사후 보정이 가능한 비지도 학습 기반 불량 검사 방법에 있어서,비지도 학습에 기초하여 정상 데이터만으로 학습한 제1 불량 검사 학습모델을 불량 검사 모듈에 적용하는 단계;상기 불량 검사 모듈에 데이터를 입력으로 제공하는 단계; 및 상기 불량 검사 모듈에 기초하여 입력으로 제공된 상기 데이터에 대한 불량 여부 및 불량 영역에 대한 정보를 포함하는 불량 검사 결과 정보를 출력으로 도출하여 불량 데이터 여부를 판단하는 단계를 포함하되,불량 데이터가 발생한 경우, 상기 불량 데이터를 통해 준지도 학습에 기초하여 제2 불량 검사 학습모델을 학습하고, 학습된 상기 제2 불량 검사 학습모델을 상기 불량 검사 모듈에 적용하여 업데이트하고, 상기 비지도 학습에 기초하여 학습하는 상기 제1 불량 검사 학습모델은 한 클래스 이상 감지(one class anomaly detection) 모델이며, 상기 제2 불량 검사 학습모델은 에프터 서비스(after service) 모델이고, 발생한 상기 불량 데이터에 대한 라벨링에 기초하여 학습하고, 발생한 상기 불량 데이터가 묵인 가능한 제1 불량 영역을 포함하는 불량 데이터인 경우, 상기 제2 불량 검사 학습모델에 기초하여 제1 불량 영역의 불량 점수를 산출하고, 상기 제1 불량 영역이 정상 데이터로 분류되도록 불량 점수가 낮아지도록 하는 제1 가중치를 적용하여 상기 제2 불량 검사 학습모델을 학습하고, 발생한 상기 불량 데이터가 타겟하는 불량으로 제2 불량 영역을 포함하는 불량 데이터인 경우, 상기 제2 불량 검사 학습모델에 기초하여 제2 불량 영역의 불량 점수를 산출하고, 상기 제2 불량 영역의 불량점수가 높아지도록 하는 제2 가중치를 적용하여 상기 제2 불량 검사 학습모델을 학습하는, 불량 검사 방법.

삭제

제1 항에 있어서,상기 제1 불량 검사 학습모델은 하나의 제품에 대한 상기 정상 데이터만으로 불량 데이터 없이 학습하는, 불량 검사 방법.

제3 항에 있어서,상기 제1 불량 검사 학습모델에 기초하여 학습되는 경우, 상기 정상 데이터에서 ResNet을 통해 제1 피쳐 맵이 생성되고, 상기 정상 데이터에서 피쳐 압축 모듈을 통해 압축된 후 이미지 복원 모듈의 복원을 통해 제2 피쳐 맵이 생성되고,상기 제1 피쳐 맵과 상기 제2 피쳐 맵의 유사도에 기초하여 학습하되,상기 제1 피쳐 맵과 상기 제2 피쳐 맵의 유사도가 낮을수록 불량 점수가 높게 책정되는, 불량 검사 방법.

제4 항에 있어서,상기 불량 검사 모듈에 상기 데이터가 입력으로 제공되는 경우, 데이터의 제1 피쳐 맵 및 데이터의 제2 피쳐 맵이 생성된 후 유사도 비교를 통해 불량 점수가 도출되고,상기 불량 점수에 기초하여 불량 데이터 여부가 결정되는, 불량 검사 방법.

삭제

삭제

삭제

제1 항에 있어서,상기 제2 불량 검사 학습모델에 기초하여 업데이트된 상기 불량 검사 모듈에 기초하여 상기 불량 데이터 여부가 판단되는, 불량 검사 방법.

사후 보정이 가능한 비지도 학습 기반 불량 검사를 수행하는 장치에 있어서,메모리;송수신부; 및상기 메모리와 상기 송수신부를 제어하는 제어부를 포함하되,상기 제어부는비지도 학습에 기초하여 정상 데이터만으로 학습한 제1 불량 검사 학습모델을 불량 검사 모듈에 적용하고,상기 불량 검사 모듈에 데이터를 입력으로 제공하고, 및 상기 불량 검사 모듈에 기초하여 입력으로 제공된 상기 데이터에 대한 불량 여부 및 불량 영역에 대한 정보를 포함하는 불량 검사 결과 정보를 출력으로 도출하여 불량 데이터 여부를 판단하되,불량 데이터가 발생한 경우, 상기 불량 데이터를 통해 준지도 학습에 기초하여 제2 불량 검사 학습모델을 학습하고, 학습된 상기 제2 불량 검사 학습모델을 상기 불량 검사 모듈에 적용하여 업데이트하고, 상기 비지도 학습에 기초하여 학습하는 상기 제1 불량 검사 학습모델은 한 클래스 이상 감지(one class anomaly detection) 모델이며, 상기 제2 불량 검사 학습모델은 에프터 서비스(after service) 모델이고, 발생한 상기 불량 데이터에 대한 라벨링에 기초하여 학습하고, 발생한 상기 불량 데이터가 묵인 가능한 제1 불량 영역을 포함하는 불량 데이터인 경우, 상기 제2 불량 검사 학습모델에 기초하여 제1 불량 영역의 불량 점수를 산출하고, 상기 제1 불량 영역이 정상 데이터로 분류되도록 불량 점수가 낮아지도록 하는 제1 가중치를 적용하여 상기 제2 불량 검사 학습모델을 학습하고, 발생한 상기 불량 데이터가 타겟하는 불량으로 제2 불량 영역을 포함하는 불량 데이터인 경우, 상기 제2 불량 검사 학습모델에 기초하여 제2 불량 영역의 불량 점수를 산출하고, 상기 제2 불량 영역의 불량점수가 높아지도록 하는 제2 가중치를 적용하여 상기 제2 불량 검사 학습모델을 학습하는, 불량 검사를 수행하는 장치.

삭제

제10 항에 있어서,상기 제1 불량 검사 학습모델은 하나의 제품에 대한 상기 정상 데이터만으로 불량 데이터 없이 학습하는, 불량 검사를 수행하는 장치.

제12 항에 있어서,상기 제1 불량 검사 학습모델에 기초하여 학습되는 경우, 상기 정상 데이터에서 ResNet을 통해 제1 피쳐 맵이 생성되고, 상기 정상 데이터에서 피쳐 압축 모듈을 통해 압축된 후 이미지 복원 모듈의 복원을 통해 제2 피쳐 맵이 생성되고,상기 제1 피쳐 맵과 상기 제2 피쳐 맵의 유사도에 기초하여 학습하되,상기 제1 피쳐 맵과 상기 제2 피쳐 맵의 유사도가 낮을수록 불량 점수가 높게 책정되는, 불량 검사를 수행하는 장치.

제13 항에 있어서,상기 불량 검사 모듈에 상기 데이터가 입력으로 제공되는 경우, 데이터의 제1 피쳐 맵 및 데이터의 제2 피쳐 맵이 생성된 후 유사도 비교를 통해 불량 점수가 도출되고,상기 불량 점수에 기초하여 불량 데이터 여부가 결정되는, 불량 검사를 수행하는 장치.

삭제

삭제

삭제

제10 항에 있어서,상기 제2 불량 검사 학습모델에 기초하여 업데이트된 상기 불량 검사 모듈에 기초하여 상기 불량 데이터 여부가 판단되는, 불량 검사를 수행하는 장치.

사후 보정이 가능한 비지도 학습 기반 불량 검사를 수행하는 불량 검사 모듈에 있어서,상기 불량 검사 모듈은 비지도 학습 기반의 제1 불량 검사 학습모델 및 준지도 학습 기반의 제2 불량 검사 학습모델을 포함하고, 비지도 학습에 기초하여 정상 데이터만으로 상기 제1 불량 검사 학습모델을 학습하여 상기 불량 검사 모듈에 적용하고,상기 불량 검사 모듈에 데이터를 입력으로 제공하고, 및 상기 불량 검사 모듈에 기초하여 입력으로 제공된 상기 데이터에 대한 불량 여부 및 불량 영역에 대한 정보를 포함하는 불량 검사 결과 정보를 출력으로 도출하여 불량 데이터 여부를 판단하되,불량 데이터가 발생한 경우, 상기 불량 데이터를 준지도 학습에 기초하여 상기 제2 불량 검사 학습모델을 학습하고, 학습된 상기 제2 불량 검사 학습모델을 상기 불량 검사 모듈에 적용하여 업데이트하고, 상기 비지도 학습에 기초하여 학습하는 상기 제1 불량 검사 학습모델은 한 클래스 이상 감지(one class anomaly detection) 모델이며, 상기 제2 불량 검사 학습모델은 에프터 서비스(after service) 모델이고, 발생한 상기 불량 데이터에 대한 라벨링에 기초하여 학습하고, 발생한 상기 불량 데이터가 묵인 가능한 제1 불량 영역을 포함하는 불량 데이터인 경우, 상기 제2 불량 검사 학습모델에 기초하여 제1 불량 영역의 불량 점수를 산출하고, 상기 제1 불량 영역이 정상 데이터로 분류되도록 불량 점수가 낮아지도록 하는 제1 가중치를 적용하여 상기 제2 불량 검사 학습모델을 학습하고, 발생한 상기 불량 데이터가 타겟하는 불량으로 제2 불량 영역을 포함하는 불량 데이터인 경우, 상기 제2 불량 검사 학습모델에 기초하여 제2 불량 영역의 불량 점수를 산출하고, 상기 제2 불량 영역의 불량점수가 높아지도록 하는 제2 가중치를 적용하여 상기 제2 불량 검사 학습모델을 학습하는, 불량 검사 모듈.