KR102463064B1 - 합성곱 신경망 기반으로 제조 모듈의 오류를 실시간으로 검출하기 위한 포장용 종이 상자 제조 시스템 - Google Patents
합성곱 신경망 기반으로 제조 모듈의 오류를 실시간으로 검출하기 위한 포장용 종이 상자 제조 시스템 Download PDFInfo
- Publication number
- KR102463064B1 KR102463064B1 KR1020220012978A KR20220012978A KR102463064B1 KR 102463064 B1 KR102463064 B1 KR 102463064B1 KR 1020220012978 A KR1020220012978 A KR 1020220012978A KR 20220012978 A KR20220012978 A KR 20220012978A KR 102463064 B1 KR102463064 B1 KR 102463064B1
- Authority
- KR
- South Korea
- Prior art keywords
- manufacturing
- modules
- neural network
- layer
- output vector
- Prior art date
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 137
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 19
- 238000004806 packaging method and process Methods 0.000 claims abstract description 64
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 111
- 238000013528 artificial neural network Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 25
- 230000004913 activation Effects 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 239000000463 material Substances 0.000 description 53
- 239000000123 paper Substances 0.000 description 52
- 238000000034 method Methods 0.000 description 32
- 230000007246 mechanism Effects 0.000 description 29
- 230000000875 corresponding effect Effects 0.000 description 25
- 230000008569 process Effects 0.000 description 25
- 238000012546 transfer Methods 0.000 description 23
- 239000000853 adhesive Substances 0.000 description 21
- 230000001070 adhesive effect Effects 0.000 description 21
- 239000011159 matrix material Substances 0.000 description 15
- 238000003825 pressing Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 239000000872 buffer Substances 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 230000015572 biosynthetic process Effects 0.000 description 6
- 238000000465 moulding Methods 0.000 description 6
- 238000003786 synthesis reaction Methods 0.000 description 6
- 239000002994 raw material Substances 0.000 description 5
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 230000003014 reinforcing effect Effects 0.000 description 4
- 238000005452 bending Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000005086 pumping Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000002788 crimping Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003028 elevating effect Effects 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000003475 lamination Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000002023 wood Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000010030 laminating Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B31—MAKING ARTICLES OF PAPER, CARDBOARD OR MATERIAL WORKED IN A MANNER ANALOGOUS TO PAPER; WORKING PAPER, CARDBOARD OR MATERIAL WORKED IN A MANNER ANALOGOUS TO PAPER
- B31B—MAKING CONTAINERS OF PAPER, CARDBOARD OR MATERIAL WORKED IN A MANNER ANALOGOUS TO PAPER
- B31B50/00—Making rigid or semi-rigid containers, e.g. boxes or cartons
- B31B50/006—Controlling; Regulating; Measuring; Improving safety
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B31—MAKING ARTICLES OF PAPER, CARDBOARD OR MATERIAL WORKED IN A MANNER ANALOGOUS TO PAPER; WORKING PAPER, CARDBOARD OR MATERIAL WORKED IN A MANNER ANALOGOUS TO PAPER
- B31B—MAKING CONTAINERS OF PAPER, CARDBOARD OR MATERIAL WORKED IN A MANNER ANALOGOUS TO PAPER
- B31B50/00—Making rigid or semi-rigid containers, e.g. boxes or cartons
- B31B50/74—Auxiliary operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0007—Image acquisition
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Signal Processing (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Manufacturing & Machinery (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Making Paper Articles (AREA)
Abstract
합성곱 신경망 기반으로 제조 모듈의 오류를 실시간으로 검출하기 위한 포장용 종이 상자 제조 시스템이 개시된다. 상기 포장용 종이 상자 제조 시스템은, 다수의 제조 모듈들로 구성된 포장용 종이상자 제조장치; 상기 제조 모듈들 각각과 통신하여 원격으로 상기 제조 모듈들 각각의 동작을 개별 제어하는 제어 서버; 및 상기 포장용 종이상자 제조장치의 동작을 실시간으로 모니터링하고, 모니터링에 따른 제조 영상들을 상기 제어 서버에 제공하는 다수의 영상 촬영 모듈들;을 포함한다.
Description
본 발명은 포장용 종이 상자를 제조하는 시스템에 관한 기술로, 더욱 상세하게는 합성곱 신경망 기반으로 제조 모듈의 오류를 실시간으로 검출하기 위한 포장용 종이 상자 제조 시스템에 관한 것이다.
일반적으로, 물품을 포장하여 운반할 수 있도록 두꺼운 골판지(corrugated cardboard)를 이용한 종이 박스가 주로 사용되고 있다.
종래에는 포장의 안전성 등을 고려하여 목재 또는 플라스틱 재질의 포장용기를 사용하여 왔으나, 이러한 포장용기들을 이용할 경우 포장용기의 중량으로 인한 물류비용이 증가될 뿐만 아니라, 제조원가의 부담이 상당한 비중을 차지하고 있으며, 더구나 목재의 사용으로 인한 산림훼손 및 플라스틱 재질의 사용에 따른 환경오염의 문제점이 있다.
그러나 이러한 통상적인 종이박스는 상기의 벽면을 이루고 있는 재질이 두꺼운 골판지로 구성된 종이원단이므로 어느 정도 외부의 작은 충격에 견딜 수 있지만, 포장된 제품의 보관 및 운반을 위해서는 개별적으로 포장된 종이박스를 최하단에서부터 차곡차곡 위로 쌓아 올라가게 된다.
이러한 경우, 하단에 위치한 포장된 제품은 그위쪽에 위치한 모든 포장 제품의 하중을 그대로 받게 되고, 그 하중은 포장용기의 측벽면에 그대로 적용되므로, 아래쪽에 위치한 포장 제품들은 이러한 하중을 견디지 못하고 압착되어 포장용기 자체가 찌그러지는 현상이 빈번히 발생하고 있다.
현재, 산업현장에서는 이러한 포장용기의 압착으로 인한 찌그러짐 현상을 타개하기 위하여 통상의 종이박스 내부에 상부 압력에 견딜 수 있도록 별도의 골판지 보강벽면을 추가적으로 내장시키는 방법과, 2매의 골판지를 사용하여 1매의 골판지로서는 별도의 골판지 보강벽면을 형성하고, 다른 1매의 골판지로서는 통상의 종이박스를 형성하는 방법을 이용하고 있다.
그러나 상기 보강벽면 추가방법은 그 포장을 위하여 다수의 작업공정을 거쳐야 하는 단점이 있고, 후자의 별도의 보강벽면 형성방법은 원재료(골판지)를 2중으로 사용하게 되어 비경제적이고 역시 다수의 작업공정을 거쳐야 하는 단점이 있다.
예컨대, 대한민국 실용신안등록 제20-319372호 "물품보관 및 운반용 종이제포장박스"에 의하면, 이러한 위쪽의 하중에 견딜 수 있도록 하기 위하여 포장용기(종이박스)의 양측 내부에 골판지 종이원단이 세로로 세워질 수 있도록 하는 측면연장부를 형성하고 있다.
상기 측면연장부는 그 끝단에 접착제를 발라서 각각의 측면에 부착시키고, 그들 사이에 삼각형 모양의 작은 수납공간을 형성하도록 되어 있다.
더욱이, 본 발명이 적용될 수 있는 과일 등의 수납물을 대상으로 하는 경우에는 이러한 제반 문제점이 더욱 뚜렷해지는데, 상품 훼손으로부터 절대적인 보호가 필요한 특성을 감안하여 보호지 등과 같은 이중지를 부여할 경우에는 조립과정이 원활하지 않게 되는 또 다른 문제점이 있어 이를 개선할 필요성이 대두되고 있는 실정에 있다.
한편, 평면 형태로 공급되는 지류 포장박스의 경우 본체 및 본체에서 연장되는 익형 보조판과 개폐커버 등으로 구성되는데, 이러한 포장박스는 생산현장에서 입체형 포장상자로 접어서 사용하는 것인바, 현장에서 이루어지는 포장상자의 접이 과정은 포장박스의 본체를 양측면에서 밀어 사각형태를 취하도록 하는 과정, 본체의 후면에형성된 익형 보조판을 절곡시켜 본체와 수평을 이루도록 밀어 넣는 과정, 본체의 후면에 형성된 개폐커버를 2단으로 절곡하는 과정, 개폐커버에 형성되는 결합판을 본체에 밀어 넣는 과정으로 구분되게 이루어지고, 위와 같은 과정을 통해 완성된 포장상자는 전면이 개방된 입체형 사각 함체의 형상을 취하게 된다.
예컨대, 수작업으로 행해지던 포장상자의 접이 작업을 자동으로 진행할 수 있도록 발명한 실용신안등록번호 제0280443호 "포장용 상자의 자동 접이 장치"가 있으며, 상기 기술사상에 의해 수작업으로 이루어지던 포장상자의 접이 작업을 자동으로 진행함으로써 인력난의 해소 및 시간당 생산성의 향상이라는 소기의 목적을 달성할 수 있었으나, 포장박스에 대한 순차적인 접이 과정의 마무리 과정에서 개폐커버에 형성된 결합판의 접이 작업 및 본체와 결합판의 결합작업이 정확하게 이루어지지 않는 경우가 종종 발생하였다.
특히, 미완성 접이 과정을 작업자가 수작업으로 다시 진행하여야 하므로 생산성이 떨어질 뿐만 아니라 공정상의 번거로움이 초래되었으며, 경우에 따라 접이 과정에서 포장박스의 개폐커버에 손상이 발생하여 경제적 손실을 야기하는 등의 문제점을 해소할 수 없었다.
본 발명은 자동으로 제작되는 포장용 종이상자 제조장치를 제공하는데 목적이 있다.
또한, 본 발명은 합성곱 신경망 기반으로 제조 모듈의 오류를 실시간으로 검출하기 위한 포장용 종이 상자 제조 시스템을 제공하는 데 목적이 있다.
상기 목적을 달성하기 위한 본 발명의 일 측면은, AI(Artificial Intelligence) 기반으로 포장용 종이 상자 제조를 위한 자동화 시스템을 제공한다.
상기 자동화 시스템은, 다수의 제조 모듈들로 구성된 포장용 종이상자 제조장치; 상기 제조 모듈들 각각과 통신하여 원격으로 상기 제조 모듈들 각각의 동작을 개별 제어하는 제어 서버; 및 상기 포장용 종이상자 제조장치의 동작을 실시간으로 모니터링하고, 모니터링에 따른 제조 영상들을 상기 제어 서버에 제공하는 다수의 영상 촬영 모듈들;을 포함한다.
상기 제어 서버는, 상기 제조 모듈들 중 적어도 하나의 물리적 동작을 제어하는 모듈 제어부; 상기 영상 촬영 모듈들과 연동하여 상기 제조 영상들을 수집하는 제조 영상 수집부; 상기 제조 영상들을 전처리하여 미리 지도학습(supervised learning)된 인공신경망에 대한 입력 데이터를 생성하는 제조 영상 전처리부; 미리 수집된 훈련 데이터 셋을 이용하여 상기 인공신경망을 지도학습하는 인공신경망 학습부; 및 상기 인공신경망의 출력에 기초하여 상기 제조 모듈들 중 적어도 하나의 오류 여부를 검출하는 오류 검출부;를 포함한다.
상기 인공 신경망 학습부는, 상기 제조 모듈들 각각에 대응하는 목표 출력 벡터들을 미리 매칭하여 저장한다.
상기 훈련 데이터 셋은, 상기 제조 모듈들 각각의 오류 발생시에 수집된 제조 영상들을 이용하여 생성된 오차 벡터들(error vectors)을 훈련 입력값으로 갖고, 상기 제조 모듈들 중 오류가 발생된 제조 모듈과 대응하는 목표 출력 벡터를 훈련 출력값으로 갖는 데이터 집합이다.
상기 인공 신경망은, 상기 오차 벡터들을 순차적으로 입력받고 상기 오차 벡터들 각각의 성분값 개수와 동일한 개수의 입력 노드들로 구성되는 입력층; 상기 입력층으로부터 전달받은 출력값들을 이용하여 출력 벡터를 생성하고, 생성된 상기 출력 벡터를 출력층으로 전달하는 은닉층; 및 상기 출력 벡터에 활성화 함수를 적용하여 상기 출력 벡터에 대응하는 확률을 출력하는 출력을 포함한다.
상기 인공 신경망은, 상기 훈련 입력값으로 제공된 상기 오차 벡터들을 순차적으로 입력받고, 상기 은닉층의 출력으로 획득되는 상기 출력 벡터와 상기 훈련 출력값으로 제공받은 상기 목표 출력 벡터를 이용하여 미리 정의된 손실함수(loss function)을 연산하고, 연산된 상기 손실함수의 결과값이 최소화되도록 지도학습된다.
상기 손실 함수는, 하기 수학식과 같이 정의되며,
상기 수학식에서 Y``는 상기 목표 출력 벡터와 대응하는 제조 모듈 이외에 나머지 다른 제조 모듈들 각각에 대응하도록 미리 정의된 목표 출력 벡터로서, Y1 내지 Yj(j는 제조 모듈들 전체의 수보다 1 작은 값) 중 하나이고, N은 상기 목표 출력 벡터의 성분값 개수를 의미할 수 있고, Ym은 상기 목표 출력 벡터의 m(m은 1 이상의 자연수)번째 성분이고, Y`m은 상기 출력 벡터의 m번째 성분이며, UL(Y, Y``)는, 상기 목표 출력 벡터와 상기 나머지 다른 제조 모듈들 각각에 대응하도록 미리 정의된 목표 출력 벡터 사이의 유클리디안 거리(Euclidian distance)이다.
상기 제조 영상 전처리부는, 합성곱 신경망(Convolutional Neural Network) 기반의 객체 검출 알고리즘을 이용하여 상기 제조 영상들 각각에서 관심 영역(Area of Interest)을 검출하고, 검출된 상기 관심 영역과 미리 정의된 레퍼런스 부분 이미지를 서로 비교하여 상기 오차 벡터들을 생성한다.
첫째, 본 발명은 포장용 종이 상자의 제조를 완전하게 자동화하여 제어 서버에 의해 동작하도록 구성할 수 있다.
둘째, 본 발명은 포장용 종이 상자의 제조 과정을 실시간으로 모니터링하고, 모니터링에 따른 제조 영상들을 인공신경망으로 분석하여 오류를 검출하기 때문에 다양한 형태의 오류를 안정적이고 정확하게 검출할 수 있는 장점이 있다.
셋째, 본 발명은 CNN 기반의 객체 식별 알고리즘을 통해 인공신경망에 입력되는 오류 벡터들을 산출하기 때문에 영상 기반의 데이터 처리가 가능하므로, 산업 현장에서 영상 촬영모듈들만 이용하여 제조 과정에서 발생하는 오류 검출 프로세스를 최소한의 비용으로 빠르게 적용할 수 있는 장점이 있다.
도 1은 본 발명의 제 1 실시예에 따른 포장용 종이상자의 제작과정이 도시된 순서도이다.
도 2는 본 발명의 제 1 실시예에 따른 포장용 종이상자 제조장치의 정면도이다.
도 3은 도 2의 평면도이다.
도 4는 도 2에 도시된 일부 확대도이다.
도 5는 도 4의 동력 전달 구조가 도시된 측면도이다.
도 6은 도 3의 이송모듈이 도시된 평면도이다.
도 7은 도 3의 접착제 공급모듈이 도시된 평면도이다.
도 8은 도 5의 박스모듈이 도시된 측면도이다.
도 9는 도 8의 박스모듈에서 성형틀을 보인 평면도이다.
도 10은 도 8의 성형틀을 보인 측면도이다.
도 11은 도 8의 성형펀치를 보인 측면도이다.
도 12는 일 실시예에 따른 포장용 종이상자 제작장치의 동작 과정을 종합 제어하여 오류를 방지하기 위한 자동화 시스템을 나타낸 개념도이다.
도 13은 도 12에 따른 제어 서버의 기능적 모듈을 나타낸 블록도이다.
도 14는 도 13에 따른 제조 영상 전처리부의 동작을 설명하기 위한 개념도이다.
도 15는 본 발명의 일 실시예에 따른 합성곱 신경망의 구조를 설명하기 위한 개념도이다.
도 16은 일 실시예에 따른 인공신경망의 구조와 동작을 설명하기 위한 개념도이다.
도 17은 일 실시예에 따른 제어 서버의 하드웨어 구성을 예시적으로 나타낸 도면이다.
도 2는 본 발명의 제 1 실시예에 따른 포장용 종이상자 제조장치의 정면도이다.
도 3은 도 2의 평면도이다.
도 4는 도 2에 도시된 일부 확대도이다.
도 5는 도 4의 동력 전달 구조가 도시된 측면도이다.
도 6은 도 3의 이송모듈이 도시된 평면도이다.
도 7은 도 3의 접착제 공급모듈이 도시된 평면도이다.
도 8은 도 5의 박스모듈이 도시된 측면도이다.
도 9는 도 8의 박스모듈에서 성형틀을 보인 평면도이다.
도 10은 도 8의 성형틀을 보인 측면도이다.
도 11은 도 8의 성형펀치를 보인 측면도이다.
도 12는 일 실시예에 따른 포장용 종이상자 제작장치의 동작 과정을 종합 제어하여 오류를 방지하기 위한 자동화 시스템을 나타낸 개념도이다.
도 13은 도 12에 따른 제어 서버의 기능적 모듈을 나타낸 블록도이다.
도 14는 도 13에 따른 제조 영상 전처리부의 동작을 설명하기 위한 개념도이다.
도 15는 본 발명의 일 실시예에 따른 합성곱 신경망의 구조를 설명하기 위한 개념도이다.
도 16은 일 실시예에 따른 인공신경망의 구조와 동작을 설명하기 위한 개념도이다.
도 17은 일 실시예에 따른 제어 서버의 하드웨어 구성을 예시적으로 나타낸 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
도 1은 본 발명의 제 1 실시예에 따른 포장용 종이상자의 제작과정이 도시된 순서도이고, 도 2는 본 발명의 제 1 실시예에 따른 포장용 종이상자 제조장치의 정면도이고, 도 3은 도 2의 평면도이고, 도 4는 도 2에 도시된 일부 확대도이고, 도 5는 도 4의 동력 전달 구조가 도시된 측면도이고, 도 6은 도 3의 이송모듈이 도시된 평면도이고, 도 7은 도 3의 접착제 공급모듈이 도시된 평면도이고, 도 8은 도 5의 박스모듈이 도시된 측면도이고, 도 9는 도 8의 박스모듈에서 성형틀을 보인 평면도이고, 도 10은 도 8의 성형틀을 보인 측면도이고, 도 11은 도 8의 성형펀치를 보인 측면도이다.
도 1에서 보는 바와 같은 포장용 종이상자(B)는 상측이 개방되는 형태이면서 그 개방된 좌, 우 양단의 상측 일부에 작은 덮개부(B7)가 형성된 것으로서, 덮개부 때문에 자동 제함이 어렵다.
상기 도면에서 보는 바와 같이 본 발명은 사방으로 레그(101)를 가지고 임의의 높이로 마련된 메인프레임(100) 위에 설치된다.
즉, 포장용 종이상자 제조장치는 메인프레임(100)의 위에서 전개도 상태로 재단된 소재를 적층하되, 그 최하단의 소재부터 공급할 수 있도록 구성된 소재 적층모듈(200), 상기한 메인프레임(100)의 내부에서 상기한 소재 적층모듈(200)의 최하단에 적층된 소재부터 인출하여 공급하도록 구성된 소재 이송모듈(300), 그리고 상기 소재 이송모듈(300)에 의해서 이송되는 소재의 적정 위치에 적정량의 접착제를 공급하기 위한 접착제 공급모듈(400), 상기 소재 이송모듈(300)에 의해서 이송되는 소재의 중앙 부분을 눌러 그 사방 네변이 위로 접히게 하고, 접힌 네변의 위로 덮개부가 접히도록 절첩하는 절첩기구(510)와, 절첩된 상태에서 접착제 공급부분을 눌러 주는 압착기구(520)를 포함하는 박스모듈(500), 상기한 소재 이송모듈(300)과, 상기 접착제 공급모듈(400)과, 상기 박스모듈(500)에서 필요로 하는 각각의 구동력을 메인프레임(100) 하단의 원동모터(611)로부터 상호 연관되게 전달할 수 있도록 구성한 동력전달모듈(600)을 포함한다.
이때, 상기한 소재 적층모듈(200)은 도 4 및 도 5에서 보는 바와 같이 상기 메인프레임(100)의 상부에 세워진 축받침 폴(201)들에 의해서 각각 회전가능토록 전, 후방에 가로로 설치된 한 쌍의 폭 조절스크류(202)와, 상기 폭 조절스크류(202)들의 중간 부분에 삽입되어 폭 조절이 가능한 한 쌍의 이송용 베이스부재(203)와, 상기한 이송용 베이스부재(203)의 상측으로 설치된 복수의 적층안내부재(204)와, 상기 적층안내부재(204) 상에서 각각 복수로 구비하여 전개도 상태의 상자 소재(B) 끝단을 받칠 수 있는 걸림편(205)들로 형성된다.
또한, 상기한 소재 이송모듈(300)은 도 3 내지 도 6에서 보듯이 복수의 버큠(301)과, 상기 버큠들이 고정된 횡간부재(303)와, 상기 횡간부재(303)들을 상, 하 승강시키기 위해 이송공압실린더(304)를 포함하는 승강기구(302), 그리고 상기 승강기구(302)의 버큠(301)에 의해 아래로 당겨진 상자 소재(B)를 밀어서 이동시키기 위한 푸셔(305)와, 상기 푸셔(305)를 전, 후 왕복시키기 위한 왕복운동기구(306)를 포함하여 구성된다.
그리고 상기 소재 이송모듈(300)에 의해서 소재가 이동되는 동안 접착제를 분사하는 상기 접착제 공급모듈(400)은 도 7에서 보는 바와 같이 상기 소재 이송모듈(300)의 상부에서 필요한 위치에 고정된 각각의 노즐(401)들과, 상기 노즐로부터 공급호스(402)로 연결된 펌핑수단(403)과, 상기 펌핑수단(403)으로 접착제를 공급하는 접착제탱크(404)로 이루어진다.
특히, 본 발명의 주요 구성인 박스모듈(500)은 절첩기구(510)와, 압착기구(520), 배출기구(530)를 포함한다.
또, 박스모듈(500)의 절첩기구(510)는 성형틀(512)과 성형펀치(511)를 포함하는 바, 성형펀치(511)는 도 8에서 보는 바와 같이 상자 소재(B)의 바닥판(B1)을 눌러주기 위한 한 쌍의 압착판(511a)과, 상기 압착판(511a)이 회동가능토록 연결된 헤드부(511b)와, 상기 헤드부(511b)를 승강시키기 위한 수직 랙바(511c)와, 상기 수직랙바(511c)의 좌, 우 양측에서 수직 이동을 안내하기 위한 가이드로드(511d)를 포함한다.
상기 성형틀(512)은 도 9 및 도 10에서 보는 바와 같이 상기한 성형펀치(511)가 통과되도록 공간부(512a)를 확보하되, 그 공간부(512a)의 둘레로 좌, 우 측면판(B4)(B5)의 날개부(B6)를 접기 위한 날개 가이드(512d), 상기 좌, 우 측면판(B4)(B5)을 절첩하기 위한 측면판 가이드(512e), 상기한 날개부(B6)들과 함께 상기 정면판(B2) 및 배면판(B3)을 접기 위한 정면 가이드(512b) 및 배면 가이드(512c), 좌, 우측 덮개부(B7)를 꺾어 주기 위한 반전플레이트(512f)를 포함한다.
그리고 박스모듈(500)의 압착기구(520)는 도 10에서 보듯이 상기 절첩기구(510)의 아래에서 절첩된 상자의 접착제 도포부분을 눌러주기 위한 가압판(521)과, 상기 가압판(521)이 구비된 회동 브라켓(524)과, 상기 브라켓(524)을 회동시키기 위한 박스공압실린더(523)와, 상기 회동 브라켓(524) 및 박스공압실린더(523)를 설치하기 위한 프레임(522)으로 이루어 진다.
또, 배출기구(530)는 상기한 압착기구(520)의 아래에서 좌, 우 대칭적으로 구비하되, 배출공압실린더(532)의 작동으로 정,역회전하는 원판드럼(531)으로 이루어 진다.
한편, 상기 동력전달모듈(600)은 동력의 출력부(610)와, 박스모듈 작동기구(620)와, 푸셔 작동기구(630)와, 버큠 작동기구(640)를 포함하며, 도 4, 도 6을 통해 자세히 볼 수 있다.
동력 출력부(610)는 메인프레임(100)의 아래에 마련한 원동모터(611)와, 상기 원동모터로부터 벨트로 연결되어 회전하는 종동풀리(612), 상기 종동풀리로부터 동력을 전달받아 회전하면서 측편에 캠홈(613a)이 형성된 캠휠(613), 상기 메인프레임(100)의 바닥에서 힌지(614a)를 통해 회전가능하게 설치되고 상기 캠휠의 캠홈(613a)에 끼워진 돌기(614b)에 의해 메인프레임의 길이 방향으로 회동운동하는 원동레버(614)를 포함한다.
또한, 박스모듈 작동기구(620)는 상기 원동레버의 작동에 따라 메인프레임의 길이 방향으로 왕복 운동하는 수평 랙바(621), 상기 수평 랙바의 구동에 의해 정, 역회전하는 수직 체인(622), 상기 수직 체인(622)에 의해 회전하면서 성형펀치(511)의 수직랙바(511c)에 치합된 피니언(623)을 포함한다.
그리고 푸셔 작동기구(630)는 상기 종동풀리(612)로부터 다단계의 체인 유니트(631)로써 소재 이송모듈(300)의 왕복운동기구(306)의 푸셔(305)에 연결하여 구성된 것이고, 버큠 작동기구(640)는 상기 종동풀리(612)로부터 연결링크부재(641)를 이용하여 소재 이송모듈(300)의 버큠(301)에 연결한 것이다.
이때, 상기한 박스모듈 작동기구(620)의 1회 작동행정과, 상기한 푸셔 작동기구(630)의 1회 작동행정과, 상기한 버큠 작동기구(640)의 1회 작동행정이 같은 시간을 가지도록 동기화된다.
도 2 및 도 3의 미설명 부호는 완성된 상자의 이송을 위한 컨베이어이고, 는 이송된 상자들을 일정 수량씩 적층하기 위한 적층모듈이다.
다음은 상기와 같은 본 발명의 작동상태를 설명한다.
본 발명의 포장용 종이상자 제조장치는 도 1의 전개도에서 보는 바와 같은 상자 소재(B)를 소재 적층모듈(200)에 적층한 후에 작동된다.
소재 적층모듈(200)에서는 소재(B)들의 사방 끝단이 적층 안내부재(204)에 마련된 걸림편(205)에 살짝 거치되어 있는 상태이며, 다음에 설명할 소재 이송모듈(300)의 버큠(301)이 빨아 당길 때 한장씩 아래로 배출된다.
그리고 본 발명의 소재 적층모듈(200)은 상자 소재(B)의 크기가 달라질 경우, 메인프레임(100) 위에서 폭 조절스크류(202) 상에 설치된 한 쌍의 이송용 베이스부재(203)의 폭을 폭 조절스크류(202)로써 조절할 수 있다.
상기와 같이 소재 적층모듈(200)에 적층된 소재(B)는 최하단의 소재부터 버큠(301)이 빨아 당겨 공급받는다. 즉, 상, 하 승강기구(302)에 의해 작동하는 횡간부재(303)의 버큠(301)들이 상승하였다가 소재를 흡착한 상태에서 하강하고, 하강 즉시, 푸셔(305)가 밀어 이송시킨다.
푸셔(305)는 메인프레임(100) 상에서 그 길이 방향으로 설치된 체인 유니트(631)에 의해서 왕복운동하며, 푸셔가 밀어서 이송시키는 과정 중에 접착제가 공급된다.
즉, 접착제 공급모듈(400)의 펌핑수단(403)이 작동하면 접착제 탱크(404) 내부의 접착제가 공급호스(402)를 통해 노즐(401)로 분사되며, 노즐의 위치는 당연히 절첩시 겹쳐지는 부분이며, 소재의 절첩상태에 따라 변경이 가능하다.
접착제까지 도포된 상자 소재(B)가 푸셔(305)에 의해 완전히 이송되면 도 7의 우측에서 보는 바와 같이 절첩기구(510)의 성형틀(512)위에서 성형준비가 완료된 상태이다.
이 상태에서 절첩기구(510)의 성형펀치(511)가 하강하여 벤딩작업을 수행하는 바, 성형펀치(511)의 압착판(511a)이 소재(B)의 바닥판(B1) 위를 누르게 되고, 눌리는 바닥판(B1)은 도 1의 2번째 그림과 같이 접히기 시작하면서 성형틀(512)의 공간부(512a) 속으로 밀려 들어간다.
이 공간부(512a)의 둘레에는 좌, 우 측면판(B4)(B5)의 날개부(B6)를 접기 위한 날개 가이드(512d), 상기 좌, 우 측면판(B4)(B5)을 절첩하기 위한 측면판 가이드(512e), 그리고 상기 날개부(B6)들과 함께 상기 정면판(B2) 및 배면판(B3)을 접기 위한 정면 가이드(512b) 및 배면 가이드(512c)가 마련되어 있기 때문에 좌, 우 측면판(B5), 그 좌, 우 측면판의 날개부(B6)들, 그리고 정면판(B2)과 배면판(B3)이 모두 수직의 상태로 꺾여 올려진다. (도 1의 4번째 그림 참조)
이후, 성형펀치(511)가 하강을 완료하고 다시 상승을 하는 시점에서 성형틀(512)의 좌, 우 양측에 마련된 반전 플레이트(512f)가 작동하여 소재(B)의 덮개부(B7)를 안쪽으로 꺾어준다. (도 1의 5번째 그림 참조)
이와 같이 반전 플레이트(512f)가 덮개부(B7)를 안쪽으로 꺾는 과정을 마치는 순간에 넓게 펼쳐졌던 성형펀치(511)의 압착판(511a)들은 순간적으로 안쪽으로 접혔다가 펼쳐지므로써 압착판(511a)들이 덮개부(B7) 안쪽에 걸리는 일을 방지한다.
이때의 압착판(511a)들은 그 헤드부(511b)의 안쪽에 구비한 액츄에이터(511e)에 의해 작동된다.
이어서, 상자의 양쪽 덮개부(B7)가 안쪽으로 꺾여(도 1의 다섯번째 그림 참조) 하향 상태를 유지하는 사방의 익편(B8)들, 그리고 이 익편(B8)들을 포함하여 접착제가 묻혀진 상자의 정면판(B2) 및 측면판(B4) 부분을 압착기구(520)가 눌러서 접착력을 향상시킨다.
즉, 도 10에서 보는 바와 같이 박스공압실린더(523)가 작동하였을 때 안쪽으로 회동하는 회동 브라켓(522)의 가압판(521)들이 접착제 도포부분을 눌러 주는 것이다.
그리고 도포부분을 눌러서 상자가 완전히 성형되면, 그 아래 배출기구(530)의 원판드럼(531)이 회전하여 아래로 배출시키게 되고, 배출된 상자는 도 2에서 보는 바와 같이 이송 컨베이어(700)를 통해 적층모듈(800)로 이송시킨다.
이상과 같은 과정이 하나의 박스를 완성하는 과정이고, 박스모듈(500)에서 절첩기구(510)의 성형펀치(511)가 1회의 상,하 승강 운동을 마치는 시점에 소재 이송모듈(300)은 이미 다음 차례의 소재(B)를 밀어서 공급시키기 시작하며, 이와 같은 작동을 반복하여 연속 자동으로 생산한다.
도 12는 일 실시예에 따른 포장용 종이상자 제작장치의 동작 과정을 종합 제어하여 오류를 방지하기 위한 자동화 시스템을 나타낸 개념도이다.
도 12를 참조하면, 본 발명의 일 실시예에 따른 자동화 시스템은 전술한 포장용 종이상자 제조장치, 포장용 종이상자 제조장치를 구성하는 각 모듈들과 통신하여 원격으로 모듈들 각각의 동작을 개별 제어하는 제어 서버(1000), 포장용 종이상자 제조장치의 동작 과정을 실시간으로 모니터링하고 동작 과정에 따른 제조 영상(PIMG)을 제어 서버(1000)에 제공하는 다수의 영상 촬영모듈(1100)들을 포함할 수 있다. 예를 들어, 영상 촬영 모듈(1100)은, 초소형 카메라일 수 있다.
여기서, 포장용 종이상자 제조장치는, 전술한 메인프레임(100), 소재 적층모듈(200), 소재 이송모듈(300), 접착제 공급모듈(400), 박스모듈(500), 동력전달모듈(600), 이송 컨베이어(700), 및 적층모듈(800) 중 적어도 하나를 포함하는 것으로 해석될 수 있으나, 이하에서 설명하는 자동화 시스템의 제어 동작은 이에 한정되지 않는다.
예를 들어, 포장용 종이상자 제조장치에는 전술한 구성 이외에도 제단되지 않은 종이 원물들을 적층하여 보관하는 원물 적층모듈, 원물 적층 모듈에서 적층된 원물들을 순차적으로 이송시키는 원물 이송모듈, 이송된 종이 원물들을 미리 정의된 커팅 위치에 따라 제단하는 원물 커팅모듈, 원물 커팅 모듈에 의해 제단된 종이 원물들을 소재 적층모듈(200)에 전달하는 소재 이송 모듈을 더 포함할 수 있다.
즉, 자동화 시스템의 제어 동작과 오류 검출 과정은 통상의 기술자가 실시중인 다양한 형태의 포장용 종이상자 제조 장치에도 적용될 수 있는 것으로 해석되어야 한다.
제어 서버(1000)는, 포장용 종이상자 제조장치를 구성하는 모듈들(예를 들어, 메인프레임(100), 소재 적층모듈(200), 소재 이송모듈(300), 접착제 공급모듈(400), 박스모듈(500), 동력전달모듈(600), 이송 컨베이어(700), 및 적층모듈(800)) 중 적어도 하나의 동작을 제어함과 동시에 동작 과정에서 발생하는 오류를 검출하도록 구성된다.
이를 위해, 제어 서버(1000)는, 다수의 영상 촬영모듈(1100)들을 이용하여 제조 과정 중에 발생하는 제조 영상(PIMG)들을 실시간으로 수집하고, 수집된 제조 영상(PIMG)들을 실시간으로 분석하여 모듈들 중 적어도 하나의 오류 여부를 검출할 수 있다.
영상 촬영모듈(1100)들 각각은 포장용 종이상자 제조장치를 구성하는 각 모듈들의 동작을 최대한 잘 모니터링할 수 있도록, 각 모듈들과 인접한 위치에서 각 모듈들에 의해 처리되는 포장용 종이 상자(B)를 근접 촬영하도록 구성된다.
또한, 제어 서버(1000)는, 수집된 제조 영상들(PIMG)을 미리 지도학습된(supervised learning) 인공신경망(10)을 이용하여 분석함으로써, 모듈들 중 적어도 하나의 오류를 검출할 수 있다.
제어 서버(1000)는, 검출된 오류에 대응하는 모듈에 대하여 오류 처리를 위한 제어 동작을 수행할 수 있다. 예를 들어, 검출된 오류에 대응하는 모듈의 동작을 중지(pause)시키거나, 검출된 오류에 대응하는 모듈의 동작 위치를 미세 조정(fine-tuning)할 수 있다.
제어 서버(1000)는, 다양한 형태의 서버나 단말로서 구현될 수 있으며, 예를 들어, 푸쉬 서버(Push server), 게이트웨이 서버(Gateway server), 네임 서버(Name server) 등으로서의 기능을 병행할 수 있다.
도 13은 도 12에 따른 제어 서버의 기능적 모듈을 나타낸 블록도이다.
도 13을 참조하면, 제어 서버(1000)는, 포장용 종이상자 제조장치를 구성하는 모듈들 중 적어도 하나의 물리적 동작을 제어하는 모듈 제어부(1010); 포장용 종이상자 제조장치를 구성하는 모듈들과 인접한 위치에 설치되어 상기 모듈들에 의해 처리되는 포장용 종이 상자(B)를 근접 촬영하도록 구성된 영상 촬영모듈(1100)들과 연동하여 다수의 제조 영상(PIMG)들을 수집하는 제조 영상 수집부(1020), 수집된 제조 영상(PIMG)들을 전처리하여 인공 신경망(10)에 대한 입력 데이터를 생성하는 제조 영상 전처리부(1030), 미리 수집된 훈련 데이터 셋(traning data set)을 이용하여 인공신경망(10)을 지도학습하는 인공신경망 학습부(1040), 지도학습된 인공신경망(10)의 출력에 기초하여 모듈들 중 적어도 하나의 오류 여부를 검출하는 오류 검출부(1050), 검출된 오류에 대응하여 모듈들 중 적어도 하나의 동작을 중지하거나 동작 위치를 미세 조정하는 오류 처리부(1060)를 포함할 수 있다.
모듈 제어부(1010)는, 포장용 종이상자 제조장치를 구성하는 모듈들과 무선 네트워크 또는 유선 네트워크로 연결되어 모듈들 각각의 전원 공급을 제어하거나, 물리적 동작을 위한 각종 제어값을 결정하여 모듈들에 제공할 수 있다.
제조 영상 수집부(1020)는, 주기적으로(periodically) 영상 촬영모듈(1100)들과 연동하여 제조 영상(PIMG)들을 수집할 수 있다. 또 다른 예시로, 제조 영상 수집부(1020)는, 모듈 제어부(1010)에 의해 제어되는 모듈들 각각의 물리적 동작과 연동하여 제조 영상(PIMG)들을 수집할 수 있다. 예를 들어, 제조 영상 수집부(1020)는, 모듈들 각각에 대하여 미리 정의된 물리적 동작을 감지하고, 물리적 동작을 감지한 것에 대한 응답으로, 해당 물리적 동작을 수행하는 모듈과 인접한 위치에 설치된 영상 촬영모듈(1100)을 이용하여 제조 영상(PIMG)을 수집할 수 있다.
제조 영상 전처리부(1030)는, 수집된 제조 영상(PIMG)들에서 관심 영역(AOI)을 검출하고, 검출된 관심 영역(AOI)을 기반으로 인공신경망(10)에 대한 입력 데이터로서, 오차 벡터들(error vectors)를 생성할 수 있다.
인공신경망 학습부(1040)는, 미리 수집된 훈련 데이터 셋을 이용하여 인공신경망(10)을 지도학습할 수 있다. 여기서, 훈련 데이터 셋은, 포장용 종이상자 제조장치를 구성하는 모듈들 각각의 오류 발생시에 수집된 제조 영상(PIMG)들을 이용하여 생성된 오차 벡터(error vector)들을 훈련 입력값으로 갖고, 오류가 발생된 모듈과 대응하는 목표 출력 벡터(target output vector)를 훈련 출력값으로 갖는 데이터 집합일 수 있다.
이러한 목표 출력 벡터를 산정하기 위하여, 인공신경망 학습부(1040)는, 포장용 종이상자 제조장치를 구성하는 모듈들 각각에 대응하는 목표 출력 벡터들을 미리 매칭하여 저장할 수 있다.
오류 검출부(1050)는, 지도학습된 인공신경망(10)에 오차 벡터들을 입력하고, 인공신경망(10)의 출력으로 오류가 발생한 것으로 예측되는 모듈과, 해당 예측되는 모듈에 대한 오류 발생 확률을 획득할 수 있다.
즉, 인공신경망(10)은 오차 벡터들을 입력받으면, 모듈들 각각에 대응하는 오류 발생 확률을 산정하고, 산정된 오류 발생 확률이 가장 높은 모듈을 지시하는 목표 출력 벡터와 산정된 오류 발생 확률을 출력값으로서 제공한다.
오류 검출부(1050)는, 인공신경망(10)의 출력으로 획득되는 오류 발생 확률이 미리 설정된 임계값 이상인지 판단하고, 임계값 이상인 경우 인공신경망(10)의 출력값에 의해 지시되는 목표 출력 벡터와 대응하는 모듈에 오류가 있는 것으로 검출할 수 있다.
오류 처리부(1060)는, 오류 검출부(1050)에 의해 오류가 있는 것으로 검출된 모듈에 대한 동작 중지 또는 해당 모듈에 대한 동작 위치를 미세 조정할 수 있다. 이를 위해, 오류 처리부(1060)는 모듈 제어부(1010)와 연동하여 제어값을 생성하고, 생성된 제어값을 검출된 모듈로 제공함으로써, 해당 검출된 모듈의 오류 처리 제어 동작을 지시할 수 있다.
도 14는 도 13에 따른 제조 영상 전처리부(1030)의 동작을 설명하기 위한 개념도이다. 도 15는 본 발명의 일 실시예에 따른 합성곱 신경망의 구조를 설명하기 위한 개념도이다.
도 14를 참조하면, 제조 영상 전처리부(1030)는, 제조 영상(PIMG)들 각각에서 관심 영역(AOI)을 검출할 수 있다. 여기서 관심 영역(AOI)은, 합성곱 신경망(Convolutional Neural Network, CNN, 20) 기반의 객체 검출 알고리즘을 이용하여 검출될 수 있다. 예를 들어, 객체 검출 알고리즘(object detection algorithm)은, YOLO(You Only Look Once), Faster R-CNN, SSD(Single Shot Multibox detector) 등이 사용될 수 있다.
구체적으로, 합성곱 신경망(20)은, 제조 영상(PIMG)을 미리 설정된 크기의 이미지로 입력받고, 입력받은 제조 영상(PIMG)에서 미리 지도학습된 객체(object)를 검출하고, 검출된 객체에 대응하는 바운딩 박스(bounding box) 형태의 영역을 관심 영역(Area of Interest, AOI)으로서 출력할 수 있다.
이를 위해, 합성곱 신경망(20)은, 객체(object)를 식별할 수 있도록 미리 지도학습된다. 예를 들어, 객체는 포장용 종이 상자(B)에서 미리 정의된 부분들(specific parts)일 수 있다. 여기서 미리 정의된 부분들(예를 들어, 좌, 우 측면판(B4)(B5)의 날개부(B6) 등)은 수집된 제조 영상(PIMG)마다 각기 다르게 설정될 수 있으며, 이를 위해 합성곱 신경망(20)은, 제조 영상(PIMG)마다 그와 대응하는 특정 부분들(parts)을 검출하도록 지도학습될 수 있다.
구체적으로, 도 15를 참조하면, 합성곱 신경망(20)은, 미리 설정된 크기의 제조 영상(PIMG)을 입력받아, 특징 맵(feature map)을 추출하는 컨볼루셔널 계층(21), 추출된 특징에 대해 활성화 함수를 이용해 출력을 활성화할지 여부를 결정하는 활성화 계층(22), 활성화 계층(22)에 따른 출력에 대해 샘플링을 수행하는 풀링 계층(23), 클래스에 따른 분류를 수행하는 완전 연결 계층(24), 완전 연결 계층(24)에 따른 출력을 최종적으로 출력하는 출력 계층(25)을 포함할 수 있다.
컨볼루셔널 계층(21)은 입력된 제조 영상(PIMG)과 필터를 서로 합성곱함으로써 입력 데이터의 특징을 추출하는 계층일 수 있다. 여기서 필터는 입력된 제조 영상의 특징적 부분을 검출하는 함수로서, 일반적으로 행렬로 표현되며 학습 데이터에 의해 지속적으로 학습됨에 따라 결정되는 함수일 수 있다. 컨볼루셔널 계층(11)에 의해 추출된 특징은 특징 맵(feature map)으로 지칭될 수도 있다. 또한, 합성곱을 수행하는 간격 값을 스트라이드(stride)라고 지칭할 수 있는데, 스트라이드 값에 따라 다른 크기의 특징 맵이 추출될 수 있다. 이때, 특징 맵은 필터의 크기가 입력된 제조 영상(PIMG)보다 작으면, 기존의 입력된 제조 영상(PIMG)보다 더 작은 크기를 갖게 되는데, 여러 단계를 거쳐 특징이 소실되는 것을 방지하기 위하여 패딩 과정이 추가로 수행될 수 있다. 이때, 패딩 과정은 생성된 특징 맵의 외곽에 미리 설정된 값(예를 들면 0이나 1)을 추가함으로써 입력된 제조 영상(PIMG)의 크기와 특징 맵의 크기를 동일하게 유지하는 과정일 수 있다.
여기서 본 발명의 일 실시예에 따른 컨볼루셔널 계층(21)은, 1Х1 컨볼루셔널 계층과 3Х3 컨볼루셔널 계층을 순차로 반복 연결한 구조를 사용할 수 있다.
활성화 계층(22)은 어떠한 값(또는 행렬)으로 추출된 특징을 활성화 함수에 따라 비선형 값으로 바꾸어 활성화 여부를 결정하는 계층으로, 활성화 함수로는 시그모이드(sigmoid) 함수, ReLU 함수, 소프트맥스(softmax) 함수 등이 사용될 수 있다. 예를 들어, 소프트맥스 함수는 입력된 값을 0~1사이의 값으로 모두 정규화하며 출력 값들의 총합은 항상 1이 되는 특성을 가진 함수일 수 있다.
풀링 계층(23)은 활성화 계층(22)의 출력에 대하여 서브 샘플링(subsampling) 또는 풀링(pooling)을 수행하여 특징맵을 대표하는 특징을 선정하는 계층으로서, 특징맵의 일정 영역에 대하여 가장 큰 값을 추출하는 맥스 풀링(max pooling), 평균값을 추출하는 애버리지 풀링(average pooling) 등이 수행될 수 있다. 이때, 풀링 계층은 활성화 함수 이후에 반드시 수행되는 것이 아니라 선택적으로 수행될 수 있다.
또한, 여기서 합성곱 신경망(20)은, 컨볼루셔널 계층(21), 활성화 계층(22), 및 풀링 계층(23)의 연결 구조가 복수개 포함될 수도 있다.
완전 연결 계층(24)은, 미리 정의된 클래스들 중 하나로 제조 영상(PIMG)에서 검출된 객체(obeject)를 분류한다. 예를 들어, 클래스들은 포장용 종이 상자(B)에서 미리 정의된 부분들 각각을 지칭할 수 있다.
즉, 완전 연결 계층(24)은, 포장용 종이 상자(B)에서 미리 정의된 부분들 중 하나로 검출된 객체를 분류하여 출력층(25)으로 제공한다.
출력층(25)은, 완전 연결 계층(24)에 의해 분류된 객체가 해당 부분에 해당할 확률을 결정하고, 결정된 확률이 가장 높은 클래스를 출력할 수 있다.
따라서, 제조 영상 전처리부(1030)는, 합성곱 신경망(20)의 출력을 통해 제조 영상(PIMG)에 포함된 포장용 종이 상자(B)의 적어도 일 부분을 관심 영역(AOI)으로 검출할 수 있다.
다시 도 14를 참조하면, 제조 영상 전처리부(1030)는, 검출된 관심 영역(AOI)을 미리 정의된 레퍼런스 부분 이미지(RefIMG)와 비교하여 오차 벡터를 생성할 수 있다.
여기서, 레퍼런스 부분 이미지(RefIMG)는, 포장용 종이 상자(B)에서 미리 정의된 부분들 중 관심 영역(AOI)으로 검출된 부분에 대하여 미리 정의된 윤곽(outline) 이미지일 수 있다. 즉, 레퍼런스 부분 이미지(RefIMG)는, 제조 영상(PIMG)에서 포장용 종이 상자(B)의 미리 정의된 부분들 각각에 대하여 미리 윤곽선을 추출하고, 추출된 윤곽선의 전체 크기를 관심 영역(AOI)과 대응하는 크기로 조정한 이미지일 수 있다.
즉, 제조 영상 전처리부(1030)는, 레퍼런스 부분 이미지(RefIMG)에서 미리 정해진 각 지점과 관심 영역(AOI)의 각 지점 사이의 거리들(df1, df2, df3, ??, dfn)를 산출하고, 산출된 거리들 각각은 성분값으로 하는 오차 벡터를 생성할 수 있다. 이때, 오차 벡터는 제조 영상(PIMG)들 각각에 대하여 하나씩 생성된다. 즉, 제조 영상(PIMG)이 n(n은 2 이상의 자연수) 개 존재하는 경우, 오차 벡터도 n개 생성될 수 있다.
예를 들어, n개의 제조 영상(PIMG)들 중에서 임의의 i번째 오차 벡터는 다음의 수학식 1과 같이 생성될 수 있다.
이때, 거리들을 산출하기 위한 방법 중 하나로 레퍼런스 부분 이미지(RefIMG)에서 미리 정해진 각 지점과 관심 영역(AOI)의 각 지점 사이의 화소(pixel) 개수를 산정하고, 산정된 화소 개수를 미리 설정된 가중치 변환계수에 따라 변환함으로써 거리들을 산출할 수도 있다.
이러한 거리들을 높은 정밀도로 산출할 수 있도록, 제조 영상(PIMG)은 HD(High Definition) 해상도 이상의 고해상도로 구성되는 것이 바람직하다.
도 16은 일 실시예에 따른 인공신경망(10)의 구조와 동작을 설명하기 위한 개념도이다.
도 16을 참조하면, 인공 신경망(10)은, 오차 벡터들 각각을 순차적으로 입력받고, 오차 벡터들 각각의 성분값 개수와 동일한 개수(n)의 입력 노드들로 구성되는 입력층(11), 입력층(11)으로부터 전달받은 출력값들을 이용하여 출력 벡터(Y`)를 출력층(13)에 전달하는 은닉층(12), 및 출력 벡터(Y`)에 활성화 함수를 적용하여 출력 벡터(Y`)에 대응하는 확률(p)을 출력하는 출력층(13)을 포함할 수 있다.
이때, 인공 신경망(10)은, 미리 수집된 훈련 데이터 셋을 이용하여 미리 지도학습되며, 전술한 바와 같이 훈련 데이터 셋은, 포장용 종이상자 제조장치를 구성하는 모듈들 각각의 오류 발생시에 수집된 제조 영상(PIMG)들을 이용하여 생성된 오차 벡터(error vector)들을 훈련 입력값으로 갖고, 오류가 발생된 모듈과 대응하는 목표 출력 벡터(target output vector, Y)를 훈련 출력값으로 갖는 데이터 집합일 수 있다.
구체적으로, 인공 신경망(10)은, 훈련 입력값으로 제공된 오차 벡터들(D1~DN)을 순차적으로 입력받으면, 은닉층(12)의 출력으로서 획득되는 출력 벡터(Y`)와 훈련 출력값으로 제공받은 목표 출력 벡터(Y)를 이용하여 손실함수(loss function)을 연산하고, 연산된 손실함수의 결과값이 최소화되도록 지도학습된다.
예를 들어, 손실 함수(H(Y,Y`))는, 크로스 엔트로피(Cross Entropy) 함수일 수 있다. 출력 벡터(Y`)와 목표 출력 벡터(Y) 사이의 크로스 엔트로피(H(Y,Y`))는 다음의 수학식 2와 같이 정의될 수 있다.
수학식 2에서 Ym은 목표 출력 벡터(Y)의 m(m은 1 이상의 자연수)번째 성분이고, Y`m은 출력 벡터(Y`)의 m번째 성분일 수 있다.
한편, 크로스 엔트로피 함수는 통상적인 인공 신경망(10)의 손실함수로서 많이 사용되나 본 발명에서와 같이 목표 출력 벡터(Y)를 오류가 발생된 모듈과 대응시켜 구성하는 경우에는 그 대응관계가 손실함수에 반영되지 않아 학습 효과가 떨어지는 문제점이 발생할 수 있다.
이러한 문제를 보완하기 위하여, 본 발명의 일 실시예에서 손실 함수는 다음의 수학식 3과 같이 새롭게 정의될 수 있다.
수학식 3에서, Y``는 목표 출력 벡터(Y)와 대응하는 모듈 이외에 나머지 다른 모듈들 각각에 대응하도록 미리 정의된 목표 출력 벡터로서, Y1 내지 Yj(j는 모듈들 전체의 수보다 1 작은 값) 중 하나일 수 있다. 또한, N은 목표 출력 벡터의 성분값 개수를 의미할 수 있고, Ym은 목표 출력 벡터(Y)의 m(m은 1 이상의 자연수)번째 성분이고, Y`m은 출력 벡터(Y`)의 m번째 성분일 수 있다. 또한, 수학식 3에서, UL(Y, Y``)는, 목표 출력 벡터(Y) 및 나머지 다른 모듈 각각에 대응하도록 미리 정의된 목표 출력 벡터(Y``) 사이의 유클리디안 거리(Euclidian distance)일 수 있다.
즉, 손실 함수에서 모듈들 각각에 대응하는 목표 출력 벡터들 사이의 유클리디안 거리를 연산하여 이를 반영하기 때문에, 모듈들 각각에 대응하는 목표 출력 벡터들 사이의 대응 관계가 손실함수에 고려되어 지도 학습에 따른 출력 정확도가 향상되는 효과가 있다.
입력층(11)은 오류 벡터들(D1~Dn)을 순차적으로 입력받고, 입력받은 오류 벡터들 각각에 대하여, 입력 노드들과 대응하는 하나 이상의 연결 강도값들을 적용하여 은닉층(12)에 전달할 수 있다.
예를 들어, 입력 노드들 각각에 대응하는 하나 이상의 연결 강도값들은 NХn의 크기를 갖는 제1 연결강도 행렬(WNХn)로 표현할 수 있다. 이때, N은 입력노드들과 동일한 개수인 N일 수 있고, n은 오류 벡터들(D1~Dn)의 개수인 n과 동일하게 설정된다. 제1 연결강도 행렬(WNХn)은 임의의 초기값으로 설정된 후 지도학습을 통해 지속적으로 갱신될 수 있다.
종합하면, 입력층(11)은 순차적으로 입력받은 오류 벡터들(D1~Dn) 각각에 제1 연결강도 행렬(WNХn)을 행렬곱 연산하여 얻어진 중간 연산 벡터들(X1~Xn)을 은닉층(12)에 전달할 수 있다.
은닉층(12)은, 입력층(11)으로부터 전달받은 중간 연산 벡터들(X1~Xn)을 서로 합성하여 합성 벡터(X`)를 생성하고, 생성된 합성 벡터(X`)에서 획득되는 특징 벡터(feature vector, F)에 은닉 노드들 각각에 대응하는 하나 이상의 연결 강도를 적용하여 출력 벡터(Y`)를 생성하고, 생성된 출력 벡터(Y`)를 출력층(13)에 전달할 수 있다.
구체적으로, 은닉층(12)은, 중간 연산 벡터들(X1~Xn) 각각을 하나의 열(column)로 갖는 합성 벡터(X`)를 아래의 수학식 4와 같이 생성할 수 있다.
이때, 합성 벡터(X`)의 행의 개수는 V개이고, 여기서 V는 오류 벡터들의 개수인 n과 동일하게 설정되므로, 합성 벡터(X`)는 n×n의 크기를 갖는 정방 행렬에 해당할 수 있다.
다음으로, 은닉층(12)은, 합성 벡터(X`)를 아래 수학식 5를 만족하는 대각 행렬(diagonal matrix)인 특징 벡터(F)를 획득할 수 있다.
수학식 5에서, Q는 대각 행렬인 특징 벡터(F)와 합성 벡터(X`) 사이에 수학식 5에 따른 관계를 가역적으로 만족시키는 행렬로서, 좌표변환행렬에 해당한다. 수학식 5에 따른 연산은 대각화 연산의 하나로 지칭될 수 있으며, 통상의 기술자에게 쉽게 이해될 수 있으므로 구체적인 설명은 생략한다.
이때, 은닉 노드들 각각에 대응하는 하나 이상의 연결 강도값들은 nХN의 크기를 갖는 제2 연결강도 행렬(UnХN)로 표현할 수 있다. 즉, 제2 연결강도 행렬(UVХN)은 n개의 차원으로 사상된 특징 벡터(F)를 다시 N개의 차원으로 복원한다.
한편, 제2 연결강도 행렬(UnХN)의 초기값은 임의의 값으로 설정된 후, 특징 벡터(F)와 제2 연결강도 행렬(UnХN) 사이의 행렬곱 연산하여 생성된 출력 벡터(Y`)가 훈련 출력값인 목표 출력 벡터(Y)가 되도록 지속적으로 갱신될 수 있다. 즉, 제2 연결강도 행렬(UnХN)은 학습 데이터를 지속적으로 지도학습함에 따라 갱신될 수 있다.
즉, 은닉층(12)은, 입력층(11)으로부터 전달받은 다수의 중간 연산 벡터들(X1~Xn)을 하나의 특징 벡터로 통합하고, 통합된 특징 벡터에 대하여 연결강도를 적용하여 출력 벡터를 생성하므로, 다수의 오류 벡터들을 하나의 특징 벡터로 합쳐 연산하도록 하여 은닉층(12)의 연산 속도를 고속화하고, 오류 벡터들 사이의 연관관계가 충분히 학습될 수 있도록 유도할 수 있다.
출력층(13)은, 은닉층(12)으로부터 전달받은 출력 벡터(Y`)에 활성화 함수를 적용함으로써 출력 벡터(Y`)에 대응하는 확률(p)을 출력할 수 있다. 활성화 함수는 다양한 범위를 가지는 값들을 0과 1 사이의 값으로 확대 또는 축소함으로써 확률로 변환하는 효과가 있다. 예를 들어, 활성화 함수는, LeRU 함수 또는 Softmax 함수일 수 있으나 이에 한정되는 것은 아니다.
도 17은 일 실시예에 따른 제어 서버(1000)의 하드웨어 구성을 예시적으로 나타낸 도면이다.
도 17을 참조하면, 제어 서버(1000)는, 적어도 하나의 프로세서(1100); 및 상기 적어도 하나의 프로세서(1100)가 적어도 하나의 동작(operation)을 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory, 1200)를 포함할 수 있다.
상기 적어도 하나의 동작은, 전술한 제어 서버(1000)의 동작이나 기능들 중 적어도 일부를 포함하는 것으로 해석되어야 하며, 중복 설명을 방지하기 위하여 구체적인 설명은 생략한다.
여기서 적어도 하나의 프로세서(1100)는 중앙 처리 장치(central processing unit, CPU), 그래픽 처리 장치(graphics processing unit, GPU), 또는 본 발명의 실시예들에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다.
메모리(1200)는 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(1200)는 읽기 전용 메모리(read only memory, ROM) 및 랜덤 액세스 메모리(random access memory, RAM) 중에서 적어도 하나로 구성될 수 있다.
제어 서버(1000)는 전술한 동작들을 수행하기 위하여 미리 정의된 애플리케이션이나 프로그램을 저장하는 저장 장치(1600)를 포함할 수 있다. 예를 들어, 저장 장치(1600)는, HDD(hard disk drive), SSD(solid state drive) 등일 수 있다.
또한, 제어 서버(1000)는, 무선 네트워크를 통해 통신을 수행하는 송수신 장치(transceiver)(1300)를 포함할 수 있다. 또한, 제어 서버(1000)는 입력 인터페이스 장치(1400), 출력 인터페이스 장치(1500), 저장 장치(1600) 등을 더 포함할 수 있다. 제어 서버(1000)에 포함된 각각의 구성 요소들은 버스(bus, 1700)에 의해 연결되어 서로 통신을 수행할 수 있다.
본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구의 범위에 의하여 나타내어지며, 특허청구의 범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100 : 메인프레임
200 : 소재 적층모듈
300 : 소재 이송모듈
400 : 접착제 공급모듈
500 : 박스모듈
600 : 동력전달모듈
1000: 제어 서버
1100: 영상 촬영모듈
200 : 소재 적층모듈
300 : 소재 이송모듈
400 : 접착제 공급모듈
500 : 박스모듈
600 : 동력전달모듈
1000: 제어 서버
1100: 영상 촬영모듈
Claims (1)
- 합성곱 신경망(Convolutional Neural Network) 기반으로 제조 모듈의 오류를 실시간으로 검출하기 위한 포장용 종이 상자 제조 시스템으로서,
다수의 제조 모듈들로 구성된 포장용 종이상자 제조장치;
상기 제조 모듈들 각각과 통신하여 원격으로 상기 제조 모듈들 각각의 동작을 개별 제어하는 제어 서버; 및
상기 포장용 종이상자 제조장치의 동작을 실시간으로 모니터링하고, 모니터링에 따른 제조 영상들을 상기 제어 서버에 제공하는 다수의 영상 촬영 모듈들;을 포함하고,
상기 제어 서버는,
상기 제조 모듈들 중 적어도 하나의 물리적 동작을 제어하는 모듈 제어부;
상기 영상 촬영 모듈들과 연동하여 상기 제조 영상들을 수집하는 제조 영상 수집부;
합성곱 신경망 기반으로 상기 제조 영상들을 전처리하여 미리 지도학습(supervised learning)된 인공신경망에 대한 입력 데이터를 생성하는 제조 영상 전처리부;
미리 수집된 훈련 데이터 셋을 이용하여 상기 인공신경망을 지도학습하는 인공신경망 학습부; 및
상기 인공신경망의 출력에 기초하여 상기 제조 모듈들 중 적어도 하나의 오류 여부를 검출하는 오류 검출부;를 포함하고,
상기 인공 신경망 학습부는,
상기 제조 모듈들 각각에 대응하는 목표 출력 벡터들을 미리 매칭하여 저장하고,
상기 훈련 데이터 셋은,
상기 제조 모듈들 각각의 오류 발생시에 수집된 제조 영상들을 이용하여 생성된 오차 벡터들(error vectors)을 훈련 입력값으로 갖고, 상기 제조 모듈들 중 오류가 발생된 제조 모듈과 대응하는 목표 출력 벡터를 훈련 출력값으로 갖는 데이터 집합이고,
상기 인공 신경망은,
상기 오차 벡터들을 순차적으로 입력받고 상기 오차 벡터들 각각의 성분값 개수와 동일한 개수의 입력 노드들로 구성되는 입력층;
상기 입력층으로부터 전달받은 출력값들을 이용하여 출력 벡터를 생성하고, 생성된 상기 출력 벡터를 출력층으로 전달하는 은닉층; 및
상기 출력 벡터에 활성화 함수를 적용하여 상기 출력 벡터에 대응하는 확률을 출력하는 출력층;을 포함하되,
상기 훈련 입력값으로 제공된 상기 오차 벡터들을 순차적으로 입력받고, 상기 은닉층의 출력으로 획득되는 상기 출력 벡터와 상기 훈련 출력값으로 제공받은 상기 목표 출력 벡터를 이용하여 미리 정의된 손실함수(loss function)을 연산하고, 연산된 상기 손실함수의 결과값이 최소화되도록 지도학습되고,
상기 손실 함수는, 하기 수학식과 같이 정의되며,
상기 수학식에서 Y``는 상기 목표 출력 벡터와 대응하는 제조 모듈 이외에 나머지 다른 제조 모듈들 각각에 대응하도록 미리 정의된 목표 출력 벡터로서, Y1 내지 Yj(j는 제조 모듈들 전체의 수보다 1 작은 값) 중 하나이고, N은 상기 목표 출력 벡터의 성분값 개수를 의미할 수 있고, Ym은 상기 목표 출력 벡터의 m(m은 1 이상의 자연수)번째 성분이고, Y`m은 상기 출력 벡터의 m번째 성분이며, UL(Y, Y``)는, 상기 목표 출력 벡터와 상기 나머지 다른 제조 모듈들 각각에 대응하도록 미리 정의된 목표 출력 벡터 사이의 유클리디안 거리(Euclidian distance)이고,
상기 합성곱 신경망은, 미리 설정된 크기의 제조 영상을 입력받아 특징 맵을 추출하는 컨볼루셔널 계층; 추출된 상기 특징 맵에 대하여 활성화 함수를 이용해 출력을 활성화할지 여부를 결정하는 활성화 계층; 상기 활성화 계층에 따른 출력에 대하여 서브 샘플링 또는 풀링을 수행하는 풀링 계층; 상기 제조 영상에서 검출된 객체를 미리 정의된 클래스들 중 하나로 분류하여 출력하는 완전 연결 계층; 상기 완전 연결 계층에 의해 분류된 객체에 대응하는 확률을 결정하고, 결정된 확률이 가장 높은 클래스를 출력하는 출력층;을 포함하는, 포장용 종이 상자 제조 시스템.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220012978A KR102463064B1 (ko) | 2021-08-18 | 2022-01-28 | 합성곱 신경망 기반으로 제조 모듈의 오류를 실시간으로 검출하기 위한 포장용 종이 상자 제조 시스템 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210108757A KR102358948B1 (ko) | 2021-08-18 | 2021-08-18 | Ai 기반으로 포장용 종이 상자 제조를 위한 자동화 시스템 |
KR1020220012978A KR102463064B1 (ko) | 2021-08-18 | 2022-01-28 | 합성곱 신경망 기반으로 제조 모듈의 오류를 실시간으로 검출하기 위한 포장용 종이 상자 제조 시스템 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210108757A Division KR102358948B1 (ko) | 2021-08-18 | 2021-08-18 | Ai 기반으로 포장용 종이 상자 제조를 위한 자동화 시스템 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102463064B1 true KR102463064B1 (ko) | 2022-11-04 |
Family
ID=80251520
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210108757A KR102358948B1 (ko) | 2021-08-18 | 2021-08-18 | Ai 기반으로 포장용 종이 상자 제조를 위한 자동화 시스템 |
KR1020220012978A KR102463064B1 (ko) | 2021-08-18 | 2022-01-28 | 합성곱 신경망 기반으로 제조 모듈의 오류를 실시간으로 검출하기 위한 포장용 종이 상자 제조 시스템 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210108757A KR102358948B1 (ko) | 2021-08-18 | 2021-08-18 | Ai 기반으로 포장용 종이 상자 제조를 위한 자동화 시스템 |
Country Status (1)
Country | Link |
---|---|
KR (2) | KR102358948B1 (ko) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022211293A1 (de) * | 2022-10-25 | 2024-04-25 | Bhs Corrugated Maschinen- Und Anlagenbau Gmbh | Verfahren zur Identifizierung von Anomalien und somit auch tatsächlichen Bearbeitungspositionen einer Bahn sowie zur Klassifizierung dieser Anomalien, Anlage und Computerprogrammprodukt |
KR102617979B1 (ko) * | 2023-02-15 | 2023-12-22 | 이길표 | 포장박스 가공시스템 운용방법 |
CN116429790B (zh) * | 2023-06-14 | 2023-08-15 | 山东力乐新材料研究院有限公司 | 一种基于数据分析的木质包装箱产线智能管控*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100280443B1 (ko) | 1998-02-06 | 2001-06-01 | 김영환 | 반도체식각장비의3극척장치 |
KR200319372Y1 (ko) | 2003-04-02 | 2003-07-12 | 대원팩키지(주) | 물품 보관 및 운반용 종이제 포장박스 |
KR20130025402A (ko) * | 2010-06-29 | 2013-03-11 | 가부시기가이샤 휴텍 | 박스 제조 장치, 검사 장치, 및 박스 제조 장치의 인쇄 레지스터 제어 방법 |
KR20190063839A (ko) * | 2017-11-30 | 2019-06-10 | 전자부품연구원 | 제조 공정에서 딥러닝을 활용한 머신 비전 기반 품질검사 방법 및 시스템 |
JP2019166702A (ja) * | 2018-03-23 | 2019-10-03 | 株式会社日本製鋼所 | 機械学習器により成形条件を調整する射出成形機システム |
KR102268804B1 (ko) * | 2021-02-16 | 2021-06-25 | 최현수 | Ai를 이용하여 수면 상태에 따른 조명과 음악을 제공하는 방법 및 장치 |
-
2021
- 2021-08-18 KR KR1020210108757A patent/KR102358948B1/ko active IP Right Grant
-
2022
- 2022-01-28 KR KR1020220012978A patent/KR102463064B1/ko active IP Right Grant
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100280443B1 (ko) | 1998-02-06 | 2001-06-01 | 김영환 | 반도체식각장비의3극척장치 |
KR200319372Y1 (ko) | 2003-04-02 | 2003-07-12 | 대원팩키지(주) | 물품 보관 및 운반용 종이제 포장박스 |
KR20130025402A (ko) * | 2010-06-29 | 2013-03-11 | 가부시기가이샤 휴텍 | 박스 제조 장치, 검사 장치, 및 박스 제조 장치의 인쇄 레지스터 제어 방법 |
KR20190063839A (ko) * | 2017-11-30 | 2019-06-10 | 전자부품연구원 | 제조 공정에서 딥러닝을 활용한 머신 비전 기반 품질검사 방법 및 시스템 |
JP2019166702A (ja) * | 2018-03-23 | 2019-10-03 | 株式会社日本製鋼所 | 機械学習器により成形条件を調整する射出成形機システム |
KR102268804B1 (ko) * | 2021-02-16 | 2021-06-25 | 최현수 | Ai를 이용하여 수면 상태에 따른 조명과 음악을 제공하는 방법 및 장치 |
Also Published As
Publication number | Publication date |
---|---|
KR102358948B1 (ko) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102463064B1 (ko) | 합성곱 신경망 기반으로 제조 모듈의 오류를 실시간으로 검출하기 위한 포장용 종이 상자 제조 시스템 | |
US12006141B2 (en) | Systems and methods for detecting waste receptacles using convolutional neural networks | |
Kalashnikov et al. | Scalable deep reinforcement learning for vision-based robotic manipulation | |
DE102019003868B4 (de) | Informationsverarbeitungsvorrichtung, informationsverarbeitungsverfahren und speichermedium | |
US9227323B1 (en) | Methods and systems for recognizing machine-readable information on three-dimensional objects | |
US11541534B2 (en) | Method and system for object grasping | |
CN106156778A (zh) | 用于识别三维机器视觉***的视野中的已知对象的装置和方法 | |
CN112295933B (zh) | 一种机器人快速分拣货物的方法 | |
CN114375689B (zh) | 一种农业采摘机器人目标成熟判定和分类收纳方法 | |
CN112488014B (zh) | 基于门控循环单元的视频预测方法 | |
CN113643280A (zh) | 一种基于计算机视觉的板材分拣***及方法 | |
CN103646251B (zh) | 基于嵌入式的苹果采后田间分级检测方法及*** | |
CN110633738A (zh) | 一种用于工业零件图像的快速分类方法 | |
CN106203455A (zh) | 基于机器视觉的物料排正装置及圆柱形物料特征属性的识别方法 | |
CN111932625A (zh) | 一种基于PointNet模型的袋装货物垛拆垛方法 | |
Jørgensen et al. | Designing a flexible grasp tool and associated grasping strategies for handling multiple meat products in an industrial setting | |
EP3767414A1 (en) | Control system unit for use in a 3-dimensional object manufacturing system and a corresponding method of operating | |
Li et al. | Autonomous object pick-and-sort procedure for industrial robotics application | |
WO2022097353A1 (ja) | データセット生成装置、方法、プログラム及びシステム | |
Jørgensen et al. | A flexible suction based grasp tool and associated grasp strategies for handling meat | |
CN114433502A (zh) | 货品拣选方法、装置、电子设备及存储介质 | |
CN114271103A (zh) | 一种基于人工智能识别的蔬果采摘机器人***及结构 | |
CN115112508B (zh) | 民航机场托运行李软硬包识别装置和方法 | |
KR102677763B1 (ko) | 불량마늘 추출시스템 | |
Lemme | Anomaly Detection for Packaging Machines Using Machine Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |