| 1 |
1
원본 영상이 입력되면 상기 원본 영상과 동일하거나 유사한 제 1 복원 영상을 생성하고, 상기 제 1 복원 영상의 제 1 이진 영상을 생성하는 데이터 페어 생성 모듈; 및상기 데이터 페어 생성 모듈에서 출력된 상기 제 1 복원 영상을 입력으로 하고, 결함의 형상이 이진 영상으로 두드러지게 나타낼 수 있는 상기 제 1 이진 영상을 출력으로 하여 딥러닝 방식으로 다수회 반복하면서 내부 가중치를 학습시켜서 이후 입력된 제 1 복원 영상을 반복 학습된 가중치를 이용하여 출력된 제 1 이진 영상의 형상을 이용하여 제품의 결함을 검사하는 결함 검사 모듈;을 포함하는, 데이터 페어 생성 기술을 이용한 딥러닝 기반 제품 결함 검사 시스템
|
| 2 |
2
제 1 항에 있어서,상기 데이터 페어 생성 모듈은,입력된 원본 영상을 특징맵으로 맵핑하는 제 1 인코더;상기 특징맵을 제 1 복원용 제트값에 기초하여 상기 제 1 복원 영상으로 복원하는 제 1-1 디코더; 및상기 특징맵을 제 1 이진용 제트값에 기초하여 상기 제 1 이진 영상으로 복원하는 제 1-2 디코더;를 포함하는, 데이터 페어 생성 기술을 이용한 딥러닝 기반 제품 결함 검사 시스템
|
| 3 |
3
제 2 항에 있어서,상기 제 1 복원용 제트값은, 상기 제 1 복원 영상이 상기 원본 영상과 동일하거나 유사하게 생성되도록 학습되는 매개 랜덤 은닉 변수이고,상기 제 1 이진용 제트값은, 상기 제 1 이진 영상이 상기 제 1 복원 영상의 이진화된 페어 영상으로 생성되도록 학습되는 매개 랜덤 은닉 변수인, 데이터 페어 생성 기술을 이용한 딥러닝 기반 제품 결함 검사 시스템
|
| 4 |
4
제 2 항에 있어서,상기 제 1 인코더는,필터로 입력값을 컨볼루션하여 보다 작은 사이즈의 특징맵을 추출하는 컨볼루션 레이어(convolution layer);배치의 평균이나 표준편차를 기초로 정규화된 출력값을 생성하는 배치 정규화 레이어(batch normalization layer);컨볼루션 연산 이후에 추가적으로 데이터를 활성화하는 활성화 함수(activation function); 및특징맵에서 풀링 커널 크기만큼의 데이터를 더 작은 사이즈의 데이터로 서브샘플링하는 풀링 레이어(pooling layer);를 포함하는, 데이터 페어 생성 기술을 이용한 딥러닝 기반 제품 결함 검사 시스템
|
| 5 |
5
제 2 항에 있어서,상기 제 1-1 디코더 또는 상기 제 1-2 디코더는,필터로 입력값을 디컨볼루션하여 보다 큰 사이즈의 특징맵을 추출하는 디컨볼루션 레이어(deconvolution layer);배치의 평균이나 표준편차를 기초로 정규화된 출력값을 생성하는 배치 정규화 레이어(batch normalization layer);컨볼루션 연산 이후에 추가적으로 데이터를 활성화하는 활성화 함수(activation function); 및특징맵에서 풀링 커널 크기만큼의 데이터를 더 큰 사이즈의 데이터로 업샘플링하는 언풀링 레이어(unpooling layer);를 포함하는, 데이터 페어 생성 기술을 이용한 딥러닝 기반 제품 결함 검사 시스템
|
| 6 |
6
제 2 항에 있어서,상기 데이터 페어 생성 모듈은,상기 특징맵을 제 N 복원용 제트값에 기초하여 제 N 복원 영상으로 복원하는 제 N-1 디코더; 및상기 특징맵을 제 N 이진용 제트값에 기초하여 제 N 이진 영상으로 복원하는 제 N-2 디코더;를 더 포함하는, 데이터 페어 생성 기술을 이용한 딥러닝 기반 제품 결함 검사 시스템
|
| 7 |
7
제 1 항에 있어서,상기 결함 검사 모듈은,적어도 컨볼루션 레이어, 풀링 레이어, 활성화 함수 및 이들의 조합들 중 어느 하나 이상을 포함하여 결함 특징맵을 추출하는 결함 특징 추출부; 및적어도 디컨볼루션 레이어, 언풀링 레이어, 활성화 함수 및 이들의 조합들 중 어느 하나 이상을 포함하여 상기 결함 특징맵을 결함 복원 영상으로 복원하는 결함 복원부;를 포함하는, 데이터 페어 생성 기술을 이용한 딥러닝 기반 제품 결함 검사 시스템
|
| 8 |
8
(a) 원본 영상이 입력되면 상기 원본 영상과 동일하거나 유사한 제 1 복원 영상을 생성하고, 상기 제 1 복원 영상의 제 1 이진 영상을 생성하는 단계; 및(b) 결함으로 판정된 상기 제 1 복원 영상을 입력으로 하고, 결함의 형상이 이진 영상으로 두드러지게 나타낼 수 있는 상기 제 1 이진 영상을 출력으로 하여 딥러닝 방식으로 다수회 반복하면서 내부 가중치를 학습시켜서 이후 입력된 제 1 복원 영상을 반복 학습된 가중치를 이용하여 출력된 제 1 이진 영상의 형상을 이용하여 제품의 결함을 검사하는 단계;를 포함하는, 데이터 페어 생성 기술을 이용한 딥러닝 기반 제품 결함 검사 방법
|
| 9 |
9
제 8 항에 있어서,상기 (a) 단계는,(a-1) 입력된 상기 원본 영상을 특징맵으로 맵핑하는 단계;(a-2) 상기 특징맵을 제 1 복원용 제트값에 기초하여 상기 제 1 복원 영상으로 복원하는 단계; 및(a-3) 상기 특징맵을 제 1 이진용 제트값에 기초하여 상기 제 1 이진 영상으로 복원하는 단계;를 포함하는, 데이터 페어 생성 기술을 이용한 딥러닝 기반 제품 결함 검사 방법
|
| 10 |
10
제 9 항에 있어서,상기 (a) 단계는,(a-4) 상기 특징맵을 제 N 복원용 제트값에 기초하여 제 N 복원 영상으로 복원하는 단계; 및(a-5) 상기 특징맵을 제 N 이진용 제트값에 기초하여 제 N 이진 영상으로 복원하는 단계;를 더 포함하는, 데이터 페어 생성 기술을 이용한 딥러닝 기반 제품 결함 검사 방법
|
| 11 |
11
제 8 항에 있어서,상기 (b) 단계는,(b-1) 적어도 컨볼루션 레이어, 풀링 레이어, 활성화 함수 및 이들의 조합들 중 어느 하나 이상을 이용하여 결함 특징맵을 추출하는 단계; 및(b-2) 적어도 디컨볼루션 레이어, 언풀링 레이어, 활성화 함수 및 이들의 조합들 중 어느 하나 이상을 이용하여 상기 결함 특징맵을 결함 복원 영상으로 복원하는 단계;를 포함하는, 데이터 페어 생성 기술을 이용한 딥러닝 기반 제품 결함 검사 방법
|
