상기 제2 가상 결함 데이터보다 결함 데이터와 높은 유사도를 가질 수 있다.
한편, 본 개시의 실시 예에 따라 이미지 조화(image harmonization)시 GAN 모델은 단일 스테이지의 GAN 모델을 사용하는 것 또한 가능하다.
구체적으로 단일 스테이지의 GAN 모델은 N개의 스테이지를 갖는 GAN 모델에서 N이 1인 모델을 의미할 수 있다.
예를 들어, 단일 스테이지에서 생성 모델에 제2 가상 결함 데이터에 기초한 영상이 입력되면, 제2 가상 결함 데이터보다 높은 품질을 갖는 최종 가상 결함 데이터를 출력할 수 있다.
이때, 높은 품질이라 함은 영상의 바운더리, 아티펙트가 블렌딩되어 실제 공정에서 얻는 결함 데이터와의 유사도가 높은 영상을 의미할 수 있다.
한편, 본 개시의 실시 예에서 단일 스테이지의 GAN 모델과 복수 스테이지의 GAN 모델을 설명하였으나, 일반적으로 단일 스테이지보다 복수 스테이지의 GAN 모델이 더 높은 품질의 영상을 생성할 수 있으므로, 최종 가상 결함 데이터 생성 시, 복수 스테이지의 GAN 모델을 사용하는 것이 바람직 할 것이다.
또한 도 9를 참고하면 각 단계마다 노이즈(z, 912,922,932)가 각 스테이지의 입력값과 합성되어 생성 모델의 입력 값으로 사용되는 것 또한 가능할 것이다.
다시 도 6을 설명한다.
프로세서(180)는 최종 가상 결함 데이터를 이용하여 비전 검사 장치(500)를 학습시킬 수 있다(S660).
최종 가상 결함 데이터는 가상으로 생성된 결함 데이터를 의미할 수 있다.
구체적으로 본 개시의 실시 예에 따른 영상 처리 장치(100)가 최종 가상결함 데이터를 생성하면, 프로세서(180)는 최종 가상결함 데이터를 이용하여 비전 검사 장치(500)를 학습시킬 수 있다
영상 처리 장치(100)의 프로세서(180)는 비전 검사에 사용되는 딥러닝 모델에 영상이 입력되면 해당 영상이 양품 데이터인지 결함 데이터인지 판단하는 딥러닝 모델의 학습을 지원할 수 있다.
예를 들어, 최종 가상 결함 데이터는 학습 시 입력되는 영상 데이터로 사용될 수 있을 것이다.
본 개시의 실시 예에 따르면 비전 검사 장치(500)의 딥러닝 모델은 외부 장치 또는 서버(200)로부터 제공된 데이터를 이용하여 학습될 수 있다.
또는 비전 검사 장치(500)는 최종 가상 결함 데이터를 포함한 학습 데이터를 수신하고 비전 검사 장치의 프로세서의 동작을 통해서 딥러닝 모델을 학습시키는 것도 가능할 것이다.
학습된 딥러닝 모델을 탑재한 비전 검사 장치(500)는 생산 공정 시 제품의 양품 또는 결함여부를 판단할 수 있다.
도 10은 본 개시의 실시 예에 따른, 인공 지능 모델을 학습시키는 과정을 나타낸 순서도이다.
본 개시의 실시 예에 따르면 영상 처리 장치(100)의 프로세서(180)는 학습 시, 생성 모델 학습에 사용할 학습용 양품 데이터와 학습용 결함 데이터를 수집할 수 있다(S1010).
이때 학습용 양품 데이터와 학습용 결함 데이터는 실제 공정 과정에서 획득된 영상 데이터를 포함할 수 있으며, 외부 장치로부터 인위적으로 영상 처리 장치의 인공 지능 모델을 학습시키기 위하여 생성된 영상 데이터일 수 있다.
본 개시의 프로세서(180)는 학습용 결함 데이터를 미리 정해진 패턴 또는 임의의 패턴에 따라 이미지 열화(image degradation)시킬 수 있다(S1020).
본 개시의 프로세서는 열화된 학습용 결함 데이터를 이용하여 GAN 모델을 학습시킬 수 있다(S1030).
이하 도 11을 참고하여 GAN 모델의 구체적인 학습 과정을 설명한다.
도 11은 본 개시의 실시 예에 따른, 인공 지능 모델의 학습 과정을 나타낸 도면이다.
본 개시의 인공 지능 모델은 GAN 모델을 포함할 수 있으며, GAN 모델은 생성 모델(1100)과 분류 모델(1200)을 포함할 수 있다.
