WO2023167498A1 - 배터리 불량 검출 장치, 방법 및 시스템 - Google Patents

배터리 불량 검출 장치, 방법 및 시스템 Download PDF

Info

Publication number
WO2023167498A1
WO2023167498A1 PCT/KR2023/002839 KR2023002839W WO2023167498A1 WO 2023167498 A1 WO2023167498 A1 WO 2023167498A1 KR 2023002839 W KR2023002839 W KR 2023002839W WO 2023167498 A1 WO2023167498 A1 WO 2023167498A1
Authority
WO
WIPO (PCT)
Prior art keywords
target product
image
data
detection device
artificial intelligence
Prior art date
Application number
PCT/KR2023/002839
Other languages
English (en)
French (fr)
Inventor
노태진
이은규
김정한
Original Assignee
주식회사 엘지에너지솔루션
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 엘지에너지솔루션 filed Critical 주식회사 엘지에너지솔루션
Priority to CN202380020012.8A priority Critical patent/CN118613716A/zh
Publication of WO2023167498A1 publication Critical patent/WO2023167498A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M50/00—Constructional details or processes of manufacture of the non-active parts of electrochemical cells other than fuel cells, e.g. hybrid cells
    • H01M50/10—Primary casings; Jackets or wrappings
    • H01M50/102—Primary casings; Jackets or wrappings characterised by their shape or physical structure
    • H01M50/105—Pouches or flexible bags
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Definitions

