WO2024049201A1 - 배터리 전극 검사 장치 및 방법 - Google Patents

배터리 전극 검사 장치 및 방법 Download PDF

Info

Publication number
WO2024049201A1
WO2024049201A1 PCT/KR2023/012884 KR2023012884W WO2024049201A1 WO 2024049201 A1 WO2024049201 A1 WO 2024049201A1 KR 2023012884 W KR2023012884 W KR 2023012884W WO 2024049201 A1 WO2024049201 A1 WO 2024049201A1
Authority
WO
WIPO (PCT)
Prior art keywords
battery electrode
learning model
image
learning
command
Prior art date
Application number
PCT/KR2023/012884
Other languages
English (en)
French (fr)
Inventor
차영은
김시권
김태영
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
Priority claimed from KR1020230103916A external-priority patent/KR20240031887A/ko
Application filed by 주식회사 엘지에너지솔루션 filed Critical 주식회사 엘지에너지솔루션
Publication of WO2024049201A1 publication Critical patent/WO2024049201A1/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
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • 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
    • H01M50/50—Current conducting connections for cells or batteries
    • H01M50/531—Electrode connections inside a battery casing
    • H01M50/533—Electrode connections inside a battery casing characterised by the shape of the leads or tabs

Definitions

  • the present invention relates to a battery electrode inspection device and method, which determines whether an electrode is defective due to surface defects from an electrode image using a pre-trained learning model.
  • lithium batteries are being applied to various industrial fields such as mobile applications, automobiles, robots, and energy storage devices as a response to today's environmental regulations and high oil price issues.
  • lithium batteries are generally classified into cylindrical, prismatic, or pouch types depending on the shape of the exterior material in which the electrode assembly is accommodated.
  • cylindrical batteries are provided in a battery pack (Cell To Pack, CTP) structure consisting of a plurality of battery cells.
  • a cylindrical battery is provided in a form in which an electrode formed as a separator between an anode and a cathode is wound and inserted into a battery can.
  • a battery electrode inspection device In the electrode process of a cylindrical battery, a battery electrode inspection device is used to detect defects on the electrode surface caused by foreign substances, scratches, etc.
  • a battery electrode inspection device analyzes cameras installed in process equipment and electrode images obtained from cameras to determine whether there is a defect due to a defect in the electrode surface. Accordingly, the battery electrode inspection device may affect the result data depending on field conditions or environments such as shaking of equipment, changes in process conditions, etc.
  • the conventional battery electrode inspection device applied program logic designed based on defective images obtained from a camera installed in the field during initial application of the process.
  • the conventional battery electrode inspection device has the disadvantage of requiring a long time for initial application of the process.
  • the conventional battery electrode inspection device had the disadvantage that the program logic had to be continuously redesigned by engineers when changes occurred in the field situation or environment.
  • the purpose of the present invention to solve the above problems is to provide a battery electrode inspection system.
  • the purpose of the present invention to solve the above problems is to provide a battery electrode inspection device.
  • Another purpose of the present invention to solve the above problems is to provide a method for inspecting battery electrodes.
  • An artificial intelligence model-based battery electrode inspection device for achieving the above object includes a memory and a processor that executes at least one command stored in the memory, and the at least one command includes, A command to acquire an inspection target image in which a region suspected of being defective is extracted from an electrode image in which at least one electrode surface is photographed, and the inspection target image is input to a pre-trained learning model to obtain result data on whether the battery electrode is defective. Contains a command to output .
  • the command to output the result data may include a command to determine one learning model among a plurality of learning models according to the amount of at least one learning data.
  • the command for determining the learning model may include a command for outputting the result data using a pre-learned first learning model based on machine learning when the amount of learning data is less than a preset reference value.
  • the command for determining the learning model may include a command for outputting the result data using a pre-trained second learning model based on deep learning when the amount of learning data is greater than a preset reference value.
  • the command for outputting the result data using the first learning model includes a command for extracting at least one image feature value from the image to be inspected, and at least one in the first learning model. It may include a command to obtain the result data by inputting the image feature value.
  • the command for extracting the image feature value may include a command for extracting the image feature value from the image to be inspected using a rule-based learning algorithm.
  • the image feature values are the height of the pixel extracted from the image to be inspected, the width of the pixel, the maximum pixel value (Peak White), the minimum pixel value (Peak Dark), and the aspect ratio. , may include at least one data of roundness.
  • the first learning model may be a random forest-based learning model.
  • the command to output the result data using the second learning model may include a command to obtain the result data by inputting at least one image to be inspected into the second learning model.
  • the second learning model may be a CNN (Convolutional Neural Network)-based learning model.
  • the at least one command may further include a command to retrain the pre-trained learning model by using the result data as training data.
  • a battery electrode inspection method using an artificial intelligence model-based battery electrode inspection device includes an inspection in which an area suspected of being defective is extracted from an electrode image in which at least one electrode surface is photographed. It includes acquiring a target image, inputting the inspection target image into a pre-trained learning model, and outputting result data on whether the battery electrode is defective.
  • the step of outputting the result data may include determining one learning model among a plurality of learning models according to the amount of at least one learning data.
  • the step of determining the learning model may include outputting the result data using a first learning model based on pre-trained machine learning when the amount of learning data is less than a preset reference value.
  • the step of determining the learning model may include outputting the result data using a pre-learned second learning model based on deep learning when the amount of learning data is greater than or equal to a preset reference value.
  • the step of outputting the result data using the first learning model includes a command for extracting at least one image feature value from the image to be inspected, and at least one of the above in the first learning model. It may include obtaining the result data by inputting image feature values.
  • the step of extracting the image feature value may include extracting the image feature value from the image to be inspected using a rule-based learning algorithm.
  • the image feature values are the height of the pixel extracted from the image to be inspected, the width of the pixel, the maximum pixel value (Peak White), the minimum pixel value (Peak Dark), and the aspect ratio. , may include at least one data of roundness.
  • the first learning model may be a random forest-based learning model.
  • outputting the result data using the second learning model may include obtaining the result data by inputting at least one image to be inspected into the second learning model.
  • the second learning model may be a CNN (Convolutional Neural Network)-based learning model.
  • the battery electrode inspection method may further include the step of retraining the pre-trained learning model by using the result data as learning data.
  • an artificial intelligence model-based battery electrode inspection system includes a camera that generates an electrode image by photographing at least one electrode surface, and an area suspected of being defective from the electrode image. It includes a battery electrode inspection device that acquires the extracted inspection target image, inputs the inspection target image into a pre-trained learning model, and outputs result data on whether the battery electrode is defective.
  • Figure 1 is a conceptual diagram of the detection logic application process of a general battery electrode inspection device.
  • Figure 2 is a conceptual diagram of the operation of a general battery electrode inspection device when an error occurs.
  • FIG. 3 is a block diagram of a battery electrode inspection system according to an embodiment of the present invention.
  • FIG. 4 is a block diagram of a battery electrode inspection device according to an embodiment of the present invention.
  • FIG. 5 is a flowchart of a battery electrode inspection method using a battery electrode inspection device according to an embodiment of the present invention.
  • Figure 6 is an image for explaining the step of extracting an image to be inspected in the battery electrode inspection method according to an embodiment of the present invention.
  • Figure 7 is a flowchart for explaining the step of determining whether an electrode is defective in the battery electrode inspection method according to an embodiment of the present invention.
  • Figure 8 is a conceptual diagram for explaining a battery electrode inspection method using a first learning model among the battery electrode inspection methods according to an embodiment of the present invention.
  • FIG. 9 is a conceptual diagram illustrating a battery electrode inspection method according to another embodiment of the present invention.
  • FIG. 10 is a conceptual diagram illustrating a battery electrode inspection method using a second learning model among battery electrode inspection methods according to an embodiment of the present invention.
  • Transmission and reception device 400 Input interface device
  • first, second, A, B, etc. may be used to describe various components, but the components should not be limited by the terms. The above terms are used only for the purpose of distinguishing one component from another.
  • a first component may be named a second component, and similarly, the second component may also be named a first component without departing from the scope of the present invention.
  • the term “and/or” includes any of a plurality of related stated items or a combination of a plurality of related stated items.
  • Figure 1 is a conceptual diagram of the detection logic application process of a general battery electrode inspection device.
  • a battery electrode inspection device can detect electrodes with defects on the electrode surface and determine whether they are defective.
  • a general battery electrode inspection device uses pre-designed detection logic to determine the defect type and defect of at least one electrode image obtained from a camera installed in the field.
  • the detection logic may be logic previously designed by an engineer using image features of at least one electrode image for which the defect type has been confirmed.
  • Figure 2 is a conceptual diagram of the operation of a general battery electrode inspection device when an error occurs.
  • the detection logic of a general battery electrode inspection device is designed based on a defective image of the electrode obtained from a camera installed in the field during initial application of the process. Accordingly, general battery electrode inspection devices have the disadvantage that when at least one of field environmental factors or process conditions changes, detection errors occur due to distortion or deformation of the electrode image, and the precision of defect detection decreases. . Accordingly, general electrode detection devices have the disadvantage that the detection logic must be continuously modified by engineers.
  • the detection logic when modifying the detection logic to prevent this, the detection logic must be modified by acquiring defective images generated from cameras installed in the field to take the above process factors into account, which has the disadvantage of taking a long time.
  • a general battery electrode inspection device has a disadvantage in that when the detection logic is modified, it is difficult to determine the classification accuracy of at least one defective image for which inspection was completed before modification.
  • the defective image may be an image determined to be defective due to the occurrence of a defect as a result of the inspection of the inspection logic.
  • an electrode detection device and method that extracts an image of an inspection object suspected of having a surface defect of an electrode from an electrode image using a pre-trained learning model, and determines whether the electrode is defective based on this. .
  • FIG. 3 is a block diagram of a battery electrode inspection system according to an embodiment of the present invention.
  • the battery electrode inspection system can detect electrodes with surface defects during electrode processing and determine whether the electrode is defective.
  • it may include a camera 1000 and a battery electrode inspection device 5000.
  • the camera 1000 may be installed at a site where an electrode process is performed.
  • the camera 1000 may be fixedly installed in a facility in which at least one electrode is sequentially moved. Accordingly, the camera 1000 can acquire at least one electrode image by individually photographing the at least one electrode.
  • the battery electrode inspection device 5000 may be linked with at least one camera 1000 to obtain at least one electrode image from the camera 1000.
  • the battery electrode inspection device 5000 is not limited to this and can acquire at least one electrode image through various paths.
  • the battery electrode inspection device 5000 may determine whether the battery electrode is defective based on at least one electrode image using a pre-trained learning model.
  • FIG. 4 is a block diagram of a battery electrode inspection device according to an embodiment of the present invention.
  • the battery electrode inspection device 5000 extracts an image of an inspection target area suspected of being defective from at least one electrode image, and based on this, , it is possible to determine whether the electrode is defective using a pre-trained learning model.
  • defects may include foreign substances, scratches, cracks, etc.
  • the battery electrode inspection device 5000 includes a memory 100, a processor 200, a transmission and reception device 300, an input interface device 400, an output interface device 500, and a storage device 600. ) may include.
  • each of the components 100, 200, 300, 400, 500, and 600 included in the battery electrode inspection device 5000 are connected by a bus 700 and can communicate with each other. there is.
  • the memory 100 and the storage device 600 may be composed of at least one of a volatile storage medium and a non-volatile storage medium.
  • the memory 100 and the storage device 600 may be comprised of at least one of read only memory (ROM) and random access memory (RAM).
  • the memory 100 may include at least one instruction executed by the processor 200.
  • At least one command includes a command for obtaining an inspection target image in which a region suspected of being defective is extracted from an electrode image in which at least one electrode surface is photographed, and inputting the inspection target image to a pre-trained learning model.
  • it may include a command to output result data on whether the battery electrode is defective.
  • the command to output the result data may include a command to determine one learning model among a plurality of learning models according to the amount of at least one learning data.
  • the command for determining the learning model may include a command for outputting the result data using a pre-learned first learning model based on machine learning when the amount of learning data is less than a preset reference value.
  • the command for determining the learning model may include a command for outputting the result data using a pre-trained second learning model based on deep learning when the amount of learning data is greater than a preset reference value.
  • the command for outputting the result data using the first learning model includes a command for extracting at least one image feature value from the image to be inspected, and at least one in the first learning model. It may include a command to obtain the result data by inputting the image feature value.
  • the command for extracting the image feature value may include a command for extracting the image feature value from the image to be inspected using a rule-based learning algorithm.
  • the image feature values are the height of the pixel extracted from the image to be inspected, the width of the pixel, the maximum pixel value (Peak White), the minimum pixel value (Peak Dark), and the aspect ratio. , may include at least one data of roundness.
  • the first learning model may be a random forest-based learning model.
  • the command to output the result data using the second learning model may include a command to obtain the result data by inputting at least one image to be inspected into the second learning model.
  • the second learning model may be a CNN (Convolutional Neural Network)-based learning model.
  • the at least one command may further include a command to retrain the pre-trained learning model by using the result data as training data.
  • the processor 200 may refer to a central processing unit (CPU), a graphics processing unit (GPU), or a dedicated processor on which methods according to embodiments of the present invention are performed. .
  • CPU central processing unit
  • GPU graphics processing unit
  • dedicated processor on which methods according to embodiments of the present invention are performed.
  • the processor 200 may execute at least one program command stored in the memory 100.
  • FIG. 5 is a flowchart of a battery electrode inspection method using a battery electrode inspection device according to an embodiment of the present invention.
  • the battery electrode inspection device 5000 may acquire at least one electrode image (S1000).
  • the battery electrode inspection apparatus 5000 may extract an inspection target image from at least one electrode image (S3000).
  • the electrode image may be an image taken of the surface of the electrode by at least one camera 1000 mounted on electrode processing equipment.
  • the image to be inspected may be an image in which at least one area in which a defect occurs in at least one electrode image is individually extracted.
  • the defect may include, for example, scratches, foreign matter, deterioration, etc., but is not limited to the disclosure.
  • the battery electrode inspection device 5000 may determine whether the electrode is defective based on the inspection target image using a pre-trained learning model (S5000).
  • the battery electrode inspection apparatus 5000 may retrain the learning model based on at least one updated learning data (S7000).
  • Figure 6 is an image for explaining the step of extracting an image to be inspected in the battery electrode inspection method according to an embodiment of the present invention.
  • the image to be inspected can be obtained using a rule-based algorithm.
  • the battery electrode inspection device 5000 can output an image to be inspected by inputting an electrode image and a predefined condition command into a rule-based algorithm.
  • the Rule Based algorithm calculates the average brightness value of the electrode image according to a predefined condition command, selects at least one pixel that differs by more than a certain range based on the calculated average brightness, and selects the corresponding pixel.
  • an image to be inspected can be obtained and output.
  • the image to be inspected may be a binarized image and may be provided in a size of 128 Pixel x 128 Pixel.
  • Figure 7 is a flowchart for explaining the step of determining whether an electrode is defective in the battery electrode inspection method according to an embodiment of the present invention.
  • the battery electrode inspection device 5000 can check the amount of learning data classified by the data set in the memory 100 (S5100).
  • the at least one learning data may include at least one test result data pre-tested by the battery electrode test device 5000.
  • the learning data may include bad data or normal data.
  • defective data may be classified and stored according to the type of defect within the data set.
  • the battery electrode inspection device 5000 can select the type of pre-trained learning model.
  • the battery electrode inspection device 5000 may select a pre-trained first learning model when the amount of learning data is less than a preset reference value (S5300).
  • the battery electrode inspection device 5000 may extract image feature values from the image to be inspected (S5310).
  • the battery electrode inspection device 5000 may determine whether the battery electrode is defective using the pre-trained first learning model (S5350).
  • the battery electrode inspection device 5000 may select a pre-learned second learning model when the amount of learning data is greater than or equal to a preset reference value (S5500).
  • the battery electrode inspection device 5000 may determine whether the battery electrode is defective using the selected second learning model (S5700).
  • Figure 8 is a conceptual diagram for explaining a battery electrode inspection method using a first learning model among the battery electrode inspection methods according to an embodiment of the present invention.
  • the battery electrode inspection device 5000 may select a pre-trained first learning model when the amount of learning data is less than a preset reference value.
  • the battery electrode inspection device 5000 may extract image feature values from the image to be inspected.
  • the image feature value may be at least one pixel information extracted from the image to be inspected.
  • the image feature value may include at least one of Height, Width, Peak White, Peak Dark, Aspect Ratio, and Roundness. there is.
  • the battery electrode inspection device 5000 may obtain image feature values from at least one inspection target image using a rule-based algorithm when the amount of learning data is less than a preset setting value. there is.
  • the battery electrode inspection device 5000 may determine whether the battery electrode is defective using the pre-trained first learning model.
  • the battery electrode inspection apparatus 5000 may receive image feature values extracted from an image to be inspected as input data to a pre-trained first learning model. Thereafter, the battery electrode inspection apparatus 5000 may output result data on whether the battery electrode is defective based on the inspection target image.
  • the battery electrode may be an electrode corresponding to the image to be inspected.
  • the first pre-trained learning model may be a machine learning-based algorithm.
  • the first learning model may be a bagging-type random forest that is pre-trained based on at least one learning data pre-classified in the data set in the memory 100.
  • FIG. 9 is a conceptual diagram illustrating a battery electrode inspection method using a second learning model among battery electrode inspection methods according to an embodiment of the present invention.
  • the battery electrode inspection device 5000 when the amount of learning data is greater than a preset reference value, can determine whether the battery electrode is defective using a pre-trained second learning model. .
  • the battery electrode inspection device 5000 may receive an inspection target image as input data to a pre-trained second learning model. Accordingly, the battery electrode inspection device 5000 may output data as a result of determining whether the battery electrode is defective based on the image of the inspection target.
  • the pre-trained second learning model may be a pre-trained learning model based on at least one learning data pre-classified in the data set in the memory 100.
  • the pre-trained second learning model may be an artificial intelligence (AI)-based classification model.
  • AI artificial intelligence
  • the second learning model may be a deep-learning-based classification model pre-trained based on pre-stored learning data based on the result data of the battery electrode inspection device 5000.
  • the pre-trained second learning model may be a learning model based on an artificial neural network (CNN) (Convolutional Neural Network, CNN).
  • CNN Convolutional Neural Network
  • the battery electrode inspection device 5000 extracts image feature data of the image to be inspected by the convolutional layer, reduces the feature data to a low dimension through the pooling layer, classifies it according to the defect type in the fully connected layer, and , the second learning model can be pre-trained to determine whether it is defective.
  • Figure 10 is a conceptual diagram for explaining the re-learning step in the battery electrode inspection method according to another embodiment of the present invention.
  • the battery electrode inspection device 5000 stores the result data obtained from one embodiment and another embodiment, that is, the result data of determining whether the electrode is defective, in the memory 100 and classifies it into a data set. You can.
  • the battery electrode inspection apparatus 5000 may retrain the learning model based on at least one updated learning data.
  • the battery electrode inspection device 5000 can retrain the learning model by using previously learned result data as learning data. Accordingly, the amount of learning data increases, and the inspection reliability of the battery electrode inspection device 5000 can be improved.
  • the battery electrode inspection device and method extracts an inspection target image including an area suspected of being a defect based on an electrode image obtained from a camera, and generates an inspection target image corresponding to the inspection target image according to the amount of learning data.
  • the battery electrode inspection device and method can obtain highly reliable result data with improved precision by relearning the learning model based on updated learning data.
  • Computer-readable recording media include all types of recording devices that store data that can be read by a computer system. Additionally, computer-readable recording media can be distributed across networked computer systems so that computer-readable programs or codes can be stored and executed in a distributed manner.
  • computer-readable recording media may include hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, etc.
  • Program instructions may include not only machine language code such as that created by a compiler, but also high-level language code that can be executed by a computer using an interpreter, etc.
  • a block or device corresponds to a method step or feature of a method step.
  • aspects described in the context of a method may also be represented by corresponding blocks or items or features of a corresponding device.
  • Some or all of the method steps may be performed by (or using) a hardware device, such as a microprocessor, programmable computer, or electronic circuit, for example. In some embodiments, one or more of the most important method steps may be performed by such an apparatus.

Abstract

본 발명의 실시예에 따른 배터리 전극 검사 장치는 카메라로부터 획득한 전극 이미지를 기초로 결함이 의심되는 영역을 포함하는 검사 대상 이미지를 추출하고, 학습 데이터량에 따라 검사 대상 이미지에 대응하는 전극의 불량 여부를 판단하기 위한 학습 모델의 종류를 다르게 설정하여 적용함으로써 초기 공정 적용 및 공정 환경 변화에 따른 적용 시간을 단축시킬 수 있으며, 갱신된 학습 데이터를 바탕으로 학습 모델을 재학습함으로써, 정밀도가 향상된 고신뢰성의 결과 데이터를 획득할 수 있다.

Description

배터리 전극 검사 장치 및 방법
본 출원은, 2022년 08월 31일 한국특허청에 제출된 한국 특허 출원 제10-2022-0109765호 및 2023년 08월 09일 한국특허청에 제출된 한국 특허 출원 제10-2023-0103916호의 출원일의 이익을 주장하며, 해당 한국 특허 출원의 문헌에 개시된 모든 내용은 본 명세서에 포함된다.
본 발명은 배터리 전극 검사 장치 및 방법에 관한 것으로, 기학습된 학습 모델을 이용하여 전극 이미지로부터 표면 결함에 따른 전극의 불량 여부를 판단하는, 배터리 전극 검사 장치 및 방법에 관한 것이다.
화석연료의 고갈에 의한 에너지원의 가격이 상승하고, 환경오염에 대한 관심이 증폭되면서 친환경 대체 에너지원으로서 이차전지의 수요가 급격히 증가하고 있다.
이차전지 중에서도 리튬 배터리는, 오늘날 환경 규제 및 고유가 이슈에 대한 대응책으로 모바일 응용 기기에서부터 자동차, 로봇, 에너지 저장 장치 등의 여러 산업 분야에 적용되고 있다.
이러한 리튬 배터리는 일반적으로, 전극 조립체가 수용되는 외장재의 형상에 따라 원통형, 각형 또는 파우치형으로 분류된다.
이 중에서도 원통형 배터리는 복수의 배터리 셀들로 구성된 배터리 팩(Cell To Pack, CTP) 구조로 제공된다. 다시 말해, 원통형 배터리는 양극 및 음극 사이 분리막으로 형성된 전극이 권취되어 전지 캔 내부에 삽입되는 형태로 제공된다.
원통형 배터리의 전극 공정에서는 이물, 스크레치 등에 의한 전극 표면의 결함을 검출하기 위해 배터리 전극 검사 장치를 사용한다.
일반적으로 배터리 전극 검사 장치는 공정 설비에 설치된 카메라 및 카메라로부터 획득한 전극 이미지를 분석하여 전극 표면의 결함에 따른 불량 여부를 판단한다. 이에 따라, 배터리 전극 검사 장치는 설비의 흔들림, 공정 조건 변화 등과 같은 현장 상황 또는 환경에 따라 결과 데이터에 영향을 줄 수 있다.
이에, 종래의 배터리 전극 검사 장치는 공정의 초기 적용 시, 현장에 설치된 카메라로부터 획득한 불량 이미지를 기초로 설계된 프로그램 로직을 적용하였다.
이에 따라, 종래의 배터리 전극 검사 장치는 공정의 초기 적용 시 장시간이 소요되는 단점이 있다.
또한, 종래의 배터리 전극 검사 장치는 현장 상황 또는 환경에 변화가 발생될 경우, 엔지니어에 의해 프로그램 로직이 지속적으로 재설계해야 하는 단점이 발생하였다.
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은 배터리 전극 검사 시스템을 제공하는 데 있다.
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은 배터리 전극 검사 장치를 제공하는 데 있다.
상기와 같은 문제점을 해결하기 위한 본 발명의 다른 목적은 배터리 전극 검사 방법을 제공하는 데 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 인공지능 모델 기반의 배터리 전극 검사 장치는, 메모리 및 상기 메모리 내 저장된 적어도 하나의 명령을 수행하는 프로세서를 포함하고, 상기 적어도 하나의 명령은, 적어도 하나의 전극 표면이 촬영된 전극 이미지로부터 불량이 의심되는 영역을 추출한 검사 대상 이미지를 획득하도록 하는 명령 및 상기 검사 대상 이미지를 기학습된 학습 모델에 입력하여, 배터리 전극의 불량 여부에 대한 결과 데이터를 출력하도록 하는 명령을 포함한다.
여기서, 상기 결과 데이터를 출력하도록 하는 명령은, 적어도 하나의 학습 데이터량에 따라 복수의 학습 모델 중 어느 하나의 학습 모델을 결정하도록 하는 명령을 포함할 수 있다.
이때, 상기 학습 모델을 결정하도록 하는 명령은, 상기 학습 데이터량이 기설정된 기준값 미만일 경우, 기학습된 머신러닝 기반의 제1 학습 모델을 이용하여 상기 결과 데이터를 출력하도록 하는 명령을 포함할 수 있다.
한편, 상기 학습 모델을 결정하도록 하는 명령은, 상기 학습 데이터량이 기설정된 기준값 이상일 경우, 기학습된 딥러닝 기반의 제2 학습 모델을 이용하여 상기 결과 데이터를 출력하도록 하는 명령을 포함할 수 있다.
한편, 상기 제1 학습 모델을 이용하여 상기 결과 데이터를 출력하도록 하는 명령은, 상기 검사 대상 이미지로부터 적어도 하나의 이미지 특징(Feature) 값을 추출하도록 하는 명령, 및 상기 제1 학습 모델에 적어도 하나의 상기 이미지 특징 값을 입력하여, 상기 결과 데이터를 획득하도록 하는 명령을 포함할 수 있다.
이때, 상기 이미지 특징 값을 추출하도록 하는 명령은, 규칙 기반(Rule-Based Learning) 알고리즘을 이용하여 상기 검사 대상 이미지로부터 상기 이미지 특징 값을 추출하도록 하는 명령을 포함할 수 있다.
여기서, 상기 이미지 특징 값은, 상기 검사 대상 이미지로부터 추출된 픽셀의 높이(Height), 픽셀의 너비(Width), 픽셀 최대 값(Peak White), 픽셀 최소 값(Peak Dark), 종횡비(Aspect Ratio), 진원도 중 적어도 하나의 데이터를 포함할 수 있다.
또한, 상기 제1 학습 모델은 랜덤 포레스트(Random Forest) 기반의 학습 모델일 수 있다.
한편, 상기 제2 학습 모델을 이용하여 상기 결과 데이터를 출력하도록 하는 명령은, 상기 제2 학습 모델에 적어도 하나의 검사 대상 이미지를 입력하여 상기 결과 데이터를 획득하도록 하는 명령을 포함할 수 있다.
이때, 상기 제2 학습 모델은 CNN(Convolutional Neural Network) 기반의 학습 모델일 수 있다.
또한, 상기 적어도 하나의 명령은, 상기 결과 데이터를 학습 데이터로 활용하여 상기 기학습된 학습 모델을 재학습시키도록 하는 명령을 더 포함할 수 있다.
상기 목적을 달성하기 위한 본 발명의 다른 실시예에 따른 인공지능 모델 기반의 배터리 전극 검사 장치를 이용한 배터리 전극 검사 방법은, 적어도 하나의 전극 표면이 촬영된 전극 이미지로부터 불량이 의심되는 영역을 추출한 검사 대상 이미지를 획득하는 단계 및 상기 검사 대상 이미지를 기학습된 학습 모델에 입력하여, 배터리 전극의 불량 여부에 대한 결과 데이터를 출력하는 단계를 포함한다.
여기서, 상기 결과 데이터를 출력하는 단계는, 적어도 하나의 학습 데이터량에 따라 복수의 학습 모델 중 어느 하나의 학습 모델을 결정하는 단계를 포함할 수 있다.
이때, 상기 학습 모델을 결정하는 단계는, 상기 학습 데이터량이 기설정된 기준값 미만일 경우, 기학습된 머신러닝 기반의 제1 학습 모델을 이용하여 상기 결과 데이터를 출력하는 단계를 포함할 수 있다.
한편, 상기 학습 모델을 결정하는 단계는, 상기 학습 데이터량이 기설정된 기준값 이상일 경우, 기학습된 딥러닝 기반의 제2 학습 모델을 이용하여 상기 결과 데이터를 출력하는 단계를 포함할 수 있다.
한편, 상기 제1 학습 모델을 이용하여 상기 결과 데이터를 출력하는 단계는, 상기 검사 대상 이미지로부터 적어도 하나의 이미지 특징(Feature) 값을 추출하도록 하는 명령, 및 상기 제1 학습 모델에 적어도 하나의 상기 이미지 특징 값을 입력하여, 상기 결과 데이터를 획득하는 단계를 포함할 수 있다.
이때, 상기 이미지 특징 값을 추출하는 단계는, 규칙 기반(Rule-Based Learning) 알고리즘을 이용하여 상기 검사 대상 이미지로부터 상기 이미지 특징 값을 추출하는 단계를 포함할 수 있다.
여기서, 상기 이미지 특징 값은, 상기 검사 대상 이미지로부터 추출된 픽셀의 높이(Height), 픽셀의 너비(Width), 픽셀 최대 값(Peak White), 픽셀 최소 값(Peak Dark), 종횡비(Aspect Ratio), 진원도 중 적어도 하나의 데이터를 포함할 수 있다.
또한, 상기 제1 학습 모델은 랜덤 포레스트(Random Forest) 기반의 학습 모델일 수 있다.
한편, 상기 제2 학습 모델을 이용하여 상기 결과 데이터를 출력하는 단계는, 상기 제2 학습 모델에 적어도 하나의 검사 대상 이미지를 입력하여 상기 결과 데이터를 획득하는 단계를 포함할 수 있다.
이때, 상기 제2 학습 모델은 CNN(Convolutional Neural Network) 기반의 학습 모델일 수 있다.
또한, 상기 배터리 전극 검사 방법은, 상기 결과 데이터를 학습 데이터로 활용하여 상기 기학습된 학습 모델을 재학습시키는 단계를 더 포함할 수 있다.
상기 목적을 달성하기 위한 본 발명의 또다른 실시예에 따른 인공지능 모델 기반의 배터리 전극 검사 시스템은 적어도 하나의 전극 표면을 촬영하여 전극 이미지를 생성하는 카메라 및 상기 전극 이미지로부터 불량이 의심되는 영역을 추출한 검사 대상 이미지를 획득하고, 상기 검사 대상 이미지를 기학습된 학습 모델에 입력하여, 배터리 전극의 불량 여부에 대한 결과 데이터를 출력하는 배터리 전극 검사 장치를 포함한다.
상기와 같은 본 발명의 실시예에 따른 배터리 전극 검사 장치 및 방법, 그리고 이를 포함한 시스템은, 학습 데이터량에 따라 학습 모델의 종류를 다르게 설정하여 검사 대상 이미지의 불량 여부를 검사하고, 결과 데이터가 반영된 학습 데이터를 바탕으로 학습 모델을 재학습시킴으로써, 검사 신뢰도가 향상될 수 있다.
도 1은 일반적인 배터리 전극 검사 장치의 검출 로직 적용 과정의 개념도이다.
도 2는 일반적인 배터리 전극 검사 장치의 오류 발생 시의 동작 개념도이다.
도 3은 본 발명의 실시예에 따른 배터리 전극 검사 시스템의 블록 구성도이다.
도 4는 본 발명의 실시예에 따른 배터리 전극 검사 장치의 블록 구성도이다.
도 5는 본 발명의 실시예에 따른 배터리 전극 검사 장치를 이용한 배터리 전극 검사 방법의 순서도이다.
도 6은 본 발명의 실시예에 따른 배터리 전극 검사 방법 중 검사 대상 이미지를 추출하는 단계를 설명하기 위한 이미지이다.
도 7은 본 발명의 실시예에 따른 배터리 전극 검사 방법 중 전극의 불량 여부를 판단하는 단계를 설명하기 위한 순서도이다.
도 8은 본 발명의 일 실시예에 따른 배터리 전극 검사 방법 중 제1 학습 모델을 이용한 배터리 전극 검사 방법을 설명하기 위한 개념도이다.
도 9는 본 발명의 다른 실시예에 따른 배터리 전극 검사 방법을 설명하기 위한 개념도이다.
도 10은 본 발명의 일 실시예에 다른 배터리 전극 검사 방법 중 제2 학습 모델을 이용한 배터리 전극 검사 방법을 설명하기 위한 개념도이다.
1000: 카메라 5000: 배터리 전극 검사 장치
100: 메모리 200: 프로세서
300: 송수신 장치 400: 입력 인터페이스 장치
500: 출력 인터페이스 장치 600: 저장 장치
700: 버스
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는 데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. "및/또는"이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
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.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 일반적인 배터리 전극 검사 장치의 검출 로직 적용 과정의 개념도이다.
도 1을 참조하면, 배터리 전극 검사 장치는, 전극 표면에 결함이 발생된 전극을 검출하여 불량 여부를 판단할 수 있다.
일반적인 배터리 전극 검사 장치는, 기설계된 검출 로직을 이용하여, 현장에 설치된 카메라로부터 획득되는, 적어도 하나의 전극 이미지의 결함 유형 및 불량 여부를 판단한다. 여기서, 검출 로직은, 결함 유형이 확인된 적어도 하나의 전극 이미지의 이미지 특징들을 이용하여, 엔지니어에 의해 기설계된 로직일 수 있다.
도 2는, 일반적인 배터리 전극 검사 장치의 오류 발생 시의 동작 개념도이다.
도 2를 참조하면, 일반적인 배터리 전극 검사 장치의 검출 로직은, 공정의 초기 적용 시 현장에 설치된 카메라로부터 획득된 전극의 불량 이미지를 기초로 설계된다. 이에 따라, 일반적인 배터리 전극 검사 장치는, 현장의 환경적 요인 또는 공정의 조건 중 적어도 하나가 변화될 경우, 전극 이미지의 왜곡 또는 변형에 의한 검출 오류가 발생되어, 불량 검출 정밀도가 하락하는 단점이 있다. 이에 따라, 일반적인 전극 검출 장치는, 엔지니어에 의해 지속적으로 검출 로직이 수정되어야 하는 단점이 있다.
또한, 이를 방지하기 위해 검출 로직 수정할 경우, 상기 공정 요인을 고려하기 위해, 현장에 설치된 카메라로부터 발생되는 불량 이미지를 획득하여 검출 로직을 수정해야 함으로, 장시간이 소요되는 단점이 있다.
그리고, 일반적인 배터리 전극 검사 장치는, 검출 로직을 수정할 경우, 수정 전에 검사가 완료된 적어도 하나의 불량 이미지에 대한 분류 정확도를 판단하기 여려운 단점이 있다. 여기서, 불량 이미지는 검사 로직의 검사 결과, 결함 발생에 의해 불량으로 판정된 이미지일 수 있다.
이에 본 발명에서는, 기학습된 학습 모델을 이용하여 전극 이미지로부터 전극의 표면 결함이 의심되는 검사 대상 이미지를 추출하여, 이를 기초로 해당 전극의 불량 여부를 판단하는 전극 검출 장치 및 방법에 대해 설명하겠다.
도 3은 본 발명의 실시예에 따른 배터리 전극 검사 시스템의 블록 구성도이다.
도 3을 참조하면, 배터리 전극 검사 시스템은, 전극 공정 시, 표면에 결함이 발생한 전극을 검출하여, 전극의 불량 여부를 판단할 수 있다.
보다 구체적으로 설명하면 카메라(1000) 및 배터리 전극 검사 장치(5000)를 포함할 수 있다.
카메라(1000)는 전극 공정을 수행하는 현장에 설치될 수 있다. 예를 들어, 카메라(1000)는, 적어도 하나의 전극이 순차적으로 이동되는 설비에 고정되어 설치될 수 있다. 이에 따라, 카메라(1000)는, 상기 적어도 하나의 전극을 개별 촬영함으로써, 적어도 하나의 전극 이미지를 획득할 수 있다.
배터리 전극 검사 장치(5000)는 적어도 하나의 카메라(1000)와 연동되어, 카메라(1000)로부터 적어도 하나의 전극 이미지를 획득할 수 있다. 그러나, 배터리 전극 검사 장치(5000)는 이에 국한되지 않고, 적어도 하나의 전극 이미지를 다양한 경로로 획득할 수 있다.
이후, 배터리 전극 검사 장치(5000)는 기학습된 학습 모델에 의해, 적어도 하나의 전극 이미지를 기초로, 배터리 전극에 대한 불량 여부를 판단할 수 있다.
이하에서는 배터리 전극 검사 장치(5000)에 대해 보다 구체적으로 설명하겠다.
도 4는 본 발명의 실시예에 따른 배터리 전극 검사 장치의 블록 구성도이다.
도 4를 참조하면, 본 발명의 실시예에 따른 배터리 전극 검사 장치(5000)는, 앞서 설명한 바와 같이, 적어도 하나의 전극 이미지로부터 결함 여부가 의심되는 검사 대상 영역의 이미지를 추출하고, 이를 기초로, 기학습된 학습 모델을 이용하여 전극의 불량 여부를 판단할 수 있다. 여기서, 결함은 이물, 스크레치, 깨짐 등을 포함할 수 있다.
구성별로 보다 구체적으로 설명하면, 배터리 전극 검사 장치(5000)는 메모리(100), 프로세서(200), 송수신 장치(300), 입력 인터페이스 장치(400), 출력 인터페이스 장치(500) 및 저장 장치(600)를 포함할 수 있다.
실시예에 따르면, 배터리 전극 검사 장치(5000)에 포함된 각각의 구성 요소들(100, 200, 300, 400, 500, 600)은 버스(bus, 700)에 의해 연결되어 서로 통신을 수행할 수 있다.
상기 구성들(100, 200, 300, 400, 500, 600) 중 메모리(100) 및 저장 장치(600)는 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(100) 및 저장 장치(600)는 읽기 전용 메모리(read only memory, ROM) 및 랜덤 액세스 메모리(random access memory, RAM) 중에서 적어도 하나로 구성될 수 있다.
이 중에서도 메모리(100)는, 프로세서(200)에 의해 실행되는 적어도 하나의 명령을 포함할 수 있다.
실시예에 따르면, 적어도 하나의 명령은, 적어도 하나의 전극 표면이 촬영된 전극 이미지로부터 불량이 의심되는 영역을 추출한 검사 대상 이미지를 획득하도록 하는 명령 및 상기 검사 대상 이미지를 기학습된 학습 모델에 입력하여, 배터리 전극의 불량 여부에 대한 결과 데이터를 출력하도록 하는 명령을 포함할 수 있다.
여기서, 상기 결과 데이터를 출력하도록 하는 명령은, 적어도 하나의 학습 데이터량에 따라 복수의 학습 모델 중 어느 하나의 학습 모델을 결정하도록 하는 명령을 포함할 수 있다.
이때, 상기 학습 모델을 결정하도록 하는 명령은, 상기 학습 데이터량이 기설정된 기준값 미만일 경우, 기학습된 머신러닝 기반의 제1 학습 모델을 이용하여 상기 결과 데이터를 출력하도록 하는 명령을 포함할 수 있다.
한편, 상기 학습 모델을 결정하도록 하는 명령은, 상기 학습 데이터량이 기설정된 기준값 이상일 경우, 기학습된 딥러닝 기반의 제2 학습 모델을 이용하여 상기 결과 데이터를 출력하도록 하는 명령을 포함할 수 있다.
한편, 상기 제1 학습 모델을 이용하여 상기 결과 데이터를 출력하도록 하는 명령은, 상기 검사 대상 이미지로부터 적어도 하나의 이미지 특징(Feature) 값을 추출하도록 하는 명령, 및 상기 제1 학습 모델에 적어도 하나의 상기 이미지 특징 값을 입력하여, 상기 결과 데이터를 획득하도록 하는 명령을 포함할 수 있다.
이때, 상기 이미지 특징 값을 추출하도록 하는 명령은, 규칙 기반(Rule-Based Learning) 알고리즘을 이용하여 상기 검사 대상 이미지로부터 상기 이미지 특징 값을 추출하도록 하는 명령을 포함할 수 있다.
여기서, 상기 이미지 특징 값은, 상기 검사 대상 이미지로부터 추출된 픽셀의 높이(Height), 픽셀의 너비(Width), 픽셀 최대 값(Peak White), 픽셀 최소 값(Peak Dark), 종횡비(Aspect Ratio), 진원도 중 적어도 하나의 데이터를 포함할 수 있다.
또한, 상기 제1 학습 모델은 랜덤 포레스트(Random Forest) 기반의 학습 모델일 수 있다.
한편, 상기 제2 학습 모델을 이용하여 상기 결과 데이터를 출력하도록 하는 명령은, 상기 제2 학습 모델에 적어도 하나의 검사 대상 이미지를 입력하여 상기 결과 데이터를 획득하도록 하는 명령을 포함할 수 있다.
이때, 상기 제2 학습 모델은 CNN(Convolutional Neural Network) 기반의 학습 모델일 수 있다.
또한, 상기 적어도 하나의 명령은, 상기 결과 데이터를 학습 데이터로 활용하여 상기 기학습된 학습 모델을 재학습시키도록 하는 명령을 더 포함할 수 있다.
한편, 프로세서(200)는 중앙 처리 장치(cenTsal processing unit, CPU), 그래픽 처리 장치(graphics processing unit, GPU), 또는 본 발명의 실시예들에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다.
프로세서(200)는 앞서 설명한 바와 같이, 메모리(100)에 저장된 적어도 하나의 프로그램 명령(program command)을 실행할 수 있다.
도 5는 본 발명의 실시예에 따른 배터리 전극 검사 장치를 이용한 배터리 전극 검사 방법의 순서도이다.
도 5를 참조하면, 배터리 전극 검사 장치(5000)는 적어도 하나의 전극 이미지를 획득할 수 있다(S1000).
이후, 배터리 전극 검사 장치(5000)는, 적어도 하나의 전극 이미지로부터 검사 대상 이미지를 추출할 수 있다(S3000). 여기서, 전극 이미지는 전극 공정 설비에 장착된 적어도 하나의 카메라(1000)에 의해 전극의 표면이 촬영된 이미지일 수 있다.
또한, 검사 대상 이미지는, 적어도 하나의 전극 이미지 내 결함이 발생된 적어도 하나의 영역을 개별 추출한 이미지일 수 있다. 여기서 결함은, 예를 들어, 스크레치, 이물, 열화 등의 유형을 포함할 수 있으나 개시된 바에 국한되지는 않는다.
이후, 배터리 전극 검사 장치(5000)는, 기학습된 학습 모델을 이용하여, 검사 대상 이미지를 바탕으로 전극의 불량 여부를 판단할 수 있다(S5000).
이후, 배터리 전극 검사 장치(5000)는, 갱신된 적어도 하나의 학습 데이터를 바탕으로, 학습 모델을 재학습할 수 있다(S7000).
도 6은 본 발명의 실시예에 따른 배터리 전극 검사 방법 중 검사 대상 이미지를 추출하는 단계를 설명하기 위한 이미지이다.
도 6을 참조하면, 검사 대상 이미지는 규칙 기반(Rule Based) 알고리즘을 이용하여 획득할 수 있다. 다시 말해, 배터리 전극 검사 장치(5000)는 규칙 기반(Rule Based) 알고리즘에 전극 이미지 및 기정의된 조건 명령을 입력하여 검사 대상 이미지를 출력할 수 있다.
여기서, 규칙 기반(Rule Based) 알고리즘은 기정의된 조건 명령에 의해 상기 전극 이미지의 평균 밝기 값을 산출하고, 산출된 평균 밝기를 기준으로 일정 범위 이상 차이나는 적어도 하나의 픽셀을 선정하여, 해당 픽셀이 포함되도록 일정 영역을 추출하여 검사 대상 이미지를 획득하고 이를 출력할 수 있다. 예를 들어, 검사 대상 이미지는 이진화 이미지일 수 있으며, 128 Pixel X 128 Pixel 크기로 제공될 수 있다.
도 7은 본 발명의 실시예에 따른 배터리 전극 검사 방법 중 전극의 불량 여부를 판단하는 단계를 설명하기 위한 순서도이다.
도 7을 참조하면, 본 발명의 실시예에 따른 배터리 전극 검사 장치(5000)는 메모리(100) 내 데이터 세트(Data Set)에 의해 분류된 학습 데이터량을 확인할 수 있다(S5100). 여기서, 적어도 하나의 학습 데이터는, 상기 배터리 전극 검사 장치(5000)에 의해 사전 검사된, 적어도 하나의 검사 결과 데이터를 포함할 수 있다. 다시 말해, 상기 학습 데이터는 불량 데이터 또는 정상 데이터를 포함할 수 있다. 예를 들어, 불량 데이터는, 상기 데이터 세트(Data Set) 내 결함 유형에 따라 분류되어 저장될 수 있다.
이에 따라, 배터리 전극 검사 장치(5000)는 기학습된 학습 모델의 종류를 선정할 수 있다.
일 실시예에 따르면, 배터리 전극 검사 장치(5000)는 상기 학습 데이터량이 기설정된 기준값 미만일 경우, 기학습된 제1 학습 모델을 선정할 수 있다(S5300).
이후, 배터리 전극 검사 장치(5000)는 검사 대상 이미지로부터 이미지 특징(Feature) 값을 추출할 수 있다(S5310).
이후, 배터리 전극 검사 장치(5000)는 기학습된 제1 학습 모델을 이용하여, 배터리 전극의 불량 여부를 판단할 수 있다(S5350).
한편, 다른 실시예에 따르면, 배터리 전극 검사 장치(5000)는, 상기 학습 데이터량이 기설정된 기준값 이상일 경우, 기학습된 제2 학습 모델을 선정할 수 있다(S5500).
이후, 배터리 전극 검사 장치(5000)는 선정된 제2 학습 모델을 이용하여, 배터리 전극의 불량 여부를 판단할 수 있다(S5700).
도 8은 본 발명의 일 실시예에 따른 배터리 전극 검사 방법 중 제1 학습 모델을 이용한 배터리 전극 검사 방법을 설명하기 위한 개념도이다.
도 8을 참조하면, 상기 배터리 전극 검사 장치(5000)는 앞서 설명한 바와 같이, 상기 학습 데이터량이 기설정된 기준값 미만일 경우, 기학습된 제1 학습 모델을 선정할 수 있다.
이후, 배터리 전극 검사 장치(5000)는 검사 대상이미지로부터 이미지 특징(Feature) 값을 추출할 수 있다.
여기서, 이미지 특징 값은 검사 대상 이미지로부터 추출한 적어도 하나의 픽셀 정보일 수 있다. 예를 들어, 이미지 특징 값은 특징은 높이(Height), 너비(Width), 픽셀 최대 값(Peak White), 픽셀 최소 값(Peak Dark), 종횡비(Aspect Ratio), 진원도 중 적어도 하나를 포함할 수 있다.
실시예에 따르면, 배터리 전극 검사 장치(5000)는, 학습 데이터량이 기설정된 설정값 미만일 경우, 규칙 기반(Rule Based)의 알고리즘을 이용하여, 적어도 하나의 검사 대상 이미지로부터 이미지 특징 값을 획득할 수 있다.
이후, 배터리 전극 검사 장치(5000)는 기학습된 제1 학습 모델을 이용하여, 배터리 전극의 불량 여부를 판단할 수 있다.
보다 구체적으로 설명하면, 배터리 전극 검사 장치(5000)는, 기학습된 제1 학습 모델에 검사 대상 이미지로부터 추출된 이미지 특징 값을 입력 데이터로 입력 받을 수 있다. 이후, 배터리 전극 검사 장치(5000)는 검사 대상 이미지를 기초로, 배터리 전극의 불량 여부에 대한 결과 데이터를 출력할 수 있다. 여기서, 배터리 전극은 상기 검사 대상 이미지에 대응되는 전극일 수 있다.
실시예에 따르면, 기학습된 제1 학습 모델은, 머신러닝 기반 알고리즘일 수 있다. 예를 들어, 제1 학습 모델은, 메모리(100) 내 데이터 세트에 사전 분류된 적어도 하나의 학습 데이터를 바탕으로 사전 학습된, 배깅(Bagging) 계열의 랜덤 포레스트(Random Forest)일 수 있다.
도 9는 본 발명의 일 실시예에 다른 배터리 전극 검사 방법 중 제2 학습 모델을 이용한 배터리 전극 검사 방법을 설명하기 위한 개념도이다.
도 9를 참조하면, 배터리 전극 검사 장치(5000)는, 앞서 설명한 바와 같이, 학습 데이터량이 기설정된 기준값 이상일 경우, 기학습된 제2 학습 모델을 이용하여, 배터리 전극의 불량 여부를 판단할 수 있다.
보다 구체적으로 설명하면, 상기 배터리 전극 검사 장치(5000)는, 기학습된 제2 학습 모델에, 검사 대상 이미지를 입력 데이터로 입력 받을 수 있다. 이에 따라, 상기 배터리 전극 검사 장치(5000)는 검사 대상 이미지를 기초로, 배터리 전극의 불량 여부를 판단한 결과 데이터를 출력할 수 있다.
실시예에 따르면, 기학습된 제2 학습 모델은 메모리(100) 내 데이터 세트에 사전 분류된 적어도 하나의 학습 데이터를 바탕으로, 사전 학습된 학습 모델일 수 있다.
보다 구체적으로 설명하면, 기학습된 제2 학습 모델은 인공지능(Artificial Intelligence; AI)기반의 분류 모델일 수 있다. 다시 말하면, 제2 학습 모델은, 배터리 전극 검사 장치(5000)의 결과 데이터에 기초한, 기저장된 학습 데이터를 바탕으로 사전 학습된, 딥러닝(Deep-Learning) 기반의 분류 모델일 수 있다.
실시예에 따르면, 기학습된 제2 학습 모델은 CNN(Convolutional Neural Network, CNN)의 인공신경망을 기반으로 한 학습 모델일 수 있다. 예를 들어, 배터리 전극 검사 장치(5000)는 Convolutional Layer에 의해 검사 대상 이미지의 이미지 특징 데이터를 추출하고, Pooling Layer를 통해 특징 데이터를 저차원으로 축소하며, Fully Connected Layer에서 결함 유형에 맞게 분류하고, 불량 여부를 판단하도록 제2 학습 모델을 사전 학습시킬 수 있다.
도 10은 본 발명의 다른 실시예에 따른 배터리 전극 검사 방법 중 재학습하는 단계를 설명하기 위한 개념도이다.
도 10을 참조하면, 배터리 전극 검사 장치(5000)는 일 실시예 및 다른 실시예로부터 획득한 결과 데이터, 다시 말해, 전극의 불량 여부 판단 결과 데이터를 메모리(100)에 저장하여 데이터 셋트로 분류할 수 있다.
이후, 배터리 전극 검사 장치(5000)는, 갱신된 적어도 하나의 학습 데이터를 바탕으로, 학습 모델을 재학습할 수 있다. 다시 말해, 배터리 전극 검사 장치(5000)는, 이전에 학습한 결과 데이터들을 학습 데이터로 활용하여, 학습 모델을 재학습할 수 있다. 이에 따라, 학습 데이터량이 증가하여, 배터리 전극 검사 장치(5000)의 검사 신뢰도가 향상될 수 있다.
이상 본 발명의 실시예에 따른 배터리 전극 검사 장치 및 방법을 설명하였다.
본 발명의 실시예에 따른 배터리 전극 검사 장치 및 방법은, 카메라로부터 획득한 전극 이미지를 기초로 결함이 의심되는 영역을 포함하는 검사 대상 이미지를 추출하고, 학습 데이터량에 따라 검사 대상 이미지에 대응하는 전극의 불량 여부를 판단하기 위한 학습 모델의 종류를 다르게 설정하여 적용함으로써, 초기 공정 적용 및 공정 환경 변화에 따른 적용 시간을 단축시킬 수 있다.
또한, 상기 배터리 전극 검사 장치 및 방법은 갱신된 학습 데이터를 바탕으로 학습 모델을 재학습함으로써, 정밀도가 향상된 고신뢰성의 결과 데이터를 획득할 수 있다.
본 발명의 실시예 및 실험예에 따른 방법의 동작은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 프로그램 또는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산 방식으로 컴퓨터로 읽을 수 있는 프로그램 또는 코드가 저장되고 실행될 수 있다.
또한, 컴퓨터가 읽을 수 있는 기록매체는 롬(rom), 램(ram), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다. 프로그램 명령은 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다.
본 발명의 일부 측면들은 장치의 문맥에서 설명되었으나, 그것은 상응하는 방법에 따른 설명 또한 나타낼 수 있고, 여기서 블록 또는 장치는 방법 단계 또는 방법 단계의 특징에 상응한다. 유사하게, 방법의 문맥에서 설명된 측면들은 또한 상응하는 블록 또는 아이템 또는 상응하는 장치의 특징으로 나타낼 수 있다. 방법 단계들의 몇몇 또는 전부는 예를 들어, 마이크로프로세서, 프로그램 가능한 컴퓨터 또는 전자 회로와 같은 하드웨어 장치에 의해(또는 이용하여) 수행될 수 있다. 몇몇의 실시예에서, 가장 중요한 방법 단계들의 하나 이상은 이와 같은 장치에 의해 수행될 수 있다.
이상 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

Claims (23)

  1. 인공지능 모델 기반의 배터리 전극 검사 장치로서,
    메모리; 및
    상기 메모리에 저장된 적어도 하나의 명령을 수행하는 프로세서를 포함하고,
    적어도 하나의 명령은,
    적어도 하나의 전극 표면이 촬영된 전극 이미지로부터 불량이 의심되는 영역을 추출한 검사 대상 이미지를 획득하도록 하는 명령, 및
    상기 검사 대상 이미지를 기학습된 학습 모델에 입력하여, 배터리 전극의 불량 여부에 대한 결과 데이터를 출력하도록 하는 명령을 포함하는, 배터리 전극 검사 장치.
  2. 청구항 1에 있어서,
    상기 결과 데이터를 출력하도록 하는 명령은,
    적어도 하나의 학습 데이터량에 따라 복수의 학습 모델 중 어느 하나의 학습 모델을 결정하도록 하는 명령을 포함하는, 배터리 전극 검사 장치.
  3. 청구항 2에 있어서,
    상기 학습 모델을 결정하도록 하는 명령은,
    상기 학습 데이터량이 기설정된 기준값 미만일 경우, 기학습된 머신러닝 기반의 제1 학습 모델을 이용하여 상기 결과 데이터를 출력하도록 하는 명령을 포함하는, 배터리 전극 검사 장치.
  4. 청구항 3에 있어서,
    상기 학습 모델을 결정하도록 하는 명령은,
    상기 학습 데이터량이 기설정된 기준값 이상일 경우, 기학습된 딥러닝 기반의 제2 학습 모델을 이용하여 상기 결과 데이터를 출력하도록 하는 명령을 포함하는, 배터리 전극 검사 장치.
  5. 청구항 3에 있어서,
    상기 제1 학습 모델을 이용하여 상기 결과 데이터를 출력하도록 하는 명령은,
    상기 검사 대상 이미지로부터 적어도 하나의 이미지 특징(Feature) 값을 추출하도록 하는 명령, 및
    상기 제1 학습 모델에 적어도 하나의 상기 이미지 특징 값을 입력하여, 상기 결과 데이터를 획득하도록 하는 명령을 포함하는, 배터리 전극 검사 장치.
  6. 청구항 5에 있어서,
    상기 이미지 특징 값을 추출하도록 하는 명령은,
    규칙 기반 (Rule-Based Learning) 알고리즘을 이용하여 상기 검사 대상 이미지로부터 상기 이미지 특징 값을 추출하도록 하는 명령을 포함하는, 배터리 전극 검사 장치.
  7. 청구항 5에 있어서,
    상기 이미지 특징 값은,
    상기 검사 대상 이미지로부터 추출된 픽셀의 높이(Height), 픽셀의 너비(Width), 픽셀 최대 값(Peak White), 픽셀 최소 값(Peak Dark), 종횡비(Aspect Ratio), 진원도 중 적어도 하나의 데이터를 포함하는, 배터리 전극 검사 장치.
  8. 청구항 3에 있어서,
    상기 제1 학습 모델은 랜덤 포레스트(Random Forest) 기반의 학습 모델인, 배터리 전극 검사 장치.
  9. 청구항 4에 있어서,
    상기 제2 학습 모델을 이용하여 상기 결과 데이터를 출력하도록 하는 명령은,
    상기 제2 학습 모델에 적어도 하나의 검사 대상 이미지를 입력하여 상기 결과 데이터를 획득하도록 하는 명령을 포함하는, 배터리 전극 검사 장치.
  10. 청구항 4에 있어서,
    상기 제2 학습 모델은 CNN(Convolutional Neural Network) 기반의 학습 모델인, 배터리 전극 검사 장치.
  11. 청구항 1에 있어서,
    상기 적어도 하나의 명령은,
    상기 결과 데이터를 학습 데이터로 활용하여 상기 기학습된 학습 모델을 재학습시키도록 하는 명령을 더 포함하는, 배터리 전극 검사 장치.
  12. 인공지능 모델 기반의 배터리 전극 검사 장치를 이용한 배터리 전극 검사 방법으로서,
    적어도 하나의 전극 표면이 촬영된 전극 이미지로부터 불량이 의심되는 영역을 추출한 검사 대상 이미지를 획득하는 단계; 및
    상기 검사 대상 이미지를 기학습된 학습 모델에 입력하여, 배터리 전극의 불량 여부에 대한 결과 데이터를 출력하는 단계를 포함하는, 배터리 전극 검사 방법.
  13. 청구항 12에 있어서,
    상기 결과 데이터를 출력하는 단계는,
    적어도 하나의 학습 데이터량에 따라 복수의 학습 모델 중 어느 하나의 학습 모델을 결정하는 단계를 포함하는, 배터리 전극 검사 방법.
  14. 청구항 13에 있어서,
    상기 학습 모델을 결정하는 단계는,
    상기 학습 데이터량이 기설정된 기준값 미만일 경우, 기학습된 머신러닝 기반의 제1 학습 모델을 이용하여 상기 결과 데이터를 출력하도록 하는 명령을 포함하는, 배터리 전극 검사 방법.
  15. 청구항 14에 있어서,
    상기 학습 모델을 결정하는 단계는,
    상기 학습 데이터량이 기설정된 기준값 이상일 경우, 기학습된 딥러닝 기반의 제2 학습 모델을 이용하여 상기 결과 데이터를 출력하는 단계를 포함하는, 배터리 전극 검사 방법.
  16. 청구항 14에 있어서,
    상기 제1 학습 모델을 이용하여 상기 결과 데이터를 출력하는 단계는,
    상기 검사 대상 이미지로부터 적어도 하나의 이미지 특징(Feature) 값을 추출하도록 하는 명령, 및
    상기 제1 학습 모델에 적어도 하나의 상기 이미지 특징 값을 입력하여, 상기 결과 데이터를 획득하는 단계를 포함하는, 배터리 전극 검사 방법.
  17. 청구항 16에 있어서,
    상기 이미지 특징 값을 추출하는 단계는,
    규칙 기반 (Rule-Based Learning) 알고리즘을 이용하여 상기 검사 대상 이미지로부터 상기 이미지 특징 값을 추출하는 단계를 포함하는, 배터리 전극 검사 방법.
  18. 청구항 16에 있어서,
    상기 이미지 특징 값은,
    상기 검사 대상 이미지로부터 추출된 픽셀의 높이(Height), 픽셀의 너비(Width), 픽셀 최대 값(Peak White), 픽셀 최소 값(Peak Dark), 종횡비(Aspect Ratio), 진원도 중 적어도 하나의 데이터를 포함하는, 배터리 전극 검사 방법.
  19. 청구항 14에 있어서,
    상기 제1 학습 모델은 랜덤 포레스트(Random Forest) 기반의 학습 모델인, 배터리 전극 검사 방법.
  20. 청구항 15에 있어서,
    상기 제2 학습 모델을 이용하여 상기 결과 데이터를 출력하는 단계는,
    상기 제2 학습 모델에 적어도 하나의 검사 대상 이미지를 입력하여 상기 결과 데이터를 획득하는 단계를 포함하는, 배터리 전극 검사 방법.
  21. 청구항 15에 있어서,
    상기 제2 학습 모델은 CNN(Convolutional Neural Network) 기반의 학습 모델인, 배터리 전극 검사 방법.
  22. 청구항 12에 있어서,
    상기 배터리 전극 검사 방법은,
    상기 결과 데이터를 학습 데이터로 활용하여 상기 기학습된 학습 모델을 재학습시키는 단계를 더 포함하는, 배터리 전극 검사 방법.
  23. 인공지능 모델 기반의 배터리 전극 검사 시스템으로서,
    적어도 하나의 전극 표면을 촬영하여 전극 이미지를 생성하는 카메라; 및
    상기 전극 이미지로부터 불량이 의심되는 영역을 추출한 검사 대상 이미지를 획득하고, 상기 검사 대상 이미지를 기학습된 학습 모델에 입력하여, 배터리 전극의 불량 여부에 대한 결과 데이터를 출력하는 배터리 전극 검사 장치를 포함하는 배터리 전극 검사 시스템.
PCT/KR2023/012884 2022-08-31 2023-08-30 배터리 전극 검사 장치 및 방법 WO2024049201A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR20220109765 2022-08-31
KR10-2022-0109765 2022-08-31
KR10-2023-0103916 2023-08-09
KR1020230103916A KR20240031887A (ko) 2022-08-31 2023-08-09 배터리 전극 검사 장치 및 방법

Publications (1)

Publication Number Publication Date
WO2024049201A1 true WO2024049201A1 (ko) 2024-03-07

Family

ID=90098328

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/012884 WO2024049201A1 (ko) 2022-08-31 2023-08-30 배터리 전극 검사 장치 및 방법

Country Status (1)

Country Link
WO (1) WO2024049201A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200046137A (ko) * 2018-10-11 2020-05-07 라온피플 주식회사 결함 검출 장치 및 방법
KR20200106657A (ko) * 2019-03-05 2020-09-15 삼성전자주식회사 전자 장치 및 전자 장치의 제어 방법
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)
WO2021210618A1 (ja) * 2020-04-16 2021-10-21 浜松ホトニクス株式会社 放射線画像処理方法、学習済みモデル、放射線画像処理モジュール、放射線画像処理プログラム、及び放射線画像処理システム
KR20220111214A (ko) * 2021-02-01 2022-08-09 주식회사 동일비전 인공지능 기반 제품 결함 검사 방법, 장치 및 컴퓨터 프로그램

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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)
KR20200046137A (ko) * 2018-10-11 2020-05-07 라온피플 주식회사 결함 검출 장치 및 방법
KR20200106657A (ko) * 2019-03-05 2020-09-15 삼성전자주식회사 전자 장치 및 전자 장치의 제어 방법
WO2021210618A1 (ja) * 2020-04-16 2021-10-21 浜松ホトニクス株式会社 放射線画像処理方法、学習済みモデル、放射線画像処理モジュール、放射線画像処理プログラム、及び放射線画像処理システム
KR20220111214A (ko) * 2021-02-01 2022-08-09 주식회사 동일비전 인공지능 기반 제품 결함 검사 방법, 장치 및 컴퓨터 프로그램

Similar Documents

Publication Publication Date Title
WO2014163375A1 (ko) 기판의 이물질 검사방법
WO2018147712A1 (ko) 인쇄 회로 기판에 실장된 부품을 검사하는 장치, 그 동작 방법 및 컴퓨터 판독 가능한 기록 매체
EP3649460A1 (en) Apparatus for optimizing inspection of exterior of target object and method thereof
WO2018131737A1 (ko) 불량 패널 검사 장치
WO2024049201A1 (ko) 배터리 전극 검사 장치 및 방법
US6909798B1 (en) Method of erasing repeated patterns and pattern defect inspection device
WO2023167498A1 (ko) 배터리 불량 검출 장치, 방법 및 시스템
WO2022146050A1 (ko) 우울증 진단을 위한 인공지능 연합학습 방법 및 시스템
WO2020204219A1 (ko) 인공지능을 이용한 사물 인식 학습에서 아웃라이어를 분류하는 방법 및 분류장치와 로봇
WO2021177569A1 (ko) 박막 시편의 물성 평가방법 및 인장시험 테스트용 박막 시편
WO2024080791A1 (ko) 데이터셋을 생성하기 위한 방법
WO2020235854A1 (ko) 불량 이미지 생성 장치 및 방법
WO2022114665A1 (ko) 태양전지 셀에 대한 이미지 분류 방법 및 장치
WO2024049199A1 (ko) 학습 모델 기반의 치수 측정 장치 및 방법
CN112183311A (zh) 一种基于双模态数据融合的变电站设备故障检测方法
WO2023080587A1 (ko) 딥러닝 기반의 mlcc 적층 얼라인먼트 검사 시스템 및 방법
WO2023282500A1 (ko) 슬라이드 스캔 데이터의 자동 레이블링 방법, 장치 및 프로그램
WO2022250190A1 (ko) 딥러닝 모델을 이용한 영상검사 대상체의 결함 판정시스템
WO2020256407A1 (ko) 제품 검사를 위한 자동 학습 방법 및 시스템
WO2024049196A1 (ko) 경계선 검출 장치 및 방법
WO2024063499A1 (ko) 배터리 장기 시험 분석 장치 및 방법
WO2024063471A1 (ko) 제품의 외관 검사 장치 및 방법
WO2023163476A1 (ko) 전자 기기 가치 평가 방법 및 장치와 딥러닝 모델 트레이닝 방법
KR101053779B1 (ko) 디스플레이 수단의 메탈 마스크 검사 방법
KR20240031887A (ko) 배터리 전극 검사 장치 및 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: 23860877

Country of ref document: EP

Kind code of ref document: A1