이때, 생성 모델(1100)은 입력 이미지로부터 출력 이미지를 생성하도록 트레이닝된 모델을 의미할 수 있다.
분류 모델(1200)은 출력 이미지의 진위 여부에 관한 정보를 출력하도록 트레이닝된 모델을 의미할 수 있다.
구체적으로 생성 모델(1100), 분류 모델(1200) 각각은 상술한 뉴럴 네트워크로 구성될 수 있으나, 이로 한정하는 것은 아니다.
일 실시예에 따른 생성 모델(1100)은, 분류 모델(1200)을 이용하여 상호 보완적으로 트레이닝될 수 있다.
본 개시의 프로세서(180)는 트레이닝이 완료된 생성 모델(1100)을 이용하여, 결함 데이터가 입력되면 학습된 데이터베이스에 기초하여 가상 결함 데이터를 생성할 수 있다.
도 11을 참고하면, 생성모델(1100)은 열화된 결함 데이터(1101)와 노이즈(z, 1102)가 입력되면 최종 가상결함 데이터(1103)를 생성하도록, 다수의 학습 데이터에 의해 학습된(trained) 신경망일 수 있다.
일 실시예에 따르면, 생성 모델(1100)과 분류 모델(1200)은 열화된 결함 데이터(1101), 결함 데이터(1104), 최종 가상결함 데이터(1103) 및 분류 모델(1200)의 진위 여부 결과 값(1201) 및 복원손실(1202) 중 적어도 하나 또는 이들의 조합을 학습데이터로 이용하여 학습될 수 있다.
분류 모델(1200)의 출력은 진위 여부(1202)를 포함할 수 있다. 이때 진위 여부 정보는 양품 또는 결함 데이터 여부일 수 있다.
예를 들어 진위 정보는 이미지가 실제 객체를 나타내는지 여부를 지시하는 확률로서, 0이면 가상 데이터이고 1이면 실제 데이터인 것을 나타낼 수 있다.
분류 모델(1200)은 생성된 영상이 실제 영상 데이터 인지 여부(즉, 진위여부)를 판별할 때, 목표 비율만큼 실제 영상으로 분류되도록 학습될 수 있다.
예를 들면, 분류모델(1200)은 실제 진위 여부 결과값(1201)의 정답 비율이 특정값에 수렴할 때까지 학습될 수 있다. 분류모델(1200)의 학습은 진위여부 결과값(1201)이 정답으로 나오는 비율이 목표 비율에 수렴하면 종료될 수 있다.
학습과정에서, 생성 모델(1100)과 분류 모델(1200)의 학습에는 복원 손실(reconstruction loss, 1202) 이 사용될 수 있다.
복원 손실(1202)은 생성 모델(1100)에 의해 입력 이미지로부터 생성된 출력 이미지 및 해당 입력 이미지에 대한 정답 이미지 간의 오차를 나타낼 수 있다.
정답 이미지는 입력 이미지가 열화되기 전의 결함 데이터 이미지(1104)일 수 있다.
프로세서(180)는 복원 손실(1202)이 최소화되도록 생성 모델(1100)의 파라미터를 업데이트할 수 있다. 또한, 프로세서(180)는 진위 여부(1202)에 대한 오차가 미리 정해진 값에 수렴할 때까지 생성 모델(320)의 파라미터를 업데이트할 수 있다.
한편 본 개시의 실시 예에 따르면, 복수개로 구성된 GAN 모델의 훈련은 각 스테이지에 대한 별도의 학습으로 이루어질 수 있다.
예를 들어, 스케일 팩터가 S이고, 복수개의 스테이지 중 특정 스테이지(I)에서 GAN 모델을 훈련하기 위해 가장 높은 해상도가 너비(W) x 높이(H)이면, 프로세서는 N 스테이지에서 해상도가 스케일팩터(S)의 'N-1'번 만큼 축소된 해상도를 갖는 이미지를 학습 데이터로 사용할 수 있다.
상기 학습 과정을 통하여 생성모델(1100)과 분류 모델(1200)은 학습될 수 있으며, 학습이 완료된 이후, 프로세서(180)는 도 6에 나타난 바와 같이 결함 데이터에 기초하여 최종 가상 결함 데이터를 생성할 수 있을 것이다.
생성된 최종 가상 결함 데이터는 비전 검사 장치(500)의 딥러닝 모델의 학습 데이터로 사용될 수 있을 것이다.
전술한 본 개시는, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 단말기의 프로세서(180)를 포함할 수도 있다.

