WO2024096435A1 - 전자 기기 외관 상태 평가 및 가치 평가 방법과 전자 기기 가치 평가 장치 - Google Patents

전자 기기 외관 상태 평가 및 가치 평가 방법과 전자 기기 가치 평가 장치 Download PDF

Info

Publication number
WO2024096435A1
WO2024096435A1 PCT/KR2023/016690 KR2023016690W WO2024096435A1 WO 2024096435 A1 WO2024096435 A1 WO 2024096435A1 KR 2023016690 W KR2023016690 W KR 2023016690W WO 2024096435 A1 WO2024096435 A1 WO 2024096435A1
Authority
WO
WIPO (PCT)
Prior art keywords
grade
electronic device
defect
evaluation
appearance
Prior art date
Application number
PCT/KR2023/016690
Other languages
English (en)
French (fr)
Inventor
유광열
박성호
도성진
Original Assignee
민팃(주)
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 KR1020230122599A external-priority patent/KR20240063759A/ko
Application filed by 민팃(주) filed Critical 민팃(주)
Publication of WO2024096435A1 publication Critical patent/WO2024096435A1/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
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Definitions

  • the following embodiments relate to a method for evaluating the appearance condition and value of an electronic device and an electronic device value evaluation device.
  • the artificial intelligence analysis method can evaluate the external condition of used electronic devices by capturing the external condition of used electronic devices through lighting and cameras and analyzing the obtained images using an artificial intelligence analysis algorithm.
  • a variety of unmanned purchasing methods for used electronic devices are being proposed, and performance testing and external condition analysis technologies are being developed to evaluate the value of these electronic devices.
  • artificial intelligence deep learning image analysis technology can be used to analyze the external condition of used electronic devices, making unmanned automated analysis and evaluation possible.
  • Training images may be needed to automatically analyze the external state of a specific electronic device through artificial intelligence deep learning image analysis technology.
  • Various training images of specific electronic devices can be created, and deep learning training can be performed through the created training images.
  • a trained artificial intelligence evaluation model can analyze defects in the appearance of an electronic device from images taken of the exterior of a specific electronic device, and determine the appearance grade of a specific electronic device based on the results of this analysis.
  • One embodiment may provide a method to improve the recognition rate and speed of an artificial intelligence evaluation model.
  • a method of evaluating the external condition of an electronic device performed by an electronic device value evaluation apparatus includes the steps of checking whether the electronic device has a defect of a specific grade based on one or more images obtained by photographing the electronic device; When the electronic device has a defect of the specific grade, determining an appearance grade of the electronic device based on the specific grade; If the electronic device does not have a defect of the specific grade, checking whether the electronic device has a defect of a higher grade that determines the value of the electronic device to be higher than the specific grade based on the one or more images; and determining the appearance grade based on the higher grade when the electronic device has a defect of the higher grade.
  • the step of checking whether there is a defect of a specific grade includes images obtained by photographing a plurality of evaluation areas of the electronic device, first defect masks for the evaluation areas, and a deep learning evaluation model for the evaluation areas.
  • the method may include checking whether a first grade defect classified for each evaluation area exists in each of the evaluation areas.
  • Each of the first defect masks may correspond to an image representing a first grade defect classified for each evaluation area.
  • the step of determining the appearance grade based on the specific grade may include determining the appearance grade to the first grade when a defect of the first grade classified for at least one of the evaluation areas is in the at least one evaluation area. It may include the step of determining grade 1.
  • the step of checking whether there is a defect of the first grade in each of the evaluation areas includes comparing the images and the first defect masks through the deep learning evaluation models, and classifying each evaluation area based on the comparison result. It may include checking whether a defect of the first grade is in each of the evaluation areas.
  • the step of checking whether there is a defect of the higher grade is performed when there is no defect of the first grade classified for each evaluation area in each of the evaluation areas, the images, the second defect masks for the evaluation areas, and Using the deep learning evaluation models, the method may include checking whether a second grade defect classified for each evaluation region exists in each of the evaluation regions.
  • Each of the second defect masks corresponds to an image representing a second grade defect classified for each evaluation area, and the second grade may correspond to a higher grade than the first grade.
  • One or more of the evaluation areas may include one or more of the front of the electronic device, the back of the electronic device, the side of the electronic device, or the screen of the electronic device.
  • An electronic device value evaluation method performed by an electronic device value evaluation apparatus includes the steps of evaluating the appearance of the electronic device based on one or more images obtained by photographing the electronic device; and determining the value of the electronic device based on the results of the external condition evaluation and the results of the internal state evaluation of the electronic device.
  • the performing of the external condition evaluation may include checking whether the electronic device has a defect of a specific grade based on the one or more images; When the electronic device has a defect of the specific grade, determining an appearance grade of the electronic device based on the specific grade; If the electronic device does not have a defect of the specific grade, checking whether the electronic device has a defect of a higher grade that determines the value of the electronic device to be higher than the specific grade based on the one or more images; and determining the appearance grade based on the higher grade when the electronic device has a defect of the higher grade.
  • the step of checking whether there is a defect of a specific grade includes images obtained by photographing a plurality of evaluation areas of the electronic device, first defect masks for the evaluation areas, and a deep learning evaluation model for the evaluation areas.
  • the method may include checking whether a first grade defect classified for each evaluation area exists in each of the evaluation areas.
  • Each of the first defect masks may correspond to an image representing a first grade defect classified for each evaluation area.
  • the step of determining the appearance grade based on the specific grade may include determining the appearance grade to the first grade when a defect of the first grade classified for at least one of the evaluation areas is in the at least one evaluation area. It may include the step of determining grade 1.
  • the step of checking whether there is a defect of the first grade in each of the evaluation areas includes comparing the images and the first defect masks through the deep learning evaluation models, and classifying each evaluation area based on the comparison result. It may include checking whether a defect of the first grade is in each of the evaluation areas.
  • the step of checking whether there is a defect of the higher grade is performed when there is no defect of the first grade classified for each evaluation area in each of the evaluation areas, the images, the second defect masks for the evaluation areas, and Using the deep learning evaluation models, the method may include checking whether a second grade defect classified for each evaluation region exists in each of the evaluation regions.
  • Each of the second defect masks corresponds to an image representing a second grade defect classified for each evaluation area, and the second grade may correspond to a higher grade than the first grade.
  • One or more of the evaluation areas may include one or more of the front of the electronic device, the back of the electronic device, the side of the electronic device, or the screen of the electronic device.
  • An electronic device valuation device includes a memory storing one or more instructions; and a processor executing the instructions.
  • the processor checks whether the electronic device has a defect of a specific grade based on one or more images obtained by photographing the electronic device, and if the electronic device has a defect of the specific grade, the processor checks whether the electronic device has a defect of the specific grade.
  • the appearance grade of the electronic device is determined based on the grade, and if the electronic device does not have a defect of the specific grade, the value of the electronic device is determined to be higher than the specific grade based on the one or more images. It is checked whether there is a higher-level defect in the electronic device, and if the electronic device has a higher-level defect, the appearance level is determined based on the higher level.
  • the processor uses images obtained by photographing a plurality of evaluation areas of the electronic device, first defect masks for the evaluation areas, and deep learning evaluation models for the evaluation areas, each of the evaluation areas It is possible to check whether a first grade defect classified by category exists in each of the evaluation areas.
  • the processor may determine the appearance grade as the first grade when a defect of the first grade classified for at least one of the evaluation areas is in the at least one evaluation area.
  • the processor compares the images and the first defect masks through the deep learning evaluation models, and checks whether a first grade defect classified for each evaluation region is in each of the evaluation regions based on the comparison result. can do.
  • the processor uses the images, second defect masks for the evaluation areas, and the deep learning evaluation models. , it can be checked whether a second grade defect classified for each evaluation area exists in each of the evaluation areas.
  • One or more of the evaluation areas may include one or more of the front of the electronic device, the back of the electronic device, the side of the electronic device, or the screen of the electronic device.
  • One embodiment can evaluate the appearance grade of an electronic device at a high speed, improve the recognition rate of an artificial intelligence evaluation model (e.g., a deep learning evaluation model), and improve the recognition rate of an artificial intelligence evaluation model (e.g., a deep learning evaluation model). Recognition speed can be accelerated.
  • an artificial intelligence evaluation model e.g., a deep learning evaluation model
  • an artificial intelligence evaluation model e.g., a deep learning evaluation model
  • FIG. 1 and 2 are diagrams explaining an unmanned purchase device and a server according to an embodiment.
  • 3 and 4 are diagrams illustrating the operation of an electronic device value evaluation device according to an embodiment.
  • 5 to 9 are diagrams illustrating an example in which an electronic device value evaluation device determines an appearance grade of an electronic device using a deep learning evaluation model according to an embodiment.
  • Figure 10 is a flowchart explaining a method for evaluating the external condition of an electronic device according to an embodiment.
  • Figure 11 is a flowchart explaining a method of evaluating the value of an electronic device according to an embodiment.
  • first or second may be used to describe various components, but these terms should be interpreted only for the purpose of distinguishing one component from another component.
  • a first component may be named a second component, and similarly, the second component may also be named a first component.
  • FIG. 1 and 2 are diagrams explaining an unmanned purchase device and a server according to an embodiment.
  • an unmanned purchase device 110 and a server 120 are shown.
  • the unmanned purchasing device 110 may purchase electronic devices (or used electronic devices) (e.g., smartphones, tablet PCs, wearable devices, etc.) from users and/or sell electronic devices (or used electronic devices) to users.
  • electronic devices or used electronic devices
  • the type of electronic device may be classified into a bar type, rollable type, or foldable type depending on its shape.
  • the unmanned purchase device 110 may be, for example, in the form of a kiosk, but is not limited thereto.
  • the unmanned embedded device 110 may include a photographing box for placing and photographing an electronic device, a system control unit, and a display.
  • the system control unit may control the overall operation of the unmanned embedding device 110.
  • the system control unit may display guidelines and/or precautions for selling electronic devices on the display.
  • the system control unit may display a user interface for receiving various information from the user (e.g., operating system (OS) information of an electronic device to be sold by the user) on the display.
  • OS operating system
  • a first application installed on the electronic device may display a serial number on the display of the electronic device.
  • the first application may be an application that inspects the internal state of the electronic device and collects (or obtains) information about the electronic device (eg, model name, serial number, operating system version, etc.).
  • the user may input the serial number into the display of the unmanned acquisition device 110.
  • the system control unit may verify the entered serial number through the display or request verification from the server 120. The system control unit can open the door of the shooting box when the entered serial number is verified.
  • the user can connect the cable (e.g. USB Type C cable, Lightning cable, etc.) of the unmanned embedding device 110 and the electronic device, and the electronic device can be placed in the shooting box.
  • Electronic devices may be connected to the system control unit of the unmanned embedding device 110 through a cable.
  • the electronic device may be connected to the system control unit of the unmanned embedded device 110 wirelessly (e.g., Bluetooth, Bluetooth Low Energy (BLE), etc.).
  • the shooting box can align the placed electronic devices in a given position. If the electronic device is not aligned in a designated position, the cameras inside the shooting box may not be able to properly capture the exterior of the electronic device.
  • the first application can collect information about the electronic device and evaluate (or analyze) the internal state of the electronic device (e.g., hardware operating state, etc.).
  • the hardware operation state may indicate whether the hardware (eg, sensor, camera, etc.) of the electronic device is operating normally.
  • the first application can evaluate (or determine) whether the hardware of the electronic device operates normally.
  • a plurality of cameras and a plurality of lights may be located in the shooting box.
  • the first camera in the photographing box may acquire one or more front images of the electronic device by photographing the front of the electronic device.
  • the second camera in the shooting box may acquire one or more rear images of the electronic device by photographing the rear of the electronic device.
  • Each of the plurality of third cameras in the shooting box may acquire one or more side images (or corner images) by photographing each side (or corner) of the electronic device.
  • the first camera may acquire one or more images (hereinafter referred to as “screen images”) by photographing the screen of the electronic device.
  • the first application may display a single-color (e.g., white, black, red, blue, green, etc.) screen on the electronic device.
  • a monochromatic screen image When a monochromatic screen is displayed on the electronic device, the first camera may acquire an image (hereinafter referred to as a “monochromatic screen image”) by photographing the monochromatic screen of the electronic device.
  • a white screen is displayed on an electronic device
  • the first camera may acquire a first monochromatic screen image by photographing the white screen of the electronic device.
  • the first camera may acquire a second monochromatic screen image by photographing the black screen of the electronic device. While the electronic device displays a screen of a single color other than white and black (e.g., red, blue, green, etc.), the first camera may acquire a third single-color screen image by photographing the other single-color screen of the electronic device. .
  • a single color other than white and black e.g., red, blue, green, etc.
  • the electronic device value evaluation device 130 determines the appearance status of the electronic device based on images obtained by photographing the electronic device (e.g., one or more front images, one or more rear images, one or more side images, and one or more screen images). Evaluation can be performed.
  • the electronic device valuation device 130 may be included in the server 120 .
  • the server 120 may receive images obtained by photographing an electronic device from the unmanned purchase device 110, and may transmit the received images to the electronic device value evaluation device 130.
  • the first application in the electronic device may perform an evaluation of the internal state of the electronic device and transmit the result of the evaluation of the internal state of the electronic device to the server 120 through the unmanned embedded device 110.
  • the first application may allow the electronic device to connect to the server 120 and transmit the result of evaluating the internal state of the electronic device to the server 120 through the electronic device.
  • the electronic device value evaluation device 130 evaluates the electronic device based on the result of the external state evaluation of the electronic device and the result of the internal state evaluation of the electronic device (e.g., the result of the first application performing the internal state evaluation of the electronic device). Value (e.g. price) can be determined.
  • the electronic device value evaluation device 130 may transmit the value of the electronic device to the unmanned purchase device 110, and the unmanned purchase device 110 may transmit the value of the electronic device to the user.
  • the user can accept the value (e.g. price) of the electronic device and convey to the unmanned purchasing device 110 that the electronic device will be sold, and the unmanned purchasing device 110 is placed in the shooting box when the user decides to sell the electronic device.
  • Electronic devices can be moved to a recovery box (or storage box). Depending on the embodiment, the recovery box may be located inside or outside the unmanned burial device 110.
  • the electronic device valuation device 130 may be included in the unmanned purchase device 110 .
  • the electronic device value evaluation device 130 may receive images obtained by photographing the electronic device from cameras in a photographing box.
  • the electronic device value evaluation device 130 may receive the result of evaluating the internal state of the electronic device from the first application.
  • the electronic device value evaluation device 130 may determine the value (e.g., price) of the electronic device based on the results of the external state evaluation of the electronic device and the results of the internal state evaluation of the electronic device.
  • the electronic device value evaluation device 130 can convey the value of the electronic device to the user.
  • the user can accept the value (e.g., price) of the electronic device and convey to the unmanned purchasing device 110 that the electronic device will be sold, and the unmanned purchasing device 110 is placed in the shooting box when the user decides to sell the electronic device.
  • Electronic devices can be moved to a recovery box (or storage box).
  • 3 to 6 are diagrams illustrating the operation of an electronic device value evaluation device according to an embodiment.
  • the electronic device value evaluation device 130 may include a memory 310, an appearance condition evaluation module 320, and a value determination module 330.
  • the appearance condition evaluation module 320 and the value determination module 330 may be implemented with one processor.
  • the appearance condition evaluation module 320 and the value determination module 330 may each be implemented with separate processors.
  • a first processor may implement the appearance condition evaluation module 320 and a second processor may implement the value determination module 330.
  • Memory 310 may store one or more instructions to be executed by appearance condition evaluation module 320 and value determination module 330.
  • the memory 310 may store a plurality of deep learning evaluation models. For example, the memory 310 uses a first deep learning evaluation model to determine whether there is a defect in a first evaluation area (eg, front) of the electronic device, and whether there is a defect in a second evaluation area (eg, back) of the electronic device.
  • a second deep learning evaluation model that determines whether there is a defect in a third evaluation area (e.g., side (or corner)) of the electronic device, or a third deep learning evaluation model that determines whether there is a defect in a fourth evaluation area (e.g., screen) of the electronic device. ) may include at least one or all of the fourth deep learning evaluation models that determine whether there is a defect.
  • defects may be classified by grade for each evaluation area of an electronic device.
  • defects that may occur in the first evaluation area e.g., the front
  • front damage e.g., front breakage
  • front scratches e.g.
  • tempered glass lifting e.g.
  • the second evaluation area e.g., the second evaluation area
  • defects that may occur on the (e.g. rear) e.g., back breakage (or back crack), back glass lifting, back camera lens breakage, back scratches, etc.
  • Defects that may occur in the third evaluation area e.g., side
  • the fourth evaluation area e.g., screen
  • Defects that may occur e.g. black spots, whitening, afterimages, screen stripping, etc.
  • Table 1 below shows an example of defects that can occur in each of the evaluation areas (e.g. screen, front, side (or corner), rear) classified by grade.
  • grade D defects may be the lowest determining factor in the value of an electronic device, for example.
  • Class C defects may be a factor that determines the value of an electronic device higher than, for example, Class D defects.
  • class B defects may correspond to factors that can increase the value of an electronic device more than class C defects.
  • Grade A in Table 1 above can indicate that there are no defects in the electronic device. Grade A may be the highest grade, Grade B may be the next highest grade, Grade C may be the next lowest grade, and Grade D may be the lowest grade.
  • the grade of the defect may vary depending on the size of the defect, the length of the defect, or the number of defects. For example, larger scratches (and/or a larger number of scratches) may result in a relatively lower rating, while smaller scratches (and/or a smaller number of scratches) may result in a relatively high rating. Grades may be assigned. The longer the defect (e.g. scratch), the lower the grade, and the shorter the defect (e.g. scratch), the higher the grade. If the afterimage on the screen is severe, a relatively low grade may be given, and if the afterimage on the screen is not severe, a relatively high grade may be given.
  • the number of grades is not limited to the four in Table 1 above.
  • the number of grades may be more or less than the four in Table 1 above.
  • Figure 4 shows the schematic structure of a deep neural network that is the basis for each deep learning evaluation model.
  • the structure of a deep neural network will be described as an example, but it is not necessarily limited to this and neural networks of various structures can be used in deep learning evaluation models.
  • a deep neural network is a method of implementing a neural network and includes multiple layers.
  • a deep neural network for example, has an input layer (410) to which input data is applied, and an output layer (440) that outputs a result value derived through prediction based on input data based on training. ), and may include multiple hidden layers 420 and 430 between the input layer and the output layer.
  • Deep neural networks can be classified into convolutional neural networks, recurrent neural networks, etc., depending on the algorithm used to process information.
  • the input layer is called the lowest layer and the output layer is called the highest layer, and the layers can be named by sequentially ranking them from the output layer, which is the highest layer, to the input layer, which is the lowest layer.
  • hidden layer 2 is a layer higher than hidden layer 1 and the input layer, and may correspond to a lower layer than the output layer.
  • a relatively higher layer can output a predetermined calculation result by multiplying the output value of a relatively lower layer by a weight and receiving a biased value. At this time, the output operation result can be applied to the upper layer adjacent to the corresponding layer in a similar manner.
  • a method of training a neural network is called deep learning, and as described above, various algorithms such as convolutional neural networks and recurrent neural networks can be used in deep learning.
  • Training a neural network means determining and updating the weight(s) and bias(s) between layers, and/or weight(s) between a plurality of neurons belonging to different layers among adjacent layers, and It can be understood as encompassing both determining and updating bias(es).
  • the plurality of layers, the hierarchical structure between the plurality of layers, and the weights and biases between neurons can all be collectively expressed as the “connectivity” of a neural network. Accordingly, “training a neural network” can also be understood as building and training connectivity.
  • each of a plurality of layers may include a plurality of nodes.
  • Nodes may correspond to neurons in a neural network.
  • the term “neuron” may be used interchangeably with the term “node.”
  • connection relationships are formed between a plurality of nodes included in one layer and combinations of a plurality of nodes included in an adjacent layer. In this way, a combination of all nodes included in adjacent layers of a neural network can be called “fully-connected.”
  • Node 3-1 of hidden layer 2 (430) shown in FIG. 4 is connected to all nodes of hidden layer 1 (420), that is, all nodes 2-1 to 2-4, and is connected to the output value of each node. You can input a value multiplied by a predetermined weight.
  • Data input to the input layer 410 is processed through a plurality of hidden layers 420 and 430, so that an output value may be output through the output layer 440.
  • a larger weight multiplied by the output value of each node may mean that the connectivity between the two corresponding nodes is strengthened, and a smaller weight may mean that the connectivity between the two nodes is weakened. If the weight is 0, it may mean that there is no connectivity between the two nodes.
  • the appearance condition evaluation module 320 performs one or more images acquired by photographing the electronic device (e.g., at least one or all of the front image, rear image, side image, or screen image) and one or more deep learning evaluations. Based on the model, external condition evaluation of electronic devices can be performed.
  • the appearance condition evaluation module 320 uses one or more deep learning evaluation models and one or more images (e.g., at least one or all of the front image, rear image, side image, or screen image) to evaluate the electronic device. It is possible to determine whether there is a defect of the lowest grade in each evaluation area. If there is no defect of the lowest grade in each evaluation area of the electronic device, the appearance condition evaluation module 320 may determine whether a defect of a grade higher than the lowest grade is present in each of the evaluation areas of the electronic device. If there is a defect of the lowest grade in at least one of the evaluation areas of the electronic device, the appearance condition evaluation module 320 may determine the appearance grade of the electronic device to be the lowest grade.
