KR102545144B1 - 딥러닝 알고리즘에 기반한 불량품 검사 솔루션 제공 장치 및 그 방법 - Google Patents
딥러닝 알고리즘에 기반한 불량품 검사 솔루션 제공 장치 및 그 방법 Download PDFInfo
- Publication number
- KR102545144B1 KR102545144B1 KR1020230005285A KR20230005285A KR102545144B1 KR 102545144 B1 KR102545144 B1 KR 102545144B1 KR 1020230005285 A KR1020230005285 A KR 1020230005285A KR 20230005285 A KR20230005285 A KR 20230005285A KR 102545144 B1 KR102545144 B1 KR 102545144B1
- Authority
- KR
- South Korea
- Prior art keywords
- client server
- artificial intelligence
- server
- image
- intelligence model
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 52
- 238000007689 inspection Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000002950 deficient Effects 0.000 title claims abstract description 39
- 238000013135 deep learning Methods 0.000 title claims abstract description 33
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 70
- 238000004891 communication Methods 0.000 claims abstract description 43
- 230000007547 defect Effects 0.000 claims abstract description 19
- 238000013480 data collection Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000004044 response Effects 0.000 claims abstract description 6
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 7
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 4
- 238000002372 labelling Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 239000010454 slate Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Biochemistry (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computational Linguistics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
불량품 검사 솔루션 제공 장치로서, 적어도 하나의 클라이언트 서버와 통신을 수행하는 통신부, 및 프로세서를 포함하고, 프로세서는, 통신부를 통해 적어도 하나의 클라이언트 서버로부터 데이터 수집을 요청하는 신호가 수신된 경우, 적어도 하나의 클라이언트 서버로 검사 대상의 이미지 촬영을 요청하는 신호를 전송하고, 이미지 촬영 요청에 대한 응답으로, 통신부를 통해 적어도 하나의 클라이언트 서버로부터 촬영된 검사 대상의 이미지가 수신된 경우, 수신된 검사 대상 이미지에 대하여 지정된 방식에 따른 데이터 전처리를 수행하고, 전처리된 이미지 데이터에 기반하여 불량 유형에 따른 딥러닝 알고리즘에 기반한 딥러닝 인공지능 모델을 생성하고, 통신부를 통해 생성된 인공지능 모델을 적어도 하나의 클라이언트 서버에 제공하도록 설정되는 것을 특징으로 한다.
Description
본 개시는 불량품 검사 솔루션 제공 방법 및 이를 구현하는 시스템에 관한 것이다. 보다 상세하게는, 본 개시는 딥러닝 알고리즘에 기반한 불량품 검사 솔루션 제공 방법 및 이를 구현하는 시스템에 관한 것이다.
종래 생산 현장에서 생산품의 불량 검사는 검수자들의 육안을 이용한 판단에 의존하여 왔다. 기존 육안 검사는 높은 비용이 들고 일정한 검사 품질을 유지하는 것이 어려운 문제가 있다.
육안 검사의 문제를 해결하기 위하여 머신 러닝 기법을 이용한 불량품 검사 솔루션들이 제안되고 있다. 머신 러닝 기법은 규칙 기반 알고리즘에 기반할 수 있다. 규칙 기반 알고리즘의 경우 관리자가 치수 등 명확한 기준을 설정해주어야 하고, 비정형 불량의 검사에는 제약이 큰 문제가 있다.
따라서, 비정형 불량에도 최적화된 검사 성능을 보이는 불량품 검사 솔루션의 제공 방법이 고안되고 있다.
본 개시에 개시된 실시예는 클라이언트의 데이터 수집 요청에 대응하여 딥러닝 알고리즘에 기반한 인공지능 모델 등을 제공하는데 그 목적이 있다.
본 개시가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 기술적 과제를 달성하기 위한 본 개시에 일 측면에 따른 불량품 검사 솔루션 제공 장치는 적어도 하나의 클라이언트 서버와 통신을 수행하는 통신부, 및 프로세서를 포함하고, 프로세서는, 통신부를 통해 적어도 하나의 클라이언트 서버로부터 데이터 수집을 요청하는 신호가 수신된 경우, 적어도 하나의 클라이언트 서버로 검사 대상의 이미지 촬영을 요청하는 신호를 전송하고, 이미지 촬영 요청에 대한 응답으로, 통신부를 통해 적어도 하나의 클라이언트 서버로부터 촬영된 검사 대상의 이미지가 수신된 경우, 수신된 검사 대상 이미지에 대하여 지정된 방식에 따른 데이터 전처리를 수행하고, 전처리된 이미지 데이터에 기반하여 불량 유형에 따른 딥러닝 알고리즘에 기반한 딥러닝 인공지능 모델을 생성하고, 통신부를 통해 생성된 인공지능 모델을 적어도 하나의 클라이언트 서버에 제공하도록 설정될 수 있다.
이 외에도, 본 개시를 구현하기 위한 실행하기 위한 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 더 제공될 수 있다.
이 외에도, 본 개시를 구현하기 위한 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.
본 개시의 전술한 과제 해결 수단에 의하면, 클라이언트 서버가 촬영한 이미지를 이용하여 생성된 인공지능 모델을 제공함으로써, 클라이언트에 최적화된 불량품 검사 솔루션을 제공하는 효과를 제공한다.
본 개시의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시의 일 실시 예에 따른 불량품 검사 솔루션 제공 시스템을 도시한 것이다.
도 2는 본 개시의 일 실시 예에 따른 마스터 서버 및 클라이언트 서버를 도시한 블록도이다.
도 3은 본 개시의 일 실시 예에 따른 불량품 검사 솔루션 제공 방법을 나타내는 흐름도이다.
도 4는 본 개시의 일 실시 예에 따른 딥러닝 알고리즘의 종류를 도시한 것이다.
도 5는 본 개시의 일 실시 예에 따른, 하드웨어를 포함하는 불량품 검사 솔루션 제공 방법을 나타내는 흐름도이다.
도 6a는 본 개시의 일 실시 예에 따른, 클라우드 서버를 도시한 블록도이다.
도 6b는 본 개시의 일 실시 예에 따른, 클라우드 서버의 데이터 베이스를 이용한 불량품 검사 솔루션 방법을 도시한 것이다.
도 7은 본 개시의 일 실시 예에 따른, 복수의 그룹으로 구성된 인공지능 모델을 도시한 것이다.
도 8은 본 개시의 일 실시 예에 따른, CCTV를 통한 생산 환경 모니터링을 도시한 것이다.
도 2는 본 개시의 일 실시 예에 따른 마스터 서버 및 클라이언트 서버를 도시한 블록도이다.
도 3은 본 개시의 일 실시 예에 따른 불량품 검사 솔루션 제공 방법을 나타내는 흐름도이다.
도 4는 본 개시의 일 실시 예에 따른 딥러닝 알고리즘의 종류를 도시한 것이다.
도 5는 본 개시의 일 실시 예에 따른, 하드웨어를 포함하는 불량품 검사 솔루션 제공 방법을 나타내는 흐름도이다.
도 6a는 본 개시의 일 실시 예에 따른, 클라우드 서버를 도시한 블록도이다.
도 6b는 본 개시의 일 실시 예에 따른, 클라우드 서버의 데이터 베이스를 이용한 불량품 검사 솔루션 방법을 도시한 것이다.
도 7은 본 개시의 일 실시 예에 따른, 복수의 그룹으로 구성된 인공지능 모델을 도시한 것이다.
도 8은 본 개시의 일 실시 예에 따른, CCTV를 통한 생산 환경 모니터링을 도시한 것이다.
본 개시 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 개시가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 개시가 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 '부, 모듈, 부재, 블록'이라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 '부, 모듈, 부재, 블록'이 하나의 구성요소로 구현되거나, 하나의 '부, 모듈, 부재, 블록'이 복수의 구성요소들을 포함하는 것도 가능하다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우 뿐 아니라, 간접적으로 연결되어 있는 경우를 포함하고, 간접적인 연결은 무선 통신망을 통해 연결되는 것을 포함한다.
또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
명세서 전체에서, 어떤 부재가 다른 부재 "상에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
제 1, 제 2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 전술된 용어들에 의해 제한되는 것은 아니다.
단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함한다.
각 단계들에 있어 식별부호는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다.
이하 첨부된 도면들을 참고하여 본 개시의 작용 원리 및 실시예들에 대해 설명한다.
본 명세서에서 '본 개시에 따른 장치'는 연산처리를 수행하여 사용자에게 결과를 제공할 수 있는 다양한 장치들이 모두 포함된다. 예를 들어, 본 개시에 따른 장치는, 컴퓨터, 서버 장치 및 휴대용 단말기를 모두 포함하거나, 또는 어느 하나의 형태가 될 수 있다.
여기에서, 상기 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), 태블릿 PC, 슬레이트 PC 등을 포함할 수 있다.
상기 서버 장치는 외부 장치와 통신을 수행하여 정보를 처리하는 서버로써, 애플리케이션 서버, 컴퓨팅 서버, 데이터베이스 서버, 파일 서버, 게임 서버, 메일 서버, 프록시 서버 및 웹 서버 등을 포함할 수 있다.
상기 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), WiBro(Wireless Broadband Internet) 단말, 스마트 폰(Smart Phone) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치와 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD) 등과 같은 웨어러블 장치를 포함할 수 있다.
도 1은 본 개시의 일 실시 예에 따른 불량품 검사 솔루션 제공 시스템을 도시한 것이다.
일 실시 예에서, 불량품 검사 솔루션 제공 시스템(10)은 마스터 서버(100), 클라이언트 서버(110), 및/또는 네트워크(120)를 포함할 수 있다. 마스터 서버(100)는 네트워크(120)를 통해 클라이언트 서버(110)와 통신할 수 있다. 일 실시 예에서, 불량품 검사 솔루션 제공 시스템(10)은 복수의 클라이언트 서버(미도시)를 포함할 수 있다.
일 실시 예에서, 마스터 서버(100)는 클라이언트 서버(110)의 요청에 따라 불량품 검사 솔루션을 생성하고, 이를 클라이언트 서버(110)에 제공할 수 있다.
일 실시 예에서, 클라이언트 서버(110)는 불량품 검사를 수행하는 클라이언트(예: 공장, 고객사)의 생산 현장에 위치한 서버일 수 있다. 다른 실시 예에서, 클라이언트 서버(110)는 생산 현장과 물리적으로 다른 위치에서 생산 현장의 불량품 검사 작업을 관리하는 서버일 수 있다.
일 실시 예에서, 클라이언트 서버(110)는 마스터 서버(100)로 데이터 수집을 요청할 수 있다. 마스터 서버(100)는 클라이언트 서버(110)에 이미지 촬영을 요청할 수 있다. 마스터 서버(100)는 클라이언트 서버(110)로 검사 대상의 이미지 촬영을 요청할 수 있다. 예를 들어, 검사 대상은 클라이언트의 생산 현장에서 생산된 생산품(예: 볼트, 너트, 섀시)일 수 있다. 생산품은 양품 및 불량품을 포함할 수 있다.
일 실시 예에서, 클라이언트 서버(110)는 검사 대상의 이미지를 촬영하고, 촬영된 이미지를 마스터 서버(100)로 전송할 수 있다. 마스터 서버(100)는 지정된 방식에 따라 검사 대상 이미지에 데이터 전처리를 수행할 수 있다. 예를 들어, 지정된 방식은 지도 방식 또는 비지도 방식일 수 있다.
