맞춤기술찾기

이전대상기술

검사 대상에 존재하는 결함을 검사하는 방법 및 이를 수행하는 장치들

  • 기술번호 : KST2021010266
  • 담당센터 : 경기기술혁신센터
  • 전화번호 : 031-8006-1570
요약, Int. CL, CPC, 출원번호/일자, 출원인, 등록번호/일자, 공개번호/일자, 공고번호/일자, 국제출원번호/일자, 국제공개번호/일자, 우선권정보, 법적상태, 심사진행상태, 심판사항, 구분, 원출원번호/일자, 관련 출원번호, 기술이전 희망, 심사청구여부/일자, 심사청구항수의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 서지정보 표입니다.
요약 검사 대상에 존재하는 결함을 검사하는 방법 및 이를 수행하는 장치들이 개시된다. 일 실시예에 따른 검사 대상에 존재하는 결함을 검사하는 방법은, 상기 검사 대상에서 발생 가능한 복수의 결함들 중에서 학습 데이터 수가 적은 제1 결함을 제외한 나머지 결함들에 대한 학습 데이터를 이용하여 인공 신경망을 학습하는 단계와, 상기 제1 결함에 대한 학습 데이터의 클래스 값을 상기 나머지 결함들 중에서 상기 제1 결함과 유사한 제2 결함의 클래스 값으로 변경하는 단계와, 상기 나머지 결함들에 대한 학습 데이터와 클래스 값이 변경된 학습 데이터를 이용하여 학습된 인공 신경망을 재학습하는 단계와, 상기 학습된 인공 신경망 및 재학습된 인공 신경망을 이용하여 상기 검사 대상에 결함이 존재하는지 여부를 검사하는 단계를 포함한다.
Int. CL G01N 21/88 (2006.01.01) G06N 3/08 (2006.01.01) G06T 7/00 (2017.01.01)
CPC G01N 21/8851(2013.01) G06N 3/08(2013.01) G06T 7/0002(2013.01) G01N 2021/8887(2013.01) G06T 2207/20084(2013.01)
출원번호/일자 1020200072380 (2020.06.15)
출원인 한국생산기술연구원
등록번호/일자 10-2298708-0000 (2021.08.31)
공개번호/일자
공고번호/일자 (20210907) 문서열기
국제출원번호/일자
국제공개번호/일자
우선권정보
법적상태 등록
심사진행상태 수리
심판사항
구분 국내출원/신규
원출원번호/일자
관련 출원번호
심사청구여부/일자 Y (2020.06.15)
심사청구항수 10

출원인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 출원인 표입니다.
번호 이름 국적 주소
1 한국생산기술연구원 대한민국 충청남도 천안시 서북구

발명자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 발명자 표입니다.
번호 이름 국적 주소
1 윤종필 경상북도 포항시 남구
2 정승현 대구광역시 동구

대리인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 대리인 표입니다.
번호 이름 국적 주소
1 특허법인 무한 대한민국 서울특별시 강남구 언주로 ***, *층(역삼동,화물재단빌딩)