  • images e.g., at least one or all of the front image, rear image, side image, or screen image
  • the appearance condition evaluation module 320 may compare the front image of the electronic device with each of the front defect masks of the lowest grade (e.g., grade D in Table 1 above) through the first deep learning evaluation model.
  • Each of the front surface defect masks of the lowest grade (e.g., grade D in Table 1 above) may correspond to an image representing each of the front surface defects of the lowest grade.
  • the lowest-level front surface defect masks may include, for example, an image representing front surface defect 1 in Table 1 above and an image representing front surface defect 2 in Table 1 above.
  • the appearance condition evaluation module 320 compares the front image of the electronic device with each of the front defect masks of the lowest grade (e.g., grade D in Table 1 above) through the first deep learning evaluation model, thereby determining the lowest grade on the front of the electronic device. You can determine whether there is a defect in the grade.
  • grade D grade D in Table 1 above
  • the appearance condition evaluation module 320 may compare the rear image of the electronic device with each of the rear defect masks of the lowest grade (e.g., grade D in Table 1 above) through the second deep learning evaluation model.
  • Each of the lowest grade back defect masks (e.g., grade D in Table 1 above) may correspond to an image representing each of the lowest grade side defects.
  • the lowest-rank back defect masks may include, for example, an image representing back defect 1 in Table 1 above, an image representing back defect 2 in Table 1 above, and an image representing back defect 3 in Table 1 above.
  • the appearance condition evaluation module 320 compares the rear image of the electronic device with each of the rear defect masks of the lowest grade (e.g., grade D in Table 1 above) through a second deep learning evaluation model, thereby determining the lowest grade on the back of the electronic device. You can determine whether there is a defect in the grade.
  • grade D grade D in Table 1 above
  • the appearance condition evaluation module 320 may compare the side image of the electronic device with each of the side defect masks of the lowest grade (e.g., grade D in Table 1 above) through the third deep learning evaluation model.
  • Each of the lowest grade side defect masks (e.g., grade D in Table 1 above) may correspond to an image representing each of the lowest grade side defects.
  • the lowest grade side defect masks may include, for example, an image representing side defect 1 in Table 1 above and an image representing side defect 2 in Table 1 above.
  • the appearance condition evaluation module 320 compares the side image of the electronic device with each of the side defect masks of the lowest grade (e.g., grade D in Table 1 above) through a third deep learning evaluation model, thereby determining the lowest grade on the side of the electronic device. You can determine whether there is a defect in the grade.
  • the appearance condition evaluation module 320 may compare the screen image of the electronic device with each of the screen defect masks of the lowest grade (e.g., grade D in Table 1 above) through the fourth deep learning evaluation model.
  • Each of the screen defect masks of the lowest grade (e.g., grade D in Table 1 above) may correspond to an image representing each of the screen defects of the lowest grade (e.g., grade D in Table 1 above).
  • the lowest-level screen defect masks may include, for example, an image representing screen defect 1 in Table 1 above, an image representing screen defect 2 in Table 1 above, and an image representing screen defect 3 in Table 1 above.
  • the appearance condition evaluation module 320 compares the screen image of the electronic device with each of the screen defect masks of the lowest grade (e.g., grade D in Table 1 above) through the fourth deep learning evaluation model, thereby determining the lowest grade on the screen of the electronic device. You can determine whether there is a defect in the grade.
  • grade D grade D in Table 1 above
  • the appearance condition evaluation module 320 determines that at least one of the evaluation areas of the electronic device has a defect of the lowest grade (e.g., grade D), it determines the appearance grade of the electronic device to be the lowest grade (e.g., grade D). You can.
  • the appearance condition evaluation module 320 determines that there is no defect of the lowest grade in each evaluation area of the electronic device, the next lower grade that is higher than the lowest grade in each evaluation area of the electronic device (e.g., grade C in Table 1 above) ) can determine whether there is a defect.
  • the appearance condition evaluation module 320 determines that at least one of the evaluation areas of the electronic device has a defect of the next lower grade (e.g., grade C)
  • the appearance condition evaluation module 320 changes the appearance grade of the electronic device to the next lower grade (e.g., grade C).
  • the appearance condition evaluation module 320 may determine that there are no grade C defects on the back, side, and screen of the electronic device.
  • the appearance condition evaluation module 320 can compare each of the grade C front defect masks with the front image of the electronic device through the first deep learning evaluation model, and through this comparison, the grade C front defect on the front of the electronic device ( Example: It can be determined that there is a front defect 3) in Table 1 above.
  • the appearance condition evaluation module 320 may determine the appearance grade of the electronic device as grade C.
  • the appearance condition evaluation module 320 determines that there are no defects of the next lower grade (e.g., C grade) in each evaluation area of the electronic device, the appearance condition evaluation module 320 determines that each evaluation area of the electronic device has a grade higher than the next lower grade (e.g., in the table above). It can be determined whether there is a defect of grade B of 1).
  • the appearance condition evaluation module 320 may determine the appearance grade of the electronic device as grade B. For example, the appearance condition evaluation module 320 may determine that there are no class B defects on the front, back, and sides of the electronic device, respectively.
  • the appearance condition evaluation module 320 can compare each of the B-grade screen defect masks with the screen image of the electronic device through the fourth deep learning evaluation model, and displays a B-grade screen defect (e.g., in the table above) on the screen of the electronic device. It can be determined that there is a screen defect 6) of 1.
  • the appearance condition evaluation module 320 may determine the appearance grade of the electronic device as grade B.
  • the appearance condition evaluation module 320 may determine the appearance grade of the electronic device as Grade A.
  • grade B may be the next highest grade, so when the appearance condition evaluation module 320 determines that there is no defect of the next highest grade in each of the evaluation areas of the electronic device, it sets the appearance grade of the electronic device to the highest grade ( Example: Grade A).
  • defect masks e.g., front defect masks, back defect masks, side defect masks, screen defect masks
  • D to B grades respectively
  • the value determination module 330 determines the external state evaluation result of the electronic device (e.g., appearance grade of the electronic device) and the internal state evaluation result of the electronic device (e.g., the first application evaluates the internal state of the electronic device.
  • the value (e.g. price) of an electronic device can be determined based on the results of performing .
  • the server 120 may include an electronic device value evaluation device 130.
  • the value determination module 330 may transmit the value (eg, price) of the electronic device to the unmanned purchasing device 110.
  • the unmanned purchase device 110 may show the value (eg, price) of the electronic device to the user through a display.
  • the unmanned purchase device 110 may include an electronic device value evaluation device 130.
  • the value determination module 330 may display the value (eg, price) of the electronic device on the display of the unmanned purchase device 110.
  • 5 to 9 are diagrams illustrating an example in which an electronic device value evaluation device determines an appearance grade of an electronic device using a deep learning evaluation model according to an embodiment.
  • the electronic device value evaluation device 130 may analyze the front image of the electronic device using the first deep learning evaluation model 510.
  • the first deep learning evaluation model 510 may output or provide a result of analyzing the front image of the electronic device (e.g., an analysis result indicating whether a specific grade of front defect exists on the front of the electronic device).
  • the electronic device value evaluation device 130 may analyze the rear image of the electronic device using the second deep learning evaluation model 520.
  • the second deep learning evaluation model 520 may output or provide a result of analyzing the rear image of the electronic device (e.g., an analysis result indicating whether there is a specific grade of rear defect on the rear of the electronic device).
  • the electronic device value evaluation device 130 may analyze the side image of the electronic device using the third deep learning evaluation model 530.
  • the third deep learning evaluation model 530 may output or provide a result of analyzing the side image of the electronic device (e.g., an analysis result indicating whether a specific grade of side defect exists on the side of the electronic device).
  • the electronic device value evaluation device 140 may analyze the screen image of the electronic device using the fourth deep learning evaluation model 540.
  • the fourth deep learning evaluation model 540 may output or provide a result of analyzing the screen image of the electronic device (e.g., an analysis result indicating whether the screen of the electronic device has a screen defect of a specific grade).
  • FIG. 6 an example of the operation of the electronic device valuation device 130 to analyze the front image of the electronic device using the first deep learning evaluation model 510 is explained, and through FIG. 7, the electronic device value evaluation device ( 130) explains an example of an operation of analyzing the rear image of an electronic device using the second deep learning evaluation model 520.
  • FIG. 8 an example of the operation of the electronic device valuation device 130 to analyze the side image of the electronic device using the third deep learning evaluation model 530 is explained, and through FIG. 9, the electronic device value evaluation device ( 130) explains an example of an operation of analyzing a screen image of an electronic device using the fourth deep learning evaluation model 540.
  • the electronic device value evaluation device 130 uses the first deep learning evaluation model 510 to determine the front defect of the lowest grade (e.g., grade D in Table 1 above). Each of the masks 610 can be compared with the front image of the electronic device.
  • the electronic device valuation device 130 uses the second deep learning evaluation model 520 to evaluate each of the rear defect masks 710 of the lowest grade (e.g., grade D in Table 1 above). You can compare the back images of electronic devices.
  • the electronic device valuation device 130 uses the third deep learning evaluation model 530 to evaluate each of the side defect masks 810 of the lowest grade (e.g., grade D in Table 1 above). You can compare side images of electronic devices.
  • the electronic device valuation device 130 uses the fourth deep learning evaluation model 540 to evaluate each of the screen defect masks 910 of the lowest grade (e.g., grade D in Table 1 above). You can compare screen images of electronic devices.
  • the electronic device value evaluation device 130 (or the first deep learning evaluation model 510) is configured such that, for example, the comparison result (or similarity) between each of the front defect masks 610 and the front image of the electronic device is below a certain level. In this case, it can be determined that there is no class D front defect on the front of the electronic device.
  • the electronic device value evaluation device 130 (or the first deep learning evaluation model 510) may determine that the comparison result (or similarity) between at least one of the front defect masks 610 and the front image of the electronic device is constant. If it is above this level, it can be judged that there is a grade D front defect on the front of the electronic device.
  • the grade D front defect mask a may correspond to the image representing front defect 1 in Table 1 above.
  • the electronic device value evaluation device 130 (or the first deep learning evaluation model 510) is the front surface of the electronic device when the comparison result (or similarity) between the D-class front defect mask a and the front image of the electronic device is above a certain level. It can be determined that there is a frontal defect 1.
  • the electronic device valuation device 130 (or the second to fourth deep learning evaluation models 520, 530, and 540, respectively) determines whether there is a grade D defect on the back, side, and screen of the electronic device, respectively. can do.
  • An analysis result indicating that at least one of the deep learning evaluation models 510 to 540 has a grade D defect may be output or provided.
  • the electronic device value evaluation device 130 may determine the appearance grade of the electronic device as the lowest grade (eg, D grade).
  • the first deep learning evaluation model 510 determines a grade D front defect (e.g., corresponding to the grade D front defect mask a) on the front of the electronic device through the comparison result between the grade D front defect mask a and the front image.
  • Analysis results indicating that there is a frontal defect can be output or provided.
  • Each of the remaining deep learning evaluation models 520 to 530 may output or provide analysis results indicating that there are no grade D defects on the back, side, and screen of the electronic device, respectively.
  • the electronic device value evaluation device 130 may determine the appearance grade of the electronic device as the lowest grade (e.g., D grade).
  • the electronic device valuation device 130 determines that the electronic device has a defect of the lowest grade, it does not determine whether there is a defect of a higher grade (e.g., grade C and grade B) (or uses higher grade defect masks). Since the appearance grade of an electronic device can be determined to the lowest grade (without comparing images of the electronic device), the appearance grade of the electronic device can be determined quickly.
  • grade C and grade B e.g., grade C and grade B
  • the electronic device value evaluation device 130 determines that the electronic device does not have a defect of the lowest grade (e.g., D grade) through the deep learning evaluation models 510 to 540
  • the deep learning evaluation model Using the fields 510 to 540, defect masks of the next lower grade (e.g., grade C in Table 1 above) and images of the electronic device (e.g., front image, rear image, side image, screen image) can be compared. And through the comparison results, it can be determined whether the electronic device has a defect of the next lower grade (e.g., grade C in Table 1 above).
  • the electronic device valuation device 130 may compare each of the front defect masks 620 with the front image of the electronic device through the first deep learning evaluation model 510, and the electronic device It can be determined whether there is a grade C frontal defect on the front of the .
  • the electronic device value evaluation device 130 can compare each of the back defect masks 720 with the back image of the electronic device using the second deep learning evaluation model 520, and through this comparison result, the back side of the electronic device can be It is possible to determine whether there is a grade C rear defect.
  • the electronic device value evaluation device 130 can compare each of the side defect masks 820 with the side image of the electronic device using the third deep learning evaluation model 530, and through this comparison result, the side of the electronic device It is possible to determine whether there is a grade C lateral defect.
  • the electronic device value evaluation device 130 can compare each of the screen defect masks 920 with the screen image of the electronic device using the fourth deep learning evaluation model 540, and can compare the screen image of the electronic device with the screen image of the electronic device through this comparison result. You can determine whether there is a grade C screen defect.
  • An analysis result indicating that at least one of the deep learning evaluation models 510 to 540 has a grade C defect may be output or provided.
  • the electronic device value evaluation device 130 may determine the appearance grade of the electronic device as the next lower grade (eg, C grade).
  • the fourth deep learning evaluation model 540 determines whether a grade C screen defect (e.g., corresponding to the grade C screen defect mask a) is displayed on the screen of the electronic device through the comparison result between the grade C screen defect mask a and the screen image. Analysis results indicating that there is a screen defect can be output or provided.
  • Each of the remaining deep learning evaluation models 510 to 530 may output or provide analysis results indicating that there are no grade C defects on the front, back, and sides of the electronic device, respectively.
  • the electronic device value evaluation device 130 may determine the appearance grade of the electronic device as the next lower grade (e.g., C grade).
  • the electronic device valuation device 130 determines that the electronic device has a defect of a lower grade (e.g., grade C), it does not determine whether there is a defect of a higher grade (e.g., grade B) (or The appearance grade of the electronic device can be determined to the next lower grade (e.g., grade C) without comparing the image of the electronic device with the defect masks, making it possible to quickly determine the appearance grade of the electronic device.
  • grade C e.g., grade C
  • the electronic device value evaluation device 130 determines that the electronic device does not have a defect of the next lower grade (e.g., grade C) through the deep learning evaluation models 510 to 540
  • deep learning evaluation is performed.
  • the models 510 to 540 can be used to compare defect masks of the next higher grade (e.g., grade B in Table 1 above) with images of the electronic device (e.g., front image, rear image, side image, screen image). And through the comparison results, it can be determined whether the electronic device has a defect of the next higher grade (e.g., grade B in Table 1 above).
  • the electronic device valuation device 130 may compare each of the front defect masks 630 with the front image of the electronic device through the first deep learning evaluation model 510, and the electronic device value evaluation device 130 may compare the front image of the electronic device with each of the front defect masks 630 through the first deep learning evaluation model 510. It is possible to determine whether there is a grade B front defect on the front of the .
  • the electronic device value evaluation device 130 can compare each of the back defect masks 730 with the back image of the electronic device using the second deep learning evaluation model 520, and through this comparison result, the back side of the electronic device can be It is possible to determine whether there is a grade B rear defect.
  • the electronic device value evaluation device 130 can compare each of the side defect masks 830 with the side image of the electronic device using the third deep learning evaluation model 530, and through this comparison result, the side of the electronic device It is possible to determine whether there is a grade B lateral defect.
  • the electronic device value evaluation device 130 can compare each of the screen defect masks 930 with the screen image of the electronic device using the fourth deep learning evaluation model 540, and can compare the screen image of the electronic device with the screen image of the electronic device through this comparison result. You can determine whether there is a grade B screen defect.
  • An analysis result indicating that at least one of the deep learning evaluation models 510 to 540 has a grade B defect may be output or provided.
  • the electronic device value evaluation device 130 may determine the appearance grade of the electronic device as the next higher grade (eg, B grade).
  • Each of the deep learning evaluation models 510 to 540 may output or provide analysis results indicating that there is no class B defect.
  • the electronic device value evaluation device 130 may determine the appearance grade of the electronic device as the highest grade (eg, A grade).
  • Figure 10 is a flowchart explaining a method for evaluating the external condition of an electronic device according to an embodiment.
  • the electronic device valuation device 130 selects one or more images (e.g., at least one or all of a front image, a back image, a side image, or a screen image) obtained by photographing the electronic device. Based on this, it is possible to check whether the electronic device has a certain level of defect.
  • images e.g., at least one or all of a front image, a back image, a side image, or a screen image
  • the electronic device value evaluation device 130 includes images obtained by photographing a plurality of evaluation areas of the electronic device (e.g., front image, back image, side image, screen image) and first defect masks for the evaluation areas ( Example: Using the defect masks 610, 710, 810, and 910, it can be checked whether a defect of the first grade (e.g., lowest grade) classified for each evaluation area is in each of the evaluation areas.
  • a defect of the first grade e.g., lowest grade
  • the electronic device value evaluation device 130 may compare images (e.g., front image, rear image, side image, screen image) with first defect masks, and classify each evaluation area of the electronic device based on the comparison results. It is possible to check whether a defect of the first grade is present in each of the evaluation areas.
  • images e.g., front image, rear image, side image, screen image
  • the electronic device value evaluation device 130 may determine the appearance grade of the electronic device based on the specific grade.
  • the appearance grade of the electronic device can be determined as the first grade (e.g., the lowest grade).
  • the electronic device 130 determines, based on one or more images, whether the electronic device has a defect of a higher grade that determines the value of the electronic device to be higher than the specific grade. You can check it.
  • the electronic device value evaluation device 130 displays images (e.g., front image, back image, side image, screen image) when there is no first grade defect classified for each evaluation area of the electronic device in each of the evaluation areas.
  • images e.g., front image, back image, side image, screen image
  • second defect masks e.g., defect masks 620, 720, 820, 920
  • a second grade e.g., next lower grade
  • the electronic device value evaluation device 130 may determine the appearance grade of the electronic device based on the higher grade.
  • the appearance grade of the electronic device can be determined as a second grade (e.g., the next lower grade).
  • FIGS. 1 to 9 may be applied to the method for evaluating the external state of an electronic device of FIG. 10 .
  • Figure 11 is a flowchart explaining a method of evaluating the value of an electronic device according to an embodiment.
  • the electronic device valuation device 130 selects one or more images (e.g., at least one or all of a front image, a back image, a side image, or a screen image) obtained by photographing the electronic device. Based on this, an external condition evaluation of the electronic device can be performed.
  • Step 1110 may include steps 1010 to 1040 of FIG. 10 .
  • the electronic device valuation device 130 may check whether the electronic device has a specific grade of defect based on one or more images of the electronic device. If the electronic device has a defect of a specific grade, the electronic device value evaluation device 130 may determine the appearance grade of the electronic device based on the specific grade. If the electronic device does not have a defect of a specific grade, the electronic device valuation device 130 checks whether the electronic device has a defect of a higher grade that determines the value of the electronic device higher than the specific grade based on one or more images of the electronic device. can do. If the electronic device has a defect of a higher grade, the electronic device value evaluation device 130 may determine the appearance grade of the electronic device based on the higher grade.
  • the electronic device valuation device 130 may determine the value of the electronic device based on the result of the external condition evaluation of the electronic device (e.g., appearance grade of the electronic device) and the result of the internal state evaluation of the electronic device. .
  • Matters described with reference to FIGS. 1 to 10 may be applied to the electronic device value evaluation method of FIG. 11 .
  • the embodiments described above may be implemented with hardware components, software components, and/or a combination of hardware components and software components.
  • the devices, methods, and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, and a field programmable gate (FPGA).
  • ALU arithmetic logic unit
  • FPGA field programmable gate
  • It may be implemented using a general-purpose computer or a special-purpose computer, such as an array, programmable logic unit (PLU), microprocessor, or any other device capable of executing and responding to instructions.
  • the processing device may execute an operating system (OS) and software applications running on the operating system. Additionally, a processing device may access, store, manipulate, process, and generate data in response to the execution of software.
  • OS operating system
  • a processing device may access, store, manipulate, process, and generate data in response to the execution of software.
  • a single processing device may be described as being used; however, those skilled in the art will understand that a processing device includes multiple processing elements and/or multiple types of processing elements. It can be seen that it may include.
  • a processing device may include multiple processors or one processor and one controller. Additionally, other processing configurations, such as parallel processors, are possible.
  • Software may include a computer program, code, instructions, or a combination of one or more of these, which may configure a processing unit to operate as desired, or may be processed independently or collectively. You can command the device.
  • Software and/or data may be used on any type of machine, component, physical device, virtual equipment, computer storage medium or device to be interpreted by or to provide instructions or data to a processing device. It can be saved in .
  • Software may be distributed over networked computer systems and stored or executed in a distributed manner.
  • Software and data may be stored on a computer-readable recording medium.
  • the method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer-readable medium.
  • a computer-readable medium may store program instructions, data files, data structures, etc., singly or in combination, and the program instructions recorded on the medium may be specially designed and constructed for the embodiment or may be known and available to those skilled in the art of computer software.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks.
  • Examples of program instructions include machine language code, such as that produced by a compiler, as well as high-level language code that can be executed by a computer using an interpreter, etc.
  • the hardware devices described above may be configured to operate as one or multiple software modules to perform the operations of the embodiments, and vice versa.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

전자 기기 가치 평가 장치가 개시된다. 일 실시 예는 전자 기기가 촬영되어 획득된 하나 이상의 이미지를 기초로 상기 전자 기기에 특정 등급의 결함이 있는지 체크하고, 상기 전자 기기에 상기 특정 등급의 결함이 있는 경우, 상기 특정 등급을 기초로 상기 전자 기기의 외관 등급을 결정하며, 상기 전자 기기에 상기 특정 등급의 결함이 없는 경우, 상기 하나 이상의 이미지를 기초로 상기 전자 기기에 상기 특정 등급보다 상기 전자 기기의 가치를 높게 결정하는 상위 등급의 결함이 있는지 체크하고, 상기 전자 기기에 상기 상위 등급의 결함이 있는 경우 상기 상위 등급을 기초로 상기 외관 등급을 결정할 수 있다.

Description

전자 기기 외관 상태 평가 및 가치 평가 방법과 전자 기기 가치 평가 장치
아래 실시예들은 전자 기기 외관 상태 평가 및 가치 평가 방법과 전자 기기 가치 평가 장치에 관한 것이다.
최근 중고 전자 기기를 매입하는 여러 방법 중 자동화 기기를 이용한 방법이 있다. 자동화 기기를 이용한 방법에는 비대면 운영, 운영 인건비 절감, 안정적이고 표준화된 분석을 위해 인공지능 분석 방법이 적용되고 있다. 인공지능 분석 방법은 중고 전자 기기의 외관 상태를 조명 및 카메라를 통해 촬영하여 획득된 이미지를 인공지능 분석 알고리즘을 사용하여 분석함으로써 중고 전자 기기의 외관 상태를 평가할 수 있다.
전술한 배경기술은 발명자가 본원의 개시 내용을 도출하는 과정에서 보유하거나 습 득한 것으로서, 반드시 본 출원 전에 일반 공중에 공개된 공지기술이라고 할 수는 없다.
중고 전자기기의 다양한 무인 매입 방법들이 제시되고 있으며, 이들 전자기기의 가치를 평가하기 위해 성능 테스트 및 외관 상태 분석 기술들이 발전하고 있다. 이러한 기술들 중 인공지능 딥러닝 영상 분석 기술은 중고 전자기기의 외관 상태를 분석하는데 이용될 수 있어, 무인 자동화 분석 및 평가가 가능해 질 수 있다.
특정 전자기기의 외관 상태를 인공지능 딥러닝 영상 분석 기술을 통하여 자동 분석하기 위해서는 트레이닝 이미지들이 필요할 수 있다. 특정 전자기기의 다양한 트레이닝 이미지들이 만들어질 수 있고, 만들어진 트레이닝 이미지들을 통해 딥러닝 트레이닝이 진행될 수 있다. 트레이닝된 인공지능 평가 모델은 특정 전자기기의 외관을 촬영한 이미지로부터 전자기기의 외관 상의 결함을 분석할 수 있고, 이러한 분석 결과를 기초로 특정 전자기기의 외관 등급을 결정할 수 있다.
하지만, 트레이닝된 인공지능 평가 모델의 외관 분석 인식율을 높이기 위해서는 꾸준한 트레이닝 데이터의 보강이 필요할 수 있고, 인공지능 평가 모델을 개선하기 위한 분석 알고리즘 개선의 노력이 필요할 수 있다.
일 실시 예는 인공지능 평가 모델의 인식율과 인식 속도 등을 개선할 수 있는 방법을 제공할 수 있다.
일 측에 따른 전자 기기 가치 평가 장치에 의해 수행되는 전자 기기 외관 상태 평가 방법은 전자 기기가 촬영되어 획득된 하나 이상의 이미지를 기초로 상기 전자 기기에 특정 등급의 결함이 있는지 체크하는 단계; 상기 전자 기기에 상기 특정 등급의 결함이 있는 경우, 상기 특정 등급을 기초로 상기 전자 기기의 외관 등급을 결정하는 단계; 상기 전자 기기에 상기 특정 등급의 결함이 없는 경우, 상기 하나 이상의 이미지를 기초로 상기 전자 기기에 상기 특정 등급보다 상기 전자 기기의 가치를 높게 결정하는 상위 등급의 결함이 있는지 체크하는 단계; 및 상기 전자 기기에 상기 상위 등급의 결함이 있는 경우 상기 상위 등급을 기초로 상기 외관 등급을 결정하는 단계를 포함할 수 있다.
상기 특정 등급의 결함이 있는지 체크하는 단계는 상기 전자 기기의 복수의 평가 영역들이 촬영되어 획득된 이미지들, 상기 평가 영역들에 대한 제1 결함 마스크들, 및 상기 평가 영역들에 대한 딥러닝 평가 모델들을 이용하여, 상기 각 평가 영역 별로 분류된 제1 등급의 결함이 상기 평가 영역들 각각에 있는지 체크하는 단계를 포함할 수 있다.
상기 제1 결함 마스크들 각각은 상기 각 평가 영역 별로 분류된 제1 등급의 결함을 표현하는 이미지에 해당할 수 있다.
상기 특정 등급을 기초로 상기 외관 등급을 결정하는 단계는 상기 평가 영역들 중 적어도 하나의 평가 영역에 대해 분류된 제1 등급의 결함이 상기 적어도 하나의 평가 영역에 있는 경우, 상기 외관 등급을 상기 제1 등급으로 결정하는 단계를 포함할 수 있다.
상기 평가 영역들 각각에 상기 제1 등급의 결함이 있는지 체크하는 단계는 상기 딥러닝 평가 모델들을 통해 상기 이미지들과 상기 제1 결함 마스크들을 비교하고, 상기 비교 결과를 기초로 상기 각 평가 영역 별로 분류된 제1 등급의 결함이 상기 평가 영역들 각각에 있는지 체크하는 단계를 포함할 수 있다.
상기 상위 등급의 결함이 있는지 체크하는 단계는 상기 각 평가 영역 별로 분류된 제1 등급의 결함이 상기 평가 영역들 각각에 없는 경우, 상기 이미지들, 상기 평가 영역들에 대한 제2 결함 마스크들, 및 상기 딥러닝 평가 모델들을 이용하여, 상기 각 평가 영역 별로 분류된 제2 등급의 결함이 상기 평가 영역들 각각에 있는지 체크하는 단계를 포함할 수 있다.
상기 제2 결함 마스크들 각각은 상기 각 평가 영역 별로 분류된 제2 등급의 결함을 표현하는 이미지에 해당하고, 상기 제2 등급은 상기 제1 등급의 상기 상위 등급에 해당할 수 있다.
상기 평가 영역들 중 하나 이상은 상기 전자 기기의 전면, 상기 전자 기기의 후면, 상기 전자 기기의 측면, 또는 상기 전자 기기의 화면 중 하나 이상을 포함할 수 있다.
일 측에 따른 전자 기기 가치 평가 장치에 의해 수행되는 전자 기기 가치 평가 방법은 전자 기기를 촬영하여 획득된 하나 이상의 이미지를 기초로 상기 전자 기기에 대한 외관 상태 평가를 수행하는 단계; 및 상기 외관 상태 평가의 결과 및 상기 전자 기기의 내부 상태 평가의 결과를 기초로 상기 전자 기기의 가치를 결정하는 단계를 포함한다.
상기 외관 상태 평가를 수행하는 단계는 상기 하나 이상의 이미지를 기초로 상기 전자 기기에 특정 등급의 결함이 있는지 체크하는 단계; 상기 전자 기기에 상기 특정 등급의 결함이 있는 경우, 상기 특정 등급을 기초로 상기 전자 기기의 외관 등급을 결정하는 단계; 상기 전자 기기에 상기 특정 등급의 결함이 없는 경우, 상기 하나 이상의 이미지를 기초로 상기 전자 기기에 상기 특정 등급보다 상기 전자 기기의 가치를 높게 결정하는 상위 등급의 결함이 있는지 체크하는 단계; 및 상기 전자 기기에 상기 상위 등급의 결함이 있는 경우 상기 상위 등급을 기초로 상기 외관 등급을 결정하는 단계를 포함한다.
상기 특정 등급의 결함이 있는지 체크하는 단계는 상기 전자 기기의 복수의 평가 영역들이 촬영되어 획득된 이미지들, 상기 평가 영역들에 대한 제1 결함 마스크들, 및 상기 평가 영역들에 대한 딥러닝 평가 모델들을 이용하여, 상기 각 평가 영역 별로 분류된 제1 등급의 결함이 상기 평가 영역들 각각에 있는지 체크하는 단계를 포함할 수 있다.
상기 제1 결함 마스크들 각각은 상기 각 평가 영역 별로 분류된 제1 등급의 결함을 표현하는 이미지에 해당할 수 있다.
상기 특정 등급을 기초로 상기 외관 등급을 결정하는 단계는 상기 평가 영역들 중 적어도 하나의 평가 영역에 대해 분류된 제1 등급의 결함이 상기 적어도 하나의 평가 영역에 있는 경우, 상기 외관 등급을 상기 제1 등급으로 결정하는 단계를 포함할 수 있다.
상기 평가 영역들 각각에 상기 제1 등급의 결함이 있는지 체크하는 단계는 상기 딥러닝 평가 모델들을 통해 상기 이미지들과 상기 제1 결함 마스크들을 비교하고, 상기 비교 결과를 기초로 상기 각 평가 영역 별로 분류된 제1 등급의 결함이 상기 평가 영역들 각각에 있는지 체크하는 단계를 포함할 수 있다.
상기 상위 등급의 결함이 있는지 체크하는 단계는 상기 각 평가 영역 별로 분류된 제1 등급의 결함이 상기 평가 영역들 각각에 없는 경우, 상기 이미지들, 상기 평가 영역들에 대한 제2 결함 마스크들, 및 상기 딥러닝 평가 모델들을 이용하여, 상기 각 평가 영역 별로 분류된 제2 등급의 결함이 상기 평가 영역들 각각에 있는지 체크하는 단계를 포함할 수 있다.
상기 제2 결함 마스크들 각각은 상기 각 평가 영역 별로 분류된 제2 등급의 결함을 표현하는 이미지에 해당하고, 상기 제2 등급은 상기 제1 등급의 상기 상위 등급에 해당할 수 있다.
상기 평가 영역들 중 하나 이상은 상기 전자 기기의 전면, 상기 전자 기기의 후면, 상기 전자 기기의 측면, 또는 상기 전자 기기의 화면 중 하나 이상을 포함할 수 있다.
일 측에 따른 전자 기기 가치 평가 장치는 하나 이상의 명령어를 저장하는 메모리; 및 상기 명령어를 실행하는 프로세서를 포함한다.
상기 명령어를 실행함으로써, 상기 프로세서는 전자 기기가 촬영되어 획득된 하나 이상의 이미지를 기초로 상기 전자 기기에 특정 등급의 결함이 있는지 체크하고, 상기 전자 기기에 상기 특정 등급의 결함이 있는 경우, 상기 특정 등급을 기초로 상기 전자 기기의 외관 등급을 결정하며, 상기 전자 기기에 상기 특정 등급의 결함이 없는 경우, 상기 하나 이상의 이미지를 기초로 상기 전자 기기에 상기 특정 등급보다 상기 전자 기기의 가치를 높게 결정하는 상위 등급의 결함이 있는지 체크하고, 상기 전자 기기에 상기 상위 등급의 결함이 있는 경우 상기 상위 등급을 기초로 상기 외관 등급을 결정한다.
상기 프로세서는 상기 전자 기기의 복수의 평가 영역들이 촬영되어 획득된 이미지들, 상기 평가 영역들에 대한 제1 결함 마스크들, 및 상기 평가 영역들에 대한 딥러닝 평가 모델들을 이용하여, 상기 각 평가 영역 별로 분류된 제1 등급의 결함이 상기 평가 영역들 각각에 있는지 체크할 수 있다.
상기 프로세서는 상기 평가 영역들 중 적어도 하나의 평가 영역에 대해 분류된 제1 등급의 결함이 상기 적어도 하나의 평가 영역에 있는 경우, 상기 외관 등급을 상기 제1 등급으로 결정할 수 있다.
상기 프로세서는 상기 딥러닝 평가 모델들을 통해 상기 이미지들과 상기 제1 결함 마스크들을 비교하고, 상기 비교 결과를 기초로 상기 각 평가 영역 별로 분류된 제1 등급의 결함이 상기 평가 영역들 각각에 있는지 체크할 수 있다.
상기 프로세서는 상기 각 평가 영역 별로 분류된 제1 등급의 결함이 상기 평가 영역들 각각에 없는 경우, 상기 이미지들, 상기 평가 영역들에 대한 제2 결함 마스크들, 및 상기 딥러닝 평가 모델들을 이용하여, 상기 각 평가 영역 별로 분류된 제2 등급의 결함이 상기 평가 영역들 각각에 있는지 체크할 수 있다.
상기 평가 영역들 중 하나 이상은 상기 전자 기기의 전면, 상기 전자 기기의 후면, 상기 전자 기기의 측면, 또는 상기 전자 기기의 화면 중 하나 이상을 포함할 수 있다.
일 실시 예는 전자 기기의 외관 등급을 빠른 속도로 평가할 수 있고, 인공지능 평가 모델(예: 딥러닝 평가 모델)의 인식율을 향상시킬 수 있으며, 인공지능 평가 모델(예: 딥러닝 평가 모델)의 인식 속도를 빠르게 할 수 있다.
도 1 내지 도 2는 일 실시 예에 따른 무인 매입 장치와 서버를 설명하는 도면이다.
도 3 내지 도 4은 일 실시 예에 따른 전자 기기 가치 평가 장치의 동작을 설명하는 도면이다.
도 5 내지 도 9는 일 실시 예에 따른 전자 기기 가치 평가 장치가 딥러닝 평가 모델을 이용하여 전자 기기의 외관 등급을 결정하는 예시를 설명하는 도면이다.
도 10은 일 실시 예에 따른 전자 기기 외관 상태 평가 방법을 설명하는 흐름도이다.
도 11은 일 실시 예에 따른 전자 기기 가치 평가 방법을 설명하는 흐름도이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 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 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1 내지 도 2는 일 실시 예에 따른 무인 매입 장치와 서버를 설명하는 도면이다.
도 1과 도 2를 참조하면, 무인 매입 장치(110)와 서버(120)가 도시된다.
무인 매입 장치(110)는 전자 기기(또는 중고 전자 기기)(예: 스마트폰, 태블릿 PC, 웨어러블 기기 등)를 사용자로부터 매입 및/또는 사용자에게 전자 기기(또는 중고 전자 기기)를 판매할 수 있다. 전자 기기의 타입은, 예를 들어, 형태에 따라 바(bar) 타입, 롤러블(rollable) 타입, 또는 폴더블(foldable) 타입 등으로 구분될 수 있다.
무인 매입 장치(110)는, 예를 들어, 키오스크 형태일 수 있으나 이에 제한되지 않는다.
무인 매입 장치(110)는 전자 기기를 안치 및 촬영하는 촬영 박스, 시스템 제어부, 및 디스플레이를 포함할 수 있다.
시스템 제어부는 무인 매입 장치(110)의 전반적인 동작을 제어할 수 있다.
시스템 제어부는 전자 기기 판매에 대한 가이드 라인 및/또는 주의 사항을 디스플레이에 표시할 수 있다.
시스템 제어부는 사용자로부터 다양한 정보(예: 사용자가 판매할 전자 기기의 OS(operating system) 정보 등)를 입력받기 위한 사용자 인터페이스를 디스플레이에 표시할 수 있다.
판매 준비 과정에서, 전자 기기에 설치된 제1 어플리케이션은 전자 기기의 디스플레이에 일련 번호를 표시할 수 있다. 제1 어플리케이션은 전자 기기의 내부 상태 검수 및 전자 기기의 정보(예: 모델명, 시리얼 번호, 운영체제 버전 등)를 수집(또는 획득)하는 어플리케이션일 수 있다. 사용자는 일련 번호를 무인 매입 장치(110)의 디스플레이에 입력할 수 있다. 시스템 제어부는 디스플레이를 통해 입력된 일련 번호를 검증하거나 서버(120)에 검증을 요청할 수 있다. 시스템 제어부는 입력된 일련 번호가 검증되면 촬영 박스의 도어(door)를 오픈할 수 있다.
무인 매입 장치(110)의 촬영 박스의 도어(door)가 열리면, 사용자는 무인 매입 장치(110)의 케이블(예: USB 타입 C 케이블, 라이트닝 케이블 등)과 전자 기기를 연결시킬 수 있고, 전자 기기를 촬영 박스 안에 안치시킬 수 있다. 전자 기기는 케이블을 통해 무인 매입 장치(110)의 시스템 제어부와 연결될 수 있다. 실시 예에 따라, 전자 기기는 무선(예: 블루투스, BLE(Bluetooth Low Energy) 등)으로 무인 매입 장치(110)의 시스템 제어부와 연결될 수 있다.
촬영 박스는 안치된 전자 기기를 정해진 위치에 정렬시킬 수 있다. 전자 기기가 정해진 위치에 정렬되지 않는 경우 촬영 박스 내의 카메라들은 전자 기기의 외관을 제대로 촬영하지 못할 수 있다.
제1 어플리케이션은 전자 기기의 정보를 수집할 수 있고, 전자 기기의 내부 상태(예: 하드웨어 동작 상태 등) 평가(또는 분석)를 수행할 수 있다. 하드웨어 동작 상태는, 예를 들어, 전자 기기의 하드웨어(예: 센서, 카메라 등)가 정상적으로 동작하는지에 대한 상태를 나타낼 수 있다. 제1 어플리케이션은 전자 기기의 하드웨어가 정상적으로 동작하는지 여부를 평가(또는 판단)할 수 있다.
촬영 박스에는 복수의 카메라들과 복수의 조명들이 위치할 수 있다. 촬영 박스 내의 제1 카메라는 전자 기기의 전면을 촬영하여 전자 기기의 하나 이상의 전면 이미지를 획득할 수 있다. 촬영 박스 내의 제2 카메라는 전자 기기의 후면을 촬영하여 전자 기기의 하나 이상의 후면 이미지를 획득할 수 있다. 촬영 박스 내의 복수의 제3 카메라들 각각은 전자 기기의 측면(또는 코너)들 각각을 촬영하여 하나 이상의 측면 이미지(또는 코너 이미지)를 획득할 수 있다.
제1 카메라는 전자 기기의 화면을 촬영하여 하나 이상의 이미지(이하, "화면 이미지"라 지칭함)를 획득할 수 있다. 실시 예에 따라, 제1 어플리케이션은 전자 기기에 단색(예: 흰색, 검은색, 붉은색, 파란색, 녹색 등) 화면이 표시되도록 할 수 있다. 전자 기기에 단색 화면이 표시된 상태에서, 제1 카메라는 전자 기기의 단색 화면을 촬영하여 이미지(이하, "단색 화면 이미지"라 지칭함)를 획득할 수 있다. 예를 들어, 전자 기기에 흰색 화면이 표시된 상태에서, 제1 카메라는 전자 기기의 흰색 화면을 촬영하여 제1 단색 화면 이미지를 획득할 수 있다. 전자 기기에 검은색 화면이 표시된 상태에서 제1 카메라는 전자 기기의 검은색 화면을 촬영하여 제2 단색 화면 이미지를 획득할 수 있다. 전자 기기에 흰색과 검은색 이외의 다른 단색(예: 붉은색, 파란색, 녹색 등) 화면이 표시된 상태에서 제1 카메라는 전자 기기의 다른 단색 화면을 촬영하여 제3 단색 화면 이미지를 획득할 수 있다.
전자 기기 가치 평가 장치(130)는 전자 기기를 촬영하여 획득한 이미지들(예: 하나 이상의 전면 이미지, 하나 이상의 후면 이미지, 하나 이상의 측면 이미지, 하나 이상의 화면 이미지)을 기초로 전자 기기에 대한 외관 상태 평가를 수행할 수 있다.
도 1에 도시된 예에서, 전자 기기 가치 평가 장치(130)는 서버(120)에 포함될 수 있다. 도 1에 도시된 예에서, 서버(120)는 무인 매입 장치(110)로부터 전자 기기를 촬영하여 획득한 이미지들을 수신할 수 있고, 수신된 이미지들을 전자 기기 가치 평가 장치(130)로 전달할 수 있다. 앞서 설명한 것과 같이, 전자 기기 내의 제1 어플리케이션은 전자 기기의 내부 상태 평가를 수행할 수 있고, 무인 매입 장치(110)를 통해 서버(120)에 전자 기기의 내부 상태 평가의 결과를 전송할 수 있다. 다른 예로, 제1 어플리케이션은 전자 기기가 서버(120)와 연결되도록 할 수 있고, 전자 기기를 통해 서버(120)에 전자 기기의 내부 상태 평가의 결과를 전송할 수 있다. 전자 기기 가치 평가 장치(130)는 전자 기기의 외관 상태 평가의 결과와 전자 기기의 내부 상태 평가의 결과(예: 제1 어플리케이션이 전자 기기의 내부 상태 평가를 수행한 결과)를 기초로 전자 기기의 가치(예: 가격)를 결정할 수 있다. 전자 기기 가치 평가 장치(130)는 무인 매입 장치(110)에 전자 기기의 가치를 전송할 수 있고, 무인 매입 장치(110)는 사용자에게 전자 기기의 가치를 전달할 수 있다. 사용자는 전자 기기의 가치(예: 가격)를 받아들여 전자 기기를 판매할 것임을 무인 매입 장치(110)에 전달할 수 있고, 무인 매입 장치(110)는 사용자의 전자 기기 판매 결정이 있으면 촬영 박스 내에 안치된 전자 기기를 회수 박스(또는 보관 박스)로 이동시킬 수 있다. 실시 예에 따라, 회수 박스는 무인 매입 장치(110) 내부 또는 외부에 위치할 수 있다.
도 2에 도시된 예에서, 전자 기기 가치 평가 장치(130)는 무인 매입 장치(110)에 포함될 수 있다. 도 2에 도시된 예에서, 전자 기기 가치 평가 장치(130)는 촬영 박스 내의 카메라들로부터 전자 기기를 촬영하여 획득된 이미지들을 수신할 수 있다. 전자 기기 가치 평가 장치(130)는 제1 어플리케이션으로부터 전자 기기의 내부 상태 평가의 결과를 수신할 수 있다. 전자 기기 가치 평가 장치(130)는 전자 기기의 외관 상태 평가의 결과와 전자 기기의 내부 상태 평가의 결과를 기초로 전자 기기의 가치(예: 가격)를 결정할 수 있다. 전자 기기 가치 평가 장치(130)는 사용자에게 전자 기기의 가치를 전달할 수 있다. 사용자는 전자 기기의 가치(예: 가격)를 받아들여 전자 기기를 판매할 것임을 무인 매입 장치(110)에 전달할 수 있고, 무인 매입 장치(110)는 사용자의 전자 기기 판매 결정이 있으면 촬영 박스 내에 안치된 전자 기기를 회수 박스(또는 보관 박스)로 이동시킬 수 있다.
도 3 내지 도 6은 일 실시 예에 따른 전자 기기 가치 평가 장치의 동작을 설명하는 도면이다.
도 3을 참조하면, 전자 기기 가치 평가 장치(130)는 메모리(310), 외관 상태 평가 모듈(320), 및 가치 결정 모듈(330)을 포함할 수 있다.
일 실시 예에 있어서, 외관 상태 평가 모듈(320) 및 가치 결정 모듈(330)은 하나의 프로세서로 구현될 수 있다.
일 실시 예에 있어서, 외관 상태 평가 모듈(320) 및 가치 결정 모듈(330) 각각은 별개의 프로세서로 구현될 수 있다. 예를 들어, 제1 프로세서가 외관 상태 평가 모듈(320)을 구현할 수 있고, 제2 프로세서가 가치 결정 모듈(330)을 구현할 수 있다.
메모리(310)는 외관 상태 평가 모듈(320) 및 가치 결정 모듈(330)에 의해 실행되는 하나 이상의 명령어를 저장할 수 있다.
메모리(310)는 복수의 딥러닝 평가 모델들을 저장할 수 있다. 예를 들어, 메모리(310)는 전자 기기의 제1 평가 영역(예: 전면)에 결함이 있는지 판단하는 제1 딥러닝 평가 모델, 전자 기기의 제2 평가 영역(예: 후면)에 결함이 있는지 판단하는 제2 딥러닝 평가 모델, 전자 기기의 제3 평가 영역(예: 측면(또는 코너))에 결함이 있는지 판단하는 제3 딥러닝 평가 모델, 또는 전자 기기의 제4 평가 영역(예: 화면)에 결함이 있는지 판단하는 제4 딥러닝 평가 모델 중 적어도 하나 또는 전부를 포함할 수 있다.
일 실시 예에 따르면, 전자 기기의 각 평가 영역에 대해 등급 별 결함이 분류되어 있을 수 있다. 예를 들어, 제1 평가 영역(예: 전면)에 발생 가능한 결함들(예: 전면 파손(또는 전면 깨짐), 전면 흠집, 강화유리 들뜸 등)이 등급 별로 분류되어 있을 수 있고, 제2 평가 영역(예: 후면)에 발생 가능한 결함들(예: 후면 파손(또는 후면 깨짐), 후면 유리 들뜸, 후면 카메라 렌즈 파손, 후면 흠집 등)이 등급 별로 분류되어 있을 수 있다. 제3 평가 영역(예: 측면)에 발생 가능한 결함들(예: 측면 버튼 파손, 측면 파손(또는 측면 깨짐), 측면 흠집 등)이 등급 별로 분류되어 있을 수 있고, 제4 평가 영역(예: 화면)에 발생 가능한 결함들(예: 흑점, 백화, 잔상, 화면 줄감 등)이 등급 별로 분류되어 있을 수 있다. 아래 표 1은 평가 영역들(예: 화면, 전면, 측면(또는 코너), 후면) 각각에 발생 가능한 결함들이 등급 별로 분류된 예시를 보여준다.
등급 전면 후면 측면(또는 코너) 화면
D 전면 결함 1
전면 결함 2		 후면 결함 1
후면 결함 2
후면 결함 3		 측면 결함 1
측면 결함 2		 화면 결함 1
화면 결함 2
화면 결함 3
C 전면 결함 3
전면 결함 4		 후면 결함 4
후면 결함 5		 측면 결함 3
측면 결함 4		 화면 결함 4
화면 결함 5
B 전면 결함 5전면 결함 6 후면 결함 6
후면 결함 7		 측면 결함 5
측면 결함 5		 화면 결함 6
화면 결함 7
화면 결함 8
A 깨끗 깨끗 깨끗 깨끗
위 표 1의 예에서, D등급의 결함들은 예를 들어 전자 기기의 가치를 가장 낮게 결정할 수 있는 요소에 해당할 수 있다. C등급의 결함들은 예를 들어 D등급의 결함들보다 전자 기기의 가치를 높게 결정할 수 있는 요소에 해당할 수 있다. B등급의 결함들은 예를 들어 C등급의 결함들보다 전자 기기의 가치를 높게 결할 수 있는 요소에 해당할 수 있다. 위 표 1의 A등급은 전자 기기에 결함이 없는 것을 나타낼 수 있다. A등급이 최상위 등급에 해당할 수 있고, B등급이 차상위 등급에 해당할 수 있으며, C등급이 차하위 등급에 해당할 수 있고, D등급이 최하위 등급에 해당할 수 있다.
일 실시 예에 따르면, 결함의 크기, 결함의 길이, 또는 결함의 개수에 따라 결함의 등급이 달라질 수 있다. 예를 들어, 흠집의 크기가 클수록(및/또는 흠집의 개수가 많을 수록) 상대적으로 낮은 등급이 부여될 수 있고, 흠집의 크기가 작을수록(및/또는 흠집의 개수가 적을수록) 상대적으로 높은 등급이 부여될 수 있다. 결함(예: 스크래치)의 길이가 길수록 낮은 등급이 부여될 수 있고, 결함(예: 스크래치)의 길이가 짧을수록 높은 등급이 부여될 수 있다. 화면의 잔상의 정도가 심하면 상대적으로 낮은 등급이 부여될 수 있고, 화면의 잔상의 정도가 심하지 않으면 상대적으로 높은 등급이 부여될 수 있다.
등급의 개수는 위 표 1의 4개로 제한되지 않는다. 등급의 개수는 위 표 1의 4개보다 많거나 적을 수 있다.
도 4에 딥러닝 평가 모델들 각각의 기반이 되는 딥 뉴럴 네트워크(Neural Network)의 개략적인 구조가 도시된다. 이하, 설명의 편의를 위하여 딥 뉴럴 네트워크의 구조를 예로 들어 설명하지만, 반드시 이에 한정되는 것은 아니며 다양한 구조의 뉴럴 네트워크들이 딥러닝 평가 모델에 사용될 수 있다.
딥 뉴럴 네트워크는 뉴럴 네트워크를 구현하는 하나의 방식으로서, 복수의 레이어들(layers)을 포함한다. 딥 뉴럴 네트워크는, 예를 들어, 입력 데이터가 인가되는 입력 레이어(Input Layer)(410), 트레이닝을 바탕으로 입력 데이터에 기반한 예측을 통해 도출된 결과 값을 출력하는 출력 레이어(Output Layer)(440), 및 입력 레이어와 출력 레이어 사이의 다중의 은닉 레이어(Hidden Layer)들(420, 430)을 포함할 수 있다.
딥 뉴럴 네트워크는 정보를 처리하기 위해 이용되는 알고리즘에 따라, 컨볼루션 신경망(Convolutional Neural Network), 및 리커런트 신경망(Recurrent Neural Network) 등으로 분류될 수 있다. 이하, 뉴럴 네트워크 분야의 일반적인 관행에 따라 입력 레이어를 최하위 레이어, 출력 레이어를 최상위 레이어라고 부르며, 최상위 레이어인 출력 레이어부터 최하위 레이어인 입력 레이어까지 순차적으로 레이어들의 순위를 지정하여 명명할 수 있다. 도 4에서, 은닉 레이어 2는 은닉 레이어 1 및 입력 레이어보다 상위 레이어이고, 출력 레이어보다는 하위 레이어에 해당할 수 있다.
딥 뉴럴 네트워크에서 인접한 레이어들 사이에서는 상대적으로 상위인 레이어가, 상대적으로 하위인 레이어의 출력 값에 가중치를 곱하고 바이어스를 적용한 값을 인가 받아 소정의 연산 결과를 출력할 수 있다. 이 때, 출력되는 연산 결과는 해당 레이어에 인접한 상위 레이어에 유사한 방식으로 인가될 수 있다.
뉴럴 네트워크를 트레이닝하는 방식을 예를 들어, 딥러닝(Deep Learning)이라 하며, 상술한 바와 같이 딥러닝에는 컨볼루션 뉴럴 네트워크, 리커런트 뉴럴 네트워크와 같이 다양한 알고리즘이 이용될 수 있다.
"뉴럴 네트워크를 트레이닝한다"는 것은 레이어들 간의 가중치(들) 및 바이어스(들)를 결정하고 갱신하는 것, 및/또는 인접한 레이어들 중 서로 다른 레이어에 속하는 복수의 뉴런들 간의 가중치(들) 및 바이어스(들)를 결정하고 갱신하는 것을 모두 포괄하는 의미로 이해될 수 있다.
복수의 레이어들, 복수의 레이어들 간의 계층적 구조, 뉴런들 간의 가중치 및 바이어스를 모두 총칭하여 뉴럴 네트워크의 "연결성(connectivity)"이라 표현할 수 있다. 이에 따라, "뉴럴 네트워크를 트레이닝한다"는 것은 연결성을 구축하고 트레이닝하는 것으로도 이해될 수 있다.
뉴럴 네트워크에서 복수의 레이어들 각각은 복수의 노드들(nodes)을 포함할 수 있다. 노드는 뉴럴 네트워크의 뉴런(neuron)에 해당할 수 있다. 용어 "뉴런"은 "노드"라는 용어와 동일한 의미로 사용될 수 있다.
도 4의 딥 뉴럴 네트워크에서 어느 한 레이어에 포함된 복수의 노드들과 인접한 레이어에 포함된 복수의 노드들의 조합들 간에 모두 연결 관계가 형성된 것을 볼 수 있다. 이와 같이 뉴럴 네트워크의 인접한 레이어들에 포함된 모든 노드들의 조합들이 모두 서로 연결된 것을 "완전 연결(fully-connected)"이라 부를 수 있다. 도 4에 도시된 은닉 레이어 2(430)의 노드 3-1은 은닉 레이어 1(420)의 모든 노드들, 즉, 노드 2-1 내지 노드 2-4 모두와 연결되어 각각의 노드들의 출력 값에 대하여 소정의 가중치를 곱한 값을 입력 받을 수 있다.
입력 레이어(410)에 입력된 데이터가 복수의 은닉 레이어들(420, 430)을 거쳐 처리됨으로써 출력 레이어(440)를 통해 출력 값이 출력될 수 있다. 이때, 각 노드의 출력 값에 대해 곱해지는 가중치가 클수록 대응하는 두 개의 노드들 간의 연결성이 강화됨을 의미하고, 가중치가 작을수록 두 개의 노드들 간의 연결성이 약화됨을 의미할 수 있다. 가중치가 0인 경우, 두 노드들 간의 연결성이 없음을 의미할 수 있다.
도 3으로 돌아와서, 외관 상태 평가 모듈(320)은 전자 기기를 촬영하여 획득된 하나 이상의 이미지(예: 전면 이미지, 후면 이미지, 측면 이미지, 또는 화면 이미지 중 적어도 하나 또는 전부) 및 하나 이상의 딥러닝 평가 모델을 기초로 전자 기기에 대한 외관 상태 평가를 수행할 수 있다.
일 실시 예에 따르면, 외관 상태 평가 모듈(320)은 하나 이상의 딥러닝 평가 모델과 하나 이상의 이미지(예: 전면 이미지, 후면 이미지, 측면 이미지, 또는 화면 이미지 중 적어도 하나 또는 전부)을 이용하여 전자 기기의 각 평가 영역에 최하위 등급의 결함이 있는지 판단할 수 있다. 외관 상태 평가 모듈(320)은 전자 기기의 각 평가 영역에 최하위 등급의 결함이 없는 경우, 최하위 등급보다 높은 등급의 결함이 전자 기기의 평가 영역들 각각에 있는지 판단할 수 있다. 외관 상태 평가 모듈(320)은 전자 기기의 평가 영역들 적어도 하나에 최하위 등급의 결함이 있는 경우, 전자 기기의 외관 등급을 최하위 등급으로 결정할 수 있다.
예를 들어, 외관 상태 평가 모듈(320)은 제1 딥러닝 평가 모델을 통해 최하위 등급(예: 위 표 1의 D등급)의 전면 결함 마스크들 각각과 전자 기기의 전면 이미지를 비교할 수 있다. 최하위 등급(예: 위 표 1의 D등급)의 전면 결함 마스크들 각각은 최하위 등급의 전면 결함들 각각을 표현하는 이미지에 해당할 수 있다. 최하위 등급의 전면 결함 마스크들은 예를 들어 위 표 1의 전면 결함 1을 표현한 이미지와 위 표 1의 전면 결함 2를 표현한 이미지를 포함할 수 있다. 외관 상태 평가 모듈(320)은 제1 딥러닝 평가 모델을 통해 최하위 등급(예: 위 표 1의 D등급)의 전면 결함 마스크들 각각과 전자 기기의 전면 이미지를 비교함으로써, 전자 기기의 전면에 최하위 등급의 결함이 있는지 판단할 수 있다.
예를 들어, 외관 상태 평가 모듈(320)은 제2 딥러닝 평가 모델을 통해 최하위 등급(예: 위 표 1의 D등급)의 후면 결함 마스크들 각각과 전자 기기의 후면 이미지를 비교할 수 있다. 최하위 등급(예: 위 표 1의 D등급)의 후면 결함 마스크들 각각은 최하위 등급의 측면 결함들 각각을 표현하는 이미지에 해당할 수 있다. 최하위 등급의 후면 결함 마스크들은 예를 들어 위 표 1의 후면 결함 1을 표현한 이미지, 위 표 1의 후면 결함 2를 표현한 이미지, 및 위 표 1의 후면 결함 3을 표현한 이미지를 포함할 수 있다. 외관 상태 평가 모듈(320)은 제2 딥러닝 평가 모델을 통해 최하위 등급(예: 위 표 1의 D등급)의 후면 결함 마스크들 각각과 전자 기기의 후면 이미지를 비교함으로써, 전자 기기의 후면에 최하위 등급의 결함이 있는지 판단할 수 있다.
예를 들어, 외관 상태 평가 모듈(320)은 제3 딥러닝 평가 모델을 통해 최하위 등급(예: 위 표 1의 D등급)의 측면 결함 마스크들 각각과 전자 기기의 측면 이미지를 비교할 수 있다. 최하위 등급(예: 위 표 1의 D등급)의 측면 결함 마스크들 각각은 최하위 등급의 측면 결함들 각각을 표현하는 이미지에 해당할 수 있다. 최하위 등급의 측면 결함 마스크들은 예를 들어 위 표 1의 측면 결함 1을 표현한 이미지 및 위 표 1의 측면 결함 2를 표현한 이미지를 포함할 수 있다. 외관 상태 평가 모듈(320)은 제3 딥러닝 평가 모델을 통해 최하위 등급(예: 위 표 1의 D등급)의 측면 결함 마스크들 각각과 전자 기기의 측면 이미지를 비교함으로써, 전자 기기의 측면에 최하위 등급의 결함이 있는지 판단할 수 있다.
예를 들어, 외관 상태 평가 모듈(320)은 제4 딥러닝 평가 모델을 통해 최하위 등급(예: 위 표 1의 D등급)의 화면 결함 마스크들 각각과 전자 기기의 화면 이미지를 비교할 수 있다. 최하위 등급(예: 위 표 1의 D등급)의 화면 결함 마스크들 각각은 예를 들어 최하위 등급(예: 위 표 1의 D등급)의 화면 결함들 각각을 표현하는 이미지에 해당할 수 있다. 최하위 등급의 화면 결함 마스크들은 예를 들어 위 표 1의 화면 결함 1을 표현한 이미지, 위 표 1의 화면 결함 2를 표현한 이미지, 및 위 표 1의 화면 결함 3을 표현한 이미지를 포함할 수 있다. 외관 상태 평가 모듈(320)은 제4 딥러닝 평가 모델을 통해 최하위 등급(예: 위 표 1의 D등급)의 화면 결함 마스크들 각각과 전자 기기의 화면 이미지를 비교함으로써, 전자 기기의 화면에 최하위 등급의 결함이 있는지 판단할 수 있다.
외관 상태 평가 모듈(320)은 전자 기기의 평가 영역들 중 적어도 하나에 최하위 등급(예: D등급)의 결함이 있는 것으로 판단한 경우, 전자 기기의 외관 등급을 최하위 등급(예: D등급)으로 결정할 수 있다.
외관 상태 평가 모듈(320)은 전자 기기의 각 평가 영역에 최하위 등급의 결함이 없는 것으로 판단한 경우, 전자 기기의 각 평가 영역에 최하위 등급보다 높은 등급인 차하위 등급(예: 위 표 1의 C 등급)의 결함이 있는지 판단할 수 있다.
외관 상태 평가 모듈(320)은 전자 기기의 평가 영역들 중 적어도 하나에 차하위 등급(예: C 등급)의 결함이 있는 것으로 판단한 경우, 전자 기기의 외관 등급을 차하위 등급(예: C 등급)으로 결정할 수 있다. 예를 들어, 외관 상태 평가 모듈(320)은 전자 기기의 후면, 측면, 및 화면 각각에 C 등급의 결함이 없는 것으로 판단할 수 있다. 외관 상태 평가 모듈(320)은 제1 딥러닝 평가 모델을 통해 C 등급의 전면 결함 마스크들 각각과 전자 기기의 전면 이미지를 비교할 수 있고, 이러한 비교를 통해 전자 기기의 전면에 C 등급의 전면 결함(예: 위 표 1의 전면 결함 3)이 있는 것으로 판단할 수 있다. 외관 상태 평가 모듈(320)는 전자 기기의 외관 등급을 C 등급으로 결정할 수 있다.
외관 상태 평가 모듈(320)은 전자 기기의 각 평가 영역에 차하위 등급(예: C 등급)의 결함이 없는 것으로 판단한 경우, 전자 기기의 각 평가 영역에 차하위 등급보다 높은 등급(예: 위 표 1의 B 등급)의 결함이 있는지 판단할 수 있다.
외관 상태 평가 모듈(320)은 전자 기기의 평가 영역들 중 적어도 하나에 B 등급의 결함이 있는 것으로 판단한 경우, 전자 기기의 외관 등급을 B 등급으로 결정할 수 있다. 예를 들어, 외관 상태 평가 모듈(320)은 전자 기기의 전면, 후면, 및 측면 각각에 B 등급의 결함이 없는 것으로 판단할 수 있다. 외관 상태 평가 모듈(320)은 제4 딥러닝 평가 모델을 통해 B 등급의 화면 결함 마스크들 각각과 전자 기기의 화면 이미지를 비교할 수 있고, 전자 기기의 화면에 B 등급의 화면 결함(예: 위 표 1의 화면 결함 6)이 있는 것으로 판단할 수 있다. 외관 상태 평가 모듈(320)는 전자 기기의 외관 등급을 B 등급으로 결정할 수 있다.
외관 상태 평가 모듈(320)은 전자 기기의 평가 영역들 각각에 B등급의 결함이 없는 것으로 판단한 경우, 전자 기기의 외관 등급을 A등급으로 결정할 수 있다. 위 표 1의 예시에서 B등급은 차상위 등급일 수 있으므로, 외관 상태 평가 모듈(320)은 전자 기기의 평가 영역들 각각에 차상위 등급의 결함이 없는 것으로 판단한 경우, 전자 기기의 외관 등급을 최상위 등급(예: A등급)으로 결정할 수 있다.
일 실시 예에 따르면, 각 등급(예: D 등급 내지 B 등급 각각)의 결함 마스크들(예: 전면 결함 마스크들, 후면 결함 마스크들, 측면 결함 마스크들, 화면 결함 마스크들)은 메모리(310)에 저장되어 있을 수 있다.
일 실시 예에 따르면, 가치 결정 모듈(330)은 전자 기기의 외관 상태 평가 결과(예: 전자 기기의 외관 등급) 및 전자 기기의 내부 상태 평가 결과(예: 제1 어플리케이션이 전자 기기의 내부 상태 평가를 수행한 결과)를 기초로 전자 기기의 가치(예: 가격)를 결정할 수 있다. 도 1에 도시된 예와 같이, 서버(120)에 전자 기기 가치 평가 장치(130)가 포함되어 있을 수 있다. 이 경우, 가치 결정 모듈(330)은 무인 매입 장치(110)로 전자 기기의 가치(예: 가격)를 전송할 수 있다. 무인 매입 장치(110)는 디스플레이를 통해 전자 기기의 가치(예: 가격)를 사용자에게 보여줄 수 있다. 도 2에 도시된 예와 같이, 무인 매입 장치(110)에 전자 기기 가치 평가 장치(130)가 포함되어 있을 수 있다. 이 경우, 가치 결정 모듈(330)은 무인 매입 장치(110)의 디스플레이에 전자 기기의 가치(예: 가격)를 표시할 수 있다.
도 5 내지 도 9는 일 실시 예에 따른 전자 기기 가치 평가 장치가 딥러닝 평가 모델을 이용하여 전자 기기의 외관 등급을 결정하는 예시를 설명하는 도면이다.
도 5를 참조하면, 전자 기기 가치 평가 장치(130)는 제1 딥러닝 평가 모델(510)을 이용하여 전자 기기의 전면 이미지를 분석할 수 있다. 제1 딥러닝 평가 모델(510)은 전자 기기의 전면 이미지를 분석한 결과(예: 전자 기기의 전면에 특정 등급의 전면 결함이 있는지 여부를 나타내는 분석 결과)를 출력 또는 제공할 수 있다.
전자 기기 가치 평가 장치(130)는 제2 딥러닝 평가 모델(520)을 이용하여 전자 기기의 후면 이미지를 분석할 수 있다. 제2 딥러닝 평가 모델(520)은 전자 기기의 후면 이미지를 분석한 결과(예: 전자 기기의 후면에 특정 등급의 후면 결함이 있는지 여부를 나타내는 분석 결과)를 출력 또는 제공할 수 있다.
전자 기기 가치 평가 장치(130)는 제3 딥러닝 평가 모델(530)을 이용하여 전자 기기의 측면 이미지를 분석할 수 있다. 제3 딥러닝 평가 모델(530)은 전자 기기의 측면 이미지를 분석한 결과(예: 전자 기기의 측면에 특정 등급의 측면 결함이 있는지 여부를 나타내는 분석 결과)를 출력 또는 제공할 수 있다.
전자 기기 가치 평가 장치(140)는 제4 딥러닝 평가 모델(540)을 이용하여 전자 기기의 화면 이미지를 분석할 수 있다. 제4 딥러닝 평가 모델(540)은 전자 기기의 화면 이미지를 분석한 결과(예: 전자 기기의 화면에 특정 등급의 화면 결함이 있는지 여부를 나타내는 분석 결과)를 출력 또는 제공할 수 있다.
도 6을 통해 전자 기기 가치 평가 장치(130)가 제1 딥러닝 평가 모델(510)을 이용하여 전자 기기의 전면 이미지를 분석하는 동작의 예시를 설명하고, 도 7을 통해 전자 기기 가치 평가 장치(130)가 제2 딥러닝 평가 모델(520)을 이용하여 전자 기기의 후면 이미지를 분석하는 동작의 예시를 설명한다. 도 8을 통해 전자 기기 가치 평가 장치(130)가 제3 딥러닝 평가 모델(530)을 이용하여 전자 기기의 측면 이미지를 분석하는 동작의 예시를 설명하고, 도 9를 통해 전자 기기 가치 평가 장치(130)가 제4 딥러닝 평가 모델(540)을 이용하여 전자 기기의 화면 이미지를 분석하는 동작의 예시를 설명한다.
일 실시 예에 따르면, 도 6에 도시된 예에서, 전자 기기 가치 평가 장치(130)는 제1 딥러닝 평가 모델(510)을 이용하여 최하위 등급(예: 위 표 1의 D등급)의 전면 결함 마스크들(610) 각각과 전자 기기의 전면 이미지를 비교할 수 있다. 도 7에 도시된 예에서, 전자 기기 가치 평가 장치(130)는 제2 딥러닝 평가 모델(520)을 이용하여 최하위 등급(예: 위 표 1의 D등급)의 후면 결함 마스크들(710) 각각과 전자 기기의 후면 이미지를 비교할 수 있다. 도 8에 도시된 예에서, 전자 기기 가치 평가 장치(130)는 제3 딥러닝 평가 모델(530)을 이용하여 최하위 등급(예: 위 표 1의 D등급)의 측면 결함 마스크들(810) 각각과 전자 기기의 측면 이미지를 비교할 수 있다. 도 9에 도시된 예에서, 전자 기기 가치 평가 장치(130)는 제4 딥러닝 평가 모델(540)을 이용하여 최하위 등급(예: 위 표 1의 D등급)의 화면 결함 마스크들(910) 각각과 전자 기기의 화면 이미지를 비교할 수 있다.
전자 기기 가치 평가 장치(130)(또는 제1 딥러닝 평가 모델(510))은 예를 들어 전면 결함 마스크들(610) 각각과 전자 기기의 전면 이미지 사이의 비교 결과(또는 유사도)가 일정 수준 미만인 경우 전자 기기의 전면에 D등급 전면 결함이 없는 것으로 판단할 수 있다. 전자 기기 가치 평가 장치(130)(또는 제1 딥러닝 평가 모델(510))은 예를 들어 전면 결함 마스크들(610) 중 적어도 하나 및 전자 기기의 전면 이미지 사이의 비교 결과(또는 유사도)가 일정 수준 이상인 경우 전자 기기의 전면에 D등급 전면 결함이 있는 것으로 판단할 수 있다. 일례로, D등급 전면 결함 마스크a는 위 표 1의 전면 결함1을 표현하는 이미지에 해당할 수 있다. 전자 기기 가치 평가 장치(130)(또는 제1 딥러닝 평가 모델(510))은 D등급 전면 결함 마스크a와 전자 기기의 전면 이미지 사이의 비교 결과(또는 유사도)가 일정 수준 이상인 경우 전자 기기의 전면에 전면 결함1이 있는 것으로 판단할 수 있다. 이와 유사하게, 전자 기기 가치 평가 장치(130)(또는 제2 내지 제4 딥러닝 평가 모델(520, 530, 540) 각각)은 전자 기기의 후면, 측면, 및 화면 각각에 D등급 결함이 있는지 판단할 수 있다.
딥러닝 평가 모델들(510 내지 540) 중 적어도 하나가 D등급 결함이 있음을 나타내는 분석 결과를 출력 또는 제공할 수 있다. 이 경우, 전자 기기 가치 평가 장치(130)는 전자 기기의 외관 등급을 최하위 등급(예: D등급)으로 결정할 수 있다. 예를 들어, 제1 딥러닝 평가 모델(510)은 D등급 전면 결함 마스크a와 전면 이미지 사이의 비교 결과를 통해 전자 기기의 전면에 D등급 전면 결함(예: D등급 전면 결함 마스크a에 해당하는 전면 결함)이 있음을 나타내는 분석 결과를 출력 또는 제공할 수 있다. 나머지 딥러닝 평가 모델들(520 내지 530) 각각은 전자 기기의 후면, 측면, 및 화면 각각에 D등급 결함이 없음을 나타내는 분석 결과를 출력 또는 제공할 수 있다. 전자 기기 가치 평가 장치(130)는 전자 기기의 외관 등급을 최하위 등급(예: D등급)으로 결정할 수 있다.
전자 기기 가치 평가 장치(130)는 전자 기기에 최하위 등급의 결함이 있는 것으로 판단하면, 상위 등급(예: C등급과 B등급)의 결함이 있는지 여부를 판단하지 않고(또는 상위 등급의 결함 마스크들과 전자 기기의 이미지를 비교하는 것 없이) 전자 기기의 외관 등급을 최하위 등급으로 결정할 수 있어, 빠른 속도로 전자 기기의 외관 등급을 결정할 수 있다.
일 실시 예에 따르면, 전자 기기 가치 평가 장치(130)는 딥러닝 평가 모델들(510 내지 540)을 통해 전자 기기에 최하위 등급(예: D등급)의 결함이 없는 것으로 판단한 경우, 딥러닝 평가 모델들(510 내지 540)을 이용하여 차하위 등급(예: 위 표 1의 C등급)의 결함 마스크들과 전자 기기의 이미지들(예: 전면 이미지, 후면 이미지, 측면 이미지, 화면 이미지)을 비교할 수 있고, 비교 결과를 통해 전자 기기에 차하위 등급(예: 위 표 1의 C등급)의 결함이 있는지 판단할 수 있다.
예를 들어, 전자 기기 가치 평가 장치(130)는 제1 딥러닝 평가 모델(510)을 통해 전면 결함 마스크들(620) 각각과 전자 기기의 전면 이미지를 비교할 수 있고, 이러한 비교 결과를 통해 전자 기기의 전면에 C등급의 전면 결함이 있는지 판단할 수 있다. 전자 기기 가치 평가 장치(130)는 제2 딥러닝 평가 모델(520)을 이용하여 후면 결함 마스크들(720) 각각과 전자 기기의 후면 이미지를 비교할 수 있고, 이러한 비교 결과를 통해 전자 기기의 후면에 C등급의 후면 결함이 있는지 판단할 수 있다. 전자 기기 가치 평가 장치(130)는 제3 딥러닝 평가 모델(530)을 이용하여 측면 결함 마스크들(820) 각각과 전자 기기의 측면 이미지를 비교할 수 있고, 이러한 비교 결과를 통해 전자 기기의 측면에 C등급의 측면 결함이 있는지 판단할 수 있다. 전자 기기 가치 평가 장치(130)는 제4 딥러닝 평가 모델(540)을 이용하여 화면 결함 마스크들(920) 각각과 전자 기기의 화면 이미지를 비교할 수 있고, 이러한 비교 결과를 통해 전자 기기의 화면에 C등급의 화면 결함이 있는지 판단할 수 있다.
딥러닝 평가 모델들(510 내지 540) 중 적어도 하나가 C등급 결함이 있음을 나타내는 분석 결과를 출력 또는 제공할 수 있다. 이 경우, 전자 기기 가치 평가 장치(130)는 전자 기기의 외관 등급을 차하위 등급(예: C등급)으로 결정할 수 있다. 예를 들어, 제4 딥러닝 평가 모델(540)은 C등급 화면 결함 마스크a와 화면 이미지 사이의 비교 결과를 통해 전자 기기의 화면에 C등급 화면 결함(예: C등급 화면 결함 마스크a에 해당하는 화면 결함)이 있음을 나타내는 분석 결과를 출력 또는 제공할 수 있다. 나머지 딥러닝 평가 모델들(510 내지 530) 각각은 전자 기기의 전면, 후면, 및 측면 각각에 C등급 결함이 없음을 나타내는 분석 결과를 출력 또는 제공할 수 있다. 전자 기기 가치 평가 장치(130)는 전자 기기의 외관 등급을 차하위 등급(예: C등급)으로 결정할 수 있다.
전자 기기 가치 평가 장치(130)는 전자 기기에 차하위 등급(예: C등급)의 결함이 있는 것으로 판단하면, 상위 등급(예: B등급)의 결함이 있는지 여부를 판단하지 않고(또는 상위 등급의 결함 마스크들과 전자 기기의 이미지를 비교하는 것 없이) 전자 기기의 외관 등급을 차하위 등급(예: C등급)으로 결정할 수 있어, 빠른 속도로 전자 기기의 외관 등급을 결정할 수 있다.
일 실시 예에 따르면, 전자 기기 가치 평가 장치(130)는 딥러닝 평가 모델들(510 내지 540)을 통해 전자 기기에 차하위 등급(예: C등급)의 결함이 없는 것으로 판단한 경우, 딥러닝 평가 모델들(510 내지 540)을 이용하여 차상위 등급(예: 위 표 1의 B등급)의 결함 마스크들과 전자 기기의 이미지들(예: 전면 이미지, 후면 이미지, 측면 이미지, 화면 이미지)을 비교할 수 있고, 비교 결과를 통해 전자 기기에 차상위 등급(예: 위 표 1의 B등급)의 결함이 있는지 판단할 수 있다.
예를 들어, 전자 기기 가치 평가 장치(130)는 제1 딥러닝 평가 모델(510)을 통해 전면 결함 마스크들(630) 각각과 전자 기기의 전면 이미지를 비교할 수 있고, 이러한 비교 결과를 통해 전자 기기의 전면에 B등급의 전면 결함이 있는지 판단할 수 있다. 전자 기기 가치 평가 장치(130)는 제2 딥러닝 평가 모델(520)을 이용하여 후면 결함 마스크들(730) 각각과 전자 기기의 후면 이미지를 비교할 수 있고, 이러한 비교 결과를 통해 전자 기기의 후면에 B등급의 후면 결함이 있는지 판단할 수 있다. 전자 기기 가치 평가 장치(130)는 제3 딥러닝 평가 모델(530)을 이용하여 측면 결함 마스크들(830) 각각과 전자 기기의 측면 이미지를 비교할 수 있고, 이러한 비교 결과를 통해 전자 기기의 측면에 B등급의 측면 결함이 있는지 판단할 수 있다. 전자 기기 가치 평가 장치(130)는 제4 딥러닝 평가 모델(540)을 이용하여 화면 결함 마스크들(930) 각각과 전자 기기의 화면 이미지를 비교할 수 있고, 이러한 비교 결과를 통해 전자 기기의 화면에 B등급의 화면 결함이 있는지 판단할 수 있다.
딥러닝 평가 모델들(510 내지 540) 중 적어도 하나가 B등급 결함이 있음을 나타내는 분석 결과를 출력 또는 제공할 수 있다. 이 경우, 전자 기기 가치 평가 장치(130)는 전자 기기의 외관 등급을 차상위 등급(예: B등급)으로 결정할 수 있다.
딥러닝 평가 모델들(510 내지 540) 각각이 B등급 결함이 없음을 나타내는 분석 결과를 출력 또는 제공할 수 있다. 이 경우, 전자 기기 가치 평가 장치(130)는 전자 기기의 외관 등급을 최상위 등급(예: A등급)으로 결정할 수 있다.
도 10은 일 실시 예에 따른 전자 기기 외관 상태 평가 방법을 설명하는 흐름도이다.
도 10을 참조하면, 단계 1010에서, 전자 기기 가치 평가 장치(130)는 전자 기기가 촬영되어 획득된 하나 이상의 이미지(예: 전면 이미지, 후면 이미지, 측면 이미지, 또는 화면 이미지 중 적어도 하나 또는 전부)를 기초로 전자 기기에 특정 등급의 결함이 있는지 체크할 수 있다.
전자 기기 가치 평가 장치(130)는 전자 기기의 복수의 평가 영역들이 촬영되어 획득된 이미지들(예: 전면 이미지, 후면 이미지, 측면 이미지, 화면 이미지)과 평가 영역들에 대한 제1 결함 마스크들(예: 결함 마스크들(610, 710, 810, 910))을 이용하여, 각 평가 영역 별로 분류된 제1 등급(예: 최하위 등급)의 결함이 평가 영역들 각각에 있는지 체크할 수 있다.
전자 기기 가치 평가 장치(130)는 이미지들(예: 전면 이미지, 후면 이미지, 측면 이미지, 화면 이미지)과 제1 결함 마스크들을 비교할 수 있고, 이러한 비교 결과를 기초로 전자 기기의 각 평가 영역 별로 분류된 제1 등급의 결함이 평가 영역들 각각에 있는지 체크할 수 있다.
단계 1020에서, 전자 기기 가치 평가 장치(130)는 전자 기기에 특정 등급의 결함이 있는 경우, 특정 등급을 기초로 전자 기기의 외관 등급을 결정할 수 있다.
예를 들어, 전자 기기 가치 평가 장치(130)는 전자 기기의 평가 영역들 중 적어도 하나의 평가 영역에 대해 분류된 제1 등급(예: 최하위 등급)의 결함이 적어도 하나의 평가 영역에 있는 경우, 전자 기기의 외관 등급을 제1 등급(예: 최하위 등급)으로 결정할 수 있다.
단계 1030에서, 전자 기기 가치 평가 장치(130)는 전자 기기에 특정 등급의 결함이 없는 경우, 하나 이상의 이미지를 기초로 전자 기기에 특정 등급보다 전자 기기의 가치를 높게 결정하는 상위 등급의 결함이 있는지 체크할 수 있다.
전자 기기 가치 평가 장치(130)는 전자 기기의 각 평가 영역 별로 분류된 제1 등급의 결함이 평가 영역들 각각에 없는 경우, 이미지들(예: 전면 이미지, 후면 이미지, 측면 이미지, 화면 이미지) 및 평가 영역들에 대한 제2 결함 마스크들(예: 결함 마스크들(620, 720, 820, 920))을 이용하여, 전자 기기의 각 평가 영역 별로 분류된 제2 등급(예: 차하위 등급)의 결함이 전자 기기의 평가 영역들 각각에 있는지 체크할 수 있다.
단계 1040에서, 전자 기기 가치 평가 장치(130)는 전자 기기에 상위 등급의 결함이 있는 경우 상위 등급을 기초로 전자 기기의 외관 등급을 결정할 수 있다.
예를 들어, 전자 기기 가치 평가 장치(130)는 전자 기기의 평가 영역들 중 적어도 하나의 평가 영역에 대해 분류된 제2 등급(예: 최하위 등급)의 결함이 적어도 하나의 평가 영역에 있는 경우, 전자 기기의 외관 등급을 제2 등급(예: 차하위 등급)으로 결정할 수 있다.
도 1 내지 도 9를 통해 설명한 실시 예들은 도 10의 전자 기기 외관 상태 평가 방법에 적용될 수 있다.
도 11은 일 실시 예에 따른 전자 기기 가치 평가 방법을 설명하는 흐름도이다.
도 11을 참조하면, 단계 1110에서, 전자 기기 가치 평가 장치(130)는 전자 기기를 촬영하여 획득된 하나 이상의 이미지(예: 전면 이미지, 후면 이미지, 측면 이미지, 또는 화면 이미지 중 적어도 하나 또는 전부)를 기초로 전자 기기에 대한 외관 상태 평가를 수행할 수 있다. 단계 1110은 도 10의 단계 1010 내지 단계 1040을 포함할 수 있다.
예를 들어, 단계 1110에서, 전자 기기 가치 평가 장치(130)는 전자 기기의 하나 이상의 이미지를 기초로 전자 기기에 특정 등급의 결함이 있는지 체크할 수 있다. 전자 기기 가치 평가 장치(130)는 전자 기기에 특정 등급의 결함이 있는 경우, 특정 등급을 기초로 전자 기기의 외관 등급을 결정할 수 있다. 전자 기기 가치 평가 장치(130)는 전자 기기에 특정 등급의 결함이 없는 경우, 전자 기기의 하나 이상의 이미지를 기초로 전자 기기에 특정 등급보다 전자 기기의 가치를 높게 결정하는 상위 등급의 결함이 있는지 체크할 수 있다. 전자 기기 가치 평가 장치(130)는 전자 기기에 상위 등급의 결함이 있는 경우 상위 등급을 기초로 전자 기기의 외관 등급을 결정할 수 있다.
단계 1120에서, 전자 기기 가치 평가 장치(130)는 전자 기기의 외관 상태 평가의 결과(예: 전자 기기의 외관 등급) 및 전자 기기의 내부 상태 평가의 결과를 기초로 전자 기기의 가치를 결정할 수 있다.
도 1 내지 도 10을 통해 설명한 사항들은 도 11의 전자 기기 가치 평가 방법에 적용될 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 저장될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 저장할 수 있으며 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (18)

  1. 전자 기기 가치 평가 장치에 의해 수행되는 전자 기기 외관 상태 평가 방법에 있어서,
    전자 기기가 촬영되어 획득된 하나 이상의 이미지를 기초로 상기 전자 기기에 특정 등급의 결함이 있는지 체크하는 단계;
    상기 전자 기기에 상기 특정 등급의 결함이 있는 경우, 상기 특정 등급을 기초로 상기 전자 기기의 외관 등급을 결정하는 단계;
    상기 전자 기기에 상기 특정 등급의 결함이 없는 경우, 상기 하나 이상의 이미지를 기초로 상기 전자 기기에 상기 특정 등급보다 상기 전자 기기의 가치를 높게 결정하는 상위 등급의 결함이 있는지 체크하는 단계; 및
    상기 전자 기기에 상기 상위 등급의 결함이 있는 경우 상기 상위 등급을 기초로 상기 외관 등급을 결정하는 단계
    를 포함하는,
    전자 기기 외관 상태 평가 방법.
  2. 제1항에 있어서,
    상기 특정 등급의 결함이 있는지 체크하는 단계는,
    상기 전자 기기의 복수의 평가 영역들이 촬영되어 획득된 이미지들, 상기 평가 영역들에 대한 제1 결함 마스크들, 및 상기 평가 영역들에 대한 딥러닝 평가 모델들을 이용하여, 상기 각 평가 영역 별로 분류된 제1 등급의 결함이 상기 평가 영역들 각각에 있는지 체크하는 단계
    를 포함하고,
    상기 제1 결함 마스크들 각각은 상기 각 평가 영역 별로 분류된 제1 등급의 결함을 표현하는 이미지에 해당하는,
    전자 기기 외관 상태 평가 방법.
  3. 제2항에 있어서,
    상기 특정 등급을 기초로 상기 외관 등급을 결정하는 단계는,
    상기 평가 영역들 중 적어도 하나의 평가 영역에 대해 분류된 제1 등급의 결함이 상기 적어도 하나의 평가 영역에 있는 경우, 상기 외관 등급을 상기 제1 등급으로 결정하는 단계
    를 포함하는,
    전자 기기 외관 상태 평가 방법.
  4. 제2항에 있어서,
    상기 평가 영역들 각각에 상기 제1 등급의 결함이 있는지 체크하는 단계는,
    상기 딥러닝 평가 모델들을 통해 상기 이미지들과 상기 제1 결함 마스크들을 비교하고, 상기 비교 결과를 기초로 상기 각 평가 영역 별로 분류된 제1 등급의 결함이 상기 평가 영역들 각각에 있는지 체크하는 단계
    를 포함하는,
    전자 기기 외관 상태 평가 방법.
  5. 제2항에 있어서,
    상기 상위 등급의 결함이 있는지 체크하는 단계는,
    상기 각 평가 영역 별로 분류된 제1 등급의 결함이 상기 평가 영역들 각각에 없는 경우, 상기 이미지들, 상기 평가 영역들에 대한 제2 결함 마스크들, 및 상기 딥러닝 평가 모델들을 이용하여, 상기 각 평가 영역 별로 분류된 제2 등급의 결함이 상기 평가 영역들 각각에 있는지 체크하는 단계
    를 포함하고,
    상기 제2 결함 마스크들 각각은 상기 각 평가 영역 별로 분류된 제2 등급의 결함을 표현하는 이미지에 해당하고, 상기 제2 등급은 상기 제1 등급의 상기 상위 등급에 해당하는,
    전자 기기 외관 상태 평가 방법.
  6. 제2항에 있어서,
    상기 평가 영역들 중 하나 이상은,
    상기 전자 기기의 전면, 상기 전자 기기의 후면, 상기 전자 기기의 측면, 또는 상기 전자 기기의 화면 중 하나 이상을 포함하는,
    전자 기기 외관 상태 평가 방법.
  7. 전자 기기 가치 평가 장치에 의해 수행되는 전자 기기 가치 평가 방법에 있어서,
    전자 기기를 촬영하여 획득된 하나 이상의 이미지를 기초로 상기 전자 기기에 대한 외관 상태 평가를 수행하는 단계; 및
    상기 외관 상태 평가의 결과 및 상기 전자 기기의 내부 상태 평가의 결과를 기초로 상기 전자 기기의 가치를 결정하는 단계
    를 포함하고,
    상기 외관 상태 평가를 수행하는 단계는,
    상기 하나 이상의 이미지를 기초로 상기 전자 기기에 특정 등급의 결함이 있는지 체크하는 단계;
    상기 전자 기기에 상기 특정 등급의 결함이 있는 경우, 상기 특정 등급을 기초로 상기 전자 기기의 외관 등급을 결정하는 단계;
    상기 전자 기기에 상기 특정 등급의 결함이 없는 경우, 상기 하나 이상의 이미지를 기초로 상기 전자 기기에 상기 특정 등급보다 상기 전자 기기의 가치를 높게 결정하는 상위 등급의 결함이 있는지 체크하는 단계; 및
    상기 전자 기기에 상기 상위 등급의 결함이 있는 경우 상기 상위 등급을 기초로 상기 외관 등급을 결정하는 단계
    를 포함하는,
    전자 기기 가치 평가 방법
  8. 제7항에 있어서,
    상기 특정 등급의 결함이 있는지 체크하는 단계는,
    상기 전자 기기의 복수의 평가 영역들이 촬영되어 획득된 이미지들, 상기 평가 영역들에 대한 제1 결함 마스크들, 및 상기 평가 영역들에 대한 딥러닝 평가 모델들을 이용하여, 상기 각 평가 영역 별로 분류된 제1 등급의 결함이 상기 평가 영역들 각각에 있는지 체크하는 단계
    를 포함하고,
    상기 제1 결함 마스크들 각각은 상기 각 평가 영역 별로 분류된 제1 등급의 결함을 표현하는 이미지에 해당하는,
    전자 기기 외관 상태 평가 방법.
  9. 제8항에 있어서,
    상기 특정 등급을 기초로 상기 외관 등급을 결정하는 단계는,
    상기 평가 영역들 중 적어도 하나의 평가 영역에 대해 분류된 제1 등급의 결함이 상기 적어도 하나의 평가 영역에 있는 경우, 상기 외관 등급을 상기 제1 등급으로 결정하는 단계
    를 포함하는,
    전자 기기 외관 상태 평가 방법.
  10. 제8항에 있어서,
    상기 평가 영역들 각각에 상기 제1 등급의 결함이 있는지 체크하는 단계는,
    상기 딥러닝 평가 모델들을 통해 상기 이미지들과 상기 제1 결함 마스크들을 비교하고, 상기 비교 결과를 기초로 상기 각 평가 영역 별로 분류된 제1 등급의 결함이 상기 평가 영역들 각각에 있는지 체크하는 단계
    를 포함하는,
    전자 기기 외관 상태 평가 방법.
  11. 제8항에 있어서,
    상기 상위 등급의 결함이 있는지 체크하는 단계는,
    상기 각 평가 영역 별로 분류된 제1 등급의 결함이 상기 평가 영역들 각각에 없는 경우, 상기 이미지들, 상기 평가 영역들에 대한 제2 결함 마스크들, 및 상기 딥러닝 평가 모델들을 이용하여, 상기 각 평가 영역 별로 분류된 제2 등급의 결함이 상기 평가 영역들 각각에 있는지 체크하는 단계
    를 포함하고,
    상기 제2 결함 마스크들 각각은 상기 각 평가 영역 별로 분류된 제2 등급의 결함을 표현하는 이미지에 해당하고, 상기 제2 등급은 상기 제1 등급의 상기 상위 등급에 해당하는,
    전자 기기 외관 상태 평가 방법.
  12. 제8항에 있어서,
    상기 평가 영역들 중 하나 이상은,
    상기 전자 기기의 전면, 상기 전자 기기의 후면, 상기 전자 기기의 측면, 또는 상기 전자 기기의 화면 중 하나 이상을 포함하는,
    전자 기기 외관 상태 평가 방법.
  13. 전자 기기 가치 평가 장치에 있어서,
    하나 이상의 명령어를 저장하는 메모리;
    상기 명령어를 실행하는 프로세서
    를 포함하고,
    상기 명령어를 실행함으로써, 상기 프로세서는,
    전자 기기가 촬영되어 획득된 하나 이상의 이미지를 기초로 상기 전자 기기에 특정 등급의 결함이 있는지 체크하고, 상기 전자 기기에 상기 특정 등급의 결함이 있는 경우, 상기 특정 등급을 기초로 상기 전자 기기의 외관 등급을 결정하며, 상기 전자 기기에 상기 특정 등급의 결함이 없는 경우, 상기 하나 이상의 이미지를 기초로 상기 전자 기기에 상기 특정 등급보다 상기 전자 기기의 가치를 높게 결정하는 상위 등급의 결함이 있는지 체크하고, 상기 전자 기기에 상기 상위 등급의 결함이 있는 경우 상기 상위 등급을 기초로 상기 외관 등급을 결정하는,
    전자 기기 가치 평가 장치.
  14. 제13항에 있어서,
    상기 프로세서는,
    상기 전자 기기의 복수의 평가 영역들이 촬영되어 획득된 이미지들, 상기 평가 영역들에 대한 제1 결함 마스크들, 및 상기 평가 영역들에 대한 딥러닝 평가 모델들을 이용하여, 상기 각 평가 영역 별로 분류된 제1 등급의 결함이 상기 평가 영역들 각각에 있는지 체크하고,
    상기 제1 결함 마스크들 각각은 상기 각 평가 영역 별로 분류된 제1 등급의 결함을 표현하는 이미지에 해당하는,
    전자 기기 가치 평가 장치.
  15. 제14항에 있어서,
    상기 프로세서는,
    상기 평가 영역들 중 적어도 하나의 평가 영역에 대해 분류된 제1 등급의 결함이 상기 적어도 하나의 평가 영역에 있는 경우, 상기 외관 등급을 상기 제1 등급으로 결정하는,
    전자 기기 가치 평가 장치.
  16. 제14항에 있어서,
    상기 프로세서는,
    상기 딥러닝 평가 모델들을 통해 상기 이미지들과 상기 제1 결함 마스크들을 비교하고, 상기 비교 결과를 기초로 상기 각 평가 영역 별로 분류된 제1 등급의 결함이 상기 평가 영역들 각각에 있는지 체크하는,
    전자 기기 가치 평가 장치.
  17. 제14항에 있어서,
    상기 프로세서는,
    상기 각 평가 영역 별로 분류된 제1 등급의 결함이 상기 평가 영역들 각각에 없는 경우, 상기 이미지들, 상기 평가 영역들에 대한 제2 결함 마스크들, 및 상기 딥러닝 평가 모델들을 이용하여, 상기 각 평가 영역 별로 분류된 제2 등급의 결함이 상기 평가 영역들 각각에 있는지 체크하고,
    상기 제2 결함 마스크들 각각은 상기 각 평가 영역 별로 분류된 제2 등급의 결함을 표현하는 이미지에 해당하고, 상기 제2 등급은 상기 제1 등급의 상기 상위 등급에 해당하는,
    전자 기기 가치 평가 장치.
  18. 제14항에 있어서,
    상기 평가 영역들 중 하나 이상은,
    상기 전자 기기의 전면, 상기 전자 기기의 후면, 상기 전자 기기의 측면, 또는 상기 전자 기기의 화면 중 하나 이상을 포함하는,
    전자 기기 가치 평가 장치.
PCT/KR2023/016690 2022-10-31 2023-10-25 전자 기기 외관 상태 평가 및 가치 평가 방법과 전자 기기 가치 평가 장치 WO2024096435A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2022-0143005 2022-10-31
KR20220143005 2022-10-31
KR10-2023-0122599 2023-09-14
KR1020230122599A KR20240063759A (ko) 2022-10-31 2023-09-14 전자 기기 외관 상태 평가 및 가치 평가 방법과 전자 기기 가치 평가 장치

Publications (1)

Publication Number Publication Date
WO2024096435A1 true WO2024096435A1 (ko) 2024-05-10

Family

ID=90930976

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/016690 WO2024096435A1 (ko) 2022-10-31 2023-10-25 전자 기기 외관 상태 평가 및 가치 평가 방법과 전자 기기 가치 평가 장치

Country Status (1)

Country Link
WO (1) WO2024096435A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070113032A (ko) * 2006-05-24 2007-11-28 주식회사 포스코 표면결함정보를 이용한 강판 표면품질등급 판정방법
KR20170019085A (ko) * 2015-08-11 2017-02-21 에스케이 주식회사 중고 모바일 단말 자동 가치평가 방법 및 장치
KR102148884B1 (ko) * 2020-04-02 2020-08-27 주식회사 애자일소다 차량의 손상 분석 시스템 및 방법
WO2020257811A1 (en) * 2019-04-10 2020-12-24 Mahajan Amit Anil Inspection and cosmetic grading system and method
KR20210127199A (ko) * 2019-02-18 2021-10-21 에코에이티엠, 엘엘씨 전자 디바이스의 신경망 기반의 물리적 상태 평가, 및 관련된 시스템 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070113032A (ko) * 2006-05-24 2007-11-28 주식회사 포스코 표면결함정보를 이용한 강판 표면품질등급 판정방법
KR20170019085A (ko) * 2015-08-11 2017-02-21 에스케이 주식회사 중고 모바일 단말 자동 가치평가 방법 및 장치
KR20210127199A (ko) * 2019-02-18 2021-10-21 에코에이티엠, 엘엘씨 전자 디바이스의 신경망 기반의 물리적 상태 평가, 및 관련된 시스템 및 방법
WO2020257811A1 (en) * 2019-04-10 2020-12-24 Mahajan Amit Anil Inspection and cosmetic grading system and method
KR102148884B1 (ko) * 2020-04-02 2020-08-27 주식회사 애자일소다 차량의 손상 분석 시스템 및 방법

Similar Documents

Publication Publication Date Title
WO2020141882A1 (ko) 설명 가능한 인공지능 모델링 및 시뮬레이션 시스템 및 방법
WO2021033792A1 (ko) Ai 기반의 사전 훈련 모델 결정 시스템 및 이를 이용한 제품 생산 라인을 위한 ai 기반의 비전 검사 관리 시스템
WO2021095991A1 (ko) 불량 이미지 생성 장치 및 방법
WO2021033791A1 (ko) 제품 생산 라인 상의 비전 검사를 위한 ai 기반의 신규 학습 모델 생성 시스템
WO2020004749A1 (ko) 동영상 파일을 이용한 설비 학습 장치 및 방법
WO2022146050A1 (ko) 우울증 진단을 위한 인공지능 연합학습 방법 및 시스템
WO2019235828A1 (ko) 투 페이스 질병 진단 시스템 및 그 방법
WO2022019500A1 (ko) 인공지능 학습데이터 생성을 위한 크라우드소싱 기반 프로젝트에서의 실습 교육 참여자에 대한 보상형 실습 교육 제공 방법, 그 장치 및 그 컴퓨터 프로그램
WO2022114665A1 (ko) 태양전지 셀에 대한 이미지 분류 방법 및 장치
WO2020032506A1 (ko) 시각 감지 시스템 및 이를 이용한 시각 감지 방법
WO2024096435A1 (ko) 전자 기기 외관 상태 평가 및 가치 평가 방법과 전자 기기 가치 평가 장치
WO2019035544A1 (ko) 학습을 이용한 얼굴 인식 장치 및 방법
WO2018131737A1 (ko) 불량 패널 검사 장치
WO2020256407A1 (ko) 제품 검사를 위한 자동 학습 방법 및 시스템
WO2022158628A1 (ko) 머신러닝 모델에 기반한 디스플레이 패널의 결함 판정 시스템
WO2020166849A1 (en) Display system for sensing defect on large-size display
WO2020242089A2 (ko) 인공 지능 기반의 큐레이팅 방법 및 이러한 방법을 수행하는 장치
WO2020235854A1 (ko) 불량 이미지 생성 장치 및 방법
WO2024019337A1 (en) Video enhancement method and apparatus
CN117197054A (zh) 一种基于人工智能的显示面板坏点检测方法及系统
WO2023167498A1 (ko) 배터리 불량 검출 장치, 방법 및 시스템
WO2023191312A1 (ko) 전자 기기의 외관 상태 평가 및 가치 평가 방법과 전자 기기 가치 평가 장치
WO2018088649A1 (ko) 글린트 검출 방법
WO2023163476A1 (ko) 전자 기기 가치 평가 방법 및 장치와 딥러닝 모델 트레이닝 방법
WO2022005111A1 (ko) 인공지능 학습데이터 생성을 위한 크라우드소싱 기반 프로젝트의 작업 결과에 기초한 작업자에 대한 검수 권한 자동 부여 방법, 그 장치 및 그 컴퓨터 프로그램

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: 23886131

Country of ref document: EP

Kind code of ref document: A1