[发明专利]用于产品生产线上的视觉检查的基于AI的新学习模型生成系统

说明书

在本发明的用于产品生产线上的视觉检查的基于AI的新学习模型生成系统中，在为了产品生产线上的视觉检查而在已生成的现有学习模型的学习中应用的多个学习数据集中，后补集提取模块基于判断类型信息而提取2个以上的后补数据集。并且，追加集决定模块算出新学习数据与后补数据集的学习图像之间的类似度，将基准值以上的任一个决定为追加学习数据。并且，新模型生成模块使预训练模型学习追加学习数据集和新学习数据而生成新学习模型。由此，在用少量的新学习数据生成新学习模型时，与新学习数据类似的以往的学习数据集追加地应用于学习，从而能够提高新学习模型的判断准确度。

技术领域

本发明涉及用于产品生产线上的视觉检查的基于AI的新学习模型生成系统，更具体地，涉及将在已登记的现有学习模型的生成中使用的学习数据集使用于新学习模型的生成的用于产品生产线上的视觉检查的基于AI的新学习模型生成系统。

背景技术

作为AI(Artificial intelligence：人工智能)技术之一的深度学习(Deeplearning)技术是指，模仿人的神经细胞(Biological Neuron：生物神经元)而使机器学习的基于人工神经网络(Artificial Neural Network)的机器学习方法。近年来，随着深度学习技术对图像识别、语音识别、自然语言处理的发展做出贡献而大受关注。

这样的深度学习技术近年来还应用于产品生产线上的视觉检查(Visioninspection)。作为一例，在韩国公开专利公报第10-2019-0063839号中公开了“在制造工序中应用了深度学习的基于机器视觉的质量检查方法及系统”。

在上述韩国公开专利公报中公开的技术中，生成学习用产品影像，使用来区分优良品和不良品的分类机学习生成的学习用产品影像，并利用经过学习的分类机而将产品判断为优良品或不良品。

在上述韩国公开专利公报中公开的技术这样的深度学习技术中，将记录了优良品和不良品的图像数据和该图像是不良品图像还是优良品图像的标签信息输入到分类机这样的学习模型以进行学习，由此生成用于进行优良及不良检查的新的学习模型。

在一般情况下，在产品生产线上进行各种形态的不良检查。在用于生产一个产品的产品生产线上包括注塑工序、板材成型工序、子组装工序、总组装工序等多个工序，对各个工序中的结果物，例如通过注塑或板材成型而制造的部件、通过部件的组装工序而生产的子部件、通过总组装工序而生产的产品分别进行视觉检查。

图1是概略性地示出一般的产品生产线的例子的图。

参照图1，产品生产线包括注塑工序、板材成型工序、子组装工序、总组装工序。注塑工序、板材成型工序中以注塑或板材成型方式制造产品生产中所需的部件，而在一个产品生产线上包括多个注塑工序或板材成型工序。

在通过注塑工序或板材成型工序而制造的部件中存在各种形态的不良，例如凹痕(Dent)、裂痕(Crack)、划痕(Scratch)等不良，因此包括用于检查这样的不良的凹痕检查、裂痕检查、划痕检查过程。

子组装工序作为组装部件而生产子部件的工序，如图1所示，子部件又经过凹痕检查、裂痕检查、划痕检查过程，追加地还会包括部件遗漏或不对齐(Miss align)这样的组装不良检查过程。

总组装工序作为将子部件组装而生产产品的工序，进行外观检查过程，例如异物附着、组装不良等外观检查过程。在总组装工序中，也会经过凹痕检查、裂痕检查、划痕检查过程。

但是，各个工序的结果物不同，因此用作学习数据的图像的形态不同，即便是相同的不良类型，根据结果物，不良的形态会不同，并且作为其背景的结果物本身也会不同，其结果图像的形态会不同，理论上需要根据各个工序的结果物和不良的类型而生成各个学习模型来进行应用。