최종권리자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 최종권리자 표입니다.
번호 이름 국적 주소
1 한국생산기술연구원 충청남도 천안시 서북구
번호, 서류명, 접수/발송일자, 처리상태, 접수/발송일자의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 행정처리 표입니다.
번호 서류명 접수/발송일자 처리상태 접수/발송번호
1 [특허출원]특허출원서
[Patent Application] Patent Application
2020.06.15 수리 (Accepted) 1-1-2020-0613066-97
2 선행기술조사의뢰서
Request for Prior Art Search
2020.12.15 수리 (Accepted) 9-1-9999-9999999-89
3 심사처리보류(연기)보고서
Report of Deferment (Postponement) of Processing of Examination
2021.02.22 발송처리완료 (Completion of Transmission) 9-6-2021-0035242-84
4 선행기술조사보고서
Report of Prior Art Search
2021.03.24 발송처리완료 (Completion of Transmission) 9-6-2021-0056543-58
5 의견제출통지서
Notification of reason for refusal
2021.03.26 발송처리완료 (Completion of Transmission) 9-5-2021-0245615-57
6 [명세서등 보정]보정서
[Amendment to Description, etc.] Amendment
2021.05.04 보정승인간주 (Regarded as an acceptance of amendment) 1-1-2021-0517959-58
7 [거절이유 등 통지에 따른 의견]의견서·답변서·소명서
2021.05.04 수리 (Accepted) 1-1-2021-0517960-05
8 등록결정서
Decision to grant
2021.08.27 발송처리완료 (Completion of Transmission) 9-5-2021-0681267-76
번호, 청구항의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 청구항 표입니다.
번호 청구항
1 1
검사 대상에 존재하는 결함을 검사하는 방법에 있어서,상기 검사 대상에서 발생 가능한 복수의 결함들 중에서 제1 결함을 제외한 나머지 결함들에 대한 학습 데이터를 이용하여 인공 신경망을 학습하는 단계;상기 제1 결함에 대한 학습 데이터의 클래스 값을 상기 나머지 결함들 중에서 상기 제1 결함과 유사한 제2 결함의 클래스 값으로 변경하는 단계;상기 나머지 결함들에 대한 학습 데이터와 클래스 값이 변경된 학습 데이터를 이용하여 학습된 인공 신경망을 재학습하는 단계; 및상기 학습된 인공 신경망 및 재학습된 인공 신경망을 이용하여 상기 검사 대상에 결함이 존재하는지 여부를 검사하는 단계를 포함하고,상기 제1 결함은 상기 나머지 결함들에 대한 학습 데이터 수보다 학습 데이터 수가 적어 상기 인공 신경망을 학습시킬 수 없는 결함인,상기 나머지 결함들은 상기 제1 결함보다 학습 데이터 수가 많아 상기 인공 신경망을 학습시킬 수 있는 결함인, 방법
2 2
제1항에 있어서,각 클래스 값은 각 결함을 대표하는 식별값이고,각 학습 데이터는 각 결함을 포함하는 검사 대상에 대한 이미지 데이터이고, 클래스 값이 레이블링되는, 방법
3 3
제1항에 있어서,상기 변경하는 단계는,상기 학습된 인공 신경망에 상기 제1 결함에 대한 학습 데이터들을 입력하여 상기 나머지 결함들 중에서 상기 제2 결함을 추출하는 단계; 및상기 제1 결함에 대한 학습 데이터의 클래스 값을 상기 제2 결함의 클래스 값으로 변경하는 단계를 포함하는, 방법
4 4
제1항에 있어서,상기 검사하는 단계는,상기 검사 대상의 이미지 데이터를 획득하는 단계;상기 학습된 인공 신경망에 상기 이미지 데이터를 입력하여 상기 검사 대상에 결함이 존재하는지 여부를 판단하는 단계; 및상기 재학습된 인공 신경망을 이용하여 상기 검사 대상에 존재하는 결함을 상기 복수의 결함들 중에서 어느 하나의 결함으로 분류하는 단계를 포함하는, 방법
5 5
제4항에 있어서,상기 분류하는 단계는,상기 검사 대상에 존재하는 결함이 상기 제1 결함 또는 상기 제2 결함인 경우,상기 학습된 인공 신경망을 이용하여 상기 이미지의 특징 및 상기 제2 결함을 대표하는 대표 이미지의 특징을 추출하는 단계; 및상기 이미지의 특징 및 상기 대표 이미지의 특징 간의 차이값에 기초하여 상기 검사 대상에 존재하는 결함을 상기 제1 결함 또는 상기 제2 결함으로 분류하는 단계를 포함하는, 방법
6 6
검사 대상에 존재하는 결함을 검사하는 장치에 있어서,인스트럭션들을 포함하는 메모리; 및상기 인스트럭션들을 실행하기 위한 컨트롤러를 포함하고,상기 컨트롤러는,상기 검사 대상에서 발생 가능한 복수의 결함들 중에서 제1 결함을 제외한 나머지 결함들에 대한 학습 데이터를 이용하여 인공 신경망을 학습하고, 상기 제1 결함에 대한 학습 데이터의 클래스 값을 상기 나머지 결함들 중에서 상기 제1 결함과 유사한 제2 결함의 클래스 값으로 변경하고, 상기 나머지 결함들에 대한 학습 데이터와 클래스 값이 변경된 학습 데이터를 이용하여 학습된 인공 신경망을 재학습하고, 상기 학습된 인공 신경망 및 재학습된 인공 신경망을 이용하여 상기 검사 대상에 결함이 존재하는지 여부를 검사하고,상기 제1 결함은 상기 나머지 결함들에 대한 학습 데이터 수보다 학습 데이터 수가 적어 상기 인공 신경망을 학습시킬 수 없는 결함이고,상기 나머지 결함들은 상기 제1 결함보다 학습 데이터 수가 많아 상기 인공 신경망을 학습시킬 수 있는 결함인, 장치
7 7
제6항에 있어서,각 클래스 값은 각 결함을 대표하는 식별값이고,각 학습 데이터는 각 결함을 포함하는 검사 대상에 대한 이미지 데이터이고, 클래스 값이 레이블링되는, 장치
8 8
제6항에 있어서,상기 컨트롤러는,상기 학습된 인공 신경망에 상기 제1 결함에 대한 학습 데이터들을 입력하여 상기 나머지 결함들 중에서 상기 제2 결함을 추출하고, 상기 제1 결함에 대한 학습 데이터의 클래스 값을 상기 제2 결함의 클래스 값으로 변경하는, 장치
9 9
제6항에 있어서,상기 컨트롤러는,상기 검사 대상의 이미지 데이터를 획득하고, 상기 학습된 인공 신경망에 상기 이미지 데이터를 입력하여 상기 검사 대상에 결함이 존재하는지 여부를 판단하고, 상기 재학습된 인공 신경망을 이용하여 상기 검사 대상에 존재하는 결함을 상기 복수의 결함들 중에서 어느 하나의 결함으로 분류하는, 장치
10 10
제9항에 있어서,상기 컨트롤러는,상기 검사 대상에 존재하는 결함이 상기 제1 결함 또는 상기 제2 결함인 경우,상기 학습된 인공 신경망을 이용하여 상기 이미지의 특징 및 상기 제2 결함을 대표하는 대표 이미지의 특징을 추출하고, 상기 이미지의 특징 및 상기 대표 이미지의 특징 간의 차이값에 기초하여 상기 검사 대상에 존재하는 결함을 상기 제1 결함 또는 상기 제2 결함으로 분류하는, 장치
지정국 정보가 없습니다
패밀리정보가 없습니다
국가 R&D 정보가 없습니다.