WO2024085577A1 - 인공지능을 이용한 스크린 프린팅 패턴 학습 및 보정 방법과 이를 수행하는 시스템 및 프로그램 - Google Patents

인공지능을 이용한 스크린 프린팅 패턴 학습 및 보정 방법과 이를 수행하는 시스템 및 프로그램 Download PDF

Info

Publication number
WO2024085577A1
WO2024085577A1 PCT/KR2023/015985 KR2023015985W WO2024085577A1 WO 2024085577 A1 WO2024085577 A1 WO 2024085577A1 KR 2023015985 W KR2023015985 W KR 2023015985W WO 2024085577 A1 WO2024085577 A1 WO 2024085577A1
Authority
WO
WIPO (PCT)
Prior art keywords
pattern
printing
error
target pattern
print
Prior art date
Application number
PCT/KR2023/015985
Other languages
English (en)
French (fr)
Inventor
이택민
김인영
강동우
가푸로프안톤
풍탄후이
Original Assignee
한국기계연구원
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 한국기계연구원 filed Critical 한국기계연구원
Publication of WO2024085577A1 publication Critical patent/WO2024085577A1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
    • B41F—PRINTING MACHINES OR PRESSES
    • B41F15/00—Screen printers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
    • B41F—PRINTING MACHINES OR PRESSES
    • B41F33/00—Indicating, counting, warning, control or safety devices
    • 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
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting

Definitions

  • the present invention relates to a method of learning and correcting a screen printing pattern using artificial intelligence, and a program and system for performing the same. More specifically, the present invention relates to a method of learning and correcting a screen printing pattern using artificial intelligence. More specifically, the present invention relates to a method of learning and correcting a screen printing pattern using artificial intelligence. More specifically, the present invention relates to a method of learning and correcting a screen printing pattern using artificial intelligence. It relates to a method of learning and correcting screen printing patterns using artificial intelligence to prevent errors from occurring in printing patterns by reflecting and correcting them to create target patterns, and to programs and systems that perform the same.
  • FIG. 1 shows a printed pattern bent by distortion generated in a conventional screen printing process
  • FIG. 2 is a diagram showing FIG. 1 as an error map.
  • correction is sometimes performed by aligning only the alignment marks in the larger frame rather than aligning the positions of all detailed patterns in the printing area.
  • One aspect of the present invention is to use artificial intelligence to prevent errors from occurring in the printing pattern by reflecting and correcting errors occurring in the printing pattern in advance using artificial intelligence when printing a screen printing pattern to create a target pattern. It provides a method of learning and correcting screen printing patterns, and a program and system to perform them.
  • a method of learning a screen printing pattern using artificial intelligence includes the steps of a target pattern generator generating a target pattern; Obtaining, by the print pattern collection unit, a first print pattern in which the target pattern is screen-printed on the print object under the conditions of the first print variable group; Comprising, by an error value calculation unit, a target pattern and a first printing pattern to calculate an error value for each first position; and performing, by the correction value calculation unit, a correction value for each first position that corrects the error value for each first position, from the first printing variable group condition to the nth printing variable group condition.
  • the correction value learning unit may include a step of learning correction values for each position for the printing variable group conditions through artificial intelligence, and the printing variable group includes printing gap (H), printing pressure, printing speed, plate making type, and squeegee. It includes at least one of the materials, and the error value calculation unit can calculate error values in the x-direction and y-direction at error measurement points of the printing pattern corresponding to error measurement points of the target pattern.
  • a screen printing pattern correction method using artificial intelligence includes the steps of a target pattern generator generating a target pattern; Obtaining, by the print pattern collection unit, a first print pattern in which the target pattern is screen-printed on the print object under the conditions of the first print variable group; Comprising, by an error value calculation unit, a target pattern and a first printing pattern to calculate an error value for each first position; and performing, by the correction value calculation unit, a correction value for each first position that corrects the error value for each first position, from the first printing variable group condition to the nth printing variable group condition.
  • a correction value learning unit learning correction values for each position for the printing variable group conditions through artificial intelligence; And a step of forming a correction target pattern by modifying the target pattern by reflecting the learned correction value for each position by the target pattern generator, and the printing variable group may include printing gap (H), printing pressure, printing speed, and plate making. It includes at least one of a type and a squeegee material, and the error value calculation unit can calculate error values in the x-direction and y-direction from error measurement points of the printing pattern corresponding to error measurement points of the target pattern.
  • a program includes the steps of a target pattern generator generating a target pattern; Obtaining, by the print pattern collection unit, a first print pattern in which the target pattern is screen-printed on the print object under the conditions of the first print variable group; Comprising, by an error value calculation unit, a target pattern and a first printing pattern to calculate an error value for each first position; and performing, by the correction value calculation unit, a correction value for each first position that corrects the error value for each first position, from the first printing variable group condition to the nth printing variable group condition.
  • the correction value learning unit may be a computer program stored in the medium to execute the step of learning the correction value for each position for the printing variable group condition through artificial intelligence, and the target pattern generation unit may reflect the learned correction value for each position.
  • the step of forming a correction target pattern by modifying the target pattern can be further performed, and the printing variable group includes at least one of printing gap (H), printing pressure, printing speed, plate making type, and squeegee material, and an error value.
  • the calculation unit may calculate error values in the x-direction and y-direction from error measurement points of the printing pattern corresponding to error measurement points of the target pattern.
  • a screen printing pattern learning system using artificial intelligence includes a target pattern generator for generating a target pattern; A print pattern collection unit that acquires first to n print patterns in which the target pattern is screen-printed on the print object under conditions of the first to n print variable groups, respectively (where n is a natural number of 2 or more); An error value calculation unit that calculates error values for each of the first to n positions by comparing the target pattern with the first to n print patterns; a correction value calculation unit that calculates correction values for each first to n positions, respectively correcting error values for each first to n positions; And it may include a correction value learning unit that learns correction values for each first to n positions for the first to n printing variable group conditions through artificial intelligence, and the printing variable group includes printing gap (H), printing pressure, and printing speed.
  • H printing gap
  • the error value calculation unit may calculate error values in the x-direction and y-direction from error measurement points of the printing pattern corresponding to the error measurement points of the target pattern.
  • a screen printing pattern correction system using artificial intelligence includes a target pattern generator that generates a target pattern; A print pattern collection unit that acquires first to n print patterns in which the target pattern is screen-printed on the print object under conditions of the first to n print variable groups, respectively (where n is a natural number of 2 or more); An error value calculation unit that calculates error values for each of the first to n positions by comparing the target pattern with the first to n print patterns; a correction value calculation unit that calculates correction values for each first to n positions, respectively correcting error values for each first to n positions; and a correction value learning unit that learns correction values for each first to n positions for the first to n printing variable group conditions through artificial intelligence, wherein the target pattern generator reflects the learned correction values for each first to n positions.
  • the target pattern can be modified to form a correction target pattern
  • the printing variable group may include at least one of printing gap (H), printing pressure, printing speed, plate making type, and squeegee material
  • the error value calculation unit can set the target Error values in the x-direction and y-direction can be calculated from error measurement points of the printing pattern that correspond to the error measurement points of the pattern.
  • the screen printing pattern learning and correction method using artificial intelligence reflect and correct errors that occur in the printing pattern when printing the screen printing pattern in advance using artificial intelligence.
  • the printing process time can be shortened and errors can be prevented from occurring in the printing pattern.
  • Figure 1 is a diagram showing a printed pattern bent by distortion generated in a conventional screen printing process.
  • FIG. 2 is a diagram illustrating FIG. 1 as an error map.
  • Figure 3 is a schematic diagram of a system for performing a screen printing pattern learning method using artificial intelligence, according to an embodiment of the present invention.
  • Figure 4 is a diagram illustrating each step of a screen printing pattern learning method using artificial intelligence, according to an embodiment of the present invention.
  • Figure 5 is a diagram schematically showing the principle of screen printing.
  • Figure 6 is a diagram showing an error map showing the error measurement point of the target pattern and the error value at the error measurement point.
  • Figure 7 is a diagram illustrating each step of a screen printing pattern correction method using artificial intelligence, according to an embodiment of the present invention.
  • components expressed as ' ⁇ part' in this specification may be two or more components combined into one component, or one component may be differentiated into two or more components according to more detailed functions.
  • each of the components described below may additionally perform some or all of the functions of other components in addition to the main functions that each component is responsible for, and some of the main functions of each component may be different from other components. Of course, it can also be performed exclusively by a component.
  • Figure 3 is a diagram showing a schematic diagram of a system for performing a screen printing pattern learning and correction method using artificial intelligence, according to an embodiment of the present invention.
  • Figure 4 is a diagram illustrating each step of a screen printing pattern learning method using artificial intelligence, according to an embodiment of the present invention.
  • Figure 5 is a diagram schematically showing the principle of screen printing.
  • a screen printing pattern learning system using artificial intelligence includes a target pattern generation unit 110, a printing pattern collection unit 120, an error value calculation unit 130, and a correction value calculation unit 140. ) and a correction value learning unit 150.
  • the screen printing pattern learning method performed by the screen printing pattern learning system using artificial intelligence can perform the following error map generation method.
