1 |
1
용접의 품질 평가 모델의 학습 장치에 있어서,가스 텅스텐 아크 용접을 수행하는 용접 장치, 및 영상 획득 장치 각각과 연결하기 위한 인터페이스;상기 용접 장치 및 상기 영상 획득 장치로부터, 상기 가스 텅스텐 아크 용접의 용접 단계별 용접 데이터를 수신하고, 수신된 용접 데이터로부터 복수의 특징 변수값들을 추출하고, 상기 복수의 특징 변수값들, 및 상기 가스 텅스텐 아크 용접의 품질과 관련된 레이블을 이용하여 품질 평가 모델의 학습을 제어하는 제어부; 및상기 학습된 품질 평가 모델을 저장하는 메모리를 포함하는, 학습 장치
|
2 |
2
제1항에 있어서, 상기 가스 텅스텐 아크 용접은 적어도 하나의 패스 용접을 포함하고,상기 용접 단계별 용접 데이터는,상기 적어도 하나의 패스 용접 각각에서 상기 용접 장치에 의해 센싱되는 적어도 하나의 센싱 데이터를 포함하는,학습 장치
|
3 |
3
제2항에 있어서, 상기 적어도 하나의 센싱 데이터 각각으로부터 추출되는 특징 변수값들은,상기 적어도 하나의 패스 용접 각각의 용접 전압, 용접 전류, 송급 속도, 및 상기 용접 장치의 팁과 용접점 사이의 거리에 대한 값들을 포함하는,학습 장치
|
4 |
4
제1항에 있어서, 상기 가스 텅스텐 아크 용접은 적어도 하나의 패스 용접을 포함하고,상기 용접 단계별 용접 데이터는,상기 적어도 하나의 패스 용접 각각의 수행 이전 시점 및 수행 이후 시점 각각에서 상기 영상 획득 장치에 의해 획득되는 복수의 영상 데이터를 포함하는,학습 장치
|
5 |
5
제4항에 있어서, 상기 복수의 영상 데이터는,상기 적어도 하나의 패스 용접의 수행 이전에 획득되는 제1 영상 데이터, 상기 적어도 하나의 패스 용접의 수행 이후에 획득되는 제2 영상 데이터를 포함하는, 학습 장치
|
6 |
6
제5항에 있어서, 상기 제1 영상 데이터로부터 추출되는 특징 변수값들은, 모재들 사이의 그루브의 너비, 깊이, 각도, 및 면적에 대한 값들을 포함하고,상기 제2 영상 데이터로부터 추출되는 특징 변수값들은,비드의 너비, 높이, 면적, 및 상기 비드의 가장자리의 접선들 각각의 각도에 대한 값들을 포함하는,학습 장치
|
7 |
7
제5항에 있어서,상기 적어도 하나의 패스 용접은 제1 패스 용접 및 제2 패스 용접을 포함하고,상기 복수의 영상 데이터는,상기 제1 패스 용접과 상기 제2 패스 용접 사이의 시점에 획득되는 제3 영상 데이터를 더 포함하고,상기 제3 영상 데이터로부터 획득되는 특징 변수값들은,비드의 너비, 모재들의 상면으로부터 상기 비드의 최고점까지의 깊이, 및 상기 모재들 사이의 그루브의 잔여 면적에 대한 값들을 포함하는,학습 장치
|
8 |
8
제1항에 있어서, 상기 품질 평가 모델은 ANN(artificial neural network) 또는 CNN(convolutional neural network)로 구현되는,학습 장치
|
9 |
9
제8항에 있어서, 상기 품질 평가 모델은,상기 복수의 특징 변수값들에 기초하여 상기 가스 텅스텐 아크 용접의 품질을 나타내는 값을 출력하는,학습 장치
|
10 |
10
용접의 품질 평가 모델의 학습 장치를 이용한 학습 방법에 있어서,가스 텅스텐 아크 용접의 용접 단계별 용접 데이터를 획득하는 단계;획득된 용접 데이터로부터 복수의 특징 변수값들을 추출하는 단계; 및상기 복수의 특징 변수값들, 및 상기 가스 텅스텐 아크 용접의 품질과 관련된 레이블을 이용하여 상기 품질 평가 모델의 학습을 제어하는 단계를 포함하는,학습 방법
|
11 |
11
제10항에 있어서, 상기 가스 텅스텐 아크 용접은 적어도 하나의 패스 용접을 포함하고,상기 용접 단계별 용접 데이터를 획득하는 단계는,상기 학습 장치와 연결된 용접 장치로부터, 상기 적어도 하나의 패스 용접 각각에서 센싱된 적어도 하나의 센싱 데이터를 획득하는 단계; 및상기 학습 장치와 연결되거나 상기 학습 장치에 포함된 영상 획득 장치로부터, 상기 적어도 하나의 패스 용접 각각의 수행 이전 시점 및 수행 이후 시점 각각에서 획득된 복수의 영상 데이터를 획득하는 단계를 포함하는,학습 방법
|
12 |
12
제11항에 있어서, 상기 적어도 하나의 센싱 데이터 각각으로부터 추출되는 특징 변수값들은,상기 적어도 하나의 패스 용접 각각의 용접 전압, 용접 전류, 송급 속도, 및 상기 용접 장치의 팁과 용접점 사이의 거리에 대한 값들을 포함하는,학습 방법
|
13 |
13
제11항에 있어서, 상기 복수의 영상 데이터는,상기 적어도 하나의 패스 용접의 수행 이전에 획득되는 제1 영상 데이터, 및 상기 적어도 하나의 패스 용접의 수행 이후에 획득되는 제2 영상 데이터를 포함하고,상기 제1 영상 데이터로부터 추출되는 특징 변수값들은,모재들 사이의 그루브의 너비, 깊이, 각도, 및 면적에 대한 값들을 포함하고,상기 제2 영상 데이터로부터 추출되는 특징 변수값들은,비드의 너비, 높이, 면적, 및 상기 비드의 가장자리의 접선들 각각의 각도에 대한 값들을 포함하는,학습 방법
|
14 |
14
제13항에 있어서, 상기 적어도 하나의 패스 용접은 제1 패스 용접 및 제2 패스 용접을 포함하고,상기 복수의 영상 데이터는,상기 제1 패스 용접과 상기 제2 패스 용접 사이의 시점에 획득되는 제3 영상 데이터를 더 포함하고,상기 제3 영상 데이터로부터 획득되는 특징 변수값들은,비드의 너비, 모재들의 상면으로부터 상기 비드의 최고점까지의 깊이, 및 상기 모재들 사이의 그루브의 잔여 면적에 대한 값들을 포함하는,학습 방법
|
15 |
15
가스 텅스텐 아크 용접의 품질 평가 모델을 이용하여 상기 가스 텅스텐 아크 용접의 품질을 평가하는 평가 장치에 있어서,상기 품질 평가 모델을 저장하는 메모리;상기 가스 텅스텐 아크 용접을 수행하는 용접 장치와 연결하기 위한 인터페이스; 및영상 획득 장치 및 상기 용접 장치로부터, 상기 가스 텅스텐 아크 용접의 용접 단계별 용접 데이터를 수신하고, 수신된 용접 데이터로부터 복수의 특징 변수값들을 추출하고, 추출된 복수의 특징 변수값들을 상기 품질 평가 모델로 입력하고, 상기 품질 평가 모델의 출력값에 기초하여 상기 가스 텅스텐 아크 용접의 품질을 나타내는 결과를 제공하는 제어부를 포함하는, 평가 장치
|
16 |
16
제15항에 있어서, 상기 품질 평가 모델은 ANN(artificial neural network) 또는 CNN(convolutional neural network)로 구현되는,평가 장치
|
17 |
17
제16항에 있어서, 상기 제어부는,상기 복수의 특징 변수값들 및 상기 결과에 기초하여 상기 품질 평가 모델의 학습을 제어하는,평가 장치
|
18 |
18
제15항에 있어서, 상기 가스 텅스텐 아크 용접의 품질을 나타내는 결과를 출력하는 출력부를 더 포함하고,상기 출력부는 디스플레이, 스피커, 광원, 및 버저(buzzer) 중 적어도 하나를 포함하는,평가 장치
|