Claims (20)

  1. 적어도 하나의 양품 데이터 및 적어도 하나의 결함 데이터를 획득하는 데이터 획득부; 및
    상기 결함 데이터로부터 결함 정보를 추출하고, 인공 지능 모델을 이용하여 상기 양품 데이터, 상기 결함데이터 및 상기 결함정보에 기초한 최종 가상 결함 데이터를 생성하는 프로세서를 포함하는,
    영상 처리 장치.
  2. 제 1항에 있어서,
    상기 결함정보는, 결함의 영역, 위치, 크기, 모양 및 개수 중 적어도 하나를 포함하고,
    상기 프로세서는
    상기 결함 정보를 이용하여 제1 가상결함 데이터를 생성하는 제1 동작을 수행하는,
    영상 처리 장치.
  3. 제2 항에 있어서,
    상기 프로세서는
    상기 제1 가상결함 데이터와 상기 양품 데이터를 합성하여 제2 가상결함 데이터를 생성하는 제2 동작을 수행하는,
    영상 처리 장치.
  4. 제 3항에 있어서,
    상기 프로세서는
    상기 제2 가상결함 데이터를 인공 지능 모델에 입력하여 상기 최종 가상결함 데이터를 생성하는 제3 동작을 수행하는,
    영상 처리 장치.
  5. 제 2항에 있어서
    사용자 입력부를 더 포함하고,
    상기 프로세서는, 상기 사용자 입력부로부터 수신된 결함의 영역, 크기 위치 개수에 기초하여 상기 제1 가상결함 데이터를 생성하는,
    영상 처리 장치.
  6. 제 2항에 있어서
    상기 프로세서는 상기 결함의 영역, 크기, 위치, 개수를 임의로 설정하여 제1 가상결함 데이터를 생성하는,
    영상 처리 장치.
  7. 제 4항에 있어서
    상기 인공 지능 모델은, 생성 모델(generative model)과 분류 모델(discriminative model)을 포함하는 GAN 모델을 포함하고,
    상기 프로세서는,
    상기 제2 가상결함 데이터를 상기 생성 모델에 입력하여 상기 최종 가상결함데이터를 생성하고,
    상기 최종 가상결함 데이터는 상기 제2 가상 결함 데이터보다 블렌딩된,
    영상 처리 장치.
  8. 제 7항에 있어서
    상기 생성 모델은 결과값이 다음 스테이지의 입력값이 되는 복수개의 스테이지를 포함하고,
    상기 프로세서는,
    상기 제2 가상 결함 데이터를 상기 복수개의 스테이지의 개수에 기초하여 스케일링하고, 스케일링된 제2 가상 결함 데이터를 상기 복수개의 스테이지에 입력하여 최종 가상결함데이터를 생성하고,
    상기 최종 가상결함 데이터는 상기 제2 가상 결함 데이터보다 결함 데이터와 높은 유사도를 갖는,
    영상 처리 장치.
  9. 제 1항에 있어서
    상기 인공 지능 모델은, 생성 모델(generative model)과 분류 모델(discriminative model)을 포함하는 GAN 모델을 포함하고,
    상기 생성모델은,
    상기 양품 데이터, 상기 결함데이터 및 상기 결함정보에 기초한 최종 가상 결함 데이터를 생성하고,
    상기 분류 모델은, 입력 이미지가 실제 데이터인지 가상 결함 데이터인지 판별하는,
    영상 처리 장치.
  10. 제 9항에 있어서,
    상기 생성 모델은,
    상기 결함 데이터 및 상기 결함 데이터에 기초한 열화 데이터를 상기 분류 모델에 입력하여, 상기 분류 모델의 복원 손실이 최소화되도록 트레이닝된,
    영상 처리 장치.
  11. 제 9항에 있어서,
    상기 분류 모델은
    상기 입력 이미지가 실제 데이터인지 가상 결함 데이터인지 판별하여 진위 정보를 출력하고, 상기 진위 정보의 오차가 최소화되도록 트레이닝된,
    영상 처리 장치.
  12. 적어도 하나의 양품 데이터 및 적어도 하나의 결함 데이터를 획득하는 단계;
    상기 결함 데이터로부터 결함 정보를 추출하고, 인공 지능 모델을 이용하여 상기 양품 데이터, 상기 결함데이터 및 상기 결함정보에 기초한 최종 가상 결함 데이터를 생성하는 단계를 포함하는,
    영상 처리 장치의 동작 방법.
  13. 제 12항에 있어서
    상기 결함정보는, 결함의 영역, 위치, 크기, 모양 및 개수 중 적어도 하나를 포함하고
