1 |
1
제품의 입력 영상으로부터 다중 특징 맵(feature map)을 추출하는 특징 추출부와, 상기 특징 추출부에서 추출된 특징 맵을 분석하여 제품의 결함을 분류하는 분류부와, 상기 결함 분류 결과 제품 결함이 있는 경우 상기 특징 추출부에서 추출된 특징맵을 이용해 결함의 위치 및 형태를 검출하는 검출부를 포함하는 머신러닝 기반 결함 분류 장치
|
2 |
2
제1항에 있어서,상기 특징 추출부는 컨벌루션(convolution)층 및 풀링(pooling)층으로 구성된 복수의 블록을 포함하고, 상기 분류부는 상기 특징 추출부의 최종단에 연결된 전역 평균 풀링층(Global Average Pooling layer) 및 전역 평균 풀링층에서 출력된 특징 벡터가 연결된 완전 연결층(fully connected layer)을 포함하는 것을 특징으로 하는 머신러닝 기반 결함 분류 장치
|
3 |
3
제2항에 있어서,상기 검출부는 상기 특징 추출부의 마지막 특징맵에서 결함이 있는 위치의 특징값이 커진 결함 활성화 맵(DAM: Defect Activation Map)을 생성하는 결함 활성화 맵 생성부와, 상기 결함 활성화 맵 생성부에서 생성된 결함 활성화 맵을 처리하여 입력 영상의 크기와 같은 특징 맵으로 출력하는 특징맵 생성부와, 상기 특징맵 생성부에서 출력된 최종의 특징 맵을 특정 임계치로 이진화하여 이진화 영상을 출력하는 이진화부를 포함하는 것을 특징으로 하는 머신러닝 기반 결함 분류 장치
|
4 |
4
제3항에 있어서,상기 결함 활성화 맵 생성부는 상기 특징 추출부의 마지막 다중 특징맵의 각 픽셀에 상기 완전 연결층의 가중치(weight)를 곱하여 깊이(depth) 방향으로 더함으로써 결함 활성화 맵을 생성하는 것을 특징으로 하는 머신러닝 기반 결함 분류 장치
|
5 |
5
제3항에 있어서,상기 특징맵 생성부는 각 블록에서 추출된 다중 특징맵을 깊이 방향으로 평균화하여 평균 특징맵을 생성하고, 각 블록의 평균 특징맵을 이전 단계의 결함 활성화 맵과 픽셀별 곱 연산하는 과정을 반복하여 입력 영상의 크기와 같은 특징 맵을 생성하는 것을 특징으로 하는 머신러닝 기반 결함 분류 장치
|
6 |
6
제3항에 있어서,상기 이진화부는 최종의 특징 맵에서 특정 임계치를 기준으로 특정 임계치 이상이면 1, 특정 임계치 미만이면 0으로 하여 이진화 영상을 생성하는 것을 특징으로 하는 머신러닝 기반 결함 분류 장치
|
7 |
7
머신러닝 기반 결함 분류 장치에서 제품의 결함 위치 및 형태를 검출하는 방법에 있어서, 제품의 입력 영상에 대해 특징 맵을 추출하는 특징 맵 추출 단계와,상기 추출된 특징 맵을 분석하여 제품의 결함을 분류하는 결함 분류 단계와, 상기 결함 분류 결과 제품 결함이 있는 경우 상기 추출된 특징맵을 이용해 결함의 위치 및 형태를 검출하는 결함 검출 단계를 포함하는 머신러닝 기반 결함 분류 방법
|
8 |
8
제7항에 있어서,상기 특징 맵 추출 단계는 입력 영상에 대해 컨벌루션 및 풀링 과정을 반복적으로 수행하여 특징 맵을 추출하고, 상기 결함 분류 단계는 최종 특징 맵에 대해 전역 평균 풀링을 수행한 후 완전 연결층의 신경망을 통해 제품의 결함을 분류하는 것을 특징으로 하는 머신러닝 기반 결함 분류 방법
|
9 |
9
제8항에 있어서,상기 결함 검출 단계는 상기 특징 맵 추출 단계의 마지막 특징맵에서 결함이 있는 위치의 특징값이 커진 결함 활성화 맵(DAM: Defect Activation Map)을 생성하는 과정과, 상기 생성된 결함 활성화 맵을 처리하여 입력 영상의 크기와 같은 특징 맵으로 출력하는 과정과, 상기 출력된 최종의 특징 맵을 특정 임계치로 이진화하여 이진화 영상을 생성하는 과정을 포함하는 것을 특징으로 하는 머신러닝 기반 결함 분류 방법
|
10 |
10
제9항에 있어서,상기 결함 활성화 맵을 생성하는 과정은 상기 특징 맵 추출 단계의 마지막 다중 특징맵의 각 픽셀에 상기 완전 연결층의 가중치(weight)를 곱하여 깊이(depth) 방향으로 더함으로써 결함 활성화 맵을 생성하는 것을 특징으로 하는 머신러닝 기반 결함 분류 방법
|
11 |
11
제9항에 있어서,상기 입력 영상의 크기와 같은 특징 맵으로 출력하는 과정은 각 컨벌루션 및 풀링 과정에서 추출된 다중 특징맵을 깊이 방향으로 평균화하여 평균 특징맵을 생성하고, 각 블록의 평균 특징맵을 이전 단계의 결함 활성화 맵과 픽셀별 곱 연산하는 과정을 반복하여 입력 영상의 크기와 같은 특징 맵을 생성하는 것을 특징으로 하는 머신러닝 기반 결함 분류 방법
|
12 |
12
제9항에 있어서,상기 이진화 영상을 생성하는 과정은 최종의 특징 맵에서 특정 임계치를 기준으로 특정 임계치 이상이면 1, 특정 임계치 미만이면 0으로 하여 이진화 영상을 생성하는 것을 특징으로 하는 머신러닝 기반 결함 분류 방법
|
13 |
13
제품의 입력 영상으로부터 다중 특징 맵(feature map)을 추출하는 특징 추출부와, 상기 특징 추출부에서 추출된 특징 맵을 완전 연결층의 신경망을 통해 분석하여 제품의 결함을 분류하는 분류부와, 상기 결함 분류 결과 제품 결함이 있는 경우 상기 특징 추출부에서 추출된 마지막 특징맵에 상기 완전 연결층의 가중치를 곱하여 생성한 결함 활성화 맵을 이용해 결함의 위치 및 형태를 검출하는 검출부를 포함하는 머신러닝 기반 결함 분류 장치
|
14 |
14
제13항에 있어서, 상기 검출부는 상기 생성된 결함 활성화 맵과 상기 특징 추출부에서 각 단계의 특징맵을 이용해 입력 영상의 크기와 같은 특징 맵을 생성하고, 상기 생성한 입력 영상의 크기와 같은 특징 맵을 특정 임계치로 이진화하여 이진화 영상을 출력하는 것을 특징으로 하는 머신러닝 기반 결함 분류 장치
|
15 |
15
머신러닝 기반 결함 분류 장치에서 제품의 결함 위치 및 형태를 검출하는 방법에 있어서, 제품의 입력 영상에 대해 특징 맵을 추출하는 특징 맵 추출 단계와,상기 추출된 특징 맵을 완전 연결층의 신경망을 통해 분석하여 제품의 결함을 분류하는 결함 분류 단계와, 상기 결함 분류 결과 제품 결함이 있는 경우 상기 특징 맵 추출 단계에서 마지막으로 추출된 특징맵에 상기 완전 연결층의 가중치를 곱하여 생성한 결함 활성화 맵을 이용해 결함의 위치 및 형태를 검출하는 결함 검출 단계를 포함하는 머신러닝 기반 결함 분류 방법
|
16 |
16
제16항에 있어서, 상기 결함 검출 단계는 상기 생성된 결함 활성화 맵과 상기 특징 맵 추출 단계의 각 부분에서 추출된 특징맵을 이용해 입력 영상의 크기와 같은 특징 맵을 생성하고, 상기 생성한 입력 영상의 크기와 같은 특징 맵을 특정 임계치로 이진화하여 이진화 영상을 생성하는 것을 특징으로 하는 머신러닝 기반 결함 분류 방법
|