KR20200018411A - 전극편의 버를 검출하기 위한 방법 및 장치 - Google Patents
전극편의 버를 검출하기 위한 방법 및 장치 Download PDFInfo
- Publication number
- KR20200018411A KR20200018411A KR1020197033733A KR20197033733A KR20200018411A KR 20200018411 A KR20200018411 A KR 20200018411A KR 1020197033733 A KR1020197033733 A KR 1020197033733A KR 20197033733 A KR20197033733 A KR 20197033733A KR 20200018411 A KR20200018411 A KR 20200018411A
- Authority
- KR
- South Korea
- Prior art keywords
- electrode piece
- burr
- image
- detected
- piece image
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000001514 detection method Methods 0.000 claims abstract description 89
- 230000004044 response Effects 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 66
- 238000004590 computer program Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 12
- 238000000638 solvent extraction Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 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
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- G06K9/20—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/2163—Partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G06K9/4604—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- 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
- G06T2207/20081—Training; Learning
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
본 출원의 실시예는 전극편의 버를 검출하기 위한 방법 및 장치를 개시한다. 해당 방법의 일 구체적인 실시예는, 전극편 이미지를 획득하는 단계; 상기 검출하고자 하는 전극편 이미지를 사전 트레이닝한 버 사례 분할 모델에 입력하여, 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 존재하는지 여부를 지시하기 위한 검출결과정보 및 버의 윤곽정보를 획득하는 단계 - 버 사례 분할 모델은 전극편 이미지와 검출결과정보 및 윤곽정보 사이의 대응관계를 나타냄 -; 및 상기 검출결과정보가 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 있음을 지시하는 것에 응답하여, 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 있음을 지시하는 알림정보를 출력하는 단계를 포함한다. 해당 실시예는 사례 분할에 기반한 전극편의 버의 검출을 구현한다.
Description
본원 특허는 출원 일자가 2018년 08월 10일이고, 출원 번호가 201810912648.4이며, 출원인이 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디.이며, 발명의 명칭이 "전극편의 버를 검출하기 위한 방법과 장치"인 중국 특허 출원의 우선권을 주장하는 바, 상기 중국 특허 출원의 모든 내용은 참고로서 본원 발명에 원용된다.
본 출원의 실시예는 컴퓨터의 기술 분야에 관한 것으로, 특히 전극편의 버(burr) 검출에 사용되는 방법과 장치에 관한 것이다.
전지의 생산과정에서, 전지 극편의 버는 전지의 품질에 영향을 주는 중요한 요소이다. 따라서 극편의 버에 대한 검출은 품질검사의 중요한 단계이다. 현재까지의 검출방법으로는 주로 사람에 의한 수동검출 혹은 기계의 보조검출이 있다. 여기서, 수동검출은 주로 전문기술자들의 경험에 따라 관찰하고 검출결과를 판단하는 방식이고, 기계의 보조검출은 일부 특징을 검출시스템에 결합시키는 방식이다.
본 출원의 실시예는 전극편의 버를 검출하기 위한 방법 및 장치를 제공한다.
제1 양태에 있어서, 본 출원의 실시예는 전극편의 버를 검출하기 위한 방법을 제공하며, 상기 방법은, 검출하고자 하는 전극편 이미지를 획득하는 단계; 상기 검출하고자 하는 전극편 이미지를 사전 트레이닝한 버 사례 분할 모델에 입력하여, 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 존재하는지 여부를 지시하기 위한 검출결과정보 및 버의 윤곽정보를 획득하는 단계 - 상기 버 사례 분할 모델은 전극편 이미지와 검출결과정보 및 윤곽정보 사이의 대응관계를 나타냄); 및 상기 검출결과정보가 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 있음을 지시하는 것에 응답하여, 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 있음을 지시하는 알림정보를 출력하는 단계;를 포함한다.
일부 실시예에 있어서, 상기 방법은, 상기 검출하고자 하는 전극편 이미지, 상기 검출결과정보 및 상기 윤곽정보를 연관시켜 저장하는 단계를 더 포함한다.
일부 실시예에 있어서, 상기 방법은, 상기 검출하고자 하는 전극편 이미지, 상기 검출결과정보 및 상기 윤곽정보를 표시단으로 전송하는 단계와, 표시단으로부터 발송된 상기 검출하고자 하는 전극편 이미지의 표기정보를 수신하는 것에 응답하여, 상기 검출하고자 하는 전극편 이미지를 샘플 이미지로 확정하고 상기 샘플 이미지와 상기 표기정보를 트레이닝 샘플로 확정하여, 상기 트레이닝 샘플을 기설정된 트레이닝 샘플 집합에 추가함으로써 새로운 트레이닝 샘플 집합을 생성하는 단계를 더 포함한다.
일부 실시예에 있어서, 상기 버 사례 분할 모델은, 상기 새로운 트레이닝 샘플 집합 중의 트레이닝 샘플에 대하여, 해당 트레이닝 샘플의 샘플 이미지를 인풋으로 하고 입력된 샘플 이미지의 표기정보를 예상 아웃풋으로 하여, 기계 학습 방법을 이용하여 트레이닝을 통해 새로운 버 사례 분할 모델을 획득하는 단계를 통하여 업데이트된다.
일부 실시예에 있어서, 상기 방법은, 타깃 전극편 이미지를 획득하는 단계; 상기 타깃 전극편 이미지의 크기를 기설정 크기로 조정하는 단계; 및 조정 후의 타깃 전극편 이미지를 상기 검출하고자 하는 전극편 이미지로 확정하는 단계를 더 포함한다.
제2 양태에 있어서, 본 출원의 실시예는 전극편의 버를 검출하기 위한 장치를 제공하며, 상기 장치는, 검출하고자 하는 전극편 이미지를 획득하도록 구성된 제1 획득 유닛; 상기 검출하고자 하는 전극편 이미지를 사전 트레이닝한 버 사례 분할 모델에 입력하여, 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 존재하는지 여부를 지시하기 위한 검출결과정보 및 버의 윤곽정보를 획득하도록 구성된 검출 유닛 - 상기 버 사례 분할 모델은 전극편 이미지와 검출결과정보 및 윤곽정보 사이의 대응관계를 나타냄 -; 및 상기 검출결과정보가 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 있음을 지시하는 것에 응답하여, 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 있음을 지시하는 알림정보를 출력하도록 구성된 출력 유닛;을 포함한다.
일부 실시예에 있어서, 상기 장치는, 상기 검출하고자 하는 전극편 이미지, 상기 검출결과정보 및 상기 윤곽정보를 연관시켜 저장하도록 구성된 저장 유닛을 더 포함한다.
일부 실시예에 있어서, 상기 장치는, 상기 검출하고자 하는 전극편 이미지, 상기 검출결과정보 및 상기 윤곽정보를 표시단으로 전송하도록 구성된 전송 유닛; 및 표시단으로부터 발송된 상기 검출하고자 하는 전극편 이미지의 표기정보를 수신하는 것에 응답하여, 상기 검출하고자 하는 전극편 이미지를 샘플 이미지로 확정하고, 상기 샘플 이미지와 상기 표기정보를 트레이닝 샘플로 확정하여, 상기 트레이닝 샘플을 기설정된 트레이닝 샘플 집합에 추가함으로써 새로운 트레이닝 샘플 집합을 생성하도록 구성된 생성 유닛;을 더 포함한다.