  • the target pattern generator 110 may generate a target pattern (S110).
  • the target pattern is the shape of the original pattern that would appear if an error did not occur, and can be created and stored in the form of an image or drawing, and is displayed on a fixed screen (12) surrounded by the frame (11) of the plate making (10). It becomes attached.
  • the print pattern collection unit 120 may acquire the first print pattern in which the target pattern is screen-printed on the print object 31 under the conditions of the first print variable group (S120). That is, ink is applied to the screen 11 of the plate making 10 to which the target pattern is attached, and the ink is printed on the printing object 31 at the bottom of the plate making 10 by pressing it with the squeegee 21, and the printed print pattern is photographed.
  • the image may be saved in such a way.
  • the printing variable group may include at least one printing variable among printing gap (H), printing pressure, printing speed, plate making type, and squeegee material.
  • the printing gap (H) refers to the distance between the plate making (10) and the printing object (31)
  • the printing pressure refers to the pressure with which the squeegee (21) presses the printing object (31)
  • the printing speed refers to the pressure of the squeegee (21). means the speed at which it moves
  • the type of engraving means the type of screen 12.
  • the number of cases that can be created by the printing variables in the printing variable group are the number of cases of printing gap (H), the number of cases of printing pressure, the number of cases of printing speed, the number of cases of engraving type, and the number of cases of squeegee material. It can be a number equal to the number multiplied by all the numbers.
  • the number condition for one case of the print variable group can be named the 1st print variable group condition, and the number condition for another case can be named the 2nd print variable group condition, and even the nth print variable group condition can be created. (here, n is a natural number greater than or equal to 2, and the maximum value will be the product of the numbers of the five printing variables).
  • the printing gap (H) can be set to 3 types
  • the printing pressure can be set to 20
  • the printing speed can be set to 5
  • the plate making type can be set to 10 types
  • the squeegee can be set to 5 types. If four types of materials can be adopted, up to 12,000 combinations of printing variables can be created.
  • the error value calculation unit 130 may calculate an error value for each first position by comparing the target pattern and the first printing pattern (S130).
  • FIG. 6 shows error measurement points of the target pattern
  • FIG. 6 shows an error map showing error values at the error measurement points.
  • the error value calculation unit 130 may calculate error values in the x-direction and y-direction from error measurement points of the printing pattern corresponding to error measurement points of the target pattern.
  • the error value can be displayed as the direction and length of an arrow using the x- and y-direction information of the error value, and through this, the direction and size of the error value can be visually known.
  • the correction value calculation unit 140 may calculate a first position-specific correction value that corrects the first position-specific error value obtained under the first printing variable group condition at the first error measurement point (S140).
  • Correction values for each location can be calculated at all error measurement points and can be obtained by attaching opposite signs to the x-direction and y-direction values of the error value. For example, if the x-direction and y-direction values of the error value are -4 and 7, respectively, the correction values for each position may be 4 and -7.
  • the error map generation method including steps S110 to S140 may be performed from the first printing variable group condition to the nth printing variable group condition.
  • the correction value learning unit 150 can learn correction values for each position for all printing variable group conditions using methods such as machine learning and deep learning through artificial intelligence (S150).
  • the correction value learning unit 150 can calculate the correction value for each location between the first and second error measurement points based on the correction values for each location obtained from all error measurement points.
  • Figure 7 shows each step of the screen printing pattern correction method using artificial intelligence, according to an embodiment of the present invention.
  • the screen printing pattern correction method is configured in that after the screen printing pattern learning method, the target pattern generator 110 modifies the target pattern by reflecting the learned correction value for each position to form a correction target pattern.
  • the screen printing pattern correction method performed by the screen printing pattern correction system using artificial intelligence may perform the following error map generation method.
  • the target pattern generator 110 may generate a target pattern (S210).
  • the print pattern collection unit 120 may acquire the first print pattern in which the target pattern is screen-printed on the print object 31 under the conditions of the first print variable group (S220).
  • the printing variable group may include at least one of printing gap (H), printing pressure, printing speed, plate making type, and squeegee material.
  • the error value calculation unit 130 may calculate an error value for each first position by comparing the target pattern and the first printing pattern (S230).
  • the error value calculation unit 130 may calculate error values in the x-direction and y-direction from error measurement points of the printing pattern corresponding to error measurement points of the target pattern.
  • the correction value calculation unit 140 may calculate a first position-specific correction value that corrects the error value for each first position at the first error measurement point (S240).
  • the error map generation method including steps S210 to S240 may be performed from the first printing variable group condition to the nth printing variable group condition (where n is a natural number of 2 or more).
  • the correction value learning unit 150 can learn correction values for each position for all printing variable group conditions using methods such as machine learning and deep learning through artificial intelligence (S250).
  • the target pattern generator 110 may form a correction target pattern by modifying the target pattern by reflecting the learned correction value for each position (S260).
  • a computer program stored in a medium may perform an error map generation method including the following steps.
  • the target pattern generator 110 can generate the target pattern.
  • the print pattern collection unit 120 may acquire the first print pattern in which the target pattern is screen-printed on the print object under the conditions of the first print variable group.
  • the printing variable group may include at least one of printing gap (H), printing pressure, printing speed, plate making type, and squeegee material.
  • the error value calculation unit 130 may calculate an error value for each first position by comparing the target pattern and the first printing pattern.
  • the error value calculation unit 130 may calculate error values in the x-direction and y-direction from error measurement points of the printing pattern corresponding to error measurement points of the target pattern.
  • the correction value calculation unit 140 may calculate a correction value for each first location that corrects the error value for each first location.
  • the error map generation method including steps S210 to S240 can be performed from the first printing variable group condition to the nth printing variable group condition (where n is a natural number of 2 or more).
  • the correction value learning unit 150 can learn correction values for each position for the printing variable group conditions through artificial intelligence.
  • the target pattern generator 110 may form a correction target pattern by modifying the target pattern by reflecting the learned correction value for each position.
  • Embodiments of the subject matter described herein may comprise one or more computer program products, that is, one or more modules of computer program instructions encoded on a tangible program medium for execution by or to control the operation of a data processing device. It can be implemented.
  • the tangible program medium may be a radio signal or a computer-readable medium.
  • a radio signal is an artificially generated signal, such as a machine-generated electrical, optical or electromagnetic signal, that is generated to encode information for transmission to a suitable receiver device for execution by a computer.
  • a computer-readable medium may be a machine-readable storage device, a machine-readable storage substrate, a memory device, a combination of materials that affect a machine-readable radio signal, or a combination of one or more of these.
  • a computer program (also known as a program, software, software application, script, or code) may be written in any form of a programming language, including compiled, interpreted, a priori, or procedural languages, as a stand-alone program, or as a module. It can be deployed in any form, including components, subroutines, or other units suitable for use in a computer environment.
  • Computer programs do not necessarily correspond to files in a file system.
  • a program may be stored within a single file that serves the requested program, or within multiple interacting files (e.g., files storing one or more modules, subprograms, or portions of code), or as part of a file that holds other programs or data. (e.g., one or more scripts stored within a markup language document).
  • the computer program may be deployed to run on one computer or on multiple computers located at one site or distributed across multiple sites and interconnected by a communications network.
  • processors suitable for executing computer programs include, for example, both general-purpose and special-purpose microprocessors and any one or more processors of any type of digital computer. Typically, the processor will receive instructions and data from read-only memory, random access memory, or both.
  • the core elements of a computer are one or more memory devices for storing instructions and data and a processor for executing instructions. Additionally, a computer is typically operably coupled to receive data from or transfer data to one or more mass storage devices for storing data, such as magnetic, magneto-optical or optical disks, or to perform both such operations. It will be or include this. However, a computer does not need to have such a device.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Mechanical Engineering (AREA)
  • Databases & Information Systems (AREA)
  • Screen Printers (AREA)
  • Quality & Reliability (AREA)
  • Printing Methods (AREA)
  • Manufacturing Of Printed Wiring (AREA)

Abstract

본 발명의 일 실시예에 따른, 인공지능을 이용한 스크린 프린팅 패턴 학습 방법은, 목표 패턴 생성부가 목표 패턴을 생성하는 단계; 인쇄 패턴 수집부가, 목표 패턴이 제 1 인쇄변수그룹 조건에서 인쇄대상물에 스크린 프린팅된 상태인 제 1 인쇄 패턴을 획득하는 단계; 에러값 산출부가, 목표 패턴과 제 1 인쇄 패턴을 대비하여 제 1 위치별 에러값을 산출하는 단계; 및 보정값 계산부가, 제 1 위치별 에러값을 보정하는 제 1 위치별 보정값을 계산하는 단계를 포함하는 에러맵 생성 방법을 제 1 인쇄변수그룹 조건에서 제 n 인쇄변수그룹 조건까지 수행하는 단계(여기서, n은 2 이상의 자연수이다); 및 보정값 학습부가, 인공 지능을 통해 인쇄변수그룹 조건에 대한 위치별 보정값을 학습하는 단계를 포함할 수 있다.

Description

인공지능을 이용한 스크린 프린팅 패턴 학습 및 보정 방법과 이를 수행하는 시스템 및 프로그램
본 발명은 인공지능을 이용한 스크린 프린팅 패턴 학습 및 보정 방법과 이를 수행하는 프로그램 및 시스템에 관한 것으로서, 보다 상세하게는, 스크린 프린팅 패턴의 인쇄시에 인쇄 패턴에서 발생되는 에러를 인공지능을 이용하여 미리 반영 및 보정하여 목표 패턴을 생성함으로써, 인쇄 패턴에서 에러가 발생되지 않도록 하는 인공지능을 이용한 스크린 프린팅 패턴 학습 및 보정 방법과 이를 수행하는 프로그램 및 시스템에 관한 것이다.
도 1은 종래의 스크린 프린팅 공정에서 발생되는 디스토션에 의해 휘어진 인쇄패턴을 도시하고, 도 2는 도 1을 에러맵으로 도시한 도면이다.
종래의 스크린 프린팅 공정에서는 제판 상에 인쇄된 목표 패턴이 정확하게 만들어진 경우에도, 인쇄시에는 패턴의 위치에 디스토션(distortion)이 발생하여, 인쇄 패턴의 위치 정밀도가 저하되게 된다. 도 1에 도시된 바와 같이, 직선을 인쇄한 경우에도 인쇄 공정상 발생하는 디스토션으로 인해 곡선처럼 휘어져서 인쇄되며, 이를 에러맵으로 표시하면 도 2와 같이 도시될 수 있다. 에러맵은 인쇄대상물 상에서 각 위치별로 인쇄되어야 할 위치보다 얼마만큼 오차가 발생하였는지를 보여주는 도면이다.
이러한 문제점으로 인해 디스토션을 고려하여, 제판을 만들 때에 목표 패턴에 미리 예상되는 디스토션과 반대방향으로 디스토션을 반영시켜 만드는 방식이 사용되고 있다. 그러나, 인쇄 방법이나 인쇄 공정 조건에 따라서 디스토션의 양상과 정도가 상이하며, 이로 인해 현장에서는 제판을 만들어 보고, 디스토션을 측정해 보고, 제판을 다시 만들어 보고, 디스토션을 다시 측정해 보고 하는 과정을 무수히 반복해서 수행하는 것이 현실이다.
또한, 인쇄 영역의 세부 패턴의 위치를 모두 맞추는 것 보다는 큰 틀에서 얼라인 마크만 맞추는 식의 교정이 수행되기도 한다.
이러한 방법들은 생산성과 정확성을 떨어뜨리는 방법이며, 이를 개선하고자 많은 연구가 진행되었으나, 아직까지 만족할 만한 성과가 나온 것은 없다.
본 발명의 일 측면은, 스크린 프린팅 패턴의 인쇄시에 인쇄 패턴에서 발생되는 에러를 인공지능을 이용하여 미리 반영 및 보정하여 목표 패턴을 생성함으로써, 인쇄 패턴에서 에러가 발생되지 않도록 하는 인공지능을 이용한 스크린 프린팅 패턴 학습 및 보정 방법과 이를 수행하는 프로그램 및 시스템을 제공하는 것이다.
본 발명의 일 실시예에 따른, 인공지능을 이용한 스크린 프린팅 패턴 학습 방법은, 목표 패턴 생성부가 목표 패턴을 생성하는 단계; 인쇄 패턴 수집부가, 목표 패턴이 제 1 인쇄변수그룹 조건에서 인쇄대상물에 스크린 프린팅된 상태인 제 1 인쇄 패턴을 획득하는 단계; 에러값 산출부가, 목표 패턴과 제 1 인쇄 패턴을 대비하여 제 1 위치별 에러값을 산출하는 단계; 및 보정값 계산부가, 제 1 위치별 에러값을 보정하는 제 1 위치별 보정값을 계산하는 단계를 포함하는 에러맵 생성 방법을 제 1 인쇄변수그룹 조건에서 제 n 인쇄변수그룹 조건까지 수행하는 단계(여기서, n은 2 이상의 자연수이다); 및 보정값 학습부가, 인공 지능을 통해 인쇄변수그룹 조건에 대한 위치별 보정값을 학습하는 단계를 포함할 수 있으며, 인쇄변수그룹은 프린팅 갭(H), 프린팅 압력, 프린팅 스피드, 제판 종류 및 스퀴지 재질 중 적어도 하나를 포함하고, 에러값 산출부는 목표 패턴의 에러측정지점들에 대응되는 인쇄 패턴의 에러측정지점들에서 x 방향 및 y 방향으로의 에러값을 산출할 수 있다.
본 발명의 일 실시예에 따른, 인공지능을 이용한 스크린 프린팅 패턴 보정 방법은, 목표 패턴 생성부가 목표 패턴을 생성하는 단계; 인쇄 패턴 수집부가, 목표 패턴이 제 1 인쇄변수그룹 조건에서 인쇄대상물에 스크린 프린팅된 상태인 제 1 인쇄 패턴을 획득하는 단계; 에러값 산출부가, 목표 패턴과 제 1 인쇄 패턴을 대비하여 제 1 위치별 에러값을 산출하는 단계; 및 보정값 계산부가, 제 1 위치별 에러값을 보정하는 제 1 위치별 보정값을 계산하는 단계를 포함하는 에러맵 생성 방법을 제 1 인쇄변수그룹 조건에서 제 n 인쇄변수그룹 조건까지 수행하는 단계(여기서, n은 2 이상의 자연수이다); 보정값 학습부가, 인공 지능을 통해 인쇄변수그룹 조건에 대한 위치별 보정값을 학습하는 단계; 및 목표 패턴 생성부가 상기 학습된 위치별 보정값을 반영하여 목표 패턴을 수정하여 보정 목표 패턴을 형성하는 단계를 포함할 수 있으며, 인쇄변수그룹은 프린팅 갭(H), 프린팅 압력, 프린팅 스피드, 제판 종류 및 스퀴지 재질 중 적어도 하나를 포함하고, 에러값 산출부는 목표 패턴의 에러측정지점들에 대응되는 인쇄 패턴의 에러측정지점들에서 x 방향 및 y 방향으로의 에러값을 산출할 수 있다.
본 발명의 일 실시예에 따른 프로그램은 목표 패턴 생성부가 목표 패턴을 생성하는 단계; 인쇄 패턴 수집부가, 목표 패턴이 제 1 인쇄변수그룹 조건에서 인쇄대상물에 스크린 프린팅된 상태인 제 1 인쇄 패턴을 획득하는 단계; 에러값 산출부가, 목표 패턴과 제 1 인쇄 패턴을 대비하여 제 1 위치별 에러값을 산출하는 단계; 및 보정값 계산부가, 제 1 위치별 에러값을 보정하는 제 1 위치별 보정값을 계산하는 단계를 포함하는 에러맵 생성 방법을 제 1 인쇄변수그룹 조건에서 제 n 인쇄변수그룹 조건까지 수행하는 단계(여기서, n은 2 이상의 자연수이다); 및 보정값 학습부가, 인공 지능을 통해 인쇄변수그룹 조건에 대한 위치별 보정값을 학습하는 단계를 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램일 수 있으며, 목표 패턴 생성부가 상기 학습된 위치별 보정값을 반영하여 목표 패턴을 수정하여 보정 목표 패턴을 형성하는 단계를 더 실행시킬 수 있으며, 인쇄변수그룹은 프린팅 갭(H), 프린팅 압력, 프린팅 스피드, 제판 종류 및 스퀴지 재질 중 적어도 하나를 포함하고, 에러값 산출부는 목표 패턴의 에러측정지점들에 대응되는 인쇄 패턴의 에러측정지점들에서 x 방향 및 y 방향으로의 에러값을 산출할 수 있다.
본 발명의 일 실시예에 따른, 인공지능을 이용한 스크린 프린팅 패턴 학습 시스템은, 목표 패턴을 생성하는 목표 패턴 생성부; 목표 패턴이 제 1 내지 n 인쇄변수그룹 조건에서 각각 인쇄대상물에 스크린 프린팅된 상태인 제 1 내지 n 인쇄 패턴을 획득하는 인쇄 패턴 수집부 (여기서, n은 2 이상의 자연수이다); 목표 패턴과 제 1 내지 n 인쇄 패턴을 대비하여 각각 제 1 내지 n 위치별 에러값을 산출하는 에러값 산출부; 제 1 내지 n 위치별 에러값을 각각 보정하는 제 1 내지 n 위치별 보정값을 계산하는 보정값 계산부; 및 인공 지능을 통해 제 1 내지 n 인쇄변수그룹 조건에 대한 제 1 내지 n 위치별 보정값을 학습하는 보정값 학습부를 포함할 수 있으며, 인쇄변수그룹은 프린팅 갭(H), 프린팅 압력, 프린팅 스피드, 제판 종류 및 스퀴지 재질 중 적어도 하나를 포함할 수 있고, 에러값 산출부는 목표 패턴의 에러측정지점들에 대응되는 인쇄 패턴의 에러측정지점들에서 x 방향 및 y 방향으로의 에러값을 산출할 수 있다.
본 발명의 일 실시예에 따른, 인공지능을 이용한 스크린 프린팅 패턴 보정 시스템은, 목표 패턴을 생성하는 목표 패턴 생성부; 목표 패턴이 제 1 내지 n 인쇄변수그룹 조건에서 각각 인쇄대상물에 스크린 프린팅된 상태인 제 1 내지 n 인쇄 패턴을 획득하는 인쇄 패턴 수집부 (여기서, n은 2 이상의 자연수이다); 목표 패턴과 제 1 내지 n 인쇄 패턴을 대비하여 각각 제 1 내지 n 위치별 에러값을 산출하는 에러값 산출부; 제 1 내지 n 위치별 에러값을 각각 보정하는 제 1 내지 n 위치별 보정값을 계산하는 보정값 계산부; 및 인공 지능을 통해 제 1 내지 n 인쇄변수그룹 조건에 대한 제 1 내지 n 위치별 보정값을 학습하는 보정값 학습부를 포함하되, 목표 패턴 생성부가 상기 학습된 제 1 내지 n 위치별 보정값을 반영하여 목표 패턴을 수정하여 보정 목표 패턴을 형성할 수 있으며, 인쇄변수그룹은 프린팅 갭(H), 프린팅 압력, 프린팅 스피드, 제판 종류 및 스퀴지 재질 중 적어도 하나를 포함할 수 있고, 에러값 산출부는 목표 패턴의 에러측정지점들에 대응되는 인쇄 패턴의 에러측정지점들에서 x 방향 및 y 방향으로의 에러값을 산출할 수 있다.
본 발명의 실시예에 따른 인공지능을 이용한 스크린 프린팅 패턴 학습 및 보정 방법과 이를 수행하는 프로그램 및 시스템은, 스크린 프린팅 패턴의 인쇄시에 인쇄 패턴에서 발생되는 에러를 인공지능을 이용하여 미리 반영 및 보정하여 목표 패턴을 생성함으로써, 인쇄 공정 시간을 단축시키고 인쇄 패턴에서 에러가 발생되지 않도록 할 수 있다.
도 1은 종래의 스크린 프린팅 공정에서 발생되는 디스토션에 의해 휘어진 인쇄패턴을 도시한 도면이다.
도 2는 도 1을 에러맵으로 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른, 인공지능을 이용한 스크린 프린팅 패턴 학습 방법을 수행하기 위한 시스템의 개략도를 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른, 인공지능을 이용한 스크린 프린팅 패턴 학습 방법의 각 단계를 도시한 도면이다.
도 5는 스크린 프린팅의 원리를 개략적으로 도시한 도면이다.
도 6은 목표 패턴의 에러측정지점과 에러측정지점에서의 에러값을 보여주는 에러맵을 도시한 도면이다.
도 7은 본 발명의 일 실시예에 따른, 인공지능을 이용한 스크린 프린팅 패턴 보정 방법의 각 단계를 도시한 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고, 이를 상세한 설명을 통해 상세히 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명은 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제 1, 제 2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.
또한, 본 명세서에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다.
또한, 본 명세서에서 '~부'로 표현되는 구성요소는 2개 이상의 구성요소가 하나의 구성요소로 합쳐지거나 또는 하나의 구성요소가 보다 세분화된 기능별로 2개 이상으로 분화될 수도 있다. 또한, 이하에서 설명할 구성요소 각각은 자신이 담당하는 주기능 이외에도 다른 구성요소가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성요소 각각이 담당하는 주기능 중 일부 기능이 다른 구성요소에 의해 전담되어 수행될 수도 있음은 물론이다.
이하, 본 발명의 기술적 사상에 의한 실시예들을 차례로 상세히 설명한다.
도 3은 본 발명의 일 실시예에 따른, 인공지능을 이용한 스크린 프린팅 패턴 학습 및 보정 방법을 수행하기 위한 시스템의 개략도를 도시한 도면이다. 도 4는 본 발명의 일 실시예에 따른, 인공지능을 이용한 스크린 프린팅 패턴 학습 방법의 각 단계를 도시한 도면이다. 도 5는 스크린 프린팅의 원리를 개략적으로 도시한 도면이다.
본 발명의 일 실시예에 따른, 인공지능을 이용한 스크린 프린팅 패턴 학습 시스템은, 목표 패턴 생성부(110), 인쇄 패턴 수집부(120), 에러값 산출부(130), 보정값 계산부(140) 및 보정값 학습부(150)를 포함할 수 있다. 본 발명의 일 실시예에 따른, 인공지능을 이용한 스크린 프린팅 패턴 학습 시스템에 의해 수행되는 스크린 프린팅 패턴 학습 방법은 하기의 에러맵 생성 방법을 수행할 수 있다.
먼저, 목표 패턴 생성부(110)가 목표 패턴을 생성할 수 있다(S110). 목표 패턴은 에러가 발생되지 않은 경우에 나올 수 있는 원래 패턴의 형상으로서, 이미지나 도면의 형태로 생성 및 저장될 수 있으며, 제판(10)의 프레임(11)으로 둘러싸여 고정된 스크린(12) 위에 부착되게 된다.
다음으로, 인쇄 패턴 수집부(120)가, 목표 패턴이 제 1 인쇄변수그룹 조건에서 인쇄대상물(31)에 스크린 프린팅된 상태인 제 1 인쇄 패턴을 획득할 수 있다(S120). 즉, 목표 패턴이 부착된 제판(10)의 스크린(11)에 잉크를 도포하고 스퀴지(21)로 눌러 제판(10) 하부의 인쇄대상물(31)에 잉크가 프린팅되며, 프린팅된 인쇄 패턴은 촬영 등의 방법으로 그 이미지가 저장될 수 있다.
여기서, 인쇄변수그룹은 프린팅 갭(H), 프린팅 압력, 프린팅 스피드, 제판 종류 및 스퀴지 재질 중 적어도 하나의 인쇄변수를 포함할 수 있다. 프린팅 갭(H)은 제판(10)과 인쇄대상물(31) 사이의 거리를 의미하고, 프린팅 압력은 스퀴지(21)가 인쇄대상물(31)을 누르는 압력을 의미하며, 프린팅 스피드는 스퀴지(21)가 이동하는 속도를 의미하며, 제판 종류는 스크린(12)의 종류를 의미한다.
인쇄변수그룹의 인쇄변수들이 만들어낼 수 있는 경우의 수는 프린팅 갭(H)의 경우의 수, 프린팅 압력의 경우의 수, 프린팅 스피드의 경우의 수, 제판 종류의 경우의 수 및 스퀴지 재질의 경우의 수를 모두 곱한 만큼의 숫자가 될 수 있다. 인쇄변수그룹의 어느 한 경우의 수 조건을 제 1 인쇄변수그룹 조건으로 명명할 수 있고, 또 다른 경우의 수 조건을 제 2 인쇄변수그룹 조건으로 명명할 수 있으며, 제 n 인쇄변수그룹 조건까지 만들어질 수 있다(여기서, n은 2 이상의 자연수이며, 최대값은 상기 5개의 인쇄변수들의 경우의 수의 곱이 될 것이다).
예를 들어, 프린팅 갭(H)은 3가지 종류로 설정이 가능하고, 프린팅 압력은 20 개로 설정이 가능하며, 프린팅 스피드는 5개로 설정이 가능하고, 제판 종류는 10 종류가 사용될 수 있으며, 스퀴지 재질은 4 종류가 채택될 수 있다면, 최대 12,000개의 인쇄변수들의 조합이 나올 수 있다.
다음으로, 에러값 산출부(130)가, 목표 패턴과 제 1 인쇄 패턴을 대비하여 제 1 위치별 에러값을 산출할 수 있다(S130). 도 6에서 (a)는 목표 패턴의 에러측정지점들을 도시하고, 도 6에서 (b)는 에러측정지점들에서의 에러값을 보여주는 에러맵을 도시한다. 에러값 산출부(130)는 목표 패턴의 에러측정지점들에 대응되는 인쇄 패턴의 에러측정지점들에서 x 방향 및 y 방향으로의 에러값을 산출할 수 있다. 에러맵에서는 에러값의 x 방향 및 y 방향 정보를 이용하여 에러값을 화살표의 방향과 길이로 표시할 수 있으며, 이를 통해 시각적으로 에러값의 방향과 크기를 알 수 있게 된다.
다음으로, 보정값 계산부(140)가, 제 1 인쇄변수그룹 조건에서 얻어진 제 1 위치별 에러값을 보정하는 제 1 위치별 보정값을 제 1 에러측정지점에서 계산할 수 있다(S140). 위치별 보정값은 모든 에러측정지점에서 계산될 수 있으며, 에러값의 x 방향 값 및 y 방향 값에 반대 부호를 붙여서 얻을 수 있다. 예를 들어 에러값의 x 방향 값 및 y 방향 값이 각각 -4, 7 이라면, 위치별 보정값은 4, -7이 될 수 있다.
S110 내지 S140의 단계들을 포함하는 에러맵 생성 방법은 제 1 인쇄변수그룹 조건에서 제 n 인쇄변수그룹 조건까지 수행될 수 있다.
이어서, 보정값 학습부(150)가, 인공 지능을 통한 머신러닝, 딥러닝 등의 방법으로 모든 인쇄변수그룹 조건에 대한 위치별 보정값을 학습할 수 있다(S150). 보정값 학습부(150)는 모든 에러측정지점에서 얻어진 위치별 보정값을 바탕으로 제 1 에러측정지점과 제 2 에러측정지점 사이의 위치별 보정값을 계산할 수 있게 된다.
도 7은 본 발명의 일 실시예에 따른, 인공지능을 이용한 스크린 프린팅 패턴 보정 방법의 각 단계를 도시한다. 스크린 프린팅 패턴 보정 방법은 스크린 프린팅 패턴 학습 방법 후에 목표 패턴 생성부(110)가 학습된 위치별 보정값을 반영하여 목표 패턴을 수정하여 보정 목표 패턴을 형성하는 구성이다.
본 발명의 일 실시예에 따른, 인공지능을 이용한 스크린 프린팅 패턴 보정 시스템에 의해 수행되는 스크린 프린팅 패턴 보정 방법은 하기의 에러맵 생성 방법을 수행할 수 있다.
먼저, 목표 패턴 생성부(110)가 목표 패턴을 생성할 수 있다(S210).
다음으로, 인쇄 패턴 수집부(120)가, 목표 패턴이 제 1 인쇄변수그룹 조건에서 인쇄대상물(31)에 스크린 프린팅된 상태인 제 1 인쇄 패턴을 획득할 수 있다(S220). 여기서, 인쇄변수그룹은 프린팅 갭(H), 프린팅 압력, 프린팅 스피드, 제판 종류 및 스퀴지 재질 중 적어도 하나를 포함할 수 있다.
다음으로, 에러값 산출부(130)가, 목표 패턴과 제 1 인쇄 패턴을 대비하여 제 1 위치별 에러값을 산출할 수 있다(S230). 에러값 산출부(130)는 목표 패턴의 에러측정지점들에 대응되는 인쇄 패턴의 에러측정지점들에서 x 방향 및 y 방향으로의 에러값을 산출할 수 있다.
다음으로, 보정값 계산부(140)가, 제 1 위치별 에러값을 보정하는 제 1 위치별 보정값을 제 1 에러측정지점에서 계산할 수 있다(S240).
S210 내지 S240의 단계들을 포함하는 에러맵 생성 방법은 제 1 인쇄변수그룹 조건에서 제 n 인쇄변수그룹 조건까지 수행될 수 있다(여기서, n은 2 이상의 자연수이다).
이어서, 보정값 학습부(150)가, 인공 지능을 통한 머신러닝, 딥러닝 등의 방법으로 모든 인쇄변수그룹 조건에 대한 위치별 보정값을 학습할 수 있다 (S250).
다음으로, 목표 패턴 생성부(110)가 학습된 위치별 보정값을 반영하여 목표 패턴을 수정하여 보정 목표 패턴을 형성할 수 있다(S260).
본 발명의 일 실시예에 따른, 인공지능을 이용한 스크린 프린팅 패턴 학습 및 보정 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램은 하기의 단계들을 포함하는 에러맵 생성 방법을 수행할 수 있다.
먼저, 목표 패턴 생성부(110)가 목표 패턴을 생성하도록 할 수 있다.
다음으로, 인쇄 패턴 수집부(120)가, 목표 패턴이 제 1 인쇄변수그룹 조건에서 인쇄대상물에 스크린 프린팅된 상태인 제 1 인쇄 패턴을 획득하도록 할 수 있다. 여기서, 인쇄변수그룹은 프린팅 갭(H), 프린팅 압력, 프린팅 스피드, 제판 종류 및 스퀴지 재질 중 적어도 하나를 포함할 수 있다.
다음으로, 에러값 산출부(130)가, 목표 패턴과 제 1 인쇄 패턴을 대비하여 제 1 위치별 에러값을 산출하도록 할 수 있다. 에러값 산출부(130)는 목표 패턴의 에러측정지점들에 대응되는 인쇄 패턴의 에러측정지점들에서 x 방향 및 y 방향으로의 에러값을 산출할 수 있다.
다음으로, 보정값 계산부(140)가, 제 1 위치별 에러값을 보정하는 제 1 위치별 보정값을 계산하도록 할 수 있다.
S210 내지 S240의 단계들을 포함하는 에러맵 생성 방법은 제 1 인쇄변수그룹 조건에서 제 n 인쇄변수그룹 조건까지 수행되도록 할 수 있다(여기서, n은 2 이상의 자연수이다).
이어서, 보정값 학습부(150)가, 인공 지능을 통해 인쇄변수그룹 조건에 대한 위치별 보정값을 학습하도록 할 수 있다.
다음으로, 목표 패턴 생성부(110)가 상기 학습된 위치별 보정값을 반영하여 목표 패턴을 수정하여 보정 목표 패턴을 형성하도록 할 수 있다.
이상 본 명세서에서 설명한 기능적 동작과 본 주제에 관한 실시형태들은 본 명세서에서 개시한 구조들 및 그들의 구조적인 등가물을 포함하여 디지털 전자 회로나 컴퓨터 소프트웨어, 펌웨어 또는 하드웨어에서 혹은 이들 중 하나 이상의 조합에서 구현 가능하다.
본 명세서에서 기술하는 주제의 실시형태는 하나 이상의 컴퓨터 프로그램 제품, 다시 말해 데이터 처리 장치에 의한 실행을 위하여 또는 그 동작을 제어하기 위하여 유형의 프로그램 매체 상에 인코딩되는 컴퓨터 프로그램 명령에 관한 하나 이상의 모듈로서 구현될 수 있다. 유형의 프로그램 매체는 전파형 신호이거나 컴퓨터로 판독 가능한 매체일 수 있다. 전파형 신호는 컴퓨터에 의한 실행을 위하여 적절한 수신기 장치로 전송하기 위한 정보를 인코딩하기 위하여 생성되는 예컨대 기계가 생성한 전기적, 광학적 혹은 전자기 신호와 같은 인공적으로 생성된 신호이다. 컴퓨터로 판독 가능한 매체는 기계로 판독 가능한 저장장치, 기계로 판독 가능한 저장 기판, 메모리 장치, 기계로 판독 가능한 전파형 신호에 영향을 미치는 물질의 조합 혹은 이들 중 하나 이상의 조합일 수 있다.
컴퓨터 프로그램(프로그램, 소프트웨어, 소프트웨어 어플리케이션, 스크립트 혹은 코드로도 알려져 있음)은 컴파일되거나 해석된 언어나 선험적 혹은 절차적 언어를 포함하는 프로그래밍 언어의 어떠한 형태로도 작성될 수 있으며, 독립형 프로그램이나 모듈, 컴포넌트, 서브루틴 혹은 컴퓨터 환경에서 사용하기에 적합한 다른 유닛을 포함하여 어떠한 형태로도 전개될 수 있다.
컴퓨터 프로그램은 파일 시스템의 파일에 반드시 대응하는 것은 아니다. 프로그램은 요청된 프로그램에 제공되는 단일 파일 내에, 혹은 다중의 상호 작용하는 파일(예컨대, 하나 이상의 모듈, 하위 프로그램 혹은 코드의 일부를 저장하는 파일) 내에, 혹은 다른 프로그램이나 데이터를 보유하는 파일의 일부(예컨대, 마크업 언어 문서 내에 저장되는 하나 이상의 스크립트) 내에 저장될 수 있다.
컴퓨터 프로그램은 하나의 사이트에 위치하거나 복수의 사이트에 걸쳐서 분산되어 통신 네트워크에 의해 상호 접속된 다중 컴퓨터 또는 하나의 컴퓨터 상에서 실행되도록 전개될 수 있다.
본 명세서에서 기술하는 프로세스와 논리 흐름은 입력 데이터 상에서 동작하고 출력을 생성함으로써 기능을 수행하기 위하여 하나 이상의 컴퓨터 프로그램을 실행하는 하나 이상의 프로그래머블 프로세서에 의하여 수행 가능하다.
컴퓨터 프로그램의 실행에 적합한 프로세서는, 예컨대 범용 및 특수 목적의 마이크로프로세서 양자 및 어떤 종류의 디지털 컴퓨터의 어떠한 하나 이상의 프로세서라도 포함한다. 일반적으로, 프로세서는 읽기 전용 메모리나 랜덤 액세스 메모리 혹은 양자로부터 명령어와 데이터를 수신할 것이다.
컴퓨터의 핵심적인 요소는 명령어와 데이터를 저장하기 위한 하나 이상의 메모리 장치 및 명령을 수행하기 위한 프로세서이다. 또한, 컴퓨터는 일반적으로 예컨대 자기, 자기광학 디스크나 광학 디스크와 같은 데이터를 저장하기 위한 하나 이상의 대량 저장 장치로부터 데이터를 수신하거나 그것으로 데이터를 전송하거나 혹은 그러한 동작 둘 다를 수행하기 위하여 동작가능 하도록 결합되거나 이를 포함할 것이다. 그러나, 컴퓨터는 그러한 장치를 가질 필요가 없다.
본 기술한 설명은 본 발명의 최상의 모드를 제시하고 있으며, 본 발명을 설명하기 위하여, 그리고 당업자가 본 발명을 제작 및 이용할 수 있도록 하기 위한 예를 제공하고 있다. 이렇게 작성된 명세서는 그 제시된 구체적인 용어에 본 발명을 제한하는 것이 아니다.
따라서, 상술한 예를 참조하여 본 발명을 상세하게 설명하였지만, 당업자라면 본 발명의 범위를 벗어나지 않으면서도 본 예들에 대한 개조, 변경 및 변형을 가할 수 있다.
(부호의 설명)
110: 목표 패턴 생성부
120: 인쇄 패턴 수집부
130: 에러값 산출부
140: 보정값 계산부
150: 보정값 학습부

Claims (16)

  1. 인공지능을 이용한 스크린 프린팅 패턴 학습 방법에 있어서,
    목표 패턴 생성부가 목표 패턴을 생성하는 단계;
    인쇄 패턴 수집부가 목표 패턴이 제 1 인쇄변수그룹 조건에서 인쇄대상물에 스크린 프린팅된 상태인 제 1 인쇄 패턴을 획득하는 단계;
    에러값 산출부가 목표 패턴과 제 1 인쇄 패턴을 대비하여 제 1 위치별 에러값을 산출하는 단계;
    보정값 계산부가 제 1 위치별 에러값을 보정하는 제 1 위치별 보정값을 계산하는 단계를 포함하는 에러맵 생성 방법을 제 1 인쇄변수그룹 조건에서 제 n 인쇄변수그룹 조건까지 수행하는 단계(여기서, n은 2 이상의 자연수); 및
    보정값 학습부가 인공 지능을 통해 인쇄변수그룹 조건에 대한 위치별 보정값을 학습하는 단계를 포함하는,
    인공지능을 이용한 스크린 프린팅 패턴 학습 방법.
  2. 제 1 항에 있어서,
    상기 인쇄변수그룹은
    프린팅 갭(H), 프린팅 압력, 프린팅 스피드, 제판 종류 및 스퀴지 재질 중 적어도 하나를 포함하는, 인공지능을 이용한 스크린 프린팅 패턴 학습 방법.
  3. 제 1 항에 있어서,
    상기 에러값 산출부는
    목표 패턴의 에러측정지점들에 대응되는 인쇄 패턴의 에러측정지점들에서 x 방향 및 y 방향으로의 에러값을 산출하는, 인공지능을 이용한 스크린 프린팅 패턴 학습 방법.
  4. 제 1 항에 따른 스크린 프린팅 패턴 학습 방법 이후에,
    상기 목표 패턴 생성부가 상기 학습된 위치별 보정값을 반영하여 목표 패턴을 수정하여 보정 목표 패턴을 형성하는 단계를 포함하는, 인공지능을 이용한 스크린 프린팅 패턴 보정 방법.
  5. 제 4 항에 있어서,
    상기 인쇄변수그룹은
    프린팅 갭(H), 프린팅 압력, 프린팅 스피드, 제판 종류 및 스퀴지 재질 중 적어도 하나를 포함하는 것을 특징으로 하는, 인공지능을 이용한 스크린 프린팅 패턴 보정 방법.
  6. 제 4 항에 있어서,
    상기 에러값 산출부는
    목표 패턴의 에러측정지점들에 대응되는 인쇄 패턴의 에러측정지점들에서 x 방향 및 y 방향으로의 에러값을 산출하는 것을 특징으로 하는, 인공지능을 이용한 스크린 프린팅 패턴 보정 방법.
  7. 명령어를 포함하는 비-일시적 기록매체에 저장된 컴퓨터 프로그램으로서, 상기 명령어는,
    목표 패턴 생성부가 목표 패턴을 생성하는 단계;
    인쇄 패턴 수집부가 목표 패턴이 제 1 인쇄변수그룹 조건에서 인쇄대상물에 스크린 프린팅된 상태인 제 1 인쇄 패턴을 획득하는 단계;
    에러값 산출부가 목표 패턴과 제 1 인쇄 패턴을 대비하여 제 1 위치별 에러값을 산출하는 단계;
    보정값 계산부가 제 1 위치별 에러값을 보정하는 제 1 위치별 보정값을 계산하는 단계를 포함하는 에러맵 생성 방법을 제 1 인쇄변수그룹 조건에서 제 n 인쇄변수그룹 조건까지 수행하는 단계(여기서, n은 2 이상의 자연수이다); 및
    보정값 학습부가 인공 지능을 통해 인쇄변수그룹 조건에 대한 위치별 보정값을 학습하는 단계를 실행시키도록 구성된 비-일시적 기록매체에 저장된 컴퓨터 프로그램.
  8. 제 7 항에 있어서,
    상기 목표 패턴 생성부가 상기 학습된 위치별 보정값을 반영하여 목표 패턴을 수정하여 보정 목표 패턴을 형성하는 단계를 더 실행시키는 비-일시적 기록매체에 저장된 컴퓨터 프로그램.
  9. 제 7 항에 있어서,
    상기 인쇄변수그룹은
    프린팅 갭(H), 프린팅 압력, 프린팅 스피드, 제판 종류 및 스퀴지 재질 중 적어도 하나를 포함하는 비-일시적 기록매체에 저장된 컴퓨터 프로그램.
  10. 제 7 항에 있어서,
    상기 에러값 산출부는
    목표 패턴의 에러측정지점들에 대응되는 인쇄 패턴의 에러측정지점들에서 x 방향 및 y 방향으로의 에러값을 산출하는 비-일시적 기록매체에 저장된 컴퓨터 프로그램.
  11. 인공지능을 이용한 스크린 프린팅 패턴 학습 시스템에 있어서,
    목표 패턴을 생성하는 목표 패턴 생성부;
    목표 패턴이 제 1 내지 n 인쇄변수그룹 조건에서 각각 인쇄대상물에 스크린 프린팅된 상태인 제 1 내지 n 인쇄 패턴을 획득하는 인쇄 패턴 수집부 (여기서, n은 2 이상의 자연수이다);
    목표 패턴과 제 1 내지 n 인쇄 패턴을 대비하여 각각 제 1 내지 n 위치별 에러값을 산출하는 에러값 산출부;
    제 1 내지 n 위치별 에러값을 각각 보정하는 제 1 내지 n 위치별 보정값을 계산하는 보정값 계산부; 및
    인공 지능을 통해 제 1 내지 n 인쇄변수그룹 조건에 대한 제 1 내지 n 위치별 보정값을 학습하는 보정값 학습부를 포함하는, 인공지능을 이용한 스크린 프린팅 패턴 학습 시스템.
  12. 제 11 항에 있어서,
    상기 인쇄변수그룹은
    프린팅 갭(H), 프린팅 압력, 프린팅 스피드, 제판 종류 및 스퀴지 재질 중 적어도 하나를 포함하는, 인공지능을 이용한 스크린 프린팅 패턴 학습 시스템.
  13. 제 11 항에 있어서,
    상기 에러값 산출부는
    목표 패턴의 에러측정지점들에 대응되는 인쇄 패턴의 에러측정지점들에서 x 방향 및 y 방향으로의 에러값을 산출하는, 인공지능을 이용한 스크린 프린팅 패턴 학습 시스템.
  14. 제 11 항에 따른 스크린 프린팅 패턴 학습 시스템을 포함하되,
    상기 목표 패턴 생성부가 상기 학습된 제 1 내지 n 위치별 보정값을 반영하여 목표 패턴을 수정하여 보정 목표 패턴을 형성하는, 인공지능을 이용한 스크린 프린팅 패턴 보정 시스템.
  15. 제 14 항에 있어서,
    상기 인쇄변수그룹은
    프린팅 갭(H), 프린팅 압력, 프린팅 스피드, 제판 종류 및 스퀴지 재질 중 적어도 하나를 포함하는, 인공지능을 이용한 스크린 프린팅 패턴 보정 시스템.
  16. 제 14 항에 있어서,
    상기 에러값 산출부는
    목표 패턴의 에러측정지점들에 대응되는 인쇄 패턴의 에러측정지점들에서 x 방향 및 y 방향으로의 에러값을 산출하는, 인공지능을 이용한 스크린 프린팅 패턴 보정 시스템.
PCT/KR2023/015985 2022-10-17 2023-10-17 인공지능을 이용한 스크린 프린팅 패턴 학습 및 보정 방법과 이를 수행하는 시스템 및 프로그램 WO2024085577A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220133048A KR20240053212A (ko) 2022-10-17 2022-10-17 인공지능을 이용한 스크린 프린팅 패턴 학습 및 보정 방법과 이를 수행하는 시스템 및 프로그램
KR10-2022-0133048 2022-10-17

Publications (1)

Publication Number Publication Date
WO2024085577A1 true WO2024085577A1 (ko) 2024-04-25

Family

ID=90738079

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/015985 WO2024085577A1 (ko) 2022-10-17 2023-10-17 인공지능을 이용한 스크린 프린팅 패턴 학습 및 보정 방법과 이를 수행하는 시스템 및 프로그램

Country Status (2)

Country Link
KR (1) KR20240053212A (ko)
WO (1) WO2024085577A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2952989B2 (ja) * 1990-08-06 1999-09-27 松下電器産業株式会社 スクリーン印刷方法
JP2013188921A (ja) * 2012-03-13 2013-09-26 Mitsubishi Electric Corp スクリーン印刷装置、スクリーン印刷方法およびスクリーン印刷法での基板位置補正方法
JP2017094720A (ja) * 2015-11-18 2017-06-01 旭硝子株式会社 スクリーン印刷装置、スクリーン印刷版、スクリーン印刷版の製造方法、及び印刷層付き基材の製造方法
KR20200093559A (ko) * 2019-01-22 2020-08-05 주식회사 고영테크놀러지 기판 검사 장치 및 스크린 프린터의 결함 유형 결정 방법
KR102382712B1 (ko) * 2020-12-18 2022-04-05 김남현 인공지능 기반의 3d 프린팅 제어 방법 및 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2952989B2 (ja) * 1990-08-06 1999-09-27 松下電器産業株式会社 スクリーン印刷方法
JP2013188921A (ja) * 2012-03-13 2013-09-26 Mitsubishi Electric Corp スクリーン印刷装置、スクリーン印刷方法およびスクリーン印刷法での基板位置補正方法
JP2017094720A (ja) * 2015-11-18 2017-06-01 旭硝子株式会社 スクリーン印刷装置、スクリーン印刷版、スクリーン印刷版の製造方法、及び印刷層付き基材の製造方法
KR20200093559A (ko) * 2019-01-22 2020-08-05 주식회사 고영테크놀러지 기판 검사 장치 및 스크린 프린터의 결함 유형 결정 방법
KR102382712B1 (ko) * 2020-12-18 2022-04-05 김남현 인공지능 기반의 3d 프린팅 제어 방법 및 시스템

Also Published As

Publication number Publication date
KR20240053212A (ko) 2024-04-24

Similar Documents

Publication Publication Date Title
CN103019939B (zh) 一种测试驱动程序的方法及系统
EP1467554A2 (en) Method and system for printing press image distortion compensation.
WO2013162341A1 (ko) 스크린 프린터 장비의 보정방법 및 이를 이용한 기판 검사시스템
EP3501828B1 (en) Printed circuit board inspecting apparatus, method for detecting anomaly in solder paste and computer readable recording medium
WO2016080809A1 (ko) 검사 장치 및 이를 갖는 부품 실장 시스템
WO2024085577A1 (ko) 인공지능을 이용한 스크린 프린팅 패턴 학습 및 보정 방법과 이를 수행하는 시스템 및 프로그램
CN113379651A (zh) 一种激光成像过程中的图像处理方法、系统及相关设备
CN115686394A (zh) 打印校正方法、装置、设备及存储介质
WO2016024778A1 (ko) 검사 장치 및 방법과, 이를 포함하는 부품 실장 시스템 및 방법
WO2016028040A1 (ko) 솔더 검사 장치, 솔더검사장치의 피드백정보 생성방법
CN108288255B (zh) 一种相位恢复方法、装置及系统
CN111038071A (zh) 一种丝印网版的生产方法
WO2021086108A1 (ko) 로봇 비전 시스템을 위한 자동 캘리브레이션 방법 및 장치
EP0643330B1 (en) Imposition data processor controlling a prepress system
CN114295331A (zh) 一种多摄模组光轴测试方法、装置、设备和介质
CN113674207A (zh) 一种基于图卷积神经网络的pcb元器件自动定位方法
CN114236976A (zh) 一种双台面ldi系统的曝光方法
CN114986878B (zh) 光固化多画幅3d打印机的投影畸变及均匀性矫正设备和方法
WO2021095961A1 (ko) Ptz 카메라 제어 장치 및 그 방법
CN213987168U (zh) 一种控制板组件及曝光机
WO2020004723A1 (ko) 의복에 프린팅될 프린팅 이미지 변형 방법 및 이를 수행하는 장치들
CN110286566A (zh) 一种基于直写式光刻机拼板模式下内层防呆的方法
WO2024076024A1 (ko) 3d 프린팅을 위한 레이어 이미지 제공 방법, 그리고 이를 구현하기 위한 장치
WO2015037916A1 (ko) 기판 검사 시의 보상 매트릭스의 유효성 판단 방법
WO2024043485A1 (ko) 텍스트를 포함하는 이미지를 처리하기 위한 전자 장치 및 방법