  • the present invention claims the benefit of priority based on Korean Patent Application No. 10-2022-0027072 filed on March 2, 2022, and includes all contents disclosed in the literature of the Korean patent application as part of this specification.
  • Embodiments disclosed in this document relate to an apparatus, method, and system for detecting a battery failure.
  • the battery pouch has poor appearance (e.g., pressed corners, dents, scratches, wrinkles, electrolyte contamination, etc.) may occur. Since defects in appearance of the pouch may affect reliability and/or safety of the battery, it is important to detect defects in the battery (eg, pouch) before the battery is distributed.
  • Appearance inspection which is generally used to detect defects in the appearance of batteries (e.g., pouches), collects and learns images of each type of good and defective products, and determines whether or not there are defects in the appearance of batteries that have gone through manufacturing and assembly processes. Inspect. However, when a defect of a new type rather than the previously learned type occurs, the corresponding battery may be determined as a good product. In addition, in the pouch manufacturing and assembly process, since the occurrence rate of new types of defects is low, it is difficult to collect suitable defective product images for learning by the visual inspection machine.
  • batteries e.g., pouches
  • an object of the present invention is to prevent leakage of defects by supplementing detection uncertainty of a new defect type.
  • Other objects and advantages of the present invention can be understood from the following description, and will be more clearly understood by the examples of the present invention. Furthermore, it will be readily apparent that the objects and advantages of the present invention may be realized by means of the instrumentalities and combinations thereof set forth in the claims.
  • An apparatus for detecting a battery failure includes a communication module, a processor, and a memory for storing a first artificial intelligence model and a second artificial intelligence model and instructions, wherein the instructions are stored by the processor.
  • the device for detecting a defective battery obtains an image of the target product using the communication module, inputs the image of the target product to the first artificial intelligence model, classifies the target product, and classifies the target product.
  • the image of the target product is input to the second artificial intelligence model, and the image of the target product is used to classify the target product as normal among training data of the first artificial intelligence model. It may be configured to determine whether it can correspond to the first data.
  • the battery failure detection device when the instructions are executed by the processor, the battery failure detection device may be configured to reclassify the target product as defective when the image does not correspond to the first data.
  • the battery failure detection device converts the image into second data for classifying the target product as defective when the image does not correspond to the first data. It can be configured to determine.
  • the device for detecting a defective battery may be configured to learn the first artificial intelligence model based on the second data.
  • the image of the target product may be acquired in multiple channels by an image acquisition device.
  • the device for detecting a defective battery when the instructions are executed by the processor, obtains a degree of similarity between the image and the first data through the second artificial intelligence model, and based on the degree of similarity, the battery failure detection device obtains a degree of similarity between the image and the first data. It can be configured to reclassify the product as defective or good.
  • the battery defect detection device when the instructions are executed by the processor, when the similarity of the image is less than a preset reference value, the battery defect detection device converts the image into second data for classifying the target product as defective. It can be configured to judge.
  • the device for detecting a defective battery may be configured to learn the first artificial intelligence model based on the second data.
  • a battery defect detection method includes an operation of acquiring an image of a target product, an operation of classifying the target product by inputting the image of the target product to the first artificial intelligence model, and if the target product is classified as normal, the image of the target product is input to the second artificial intelligence model, so that the image of the target product determines the target product as normal among training data of the first artificial intelligence model. It may include an operation of determining whether it can correspond to the first data to be classified as.
  • the battery defect detection method may further include reclassifying the target product as defective when the image does not correspond to the first data.
  • the battery defect detection method may further include determining the image as second data for classifying the target product as defective when the image does not correspond to the first data.
  • the battery failure detection method may further include an operation of learning the first artificial intelligence model based on the second data.
  • the image of the target product may be obtained in multiple channels.
  • the method for detecting a defective battery includes obtaining a similarity between the image and the first data through the second artificial intelligence model, and reclassifying the target product as defective or normal based on the similarity. It may further include an operation to do.
  • the battery defect detection method may further include determining the image as second data for classifying the target product as defective when the similarity of the image is less than a predetermined reference value.
  • the battery failure detection method may further include an operation of learning the first artificial intelligence model based on the second data.
  • a battery defect detection system acquires an image of a target product, and uses a first artificial intelligence model learned using the image of the target product and pre-stored learning data to use the target product.
  • Battery defect detection device for classifying; and if the target product is classified as normal, the image of the target product is input to the second artificial intelligence model, so that the image of the target product is the target product among the training data of the first artificial intelligence model. It may include a novel defect detection device that determines whether or not it can correspond to the first data to be classified as normal.
  • the device for detecting defective batteries can detect defective products of a new type that are not included in pre-stored learning data, leakage of defective products can be prevented.
  • An apparatus for detecting a battery defect can increase the accuracy of defect detection by learning images of a new type of defective product.
  • the battery defect detection system can use a new defect detection device together with an existing defect detection device, it is possible to increase the convenience of introducing a new defect detection device.
  • FIG. 1 is a diagram showing an apparatus for detecting a battery failure according to an embodiment disclosed in this document.
  • FIG 2 illustrates an artificial intelligence model according to an embodiment disclosed in this document.
  • 3A is a diagram illustrating first data for classifying a target product as normal among learning data according to an embodiment disclosed in this document.
  • 3B is a diagram illustrating second data for classifying a target product as defective among learning data according to an embodiment disclosed in this document.
  • FIG 4 illustrates an artificial intelligence model according to an embodiment disclosed in this document.
  • FIG. 5 illustrates an artificial intelligence model according to an embodiment disclosed in this document and a process of detecting good and/or defective products among target products using the artificial intelligence model.
  • FIG. 6 is a diagram illustrating images classified as normal by an artificial intelligence model.
  • FIG. 7 is a diagram illustrating a method for detecting a battery failure according to an embodiment disclosed in this document.
  • FIG. 8 is a diagram illustrating a method for detecting a battery failure according to an embodiment disclosed in this document.
  • FIG. 9 is a diagram illustrating a method for detecting a battery failure according to an embodiment disclosed in this document.
  • FIG. 10 is a diagram illustrating a method for detecting a battery failure according to an embodiment disclosed in this document.
  • FIG. 11 is a diagram showing a battery failure detection system according to an embodiment disclosed in this document.
  • connecting means that the component is directly (e.g. wired), wirelessly, or a third component to the other component. means that it can be connected through
  • the method according to various embodiments disclosed in this document may be included and provided in a computer program product.
  • Computer program products may be traded between sellers and buyers as commodities.
  • a computer program product is distributed in the form of a machine-readable storage medium (e.g. compact disc read only memory (CD-ROM)), or distributed online (e.g. via an application store or directly between two user devices). : can be downloaded or uploaded).
  • a machine-readable storage medium e.g. compact disc read only memory (CD-ROM)
  • CD-ROM compact disc read only memory
  • online e.g. via an application store or directly between two user devices.
  • at least part of the computer program product may be temporarily stored or temporarily created in a device-readable storage medium such as a manufacturer's server, an application store server, or a relay server's memory.
  • each component (eg, module or program) of the above-described components may include a single object or a plurality of entities, and some of the plurality of entities may be separately disposed in other components. there is.
  • one or more components or operations among the aforementioned corresponding components may be omitted, or one or more other components or operations may be added.
  • a plurality of components eg modules or programs
  • the integrated component may perform one or more functions of each of the plurality of components identically or similarly to those performed by a corresponding component of the plurality of components prior to the integration. .
  • the actions performed by a module, program, or other component are executed sequentially, in parallel, iteratively, or heuristically, or one or more of the actions are executed in a different order, or omitted. or one or more other actions may be added.
  • FIG. 1 is a diagram showing an apparatus for detecting a battery failure according to an embodiment disclosed in this document.
  • a battery failure detection device 101 may be connected to an image acquisition device 103 and a user terminal 105 by wire and/or wirelessly.
  • the connection between the battery failure detection device 101 and the image acquisition device 103 may be a communication connection through a wired and/or wireless network.
  • the wired network may be based on local area network (LAN) communication, or power line communication.
  • the wireless network may be based on a short-range communication network (eg, Bluetooth, wireless fidelity (WiFi) or infrared data association (IrDA)), or a long-distance communication network (cellular network, 4G network, 5G network).
  • connection between the battery failure diagnosis device 101 and the image acquisition device 103 is a device-to-device communication method (eg, a bus, GPIO (general purpose input and output), SPI (serial peripheral interface), or MIPI ( It may be a connection through a mobile industry processor interface)).
  • a device-to-device communication method eg, a bus, GPIO (general purpose input and output), SPI (serial peripheral interface), or MIPI ( It may be a connection through a mobile industry processor interface)).
  • connection between the battery abnormality diagnosis device 101 and the user terminal 105 may be a communication connection through a wired and/or wireless network.
  • the image acquisition device 103 may acquire an image of a target product (eg, the battery unit 115).
  • the target product eg, the battery unit 115
  • the target product may include a secondary battery.
  • the secondary battery may include a pouch-type secondary battery, a prismatic secondary battery, and/or a cylindrical secondary battery.
  • the image acquisition device 103 may obtain an image of the target product by photographing the target product. According to one embodiment, the image acquisition device 103 may be implemented as a camera. According to one embodiment, the image acquisition device 103 may acquire images of the target product in multiple channels.
  • the user terminal 105 may be a mobile device (eg, a mobile phone, a laptop computer, a smart phone, or a smart pad) or a personal computer (PC). In one embodiment, the user terminal 105 may be a terminal used by a manager of the battery failure detection device 101 .
  • a mobile device eg, a mobile phone, a laptop computer, a smart phone, or a smart pad
  • PC personal computer
  • the user terminal 105 may be a terminal used by a manager of the battery failure detection device 101 .
  • the battery failure detection device 101 may include a communication circuit 120 , a memory 140 , and a processor 150 .
  • the battery failure detection device 101 shown in FIG. 1 may further include at least one component (eg, a display, an input device, or an output device) other than the components shown in FIG. 1 . there is.
  • the communication circuit 120 establishes a wired communication channel and/or a wireless communication channel between the battery failure detection device 101 and the image acquisition device 103 and/or the user terminal 105, and the established communication Data may be transmitted and received with the image acquisition device 103 and/or the user terminal 105 through a channel.
  • memory 140 may include volatile memory and/or non-volatile memory.
  • the memory 140 may store data used by at least one component (eg, the processor 150) of the battery failure detection device 101.
  • the data may include the program 130 (or instructions related thereto), input data, or output data.
  • the battery failure detection device 101 may perform operations defined by the command.
  • the program 130 includes one or more software (eg, an artificial intelligence model learning unit 141, an image acquisition unit 143, a diagnosis unit 145, and one or more artificial intelligence models 161 and 165). )) may be included.
  • software eg, an artificial intelligence model learning unit 141, an image acquisition unit 143, a diagnosis unit 145, and one or more artificial intelligence models 161 and 165.
  • the processor 150 may include a central processing unit, an application processor, a graphic processing unit, a neural processing unit (NPU), an image signal processor, a sensor hub processor, or a communication processor.
  • a central processing unit an application processor, a graphic processing unit, a neural processing unit (NPU), an image signal processor, a sensor hub processor, or a communication processor.
  • NPU neural processing unit
  • image signal processor a sensor hub processor
  • communication processor a communication processor.
  • the processor 150 includes software (eg, an artificial intelligence model learning unit 141, an image acquisition unit 143, a diagnosis unit 145, an anomaly processing unit 147, a preprocessing unit 149, and one At least one other component (eg, hardware or software component) of the battery failure detection device 101 connected to the processor 150 may be controlled by executing the above artificial intelligence models 161 and 165, and various Data processing or computation can be performed.
  • software eg, an artificial intelligence model learning unit 141, an image acquisition unit 143, a diagnosis unit 145, an anomaly processing unit 147, a preprocessing unit 149, and one At least one other component (eg, hardware or software component) of the battery failure detection device 101 connected to the processor 150 may be controlled by executing the above artificial intelligence models 161 and 165, and various Data processing or computation can be performed.
  • the battery failure is detected through the artificial intelligence model learning unit 141, the image acquisition unit 143, the diagnosis unit 145, and one or more artificial intelligence models 161 and 165.
  • a method of diagnosing an abnormality of the target product (eg, the battery unit 115) by the detection device 101 will be described.
  • 3A is a diagram illustrating first data for classifying a target product as normal among learning data according to an embodiment disclosed in this document.
  • 3B is a diagram illustrating second data for classifying a target product as defective among learning data according to an embodiment disclosed in this document.
  • the artificial intelligence model learning unit 141 may train the artificial intelligence model 161 based on the already acquired images 201 and 205 of the object.
  • the images 201 and 205 may be pre-acquired training data.
  • the images 201 may mean first data for classifying a target product as normal among learning data.
  • the images 205 may refer to second data for classifying a target product as defective among learning data.
  • the images 201 and 205 may include an entire image of the object or images of individual parts of the object. In one embodiment, when images 201 and 205 consist of whole images, images 201 consist of images of objects classified as good products, and images 205 consist of defective products. It can be composed of images of the target product classified as .
  • the images 201 and the images 205 are composed of partial images
  • the images 201 are inspection items (eg, stamped, pressed, printed words, welding) of the entire image of the object ) may be composed of images classified as normal among divided images
  • the images 205 may be composed of images classified as defective among images obtained by dividing the entire image of the object for each inspection item.
  • the first data 310 may include images classified as normal among divided images for each examination item.
  • the images 311 may be images with normal print text
  • the images 312 may be images with a degree of stamping within a normal range.
  • the second data 350 may include images classified as bad among images divided for each inspection item.
  • the images 351 may be images in which printed text is abnormal
  • the images 352 may be images in which a degree of stamping or pressing is outside the normal range.
  • the artificial intelligence model 161 may be a model capable of multinomial classification (eg, a model based on a convolutional neural network (CNN)). In one embodiment, the artificial intelligence model 161 may be trained to classify whether the target product is normal or defective based on the images 201 and 205 of the target product. In one embodiment, the artificial intelligence model 161 may be trained to classify whether each of the inspection items of the target product is normal or defective based on the images 201 and 205 of the target product.
  • CNN convolutional neural network
  • the artificial intelligence model 161 may include an input layer 210, a hidden layer 220, and an output layer 230.
  • the input layer 210 may input previously acquired images 201 and images 205 of the object.
  • the hidden layer 220 may have a structure in which a plurality of layers are sequentially connected.
  • the output layer 230 may be a layer for outputting the polynomial classification result 209 of each of the images 201 and 205 .
  • the multinomial classification result 209 may include probability values for the classes 241 , 243 , 245 , and 247 of the images 201 and 205 according to test items.
  • the class 241 may represent the probability that the printed text is normal, and the class 243 may represent the probability that the printed text is defective.
  • the class 245 may represent a probability that the degree of being stamped or pressed is within a normal range, and the class 247 may represent a probability that the degree of being stamped or pressed is out of the normal range.
  • the sum of probability values for classes 241, 243, 245, and 247 may be 1.
  • the artificial intelligence model learning unit 141 inputs the images 201 and 205 to the artificial intelligence model 161, thereby obtaining a polynomial classification result 209 and images 201 Parameters of the hidden layer 220 may be adjusted so that a pre-classification result of each of the images 205 is identical or less than or equal to a reference difference value.
  • FIG. 4 illustrates an artificial intelligence model 165 according to an embodiment disclosed herein.
  • the artificial intelligence model learning unit 141 may learn the artificial intelligence model 165 based on previously obtained images 201 of the target product.
  • images used to learn the artificial intelligence model 165 may be first data for classifying an object as normal among learning data.
  • the artificial intelligence model 165 may be a model capable of multinomial classification (eg, a CNN-based model). In one embodiment, the artificial intelligence model 165 may be trained to output a similarity with normal images in each of the examination items based on the first data (ie, the images 201) of the object. .
  • the degree of similarity may mean the maximum value of probability values according to the multinomial classification result obtained by the artificial intelligence model 165.
  • the artificial intelligence model 165 compares the similarity based on the first data (ie, the images 201) for the target product with a reference value so that the image is in-distribution (ie, the pre-learned good product). image) or out-of-distribution (ie, corresponding to an image of a new type of defective product).
  • the artificial intelligence model 165 may include an input layer 410, a hidden layer 420, and an output layer 430.
  • the input layer 410 may input previously acquired images 201 of the object.
  • the hidden layer 420 may have a structure in which a plurality of layers are sequentially connected.
  • the output layer 430 may be a layer for outputting a polynomial classification result 409 of each of the images 201 .
  • the multinomial classification result 409 may include probability values for classes of the images 201 according to test items.
  • Classes set in the artificial intelligence model 165 may be less than classes set in the artificial intelligence model 161 . For example, only classes representing normal may exist in the artificial intelligence model 165 .
  • the artificial intelligence model 165 may include a class representing the probability that a printed phrase is normal or the probability that a printed phrase is normal.
  • the sum of probability values for the classes of the artificial intelligence model 165 may be 1.
  • the artificial intelligence model learning unit 141 inputs the images 201 to the artificial intelligence model 165, so that the maximum value 441 of the probability value according to the polynomial classification result 409 obtained is the reference value. Parameters of the hidden layer 420 may be adjusted to exceed (449).
  • the artificial intelligence model learning unit 141 may test the artificial intelligence model 165 using the images 205 . For example, the artificial intelligence model learning unit 141 may check whether the maximum value 445 of the probability value according to the multinomial classification result 409 of the images 205 is equal to or less than the reference value 449 . In one embodiment, when the maximum value 445 of the probability value according to the polynomial classification result 409 of the images 205 exceeds the reference value 449, the artificial intelligence model learning unit 141 performs the artificial intelligence model ( The reference value 449 of 165 can be adjusted. For example, the artificial intelligence model learning unit 141 may adjust the reference value 449 based on a baseline algorithm or an out of distribution detector for neural networks (ODIN) algorithm. Here, adjustment of the reference value 449 may be distinguished from a learning process for adjusting parameters of the hidden layer 420 .
  • ODIN out of distribution detector for neural networks
  • 5 illustrates a process of detecting good and/or defective products among target products using the artificial intelligence model 161 and the artificial intelligence model 165 according to an embodiment disclosed in this document.
  • 6 is a diagram illustrating images classified as normal by an artificial intelligence model.
  • the processor 120 may detect good and/or defective products among target products through the diagnosis unit 145 .
  • the processor 120 may classify the target product as normal or defective in order to detect a good product and/or a defective product through the diagnosis unit 145 .
  • the processor 120 may classify the target product as normal or defective based on pre-stored learning data through the diagnosis unit 145 .
  • operations of the processor 120 may be understood to be performed through the diagnosis unit 145 unless otherwise noted.
  • the processor 120 may classify the object using the image 501 of the object and pre-stored learning data.
  • the processor 120 may compare the image 501 of the object acquired by the image acquisition device 103 with pre-stored learning data.
  • the image 501 of the object obtained by the image acquisition device 103 may be acquired by the processor 120 through the image acquisition unit 143 .
  • the image acquisition unit 143 may include a network driver for controlling the communication circuit 120 .
  • the processor 120 may compare the image 501 of the target product with pre-stored learning data in order to classify the target product.
  • the processor 120 may classify the target product based on the artificial intelligence model 161 to which pre-stored learning data is applied.
  • the learning data may include at least one data for classifying the target product as normal and at least one data for classifying the target product as defective.
  • the first data may refer to data for classifying a target product as normal among learning data.
  • the first data may include an image of a good product.
  • the processor 120 may learn a criterion for classifying an object as normal using the first data.
  • the processor 120 may classify the target product as normal or defective based on pre-stored learning data.
  • the target product may refer to a product classified as normal when the processor 120 classifies the product based on pre-stored learning data.
  • the processor 120 may classify defective products of a new type that have not been learned according to pre-stored learning data as normal.
  • the target product may include not only good products but also new types of defective products.
  • images 610 may be images of good objects of an existing type and images 650 may be images of defective objects of a new type.
  • the target product for the images 610 may be classified as normal (ie, good product).
  • images 650 of defective products of a new type are input to the artificial intelligence model 161
  • the target products for the images 650 may also be classified as normal (ie, good products).
  • the processor 120 may obtain target images (ie, images 610 and 650) corresponding to the target product.
  • the processor 120 may determine characteristics of the target image using the first data and the target image.
  • the processor 120 may detect a new type of defective product using the characteristics of the target image.
  • the processor 120 may reclassify the target product as normal or defective using characteristics of the target image.
  • the processor 120 may classify the target product based on the artificial intelligence model 165 to which first data is applied among pre-stored learning data.
  • the processor 120 may detect a new type of defective product by comparing the similarity obtained by inputting each target image (ie, the images 610 and 650) to the artificial intelligence model 165 and a reference value. there is.
  • the degree of similarity may mean the maximum value of probability values according to the multinomial classification result obtained by the artificial intelligence model 165.
  • the processor 120 may determine the corresponding objects as normal.
  • the processor 120 may determine the corresponding objects as defective.
  • a target product reclassified as defective may correspond to a new type of defective product.
  • the processor 120 may detect a new type of defective product by subjecting the target product to a reclassification process.
  • the processor 120 may compare whether the target image corresponds to the first data. If the target image does not correspond to the first data, the processor 120 may reclassify the target product as defective.
  • the processor 120 may determine a similarity between the target image and the first data.
  • the processor 120 may determine a similarity between the target image and the first data according to a preset method.
  • the processor 120 may reclassify the target product as defective or normal based on the similarity between the target image and the first data.
  • the processor 120 may reclassify a target product as defective when the similarity is less than a predetermined reference value, and reclassify the target product as normal when the similarity is greater than or equal to the reference value.
  • the processor 120 determines the similarity between the target image and the first data and reclassifies the target product as defective or normal based on the similarity, but is not limited thereto.
  • the processor 120 may determine dissimilarity between the target image and the first data and reclassify the target product as defective or normal based on the dissimilarity.
  • the processor 120 may determine the target image as the second data when the target product is reclassified as defective.
  • the second data may correspond to an image for classifying the target product as defective.
  • the second data may include an image of a new type of defective product that is not included in the pre-stored learning data.
  • the processor 120 may include the second data in the learning data.
  • the processor 120 may learn a new type of defect by including the second data in the learning data.
  • the processor 120 may relearn the artificial intelligence model 161 based on images newly included in the second data (eg, the images 650).
  • the processor 120 may determine the target image as the second data when the target image does not correspond to the first data. According to another embodiment, the processor 120 may determine the target image as the second data when the similarity of the target image is less than a preset reference value.
  • FIG. 7 is a diagram illustrating a method for detecting a battery failure according to an embodiment disclosed in this document.
  • the battery defect detection method includes obtaining an image of a target product (S100), classifying the target product using stored learning data (S110), and It may include acquiring a target image corresponding to the product (S120) and determining characteristics of the target image using the first data and the target image (S130).
  • the battery failure detection device 101 may obtain an image of the target product.
  • the target product may include a secondary battery.
  • the battery failure detection device 101 may acquire images of the target product in multiple channels. Step S100 may be performed by the image acquisition unit 143 of the battery failure detection device 101 .
  • the battery failure detection device 101 may classify the target product using the stored learning data. According to an embodiment, the battery failure detection device 101 may compare an image of a target product with pre-stored learning data, and classify the target product according to the comparison result. According to an embodiment, the battery failure detection device 101 may classify the target product based on the artificial intelligence model 161 to which pre-stored learning data is applied. Step S110 may be performed by the processor 120 of the battery failure detection device 101 .
  • the learning data may include at least one piece of data for classifying a target product as normal or defective.
  • the first data may refer to data for classifying a target product as normal among learning data.
  • the first data may include an image of a good product.
  • the battery failure detection device 101 may learn a criterion for classifying the target product as normal using the first data.
  • the battery failure detection device 101 may classify the target product as normal or defective based on the learning data.
  • the target product classified as normal in step S710 may be referred to as a target product.
  • the battery defect detection device 101 may classify the target product as normal or defective based on the learning data, and a new type of defective product that has not been learned by the learning data may be classified as normal.
  • the target product may include not only good products but also new types of defective products.
  • the battery failure detection device 101 may obtain a target image corresponding to the target product. According to an embodiment, the battery failure detection device 101 may select a target image corresponding to a target product from previously obtained images of the target product. Step S120 may be performed by the processor 120 of the battery failure detection device 101 .
  • the battery failure detection apparatus 101 may determine characteristics of the target image using the first data and the target image.
  • the first data may refer to data for classifying a target product as normal among learning data.
  • the first data may include an image of a good product.
  • the battery failure detection apparatus 101 may determine characteristics of the target image by using the first data and the target image based on the artificial intelligence model 165 to which the first data is applied. Step S130 may be performed by the processor 120 of the battery failure detection device 101 .
  • the battery failure detection device 101 may determine characteristics of the target image. According to an embodiment, the battery failure detection device 101 may determine whether the target image corresponds to the first data. According to another embodiment, the battery failure detection device 101 may determine a similarity between the target image and the first data.
  • the battery failure detection apparatus 101 may reclassify the target product as normal or defective based on the characteristics of the target image determined in step S130. A detailed method of reclassifying a target product as normal or defective based on the characteristics of the target image determined by the battery failure detection device 101 will be described later with reference to FIGS. 8 and 9 .
  • FIG. 8 is a diagram illustrating a method for detecting a battery failure according to an embodiment disclosed in this document.
  • the target image corresponds to first data (S200), and if the target image does not correspond to the first data, the target image corresponds to the first data. It may further include reclassifying the product as defective (S210), determining the target image as second data (S220), and/or including the second data in the training data (S230).
  • step S200 the battery failure detection device 101 may determine whether the target image corresponds to the first data.
  • Step S200 may substantially correspond to a specific example of step S130 of FIG. 7 .
  • the battery failure detection device 101 may reclassify the target product as defective (S210).
  • the target product is a target product classified as normal by the battery failure detection device 101 based on the learning data, but the target product may also include a new type of defective product not included in the learning data.
  • the battery defect detection apparatus 101 may detect a new type of defective product included in the target product by determining whether the target product corresponds to the first data. Step S200 may be performed by the processor 120 of the battery failure detection device 101 .
  • the battery failure detection apparatus 101 may reclassify the target product as normal.
  • the battery failure detection apparatus 101 may reclassify the target product as defective (S210).
  • the target product reclassified as defective by the battery defect detection device 101 in step S210 may correspond to a new type of defective product not included in the learning data.
  • Step S210 may be performed by the processor 120 of the battery failure detection device 101 .
  • the battery defect detection device 101 may determine the target image of the target product reclassified as defective in step S210 by the battery defect detection device 101 as the second data.
  • the second data may include an image of a defective product of a new type in the battery defect detection device 101 .
  • Step S220 may be performed by the processor 120 of the battery failure detection device 101 .
  • the battery failure detection device 101 may include the second data in the learning data.
  • the second data may correspond to an image for classifying the target product as defective by the battery defect detection device 101 .
  • the second data may include an image of a new type of defective product that is not included in the pre-stored learning data.
  • the battery failure detection device 101 may learn a new type of failure by including the second data in the learning data. Step S230 may be performed by the processor 120 of the battery failure detection device 101 .
  • FIG. 9 is a diagram illustrating a method for detecting a battery failure according to an embodiment disclosed in this document.
  • a similarity between a target image and first data is determined (S300), and a target product is reclassified as defective or normal based on the similarity (S300). It may further include a step (S310) of doing.
  • step S300 the battery failure detection apparatus 101 may determine a similarity between the target image and the first data.
  • Step S300 may substantially correspond to a specific example of step S130 of FIG. 7 .
  • Step S300 may be performed by the processor 120 of the battery failure detection device 101 .
  • the battery failure detection apparatus 101 may determine a similarity between the target image and the first data according to a preset method. According to an embodiment, the battery failure detection apparatus 101 may quantify and determine the similarity between the target image and the first data. According to the embodiment disclosed in this document, the battery failure detection device 101 determines the similarity between the target image and the first data, but is not limited thereto, and the dissimilarity between the target image and the first data. ) can be judged.
  • the battery failure detection apparatus 101 may reclassify the target product as defective or normal based on the similarity between the target image and the first data.
  • the battery failure detection device 101 may reclassify the target product as defective or normal based on the degree of similarity between the target image and the first data.
  • the battery failure detection device 101 may set a reference value for similarity between the target image and the first data.
  • the battery failure detection apparatus 101 may reclassify the target product as defective or normal by comparing the similarity determined in step S300 with a reference value.
  • the battery failure detection apparatus 101 may reclassify the target product corresponding to the target image as normal when the similarity between the target image and the first data is equal to or greater than a predetermined reference value.
  • the battery failure detection apparatus 101 may reclassify the target product corresponding to the target image as defective when the similarity between the target image and the first data is less than a predetermined reference value.
  • the target product reclassified as defective may correspond to a new type of defective product.
  • FIG. 10 is a diagram illustrating a method for detecting a battery failure according to an embodiment disclosed in this document.
  • a similarity between a target image and first data is determined (S400), and the similarity between the target image and first data is compared with a preset reference value. (S410), determining the target image as second data when the similarity between the target image and the first data is less than the reference value (S420), and/or including the second data in the training data (S430). can do.
  • Step S400 may correspond to substantially the same step as step S300 of FIG. 4 .
  • Steps S410, S420 and/or S430 may be performed simultaneously with step S310 of FIG. 4 or before and after step S310.
  • the battery failure detection device 101 may determine whether the similarity between the target product and the first data is less than a preset reference value.
  • the reference value may correspond to a value set as a criterion for the battery failure detection device 101 to reclassify the target product as normal or defective based on the similarity between the target image and the first data.
  • the target image for which the battery failure detection apparatus 101 determines that the similarity is equal to or greater than the reference value may include an image of a non-defective product.
  • the battery failure detection apparatus 101 may not perform an additional operation on a target image determined to have a similarity greater than or equal to a reference value.
  • the battery failure detection apparatus 101 may add and include a target image determined to have a similarity equal to or greater than a reference value, in the first data.
  • the battery defect detection apparatus 101 can increase the accuracy of defect detection by adding a target image determined to have a similarity equal to or greater than a reference value to the first data and learning the target image.
  • the battery failure detection apparatus 101 may determine the target image, which is determined to have a similarity lower than the reference value, as the second data.
  • the target image determined as the second data may include an image of a defective product of a new type.
  • the battery defect detection device 101 may determine the target image corresponding to the defective product of the new type as the second data.
  • the battery failure detection device 101 may include the second data in the learning data.
  • the second data may correspond to an image for classifying the target product as defective by the battery defect detection device 101 .
  • the second data may include an image of a new type of defective product that is not included in the pre-stored learning data.
  • the battery failure detection device 101 may learn a new type of failure by including the second data in the learning data.
  • FIG. 11 is a diagram showing a battery failure detection system according to an embodiment disclosed in this document.
  • a battery defect detection system 1000 may include a test device 1100 and a new defect detection device 1200 .
  • the inspection device 1000 may be based on the artificial intelligence model 161
  • the new defect detection device 1100 may be based on the artificial intelligence model 165.
  • the inspection device 1100 may acquire an image of the target product and classify the target product using the image of the target product and pre-stored learning data.
  • the inspection device 1100 may include an image acquisition unit 1110 and a processor 1120.
  • the inspection device 1100 may obtain an image of the target product. According to the embodiment, the inspection device 1100 may acquire an image of the target product through the image acquisition unit 1110 . According to the embodiment, the image acquisition unit 1110 may obtain an image from a remote image acquisition device that acquires an image of the target product by photographing the target product. According to embodiments, the remote image acquisition device may be implemented as a camera. According to the embodiment, the remote image acquisition device may acquire images of the target product in multiple channels.
  • the inspection device 1100 may classify the target product using the image of the target product and pre-stored learning data. According to the embodiment, the inspection device 1100 may classify the target product through the processor 1120 . According to an embodiment, the processor 1120 may compare the image of the target product with pre-stored learning data. According to an embodiment, the processor 1120 may classify the target product based on a deep learning model to which pre-stored learning data is applied.
  • the processor 1120 may classify the target product as normal or defective based on pre-stored learning data.
  • the processor 1120 may classify the target product based on pre-stored learning data and set the target product classified as normal as the target product.
  • the processor 1120 may classify defective products of a new type that are not included in the learning data among target products as normal, and the target product may include both good products and defective products of a new type.
  • the novel defect detection device 1200 acquires a target image corresponding to the target product classified as normal by the inspection device 1100, and uses first data and the target image for classifying the target product as normal among learning data. Thus, the characteristics of the target image can be determined.
  • the novel defect detection device 1200 may include a target image acquisition unit 1210 and a processor 1220 .
  • the novel defect detection device 1200 may receive a target product from the inspection device 1100 .
  • the novel defect detection device 1200 may obtain a target image corresponding to the target product.
  • the novel defect detection device 1200 may acquire a target image through the target image acquisition unit 1210 .
  • the novel defect detection device 1200 may also receive a target image corresponding to the target product from the inspection device 1100 .
  • the target image acquisition unit 1210 may select a target image corresponding to the target product from among the images of the target product already acquired by the inspection device 1100 .
  • the target image acquisition unit 1210 may be integrated with the processor 1220 and implemented as a single module.
  • the target image acquisition unit 1210 may obtain a target image by capturing an image of the target product received from the inspection device 1100 .
  • the target image acquisition unit 1210 may be implemented as a camera.
  • the novel defect detection apparatus 1200 may determine characteristics of the target image using the first data and the target image.
  • the first data may refer to data for the test apparatus 1100 to classify the target product as normal among the learning data.
  • the new defect detection device 1200 may share learning data with the inspection device 1100 .
  • the novel defect detection device 1200 may determine characteristics of a target image through the processor 1220 .
  • the processor 1220 may determine whether the target image corresponds to the first data. According to another embodiment, the processor 1220 may determine a similarity between the target image and the first data.
  • the processor 1220 may determine characteristics of the target image and detect a new type of defect based on the determined characteristics. According to an embodiment, the processor 1220 may determine the target image as the second data when the target image does not correspond to the first data. According to another embodiment, the processor 1220 may determine the target image as the second data when the similarity between the target image and the first data is less than a predetermined reference value. According to an embodiment disclosed in this document, the target product corresponding to the target image determined as the second data may correspond to a new type of defective product. The processor 1220 may detect a new type of defective product by detecting a target product corresponding to the target image.
  • the processor 1220 may include the second data in the learning data.
  • the processor 1220 may learn a new type of defect by including the second data in the learning data.
  • the novel defect detection device 1200 may share the second data with the inspection device 1100 .
  • the inspection device 1100 may learn the second data, and by learning the second data, the accuracy of defect detection may be increased.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Electrochemistry (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Chemical & Material Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

본 문서에 개시되는 일 실시예에 따른 배터리 불량 검출 장치는, 통신 모듈, 프로세서, 및 제1 인공지능 모델, 제2 인공지능 모델 및 인스트럭션들을 저장하는 메모리를 포함하고, 상기 인스트럭션들은 상기 프로세서에 의해 실행 시 상기 배터리 불량 검출 장치가, 상기 통신 모듈을 이용하여 대상품의 이미지를 획득하고, 상기 대상품의 상기 이미지를 상기 제1 인공지능 모델에 입력하여, 상기 대상품을 분류하고, 상기 대상품이 정상으로 분류된 경우, 상기 대상품의 상기 이미지를 상기 제2 인공지능 모델에 입력하여, 상기 대상품의 상기 이미지가 상기 제1 인공지능 모델의 학습 데이터 중 상기 대상품을 정상으로 분류하기 위한 제1 데이터에 대응될 수 있는지를 판단하도록 구성될 수 있다.

Description

배터리 불량 검출 장치, 방법 및 시스템
관련출원과의 상호인용
본 발명은 2022.3.2.에 출원된 한국 특허 출원 제10-2022-0027072호에 기초한 우선권의 이익을 주장하며, 해당 한국 특허 출원의 문헌에 개시된 모든 내용을 본 명세서의 일부로서 포함한다.
기술분야
본 문서에 개시된 실시예들은 배터리 불량 검출 장치, 방법 및 시스템에 관한 것이다.
최근, 노트북, 비디오 카메라, 휴대용 전화기 등과 같은 휴대용 전자 제품의 수요가 급격하게 증대되고, 전기 자동차, 에너지 저장용 축전지, 로봇, 위성 등의 개발이 본격화됨에 따라, 반복적인 충방전이 가능한 고성능 배터리에 대한 연구가 활발히 진행되고 있다.
현재 상용화된 배터리로는 니켈 카드뮴 전지, 니켈 수소 전지, 니켈 아연 전지, 리튬 배터리 등이 있는데, 이 중에서 리튬 배터리는 니켈 계열의 배터리에 비해 메모리 효과가 거의 일어나지 않아 충방전이 자유롭고, 자가 방전율이 매우 낮으며 에너지 밀도가 높은 장점으로 각광을 받고 있다.
배터리의 제조 및 조립 공정에 있어서, 배터리 외장재의 실링(Sealing) 부분이 변형되거나 구겨지거나 파손되는 등으로 인하여, 배터리 파우치의 외관 불량(예: 모서리 눌림, 찍힘, 스크래치, 주름, 전해액 오염 등) 문제가 발생할 수 있다. 파우치 외관 불량이 발생하는 경우에는 배터리의 신뢰성 및/또는 안전성에 영향을 줄 수 있으므로, 배터리가 유통되기 전에 배터리(예: 파우치)의 불량을 검출하는 것이 중요하다.
배터리(예: 파우치)의 외관 불량을 검출하기 위하여 일반적으로 사용되는 외관검사기는 양품과 불량품 유형의 각 이미지를 수집하여 학습하고, 제조 및 조립 공정을 거친 배터리를 대상으로 외관 불량이 존재하는지 여부를 검사한다. 다만, 기존의 학습된 유형이 아닌 신규 유형의 불량이 발생한 경우에는, 해당 배터리를 양품으로 판정할 수 있다. 또한, 파우치의 제조 및 조립 공정에 있어서, 신규 유형의 불량 발생률 자체가 낮으므로, 외관검사기의 학습을 위한 적합한 불량품 이미지를 수집하는 것이 어렵다.
따라서, 본 발명은 신규 불량 유형의 검출 불확실성을 보완하여 불량 유출을 방지하고자 하는 것을 목적으로 한다. 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있으며, 본 발명의 실시예에 의해 보다 분명히 알게 될 것이다. 또한, 본 발명의 목적 및 장점들은 특허청구범위에 나타난 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
본 문서에 개시되는 일 실시예에 따른 배터리 불량 검출 장치는, 통신 모듈, 프로세서, 및 제1 인공지능 모델, 제2 인공지능 모델 및 인스트럭션들을 저장하는 메모리를 포함하고, 상기 인스트럭션들은 상기 프로세서에 의해 실행 시 상기 배터리 불량 검출 장치가, 상기 통신 모듈을 이용하여 대상품의 이미지를 획득하고, 상기 대상품의 상기 이미지를 상기 제1 인공지능 모델에 입력하여, 상기 대상품을 분류하고, 상기 대상품이 정상으로 분류된 경우, 상기 대상품의 상기 이미지를 상기 제2 인공지능 모델에 입력하여, 상기 대상품의 상기 이미지가 상기 제1 인공지능 모델의 학습 데이터 중 상기 대상품을 정상으로 분류하기 위한 제1 데이터에 대응될 수 있는지를 판단하도록 구성될 수 있다.
일 실시예에 따라, 상기 인스트럭션들은 상기 프로세서에 의해 실행 시 상기 배터리 불량 검출 장치가, 상기 이미지가 상기 제1 데이터에 대응되지 않는 경우, 상기 대상품을 불량으로 재분류하도록 구성될 수 있다.
일 실시예에 따라, 상기 인스트럭션들은 상기 프로세서에 의해 실행 시 상기 배터리 불량 검출 장치가, 상기 이미지가 상기 제1 데이터에 대응되지 않는 경우, 상기 이미지를 상기 대상품을 불량으로 분류하기 위한 제2 데이터로 판단하도록 구성될 수 있다.
일 실시예에 따라, 상기 인스트럭션들은 상기 프로세서에 의해 실행 시 상기 배터리 불량 검출 장치가, 상기 제2 데이터에 기초하여 상기 제1 인공지능 모델을 학습시키도록 구성될 수 있다.
일 실시예에 따라, 상기 대상품의 상기 이미지는, 이미지 획득 장치에 의해, 다채널로 획득될 수 있다.
일 실시예에 따라, 상기 인스트럭션들은 상기 프로세서에 의해 실행 시 상기 배터리 불량 검출 장치가, 상기 제2 인공지능 모델을 통해 상기 이미지와 상기 제1 데이터 간의 유사도를 획득하고, 상기 유사도에 기반하여 상기 대상품을 불량 또는 정상으로 재분류하도록 구성될 수 있다.
일 실시예에 따라, 상기 인스트럭션들은 상기 프로세서에 의해 실행 시 상기 배터리 불량 검출 장치가, 상기 이미지의 상기 유사도가 기 설정된 기준값 미만인 경우, 상기 이미지를 상기 대상품을 불량으로 분류하기 위한 제2 데이터로 판단하도록 구성될 수 있다.
일 실시예에 따라, 상기 인스트럭션들은 상기 프로세서에 의해 실행 시 상기 배터리 불량 검출 장치가, 상기 제2 데이터에 기초하여 상기 제1 인공지능 모델을 학습시키도록 구성될 수 있다.
본 문서에 개시되는 일 실시예에 따른 배터리 불량 검출 방법은, 대상품의 이미지를 획득하는 동작, 상기 대상품의 상기 이미지를 상기 제1 인공지능 모델에 입력하여, 상기 대상품을 분류하는 동작, 및 상기 대상품이 정상으로 분류된 경우, 상기 대상품의 상기 이미지를 상기 제2 인공지능 모델에 입력하여, 상기 대상품의 상기 이미지가 상기 제1 인공지능 모델의 학습 데이터 중 상기 대상품을 정상으로 분류하기 위한 제1 데이터에 대응될 수 있는지를 판단하는 동작을 포함할 수 있다.
일 실시예에 따라, 배터리 불량 검출 방법은, 상기 이미지가 상기 제1 데이터에 대응되지 않는 경우 상기 대상품을 불량으로 재분류하는 동작을 더 포함할 수 있다.
일 실시예에 따라, 배터리 불량 검출 방법은, 상기 제1 데이터에 대응되지 않는 경우, 상기 이미지를 상기 대상품을 불량으로 분류하기 위한 제2 데이터로 판단하는 동작을 더 포함할 수 있다.
일 실시예에 따라, 배터리 불량 검출 방법은, 상기 제2 데이터에 기초하여 상기 제1 인공지능 모델을 학습시키는 동작을 더 포함할 수 있다.
일 실시예에 따라, 상기 대상품의 상기 이미지는 다채널로 획득될 수 있다.
일 실시예에 따라, 배터리 불량 검출 방법은, 상기 제2 인공지능 모델을 통해 상기 이미지와 상기 제1 데이터 간의 유사도를 획득하는 동작, 및 상기 유사도에 기반하여 상기 대상품을 불량 또는 정상으로 재분류하는 동작을 더 포함할 수 있다.
일 실시예에 따라, 배터리 불량 검출 방법은, 상기 이미지의 상기 유사도가 기 설정된 기준값 미만인 경우, 상기 이미지를 상기 대상품을 불량으로 분류하기 위한 제2 데이터로 판단하는 동작을 더 포함할 수 있다.
일 실시예에 따라, 배터리 불량 검출 방법은, 상기 제2 데이터에 기초하여, 상기 제1 인공지능 모델을 학습시키는 동작을 더 포함할 수 있다.
본 문서에 개시되는 일 실시예에 따른 배터리 불량 검출 시스템은, 대상품의 이미지를 획득하고, 상기 대상품의 이미지와 기 저장된 학습 데이터를 이용하여 학습되는 제1 인공지능 모델을 이용하여 상기 대상품을 분류하는 배터리 불량 검출 장치; 및 상기 대상품이 정상으로 분류된 경우, 상기 대상품의 상기 이미지를 상기 제2 인공지능 모델에 입력하여, 상기 대상품의 상기 이미지가 상기 제1 인공지능 모델의 상기 학습 데이터 중 상기 대상품을 정상으로 분류하기 위한 제1 데이터에 대응될 수 있는지를 판단하는 신규 불량 탐지 장치를 포함하는 포함할 수 있다.
본 문서의 개시에 따른 배터리 불량 검출 장치는, 기 저장된 학습 데이터에 포함되지 않은 신규 유형의 불량품을 검출할 수 있으므로, 불량품의 누출을 방지할 수 있다.
본 문서의 개시에 따른 배터리 불량 검출 장치는, 신규 유형의 불량품의 이미지를 학습함으로써 불량 검출의 정밀도를 높일 수 있다.
본 문서의 개시에 따른 배터리 불량 검출 시스템은, 기존의 불량 검출 장치에 신규 불량 탐지 장치를 함께 사용할 수 있으므로, 신규 불량 탐지 장치 도입의 편의성을 높일 수 있다.
본 문서의 개시에 따른 배터리 불량 검출 장치, 방법 및 시스템의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또다른 효과들은 본 문서의 개시에 따라 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 문서에 개시된 일 실시예에 따른 배터리 불량 검출 장치를 보여주는 도면이다.
도 2는 본 문서에 개시된 일 실시 예에 따른 인공지능 모델을 예시한다.
도 3a는 본 문서에 개시된 일 실시 예에 따른 학습 데이터 중 대상품을 정상으로 분류하기 위한 제1 데이터를 예시한 도면이다.
도 3b는 본 문서에 개시된 일 실시 예에 따른 학습 데이터 중 대상품을 불량으로 분류하기 위한 제2 데이터를 예시한 도면이다.
도 4는 본 문서에 개시된 일 실시 예에 따른 인공지능 모델을 예시한다.
도 5는 본 문서에 개시된 일 실시 예에 따른 인공지능 모델 및 인공지능 모델을 이용한 대상품 중 양품 및/또는 불량품을 검출하는 프로세스를 예시한다.
도 6은 인공지능 모델에 의해 정상으로 분류된 이미지들을 예시한 도면이다.
도 7은 본 문서에 개시된 일 실시예에 따른 배터리 불량 검출 방법을 보여주는 도면이다.
도 8은 본 문서에 개시된 일 실시예에 따른 배터리 불량 검출 방법을 보여주는 도면이다.
도 9는 본 문서에 개시된 일 실시예에 따른 배터리 불량 검출 방법을 보여주는 도면이다.
도 10은 본 문서에 개시된 일 실시예에 따른 배터리 불량 검출 방법을 보여주는 도면이다.
도 11은 본 문서에 개시된 일 실시예에 따른 배터리 불량 검출 시스템을 보여주는 도면이다.
도면의 설명과 관련하여, 동일 또는 유사한 구성요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.
이하, 본 발명의 다양한 실시 예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 실시 예의 다양한 변경(modification), 균등물(equivalent), 및/또는 대체물(alternative)을 포함하는 것으로 이해되어야 한다.
본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다.
본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", "첫째", "둘째", "A", "B", "(a)" 또는 "(b)"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 특별히 반대되는 기재가 없는 한, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다.
본 문서에서, 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "연결", "결합" 또는 "접속"된다고 언급되거나 "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
일실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어를 통해 또는 두 개의 사용자 장치들 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.
도 1은 본 문서에 개시된 일 실시예에 따른 배터리 불량 검출 장치를 보여주는 도면이다.
도 1을 참조하면, 본 문서에 개시된 일 실시예에 따른 배터리 불량 검출 장치(101)는 이미지 획득 장치(103) 및 사용자 단말(105)과 유선 및/또는 무선으로 연결될 수 있다.
일 실시 예에서, 배터리 불량 검출 장치(101)와 이미지 획득 장치(103) 간의 연결은 유선 및/또는 무선 네트워크를 통한 통신 연결일 수 있다. 일 실시 예에서, 유선 네트워크는 LAN(local area network) 통신, 또는 전력선 통신에 기초할 수 있다. 일 실시 예에서, 무선 네트워크는 근거리 통신 네트워크(예: 블루투스, WiFi(wireless fidelity) 또는 IrDA(infrared data association)), 또는 원거리 통신 네트워크(셀룰러 네트워크, 4G 네트워크, 5G 네트워크)에 기초할 수 잇다.
다른 실시 예에서, 배터리 이상 진단 장치(101)와 이미지 획득 장치(103) 간의 연결은 기기 간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통한 연결일 수 있다.
일 실시 예에서, 배터리 이상 진단 장치(101)와 사용자 단말(105) 간의 연결은 유선 및/또는 무선 네트워크를 통한 통신 연결일 수 있다.
일 실시 예에서, 이미지 획득 장치(103)는 대상품(예: 배터리 유닛(115))의 이미지를 획득할 수 있다. 실시예에 따르면, 대상품(예: 배터리 유닛(115))은 이차 전지를 포함할 수 있다. 실시예에 따르면, 이차 전지는 파우치형 이차 전지, 각형 이차 전지, 및/또는 원통형 이차 전지를 포함할 수 있다.
이미지 획득 장치(103)는 대상품을 촬영하여 대상품의 이미지를 획득할 수 있다. 일 실시예에 따르면, 이미지 획득 장치(103)는 카메라로 구현될 수 있다. 일 실시예에 따르면, 이미지 획득 장치(103)는 대상품의 이미지를 다채널로 획득할 수 있다.
일 실시 예에서, 사용자 단말(105)은 모바일 디바이스(예: 휴대폰, 랩탑 컴퓨터, 스마트 폰, 스마트 패드), 또는 PC(personal computer)일 수 있다. 일 실시 예에서, 사용자 단말(105)은 배터리 불량 검출 장치(101)의 관리자가 사용하는 단말일 수 있다.
일 실시 예에서, 배터리 불량 검출 장치(101)는 통신 회로(120), 메모리(140), 및 프로세서(150)를 포함할 수 있다. 실시 예에 따라, 도 1에 도시된 배터리 불량 검출 장치(101)는 도 1에서 도시된 구성 요소들 이외의 적어도 하나의 구성 요소(예: 디스플레이, 입력 장치, 또는 출력 장치)를 더 포함할 수 있다.
일 실시 예에서, 통신 회로(120)는 배터리 불량 검출 장치(101)와 이미지 획득 장치(103) 및/또는 사용자 단말(105) 간의 유선 통신 채널 및/또는 무선 통신 채널을 수립하고, 수립된 통신 채널을 통해 이미지 획득 장치(103) 및/또는 사용자 단말(105)과 데이터를 송수신할 수 있다.
일 실시 예에서, 메모리(140)는 휘발성 메모리 및/또는 비휘발성 메모리를 포함할 수 있다.
일 실시 예에서, 메모리(140)는, 배터리 불량 검출 장치(101)의 적어도 하나의 구성요소(예: 프로세서(150))에 의해 사용되는 데이터를 저장할 수 있다. 예를 들어, 데이터는 프로그램(130)(또는, 이와 관련된 명령어(instruction)), 입력 데이터 또는 출력 데이터를 포함할 수 있다. 일 실시 예에서, 명령어는 프로세서(150)에 의해 실행 시 배터리 불량 검출 장치(101)가 명령어에 의해 정의되는 동작들을 수행하게 할 수 있다.
일 실시 예에서, 프로그램(130)은 하나 이상의 소프트웨어들(예: 인공지능 모델 학습부(141), 이미지 획득부(143), 진단부(145), 및 하나 이상의 인공지능 모델들(161, 165))을 포함할 수 있다.
일 실시 예에서, 프로세서(150)는 중앙 처리 장치, 어플리케이션 프로세서, 그래픽 처리 장치, 신경망 처리 장치(NPU, neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서를 포함할 수 있다.
일 실시 예에서, 프로세서(150)는 소프트웨어(예: 인공지능 모델 학습부(141), 이미지 획득부(143), 진단부(145), 이상 처리부(147), 전처리부(149), 및 하나 이상의 인공지능 모델들(161, 165))를 실행하여 프로세서(150)에 연결된 배터리 불량 검출 장치(101)의 적어도 하나의 다른 구성 요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다.
이하에서는, 도 2 내지 도 5를 참조하여, 인공지능 모델 학습부(141), 이미지 획득부(143), 진단부(145), 및 하나 이상의 인공지능 모델들(161, 165)를 통해 배터리 불량 검출 장치(101)가 대상품(예: 배터리 유닛(115))의 이상을 진단하는 방법을 설명한다.
제1 인공지능 모델 학습
도 2는 본 문서에 개시된 일 실시 예에 따른 인공지능 모델(161)을 예시한다. 도 3a는 본 문서에 개시된 일 실시 예에 따른 학습 데이터 중 대상품을 정상으로 분류하기 위한 제1 데이터를 예시한 도면이다. 도 3b는 본 문서에 개시된 일 실시 예에 따른 학습 데이터 중 대상품을 불량으로 분류하기 위한 제2 데이터를 예시한 도면이다.
일 실시 예에서, 인공지능 모델 학습부(141)는 기 획득된 대상품에 대한 이미지들(201) 및 이미지들(205)에 기반하여 인공지능 모델(161)을 학습시킬 수 있다. 여기에서, 이미지들(201) 및 이미지들(205)은 기 획득된 학습 데이터일 수 있다. 이미지들(201)은 학습 데이터 중 대상품을 정상으로 분류하기 위한 제1 데이터를 의미할 수 있다. 이미지들(205)은 학습 데이터 중 대상품을 불량으로 분류하기 위한 제2 데이터를 의미할 수 있다. 일 실시 예에서, 이미지들(201) 및 이미지들(205)은 대상품의 전체 이미지, 또는 대상품의 각 부분들의 이미지를 포함할 수 있다. 일 실시 예에서, 이미지들(201) 및 이미지들(205)이 전체 이미지로 구성되는 경우, 이미지들(201)은 정상품으로 분류된 대상품의 이미지로 구성되고, 이미지들(205)은 불량품으로 분류된 대상품의 이미지로 구성될 수 있다. 일 실시 예에서, 이미지들(201) 및 이미지들(205)이 부분 이미지로 구성되는 경우, 이미지들(201)은 대상품의 전체 이미지를 검사 항목들(예: 찍힘, 눌림, 인쇄 문구, 용접)마다 분할한 이미지들 중 정상으로 분류된 이미지들로 구성되고, 이미지들(205)은 대상품의 전체 이미지를 검사 항목들마다 분할한 이미지들 중 불량으로 분류된 이미지들로 구성될 수 있다.
예를 들어, 도 3a를 참조하면, 제1 데이터(310)에는 검사 항목들마다 분할한 이미지들 중 정상으로 분류된 이미지들이 포함될 수 있다. 예컨대, 이미지들(311)은 인쇄 문구가 정상인 이미지들이고, 이미지들(312)은 찍힘 정도가 정상 범위 이내인 이미지들일 수 있다. 마찬가지로, 도 3b를 참조하면, 제2 데이터(350)에는 검사 항목들마다 분할한 이미지들 중 불량으로 분류된 이미지들이 포함될 수 있다. 예컨대, 이미지들(351)은 인쇄 문구가 비정상인 이미지들이고, 이미지들(352)은 찍힘, 또는 눌림 정도가 정상 범위를 벗어나는 이미지들일 수 있다.
일 실시 예에서, 인공지능 모델(161)은 다항 분류가 가능한 모델(예: CNN(convolutional neural network)에 기초한 모델)일 수 있다. 일 실시 예에서, 인공지능 모델(161)은, 대상품에 대한 이미지들(201, 205)에 기초하여 대상품의 정상과 불량 여부를 분류하기 위해 학습될 수 있다. 일 실시 예에서, 인공지능 모델(161)은, 대상품에 대한 이미지들(201, 205)에 기초하여 대상품의 검사 항목들 각각의 정상과 불량 여부를 분류하기 위해 학습될 수 있다.
일 실시 예에서, 인공지능 모델(161)은, 입력 레이어(210), 히든 레이어(220), 및 출력 레이어(230)를 포함할 수 있다. 여기에서, 입력 레이어(210)는 기 획득된 대상품에 대한 이미지들(201) 및 이미지들(205)이 입력될 수 있다. 히든 레이어(220)는 다수의 레이어들이 순차적으로 연결되는 구조를 가질 수 있다. 출력 레이어(230)는 이미지들(201) 및 이미지들(205) 각각의 다항 분류 결과(209)를 출력하기 위한 레이어일 수 있다. 일 실시 예에서, 다항 분류 결과(209)는 이미지들(201) 및 이미지들(205)이 검사 항목들에 따른 클래스들(241, 243, 245, 247)에 대한 확률 값들을 포함할 수 있다. 예를 들어, 클래스(241)는 인쇄 문구가 정상일 확률을 나타내고, 클래스(243)는 인쇄 문구가 불량일 확률을 나타낼 수 있다. 다른 예를 들어, 클래스(245)는 찍힘, 또는 눌림 정도가 정상 범위 이내인 확률을 나타내고, 클래스(247)는 찍힘, 또는 눌림 정도가 정상 범위를 벗어날 확률을 나타낼 수 있다. 클래스들(241, 243, 245, 247)에 대한 확률 값들의 합은 1일 수 있다.
일 실시 예에서, 인공지능 모델 학습부(141)는 이미지들(201) 및 이미지들(205)을 인공지능 모델(161)에 입력함으로써, 획득되는 다항 분류 결과(209)와 이미지들(201) 및 이미지들(205) 각각의 사전 분류 결과가 일치, 또는 기준 차이값 이하가 되도록 히든 레이어(220)의 파라미터들을 조정할 수 있다.
제2 인공지능 모델 학습
도 4는 본 문서에 개시된 일 실시 예에 따른 인공지능 모델(165)을 예시한다.
일 실시 예에서, 인공지능 모델 학습부(141)는 기 획득된 대상품에 대한 이미지들(201)에 기반하여 인공지능 모델(165)을 학습시킬 수 있다. 여기에서, 인공지능 모델(165)을 학습하기 위해 이용되는 이미지들은 학습 데이터 중 대상품을 정상으로 분류하기 위한 제1 데이터일 수 있다.
일 실시 예에서, 인공지능 모델(165)은 다항 분류가 가능한 모델(예: CNN에 기초한 모델)일 수 있다. 일 실시 예에서, 인공지능 모델(165)은, 대상품에 대한 제1 데이터(즉, 이미지들(201))에 기초하여 검사 항목들 각각에서 정상인 이미지들과의 유사도를 출력하도록 학습될 수 있다. 여기에서, 유사도는 인공지능 모델(165)에 의해 획득되는 다항 분류 결과에 따른 확률 값의 최대 값을 의미할 수 있다.
일 실시 예에서, 인공지능 모델(165)은, 대상품에 대한 제1 데이터(즉, 이미지들(201))에 기초한 유사도를 기준값과 비교하여 이미지가 in-distribution(즉, 기 학습된 양품의 이미지에 대응함)인지 또는 out-of-distribution(즉, 신규 유형의 불량품의 이미지에 대응함)인지 구분하도록 학습될 수 있다.
일 실시 예에서, 인공지능 모델(165)은, 입력 레이어(410), 히든 레이어(420), 및 출력 레이어(430)를 포함할 수 있다. 여기에서, 입력 레이어(410)는 기 획득된 대상품에 대한 이미지들(201)이 입력될 수 있다. 히든 레이어(420)는 다수의 레이어들이 순차적으로 연결되는 구조를 가질 수 있다. 출력 레이어(430)는 이미지들(201) 각각의 다항 분류 결과(409)를 출력하기 위한 레이어일 수 있다. 일 실시 예에서, 다항 분류 결과(409)는 이미지들(201)이 검사 항목들에 따른 클래스들에 대한 확률 값들을 포함할 수 있다. 인공지능 모델(165)에서 설정되는 클래스들은 인공지능 모델(161)에서 설정되는 클래스들보다 적을 수 있다. 예를 들어, 인공지능 모델(165)에는 정상을 나타내는 클래스들만이 존재할 수 있다. 예를 들어, 인공지능 모델(165)은 인쇄 문구가 정상일 확률을 나타내거나, 또는, 인쇄 문구가 정상일 확률을 나타내는 클래스를 포함할 수 있다. 인공지능 모델(165)의 클래스들에 대한 확률 값들의 합은 1일 수 있다.
일 실시 예에서, 인공지능 모델 학습부(141)는 이미지들(201)을 인공지능 모델(165)에 입력함으로써, 획득되는 다항 분류 결과(409)에 따른 확률 값의 최대 값(441)이 기준값(449)을 초과하도록 히든 레이어(420)의 파라미터들을 조정할 수 있다.
일 실시 예에서, 인공지능 모델 학습부(141)는 이미지들(205)을 이용하여 인공지능 모델(165)를 테스트할 수 있다. 예를 들어, 인공지능 모델 학습부(141)는 이미지들(205)의 다항 분류 결과(409)에 따른 확률 값의 최대 값(445)이 기준값(449) 이하인지를 확인할 수 있다. 일 실시 예에서, 이미지들(205)의 다항 분류 결과(409)에 따른 확률 값의 최대 값(445)이 기준값(449)을 초과하는 경우, 인공지능 모델 학습부(141)는 인공지능 모델(165)의 기준값(449)을 조정할 수 있다. 예를 들어, 인공지능 모델 학습부(141)는 baseline 알고리즘, 또는 ODIN(out of distribution detector for neural networks) 알고리즘에 기초하여 기준값(449)을 조정할 수 있다. 여기에서, 기준값(449)의 조정은 히든 레이어(420)의 파라미터들을 조정하기 위한 학습 과정과는 구분될 수 있다.
대상품의 불량 검출
도 5는 본 문서에 개시된 일 실시 예에 따른 인공지능 모델(161) 및 인공지능 모델(165)을 이용한 대상품 중 양품 및/또는 불량품을 검출하는 프로세스를 예시한다. 도 6은 인공지능 모델에 의해 정상으로 분류된 이미지들을 예시한 도면이다.
일 실시 예에서, 프로세서(120)는 진단부(145)를 통해, 대상품 중 양품 및/또는 불량품을 검출할 수 있다. 프로세서(120)는 진단부(145)를 통해, 양품 및/또는 불량품을 검출하기 위하여, 대상품을 정상 또는 불량으로 분류할 수 있다. 프로세서(120)는 진단부(145)를 통해, 기 저장된 학습 데이터에 기반하여 대상품을 정상 또는 불량으로 분류할 수 있다. 이하에서는, 프로세서(120)의 동작들은 별다른 언급이 없는 한 진단부(145)를 통해 수행되는 것으로 이해될 수 있다.
일 실시 예에서, 프로세서(120)는 대상품의 이미지(501)와 기 저장된 학습 데이터를 이용하여 대상품을 분류할 수 있다. 프로세서(120)는 이미지 획득 장치(103)에서 획득한 대상품의 이미지(501)와 기 저장된 학습 데이터를 비교할 수 있다. 여기에서, 이미지 획득 장치(103)에서 획득한 대상품의 이미지(501)는 이미지 획득부(143)를 통해 프로세서(120)가 획득할 수 있다. 일 실시 예에서, 이미지 획득부(143)는 통신 회로(120)를 제어하기 위한 네트워크 드라이버를 포함할 수 있다. 실시예에 따르면, 프로세서(120)는 대상품을 분류하기 위하여, 대상품의 이미지(501)와 기 저장된 학습 데이터를 비교할 수 있다. 실시예에 따르면, 프로세서(120)는 기 저장된 학습 데이터를 적용한 인공지능 모델(161)에 기반하여 대상품을 분류할 수 있다.
실시예에 따르면, 학습 데이터는 대상품을 정상으로 분류하기 위한 데이터와 대상품을 불량으로 분류하기 위한 데이터를 각각 적어도 하나 이상 포함할 수 있다. 제1 데이터란, 학습 데이터 중 대상품을 정상으로 분류하기 위한 데이터를 의미할 수 있다. 실시예에 따르면, 제1 데이터는 양품의 이미지를 포함할 수 있다. 실시예에 따르면, 프로세서(120)는 제1 데이터를 이용하여 대상품을 정상으로 분류하기 위한 기준을 학습할 수 있다.
프로세서(120)는 기 저장된 학습 데이터에 기반하여 대상품을 정상 또는 불량으로 분류할 수 있다. 타겟 대상품이란, 프로세서(120)가 기 저장된 학습 데이터에 기반하여 대상품을 분류하였을 때, 정상으로 분류된 대상품을 의미할 수 있다. 실시예에 따르면, 프로세서(120)는 기 저장된 학습 데이터에 의하여 학습되지 않은 신규 유형의 불량품을 정상으로 분류할 가능성이 있다. 이때, 타겟 대상품은 양품을 포함할 뿐만 아니라, 신규 유형의 불량품도 포함할 수 있다. 예를 들어, 이미지들(610)이 기존 유형의 정상 대상품들의 이미지들이고, 이미지들(650)이 신규 유형의 불량 대상품들의 이미지들일 수 있다. 이 경우, 이미지들(610)이 인공지능 모델(161)에 입력되는 경우, 이미지들(610)에 대한 대상품이 정상(즉, 양품)으로 분류될 수 있다. 다른 예를 들어, 신규 유형의 불량품들의 이미지들(650)이 인공지능 모델(161)에 입력되는 경우, 이미지들(650)에 대한 대상품도 정상(즉, 양품)으로 분류될 수 있다.
프로세서(120)는 타겟 대상품에 대응되는 타겟 이미지(즉, 이미지들(610, 650))를 획득할 수 있다. 프로세서(120)는 제1 데이터와 타겟 이미지를 이용하여, 타겟 이미지의 특성을 판단할 수 있다. 프로세서(120)는 타겟 이미지의 특성을 이용하여 신규 유형의 불량품을 검출할 수 있다. 실시예에 따르면, 프로세서(120)는 타겟 이미지의 특성을 이용하여, 타겟 대상품을 정상 또는 불량으로 재분류할 수 있다. 실시예에 따르면, 프로세서(120)는 기 저장된 학습 데이터 중 제1 데이터를 적용한 인공지능 모델(165)에 기반하여 대상품을 분류할 수 있다. 일 실시 예에서, 프로세서(120)는 타겟 이미지(즉, 이미지들(610, 650)) 각각을 인공지능 모델(165)에 입력함으로써 획득되는 유사도와 기준값을 비교하여 신규 유형의 불량품을 검출할 수 있다. 여기에서, 유사도는 인공지능 모델(165)에 의해 획득되는 다항 분류 결과에 따른 확률 값의 최대 값을 의미할 수 있다. 예를 들어, 이미지들(610, 650) 중 유사도가 기준값을 초과하는 이미지들(610)의 경우, 프로세서(120)는 해당 대상품들을 정상으로 판정할 수 있다. 다른 예를 들어, 이미지들(610, 650) 중 유사도가 기준값 미만인 이미지들(650)의 경우, 프로세서(120)는 해당 대상품들을 불량으로 판정할 수 있다.
타겟 대상품 중 불량으로 재분류된 대상품은 신규 유형의 불량품에 해당할 수 있다. 프로세서(120)는 타겟 대상품을 대상으로 하여 재분류 과정을 거침으로써, 신규 유형의 불량품을 검출할 수 있다.
실시예에 따르면, 프로세서(120)는 타겟 이미지가 제1 데이터에 대응되는지 여부를 비교할 수 있다. 타겟 이미지가 제1 데이터에 대응되지 않는 경우, 프로세서(120)는 타겟 대상품을 불량으로 재분류할 수 있다.
실시예에 따르면, 프로세서(120)는 타겟 이미지와 제1 데이터 간의 유사도를 판단할 수 있다. 프로세서(120)는 기 설정된 방법에 따라, 타겟 이미지와 제1 데이터 간의 유사도를 판단할 수 있다. 프로세서(120)는 타겟 이미지와 제1 데이터 간의 유사도에 기반하여, 타겟 대상품을 불량 또는 정상으로 재분류할 수 있다. 실시예에 따르면 프로세서(120)는, 유사도가 기 설정된 기준값 미만인 경우의 타겟 대상품을 불량으로 재분류하고, 유사도가 기준값 이상인 경우의 타겟 대상품을 정상으로 재분류할 수 있다. 본 문서에 개시된 실시예에 따르면, 프로세서(120)는 타겟 이미지와 제1 데이터 간의 유사도(similarity)를 판단하고 유사도에 기반하여 타겟 대상품을 불량 또는 정상으로 재분류하고 있으나, 이에 한정되는 것은 아니다. 다른 실시예에 따르면, 프로세서(120)는 타겟 이미지와 제1 데이터 간의 비유사도(dissimilarity)를 판단하고 비유사도에 기반하여 타겟 대상품을 불량 또는 정상으로 재분류할 수도 있다.
프로세서(120)는 타겟 대상품을 불량으로 재분류한 때의 타겟 이미지를 제2 데이터로 판단할 수 있다. 제2 데이터란, 대상품을 불량으로 분류하기 위한 이미지에 해당할 수 있다. 제2 데이터는 기 저장된 학습 데이터에 포함되지 않은 신규 유형의 불량품의 이미지를 포함할 수 있다. 실시예에 따르면, 프로세서(120)는 제2 데이터를 학습 데이터에 포함시킬 수 있다. 프로세서(120)는 제2 데이터를 학습 데이터에 포함시킴으로써, 신규 유형의 불량을 학습할 수 있다. 프로세서(120)는 새롭게 제2 데이터에 포함된 이미지(예: 이미지들(650))에 기초하여 인공지능 모델(161)을 다시 학습시킬 수 있다.
실시예에 따르면, 프로세서(120)는 타겟 이미지가 제1 데이터에 대응되지 않는 경우의 타겟 이미지를 제2 데이터로 판단할 수 있다. 다른 실시예에 따르면, 프로세서(120)는 타겟 이미지의 유사도가 기 설정된 기준값 미만인 경우의 타겟 이미지를 제2 데이터로 판단할 수 있다.
도 7은 본 문서에 개시된 일 실시예에 따른 배터리 불량 검출 방법을 보여주는 도면이다.
도 7을 참조하면, 본 문서에 개시된 일 실시예에 따른 배터리 불량 검출 방법은 대상품의 이미지를 획득하는 단계(S100), 저장된 학습 데이터를 이용하여 대상품을 분류하는 단계(S110), 타겟 대상품에 대응되는 타겟 이미지를 획득하는 단계(S120) 및 제1 데이터와 타겟 이미지를 이용하여 타겟 이미지의 특성을 판단하는 단계(S130)를 포함할 수 있다.
이하에서는 배터리 불량 검출 방법에 대하여 도 1을 참조하여 구체적으로 설명하고, 설명의 편의를 위해 앞서 설명한 내용과 중복되는 내용은 생략하거나 간략히 설명한다.
S100 단계에서, 배터리 불량 검출 장치(101)는 대상품의 이미지를 획득할 수 있다. 실시예에 따르면, 대상품은 이차 전지를 포함할 수 있다. 실시예에 따르면 S100 단계에서, 배터리 불량 검출 장치(101)는 대상품의 이미지를 다채널로 획득할 수 있다. S100 단계는 배터리 불량 검출 장치(101)의 이미지 획득부(143)에 의하여 수행될 수 있다.
S110 단계에서, 배터리 불량 검출 장치(101)는 저장된 학습 데이터를 이용하여 대상품을 분류할 수 있다. 실시예에 따르면, 배터리 불량 검출 장치(101)는 대상품의 이미지를 기 저장된 학습 데이터와 비교하고, 비교 결과에 따라 대상품을 분류할 수 있다. 실시예에 따르면, 배터리 불량 검출 장치(101)는 기 저장된 학습 데이터를 적용한 인공지능 모델(161)에 기반하여 대상품을 분류할 수 있다. S110 단계는 배터리 불량 검출 장치(101)의 프로세서(120)에 의하여 수행될 수 있다.
실시예에 따르면, 학습 데이터는 대상품을 정상 또는 불량으로 분류하기 위한 데이터를 적어도 하나 이상 포함할 수 있다. 제1 데이터란, 학습 데이터 중 대상품을 정상으로 분류하기 위한 데이터를 의미할 수 있다. 실시예에 따르면, 제1 데이터는 양품의 이미지를 포함할 수 있다. 실시예에 따르면, 배터리 불량 검출 장치(101)는 제1 데이터를 이용하여 대상품을 정상으로 분류하기 위한 기준을 학습할 수 있다.
S110 단계에서 배터리 불량 검출 장치(101)는 학습 데이터에 기반하여 대상품을 정상 또는 불량으로 분류할 수 있다. S710 단계에서 정상으로 분류된 대상품을 타겟 대상품이라 지칭할 수 있다. 실시예에 따르면, 배터리 불량 검출 장치(101)는 학습 데이터에 기반하여 대상품을 정상 또는 불량으로 분류할 수 있고, 학습 데이터에 의해 학습되지 않은 신규 유형의 불량품은 정상으로 분류될 가능성이 있다. 이 때, 타겟 대상품은 양품을 포함할 뿐만 아니라, 신규 유형의 불량품도 포함할 수 있다.
S120 단계에서 배터리 불량 검출 장치(101)는, 타겟 대상품에 대응되는 타겟 이미지를 획득할 수 있다. 실시예에 따르면, 배터리 불량 검출 장치(101)는 기 획득한 대상품의 이미지 중에서 타겟 대상품에 대응되는 타겟 이미지를 선별할 수 있다. S120 단계는 배터리 불량 검출 장치(101)의 프로세서(120)에 의하여 수행될 수 있다.
S130 단계에서 배터리 불량 검출 장치(101)는, 제1 데이터와 타겟 이미지를 이용하여 타겟 이미지의 특성을 판단할 수 있다. 제1 데이터란, 학습 데이터 중 대상품을 정상으로 분류하기 위한 데이터를 의미할 수 있다. 실시예에 따르면, 제1 데이터는 양품의 이미지를 포함할 수 있다. 실시예에 따르면, 배터리 불량 검출 장치(101)는 제1 데이터를 적용한 인공지능 모델(165)에 기반하여 제1 데이터와 타겟 이미지를 이용하여 타겟 이미지의 특성을 판단할 수 있다. S130 단계는 배터리 불량 검출 장치(101)의 프로세서(120)에 의하여 수행될 수 있다.
S130 단계에서 배터리 불량 검출 장치(101)는 타겟 이미지의 특성을 판단할 수 있다. 실시예에 따르면, 배터리 불량 검출 장치(101)는 타겟 이미지가 제1 데이터에 대응되는 지 여부를 판단할 수 있다. 다른 실시예에 따르면, 배터리 불량 검출 장치(101)는 타겟 이미지가 제1 데이터 간의 유사도를 판단할 수 있다.
배터리 불량 검출 장치(101)는 S130 단계에서 판단한 타겟 이미지의 특성에 기반하여, 타겟 대상품을 정상 또는 불량으로 재분류할 수 있다. 배터리 불량 검출 장치(101)가 판단한 타겟 이미지의 특성에 기반하여 타겟 대상품을 정상 또는 불량으로 재분류하는 구체적인 방법에 대해서는 도 8 및 도 9에서 후술한다.
도 8은 본 문서에 개시된 일 실시예에 따른 배터리 불량 검출 방법을 보여주는 도면이다.
도 8을 참조하면, 본 문서에 개시된 일 실시예에 따른 배터리 불량 검출 방법은 타겟 이미지가 제1 데이터에 대응하는지 여부를 판단하고(S200), 타겟 이미지가 제1 데이터에 대응되지 않는 경우 타겟 대상품을 불량으로 재분류하는 단계(S210), 타겟 이미지를 제2 데이터로 판단하는 단계(S220), 및/또는 제2 데이터를 학습 데이터에 포함시키는 단계(S230)를 더 포함할 수 있다.
이하에서는 배터리 불량 검출 방법에 대하여 도 1 및 도 7을 참조하여 구체적으로 설명하고, 설명의 편의를 위해 앞서 설명한 내용과 중복되는 내용은 생략하거나 간략히 설명한다.
S200 단계에서 배터리 불량 검출 장치(101)는 타겟 이미지가 제1 데이터에 대응되는지 여부를 판단할 수 있다. S200 단계는 실질적으로 도 7의 S130 단계의 구체적 예시에 해당할 수 있다.
S200 단계에서 배터리 불량 검출 장치(101)가 타겟 이미지가 제1 데이터에 대응되지 않는다고 판단한 경우, 배터리 불량 검출 장치(101)는 타겟 대상품을 불량으로 재분류할 수 있다(S210). 실시예에 따르면, 타겟 대상품은 학습 데이터에 기반하여 배터리 불량 검출 장치(101)가 정상으로 분류한 대상품이지만, 타겟 대상품은 학습 데이터에 포함되지 않은 신규 유형의 불량품도 포함할 수 있다. S200 단계에서 배터리 불량 검출 장치(101)는 타겟 대상품이 제1 데이터에 대응되는지 여부를 판단함으로써, 타겟 대상품에 포함된 신규 유형의 불량품을 검출할 수 있다. S200 단계는 배터리 불량 검출 장치(101)의 프로세서(120)에 의하여 수행될 수 있다.
S200 단계에서 타겟 이미지가 제1 데이터에 대응된다고 판단한 경우, 배터리 불량 검출 장치(101)는 타겟 대상품을 정상으로 재분류할 수 있다.
S200 단계에서 타겟 이미지가 제1 데이터에 대응되지 않는다고 판단한 경우, 배터리 불량 검출 장치(101)는 타겟 대상품을 불량으로 재분류할 수 있다(S210).
S210 단계에서 배터리 불량 검출 장치(101)가 불량으로 재분류한 타겟 대상품은 학습 데이터에 포함되지 않은 신규 유형의 불량품에 해당할 수 있다. S210 단계는 배터리 불량 검출 장치(101)의 프로세서(120)에 의하여 수행될 수 있다.
S220 단계에서 배터리 불량 검출 장치(101)는, 배터리 불량 검출 장치(101)가 S210 단계에서 불량으로 재분류한 타겟 대상품의 타겟 이미지를 제2 데이터로 판단할 수 있다. 실시예에 따르면, 제2 데이터는 배터리 불량 검출 장치(101)에 신규 유형의 불량품의 이미지를 포함할 수 있다. S220 단계는 배터리 불량 검출 장치(101)의 프로세서(120)에 의하여 수행될 수 있다.
S230 단계에서 배터리 불량 검출 장치(101)는 제2 데이터를 학습 데이터에 포함시킬 수 있다. 실시예에 따르면, 제2 데이터는 배터리 불량 검출 장치(101)가 대상품을 불량으로 분류하기 위한 이미지에 해당할 수 있다. 실시예에 따르면, 제2 데이터는 기 저장된 학습 데이터에 포함되지 않은 신규 유형의 불량품의 이미지를 포함할 수 있다. S230 단계에서 배터리 불량 검출 장치(101)는 제2 데이터를 학습 데이터에 포함시킴으로써, 신규 유형의 불량을 학습할 수 있다. S230 단계는 배터리 불량 검출 장치(101)의 프로세서(120)에 의하여 수행될 수 있다.
도 9는 본 문서에 개시된 일 실시예에 따른 배터리 불량 검출 방법을 보여주는 도면이다.
도 9를 참조하면, 본 문서에 개시된 일 실시예에 따른 배터리 불량 검출 방법은 타겟 이미지와 제1 데이터의 유사도를 판단하는 단계(S300) 및 유사도에 기반하여 타겟 대상품을 불량 또는 정상으로 재분류하는 단계(S310)를 더 포함할 수 있다.
이하에서는 배터리 불량 검출 방법에 대하여 도 1, 및 도 7 내지 도 8을 참조하여 구체적으로 설명하고, 설명의 편의를 위해 앞서 설명한 내용과 중복되는 내용은 생략하거나 간략히 설명한다.
S300 단계에서 배터리 불량 검출 장치(101)는 타겟 이미지와 제1 데이터의 유사도를 판단할 수 있다. S300 단계는 실질적으로 도 7의 S130 단계의 구체적인 예시에 해당할 수 있다. S300 단계는 배터리 불량 검출 장치(101)의 프로세서(120)에 의하여 수행될 수 있다.
S300 단계에서 배터리 불량 검출 장치(101)는 기 설정된 방법에 따라, 타겟 이미지와 제1 데이터 간의 유사도를 판단할 수 있다. 실시예에 따르면, 배터리 불량 검출 장치(101)는 타겟 이미지와 제1 데이터 간의 유사도를 수치화하여 판단할 수 있다. 본 문서에 개시된 실시예에 따르면, 배터리 불량 검출 장치(101)는 타겟 이미지와 제1 데이터 간의 유사도(similarity)를 판단하고 있으나, 이에 한정되는 것은 아니고, 타겟 이미지와 제1 데이터 간의 비유사도(dissimilarity)를 판단할 수도 있다.
S310 단계에서 배터리 불량 검출 장치(101)는, 타겟 이미지와 제1 데이터의 유사도에 기반하여 타겟 대상품을 불량 또는 정상으로 재분류할 수 있다. 배터리 불량 검출 장치(101)는 타겟 이미지가 제1 데이터와 유사한 정도에 기반하여 타겟 대상품을 불량 또는 정상으로 재분류할 수 있다. 실시예에 따르면, 배터리 불량 검출 장치(101)는 타겟 이미지 및 제1 데이터 사이의 유사도에 대한 기준값을 설정할 수 있다. 실시예에 따르면, 배터리 불량 검출 장치(101)는 S300 단계에서 판단한 유사도를 기준값과 비교함으로써 타겟 대상품을 불량 또는 정상으로 재분류할 수 있다.
실시예에 따르면, 배터리 불량 검출 장치(101)는 타겟 이미지와 제1 데이터의 유사도가 기 설정된 기준값 이상인 경우, 타겟 이미지에 대응되는 타겟 대상품을 정상으로 재분류할 수 있다.
실시예에 따르면, 배터리 불량 검출 장치(101)는 타겟 이미지와 제1 데이터의 유사도가 기 설정된 기준값 미만인 경우, 타겟 이미지에 대응되는 타겟 대상품을 불량으로 재분류할 수 있다. 이 때, 불량으로 재분류된 타겟 대상품은 신규 유형의 불량품에 해당할 수 있다.
도 10은 본 문서에 개시된 일 실시예에 따른 배터리 불량 검출 방법을 보여주는 도면이다.
도 10을 참조하면, 본 문서에 개시된 일 실시예에 따른 배터리 불량 검출 방법은 타겟 이미지와 제1 데이터의 유사도를 판단하는 단계(S400), 타겟 이미지와 제1 데이터의 유사도를 기 설정된 기준값과 비교하는 단계(S410), 타겟 이미지와 제1 데이터의 유사도가 기준값 미만인 경우 타겟 이미지를 제2 데이터로 판단하는 단계(S420) 및/또는 제2 데이터를 학습 데이터에 포함시키는 단계(S430)를 더 포함할 수 있다.
이하에서는 배터리 불량 검출 방법에 대하여 도 1, 및 도 7 내지 도 9를 참조하여 구체적으로 설명하고, 설명의 편의를 위해 앞서 설명한 내용과 중복되는 내용은 생략하거나 간략히 설명한다.
S400 단계는 도 4의 S300 단계와 실질적으로 동일한 단계에 해당할 수 있다. S410 단계, S420 단계 및/또는 S430 단계는 도 4의 S310 단계와 동시에 또는 S310 단계의 전후에 수행될 수 있다.
S410 단계에서, 배터리 불량 검출 장치(101)는 타겟 대상품과 제1 데이터의 유사도가 기 설정된 기준값 미만인지 여부를 판단할 수 있다. 기준값이란, 타겟 이미지와 제1 데이터 사이의 유사도에 기반하여 배터리 불량 검출 장치(101)가 타겟 대상품을 정상 또는 불량으로 재분류하기 위하여 기준으로 설정된 값에 해당할 수 있다.
S410 단계에서 배터리 불량 검출 장치(101)가 유사도가 기준값 이상이라고 판단한 타겟 이미지는 양품의 이미지를 포함할 수 있다. 실시예에 따르면, 배터리 불량 검출 장치(101)는 유사도가 기준값 이상이라고 판단한 타겟 이미지에 대하여 추가적인 동작을 수행하지 않을 수 있다. 다른 실시예에 따르면, 배터리 불량 검출 장치(101)는 유사도가 기준값 이상이라고 판단한 타겟 이미지를 제1 데이터에 추가하여 포함시킬 수 있다. 본 문서에 개시된 실시예에 따르면, 배터리 불량 검출 장치(101)는 유사도가 기준값 이상이라고 판단한 타겟 이미지를 제1 데이터에 추가시키고 학습함으로써, 불량 검출의 정밀도를 높일 수 있다.
S420 단계에서 배터리 불량 검출 장치(101)는, 유사도가 기준값 미만이라고 판단된 타겟 이미지를 제2 데이터로 판단할 수 있다. 실시예에 따르면, 제2 데이터로 판단된 타겟 이미지는 신규 유형의 불량품에 대한 이미지를 포함할 수 있다. 실시예에 따르면, S420 단계에서 배터리 불량 검출 장치(101)는 신규 유형의 불량품에 대응되는 타겟 이미지를 제2 데이터로 판단할 수 있다.
S430 단계에서 배터리 불량 검출 장치(101)는 제2 데이터를 학습 데이터에 포함시킬 수 있다. 실시예에 따르면, 제2 데이터는 배터리 불량 검출 장치(101)가 대상품을 불량으로 분류하기 위한 이미지에 해당할 수 있다. 실시예에 따르면, 제2 데이터는 기 저장된 학습 데이터에 포함되지 않은 신규 유형의 불량품의 이미지를 포함할 수 있다. S430 단계에서 배터리 불량 검출 장치(101)는 제2 데이터를 학습 데이터에 포함시킴으로써, 신규 유형의 불량을 학습할 수 있다.
도 11은 본 문서에 개시된 일 실시예에 따른 배터리 불량 검출 시스템을 보여주는 도면이다.
도 11을 참조하면, 본 문서에 개시된 일 실시예에 따른 배터리 불량 검출 시스템(1000)은 검사 장치(1100) 및 신규 불량 탐지 장치(1200)를 포함할 수 있다. 여기에서, 검사 장치(1000)는 인공지능 모델(161)에 기반하고, 신규 불량 탐지 장치(1100)는 인공지능 모델(165)에 기반할 수 있다.
이하에서는 배터리 불량 검출 시스템에 대하여 도 1, 및 도 7 내지 도 10을 참조하여 구체적으로 설명하고, 설명의 편의를 위해 앞서 설명한 내용과 중복되는 내용은 생략하거나 간략히 설명한다.
검사장치(1100)는, 대상품의 이미지를 획득하고, 대상품의 이미지와 기 저장된 학습 데이터를 이용하여 대상품을 분류할 수 있다. 실시예에 따르면, 검사장치(1100)는 이미지 획득부(1110) 및 프로세서(1120)를 포함할 수 있다.
검사장치(1100)는 대상품의 이미지를 획득할 수 있다. 실시예에 따르면, 검사장치(1100)는 이미지 획득부(1110)를 통하여 대상품의 이미지를 획득할 수 있다. 실시예에 따르면, 이미지 획득부(1110)는 대상품을 촬영하여 대상품의 이미지를 획득하는 원격의 이미지 획득 장치로부터 이미지를 획득할 수 있다. 실시예에 따르면, 원격의 이미지 획득 장치는 카메라로 구현될 수 있다. 실시예에 따르면, 원격의 이미지 획득 장치는 대상품의 이미지를 다채널로 획득할 수 있다.
검사장치(1100)는 대상품의 이미지와 기 저장된 학습 데이터를 이용하여 대상품을 분류할 수 있다. 실시예에 따르면, 검사장치(1100)는 프로세서(1120)를 통하여 대상품을 분류할 수 있다. 실시예에 따르면, 프로세서(1120)는 대상품의 이미지와 기 저장된 학습 데이터를 비교할 수 있다. 실시예에 따르면, 프로세서(1120)는 기 저장된 학습 데이터를 적용한 딥러닝 모델에 기반하여 대상품을 분류할 수 있다.
프로세서(1120)는 기 저장된 학습 데이터에 기반하여 대상품을 정상 또는 불량으로 분류할 수 있다. 프로세서(1120)는 기 저장된 학습 데이터에 기반하여 대상품을 분류하고, 정상으로 분류한 대상품을 타겟 대상품으로 설정할 수 있다. 실시예에 따르면, 프로세서(1120)는 대상품 중에서 학습 데이터에 포함되지 않은 신규 유형의 불량품을 정상으로 분류할 수 있고, 타겟 대상품은 양품 및 신규 유형의 불량품을 함께 포함할 수 있다.
신규 불량 탐지 장치(1200)는 검사장치(1100)에서 정상으로 분류한 타겟 대상품에 대응되는 타겟 이미지를 획득하고, 학습 데이터 중 대상품을 정상으로 분류하기 위한 제1 데이터와 타겟 대상 이미지를 이용하여 타겟 이미지의 특성을 판단할 수 있다. 실시예에 따르면, 신규 불량 탐지 장치(1200)는 타겟 이미지 획득부(1210) 및 프로세서(1220)를 포함할 수 있다.
신규 불량 탐지 장치(1200)는 검사장치(1100)로부터 타겟 대상품을 전달받을 수 있다. 신규 불량 탐지 장치(1200)는 타겟 대상품에 대응되는 타겟 이미지를 획득할 수 있다. 실시예에 따르면, 신규 불량 탐지 장치(1200)는 타겟 이미지 획득부(1210)를 통하여 타겟 이미지를 획득할 수 있다.
실시예에 따르면, 신규 불량 탐지 장치(1200)는 검사장치(1100)로부터 타겟 대상품에 대응되는 타겟 이미지를 함께 전달받을 수 있다. 타겟 이미지 획득부(1210)는 검사장치(1100)가 기 획득한 대상품의 이미지 중에서 타겟 대상품에 대응되는 타겟 이미지를 선별할 수 있다. 실시예에 따르면, 타겟 이미지 획득부(1210)는 프로세서(1220)와 통합하여 하나의 모듈로써 구현될 수 있다.
다른 실시예에 따르면, 타겟 이미지 획득부(1210)는 검사장치(1100)로부터 전달받은 타겟 대상품의 이미지를 촬영하여 타겟 이미지를 획득할 수 있다. 이 때, 타겟 이미지 획득부(1210)는 카메라로 구현될 수 있다.
신규 불량 탐지 장치(1200)는 제1 데이터와 타겟 이미지를 이용하여 타겟 이미지의 특성을 판단할 수 있다. 제1 데이터는, 학습 데이터 중에서 검사 장치(1100)가 대상품을 정상으로 분류하기 위한 데이터를 의미할 수 있다. 실시예에 따르면, 신규 불량 탐지 장치(1200)는 검사 장치(1100)와 학습 데이터를 공유할 수 있다. 실시예에 따르면, 신규 불량 탐지 장치(1200)는 프로세서(1220)를 통하여 타겟 이미지의 특성을 판단할 수 있다.
실시예에 따르면, 프로세서(1220)는 타겟 이미지가 제1 데이터에 대응되는지 여부를 판단할 수 있다. 다른 실시예에 따르면, 프로세서(1220)는 타겟 이미지와 제1 데이터 사이의 유사도를 판단할 수 있다.
프로세서(1220)는 타겟 이미지의 특성에 판단하고, 판단된 특성에 기초하여 신규 유형의 불량을 검출할 수 있다. 실시예에 따르면, 프로세서(1220)는 타겟 이미지가 제1 데이터에 대응되지 않는 경우, 타겟 이미지를 제2 데이터로 판단할 수 있다. 다른 실시예에 따르면, 프로세서(1220)는 타겟 이미지와 제1 데이터의 유사도가 기 설정된 기준값 미만인 경우, 타겟 이미지를 제2 데이터로 판단할 수 있다. 본 문서에 개시된 실시예에 따라, 제2 데이터로 판단된 타겟 이미지에 대응되는 타겟 대상품은 신규 유형의 불량품에 해당할 수 있다. 프로세서(1220)는 타겟 이미지에 대응되는 타겟 대상품을 검출함으로써, 신규 유형의 불량품을 검출할 수 있다.
실시예에 따르면, 프로세서(1220)는 제2 데이터를 학습 데이터에 포함시킬 수 있다. 프로세서(1220)는 제2 데이터를 학습 데이터에 포함시킴으로써, 신규 유형의 불량을 학습할 수 있다. 신규 불량 탐지 장치(1200)는 제2 데이터를 검사 장치(1100)와 공유할 수 있다. 실시예에 따르면, 검사 장치(1100)는 제2 데이터를 학습할 수 있고, 제2 데이터를 학습함으로써 불량 검출의 정밀도를 높일 수 있다.
이상에서 기재된 "포함하다", "구성하다", 또는 "가지다" 등의 용어는, 특별히 반대되는 기재가 없는 한, 해당 구성 요소를 내재할 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다. 기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 문서에 개시된 실시예들이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥상의 의미와 일치하는 것으로 해석되어야 하며, 본 문서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이상의 설명은 본 문서에 개시된 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 문서에 개시된 실시예들이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 문서에 개시된 실시예들의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 문서에 개시된 실시예들은 본 문서에 개시된 실시예들의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 문서에 개시된 기술 사상의 범위가 한정되는 것은 아니다. 본 문서에 개시된 기술사상의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술사상은 본 문서의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (17)

  1. 배터리 불량 검출 장치에 있어서,
    통신 모듈,
    프로세서, 및
    제1 인공지능 모델, 제2 인공지능 모델 및 인스트럭션들을 저장하는 메모리를 포함하고,
    상기 인스트럭션들은 상기 프로세서에 의해 실행 시 상기 배터리 불량 검출 장치가,
    상기 통신 모듈을 이용하여 대상품의 이미지를 획득하고,
    상기 대상품의 상기 이미지를 상기 제1 인공지능 모델에 입력하여, 상기 대상품을 분류하고,
    상기 대상품이 정상으로 분류된 경우, 상기 대상품의 상기 이미지를 상기 제2 인공지능 모델에 입력하여, 상기 대상품의 상기 이미지가 상기 제1 인공지능 모델의 학습 데이터 중 상기 대상품을 정상으로 분류하기 위한 제1 데이터에 대응될 수 있는지를 판단하도록 구성되는 배터리 불량 검출 장치.
  2. 청구항 1에 있어서,
    상기 인스트럭션들은 상기 프로세서에 의해 실행 시 상기 배터리 불량 검출 장치가,
    상기 이미지가 상기 제1 데이터에 대응되지 않는 경우, 상기 대상품을 불량으로 재분류하도록 구성되는
    배터리 불량 검출 장치.
  3. 청구항 1에 있어서,
    상기 인스트럭션들은 상기 프로세서에 의해 실행 시 상기 배터리 불량 검출 장치가,
    상기 이미지가 상기 제1 데이터에 대응되지 않는 경우, 상기 이미지를 상기 대상품을 불량으로 분류하기 위한 제2 데이터로 판단하도록 구성되는
    배터리 불량 검출 장치.
  4. 청구항 3에 있어서,
    상기 인스트럭션들은 상기 프로세서에 의해 실행 시 상기 배터리 불량 검출 장치가,
    상기 제2 데이터에 기초하여 상기 제1 인공지능 모델을 학습시키도록 구성되는
    배터리 불량 검출 장치.
  5. 청구항 1에 있어서,
    상기 대상품의 상기 이미지는, 이미지 획득 장치에 의해, 다채널로 획득되는
    배터리 불량 검출 장치.
  6. 청구항 1에 있어서,
    상기 인스트럭션들은 상기 프로세서에 의해 실행 시 상기 배터리 불량 검출 장치가,
    상기 제2 인공지능 모델을 통해 상기 이미지와 상기 제1 데이터 간의 유사도를 획득하고,
    상기 유사도에 기반하여 상기 대상품을 불량 또는 정상으로 재분류하도록 구성되는
    배터리 불량 검출 장치.
  7. 청구항 6에 있어서,
    상기 인스트럭션들은 상기 프로세서에 의해 실행 시 상기 배터리 불량 검출 장치가,
    상기 이미지의 상기 유사도가 기 설정된 기준값 미만인 경우, 상기 이미지를 상기 대상품을 불량으로 분류하기 위한 제2 데이터로 판단하도록 구성되는
    배터리 불량 검출 장치.
  8. 청구항 7에 있어서,
    상기 인스트럭션들은 상기 프로세서에 의해 실행 시 상기 배터리 불량 검출 장치가,
    상기 제2 데이터에 기초하여 상기 제1 인공지능 모델을 학습시키도록 구성되는
    배터리 불량 검출 장치.
  9. 배터리 불량 검출 장치의 동작 방법에 있어서,
    대상품의 이미지를 획득하는 동작,
    상기 대상품의 상기 이미지를 상기 제1 인공지능 모델에 입력하여, 상기 대상품을 분류하는 동작, 및
    상기 대상품이 정상으로 분류된 경우, 상기 대상품의 상기 이미지를 상기 제2 인공지능 모델에 입력하여, 상기 대상품의 상기 이미지가 상기 제1 인공지능 모델의 학습 데이터 중 상기 대상품을 정상으로 분류하기 위한 제1 데이터에 대응될 수 있는지를 판단하는 동작을 포함하는
    동작 방법.
  10. 청구항 9에 있어서,
    상기 이미지가 상기 제1 데이터에 대응되지 않는 경우 상기 대상품을 불량으로 재분류하는 동작을 더 포함하는
    동작 방법.
  11. 청구항 9에 있어서,
    상기 이미지가 상기 제1 데이터에 대응되지 않는 경우, 상기 이미지를 상기 대상품을 불량으로 분류하기 위한 제2 데이터로 판단하는 동작을 더 포함하는
    동작 방법.
  12. 청구항 11에 있어서,
    상기 제2 데이터에 기초하여 상기 제1 인공지능 모델을 학습시키는 동작을 더 포함하는
    동작 방법.
  13. 청구항 9에 있어서,
    상기 대상품의 상기 이미지는 다채널로 획득되는
    동작 방법.
  14. 청구항 9에 있어서,
    상기 제2 인공지능 모델을 통해 상기 이미지와 상기 제1 데이터 간의 유사도를 획득하는 동작, 및
    상기 유사도에 기반하여 상기 대상품을 불량 또는 정상으로 재분류하는 동작을 더 포함하는
    동작 방법.
  15. 청구항 14에 있어서,
    상기 이미지의 상기 유사도가 기 설정된 기준값 미만인 경우, 상기 이미지를 상기 대상품을 불량으로 분류하기 위한 제2 데이터로 판단하는 동작을 더 포함하는
    동작 방법.
  16. 청구항 15에 있어서,
    상기 제2 데이터에 기초하여, 상기 제1 인공지능 모델을 학습시키는 동작을 더 포함하는
    동작 방법.
  17. 대상품의 이미지를 획득하고, 상기 대상품의 이미지와 기 저장된 학습 데이터를 이용하여 학습되는 제1 인공지능 모델을 이용하여 상기 대상품을 분류하는 배터리 불량 검출 장치; 및
    상기 대상품이 정상으로 분류된 경우, 상기 대상품의 상기 이미지를 상기 제2 인공지능 모델에 입력하여, 상기 대상품의 상기 이미지가 상기 제1 인공지능 모델의 상기 학습 데이터 중 상기 대상품을 정상으로 분류하기 위한 제1 데이터에 대응될 수 있는지를 판단하는 신규 불량 탐지 장치를 포함하는 배터리 불량 검출 시스템.
PCT/KR2023/002839 2022-03-02 2023-03-02 배터리 불량 검출 장치, 방법 및 시스템 WO2023167498A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202380020012.8A CN118613716A (zh) 2022-03-02 2023-03-02 电池缺陷检测装置、方法和系统

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2022-0027072 2022-03-02
KR20220027072 2022-03-02

Publications (1)

Publication Number Publication Date
WO2023167498A1 true WO2023167498A1 (ko) 2023-09-07

Family

ID=87884026

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/002839 WO2023167498A1 (ko) 2022-03-02 2023-03-02 배터리 불량 검출 장치, 방법 및 시스템

Country Status (3)

Country Link
KR (1) KR20230129940A (ko)
CN (1) CN118613716A (ko)
WO (1) WO2023167498A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117723550A (zh) * 2024-02-18 2024-03-19 宁德时代新能源科技股份有限公司 产品质量检测设备的检测方法、装置和电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200094608A (ko) * 2019-01-30 2020-08-07 삼성전자주식회사 이미지를 처리하기 위한 방법 및 그에 따른 장치
US20200285938A1 (en) * 2017-09-08 2020-09-10 Samsung Electronics Co., Ltd. Neural network learning method and device for recognizing class
KR20210010541A (ko) * 2018-08-27 2021-01-27 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. 배터리 검출 방법 및 장치(battery detection method and device)
KR20210038143A (ko) * 2019-09-30 2021-04-07 (주)쎄미시스코 인공지능(ai) 기반 대상물 검사 시스템 및 방법
KR20220011487A (ko) * 2020-07-21 2022-01-28 삼성전자주식회사 배터리 상태를 식별하기 위한 방법, 이를 위한 전자 장치 및 저장 매체
KR20220027072A (ko) 2019-06-28 2022-03-07 바이트댄스 아이엔씨 변환 스킵 모드에서 양자화 파라미터를 수정하는 기술

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200285938A1 (en) * 2017-09-08 2020-09-10 Samsung Electronics Co., Ltd. Neural network learning method and device for recognizing class
KR20210010541A (ko) * 2018-08-27 2021-01-27 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. 배터리 검출 방법 및 장치(battery detection method and device)
KR20200094608A (ko) * 2019-01-30 2020-08-07 삼성전자주식회사 이미지를 처리하기 위한 방법 및 그에 따른 장치
KR20220027072A (ko) 2019-06-28 2022-03-07 바이트댄스 아이엔씨 변환 스킵 모드에서 양자화 파라미터를 수정하는 기술
KR20210038143A (ko) * 2019-09-30 2021-04-07 (주)쎄미시스코 인공지능(ai) 기반 대상물 검사 시스템 및 방법
KR20220011487A (ko) * 2020-07-21 2022-01-28 삼성전자주식회사 배터리 상태를 식별하기 위한 방법, 이를 위한 전자 장치 및 저장 매체

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117723550A (zh) * 2024-02-18 2024-03-19 宁德时代新能源科技股份有限公司 产品质量检测设备的检测方法、装置和电子设备

Also Published As

Publication number Publication date
KR20230129940A (ko) 2023-09-11
CN118613716A (zh) 2024-09-06

Similar Documents

Publication Publication Date Title
WO2017213398A1 (en) Learning model for salient facial region detection
WO2023167498A1 (ko) 배터리 불량 검출 장치, 방법 및 시스템
WO2020209640A1 (en) Electronic device and method for controlling transmission power thereof
WO2019143185A1 (en) Electronic device and method of detecting status of battery thereof
WO2022114665A1 (ko) 태양전지 셀에 대한 이미지 분류 방법 및 장치
WO2022145822A1 (ko) 배터리 관리 장치 및 방법
WO2020004774A1 (ko) 배터리 관리 시스템에 포함된 회로 기판을 테스트하기 위한 장치 및 방법
WO2021033969A1 (en) Apparatus and method for detecting defective component using infrared camera
WO2020180021A1 (en) Electronic device and method for scanning channel to perform location-based service
WO2021261781A1 (ko) 배터리 상태 관리 시스템 및 방법
WO2021020711A1 (ko) 불량을 예측하는 전자 장치 및 그 전자 장치의 제어 방법
WO2019047077A1 (zh) 终端白平衡处理方法、终端及计算机可读存储介质
WO2022203322A1 (ko) 배터리 분류 장치 및 방법
WO2022080746A1 (ko) 배터리 상태 진단 장치 및 방법
WO2022114873A1 (ko) 배터리 관리 장치 및 방법
WO2024049201A1 (ko) 배터리 전극 검사 장치 및 방법
WO2024053870A1 (ko) 배터리의 이상을 감지하는 전자 장치 및 이의 동작 방법
WO2019041319A1 (zh) Wifi功能测试方法、终端设备、系统及存储介质
WO2020159111A1 (ko) 엣지 컴퓨팅 환경에서 데이터를 전처리하는 전자 장치 및 그 제어 방법
WO2023136584A1 (ko) 모니터링 장치 및 그것의 동작 방법
WO2023182796A1 (ko) 제품 이미지를 기반으로 불량 제품을 감지하는 인공 지능 장치 및 그 방법
WO2024049194A1 (ko) 인공지능 모델 기반의 이상 진단 방법, 이를 이용한 이상 진단 장치 및 공장 모니터링 시스템
WO2024215098A1 (ko) 용접 단차 측정 장치 및 이의 동작 방법
WO2024101693A1 (ko) 배터리 진단 장치 및 그의 동작 방법
WO2024136310A1 (ko) 배터리의 가스 발생량 예측 장치 및 이의 동작 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: 23763697

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2023763697

Country of ref document: EP

Effective date: 20240730