일 실시 예에서, 마스터 서버(100)는 전처리된 이미지 데이터에 기반하여 불량 유형에 따른 딥러닝 알고리즘에 기반한 딥러닝 인공지능 모델을 생성할 수 있다. 불량 유형은 검사 대상의 재질, 표면 패턴 등에 기반할 수 있다. 본 개시의 불량 유형은 정형적이거나 비정형적일 수 있다.
일 실시 예에서, 마스터 서버(100)는 생성된 인공지능 모델을 클라이언트 서버(110)에 제공할 수 있다.
일 실시 예에서, 불량품 검사 솔루션 제공 시스템(10)은 클라우드 서버(130)를 더 포함할 수 있다. 마스터 서버(100)가 생성한 인공지능 모델은 SAAS(software as a service) 형태로 클라우드 서버(130)를 통해 제공될 수 있다. 적어도 하나의 클라이언트 서버(예: 클라이언트 서버(110))는 클라우드 서버(130)를 통해 불량품 검사 솔루션을 제공 받을 수 있다.
도 2는 본 개시의 일 실시 예에 따른 마스터 서버 및 클라이언트 서버를 도시한 블록도이다. 도 2에 도시된 구성요소들은 본 개시에 따른 마스터 서버(100) 및/또는 클라이언트 서버(110)를 구현하는데 있어서 필수적인 것은 아니어서, 본 명세서 상에서 설명되는 마스터 서버(100) 및/또는 클라이언트 서버(110)는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.
일 실시 예에서, 마스터 서버(100)는 프로세서(200), 및 통신부(210)를 포함할 수 있다. 프로세서(200)는 데이터 전처리부(220), 및/또는 딥러닝 인공지능 모델 생성부(230)를 포함할 수 있다.
일 실시 예에서, 프로세서(200)는 마스터 서버(100)의 구성요소들의 동작을 제어하기 위한 알고리즘 또는 알고리즘을 재현한 프로그램에 대한 데이터를 저장하는 메모리, 및 메모리에 저장된 데이터를 이용하여 전술한 동작을 수행하는 적어도 하나의 프로세서(미도시)로 구현될 수 있다. 이때, 메모리와 프로세서는 각각 별개의 칩으로 구현될 수 있다. 또는, 메모리와 프로세서는 단일 칩으로 구현될 수도 있다.
일 실시 예에서, 상기 구성요소들 중 통신부(210)는 외부 장치와 통신을 가능하게 하는 하나 이상의 구성 요소를 포함할 수 있으며, 예를 들어, 방송 수신 모듈, 유선통신 모듈, 무선통신 모듈, 근거리 통신 모듈, 위치정보 모듈 중 적어도 하나를 포함할 수 있다.
유선 통신 모듈은, 지역 통신(Local Area Network; LAN) 모듈, 광역 통신(Wide Area Network; WAN) 모듈 또는 부가가치 통신(Value Added Network; VAN) 모듈 등 다양한 유선 통신 모듈뿐만 아니라, USB(Universal Serial Bus), HDMI(High Definition Multimedia Interface), DVI(Digital Visual Interface), RS-232(recommended standard232), 전력선 통신, 또는 POTS(plain old telephone service) 등 다양한 케이블 통신 모듈을 포함할 수 있다.
무선 통신 모듈은 와이파이(Wifi) 모듈, 와이브로(Wireless broadband) 모듈 외에도, GSM(global System for Mobile Communication), CDMA(Code Division Multiple Access), WCDMA(Wideband Code Division Multiple Access), UMTS(universal mobile telecommunications system), TDMA(Time Division Multiple Access), LTE(Long Term Evolution), 4G, 5G, 6G 등 다양한 무선 통신 방식을 지원하는 무선 통신 모듈을 포함할 수 있다.
근거리 통신 모듈은 근거리 통신(Short range communication)을 위한 것으로서, 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다.
일 실시 예에서, 데이터 전처리부(220)는 기지정된 방식에 따라 검사 대상의 이미지를 전처리할 수 있다. 예를 들어, 기정된 방식은 지도 학습 방식 또는 비지도 학습 방식일 수 있다. 기지정된 방식은 불량 유형에 따른 딥러닝 알고리즘에 기반할 수 있다. 딥러닝 알고리즘에 대하여 후술한다.
일 실시 예에서, 딥러닝 인공지능 모델 생성부(230)는 전처리된 이미지를 이용하여 딥러닝 인공지능 모델을 생성할 수 있다. 딥러닝 인공지능 모델은 적어도 하나의 딥러닝 알고리즘을 이용할 수 있다. 일 실시 예에서, 딥러닝 인공지능 모델은 제1 그룹 및 제2 그룹을 포함할 수 있다. 제1 그룹 및 제2 그룹에는 각각 복수의 인공지능 모델이 포함될 수 있다. 클라이언트 서버(110)에서의 인공지능 모델의 성능에 따라 제1 그룹 및 제2 그룹의 구성이 변경될 수 있다.
또한, 프로세서는 이하의 도 2 내지 도 N에서 설명되는 본 개시에 따른 다양한 실시 예들을 본 장치 상에서 구현하기 위하여, 위에서 살펴본 구성요소들을 중 어느 하나 또는 복수를 조합하여 제어할 수 있다.
일 실시 예에서, 클라이언트 서버(110)는 프로세서(250), 통신부(260), 및/또는 이미지 획득부(270)를 포함할 수 있다. 프로세서(250) 및 통신부(260)에 대한 설명은 각각 프로세서(200) 및 통신부(210)에 대한 설명에 의해 참조될 수 있다.
일 실시 예에서, 이미지 획득부(270)는 검사 대상을 촬영하기 위한 카메라를 포함할 수 있다. 카메라는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부에 표시되거나 메모리에 저장될 수 있다.
한편, 상기 카메라가 복수개일 경우, 매트릭스 구조를 이루도록 배치될 수 있으며, 이와 같이 매트릭스 구조를 이루는 카메라들을 통해 다양한 각도 또는 초점을 갖는 복수의 영상정보가 입력될 수 있고, 또한 상기 카메라들은 3차원의 입체영상을 구현하기 위한 좌 영상 및 우 영상을 획득하도록, 스트레오 구조로 배치될 수도 있다.
일 실시 예에서, 마스터 서버(100)의 프로세서(200)는 통신부(210)를 통해 클라이언트 서버(110)로부터 데이터 수집을 요청하는 신호가 수신된 경우, 클라이언트 서버(110)로 검사 대상의 이미지 촬영을 요청하는 신호를 전송하고, 이미지 촬영 요청에 대한 응답으로, 통신부(210)를 통해 클라이언트 서버(110)로부터 촬영된 검사 대상의 이미지가 수신된 경우, 수신된 검사 대상 이미지에 대하여 지정된 방식에 따른 데이터 전처리를 수행하고, 전처리된 이미지 데이터에 기반하여 불량 유형에 따른 딥러닝 알고리즘에 기반한 딥러닝 인공지능 모델을 생성하고, 통신부(210)를 통해 생성된 인공지능 모델을 클라이언트 서버에 제공하도록 설정될 수 있다. 예를 들어, 촬영된 이미지는 클라이언트 서버(110)의 클라이언트가 검사 중인 생산품의 이미지, 클라이언트가 규칙 기반 알고리즘에 사용 중인 이미지, 및 증강된(augmented) 이미지를 포함할 수 있다. 예를 들어, 지정된 방식은 지도 학습 방식 및 비지도 학습 방식을 포함할 수 있다.
도 2에 도시된 구성 요소들의 성능에 대응하여 적어도 하나의 구성요소가 추가되거나 삭제될 수 있다. 또한, 구성 요소들의 상호 위치는 시스템의 성능 또는 구조에 대응하여 변경될 수 있다는 것은 당해 기술 분야에서 통상의 지식을 가진 자에게 용이하게 이해될 것이다.
한편, 도 2에서 도시된 각각의 구성요소는 소프트웨어 및/또는 Field Programmable Gate Array(FPGA) 및 주문형 반도체(ASIC, Application Specific Integrated Circuit)와 같은 하드웨어 구성요소를 의미한다.
도 3은 본 개시의 일 실시 예에 따른 불량품 검사 솔루션 제공 방법을 나타내는 흐름도이다.
단계 S300에서, 클라이언트 서버(110)는 마스터 서버(100)에 데이터 수집을 요청할 수 있다. 이하에서, 클라이언트 서버(110)에 의해 요청된 데이터는 기준 데이터로 참조될 수 있다.
단계 S305에서, 마스터 서버(100)는 클라이언트 서버(110)에 이미지 촬영을 요청할 수 있다.
단계 S310에서, 클라이언트 서버(110)는 검사 대상의 이미지를 촬영할 수 있다. 일 실시 예에서, 검사 대상은 클라이언트의 생산 현장에서 생산된 생산품일 수 있다. 생산품은 양품 및 불량품을 포함할 수 있다.
단계 S315에서, 클라이언트 서버(110)는 마스터 서버(100)에 촬영된 이미지를 전달할 수 있다. 일 실시 예에서, 촬영된 이미지는 클라이언트가 검사 중인 생산품의 이미지, 클라이언트가 규칙 기반 알고리즘에 사용 중인 이미지, 및 증강된(augmented) 이미지를 포함할 수 있다.
단계 S320에서, 마스터 서버(100)는 전달받은 이미지를 이용하여 기설정된 방식에 따라 데이터 전처리를 수행할 수 있다. 일 실시 예에서, 지정된 방식은 지도 학습 방식 또는 비지도 학습 방식일 수 있다. 예를 들어, 지도 방식인 경우, 클라이언트 서버(130)의 담당자가 촬영된 이미지에 대한 라벨링 작업을 수행할 수 있다.
단계 S325에서, 마스터 서버(100)는 전처리된 이미지에 기반하여 불량 유형에 따른 딥러닝 인공지능 모델을 생성할 수 있다. 불량 유형은 검사 대상의 재질, 표면 패턴 등에 기반하여 결정될 수 있다. 본 개시의 불량 유형은 정형적이거나 비정형적일 수 있다. 딥러닝 인공지능 모델은 도 4에 따른 적어도 하나의 딥러닝 알고리즘에 기반할 수 있다.
단계 S330에서, 마스터 서버(100)는 생성된 인공지능 모델을 클라이언트 서버(110)에 제공할 수 있다. 클라이언트 서버(110)는 제공 받은 인공지능 모델에 기반하여 불량품 검사를 수행할 수 있다.
도 4는 본 개시의 일 실시 예에 따른 딥러닝 알고리즘의 종류를 도시한 것이다.
일 실시 예에서, 딥러닝 알고리즘은 지도 학습(400) 및 비지도 학습(410)을 포함할 수 있다.
일 실시 예에서, 지도 학습(400)은 제1 알고리즘(402), 제2 알고리즘(404), 및 제3 알고리즘(406)으로 분류될 수 있다.
일 실시 예에서, 제1 알고리즘(402)은 딥러닝 알고리즘일 수 있다. 예를 들어, 영상 처리 분야의 딥러닝 알고리즘은 세그멘테이션(segmentation), 객체 감치(object detection), 및 분류(classification) 알고리즘을 포함할 수 있다. 세그멘테이션 알고리즘의 이미지의 경계선 및 내부 형상을 인식하는데 이용될 수 있다. 객체 감지 알고리즘은 이미지의 센터 값 및 사각형의 바운딩 박스(bounding box)를 인식하는데 이용될 수 있다. 분류 알고리즘은 이미지의 카테고리를 식별하는데 이용될 수 있다.
일 실시 예에서, 제2 알고리즘(404)은 검출력 향상을 위한 학습 알고리즘일 수 있다. 예를 들어, 제2 알고리즘(404)은 다채널 이미지(multi-channel image), 이미지 비교(image comparison), 및 GAN 기반 합성 이미지 생성(GAN-based synthetic image generation) 알고리즘을 포함할 수 있다. 다채널 이미지 알고리즘은 이미지 데이터를 융합하여 학습량을 증폭시켜, 검출 성능을 향상시키는 알고리즘으로 이해될 수 있다. 이미지 비교 알고리즘은 양품 및 불량 이미지 간의 차이점에 집중하여 학습하는 알고리즘으로 이해될 수 있다. GAN 기반 합성 이미지 생성 알고리즘은 양품 시료 이미지 위에 불량 영역을 임의로 배치하여 실제로 유사한 불량 이미지를 생성 및 학습하는 알고리즘으로 이해될 수 있다.
일 실시 예에서, 제3 알고리즘(406)은 학습 생산성 향상을 위한 알고리즘일 수 있다. 예를 들어, 제3 알고리즘(406)은 오토 레이블링(auto-labeling) 및 레이블링 어시스턴트(labeling assistant) 알고리즘을 포함할 수 있다. 오토 레이블링 알고리즘은 전처리 기술을 활용하여 불량으로 간주되는 영역을 미리 레이블링하는 알고리즘으로 이해될 수 있다. 레이블링 어시스턴트 알고리즘은 레이블링 시 소수의 포인트만 수작업으로 지정하면, 객체의 레이블을 자동으로 생성할 수 있는 알고리즘으로 이해될 수 있다.
일 실시 예에서, 비지도 학습(410)은 비지도 이상 탐지(unsupervised anomaly detection) 알고리즘을 포함할 수 있다. 비지도 이상 탐지 알고리즘은 양품 시료만을 활용하여 학습한 모델로 불량을 검출하는 알고리즘일 수 있다.
도 5는 본 개시의 일 실시 예에 따른, 하드웨어를 포함하는 불량품 검사 솔루션 제공 방법을 나타내는 흐름도이다.
단계 S500에서, 클라이언트 서버(110)는 마스터 서버(100)에 데이터 수집 및 하드웨어를 요청할 수 있다.
단계 S510에서, 마스터 서버(100)는 불량 유형에 기반하여 불량품 검출을 위한 하드웨어를 결정할 수 있다.
단계 S520에서, 마스터 서버(100)는 클라이언트 서버(110)에 인공지능 모델 및 하드웨어를 제공할 수 있다. 인공지능 모델은 도 3의 실시 예에 따라 생성될 수 있다. 예를 들어, 하드웨어는 딥러닝 인공지능 모델이 탑재된 광학 장치를 포함할 수 있다. 예를 들어, 하드웨어는 인공지능 모델에 최적화되도록 설계될 수 있다.
일 실시 예에서, 마스터 서버(100)는 단계 S520에서와 같이, 클라이언트 서버(110)에 딥러닝 인공지능 모델 및 하드웨어를 턴 키(turn key) 방식으로 공급함으로써, 인공지능 모델의 성능을 극대화하고 클라이언트에 최적화된 솔루션을 제공할 수 있다.
도 6a는 본 개시의 일 실시 예에 따른, 클라우드 서버를 도시한 블록도이다.
일 실시 예에서, 클라우드 서버(130)는 프로세서(600), 통신부(610), 및/또는 데이터베이스(620)를 포함할 수 있다. 프로세서(600) 및 통신부(610)에 대한 설명은 각각 도 2의 프로세서(200) 및 통신부(210)에 대한 설명에 의해 참조될 수 있다.
일 실시 예에서, 클라우드 서버(130)는 통신부(610)를 통해 마스터 서버(100) 및 복수의 클라이언트 서버(예: 클라이언트 서버(110))와 통신할 수 있다. 일 실시 예에서, 마스터 서버(100)는 클라우드 서버(130)를 통해 복수의 클라이언트 서버에 인공지능 모델을 Saas(Software as a Service) 형태로 제공할 수 있다. 마스터 서버(100)는 클라우드 서버(130)에 데이터 베이스(620)를 구축하고, 복수의 클라이언트 서버에 제공한 인공지능 모델을 복수의 클라이언트 서버가 요청한 복수의 기준 데이터들과 연계하여 데이터 베이스(620)에 저장할 수 있다. 예를 들어, 복수의 기준 데이터들은 복수의 클라이언트 서버가 불량품 검사를 위하여 마스터 서버(100)에 요청한 불량품과 관련된 데이터를 의미할 수 있다. 예를 들어, 복수의 기준 데이터들은 복수의 클라이언트 서버에서 촬영한 생산품 이미지 및/또는 불량 유형 데이터를 포함할 수 있다.
도 6b는 본 개시의 일 실시 예에 따른, 클라우드 서버의 데이터 베이스를 이용한 불량품 검사 솔루션 방법을 도시한 것이다.
일 실시 예에서, 데이터 베이스(620)에는 복수의 기준 데이터들이 각각의 복수의 기준 데이터들에 최적화된 인공지능 모델과 연계하여 저장될 수 있다. 일 실시 예에서, 제1 인공지능 모델(655)은 제1 기준 데이터(650)에, 제2 인공지능 모델(665)은 제2 기준 데이터(660)에, 제3 인공지능 모델(675)은 제3 기준 데이터(670)에 각각 최적화된 인공지능 모델일 수 있다.
일 실시 예에서, 마스터 서버(100)는 신규 클라이언트 서버(110)로부터 데이터 수집을 요청 받을 수 있다. 마스터 서버(100)는 클라우드 서버(130)의 데이터 베이스(620)에 저장된 복수의 기준 데이터들(650, 660, 670)과 신규 클라이언트 서버(110)가 요청한 데이터의 유사도를 계산할 수 있다. 유사도는 수학식 1에 기반하여 계산될 수 있다.
마스터 서버(100)는 신규 클라이언트 서버(110)가 요청한 데이터와 유사도가 높은 기준 데이터에 최적화된 인공지능 모델을 신규 클라이언트 서버(110)에 제공할 수 있다.
다른 실시 예에서, 마스터 서버(100)는 신규 클라이언트 서버(110)로부터 데이터 수집을 요청 받을 수 있다. 마스터 서버(100)는 신규 클라이언트 서버(110)로부터 수신한 검사 대상의 이미지 데이터를 이용하여 데이터 베이스(620)에 저장된 적어도 하나의 인공지능 모델(예: 제1 인공지능 모델(655), 제2 인공지능 모델(665), 제3 인공지능 모델(675))을 각각 학습시킬 수 있다.
마스터 서버(100)는 학습된 적어도 하나의 인공지능 모델 중 성능이 가장 높은 인공지능 모델을 식별하고, 식별된 인공지능 모델을 전처리된 데이터를 이용하여 추가 학습시킬 수 있다. 마스터 서버(100)는 학습이 완료된 인공지능 모델의 성능이 기준 값(reference value) 이상이면, 해당 인공지능 모델을 신규 클라이언트 서버(110)에 제공할 수 있다.
도 7은 본 개시의 일 실시 예에 따른, 복수의 그룹으로 구성된 인공지능 모델을 도시한 것이다.
일 실시 예에서, 마스터 서버(100)가 클라이언트 서버(110)에 제공하는 인공지능 모델은 복수의 그룹(제1 그룹, 제2 그룹)을 포함할 수 있다. 일 실시 예에서, 제1 그룹에는 지정된 개수의 인공지능 모델(700, 710, 720)이 포함될 수 있다. 제2 그룹에는 지정된 개수의 인공지능 모델(750, 760, 770)이 포함될 수 있다.
일 실시 예에서, 클라이언트 서버(110)는 제1 그룹에 포함된 인공지능 모델(700, 710, 720)의 성능을 측정하고 기 설정된 기준을 기반으로 성능이 낮은 인공지능 모델을 제2 그룹으로 강등시킬 수 있다. 일 실시 예에서, 클라이언트 서버(110)는 제2 그룹에 포함된 인공지능 모델(750, 760, 770)의 성능을 측정하고 기 설정된 기준을 기반으로 성능이 높은 인공지능 모델을 제1 그룹으로 승격시킬 수 있다. 예를 들어, 기 설정된 기준은 클라이언트 서버(110)의 관리자가 설정한 성능 지표일 수 있다.
도 8은 본 개시의 일 실시 예에 따른, CCTV를 통한 생산 환경 모니터링을 도시한 것이다.
일 실시 예에서, 클라이언트 서버(110)는 CCTV(closed circuit television, 800)와 전기적으로 연결될 수 있다. CCTV는 클라이언트의 생산 환경(810)의 영상을 촬영할 수 있다.
일 실시 예에서, 마스터 서버(100)는 상기 CCTV 영상에 기반하여 생산 환경(810) 내 작업자들에 대한 객체 감지, 행동 인지, 및 자세 측정 중 적어도 하나를 수행할 수 있다. 일 실시 예에서, 마스터 서버(100)는 작업자들의 근무 및 휴식 시간을 추적하여 생산에 필요한 최적 인원수 데이터를 산출할 수 있다.
한편, 개시된 실시예들은 컴퓨터에 의해 실행 가능한 명령어를 저장하는 기록매체의 형태로 구현될 수 있다. 명령어는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 프로그램 모듈을 생성하여 개시된 실시예들의 동작을 수행할 수 있다. 기록매체는 컴퓨터로 읽을 수 있는 기록매체로 구현될 수 있다.
컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터에 의하여 해독될 수 있는 명령어가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있을 수 있다.
이상에서와 같이 첨부된 도면을 참조하여 개시된 실시예들을 설명하였다. 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 본 개시의 기술적 사상이나 필수적인 특징을 변경하지 않고도, 개시된 실시예들과 다른 형태로 본 개시가 실시될 수 있음을 이해할 것이다. 개시된 실시예들은 예시적인 것이며, 한정적으로 해석되어서는 안 된다.
Claims (10)
- 적어도 하나의 클라이언트 서버와 통신을 수행하는 통신부; 및
상기 통신부를 통해 상기 적어도 하나의 클라이언트 서버로부터 데이터 수집을 요청하는 신호가 수신된 경우, 상기 적어도 하나의 클라이언트 서버로 검사 대상의 이미지 촬영을 요청하는 신호를 전송하고, 상기 이미지 촬영 요청에 대한 응답으로, 상기 통신부를 통해 상기 적어도 하나의 클라이언트 서버로부터 촬영된 검사 대상의 이미지가 수신된 경우, 상기 수신된 검사 대상 이미지에 대하여 지정된 방식에 따른 데이터 전처리를 수행하고, 상기 전처리된 이미지 데이터에 기반하여 불량 유형에 따른 딥러닝 알고리즘에 기반한 딥러닝 인공지능 모델을 생성하고, 상기 통신부를 통해 상기 생성된 인공지능 모델을 상기 적어도 하나의 클라이언트 서버에 제공하도록 설정되는 프로세서;를 포함하고,
상기 프로세서는, 상기 불량 유형에 기반하여 상기 클라이언트에 하드웨어를 제공하도록 더 설정되고,
상기 인공지능 모델은 Saas(Software as a Service)에 기반한 클라우드 서버를 통해 제공되고,
상기 프로세서는, 상기 클라우드 서버에 데이터베이스를 구축하도록 더 설정되고, 상기 데이터베이스에는 상기 적어도 하나의 클라이언트 서버에서 요청한 데이터가 복수의 기준 데이터들로 저장되고, 상기 복수의 기준 데이터들에 최적화된 인공지능 모델이 상기 복수의 기준 데이터들과 연계하여 저장되며,
상기 프로세서는, 신규 클라이언트 서버로부터 데이터 수집이 요청된 경우, 상기 신규 클라이언트 서버의 요청 데이터 및 상기 데이터베이스에 저장된 상기 복수의 기준 데이터들의 유사도를 계산하고, 상기 복수의 기준 데이터들 중 상기 계산된 유사도가 높은 기준 데이터에 최적화된 인공지능 모델을 상기 신규 클라이언트 서버에 제공하도록 더 설정된,
불량품 검사 솔루션 제공 장치. - 제1 항에 있어서,
상기 촬영된 이미지는 상기 클라이언트 서버의 클라이언트가 검사 중인 생산품의 이미지, 상기 클라이언트가 규칙 기반 알고리즘에 사용 중인 이미지, 및 증강된(augmented) 이미지를 포함하는,
불량품 검사 솔루션 제공 장치. - 제2 항에 있어서,
상기 지정된 방식은 지도 학습 방식 및 비지도 학습 방식을 포함하는,
불량품 검사 솔루션 제공 장치. - 삭제
- 삭제
- 삭제
- 삭제
- 제1 항에 있어서,
상기 프로세서에 의해 제공되는 인공지능 모델은, 제1 그룹 및 제2 그룹을 포함하고,
상기 제1 그룹 및 상기 제2 그룹은, 각각 지정된 개수의 인공지능 모델을 포함하고,
상기 제1 그룹의 인공지능 모델 중 기 설정된 기준을 기반으로 성능이 낮은 인공지능 모델은, 상기 클라이언트 서버에 의해 상기 제2 그룹으로 강등되고,
상기 제2 그룹의 인공지능 모델 중 상기 기 설정된 기준을 기반으로 성능이 높은 인공지능 모델은, 상기 클라이언트 서버에 의해 상기 제1 그룹으로 승격되는,
불량품 검사 솔루션 제공 장치. - 제1 항에 있어서,
상기 클라이언트 서버는, CCTV(closed circuit television)와 전기적으로 연결되고,
상기 프로세서는,
상기 CCTV에 의해 촬영된 영상에 기반하여 상기 클라이언트 서버의 생산 환경 내 작업자들에 대한 객체 감지, 행동 인지, 및 자세 측정 중 적어도 하나를 수행하도록 더 설정된,
불량품 검사 솔루션 제공 장치. - 적어도 하나의 클라이언트 서버와 통신을 수행하는 마스터 서버에 의해 수행되는 불량품 검사 솔루션 제공 방법에 있어서,
상기 적어도 하나의 클라이언트 서버로부터 데이터 수집이 요청된 경우, 상기 적어도 하나의 클라이언트 서버로 검사 대상의 이미지 촬영을 요청하는 단계;
상기 요청에 대한 응답으로, 상기 적어도 하나의 클라이언트 서버로부터 촬영된 검사 대상의 이미지가 수신된 경우, 상기 수신된 검사 대상 이미지에 대하여 지정된 방식에 따른 데이터 전처리를 수행하는 단계;
상기 전처리된 이미지의 데이터에 기반하여 불량 유형에 따른 딥러닝 알고리즘에 기반한 딥러닝 인공지능 모델을 생성하는 단계; 및
상기 생성된 인공지능 모델을 상기 적어도 하나의 클라이언트 서버에 제공하는 단계;를 포함하고,
상기 마스터 서버는, 상기 불량 유형에 기반하여 상기 클라이언트에 하드웨어를 제공하고,
상기 인공지능 모델은 Saas(Software as a Service)에 기반한 클라우드 서버를 통해 제공되고,
상기 마스터 서버는, 상기 클라우드 서버에 데이터베이스를 구축하고, 상기 데이터베이스에는 상기 적어도 하나의 클라이언트 서버에서 요청한 데이터가 복수의 기준 데이터들로 저장되고, 상기 복수의 기준 데이터들에 최적화된 인공지능 모델이 상기 복수의 기준 데이터들과 연계하여 저장되며,
상기 마스터 서버는, 신규 클라이언트 서버로부터 데이터 수집이 요청된 경우, 상기 신규 클라이언트 서버의 요청 데이터 및 상기 데이터베이스에 저장된 상기 복수의 기준 데이터들의 유사도를 계산하고, 상기 복수의 기준 데이터들 중 상기 계산된 유사도가 높은 기준 데이터에 최적화된 인공지능 모델을 상기 신규 클라이언트 서버에 제공하는,
불량품 검사 솔루션 제공 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230005285A KR102545144B1 (ko) | 2023-01-13 | 2023-01-13 | 딥러닝 알고리즘에 기반한 불량품 검사 솔루션 제공 장치 및 그 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230005285A KR102545144B1 (ko) | 2023-01-13 | 2023-01-13 | 딥러닝 알고리즘에 기반한 불량품 검사 솔루션 제공 장치 및 그 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102545144B1 true KR102545144B1 (ko) | 2023-06-21 |
Family
ID=86989576
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230005285A Active KR102545144B1 (ko) | 2023-01-13 | 2023-01-13 | 딥러닝 알고리즘에 기반한 불량품 검사 솔루션 제공 장치 및 그 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102545144B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20250012919A (ko) | 2023-07-18 | 2025-01-31 | 경남대학교 산학협력단 | 인공지능 기반 불량품 검사시스템 및 그 방법 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101237998B1 (ko) | 2011-07-28 | 2013-02-27 | 한국동서발전(주) | 볼트 및 볼트 홀 결함 검사 장치 |
| JP2019087078A (ja) * | 2017-11-08 | 2019-06-06 | オムロン株式会社 | データ生成装置、データ生成方法及びデータ生成プログラム |
| KR20190092975A (ko) * | 2018-01-31 | 2019-08-08 | 삼성전자주식회사 | 비전 검사 관리 방법 및 비전 검사 시스템 |
| KR20210055560A (ko) * | 2019-11-07 | 2021-05-17 | 한국전자통신연구원 | 인공지능 서비스에 대한 성능 관리 장치 및 방법 |
| KR20210157224A (ko) * | 2020-06-19 | 2021-12-28 | 주식회사 엘지에너지솔루션 | 결함 검출 장치 및 방법 |
| JP2022088713A (ja) * | 2020-12-03 | 2022-06-15 | トヨタ自動車株式会社 | 物品の組立工程における検査システム |
| JP2022107954A (ja) * | 2021-01-12 | 2022-07-25 | 株式会社コジマプラスチックス | 金型管理システム |
-
2023
- 2023-01-13 KR KR1020230005285A patent/KR102545144B1/ko active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101237998B1 (ko) | 2011-07-28 | 2013-02-27 | 한국동서발전(주) | 볼트 및 볼트 홀 결함 검사 장치 |
| JP2019087078A (ja) * | 2017-11-08 | 2019-06-06 | オムロン株式会社 | データ生成装置、データ生成方法及びデータ生成プログラム |
| KR20190092975A (ko) * | 2018-01-31 | 2019-08-08 | 삼성전자주식회사 | 비전 검사 관리 방법 및 비전 검사 시스템 |
| KR20210055560A (ko) * | 2019-11-07 | 2021-05-17 | 한국전자통신연구원 | 인공지능 서비스에 대한 성능 관리 장치 및 방법 |
| KR20210157224A (ko) * | 2020-06-19 | 2021-12-28 | 주식회사 엘지에너지솔루션 | 결함 검출 장치 및 방법 |
| JP2022088713A (ja) * | 2020-12-03 | 2022-06-15 | トヨタ自動車株式会社 | 物品の組立工程における検査システム |
| JP2022107954A (ja) * | 2021-01-12 | 2022-07-25 | 株式会社コジマプラスチックス | 金型管理システム |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20250012919A (ko) | 2023-07-18 | 2025-01-31 | 경남대학교 산학협력단 | 인공지능 기반 불량품 검사시스템 및 그 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11341626B2 (en) | Method and apparatus for outputting information | |
| US11276158B2 (en) | Method and apparatus for inspecting corrosion defect of ladle | |
| CN112767366B (zh) | 基于深度学习的图像识别方法、装置、设备及存储介质 | |
| US20210142467A1 (en) | Systems and methods of generating datasets for training neural networks | |
| US11663711B1 (en) | Machine-learning framework for detecting defects or conditions of railcar systems | |
| CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
| CN115156093A (zh) | 电池外壳缺陷检测方法、系统及装置 | |
| CN113516146A (zh) | 一种数据分类方法、计算机及可读存储介质 | |
| KR102545144B1 (ko) | 딥러닝 알고리즘에 기반한 불량품 검사 솔루션 제공 장치 및 그 방법 | |
| CN118521586B (zh) | 基于机器视觉的产品视觉检测装置及方法 | |
| Wei et al. | Surface defects detection of cylindrical high-precision industrial parts based on deep learning algorithms: A review | |
| CN108830833B (zh) | 工件识别项目的在线评估方法、服务器及终端 | |
| CN115100110A (zh) | 一种偏光镜片缺陷检测方法、装置、设备及可读存储介质 | |
| KR102569597B1 (ko) | 인공지능 모델 학습을 위한 데이터 파이프 라인 관리 방법 및 시스템 | |
| Albanese et al. | Industrial visual inspection with tinyml for high-performance quality control | |
| Ren et al. | A new small target defect detection algorithm for solar panels based on improved YOLOV7 | |
| CN117911897A (zh) | 铁路桥梁检测方法、装置、电子设备及存储介质 | |
| CN108073854A (zh) | 一种现场巡检的检测方法及装置 | |
| CN115497152A (zh) | 基于图像识别的客户信息分析方法、装置、系统及介质 | |
| CN117218053A (zh) | 一种图像的处理方法、装置以及存储介质 | |
| Cao et al. | Deep discriminant learning-based asphalt road cracks detection via wireless camera network | |
| KR20240056255A (ko) | 이미지 기반 이상 탐지 방법 및 장치 | |
| CN116152169A (zh) | 基于改进YOLOv5s模型的印刷电路板缺陷检测方法 | |
| Ahmed et al. | Ai-enhanced visual inspection systems for robust detection of product packaging defects in manufacturing environments | |
| El Mazgualdi et al. | Artificial Intelligence for Product Quality Inspection in Manufacturing Industry-Online Detection of Edge Defects on Inorganic Solid Material |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PA0109 | Patent application |
Patent event code: PA01091R01D Comment text: Patent Application Patent event date: 20230113 |
|
| PA0201 | Request for examination | ||
| PA0302 | Request for accelerated examination |
Patent event date: 20230116 Patent event code: PA03022R01D Comment text: Request for Accelerated Examination Patent event date: 20230113 Patent event code: PA03021R01I Comment text: Patent Application |
|
| PE0902 | Notice of grounds for rejection |
Comment text: Notification of reason for refusal Patent event date: 20230324 Patent event code: PE09021S01D |
|
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration |
Patent event code: PE07011S01D Comment text: Decision to Grant Registration Patent event date: 20230608 |
|
| GRNT | Written decision to grant | ||
| PR0701 | Registration of establishment |
Comment text: Registration of Establishment Patent event date: 20230614 Patent event code: PR07011E01D |
|
| PR1002 | Payment of registration fee |
Payment date: 20230614 End annual number: 3 Start annual number: 1 |
|
| PG1601 | Publication of registration |