    상기 결함 데이터로부터 결함 정보를 추출하고, 인공 지능 모델을 이용하여 상기 양품 데이터, 상기 결함데이터 및 상기 결함정보에 기초한 최종 가상 결함 데이터를 생성하는 단계는,
    상기 결함 정보를 이용하여 제1 가상결함 데이터를 생성하는 제1 동작을 포함하는,
    영상 처리 장치의 동작 방법.
  14. 제 13항에 있어서
    상기 결함 데이터로부터 결함 정보를 추출하고, 인공 지능 모델을 이용하여 상기 양품 데이터, 상기 결함데이터 및 상기 결함정보에 기초한 최종 가상 결함 데이터를 생성하는 단계는,
    상기 제1 가상결함 데이터와 상기 양품 데이터를 합성하여 제2 가상결함 데이터를 생성하는 제2 동작을 수행하는 단계를 더 포함하는,
    영상 처리 장치의 동작 방법.
  15. 제 14항에 있어서
    상기 결함 데이터로부터 결함 정보를 추출하고, 인공 지능 모델을 이용하여 상기 양품 데이터, 상기 결함데이터 및 상기 결함정보에 기초한 최종 가상 결함 데이터를 생성하는 단계는,
    상기 제2 가상결함 데이터를 인공 지능 모델에 입력하여 상기 최종 가상결함 데이터를 생성하는 제3 동작을 수행하는 단계를 더 포함하는,
    영상 처리 장치의 동작 방법.
  16. 제 15항에 있어서
    제3 동작을 수행하는 단계는,
    상기 제2 가상결함 데이터를 생성 모델에 입력하여 최종 가상결함데이터를 생성하는 단계를 포함하고,
    상기 최종 가상결함 데이터는 상기 제2 가상 결함 데이터보다 블렌딩된,
    영상 처리 장치의 동작 방법.
  17. 제 16항에 있어서
    상기 제2 가상결함 데이터를 생성 모델에 입력하여 최종 가상결함데이터를 생성하는 단계는,
    상기 제2 가상 결함 데이터를 상기 복수개의 스테이지의 개수에 기초하여 스케일링하고, 스케일링된 제2 가상 결함 데이터를 상기 복수개의 스테이지에 입력하여 최종 가상결함데이터를 생성하는 단계를 포함하는,
    영상 처리 장치의 동작 방법.
  18. 제 12항에 있어서,
    상기 인공 지능 모델은, 생성 모델(generative model)과 분류 모델(discriminative model)을 포함하는 GAN 모델을 포함하고,
    상기 생성모델은, 상기 양품 데이터, 상기 결함데이터 및 상기 결함정보에 기초한 최종 가상 결함 데이터를 생성하고,
    상기 분류 모델은, 입력 이미지가 실제 데이터인지 가상 결함 데이터인지 판별하는,
    영상 처리 장치의 동작 방법.
  19. 제 18항에 있어서,
    상기 생성 모델은,
    상기 결함 데이터 및 상기 결함 데이터에 기초한 열화 데이터를 상기 분류 모델에 입력하여, 상기 분류 모델의 복원 손실이 최소화되도록 트레이닝된,
    영상 처리 장치.
  20. 제 18항에 있어서,
    상기 분류 모델은
    상기 입력 이미지가 실제 데이터인지 가상 결함 데이터인지 판별하여 진위 정보를 출력하고, 상기 진위 정보의 오차가 최소화되도록 트레이닝된,
    영상 처리 장치.
PCT/KR2020/013978 2020-10-14 2020-10-14 학습 데이터를 생성하는 인공 지능 장치 및 방법 WO2022080517A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020227037172A KR20220162728A (ko) 2020-10-14 2020-10-14 학습 데이터를 생성하는 인공 지능 장치 및 방법
US17/923,068 US20230169634A1 (en) 2020-10-14 2020-10-14 Artificial intelligence device and method for generating training data
PCT/KR2020/013978 WO2022080517A1 (ko) 2020-10-14 2020-10-14 학습 데이터를 생성하는 인공 지능 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2020/013978 WO2022080517A1 (ko) 2020-10-14 2020-10-14 학습 데이터를 생성하는 인공 지능 장치 및 방법

Publications (1)

Publication Number Publication Date
WO2022080517A1 true WO2022080517A1 (ko) 2022-04-21

Family

ID=81209288

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/013978 WO2022080517A1 (ko) 2020-10-14 2020-10-14 학습 데이터를 생성하는 인공 지능 장치 및 방법

Country Status (3)

Country Link
US (1) US20230169634A1 (ko)
KR (1) KR20220162728A (ko)
WO (1) WO2022080517A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115147353A (zh) * 2022-05-25 2022-10-04 腾讯科技（深圳）有限公司 缺陷检测模型的训练方法、装置、设备、介质及程序产品

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200051283A (ko) * 2018-11-05 2020-05-13 삼성전자주식회사 식품 관리 시스템, 서버 장치 및 냉장고

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170044933A (ko) * 2015-10-16 2017-04-26 라온피플 주식회사 머신 비전 검사를 위한 가상 테스트 이미지 생성 방법 및 장치, 머신 비전 검사 시뮬레이션 방법 및 장치, 및 머신 비전 테스트 시스템
US20180307947A1 (en) * 2017-04-25 2018-10-25 Nec Laboratories America, Inc. Cyclic generative adversarial network for unsupervised cross-domain image generation
KR20180120478A (ko) * 2017-04-27 2018-11-06 에스케이텔레콤 주식회사 생성적 대립 네트워크에 기반한 도메인 간 관계를 학습하는 방법
KR102022496B1 (ko) * 2019-02-28 2019-09-18 (주)아이프리즘 비전 이미지 검출을 이용한 공정 관리 및 모니터링 시스템 및 그 방법
KR20200052453A (ko) * 2018-10-31 2020-05-15 삼성에스디에스 주식회사 딥러닝 모델 학습 장치 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170044933A (ko) * 2015-10-16 2017-04-26 라온피플 주식회사 머신 비전 검사를 위한 가상 테스트 이미지 생성 방법 및 장치, 머신 비전 검사 시뮬레이션 방법 및 장치, 및 머신 비전 테스트 시스템
US20180307947A1 (en) * 2017-04-25 2018-10-25 Nec Laboratories America, Inc. Cyclic generative adversarial network for unsupervised cross-domain image generation
KR20180120478A (ko) * 2017-04-27 2018-11-06 에스케이텔레콤 주식회사 생성적 대립 네트워크에 기반한 도메인 간 관계를 학습하는 방법
KR20200052453A (ko) * 2018-10-31 2020-05-15 삼성에스디에스 주식회사 딥러닝 모델 학습 장치 및 방법
KR102022496B1 (ko) * 2019-02-28 2019-09-18 (주)아이프리즘 비전 이미지 검출을 이용한 공정 관리 및 모니터링 시스템 및 그 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115147353A (zh) * 2022-05-25 2022-10-04 腾讯科技（深圳）有限公司 缺陷检测模型的训练方法、装置、设备、介质及程序产品

Also Published As

Publication number Publication date
US20230169634A1 (en) 2023-06-01
KR20220162728A (ko) 2022-12-08

Similar Documents

Publication Publication Date Title
WO2021006366A1 (ko) 디스플레이 패널의 색상을 조정하는 인공 지능 장치 및 그 방법
WO2019132518A1 (en) Image acquisition device and method of controlling the same
WO2018128362A1 (en) Electronic apparatus and method of operating the same
WO2021006404A1 (ko) 인공지능 서버
WO2021029457A1 (ko) 사용자에게 정보를 제공하는 인공 지능 서버 및 그 방법
EP3545436A1 (en) Electronic apparatus and method of operating the same
WO2020262721A1 (ko) 인공 지능을 이용하여, 복수의 로봇들을 제어하는 관제 시스템
WO2019027141A1 (en) ELECTRONIC DEVICE AND METHOD FOR CONTROLLING THE OPERATION OF A VEHICLE
WO2020246647A1 (ko) 인공 지능 시스템의 동작을 관리하는 인공 지능 장치 및 그 방법
WO2021025217A1 (ko) 인공지능 서버
WO2020251074A1 (ko) 음성 인식 기능을 제공하는 인공 지능 로봇 및 그의 동작 방법
EP3669181A1 (en) Vision inspection management method and vision inspection system
WO2021172642A1 (ko) 장치 간 연동에 기초한 장치 제어 기능을 제공하는 인공 지능 장치 및 그 방법
WO2020241920A1 (ko) 장치 정보에 기반하여, 다른 장치를 제어할 수 있는 인공 지능 장치
WO2019135621A1 (ko) 영상 재생 장치 및 그의 제어 방법
WO2020246640A1 (ko) 사용자의 위치를 결정하는 인공 지능 장치 및 그 방법
WO2021206221A1 (en) Artificial intelligence apparatus using a plurality of output layers and method for same
WO2022080517A1 (ko) 학습 데이터를 생성하는 인공 지능 장치 및 방법
WO2020145625A1 (ko) 인공 지능 장치 및 그의 동작 방법
WO2021215547A1 (ko) 스마트 홈 장치 및 방법
WO2020256169A1 (ko) 인공 지능을 이용하여, 안내 서비스를 제공하는 로봇 및 그의 동작 방법
WO2020251096A1 (ko) 인공 지능 로봇 및 그의 동작 방법
WO2021006363A1 (ko) 인공 지능을 이용하여, 안내 서비스를 제공하는 로봇 및 그의 동작 방법
WO2021040105A1 (ko) 개체명 테이블을 생성하는 인공 지능 장치 및 그 방법
WO2020251102A1 (ko) 사용자의 동선에 기초한 서비스를 제공하는 인공 지능 장치 및 그 방법

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: 20957762

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 20227037172

Country of ref document: KR

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20957762

Country of ref document: EP

Kind code of ref document: A1