일부 실시예에 있어서, 상기 버 사례 분할 모델은, 상기 새로운 트레이닝 샘플 집합 중의 트레이닝 샘플에 대하여, 해당 트레이닝 샘플의 샘플 이미지를 인풋으로 하고 입력된 샘플 이미지의 표기정보를 예상 아웃풋으로 하여, 기계 학습 방법을 이용하여 트레이닝을 거쳐 새로운 버 사례 분할 모델을 획득하는 단계를 통하여 업데이트된다.
일부 실시예에 있어서, 상기 장치는, 타깃 전극편 이미지를 획득하도록 구성된 제2 획득 유닛; 타깃 전극편 이미지의 크기를 기설정 크기로 조정하도록 구성된 조정 유닛; 및 조정 후의 타깃 전극편 이미지를 상기 검출하고자 하는 전극편 이미지로 확정하도록 구성된 확정 유닛;을 더 포함한다.
제3 양태에 있어서, 본 출원의 실시예는 전자 기기를 제공하며, 상기 전자 기기는, 하나 또는 다수의 프로세서; 및 하나 또는 다수의 프로그램이 저장된 저장 장치;를 포함하되, 상기 하나 또는 다수의 프로그램이 상기 하나 또는 다수의 프로세서에 의해 실행될 경우, 상기 하나 또는 다수의 프로세서에 의해 제1항 내지 제5항 중 어느 한 항에 따른 방법을 실행하도록 한다.
제4 양태에 있어서, 본 출원의 실시예는 컴퓨터 프로그램이 저장된 컴퓨터 판독 가능한 매체를 제공하며, 상기 프로그램이 프로세서에 의해 실행될 경우, 제1항 내지 제5항 중 어느 한 항에 따른 방법을 구현한다.
본 출원의 실시예에서 제공되는 전지극편의 버 검출 방법 및 장치에 따르면, 검출하고자 하는 전극편 이미지를 사전 트레이닝한 버 사례 분할 모델에 입력함으로써, 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 존재하는지 여부를 지시하기 위한 검출결과정보 및 버의 윤곽정보를 획득한다. 상기 검출결과정보가 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 있음을 지시하는 것에 응답하여, 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 있음을 지시하는 알림정보를 출력한다. 이로써, 사례 분할에 기반한 전극편 버의 검출을 구현함으로써, 사람에 의한 수동 검출에 비해 버의 검출효율을 향상시킬 수 있다.
본 출원의 기타 특징, 목적 및 장점들은 하기 도면을 참조하여 진행하는 비한정적 실시예들에 대한 상세한 설명을 통하여 더욱 명확해 질 것이다.
도 1은 본 출원의 일 실시예가 적용 가능한 예시적 시스템 체계 구조도이다.
도 2는 본 출원에 따른 전극편의 버를 검출하기 위한 방법의 일 실시예의 흐름도이다.
도 3은 본 출원에 따른 전극편의 버를 검출하기 위한 방법의 일 응용 정경의 개략도이다.
도 4는 본 출원에 따른 전극편의 버를 검출하기 위한 방법의 다른 일 실시예의 흐름도이다.
도 5는 본 출원에 따른 전극편의 버를 검출하기 위한 장치의 일 실시예의 개략적 구조도이다.
도 6은 본 출원의 실시예의 전자 기기를 구현하기에 적합한 시스템의 개략적 구조도이다.
도 1은 본 출원의 일 실시예가 적용 가능한 예시적 시스템 체계 구조도이다.
도 2는 본 출원에 따른 전극편의 버를 검출하기 위한 방법의 일 실시예의 흐름도이다.
도 3은 본 출원에 따른 전극편의 버를 검출하기 위한 방법의 일 응용 정경의 개략도이다.
도 4는 본 출원에 따른 전극편의 버를 검출하기 위한 방법의 다른 일 실시예의 흐름도이다.
도 5는 본 출원에 따른 전극편의 버를 검출하기 위한 장치의 일 실시예의 개략적 구조도이다.
도 6은 본 출원의 실시예의 전자 기기를 구현하기에 적합한 시스템의 개략적 구조도이다.
이하, 첨부된 도면 및 실시예들을 참조하여 본 출원에 대한 보다 상세한 설명을 진행하기로 한다. 여기에 설명되는 구체적인 실시예들은 단지 관련된 발명을 해석하기 위한 것일 뿐, 해당 발명을 한정하기 위한 것이 아님을 이해할 수 있을 것이다. 또한, 설명의 편의를 위해 첨부된 도면에는 단지 관련 발명에 관한 부분만이 도시된다.
본 출원의 실시예 및 실시예 중의 특징들은 모순되지 않는 한 서로 조합될 수 있다. 이하, 첨부된 도면을 참조하고 실시예들을 참조하여 본 출원에 대한 상세한 설명을 진행하기로 한다.
도 1은 본 출원의 실시예가 적용 가능한 전극편의 버를 검출하기 위한 방법 혹은 전극편의 버를 검출하기 위한 장치의 예시적 시스템 체계구조(100)를 나타낸다.
도 1에 도시된 바와 같이, 시스템 체계구조(100)는 단말기(101, 102, 103), 네트워크(104) 및 서버(105)를 포함할 수 있다. 네트워크(104)는 단말기(101, 102, 103)와 서버(105) 사이에서 통신 링크의 매개물을 제공할 수 있다. 네트워크(104)는 예컨대 유선 통신 링크, 무선 통신 링크 또는 광섬유 케이블 등과 같은 다양한 연결 유형을 포함할 수 있다.
단말기(101, 102, 103)는 네트워크(104)를 통해 서버(105)와 상호작용하여 메시지 등을 수신 하거나 발송할 수 있다. 단말기(101, 102, 103) 상에는 예컨대 카메라 유형의 애플리케이션, 이미지편집 유형의 애플리케이션, 검색 유형의 애플리케이션, 인스턴트 통신 수단, 이메일 클라이언트 단말기, 소셜 플랫폼 소프트웨어 등과 같은 다양한 클라이언트 애플리케이션이 설치될 수 있다.
단말기(101, 102, 103)는 하드웨어일 수 있으며, 소프트웨어일 수도 있다. 단말기(101, 102, 103)가 하드웨어일 경우, 이미지를 촬영 또는 저장할 수 있는 다양한 전자 기기일 수 있고, 카메라, 동영상 카메라, 스마트폰, 태블릿 PC, 랩탑형 컴퓨터 및 데스크탑형 컴퓨터 등을 포함하나, 이에 한정되지 않는다. 단말기(101, 102, 103)가 소프트웨어일 경우, 앞서 나열한 전자 기기에 설치될 수 있다. 이는 (예컨대, 분산형 서비스를 제공하기 위한) 다수의 소프트웨어 또는 소프트웨어 모듈로 구현될 수 있으며, 단일 소프트웨어 또는 소프트웨어 모듈로 구현될 수도 있다. 여기서 이에 대한 구체적인 한정을 진행하지 않는다.
서버(105)는 다양한 서비스를 제공하는 서버일 수 있으며, 예컨대, 단말기(101, 102, 103)에 발송된 이미지에 대하여 검출을 하는 백엔드 서버일 수 있다. 백엔드 서버는 수신된 이미지에 대하여 검출 등 처리를 진행할 수 있으며, 검출 결과정보에 따라 알림정보를 출력할 수 있다.
본 출원의 실시예에서 제공하는 전극편의 버를 검출하기 위한 방법은 일반적으로 서버(105)에 의해 실행되며, 따라서, 전극편의 버를 검출하기 위한 장치는 일반적으로 서버(105)에 설치된다.
서버는 하드웨어일 수 있으며, 소프트웨어일 수도 있다. 서버가 하드웨어일 경우, 다수의 서버로 구성된 분산형 서버 클러스터로 구현될 수 있으며, 단일의 서버로 구현될 수도 있다. 서버가 소프트웨어일 경우, (예컨대, 분산형 서비스를 제공하기 위한) 다수의 소프트웨어 또는 소프트웨어 모듈로 구현될 수 있으며, 단일의 소프트웨어 또는 소프트웨어 모듈로 구현될 수도 있으며, 이에 대한 구체적인 한정을 진행하지 않는다.
도 1 중의 단말기, 네트워크 및 서버의 수량은 단지 예시적인 것이며, 구현 수요에 따라 임의의 수량의 단말기, 네트워크 및 서버를 구비할 수 있음을 이해하여야 한다.
이어서 도 2를 참조하면, 도 2는 본 출원에 따른 전극편의 버를 검출하기 위한 방법의 일 실시예의 프로세스(200)를 나타낸다. 해당 전극편의 버를 검출하기 위한 방법은 아래와 같은 단계들을 포함한다.
단계(201)에서, 검출하고자 하는 전극편 이미지를 획득한다.
본 실시예에 있어서, 전극편의 버를 검출하기 위한 방법의 실행 주체(예컨대, 도 1에 도시된 서버)는 유선 연결 방식 또는 무선 연결 방식을 통해 통신적으로 연결된 단말기로부터 검출하고자 하는 전극편 이미지를 획득할 수 있다. 여기서, 검출하고자 하는 전극편 이미지는 임의의 전극편 이미지가 될 수 있다. 검출하고자 하는 전극편 이미지는 기술자에 의하여 지정된 것일 수도 있고, 일정한 조건에 따른 스크리닝에 의하여 획득한 것일 수도 있다. 예시로, 실천에 있어서 단말기는 검출하고자 하는 전극편에 대하여 촬영함으로써 전극편 이미지를 획득할 수 있다. 또한 검출하고자 하는 전극편 이미지는 상기 실행 주체의 로컬위치에 저장될 수도 있다. 이 때, 상기 실행 주체는 검출하고자 하는 전극편 이미지를 로컬에서 직접 획득할 수 있다.
단계(202)에서, 상기 검출하고자 하는 전극편 이미지를 사전 트레이닝한 버 사례 분할 모델에 입력하여, 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 존재하는지 여부를 지시하기 위한 검출결과정보 및 버의 윤곽정보를 획득한다.
본 실시예에 있어서, 상기 실행 주체는 단계(201)를 통하여 획득한 검출하고자 하는 전극편 이미지를 사전 트레이닝한 버 사례 분할 모델에 입력할 수 있다. 여기서, 버 사례 분할 모델은 전극편 이미지와 검출결과정보 및 윤곽정보 사이의 대응관계를 지시하기 위한 것이다. 구체적으로, 버 사례 분할 모델은 다양한 사례(instances) 분할 네트워크에 기반하여 트레이닝을 거쳐 획득한 모델일 수 있다. 여기서, 사례 분할 모델은 이미지 속 각각의 픽셀에 대하여 해당 픽셀이 속하는 사례를 확정한다. 즉, 버 사례 분할 모델은 전극편 이미지에 버가 존재하는지 여부를 확정할 수 있을 뿐만 아니라, 전극편 이미지에 다수의 버가 나타나는 경우, 이미지에 나타나는 서로 다른 버를 구분할 수도 있다.
본 실시예에 있어서, 예시적으로, 상기 버 사례 분할 모델은 아래와 같은 단계를 통해 트레이닝을 거쳐 획득할 수 있다.
제1단계에서, 사례 분할에 사용되는 오픈 소스 인공 신경망을 획득하여 이를 초기 버 사례 분할 모델로 한다. 예를 들어, 사례 분할에 사용되는 인공 신경망은 Mask R-CNN, Deep Mask 등이 될 수 있다.
제2단계에서, 트레이닝 샘플의 집합을 획득한다. 여기서, 각 트레이닝 샘플은 샘플 전극편 이미지와 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 존재하는지 여부를 지시하기 위한 검출결과정보 및 버의 윤곽정보를 포함할 수 있다.
실천에 있어서, 여러가지 방식을 통하여 샘플 전극편 이미지를 획득할 수 있다. 예시적으로, 카메라 등 이미지 수집장치를 이용하여 전극편의 이미지를 수집할 수 있다. 실천에 있어서, 서로 다른 촬영 조건(예컨대 서로 다른 각도, 광선, 필터, 배율, 초점 거리 등) 하에서 촬영한 전극편의 이미지를 수집함으로써, 트레이닝 샘플의 다양성을 획득하고, 트레이닝을 통하여 획득한 모델이 서로 다른 촬영 조건에서 촬영한 전극편의 이미지에 대하여 비교적 높은 강건성을 가질 수 있도록 할 수 있다. 샘플 전극편 이미지를 획득한 후, 수동(manual) 마킹의 방식을 통하여 각 샘플 전극편 이미지에 대응되는 검출결과정보와 버의 윤곽정보를 획득할 수 있다.
제3단계에서, 기계 학습 방법을 이용하여， 트레이닝 샘플 집합 중의 트레이닝 샘플의 샘플 전극편 이미지를 초기 버 사례 분할 모델의 인풋으로 하고, 입력된 샘플 전극편 이미지에 대응되는 검출결과정보와 버의 윤곽정보를 초기 버 사례 분할 모델의 예상 아웃풋으로 함으로써, 트레이닝을 거쳐 상기 버 사례 분할 모델을 획득한다.
본 단계에서 일 예시로, 기설정된 손실함수에 기반하여 초기 버 사례 분할 모델에 대한 트레이닝을 완성할 수 있다. 여기서, 손실함수는 트레이닝 과정에서의 초기 버 사례 분할 모델이 출력한 검출결과정보 및 버의 윤곽정보와 트레이닝 샘플에서의 입력한 샘플 전극편 이미지와 대응되는 검출결과정보 및 버의 윤곽정보 사이의 차이를 나타낼 수 있다. 매번 획득한 손실함수의 값에 따라 초기 버 사례 분할 모델의 계수를 조정한다. 또한, 앞뒤 2차례 혹은 여러 차례의 손실함수의 값이 모두 일정 역치보다 작은 것으로 확정되는 경우 트레이닝을 종료할 수 있고, 이 때 획득한 초기 버 사례 분할 모델을 상기 버 사례 분할 모델로 할 수 있다.
본 실시예에서 또 다른 일 예시로, 버 사례 분할 모델은 특징 추출 층, 후보 영역 네트워크 및 예측 네트워크를 포함할 수 있다. 여기서, 특징 추출 층은 단순한 돌림형 신경망(예컨대 ResNet50 혹은 ResNet101)일 수 있다. 특징 추출 층 중의 비교적 낮은 층은 낮은 레벨의 특징(예컨대 변두리선 등)을 추출할 수 있고, 비교적 높은 층은 높은 레벨의 특징(예컨대 사람, 물품 등)을 추출할 수 있다. 특징 추출 층으로부터 이미지의 특징맵(feature maps)을 추출하고, 추출한 특징맵을 후보 영역 네트워크(Region Proposal Network)에 입력할 수 있다. 후보 영역 네트워크는 이미지에 특정 물체가 포함되어 있는지 여부를 계산할 수 있다. 물체가 포함되어 있을 경우 예측 네트워크를 통하여 물체의 종류와 물체의 경계(bounding box)를 확정할 수 있고, 물체가 포함되어 있지 않을 경우 이미지에 대하여 더 이상 분류를 진행하지 않아도 된다. 이로써, 세 부분의 네트워크는 버 사례 분할 모델의 주요 구조를 구성할 수 있다. 실제 수요에 따라 네트워크의 구조에 대하여 상응 조정을 함으로써 실제 수요를 만족시킬 수도 있다. 예시적으로, 특징 조합에 적합한 네트워크를 더 포함할 수도 있으며, 이러한 네트워크는 추출된 특징에 대하여 조합을 진행한다.
단계(203)에서, 상기 검출결과정보가 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 있음을 지시하는 것에 응답하여, 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 있음을 지시하는 알림정보를 출력한다.
본 실시예에 있어서, 상기 실행 주체는 단계(202)를 통하여 검출하고자 하는 전극편 이미지의 검출결과정보 및 버(존재할 경우)의 윤곽정보를 획득할 수 있다. 이에 따라, 상기 검출결과정보가 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 있음을 지시하는 것에 응답하여, 상기 실행 주체는 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 있음을 지시하는 알림정보를 출력할 수 있다. 여기서, 알림정보는 다양한 형식의 정보일 수 있다. 예를 들어, 알림정보는 문자정보일 수도 있고, 음성정보일 수도 있으며, 또한 일부 명령어일 수도 있다. 예를 들면, 로봇암이 전극편을 픽업하도록 작동시키는 명령어가 될 수도 있고, 일지기록을 작동시키는 명령어가 될 수도 있다.
본 실시예의 일부 선택 가능한 구현에 있어서, 전극편의 버를 검출하기 위한 방법은 타깃 전극편 이미지를 획득하고; 타깃 전극편 이미지의 크기를 기설정 크기로 조정하며; 조정 후의 타깃 전극편 이미지를 상기 검출하고자 하는 전극편 이미지로 확정하는 것을 더 포함할 수 있다.
이어서 도 3을 참고하면, 도 3은 본 실시예에 따른 전극편의 버를 검출하기 위한 방법의 일 응용 정경의 개략도이다. 도 3의 응용 정경에서, 전극편의 버를 검출하기 위한 방법의 실행 주체는 서버(301)일 수 있다. 서버(301)는 우선 검출하고자 하는 전극편 이미지(3011)를 획득할 수 있다. 그 다음, 검출하고자 하는 전극편 이미지(3011)를 사전 트레이닝한 버 사례 분할 모델(3012)을 입력하여, 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 존재하는지 여부를 지시하기 위한 검출결과정보("1") 및 버의 윤곽정보(부분확대도(3013)에 도시됨)를 획득한다. 상기 검출결과정보가 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 있음을 지시하는 것에 응답하여, 상기 서버(301)는 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 있음을 지시하는 문자알림정보(3014)를 출력할 수 있다.
본 출원의 상기 실시예에서 제공하는 방법은 검출하고자 하는 전극편 이미지를 사전 트레이닝한 버 사례 분할 모델에 입력함으로써, 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 존재하는지 여부를 지시하기 위한 검출결과정보 및 버의 윤곽정보를 획득한다. 상기 검출결과정보가 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 있음을 지시하는 것에 응답하여, 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 있음을 지시하는 알림정보를 출력한다. 이로써, 사례 분할에 기반한 전극편 버의 검출을 구현함으로써, 사람에 의한 수동 검출에 비해 버의 검출효율을 향상시킬 수 있다.
이어서 도 4를 참고하면, 도 4는 본 출원에 따른 전극편의 버를 검출하기 위한 방법의 다른 일 실시예의 흐름도(400)이다. 해당 전극편의 버를 검출하기 위한 방법의 프로세스(400)는 아래와 같은 단계들을 포함할 수 있다.
단계(401)에서, 검출하고자 하는 전극편 이미지를 획득한다.
단계(402)에서, 상기 검출하고자 하는 전극편 이미지를 사전 트레이닝한 버 사례 분할 모델에 입력하여, 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 존재하는지 여부를 지시하기 위한 검출결과정보 및 버의 윤곽정보를 획득한다.
단계(403)에서, 상기 검출결과정보가 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 있음을 지시하는 것에 응답하여, 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 있음을 지시하는 알림정보를 출력한다.
본 실시예에 있어서, 단계(401-403)의 구체적인 구현 및 그 기술적 효과는 도 2의 해당 실시예의 단계(201-203)를 참고할 수 있으므로, 이에 대한 중복된 설명은 생략하기로 한다.
단계(404)에서, 검출하고자 하는 전극편 이미지, 검출결과정보 및 윤곽정보를 연관시켜 저장한다.
본 실시예에 있어서, 전극편의 버를 검출하기 위한 방법의 실행 주체는 검출하고자 하는 전극편 이미지와 단계(402)를 통하여 획득한 검출결과정보 및 버의 윤곽정보를 연관시켜 저장할 수 있다.
단계(405)에서, 검출하고자 하는 전극편 이미지, 검출결과정보 및 윤곽정보를 표시단으로 전송한다.
본 실시예에서, 상기 실행 주체는 상기 검출하고자 하는 전극편 이미지와 단계(402)를 통하여 획득한 검출결과정보 및 버의 윤곽정보를 표시단으로 전송할 수도 있다. 여기서, 표시단은 하드웨어일 수 있으며, 소프트웨어일 수도 있다. 표시단이 하드웨어일 경우, 상기 실행 주체 자체의 디스플레이 장치일 수도 있고, 상기 실행 주체와 통신적으로 연결된 기타 디스플레이 장치일 수도 있다. 표시단이 소프트웨어일 경우, 디스플레이 장치에 설치되어 있는 소프트웨어일 수도 있다. 이로써, 기술자들은 상기 검출하고자 하는 전극편 이미지, 검출결과정보 및 윤곽정보를 표시단에서 확인할 수 있다.
단계(402)로부터 획득한 검출결과정보 및 버의 윤곽정보와 검출하고자 하는 이미지의 진실된 검출결과정보 및 버의 윤곽정보 사이에 일정한 오차가 있을 수 있으므로, 상기 검출하고자 하는 전극편 이미지, 검출결과정보 및 윤곽정보를 표시단에 전송함으로써 기술자들은 단계(402)로부터 획득한 검출결과정보 및 버의 윤곽정보와 검출하고자 하는 이미지의 진실된 검출결과정보 및 버의 윤곽정보 사이의 오차가 기설정된 역치를 초과하는지 여부를 확정할 수 있다. 기설정된 역치를 초과할 경우, 기술자들은 진실된 검출결과정보 및 버의 윤곽정보를 표기정보로써 표시단에 입력할 수 있다.
단계(406)에서, 표시단으로부터 발송된 검출하고자 하는 전극편 이미지의 표기정보를 수신하는 것에 응답하여, 검출하고자 하는 전극편 이미지를 샘플 이미지로 확정하고 샘플 이미지와 표기정보를 트레이닝 샘플로 확정하여, 트레이닝 샘플을 기설정된 트레이닝 샘플 집합에 추가함으로써 새로운 트레이닝 샘플 집합을 생성한다.
본 실시예에 있어서, 표시단으로부터 발송된 검출하고자 하는 전극편 이미지의 표기정보를 수신하는 것에 응답하여, 검출하고자 하는 전극편 이미지를 샘플 이미지로 확정하고 샘플 이미지와 기술자들이 입력한 표기정보를 트레이닝 샘플로 확정하여, 확정된 트레이닝 샘플을 기설정된 트레이닝 샘플 집합에 추가함으로써 새로운 트레이닝 샘플 집합을 생성한다.
본 실시예의 일부 선택 가능한 구현에 있어서, 버 사례 분할 모델은 새로운 트레이닝 샘플 집합 중의 트레이닝 샘플에 대하여 해당 트레이닝 샘플의 샘플 이미지를 인풋으로 하고, 입력된 샘플 이미지의 표기정보를 예상 아웃풋으로 함으로써, 상기 기계 학습 방법을 이용하여 트레이닝을 거쳐 새로운 버 사례 분할 모델을 획득할 수 있다.
도 4에서 알 수 있듯이, 도 2의 실시예와 비교 시 본 실시예의 전극편의 버를 검출하기 위한 방법의 프로세스(400)에는 검출하고자 하는 전극편 이미지, 검출결과정보 및 윤곽정보를 연관시켜 저장하는 단계가 추가된다. 이에 따라, 검출하고자 하는 전극편 이미지, 검출결과정보 및 윤곽정보에 대한 표시를 통하여 기술자들은 오차가 비교적 큰 검출결과정보와 윤곽정보를 식별할 수 있다. 더 나아가, 기술자들은 진실된 표기정보를 표시단에 입력하여 새로운 트레이닝 샘플 집합을 생성함으로써 버 사례 분할 모델의 후속적인 개선에 유리할 수 있다.
이어서 도 5를 참고하면, 상기 각 도면에 도시된 방법의 구현으로서, 본 출원은 전극편의 버를 검출하기 위한 장치의 일 실시예를 제공한다. 해당 장치의 실시예와 도 2에 도시된 방법 실시예에 대응되며, 해당 장치는 구체적으로 다양한 전자 기기에 적용될 수 있다.
도 5에 도시된 바와 같이, 본 실시예의 전극편의 버를 검출하기 위한 장치(500)는, 제1 획득 유닛(501), 검출 유닛(502) 및 출력 유닛(503)을 포함한다. 여기서, 제1 획득 유닛(501)은 검출하고자 하는 전극편 이미지를 획득하도록 구성된다. 검출 유닛(502)은 상기 검출하고자 하는 전극편 이미지를 사전 트레이닝한 버 사례 분할 모델에 입력하여, 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 존재하는지 여부를 지시하기 위한 검출결과정보 및 버의 윤곽정보를 획득하도록 구성된다. 여기서, 버 사례 분할 모델은 전극편 이미지와 검출결과정보 및 윤곽정보 사이의 대응관계를 지시한다. 출력 유닛(503)은 상기 검출결과정보가 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 있음을 지시하는 것에 응답하여, 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 있음을 지시하는 알림정보를 출력하도록 구성된다.
본 실시예의 일부 선택 가능한 구현에 있어서, 장치(500)는 저장 유닛(도면에 도시되지 않음)을 더 포함할 수 있다. 여기서, 저장 유닛은 검출하고자 하는 전극편 이미지, 검출결과정보 및 윤곽정보를 연관시켜 저장하도록 구성된다.
본 실시예의 일부 선택 가능한 구현에 있어서, 장치(500)는 전송 유닛(도면에 도시되지 않음) 및 생성 유닛(도면에 도시되지 않음)을 더 포함할 수 있다. 여기서, 전송 유닛은 검출하고자 하는 전극편 이미지, 검출결과정보 및 윤곽정보를 표시단으로 전송하도록 구성된다. 생성 유닛은 표시단으로부터 발송된 검출하고자 하는 전극편 이미지의 표기정보를 수신하는 것에 응답하여, 검출하고자 하는 전극편 이미지를 샘플 이미지로 확정하고 샘플 이미지와 표기정보를 트레이닝 샘플로 확정하여, 트레이닝 샘플을 기설정된 트레이닝 샘플 집합에 추가함으로써 새로운 트레이닝 샘플 집합을 생성하도록 구성된다.
본 실시예의 일부 선택 가능한 구현에 있어서, 버 사례 분할 모델은 새로운 트레이닝 샘플 집합 중의 트레이닝 샘플에 대하여 해당 트레이닝 샘플의 샘플 이미지를 인풋으로 하고; 입력된 샘플 이미지의 표기정보를 예상 아웃풋으로 하며; 기계 학습 방법을 이용하여 트레이닝을 거쳐 새로운 버 사례 분할 모델을 획득하는 등 단계들을 통하여 업데이트된다.
본 실시예의 일부 선택 가능한 구현에 있어서, 장치(500)는 제2 획득 유닛(도면에 도시되지 않음), 조정 유닛(도면에 도시되지 않음) 및 확정 유닛(도면에 도시되지 않음)을 더 포함할 수 있다. 여기서, 제2 획득 유닛은 타깃 전극편 이미지를 획득하도록 구성된다. 조정 유닛은 타깃 전극편 이미지의 크기를 기설정 크기로 조정하도록 구성된다. 확정 유닛은 조정 후의 타깃 전극편 이미지를 상기 검출하고자 하는 전극편 이미지로 확정하도록 구성된다.
본 실시예에 있어서, 전극편의 버를 검출하기 위한 장치(500)의 제1 획득 유닛(501), 검출 유닛(502)과 출력 유닛(503)의 구체적인 구현 및 그 기술적 효과는 도 2의 해당 실시예의 단계(201-203)를 참고할 수 있으므로, 이에 대한 중복된 설명은 생략하기로 한다.
본 실시예에 있어서, 검출 유닛(502)은 제1 획득 유닛(501)에서 획득한 검출하고자 하는 전극편 이미지를 사전 트레이닝한 버 사례 분할 모델에 입력함으로써, 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 존재하는지 여부를 지시하기 위한 검출결과정보 및 버의 윤곽정보를 획득할 수 있다. 상기 검출결과정보가 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 있음을 지시하는 것에 응답하여, 출력 유닛(503)은 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 있음을 지시하는 알림정보를 출력할 수 있다. 이로써, 사례 분할에 기반한 전극편 버의 검출을 구현함으로써, 사람에 의한 수동 검출에 비해 버의 검출효율을 향상시킬 수 있다.
이어서 도 6을 참고하면, 도 6은 본 출원의 실시예의 전자 기기를 구현하기에 적합한 시스템(600)의 개략적 구조도이다. 도 6에 도시된 전자 기기는 단지 일 예시일 뿐, 본 출원의 실시예의 기능 및 이용 범위를 한정하기 위한 것이 아니다.
도 6에 도시된 바와 같이, 컴퓨터 시스템(600)은 중앙 처리 유닛(601; CPU)을 포함하되, 이는 판독 전용 메모리 장치(602; ROM)에 저장된 프로그램 또는 저장부(608)로부터 랜덤 액세스 메모리 장치(603; RAM)에 로딩된 프로그램에 의해 다양한 적당한 동작과 처리를 실행할 수 있다. RAM(603)에는 시스템(600)을 작동하기에 필요한 각종 프로그램 및 데이터가 더 저장되어 있다. CPU(601), ROM(602) 및 RAM(603)은 버스(604)를 통해 서로 연결된다. 입력/출력(I/O) 인터페이스(605)도 버스(604)에 연결된다.
I/O 인터페이스(605)에 연결되는 부재로서, 키보드, 마우스 등을 포함하는 입력부(606)와, 예를 들어 음극선관(CRT), 액정 표시 장치(LCD) 등 및 스피커 등을 포함하는 출력부(607)와, 하드 드라이버 등을 포함하는 저장부(608)와, 예를 들어 LAN 카드, 모뎀 등의 네트워크 인터페이스 카드를 포함하는 통신부(609)가 포함된다. 통신부(609)는 인터넷과 같은 네트워크를 통해 통신처리를 실행한다. 구동부(610)도 수요에 따라 I/O 인터페이스(605)에 연결된다. 자기 디스크, 광 디스크, 광자기 디스크, 반도체 메모리 장치 등과 같은 착탈 가능한 매체(611)는 이러한 매체로부터 판독된 컴퓨터 프로그램을 수요에 따라 저장부(608)에 설치하도록 수요에 따라 구동부(610)에 설치된다.
특히, 본 출원에 개시된 실시예에 의하면, 흐름도를 참조하여 설명한 상기 과정들은 컴퓨터 소프트웨어 프로그램으로 구현될 수 있다. 예를 들어, 본 출원에 개시된 실시예는 컴퓨터 프로그램 제품을 포함하고, 상기 컴퓨터 프로그램 제품은 컴퓨터 판독 가능한 매체에 적재되는 컴퓨터 프로그램을 포함한다. 해당 컴퓨터 프로그램은 흐름도에 도시된 방법을 실행하기 위한 프로그램 코드를 포함한다. 이러한 실시예에 있어서, 해당 컴퓨터 프로그램은 통신부(609)를 경유하여 네트워크로부터 다운로드되어 설치될 수 있고 및/또는 착탈 가능한 매체(611)로부터 설치될 수 있다. 해당 컴퓨터 프로그램이 중앙 처리 유닛(601; CPU)에 의해 실행될 경우, 본 출원의 방법에 한정된 상기 기능을 실행한다.
본 출원에 상술한 컴퓨터 판독 가능한 매체는 컴퓨터 판독 가능한 신호 매체 또는 컴퓨터 판독 가능한 저장 매체 또는 상술한 양자의 임의의 조합일 수 있다. 컴퓨터 판독 가능한 저장 매체는 예컨대 전기, 자기, 광학, 전자기, 적외선 또는 반도체 시스템, 장치 소자, 또는 이들의 임의의 조합일 수 있으나, 이에 한정되지 않는다. 컴퓨터 판독 가능한 저장 매체의 보다 구체적인 예시로서, 하나 또는 다수의 와이어를 구비하는 전기적 연결, 휴대용 컴퓨터 디스켓, 하드 디스크, 랜덤 액세스 메모리(RAM), 판독 전용 메모리(ROM), 소거 및 프로그래밍 가능한 판독 전용 메모리(EPROM 또는 플래시 메모리), 광섬유, 휴대용 콤팩트 디스크 판독 전용 메모리(CD-ROM), 광학 메모리 소자, 자기 메모리 소자, 또는 이들의 임의의 적합한 조합을 포함할 수 있으나, 이에 한정되지 않는다. 본 출원에 있어서, 컴퓨터 판독 가능한 저장 매체는 프로그램을 포함하거나 저장하는 유형 매체일 수 있고, 해당 프로그램은 명령 실행 시스템, 장치 또는 소자에 의해 사용되거나 이들과 결합되어 사용될 수 있다. 그러나 본 출원에 있어서, 컴퓨터 판독 가능한 신호 매체는 컴퓨터 판독 가능한 프로그램 코드를 적재한 베이스 밴드 또는 캐리어의 일부로서 전파되는 데이터에 포함될 수 있다. 이렇게 전파되는 데이터 신호는 전자기 신호, 광 신호 또는 이들의 임의의 적합한 조합을 포함하는 다양한 형식을 이용할 수 있으나, 이에 한정되지 않는다. 컴퓨터 판독 가능한 신호 매체는 컴퓨터 판독 가능한 저장 매체 이외의 임의의 컴퓨터 판독 가능한 매체일 수도 있으며, 해당 컴퓨터 판독 가능한 매체는 명령 실행 시스템, 장치 또는 소자에 의해 사용되거나 이들과 결합되어 사용되는 프로그램을 전송하거나, 전파 또는 전송할 수 있다. 컴퓨터 판독 가능한 매체에 포함된 프로그램 코드는 무선, 유선, 광섬유 케이블, RF 등, 또는 이들의 임의의 적합한 조합을 포함하는 임의의 적당한 매체로 전송할 수 있으나, 이에 한정되지 않는다.
한 개 또는 여러 개의 프로그램 설계언어 또는 그 조합으로 본 출원의 실시예의 동작을 실행하기 위한 컴퓨터 프로그램 코드를 편집할 수 있으며, 상기 프로그램 설계언어는 예컨대 Java, Smalltalk, C++을 포함한 오브젝트 지향 프로그래밍 언어와, 예컨대 "C" 언어 또는 유사한 프로그램 설계언어를 포함한 상용의 과정식 프로그램 설계언어를 포함한다. 프로그램 코드는 완전히 사용자의 컴퓨터상에서 실행할 수 있고, 일부분 사용자의 컴퓨터에서 실행할 수도 있으며, 한 개의 독립적인 소프트웨어 패키지로서 실행할 수도 있고, 일부는 사용자의 컴퓨터에서 일부는 원격컴퓨터상에서 실행할 수도 있고, 또는 완전히 원격 컴퓨터 또는 서버에서 실행할 수도 있다. 원격컴퓨터에 관련된 경우, 원격컴퓨터는 로컬 네트워크(LAN) 또는 광역네트워크(WAN)를 포함하는 임의의 종류의 네트워크를 통하여 사용자 컴퓨터에 접속할 수도 있고, 또는 외부 컴퓨터에도 접속할 수 있다(예를 들면, 인터넷 서비스 제공자를 이용하여 인터넷을 통해 접속).
첨부된 도면 중의 흐름도 및 블록도는 본 출원의 각 실시예에 따른 시스템, 방법 및 컴퓨터 프로그램 제품의 구현 가능한 체계구조, 기능 및 동작을 도시하였다. 이러한 방면에서, 흐름도 또는 블록도 중의 각 블록은 하나의 모듈, 프로그램 세그먼트 또는 코드의 일부분을 대표할 수 있고, 해당 모듈, 프로그램 세그먼트 또는 코드의 일부분은 규정된 로직 기능을 구현하기 위한 하나 또는 다수의 실행 가능한 명령어를 포함한다. 일부 대체 구현에 있어서, 블록에 표기된 기능들은 첨부된 도면에 표기된 순서와 다른 순서로 발생할 수도 있다. 예를 들어, 순차적으로 표시된 두개의 블록은 실제적으로 거의 동시에 실행될 수 있고, 경우에 따라 반대된 순서에 따라 실행될 수도 있으며, 이는 관련 기능에 따라 결정된다. 블록도 및/또는 흐름도 중의 각 블록 및 블록도 및/또는 흐름도 중의 블록들의 조합은 규정된 기능 또는 동작을 실행하는 하드웨어 기반의 전용 시스템으로 구현되거나, 전용 하드웨어와 컴퓨터 명령어의 조합으로 구현될 수 있음을 유의하여야 한다.
본 출원의 실시예에 설명된 관련된 유닛은 소프트웨어 방식으로 구현될 수 있으며, 하드웨어 방식으로 구현될 수도 있다. 설명된 유닛은 프로세서에 설치될 수 있으며, 예컨대, 하나의 프로세서는 제1 획득 유닛, 검출 유닛과 출력 유닛을 포함하는 것으로 설명할 수 있다. 여기서, 이러한 유닛의 명칭은 일부의 경우에 해당 유닛 자체에 대한 한정을 구성하지 않으며, 예컨대, 제1 획득 유닛은 "검출하고자 하는 전극편 이미지를 획득하는 유닛"으로 설명될 수도 있다.
다른 일 양태에 있어서, 본 출원은 컴퓨터 판독 가능한 매체를 더 제공하며, 해당 컴퓨터 판독 가능한 매체는 상기 실시예에 설명된 장치에 포함된 것일 수 있으며, 해당 장치에 조립되지 않고 독립적으로 존재할 수도 있다. 상기 컴퓨터 판독 가능한 매체에는 하나 또는 다수의 프로그램이 적재되고, 상기 하나 또는 다수의 프로그램이 해당 장치에 의해 실행될 경우, 해당 장치로 하여금, 검출하고자 하는 전극편 이미지를 획득하고, 상기 검출하고자 하는 전극편 이미지를 사전 트레이닝한 버 사례 분할 모델에 입력하여, 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 존재하는지 여부를 지시하기 위한 검출결과정보 및 버의 윤곽정보를 획득하고, 여기서, 버 사례 분할 모델은 전극편 이미지와 검출결과정보 및 윤곽정보 사이의 대응관계를 지시하는 것으로서, 상기 검출결과정보가 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 있음을 지시하는 것에 응답하여, 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 있음을 지시하는 알림정보를 출력하도록 한다.
이상의 설명은 단지 본 출원의 비교적 바람직한 실시예 및 운용한 기술적 원리에 대한 설명이다. 본 출원에 관련된 발명의 범위가 상기 기술적 특징들의 특정 조합으로 이루어진 기술적 방안들에 한정되는 것이 아니라 본 발명의 주지를 벗어나지 않고서 상기 기술적 특징들 또는 그들의 균등한 특징들의 임의의 조합으로 이루어진 기타 기술적 방안들도 포함되어야 함을 해당 기술분야의 당업자는 이해하여야 한다. 예를 들어, 상기 특징들과 본 출원에 개시되어 있으나 이에 한정되지 않는 유사한 기능을 구비한 기술적 특징을 서로 대체하여 이루어진 기술적 방안도 포함된다.
Claims (12)
- 검출하고자 하는 전극편 이미지를 획득하는 단계;
상기 검출하고자 하는 전극편 이미지를 사전 트레이닝한 버 사례 분할 모델에 입력하여, 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 존재하는지 여부를 지시하기 위한 검출결과정보 및 버의 윤곽정보를 획득하는 단계 - 상기 버 사례 분할 모델은 전극편 이미지와 검출결과정보 및 윤곽정보 사이의 대응관계를 나타냄); 및
상기 검출결과정보가 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 있음을 지시하는 것에 응답하여, 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 있음을 지시하는 알림정보를 출력하는 단계;를 포함하는 전극편의 버를 검출하기 위한 방법. - 제1항에 있어서,
상기 검출하고자 하는 전극편 이미지, 상기 검출결과정보 및 상기 윤곽정보를 연관시켜 저장하는 단계를 더 포함하는 전극편의 버를 검출하기 위한 방법. - 제2항에 있어서,
상기 검출하고자 하는 전극편 이미지, 상기 검출결과정보 및 상기 윤곽정보를 표시단으로 전송하는 단계와,
표시단으로부터 발송된 상기 검출하고자 하는 전극편 이미지의 표기정보를 수신하는 것에 응답하여, 상기 검출하고자 하는 전극편 이미지를 샘플 이미지로 확정하고 상기 샘플 이미지와 상기 표기정보를 트레이닝 샘플로 확정하여, 상기 트레이닝 샘플을 기설정된 트레이닝 샘플 집합에 추가함으로써 새로운 트레이닝 샘플 집합을 생성하는 단계를 더 포함하는 전극편의 버를 검출하기 위한 방법. - 제3항에 있어서,
상기 버 사례 분할 모델은,
상기 새로운 트레이닝 샘플 집합 중의 트레이닝 샘플에 대하여, 해당 트레이닝 샘플의 샘플 이미지를 인풋으로 하고 입력된 샘플 이미지의 표기정보를 예상 아웃풋으로 하여, 기계 학습 방법을 이용하여 트레이닝을 통해 새로운 버 사례 분할 모델을 획득하는 단계를 통하여 업데이트되는 전극편의 버를 검출하기 위한 방법. - 제1항 내지 제4항 중 어느 한 항에 있어서,
타깃 전극편 이미지를 획득하는 단계;
상기 타깃 전극편 이미지의 크기를 기설정 크기로 조정하는 단계; 및
조정 후의 타깃 전극편 이미지를 상기 검출하고자 하는 전극편 이미지로 확정하는 단계를 더 포함하는 전극편의 버를 검출하기 위한 방법. - 검출하고자 하는 전극편 이미지를 획득하도록 구성된 제1 획득 유닛;
상기 검출하고자 하는 전극편 이미지를 사전 트레이닝한 버 사례 분할 모델에 입력하여, 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 존재하는지 여부를 지시하기 위한 검출결과정보 및 버의 윤곽정보를 획득하도록 구성된 검출 유닛 - 상기 버 사례 분할 모델은 전극편 이미지와 검출결과정보 및 윤곽정보 사이의 대응관계를 나타냄 -; 및
상기 검출결과정보가 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 있음을 지시하는 것에 응답하여, 상기 검출하고자 하는 전극편 이미지에 표시된 전극편에 버가 있음을 지시하는 알림정보를 출력하도록 구성된 출력 유닛;을 포함하는 전극편의 버를 검출하기 위한 장치. - 제6항에 있어서,
상기 검출하고자 하는 전극편 이미지, 상기 검출결과정보 및 상기 윤곽정보를 연관시켜 저장하도록 구성된 저장 유닛을 더 포함하는 전극편의 버를 검출하기 위한 장치. - 제7항에 있어서,
상기 검출하고자 하는 전극편 이미지, 상기 검출결과정보 및 상기 윤곽정보를 표시단으로 전송하도록 구성된 전송 유닛; 및
표시단으로부터 발송된 상기 검출하고자 하는 전극편 이미지의 표기정보를 수신하는 것에 응답하여, 상기 검출하고자 하는 전극편 이미지를 샘플 이미지로 확정하고, 상기 샘플 이미지와 상기 표기정보를 트레이닝 샘플로 확정하여, 상기 트레이닝 샘플을 기설정된 트레이닝 샘플 집합에 추가함으로써 새로운 트레이닝 샘플 집합을 생성하도록 구성된 생성 유닛;을 더 포함하는 전극편의 버를 검출하기 위한 장치. - 제8항에 있어서,
상기 버 사례 분할 모델은,
상기 새로운 트레이닝 샘플 집합 중의 트레이닝 샘플에 대하여, 해당 트레이닝 샘플의 샘플 이미지를 인풋으로 하고 입력된 샘플 이미지의 표기정보를 예상 아웃풋으로 하여, 기계 학습 방법을 이용하여 트레이닝을 거쳐 새로운 버 사례 분할 모델을 획득하는 단계를 통하여 업데이트되는 전극편의 버를 검출하기 위한 장치. - 제6항 내지 제9항 중 어느 한 항에 있어서,
타깃 전극편 이미지를 획득하도록 구성된 제2 획득 유닛;
타깃 전극편 이미지의 크기를 기설정 크기로 조정하도록 구성된 조정 유닛; 및
조정 후의 타깃 전극편 이미지를 상기 검출하고자 하는 전극편 이미지로 확정하도록 구성된 확정 유닛;을 더 포함하는 전극편의 버를 검출하기 위한 장치. - 하나 또는 다수의 프로세서; 및
하나 또는 다수의 프로그램이 저장된 저장 장치;를 포함하되,
상기 하나 또는 다수의 프로그램이 상기 하나 또는 다수의 프로세서에 의해 실행될 경우, 상기 하나 또는 다수의 프로세서에 의해 제1항 내지 제5항 중 어느 한 항에 따른 방법을 실행하도록 하는 전자 기기. - 컴퓨터 프로그램이 저장된 컴퓨터 판독 가능한 매체에 있어서,
상기 프로그램이 프로세서에 의해 실행될 경우, 제1항 내지 제5항 중 어느 한 항에 따른 방법을 구현하는 것을 특징으로 하는 컴퓨터 판독 가능한 매체.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810912648.4 | 2018-08-10 | ||
| CN201810912648.4A CN109086780B (zh) | 2018-08-10 | 2018-08-10 | 用于检测电极片毛刺的方法和装置 |
| PCT/CN2019/084427 WO2020029608A1 (zh) | 2018-08-10 | 2019-04-26 | 用于检测电极片毛刺的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200018411A true KR20200018411A (ko) | 2020-02-19 |
| KR102322773B1 KR102322773B1 (ko) | 2021-11-08 |
Family
ID=64834336
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020197033733A KR102322773B1 (ko) | 2018-08-10 | 2019-04-26 | 전극편의 버를 검출하기 위한 방법 및 장치 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US11461995B2 (ko) |
| JP (1) | JP6800351B2 (ko) |
| KR (1) | KR102322773B1 (ko) |
| CN (1) | CN109086780B (ko) |
| WO (1) | WO2020029608A1 (ko) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109086780B (zh) * | 2018-08-10 | 2020-08-04 | 北京百度网讯科技有限公司 | 用于检测电极片毛刺的方法和装置 |
| CN109754406B (zh) * | 2019-03-15 | 2020-11-10 | 苏州杰锐思智能科技股份有限公司 | 基于二维轮廓仪的锂电池极片毛刺检测装置及方法 |
| CN109993734A (zh) * | 2019-03-29 | 2019-07-09 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
| CN112529829B (zh) * | 2019-08-28 | 2024-04-19 | 银河水滴科技（北京）有限公司 | 一种毛刺定位、毛刺检测模型的训练方法及装置 |
| CN114384079B (zh) * | 2022-01-20 | 2023-02-03 | 佛山市天劲新能源科技有限公司 | 锂电池极片毛刺检测分选***及方法 |
| CN114473159A (zh) * | 2022-01-28 | 2022-05-13 | 佛山市天劲新能源科技有限公司 | 一种锂离子电池去毛刺生产线及方法 |
| CN116228755B (zh) * | 2023-05-08 | 2023-10-20 | 超音速人工智能科技股份有限公司 | 一种极片毛刺检测方法和*** |
| CN117173156B (zh) * | 2023-10-23 | 2024-02-20 | 杭州百子尖科技股份有限公司 | 基于机器视觉的极片毛刺检测方法、装置、设备及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010114012A (ja) * | 2008-11-10 | 2010-05-20 | Kawasaki Heavy Ind Ltd | 電池用電極板のバリの検出装置 |
| CN202824250U (zh) * | 2012-09-26 | 2013-03-27 | 万向电动汽车有限公司 | 一种电池极片的毛刺自动检测装置 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1040383A (ja) * | 1996-07-24 | 1998-02-13 | Toshiba Corp | 外観検査装置 |
| JP3892258B2 (ja) * | 2001-08-31 | 2007-03-14 | 独立行政法人科学技術振興機構 | 自動検査装置及び自動検査方法 |
| JP2008145250A (ja) * | 2006-12-08 | 2008-06-26 | Toyota Motor Corp | バリ検出方法及びバリ検出装置 |
| CN102284431B (zh) * | 2011-04-28 | 2013-04-10 | 河南科技大学 | 一种锂离子电池极片在线检测分级装置及其方法 |
| JP6794737B2 (ja) * | 2015-12-01 | 2020-12-02 | 株式会社リコー | 情報処理装置、情報処理方法、プログラムおよび検査システム |
| CN105787482A (zh) * | 2016-02-26 | 2016-07-20 | 华北电力大学 | 一种基于深度卷积神经网络的特定目标轮廓图像分割方法 |
| JP6809250B2 (ja) * | 2017-01-23 | 2021-01-06 | 株式会社リコー | 情報処理装置、情報処理方法およびプログラム |
| CN108229364B (zh) * | 2017-12-28 | 2022-02-25 | 百度在线网络技术（北京）有限公司 | 建筑物轮廓生成方法、装置、计算机设备及存储介质 |
| CN109190636B (zh) * | 2018-07-30 | 2022-05-31 | 北京航空航天大学 | 一种遥感图像舰船目标信息提取方法 |
| CN109086780B (zh) * | 2018-08-10 | 2020-08-04 | 北京百度网讯科技有限公司 | 用于检测电极片毛刺的方法和装置 |
-
2018
- 2018-08-10 CN CN201810912648.4A patent/CN109086780B/zh active Active
-
2019
- 2019-04-26 KR KR1020197033733A patent/KR102322773B1/ko active IP Right Grant
- 2019-04-26 WO PCT/CN2019/084427 patent/WO2020029608A1/zh active Application Filing
- 2019-04-26 JP JP2019563623A patent/JP6800351B2/ja active Active
- 2019-11-14 US US16/683,766 patent/US11461995B2/en active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010114012A (ja) * | 2008-11-10 | 2010-05-20 | Kawasaki Heavy Ind Ltd | 電池用電極板のバリの検出装置 |
| CN202824250U (zh) * | 2012-09-26 | 2013-03-27 | 万向电动汽车有限公司 | 一种电池极片的毛刺自动检测装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20200082199A1 (en) | 2020-03-12 |
| JP6800351B2 (ja) | 2020-12-16 |
| JP2020533657A (ja) | 2020-11-19 |
| CN109086780B (zh) | 2020-08-04 |
| CN109086780A (zh) | 2018-12-25 |
| KR102322773B1 (ko) | 2021-11-08 |
| WO2020029608A1 (zh) | 2020-02-13 |
| US11461995B2 (en) | 2022-10-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102322773B1 (ko) | 전극편의 버를 검출하기 위한 방법 및 장치 | |
| CN109344908B (zh) | 用于生成模型的方法和装置 | |
| CN109492128B (zh) | 用于生成模型的方法和装置 | |
| CN108830837B (zh) | 一种用于检测钢包溶蚀缺陷的方法和装置 | |
| WO2020000879A1 (zh) | 图像识别方法和装置 | |
| CN108197618B (zh) | 用于生成人脸检测模型的方法和装置 | |
| WO2020006963A1 (zh) | 生成图像检测模型的方法和装置 | |
| CN109447156B (zh) | 用于生成模型的方法和装置 | |
| CN109376267B (zh) | 用于生成模型的方法和装置 | |
| CN112954450B (zh) | 视频处理方法、装置、电子设备和存储介质 | |
| CN112862877B (zh) | 用于训练图像处理网络和图像处理的方法和装置 | |
| CN111612842B (zh) | 生成位姿估计模型的方法和装置 | |
| CN110009059B (zh) | 用于生成模型的方法和装置 | |
| CN108235004B (zh) | 视频播放性能测试方法、装置和*** | |
| CN110211121B (zh) | 用于推送模型的方法和装置 | |
| CN108510084B (zh) | 用于生成信息的方法和装置 | |
| CN109214501B (zh) | 用于识别信息的方法和装置 | |
| CN110070076B (zh) | 用于选取训练用样本的方法和装置 | |
| US11210563B2 (en) | Method and apparatus for processing image | |
| CN108229375B (zh) | 用于检测人脸图像的方法和装置 | |
| CN110941978A (zh) | 一种未识别身份人员的人脸聚类方法、装置及存储介质 | |
| CN113689372A (zh) | 图像处理方法、设备、存储介质及程序产品 | |
| CN113706472A (zh) | 公路路面病害检测方法、装置、设备及存储介质 | |
| CN109816023B (zh) | 用于生成图片标签模型的方法和装置 | |
| CN109064464B (zh) | 用于检测电池极片毛刺的方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |