1 |
1
원본 영상이 입력되면 상기 원본 영상과 동일하거나 유사한 복수개의 복원 영상을 생성하고, 상기 복원 영상을 이용하여 보간 영상을 생성하는 보간 영상 생성 모듈; 및상기 복원 영상과 상기 보간 영상을 딥러닝 방식으로 학습시켜서 제품의 결함을 분류하는 결함 검사 모듈;를 포함하는, 입출력 데이터 생성 및 변형을 이용한 딥러닝 기반 제품 결함 검사 시스템
|
2 |
2
제 1 항에 있어서,상기 보간 영상 생성 모듈은,입력된 원본 영상을 특징맵으로 맵핑하는 제 1 인코더;상기 특징맵을 제 1 복원용 제트값(Z1)에 기초하여 제 1 복원 영상으로 복원하고, 제 2 복원용 제트값(Z2)을 기초하여 제 2 복원 영상으로 복원하는 제 1 디코더; 및상기 특징맵을 상기 제 1 복원용 제트값(Z1)과 상기 제 2 복원용 제트값(Z2)을 모두 이용한 양자 보간식에 의해서 상기 양자 보간식의 변수(a)를 N회 변화시키면서 산출된 복수개의 제 N 보간 제트값(ZNnew)에 기초하여 복수개의 제 N 보간 영상으로 복원하는 제 2 디코더;를 포함하는, 입출력 데이터 생성 및 변형을 이용한 딥러닝 기반 제품 결함 검사 시스템
|
3 |
3
제 2 항에 있어서,상기 제 1 복원용 제트값과 상기 제 2 복원용 제트값은, 상기 제 1 복원 영상이 상기 원본 영상과 동일하거나 유사하게 생성되도록 학습되는 매개 랜덤 은닉 변수인, 입출력 데이터 생성 및 변형을 이용한 딥러닝 기반 제품 결함 검사 시스템
|
4 |
4
제 3 항에 있어서,상기 양자 보간식은,ZNnew = a*Z1 + (1-a)*Z2, (여기서, 0 003c# a 003c# 1)인, 입출력 데이터 생성 및 변형을 이용한 딥러닝 기반 제품 결함 검사 시스템
|
5 |
5
제 4 항에 있어서,상기 양자 보간식에 따른 새로운 레이블(label) Y는,YNnew = a*Y1 + (1-a)*Y2, (여기서, 0 003c# a 003c# 1)이고,[a, 1-a, 0, 0, 0,,,]과 같이
|
6 |
6
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, 입출력 데이터 생성 및 변형을 이용한 딥러닝 기반 제품 결함 검사 시스템
|
7 |
7
제 2 항에 있어서,상기 제 1 디코더 또는 상기 제 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, 입출력 데이터 생성 및 변형을 이용한 딥러닝 기반 제품 결함 검사 시스템
|
8 |
8
제 2 항에 있어서,상기 결함 검사 모듈은,적어도 컨볼루션 레이어, 풀링 레이어, 활성화 함수 및 이들의 조합들 중 어느 하나 이상을 포함하여 복수개의 상기 복원 영상 및 상기 보간 영상으로부터 결함 특징맵을 추출하는 결함 특징 추출부;적어도 디컨볼루션 레이어, 언풀링 레이어, 활성화 함수 및 이들의 조합들 중 어느 하나 이상을 포함하여 상기 결함 특징맵을 결함 복원 영상으로 복원하는 결함 복원부; 및상기 결함 복원 영상을 결함의 종류별로 분류하는 분류기;를 포함하는, 입출력 데이터 생성 및 변형을 이용한 딥러닝 기반 제품 결함 검사 시스템
|
9 |
9
(a) 원본 영상이 입력되면 상기 원본 영상과 동일하거나 유사한 복수개의 복원 영상을 생성하고, 상기 복원 영상을 이용하여 보간 영상을 생성하는 단계; 및(b) 상기 복원 영상과 상기 보간 영상을 딥러닝 방식으로 학습시켜서 제품의 결함을 분류하는 단계;를 포함하는, 입출력 데이터 생성 및 변형을 이용한 딥러닝 기반 제품 결함 검사 방법
|
10 |
10
제 9 항에 있어서,상기 (a) 단계는,(a-1) 입력된 원본 영상을 특징맵으로 맵핑하는 단계;(a-2) 상기 특징맵을 제 1 복원용 제트값(Z1)에 기초하여 제 1 복원 영상으로 복원하고, 제 2 복원용 제트값(Z2)을 기초하여 제 2 복원 영상으로 복원하는 단계; 및(a-3) 상기 특징맵을 상기 제 1 복원용 제트값(Z1)과 상기 제 2 복원용 제트값(Z2)을 모두 이용한 양자 보간식에 의해서 상기 양자 보간식의 변수(a)를 N회 변화시키면서 산출된 복수개의 제 N 보간 제트값(ZNnew)에 기초하여 복수개의 제 N 보간 영상으로 복원하는 단계;를 포함하는, 입출력 데이터 생성 및 변형을 이용한 딥러닝 기반 제품 결함 검사 방법
|
11 |
11
제 10 항에 있어서,상기 (b) 단계는,(b-1) 적어도 컨볼루션 레이어, 풀링 레이어, 활성화 함수 및 이들의 조합들 중 어느 하나 이상을 이용하여 복수개의 상기 복원 영상 및 상기 보간 영상으로부터 결함 특징맵을 추출하는 단계;(b-2) 적어도 디컨볼루션 레이어, 언풀링 레이어, 활성화 함수 및 이들의 조합들 중 어느 하나 이상을 포함하여 상기 결함 특징맵을 결함 복원 영상으로 복원하는 단계; 및(b-3) 상기 결함 복원 영상을 결함의 종류별로 분류하는 단계;를 포함하는, 입출력 데이터 생성 및 변형을 이용한 딥러닝 기반 제품 결함 검사 방법
|