KR102174424B1 - 서버 기반 부품 검사방법 및 그를 위한 시스템 및 장치 - Google Patents
서버 기반 부품 검사방법 및 그를 위한 시스템 및 장치 Download PDFInfo
- Publication number
- KR102174424B1 KR102174424B1 KR1020190061449A KR20190061449A KR102174424B1 KR 102174424 B1 KR102174424 B1 KR 102174424B1 KR 1020190061449 A KR1020190061449 A KR 1020190061449A KR 20190061449 A KR20190061449 A KR 20190061449A KR 102174424 B1 KR102174424 B1 KR 102174424B1
- Authority
- KR
- South Korea
- Prior art keywords
- defect
- parts
- classification
- component
- inspection
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biochemistry (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
본 실시예는 고성능 연산장치를 탑재한 하나의 딥러닝 서버와 다수의 AOI를 연결하고, 딥러닝 서버로 하여금 AOI로부터 수집된 PCB 이미지들에 대한 결함 분류 및 이에 대한 데이터베이스를 통합 관리하도록 구현함으로써 부품 검사와 관련한 검사 효율 및 성능을 향상시킬 수 있는 서버 기반 부품 검사방법 및 그를 위한 시스템 및 장치에 관한 것이다.
Description
본 실시예는 인쇄회로기판 부품 검사를 위한 데이터베이스 서버 기반 부품 검사방법 및 그를 위한 시스템 및 장치에 관한 것이다.
이하에 기술되는 내용은 단순히 본 실시예와 관련되는 배경 정보만을 제공할 뿐 종래기술을 구성하는 것이 아니다.
인쇄회로기판(Printed Circuit Board, PCB) 표면에 부품을 실장하는 SMT(Surface Mount Technology) 공정에서는 기판 및 부품 검사를 위한 자동광학검사기(Automated Optical Inspector, AOI) (이하 ‘AOI’)가 필수적으로 사용된다.
AOI는 카메라로 촬영한 PCB 영상으로부터 부품 및 기판의 결함을 검사하는 장비이다. AOI는 SMT 공정에서 발생하는 기판 및 부품 결함을 영상처리 및 기계학습 알고리즘으로 검사한다. 특히 기계학습 방법 중 딥러닝은 손쉬운 사용방법과 높은 정확도를 바탕으로 산업 전반에서 활용도를 높여가고 있다.
그러나 딥러닝은 많은 연산량을 요구하기 때문에 이를 처리할 수 있는 고성능의 연산장치가 요구된다. 기존 방법은 각 AOI당 하나 이상의 고성능 연산장치의 장착을 필요로 함에 따라 가격적 부담이 크다는 문제가 존재한다.
또한, 기존 방법에 의하는 경우 각 AOI마다 딥러닝 분류기가 별도로 존재하며, 검사 결과 데이터에 대한 피드백은 해당 AOI에 한해서 이루어진다. 따라서 검사 결과 데이터에 대한 피드백을 통합관리하기 어려우며 AOI 검사 성능의 편차가 발생할 수 있다. 더욱이, 기존 방법은 단순히 모든 부품 이미지를 하나의 딥러닝 네트워크에 학습하여 판별하는 방식으로, 분류할 결함의 종류가 많아질수록 결함 분류가 어려우며, 세부적인 결함 분류가 어렵다는 한계가 존재한다.
본 실시예는, 고성능 연산장치를 탑재한 하나의 딥러닝 서버와 다수의 AOI를 연결하고, 딥러닝 서버로 하여금 AOI로부터 수집된 PCB 이미지들에 대한 결함 분류 및 이에 대한 데이터베이스를 통합 관리하도록 구현함으로써 부품 검사와 관련한 검사 효율 및 성능을 향상시키고 하는 데 그 목적이 있다.
본 실시예는, 복수의 부품검사 장치 각각으로부터 PCB 이미지를 수신하고, 상기 PCB 이미지 내 부품 이미지들을 추출하여 적어도 하나 이상의 부품 그룹들로 분류하는 부품 분류부; 딥러닝 알고리즘을 이용한 적어도 하나의 학습 모델을 기반으로 상기 부품 그룹별 대응되는 대응 부품들에 대한 결함 발생 여부를 판정하여 분류하는 결함 분류부; 상기 부품 분류부 및 상기 결함 분류부의 분류결과를 상기 부품 이미지들과 매칭시켜 저장하여 부품 이미지별 상기 분류결과를 정의한 데이터베이스를 구축하는 저장부; 및 상기 데이터베이스를 기반으로 상기 결함 분류부의 상기 학습 모델을 트레이닝시키는 트레이닝부를 포함하는 것을 특징으로 하는 부품검사 학습 서버장치를 제공한다.
또한, 본 실시예의 다른 측면에 의하면, 부품검사 학습 서버장치의 부품검사 방법에 있어서, 복수의 부품검사 장치 각각으로부터 PCB 이미지를 수신하고, 상기 PCB 이미지 내 부품 이미지들을 추출하여 적어도 하나 이상의 부품 그룹들로 분류하는 부품 분류 과정; 딥러닝 알고리즘을 이용한 적어도 하나의 학습 모델을 기반으로 상기 부품 그룹별 대응되는 대응 부품들에 대한 결함 발생 여부를 판정하여 분류하는 결함 분류 과정; 상기 부품 분류 과정 및 상기 결함 분류 과정의 분류결과를 상기 부품 이미지들과 매칭시켜 저장하여 부품 이미지별 상기 분류결과를 정의한 데이터베이스를 구축하는 과정; 및 상기 데이터베이스를 기반으로 상기 결함 분류 과정에서 활용되는 상기 학습 모델을 트레이닝시키는 과정을 포함하는 것을 특징으로 하는 부품검사 방법을 제공한다.
또한, 본 실시예의 다른 측면에 의하면, 인쇄회로기판을 촬영한 PCB 이미지를 수집하여 제공하며, 상기 PCB 이미지를 기반으로 도출된 분류결과를 공유받아 출력하는 복수의 부품검사 장치; 및 상기 복수의 부품검사 장치로부터 각각 상기 PCB 이미지를 제공받아, 상기 PCB 이미지 내 부품 이미지들을 하나 이상의 부품 그룹들로 분류한 부품 분류결과 및 딥러닝 알고리즘을 이용한 적어도 하나의 학습 모델을 기반으로 상기 부품 그룹별 대응되는 대응 부품들에 대한 결함 발생 여부를 판정하여 분류한 결함 분류결과를 상기 부품검사 장치로 제공하며, 상기 부품 분류결과 및 상기 결함 분류결과를 토대로 구축되는 데이터베이스를 기반으로 상기 학습 모델을 트레이닝시키는 부품검사 학습 서버장치를 포함하는 것을 특징으로 하는 부품검사 시스템를 제공한다.
본 실시예에 의하면, 고성능 연산장치를 탑재한 하나의 딥러닝 서버와 다수의 AOI를 연결하고, 딥러닝 서버로 하여금 AOI로부터 수집된 PCB 이미지들에 대한 결함 분류 및 이에 대한 데이터베이스를 통합 관리하도록 구현함으로써 부품 검사와 관련한 검사 효율 및 성능을 향상시킬 수 있는 효과가 있다.
또한, 본 실시예에 의하면, 기존 각 AOI 당 탑재되던 고성능 연산장치를 딥러닝 서버에만 탑재하여 딥러닝 시스템의 진입 장벽을 완화하고 기존 AOI와의 호환성을 높일 수 있다.
또한, 본 실시예에 의하면, 데이터베이스의 통합 관리를 통하여 부품검사 시스템의 검사 정확도를 높일 수 있다.
또한, 본 실시예에 의하면, 세분화된 부품 및 결함 분류 과정으로 제조 과정에서 발생하는 결함에 대하여 세밀한 결함 원인 분석이 가능한 효과가 있다.
도 1은 본 실시예에 따른 부품검사 시스템의 구조를 개략적으로 나타낸 도면이다.
도 2는 본 실시예에 따른 부품검사 시스템의 부품 검사방법을 설명하기 위한 흐름도이다.
도 3은 본 실시예에 따른 부품검사 학습 서버장치를 개략적으로 나타낸 블록 구성도이다.
도 4는 본 실시예에 따른 부품검사 학습 서버장치의 부품 검사방법을 설명하기 위한 순서도이다.
도 5 내지 도 9는 본 실시예에 따른 부품 검사방법의 검사 단계를 설명하기 위한 예시도이다.
도 10 내지 도 11은 본 실시예에 따른 부품 검사방법의 유지 보수 단계를 설명하기 위한 예시도이다.
도 2는 본 실시예에 따른 부품검사 시스템의 부품 검사방법을 설명하기 위한 흐름도이다.
도 3은 본 실시예에 따른 부품검사 학습 서버장치를 개략적으로 나타낸 블록 구성도이다.
도 4는 본 실시예에 따른 부품검사 학습 서버장치의 부품 검사방법을 설명하기 위한 순서도이다.
도 5 내지 도 9는 본 실시예에 따른 부품 검사방법의 검사 단계를 설명하기 위한 예시도이다.
도 10 내지 도 11은 본 실시예에 따른 부품 검사방법의 유지 보수 단계를 설명하기 위한 예시도이다.
이하, 본 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
딥러닝(Deep Learning) 기술의 핵심 계산 모형인 인공 신경망(Neural Network)은 각각의 뉴런이 인간의 시각 신경계에서 중복 영역의 응답 특성과 유사한 특성을 갖도록 다중 계층으로 배치된 인공신경망의 한 종류이다.
본 실시예는 이러한, 뉴럴 네트워크 기반의 학습 모델을 활용하여 부품의 결함 분류를 수행하는 부품검사 시스템에 대한 내용을 개시한다. 보다 자세하게는, 하나의 딥러닝 서버와 다중 부품검사 장치를 연결한 후, 결합 분류 및 데이터베이스를 딥러닝 서버에서 통합 관리함으로써 부품 검사에 대한 효율 및 성능이 향상될 수 있도록 하는 방법을 제안한다.
본 실시예에 따른 부품검사 시스템에 의하는 경우 고성능 연산장치를 탑재한 딥러닝 서버가 결함 분류를 전담하고, 기존 부품검사 장치를 그래도 사용함으로써 딥러닝 기술의 가격적 장벽을 낮출 수 있다.
또한, 결합 분류방법의 세분화를 통해 부품 및 결함 연관도 분석을 통한 통계적 공정 관리로 제조 효율성을 높이는 것을 특징으로 한다.
도 1은 본 실시예에 따른 부품검사 시스템의 구조를 개략적으로 나타낸 도면이다.
도 1을 참조하면, 본 실시예에 따른 부품검사 시스템은 부품검사 학습 서버장치(100) 및 복수의 부품검사 장치(110)를 포함한다.
부품검사 학습 서버장치(100)는 복수의 부품검사 장치(110)와 연결되며, 기존의 부품검사 장치(110) 각각에서 수행되었던 부품 결함 분류 및 데이터베이스 관리를 통합하여 전담하는 기능을 수행한다.
한편, 이하에서는, 본 실시예에 따른 부품검사 학습 서버장치(100)가 검사를 수행하는 대상이 PCB인 것으로 예시하여 설명하나 반드시 이에 한정되는 것은 아니다.
부품검사 학습 서버장치(100)는 복수의 부품검사 장치(110)로부터 부품검사 대상이되는 PCB 이미지를 전달받아 부품 및 결함 분류를 수행하며, 수행 결과를 부품검사 장치(110)로 재전송한다.
부품검사 학습 서버장치(100)는 고성능 연산장치 예컨대, 뉴럴 네트워크 기반의 학습 모델을 활용하여 부품의 결함 분류를 수행할 수 있다. 이러한, 학습 모델은 적어도 한 개 이상 구비될 수 있으며, 부품검사 학습 서버장치(100)와 연결된 모든 부품검사 장치(110)와 관련하여 세분화된 결함 분류가 가능토록 사전에 트레이닝될 수 있다.
부품검사 학습 서버장치(100)는 부품 및 결함 분류에 대한 수행 결과를 토대로 학습 모델을 재트레이닝시키며, 이를 통해, 제조 과정에서 발생하는 결함에 대하여 보다 세밀한 결함 원인 분석이 가능토록 하면서도, 검사 정확도 또한 향상시킬 수 있다.
부품검사 장치(110)는 PCB의 전자부품 조립 상태를 자동으로 검사하는 장비를 의미한다. 본 실시예에 있어서, 부품검사 장치(110)는 바람직하게는 자동광학검사기일 수 있다.
본 실시예에 있어서, 부품검사 장치(110)는 카메라 등을 통해 촬영된 PCB 이미지를 부품검사 학습 서버장치(100)로 송신하고, 그 분류 결과를 부품검사 학습 서버장치(100)로부터 전달받아 화면에 출력한다.
이하, 도 2를 함께 참조하여, 본 실시예에 따른 부품검사 시스템의 부품 검사방법에 대해 설명하도록 한다.
도 2에 도시하듯이, 본 실시예에 따른 부품검사 시스템의 부품 검사방법은 검사 단계와 유지보수 단계로 구분된다. 검사 단계에서는 복수의 부품검사 장치(110)로부터 전달된 PCB 이미지를 부품검사 학습 서버장치(100)에서 분류 및 검사하고, 그 결과를 부품검사 장치(110)로 송신하여 화면에 출력한다. 이러한, 검사 단계는 부품 이미지 취득 단계, 부품 분류 단계, 결함 분류 단계, 분류 결과 수신 단계 및 분류 결과 출력 단계로 구성될 수 있다.
유지보수 단계에서는 검사 단계에서 취득한 부품 이미지로 분류기(ex: 학습 모델)에 대한 학습 및 업데이트를 진행함으로써 검사 성능 향상 및 품질 개선을 수행한다. 이러한, 유지보수 단계는 데이터베이스 구축 단계, 분류기 학습 단계, 분류기 업데이트 단계로 구성될 수 있다.
한편, 본 실시예에 따른 부품검사 시스템에서 수행되는 검사 단계 및 유지보수 단계에 대한 구체적인 설명은 이후 학습 서버장치(100)의 각 구성요소의 동작을 설명하는 과정에서 후술토록 한다.
도 3은 본 실시예에 따른 부품검사 학습 서버장치를 개략적으로 나타낸 블록 구성도이다.
본 실시예에 따른 부품검사 학습 서버장치(100)는 부품 분류부(300), 결함 분류부(310), 전송부(320), 저장부(330) 및 트레이닝부(340)를 포함한다. 여기서, 부품검사 학습 서버장치(100)에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.
부품검사 학습 서버장치(100)에 포함된 각 구성요소는 장치 내부의 소프트웨어적인 모듈 또는 하드웨어적인 모듈을 연결하는 통신 경로에 연결되어 상호 간에 유기적으로 동작할 수 있다. 이러한 구성요소는 하나 이상의 통신 버스 또는 신호선을 이용하여 통신한다.
도 3에 도시된 부품검사 학습 서버장치(100)의 각 구성요소는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 소프트웨어적인 모듈, 하드웨어적인 모듈 또는 소프트웨어와 하드웨어의 결합으로 구현될 수 있다.
본 실시예에 있어서, 부품검사 학습 서버장치(100)의 각 구성요소 중 부품 분류부(300), 결함 분류부(310) 및 전송부(320)에 의해 검사 단계가 수행될 수 있으며, 저장부(330) 및 트레이닝부(340)에 의해 유지보수 단계가 수행될 수 있다.
부품 분류부(300)는 복수의 부품검사 장치(110) 각각으로부터 PCB 이미지를 수신하고, PCB 이미지 내 검사 대상이되는 부품 이미지를 추출하여 분류하는 기능을 수행한다.
이하, 도 5 내지 도 7을 함께 참조하여, 본 실시예에 따른 부품 분류부(300)의 동작에 대해 설명하도록 한다.
본 실시예에 따른 부품 분류부(300)는 부품검사 장치(110)로부터 별도의 카메라로부터 촬영된 PCB 이미지를 수신한다. 또한, 부품 분류부(300)는 기 저장된 DB 또는 외부장치로부터 부품영역 데이터를 수신한다. 여기서, 부품영역 데이터는 PCB 기판에 대하여 칩의 위치, 크기, 넓이, 높이, 치수 및 좌표값 중 적어도 하나의 정보를 포함하며, 사전에 관리자로부터 입력받아 DB 상에 저장될 수 있다. 본 실시예에 있어서, 부품영역 데이터 상에는 패키지 영역 데이터, 리드패드 영역 데이터, 거버 데이터 및 CAD 데이터 등이 포함될 수 있다.
도 5에 도시하듯이, 부품 분류부(300)는 부품영역 데이터 상에 거버 데이터 및 CAD 데이터를 기반으로 PCB 이미지 상에서 부품영역을 구분하고, 이를 통해 부품 이미지를 추출한다.
본 실시예에 따른 부품 분류부(300)는 부품 이미지 상에서 부품의 리드 영역을 검출한다.
도 6에 도시하듯이, 본 실시예에 따른 부품 분류부(300)는 각 개별 부품 이미지에서 영상처리 알고리즘을 통해 부품의 리드 영역만을 검출할 수 있다. 이를 위해, 부품 분류부(300)는 부품영역 데이터에 포함된 리드패드 영역 데이터를 기준 데이터로서 활용할 수 있다.
부품 분류부(300)는 검출된 리드 영역을 토대로 부품 이미지들을 적어도 하나 이상의 부품 그룹들로 분류할 수 있다. 한편, 서로 동일 또는 유사한 리드 영역을 갖는 부품 이미지들의 경우 그 특성이 유사하며, 이에, 서로 간 유사한 결함이 발생할 수 있다.
이 점에 기인하여, 본 실시예에 따른, 부품 분류부(300)는 검출된 리드 영역을 토대로 서로 동일 또는 유사한 리드 개수를 갖는 부품 이미지 간 그룹화를 수행하여 부품 그룹들을 생성할 수 있다.
예컨대, 도 7을 참조하면, 본 실시예에 따른 부품 분류부(300)가 리드 영역의 개수(ex: 2, 6, 16)에 따라 부품 이미지들을 3개의 부품 그룹으로 분류한 것을 확인할 수 있다. 이때, 부품 분류부(300)가 생성하는 부품 그룹의 개수는 반드시 이에 한정되는 것이 아니며, 리드 영역의 개수에 따라 다양한 개수의 부품 그룹이 생성될 수 있다.
결함 분류부(310)는 부품 그룹별로 결함 분류를 수행하는 장치를 의미한다. 본 실시예에 있어서, 결함 분류부(310)는 딥러닝 알고리즘을 이용한 적어도 하나의 학습 모델을 기반으로 부품 그룹별 대응되는 대응 부품들에 대한 결함 발생 여부를 판정하여 분류한다.
도 8에 도시하듯이, 본 실시예에 따른 결함 분류부(310)는 공통 결함 학습모델 및 복수의 고유 결함 학습모델을 활용하여 부품 그룹별 결함 분류를 수행할 수 있다. 여기서, 공통 결함 학습모델은 부품 그룹들에 대하여 공통으로 발생하는 공통 결함을 검출 가능토록 사전에 트레이닝된 학습 모델을 의미한다. 고유 결함 학습모델은 기 정의된 부품 그룹별 고유의 결함을 검출 가능토록 사전에 트레이닝된 학습 모델을 의미한다. 이에, 본 실시예에 있어서, 고유 결함 학습모델은 부품 이미지 간 그룹화를 통해 생성 가능한 모든 부품 그룹별로 각각 특화된 학습모델이 구비될 수 있다.
결함 분류부(310)는 먼저, 각 부품별로 공통으로 발생하는 결함을 공통 결함 학습모델을 활용하여 1차 분류한다. 이후, 결함 분류부(310)는 공통 결함 학습모델을 통해 정상 판정을 받은 부품 이미지를 제외한 나머지 부품 이미지에 대하여 대응되는 고유 결합 학습모델을 활용하여 결함을 2차 분류한다.
한편, 이러한, 본 실시예에 따른 결함 분류부(310)에 의하는 경우 세분화된 부품 및 결함 분류 과정으로 제조 과정에서 발생하는 결함에 대하여 세밀한 결함 원인 분석이 가능한 효과가 있다. 또한, 리드 개수에 따라 부품을 분류하고, 각 그룹에 대하여 결함을 분류하므로 새로운 부품도 별도의 등록과정 없이 손쉽게 검사 가능하다는 효과가 있다.
전송부(320)는 부품 분류뷰(300) 및 결함 분류뷰(310)의 분류결과를 부품검사 장치(110)로 재전송한다. 예컨대, 도 9를 참조하면, 본 실시예에 따른 전송부(320)가 부품 및 결함 분류가 완료된 부품 이미지에 대한 정보를 부품검사 장치(110)로 전송하고, 부품검사 장치(110)가 해당 부품 이미지에 대한 정보를 전달받아 화면에 출력하는 것을 확인할 수 있다.
저장부(330)는 복수의 부품검사 장치(110)와 관련하여 수행된 부품 및 결함 분류에 대한 결과 데이터를 데이터베이스화하여 통합 관리하는 기능을 수행한다.
본 실시예에 있어서, 저장부(330)는 부품 분류뷰(300) 및 결함 분류뷰(310)의 분류결과를 대응되는 부품 이미지들과 매칭시켜 저장하여 부품 이미지별 상기 분류결과를 정의한 데이터베이스를 구축한다.
예컨대, 도 10을 참조하면, 데이터베이스 상에 부품 이미지별로 리드 개수, 공통 결함 종류, 고유 결함 종류 및 AOI 번호 등이 매칭되어 저장되는 것을 확인할 수 있다. 여기서, 저장된 AOI 번호는 결함 추적 관리를 위해 사용될 수 있다.
이러한, 저장부(330)의 기능에 의하는 경우 복수의 부품검사 장치(110)와 관련하여 결과 데이터에 대한 피드백을 통합 관리할 수 있으며, 이를 통해 검사 효율 및 성능을 향상시킬 수 있는 효과가 있다.
트레이닝부(340)는 부품검사 시스템의 검사 성능 향상 및 품질 개선을 위해 저장부(330) 상에 구축된 데이터베이스를 기반으로 결합 분류부(310) 상의 학습 모델을 트레이닝시키는 기능을 수행한다.
트레이닝부(340)는 데이터베이스를 바탕으로 공통 결함 학습모델 및 복수의 공유 결함 학습모델을 트레이닝시킬 수 있다. 도 11을 참조하면, 트레이닝부(340)는 데이터베이스 내 부품 이미지별 분류결과들에 대하여, 정의된 결함 종류에 따라 서로 다른 결함 학습모델의 학습 데이터로서 활용할 수 있다. 예컨대, 트레이닝부(340)는 공통 결함 학습모델의 트레이닝 시에는 공통 결함으로서 분류된 부품 이지미들에 대한 정보를 이용하며, 고유 결함 학습모델의 트레이닝 시에는 고유 결함으로서 분류된 부품 이미지들에 대한 정보를 이용할 수 있다.
도 4는 본 실시예에 따른 부품검사 학습 서버장치의 부품 검사방법을 설명하기 위한 순서도이다.
부품검사 학습 서버장치(100)는 복수의 부품검사 장치(100) 각각으로부터 PCB 이미지를 수신하고, PCB 이미지 내 부품 이미지들을 추출하여 부품 그룹들로 분류한다(S402). 단계 S402에서 부품검사 학습 서버장치(100)는 부품영역 데이터 상에 거버 데이터 및 CAD 데이터를 기반으로 PCB 이미지 상에서 부품영역을 구분하고, 이를 통해 부품 이미지를 추출한다.
부품검사 학습 서버장치(100)는 각 개별 부품 이미지에서 영상처리 알고리즘을 통해 부품의 리드 영역을 검출하고, 검출된 리드 영역을 토대로 서로 동일 또는 유사한 리드 개수를 갖는 부품 이미지 간 그룹화를 수행하여 부품 그룹들을 생성한다.
부품검사 학습 서버장치(100)는 적어도 하나의 학습 모델을 기반으로 단계 S402의 부품 그룹별 대응되는 대응 부품들에 대한 결함 발생 여부를 판정하여 분류한다(S404). 단계 S404에서 부품검사 학습 서버장치(100)는 공통 결함 학습모델 및 복수의 고유 결함 학습모델을 활용하여 부품 그룹별 결함 분류를 수행할 수 있다.
부품검사 학습 서버장치(100)는 먼저, 공통 결함 학습모델을 활용하여 대응 부품들에 대한 결함을 1차 분류한다. 이후, 결함 분류부(310)는 1차 분류를 통해 정상 판정을 받은 대응 부품들을 제외한 나머지 대응 부품들에 대한 결함을 각각 대응하는 공통 결함 학습모델을 활용하여 2차 분류한다.
부품검사 학습 서버장치(100)는 단계 S402의 부품 분류결과 및 단계 S404의 결함 분류결과를 부품검사 장치(110)로 전송한다(S406).
부품검사 학습 서버장치(100)는 단계 S402의 부품 분류결과 및 단계 S404의 결함 분류결과를 부품 이미지들과 매칭시켜 저장하여 데이터베이스를 구축한다(S408). 단계 408에서 부품검사 학습 서버장치(100)는 데이터베이스 상에 부품 이미지별로 리드 개수, 공통 결함 종류, 고유 결함 종류 및 AOI 번호 등을 매칭시켜 저장할 수 있다.
부품검사 학습 서버장치(100)는 단계 S408의 데이터베이스를 기반으로 단계 S404의 학습 모델을 트레이닝시킨다(S410). 단계 S410에서 부품검사 학습 서버장치(100)는 데이터베이스를 바탕으로 공통 결함 학습모델 및 복수의 공유 결함 학습모델을 트레이닝시킬 수 있다.
부품검사 학습 서버장치(100)는 공통 결함 학습모델의 트레이닝 시에는 데이터베이스 내 공통 결함으로서 분류된 부품 이지미들에 대한 정보를 이용하며, 고유 결함 학습모델의 트레이닝 시에는 데이터베이스 내 고유 결함으로서 분류된 부품 이미지들에 대한 정보를 이용할 수 있다.
도 4에서는 단계 S402 내지 단계 S410을 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 도 4에 기재된 단계를 변경하여 실행하거나 하나 이상의 단계를 병렬적으로 실행하는 것으로 적용 가능할 것이므로, 도 4는 시계열적인 순서로 한정되는 것은 아니다.
전술한 바와 같이 도 4에 기재된 본 실시예에 따른 부품검사 학습 서버장치의 부품 검사방법은 프로그램으로 구현되고 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 본 실시예에 따른 부품 검사방법을 구현하기 위한 프로그램이 기록되고 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 부품검사 학습 서버장치 110: 부품검사 장치
300: 부품 분류부 310: 결함 분류부
320: 전송부 330: 저장부
340: 트레이닝부
300: 부품 분류부 310: 결함 분류부
320: 전송부 330: 저장부
340: 트레이닝부
Claims (11)
- 복수의 부품검사 장치 각각으로부터 PCB 이미지를 수신하고, 상기 PCB 이미지 내 부품 이미지들을 추출하여 적어도 하나 이상의 부품 그룹들로 분류하는 부품 분류부;
딥러닝 알고리즘을 이용한 학습 모델을 기반으로 상기 부품 그룹별 대응되는 대응 부품들에 대한 결함 발생 여부를 판정하여 분류하는 결함 분류부;
상기 부품 분류부 및 상기 결함 분류부의 분류결과를 상기 부품 이미지들과 매칭시켜 저장하여 부품 이미지별 상기 분류결과를 정의한 데이터베이스를 구축하는 저장부; 및
상기 데이터베이스를 기반으로 상기 결함 분류부의 상기 학습 모델을 트레이닝시키는 트레이닝부를 포함하되,
상기 결함 분류부는, 상기 학습 모델로서 공통 결함 학습모델 및 복수의 고유 결함 학습모델을 구비하고,
상기 트레이닝부는, 상기 데이터베이스 내 상기 부품 이미지별 상기 분류결과들에 대하여, 정의된 결함 종류에 따라 서로 다른 결함 학습 모델의 학습 데이터로서 활용하는 것
을 특징으로 하는 부품검사 학습 서버장치. - 제 1항에 있어서,
상기 부품 분류부 및 상기 결함 분류부의 분류결과를 상기 부품검사 장치로 재전송하는 전송부를 더 포함하는 것을 특징으로 하는 부품검사 학습 서버장치. - 제 1항에 있어서,
상기 부품 분류부는,
상기 부품 이미지 상에서 리드 영역을 검출하고, 검출된 리드 영역을 토대로 상기 부품 이미지들을 상기 부품 그룹들로 분류하는 것을 특징으로 하는 부품검사 학습 서버장치. - 제 3항에 있어서,
상기 부품 분류부는,
상기 검출된 리드 영역을 토대로 서로 동일한 리드 개수를 갖는 부품 이미지 간 그룹화를 수행하여 상기 부품 그룹들을 생성하는 것을 특징으로 하는 부품검사 학습 서버장치. - 제 1항에 있어서,
상기 공통 결함 학습모델은, 상기 부품 그룹들에 대하여 공통으로 발생하는 공통 결함을 검출하도록 사전에 트레이닝된 것이고,
상기 복수의 고유 결함 학습모델은, 상기 부품 그룹별 고유의 결함을 검출하도록 사전에 트레이닝된 것을 특징으로 하는 부품검사 학습 서버장치. - 제 5항에 있어서,
상기 결함 분류부는,
상기 공통 결함 학습모델을 활용하여 상기 대응 부품들에 대한 결함을 1차 분류하고, 상기 1차 분류를 통해 정상 판정을 받은 대응 부품들을 제외한 나머지 대응 부품들에 대한 결함을 각각 대응하는 고유 결함 학습모델을 활용하여 2차 분류하는 것을 특징으로 하는 부품검사 학습 서버장치. - 제 1항에 있어서,
상기 저장부는,
상기 부품 이미지 상에 리드 개수, 공통 결함 종류 및 고유 결함 종류 및 대응되는 부품검사 장치에 대한 식별정보 중 일부 또는 전부를 매칭시켜 상기 데이터베이스를 구축하는 것을 특징으로 하는 부품검사 학습 서버장치. - 삭제
- 부품검사 학습 서버장치의 부품검사 방법에 있어서,
복수의 부품검사 장치 각각으로부터 PCB 이미지를 수신하고, 상기 PCB 이미지 내 부품 이미지들을 추출하여 적어도 하나 이상의 부품 그룹들로 분류하는 부품 분류 과정;
딥러닝 알고리즘을 이용한 학습 모델을 기반으로 상기 부품 그룹별 대응되는 대응 부품들에 대한 결함 발생 여부를 판정하여 분류하는 결함 분류 과정;
상기 부품 분류 과정 및 상기 결함 분류 과정의 분류결과를 상기 부품 이미지들과 매칭시켜 저장하여 부품 이미지별 상기 분류결과를 정의한 데이터베이스를 구축하는 과정; 및
상기 데이터베이스를 기반으로 상기 결함 분류 과정에서 활용되는 상기 학습 모델을 트레이닝시키는 트레이닝 과정을 포함하되,
상기 결함 분류 과정은, 상기 학습 모델로서 공통 결함 학습모델 및 복수의 고유 결함 학습모델을 구비하고,
상기 트레이닝 과정은, 상기 데이터베이스 내 상기 부품 이미지별 상기 분류결과들에 대하여, 정의된 결함 종류에 따라 서로 다른 결함 학습 모델의 학습 데이터로서 활용하는 것
을 특징으로 하는 부품검사 방법. - 제 9항에 있어서,
상기 부품 분류 과정 및 상기 결함 분류 과정의 분류결과를 상기 부품검사 장치로 재전송하는 과정을 더 포함하는 것을 특징으로 하는 부품검사 방법. - 인쇄회로기판을 촬영한 PCB 이미지를 수집하여 제공하며, 상기 PCB 이미지를 기반으로 도출된 분류결과를 공유받아 출력하는 복수의 부품검사 장치; 및
상기 복수의 부품검사 장치로부터 각각 상기 PCB 이미지를 제공받아, 상기 PCB 이미지 내 부품 이미지들을 하나 이상의 부품 그룹들로 분류한 부품 분류결과 및 딥러닝 알고리즘을 이용한 학습 모델을 기반으로 상기 부품 그룹별 대응되는 대응 부품들에 대한 결함 발생 여부를 판정하여 분류한 결함 분류결과를 상기 부품검사 장치로 제공하며, 상기 부품 분류결과 및 상기 결함 분류결과를 상기 부품 이미지들과 매칭시켜 저장하여 부품 이미지별 상기 분류결과를 정의한 데이터베이스를 기반으로 상기 학습 모델을 트레이닝시키는 부품검사 학습 서버장치를 포함하되,
상기 학습 서버장치는,
상기 학습 모델로서 공통 결함 학습모델 및 복수의 고유 결함 학습모델을 구비하고, 상기 데이터베이스 내 정의된 상기 부품 이미지별 상기 분류결과들을 정의된 결함 종류에 따라 서로 다른 결함 학습 모델의 학습 데이터로서 트레이닝에 활용하는 것
을 특징으로 하는 부품검사 시스템.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190061449A KR102174424B1 (ko) | 2019-05-24 | 2019-05-24 | 서버 기반 부품 검사방법 및 그를 위한 시스템 및 장치 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190061449A KR102174424B1 (ko) | 2019-05-24 | 2019-05-24 | 서버 기반 부품 검사방법 및 그를 위한 시스템 및 장치 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102174424B1 true KR102174424B1 (ko) | 2020-11-04 |
Family
ID=73571197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190061449A KR102174424B1 (ko) | 2019-05-24 | 2019-05-24 | 서버 기반 부품 검사방법 및 그를 위한 시스템 및 장치 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102174424B1 (ko) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113609897A (zh) * | 2021-06-23 | 2021-11-05 | 阿里巴巴新加坡控股有限公司 | 缺陷的检测方法和缺陷的检测*** |
KR102450965B1 (ko) * | 2022-06-30 | 2022-10-06 | 주식회사 아이브 | 인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 장치 및 방법 |
CN117647531A (zh) * | 2023-12-27 | 2024-03-05 | 惠州学院 | 一种基于深度学习的aoi检测方法与*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101563332B1 (ko) * | 2014-04-01 | 2015-11-09 | 충북대학교 산학협력단 | 표면실장부품 패키지의 분류 시스템 및 방법 |
KR20180133040A (ko) * | 2017-06-05 | 2018-12-13 | 충북대학교 산학협력단 | 인쇄 회로 기판의 결함 분류 장치 및 방법 |
KR101961820B1 (ko) * | 2017-11-10 | 2019-03-25 | 주식회사 미르기술 | 비전검사장비 유지보수 예측 시스템 |
KR20190037889A (ko) * | 2017-09-29 | 2019-04-08 | 주식회사 엘지씨엔에스 | 제품 결함 검출 방법 및 시스템 |
-
2019
- 2019-05-24 KR KR1020190061449A patent/KR102174424B1/ko active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101563332B1 (ko) * | 2014-04-01 | 2015-11-09 | 충북대학교 산학협력단 | 표면실장부품 패키지의 분류 시스템 및 방법 |
KR20180133040A (ko) * | 2017-06-05 | 2018-12-13 | 충북대학교 산학협력단 | 인쇄 회로 기판의 결함 분류 장치 및 방법 |
KR20190037889A (ko) * | 2017-09-29 | 2019-04-08 | 주식회사 엘지씨엔에스 | 제품 결함 검출 방법 및 시스템 |
KR101961820B1 (ko) * | 2017-11-10 | 2019-03-25 | 주식회사 미르기술 | 비전검사장비 유지보수 예측 시스템 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113609897A (zh) * | 2021-06-23 | 2021-11-05 | 阿里巴巴新加坡控股有限公司 | 缺陷的检测方法和缺陷的检测*** |
KR102450965B1 (ko) * | 2022-06-30 | 2022-10-06 | 주식회사 아이브 | 인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 장치 및 방법 |
CN117647531A (zh) * | 2023-12-27 | 2024-03-05 | 惠州学院 | 一种基于深度学习的aoi检测方法与*** |
CN117647531B (zh) * | 2023-12-27 | 2024-04-26 | 惠州学院 | 一种基于深度学习的aoi检测方法与*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12020415B2 (en) | Method for monitoring manufacture of assembly units | |
CN112053318B (zh) | 基于深度学习的二维pcb缺陷实时自动检测与分类装置 | |
KR102174424B1 (ko) | 서버 기반 부품 검사방법 및 그를 위한 시스템 및 장치 | |
US20190197356A1 (en) | Data generation apparatus, data generation method, and data generation program | |
CN108564104A (zh) | 产品缺陷检测方法、装置、***、服务器及存储介质 | |
US20190200494A1 (en) | Printed circuit board inspecting apparatus, method for determining fault type of screen printer and computer readable recording medium | |
CN109060817B (zh) | 人工智能复检***及其方法 | |
CN106127746A (zh) | 电路板元件漏件检测方法和*** | |
KR20190075707A (ko) | 딥러닝을 이용한 양품 선별 방법 | |
CN117893817A (zh) | 晶圆缺陷分类方法及其装置、***、电子设备和存储介质 | |
CN110390661A (zh) | 检查管理***、检查管理装置及检查管理方法 | |
CN114862832A (zh) | 缺陷检测模型的优化方法、装置、设备及存储介质 | |
CN116843650A (zh) | 融合aoi检测与深度学习的smt焊接缺陷检测方法及*** | |
Ozturk et al. | Detection of PCB soldering defects using template based image processing method | |
KR102228957B1 (ko) | 인쇄 회로 기판 검사 장치, 스크린 프린터의 결함 유형 결정 방법 및 컴퓨터 판독 가능한 기록 매체 | |
CN103913150B (zh) | 智能电能表电子元器件一致性检测方法 | |
CN115015286A (zh) | 基于机器视觉的芯片检测方法及*** | |
CN116309518A (zh) | 一种基于计算机视觉的pcb电路板检测方法及*** | |
Khare et al. | PCB-fire: Automated classification and fault detection in PCB | |
JP2019158684A (ja) | 検査システム、識別システム、及び識別器評価装置 | |
CN114596244A (zh) | 基于视觉处理和多特征融合的红外图像识别方法及*** | |
KR101993705B1 (ko) | 자동광학검사기의 부품 라이브러리 코드 자동 입력 장치 및 방법 | |
Susa et al. | Cap-Eye-citor: A machine vision inference approach of capacitor detection for pcb automatic optical inspection | |
KR20200011714A (ko) | 전자부품 불량 분류 방법 및 장치 | |
CN109344799B (zh) | 物品识别方法、装置及设备、存储介质、电子装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |