회사 자료를 불러오는 중…
회사 자료를 불러오는 중…
검증 단계 — 어디까지 확인했나
L0 · 국민연금 인력 · 공시 재무 · 특허 — 공공자료
경기도에 있는 2020년 설립 회사입니다. 컴퓨터 프로그래밍 서비스업을 합니다. 2025년 매출은 18.1억입니다. 2026년 8월 기준 국민연금 가입자는 91명입니다. 외부감사를 받는 회사이고, 가장 최근 감사의견은 「적정」입니다.
읽어오는 중입니다…
최근 출원 2026-08-11 · 최근 등록 2026-10-07 · 최신 출원순
본 개시의 일 실시예에 따라 체결 구조의 삽입 부재를 상기 체결 구조의 수용 부재에 체결시키는 엔드 이펙터(end-effector) 장치가 개시된다. 상기 장치는, 상기 삽입 부재의 슬롯에 진입한 후 변형되어 상기 삽입 부재를 구속하고, 상기 삽입 부재가 상기 수용 부재에 이동된 후에는 상기 삽입 부재의 구속을 해제하는, 축 형상의 구속 부재; 및 상기 삽입 부재가 상기 축 형상의 구속 부재로부터 구속이 해제된 후에, 상기 삽입 부재의 본체를 가압하여 상기 삽입 부재와 상기 수용 부재를 체결시키는 가압 부재를 포함할 수 있다.
본 개시의 일 실시예에 따라 촬영 모듈을 활용하는 촬영 장치가 개시된다. 상기 장치는, 대상체의 개방부를 통해 상기 대상체의 내벽면을 촬영하도록 배치되며, 렌즈 및 이미지 센서를 포함하는 촬영 모듈; 및 상기 촬영 모듈의 광축과 사전 설정된 각도를 이루도록 광을 조사하는 조명 모듈을 포함하고, 상기 촬영 모듈은, 상기 대상체의 내벽면 영역에 대하여 초점이 형성되도록, 상기 렌즈의 주면과 상기 이미지 센서의 촬상면이 서로 비평행하게 배치될 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 신경망 모델을 학습시키기 위한 데이터를 획득하는 방법이 개시된다. 상기 방법은, 샘플 이미지를 획득하고, 상기 샘플 이미지에 대한 제 1 사용자 입력을 수신하는 단계; 상기 제 1 사용자 입력이 수신된 샘플 이미지에 대해 제 2 사용자 입력을 수신하는 단계; 상기 제 1 사용자 입력 및 상기 제 2 사용자 입력에 기초하여 상기 샘플 이미지에 대한 제 1 방향을 결정하는 단계; 상기 결정된 제 1 방향에 기초하여 제 3 사용자 입력을 수신하고, 상기 제 1 사용자 입력, 상기 제 2 사용자 입력 및 상기 제 3 사용자 입력에 기초하여 상기 샘플 이미지에 대한 라벨링 영역을 획득하는 단계; 및 상기 라벨링 영역에 기초하여 학습 데이터를 획득하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라, 로봇 암(Robot Arm)을 활용하는 검사 보조 장치가 개시된다. 상기 로봇 암을 활용하는 검사 보조 장치는, 검사 대상 제품을 그립(Grip)하기 위한 제 1 그립 모듈; 검사 완료 제품을 그립하기 위한 제 2 그립 모듈; 상기 제 1 그립 모듈의 위치와 상기 제 2 그립 모듈의 위치를 상호 교환하기 위한 회전 모듈; 및 상기 제 1 그립 모듈, 상기 제 2 그립 모듈, 및 상기 회전 모듈이 장착된 로봇 암 모듈을 포함하고, 상기 제 1 그립 모듈 및 상기 제 2 그립 모듈은, 상기 회전 모듈을 중심으로 서로 대칭인 형상으로 형성되고, 상기 로봇 암 모듈은, 제품 공급 영역에서 상기 제 1 그립 모듈을 활용하여 상기 검사 대상 제품을 그립하고; 제품 검사 영역으로 이동하여 상기 제 2 그립 모듈을 활용하여 상기 검사 완료 제품을 추가로 그립하고; 상기 회전 모듈을 활용하여 상기 검사 대상 제품과 상기 검사 완료 제품의 위치를 상호 교환하고; 상기 위치 교환 이후, 상기 제 1 그립 모듈에 의해 그립된 상태에서 상기 검사 대상 제품의 하면을 검사하고; 상기 하면 검사 이후, 상기 제품 검사 영역에 구비된 회전 플레이트 상에 상기 검사 대상 제품을 상기 제 1 그립 모듈로부터 그립 해제하고; 상기 그립 해제된 검사 대상 제품이 상기 회전 플레이트 상에서 회전하며 상면 ...(이하생략)
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 신경망 모델을 학습시키기 위한 데이터를 획득하는 방법이 개시된다. 상기 방법은, 복수의 사용자 각각으로부터 라벨링(labeling) 데이터를 획득하는 단계; 상기 라벨링 데이터에 대해 상기 복수의 사용자의 라벨에 기초하여 중복되는 영역을 식별하는 단계; 상기 식별된 중복 영역에 기초하여 상기 라벨링 데이터에 대한 임시 라벨을 획득하는 단계; 및 상기 임시 라벨 및 상기 라벨링 데이터에 기초하여 최종 라벨링 데이터를 획득하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 광(Light)을 활용하여 제품의 결함 검사를 수행하는 방법이 개시된다. 상기 방법은, 검사 대상인 결함의 종류를 결정하는 단계; 상기 검사 대상인 결함의 종류에 대응하여 상기 제품에 패턴이 있는 광을 조사할지 아니면 패턴이 없는 광을 조사할지 여부를 결정하는 단계; 및 상기 결정된 광을 활용하여 결함 검사를 수행하는 단계를 포함하고, 상기 검사 대상인 결함의 종류에 대응하여 상기 제품에 패턴이 있는 광을 조사할지 아니면 패턴이 없는 광을 조사할지 여부를 결정하는 단계는, 상기 검사 대상인 결함의 종류가 오염인 경우, 결함 영역의 색상 차이에 기초하여, 상기 제품에 패턴이 없는 광을 조사하도록 결정하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 인공 신경망 모델의 학습 데이터를 생성하기 위해 컴퓨팅 장치에서 수행되는 방법이 개시된다. 본 개시에 따르면, 컴퓨팅 장치가, 제품의 설계 데이터를 식별하고, 상기 제품의 설계 데이터를 기초로 3D 시뮬레이션 환경에서 적어도 하나의 제품 모델 및 상기 제품 모델이 적재될 컨테이너 모델을 포함하는 3D 모델을 생성하고, 상기 3D 모델을 기초로 인공 신경망 모델을 학습시키기 위한 학습 데이터를 생성하고, 상기 3D 모델은, 상기 제품의 물리적 특성을 반영하도록 생성된다.
본 개시의 일 실시예에 따라 제품 이미지를 촬영하는 장비의 모니터링을 위해 컴퓨팅 장치에서 수행되는 방법이 개시된다. 본 개시에 따르면, 컴퓨팅 장치가, 촬영 장비가 생성한 적어도 하나의 입력 이미지를 식별하고, 상기 입력 이미지를 기초로 적어도 하나의 관심 영역을 추출하고, 상기 적어도 하나의 관심 영역을 촬영 장비 모니터링 모듈에 입력하는 것을 기초로, 상기 촬영 장비의 건전성과 관련된 정보를 생성하고, 상기 촬영 장비의 건전성과 관련된 정보를 기초로, 상기 입력 이미지와 관련된 후처리를 수행하는 동작 또는 이상 알림 정보를 생성하는 동작 중 적어도 하나를 수행한다.
본 개시의 일 실시예에 따라 인공 신경망 모델을 활용하여 제품을 검사하기 위해 컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 구체적으로, 본 개시에 따르면, 컴퓨팅 장치가 제품의 이미지를 포함하는 입력 데이터를 식별하고, 인코더 모듈을 활용하여, 상기 입력 데이터를 기초로 공통 특징 벡터를 생성하고, 상기 공통 특징 벡터의 적어도 일부를 지도 학습(supervised learning) 기반의 제1 인공 신경망 모델에 입력하는 것을 기초로, 제1 검사 결과 데이터를 생성하고, 상기 공통 특징 벡터의 적어도 일부를 비지도 학습(unsupervised learning) 기반의 제2 인공 신경망 모델에 입력하는 것을 기초로, 제2 검사 결과 데이터를 생성하고, 상기 제1 검사 결과 데이터 및 상기 제2 검사 결과 데이터를 기초로, 제3 검사 결과 데이터를 생성한다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 신경망 모델을 활용하여 결함 데이터를 획득하기 위한 방법이 개시된다. 상기 방법은, 결함이 포함되지 않은 원본 이미지 및 결함에 대한 정보를 획득하는 단계; 신경망 모델을 활용하여 상기 원본 이미지에 대한 원본 특징맵을 획득하는 단계; 상기 원본 특징맵에 대한 마스킹 영역 정보를 획득하는 단계; 상기 신경망 모델을 활용하여 상기 결함에 대한 정보, 상기 원본 특징맵 및 상기 마스킹 영역 정보에 기초하여 결함 특징맵을 획득하는 단계; 및 상기 신경망 모델을 활용하여 상기 결함 특징맵에 기초하여 결함 이미지를 획득하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 촬영 영역을 균일하게 조사하기 위한 조명 장치가 개시된다. 상기 장치는, 내부에 수용 공간을 포함하는 하우징; 상기 수용 공간의 하단에 배치되고, 광을 방출하는 광원; 및 상기 하우징의 중심축을 따라 상기 하우징의 상면 방향으로 연장되고, 상기 수용 공간에 적어도 일부분이 삽입되는 원통형 확산 부재를 포함하고, 상기 수용 공간의 내측 상면은, 상기 광원에서 방출된 광에 대하여 반사 또는 난반사(diffuse scattering)를 유도하기 위한 제 1 표면 처리층을 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 신경망 모델을 활용하여 결함 검출을 수행하기 위한 방법이 개시된다. 상기 방법은, 적어도 하나의 객체가 포함된 객체 이미지를 신경망 모델에 포함된 공유 인코더에 입력하고, 상기 객체 이미지의 특징을 획득하는 단계; 상기 획득된 객체 이미지의 특징을 상기 신경망 모델에 포함된 공유 헤드(Head)에 입력하고, 상기 공유 헤드의 출력으로 임시 결함 예측 결과를 획득하는 단계; 상기 획득된 객체 이미지의 특징을 상기 신경망 모델에 포함된 품종 헤드(Head)에 입력하고, 상기 품종 헤드의 출력으로 품종별 결함 예측 결과를 획득하는 단계; 및 상기 임시 결함 예측 결과 및 상기 품종별 결함 예측 결과에 기초하여 상기 객체 이미지에 대한 최종 결함 검출 결과를 획득하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 다차원 객체 정보를 획득하기 위한 방법이 개시된다. 상기 방법은, 제 1 해상도에 기초하여 적어도 하나의 객체에 대한 제 1 다차원 객체 정보를 획득하는 단계; 상기 획득된 제 1 다차원 객체 정보에 기초하여 상기 객체에 대한 누락 영역을 식별하는 단계; 상기 식별된 객체에 대한 누락 영역에 기초하여 획득된 추가 다차원 객체 정보를 수신하는 단계; 및 상기 제 1 다차원 객체 정보 및 상기 추가 다차원 객체 정보에 기초하여 제 2 해상도의 최종 다차원 객체 정보를 획득하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 신경망 모델을 활용하여 이미지를 개선하기 위한 방법이 개시된다. 상기 방법은, 적어도 하나의 객체를 포함하는 원본 이미지를 획득하는 단계; 상기 원본 이미지에 기초하여 제 1 유형의 결함 영역을 식별하고, 상기 제 1 유형의 결함 영역에 대한 마스크(mask)를 획득하는 단계; 및 신경망 모델을 활용하여, 상기 원본 이미지 및 상기 제 1 유형의 결함 영역에 대한 마스크에 기초하여 보완된 이미지를 획득하는 단계를 포함하고, 상기 신경망 모델은, 학습용 이미지 및 상기 신경망 모델에 의해 생성된 보완된 학습용 이미지에 기초하여 적어도 둘 이상의 상이한 도메인들과 연관된 복수의 손실 함수들을 계산하는 동작; 및 상기 계산된 복수의 손실 함수들에 기초하여 상기 신경망 모델을 학습시키는 동작에 기초하여 학습된 모델일 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 인공 신경망 모델을 포함하는 서비스의 배포를 위한 방법이 개시된다. 구체적으로, 본 개시에 따르면, 컴퓨팅 장치가 상기 인공 신경망 모델의 업데이트와 관련된 정보를 식별하고, 제1 검증 모듈을 활용하여, 상기 업데이트된 인공 신경망 모델에 입력될 데이터의 로딩(loading)과 관련된 제1 검증 결과를 생성하고, 제2 검증 모듈을 활용하여, 상기 업데이트된 인공 신경망 모델의 출력의 일관성과 관련된 제2 검증 결과를 생성하고, 제3 검증 모듈을 활용하여, 상기 업데이트된 인공 신경망 모델의 성능과 관련된 제3 검증 결과를 생성하고, 상기 제1 검증 결과, 상기 제2 검증 결과 및 상기 제3 검증 결과를 기초로, 상기 업데이트된 인공 신경망 모델의 배포 여부를 결정할 수 있다
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 코어(core) 데이터 세트를 활용한 비지도 학습 기반 이상 탐지 방법이 개시된다. 구체적으로, 본 개시에 따르면, 컴퓨팅 장치가 하나 이상의 이미지 패치를 포함하는 입력 데이터를 식별하고 상기 입력 데이터를 비지도 학습 기반의 기계 학습 모델에 입력하는 것을 기초로, 상기 입력 데이터의 불량 여부를 식별하되, 상기 기계 학습 모델은, 하나 이상의 정상 이미지 패치를 기초로 코어 데이터 세트를 생성하는 단계, 상기 코어 데이터 세트를 상기 기계 학습 모델에 입력하는 것을 기초로, 상기 기계 학습 모델의 학습을 수행하는 단계 및 검증 데이터 세트를 상기 기계 학습 모델에 입력하는 것을 기초로, 상기 기계 학습 모델의 업데이트를 수행하는 단계에 기초하여 학습된 모델이다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 작업자의 생산성을 모니터링하기 위한 방법이 개시된다. 상기 방법은, 영상 데이터를 획득하는 단계; 상기 획득된 영상 데이터를 활용하여 객체의 관절(joint)에 대응하는 좌표 정보를 생성하는 단계; 상기 획득된 영상 데이터와 연계된 상기 객체의 관절에 대응하는 좌표 정보의 변화량을 기초로 시계열 데이터를 생성하는 단계; 및 분류 모델을 활용하여 상기 시계열 데이터에 기초한 상기 객체의 행동을 판별하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 업무 공간(Workspace)에 초대될 사용자들을 관리하는 방법이 개시된다. 상기 방법은, 상기 업무 공간에서의 복수의 역할(Role)들과 관련된 복수의 영역들을 포함하는, GUI(Graphic User Interface)를 표시하는 단계; 및 상기 GUI의 상기 복수의 영역들에 추가된 사용자들을 상기 업무 공간에 초대하는 동작, 및 각각의 사용자의 각각의 영역 정보에 기초하여 상기 사용자들에 서로 상이한 역할들을 부여하는 동작을 동시에 수행하는 단계를 포함할 수 있다.
본 개시의 컴퓨팅 장치에 의해 수행되는, 깊이 정보를 활용한 이상 탐지 방법이 개시된다. 상기 방법은, 제품의 표면을 스캔하여 깊이 정보를 포함하는 제 1 이미지 데이터를 획득하는 단계와, 상기 제 1 이미지 데이터에 기초하여 상기 제품의 기준 이미지 데이터를 생성하는 단계와, 상기 기준 이미지 데이터와 상기 제 1 이미지 데이터의 차이를 기초로 제 2 이미지 데이터를 획득하는 단계와, 상기 제 2 이미지 데이터에 기초하여 상기 제품의 결함 영역을 검출하는 단계를 포함한다.
본 개시의 컴퓨팅 장치에 의해 수행되는, 카메라를 활용하여 작업 영역을 인식하는 방법이 개시된다. 상기 방법은, 작업 공간 전체의 제 1 이미지를 획득하는 단계와, 상기 제 1 이미지에 포함된 제 1 객체의 픽셀 영역을 추출하는 단계와, 상기 추출된 제 1 객체의 픽셀 영역을 기초로 제 1 작업 영역을 결정하는 단계와, 상기 제 1 이미지에서 결정된 상기 제 1 작업 영역에 대응하는 이미지를 크롭하여 제 2 이미지를 출력하는 단계를 포함한다.
본 개시의 일 실시예에 따라 인공 신경망 모델을 이용한 물체의 작업 수행을 위해 컴퓨팅 장치에서 수행되는 방법이 개시된다. 본 개시에 따르면, 컴퓨팅 장치가 적어도 하나의 물체 영역이 포함된 2D 이미지를 획득하고, 상기 2D 이미지를 제1 인공 신경망 모델에 입력하는 것을 기초로, 타겟 물체의 영역을 식별하고, 상기 타겟 물체의 영역을 기초로, 상기 타겟 물체의 클래스 정보를 생성하고, 상기 타겟 물체의 영역을 기초로, 로봇이 상기 타겟 물체에 대한 작업을 수행하기 위한 좌표 데이터를 생성하고, 상기 로봇을 활용하여, 상기 좌표 데이터를 기초로 상기 타겟 물체에 대한 작업을 수행한다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 광(Light)을 활용하여 제품의 결함 검사를 수행하는 방법이 개시된다. 상기 방법은, 검사 대상인 결함의 종류를 결정하는 단계; 상기 검사 대상인 결함의 종류에 대응하여 상기 제품에 패턴이 있는 광을 조사할지 아니면 패턴이 없는 광을 조사할지 여부를 결정하는 단계; 및 상기 결정된 광을 활용하여 결함 검사를 수행하는 단계를 포함하고, 상기 검사 대상인 결함의 종류에 대응하여 상기 제품에 패턴이 있는 광을 조사할지 아니면 패턴이 없는 광을 조사할지 여부를 결정하는 단계는, 상기 검사 대상인 결함의 종류가 오염인 경우, 결함 영역의 색상 차이에 기초하여, 상기 제품에 패턴이 없는 광을 조사하도록 결정하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 인공 신경망 모델의 학습 데이터를 생성하기 위해 컴퓨팅 장치에서 수행되는 방법이 개시된다. 본 개시에 따르면, 컴퓨팅 장치가, 제품의 설계 데이터를 식별하고, 상기 제품의 설계 데이터를 기초로 3D 시뮬레이션 환경에서 적어도 하나의 제품 모델 및 상기 제품 모델이 적재될 컨테이너 모델을 포함하는 3D 모델을 생성하고, 상기 3D 모델을 기초로 인공 신경망 모델을 학습시키기 위한 학습 데이터를 생성하고, 상기 3D 모델은, 상기 제품의 물리적 특성을 반영하도록 생성된다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 신경망 모델을 활용하여, 결함 데이터를 획득하기 위한 방법이 개시된다. 상기 방법은, 제 1 결함이 포함된 객체가 포함된 학습 이미지 및 결함이 포함되지 않은 원본 이미지를 획득하는 단계; 신경망 모델을 활용하여, 상기 학습 이미지에 기초하여 상기 제 1 결함의 특징을 추출하는 단계; 상기 신경망 모델을 활용하여, 상기 추출된 제 1 결함의 특징 및 상기 원본 이미지에 기초하여 제 2 결함이 포함된 결함 이미지를 획득하는 단계; 상기 원본 이미지에 기초하여 객체 영역 정보를 획득하는 단계; 및 상기 객체 영역 정보에 기초하여 상기 결함 이미지에 포함된 제 2 결함에 대한 평가를 수행하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 신경망 모델을 활용하여 학습 데이터를 획득하기 위한 방법이 개시된다. 상기 방법은, 제 1 결함이 포함된 객체가 포함된 학습 이미지를 획득하는 단계; 신경망 모델을 활용하여 제 2 결함이 포함된 예측 이미지를 획득하는 단계; 상기 학습 이미지 및 상기 예측 이미지에 기초하여 복수의 손실 함수를 계산하는 단계; 상기 복수의 손실 함수에 기초하여 최종 손실 함수를 계산하는 단계; 및 상기 최종 손실 함수에 기초하여 상기 신경망 모델을 학습시키는 단계를 포함할 수 있다.
본 개시의 제품 검사 장치는, 제 1 이송 구간에서 제품을 제 1 이송 속도로 이송시키는 제 1 이송 장비와, 상기 제 1 이송 장비에 의하여 이송되는 상기 제품이 제 2 이송 구간으로 진입하면, 제 1 영역에서 상기 제 1 이송 장비의 높이보다 높은 제 1 높이까지 상승하고, 상기 제 1 높이에서 상기 제품을 제 2 이송 속도로 이송시키는 제 2 이송 장비와, 상기 제품이 상기 제 2 이송 장비에 의하여 상기 제 2 이송 구간에서 이송되는 동안 상기 제품을 촬영하는 제 1 검사 장비를 포함하고, 상기 제 2 이송 장비가 상기 제 1 높이까지 상승함에 따라 상기 제품은 상기 제 2 이송 장비 상에 놓여진다.
본 개시의 일 실시예에 따라 제품 외관을 검사하는 장치가 개시된다. 상기 장치는, 기준 방향으로 대상체를 촬영하기 위한 기준 카메라; 및 상기 기준 방향과 상이한 복수의 보조 방향들로 상기 대상체를 촬영하기 위한 복수의 보조 카메라들을 포함하고, 상기 복수의 보조 카메라들은, 상기 기준 방향과 수직인 평면으로 투영될 때, 서로 대칭을 이루는 형상으로 배치될 수 있다.
본 개시의 일 실시예에 따라 제품 이미지를 촬영하는 장비의 모니터링을 위해 컴퓨팅 장치에서 수행되는 방법이 개시된다. 본 개시에 따르면, 컴퓨팅 장치가, 촬영 장비가 생성한 적어도 하나의 입력 이미지를 식별하고, 상기 입력 이미지를 기초로 적어도 하나의 관심 영역을 추출하고, 상기 적어도 하나의 관심 영역을 촬영 장비 모니터링 모듈에 입력하는 것을 기초로, 상기 촬영 장비의 건전성과 관련된 정보를 생성하고, 상기 촬영 장비의 건전성과 관련된 정보를 기초로, 상기 입력 이미지와 관련된 후처리를 수행하는 동작 또는 이상 알림 정보를 생성하는 동작 중 적어도 하나를 수행한다.
본 개시의 일 실시예에 따라, 자성체를 활용하는 회전 장치가 개시된다. 상기 장치는, 대상체가 회전 가능하도록 하는 복수의 롤러(Roller)들, 상기 대상체를 적어도 일시적으로 고정시키기 위한 자성체, 및 상기 복수의 롤러들 또는 상기 자성체 중 적어도 하나의 동작을 제어하는 제어부를 포함하고, 상기 자성체는 상기 복수의 롤러들 외부에 위치할 수 있다.
본 개시의 일 실시예에 따라, 다면 검사 장치가 개시된다. 상기 장치는, 대상체의 측면에 배치되어, 상기 대상체의 측면으로부터 반사되는 제 1 타입의 광을 반사시키는 반사 부재; 및 상기 제 1 타입의 광 및 상기 대상체의 정면으로부터 반사되는 제 2 타입의 광을 활용하여, 상기 대상체의 다면을 촬상하기 위한 카메라를 포함하고, 상기 반사 부재는, 상기 제 1 타입의 광이 상기 반사 부재에 의해 반사되는 경로 중 적어도 일부의 경로가 상기 반사 부재 내부를 투과하도록 배치될 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 광(Light)을 활용하여 제품의 결함 검사를 수행하는 방법이 개시된다. 상기 방법은, 검사 대상인 결함의 종류를 결정하는 단계; 상기 검사 대상인 결함의 종류에 대응하여 상기 제품에 패턴이 있는 광을 조사할지 아니면 패턴이 없는 광을 조사할지 여부를 결정하는 단계; 및 상기 결정된 광을 활용하여 결함 검사를 수행하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 인공 신경망 모델을 이용한 물체의 작업 수행을 위해 컴퓨팅 장치에서 수행되는 방법이 개시된다. 본 개시에 따르면, 컴퓨팅 장치가 적어도 하나의 물체 영역이 포함된 2D 이미지를 획득하고, 상기 2D 이미지를 제1 인공 신경망 모델에 입력하는 것을 기초로, 타겟 물체의 영역을 식별하고, 상기 타겟 물체의 영역을 기초로, 상기 타겟 물체의 클래스 정보를 생성하고, 상기 타겟 물체의 영역을 기초로, 로봇이 상기 타겟 물체에 대한 작업을 수행하기 위한 좌표 데이터를 생성하고, 상기 로봇을 활용하여, 상기 좌표 데이터를 기초로 상기 타겟 물체에 대한 작업을 수행한다.
본 개시의 제품 검사 장치는, 제 1 이송 장비를 이용하여 제 1 방향으로 제품을 이송시키고, 제 1 검사 장비를 이용하여 상기 제품의 제 1 면을 검사하는 제 1 검사부와, 상기 제품을 회전시켜 상기 제품을 상하 반전시키는 제 1 로봇과, 제 2 이송 장비를 이용하여 상기 제 1 방향과 수직인 제 2 방향으로 상기 제품을 이송시키고, 제 2 검사 장비를 이용하여 상기 제품의 제 2 면을 검사하는 제 2 검사부와, 상기 제품을 회전시켜 상기 제품을 상하 반전시키는 제 2 로봇을 포함할 수 있다.
본 개시의 제품 검사 장치는, 제품의 제 1 면과 상기 제 1 면 이외의 적어도 하나의 추가적인 면이 검사되도록 상기 제품의 위치를 변화시키는 로봇과, 상기 로봇에 장착되고, 상기 제품의 상기 제 1 면이 검사되도록 상기 제품을 파지하는(grasp) 제 1 타입과 상기 제품의 상기 적어도 하나의 추가적인 면이 검사되도록 상기 제품을 파지하는 제 2 타입을 포함하는 그리퍼를 포함한다.
본 개시의 일 실시예에 따라 제품 검사 장치가 개시된다. 상기 제품 검사 장치는, 제 1 광학 장치를 활용하여 제품들의 제 1 부분들에 대한 검사를 수행하는 제 1 검사 모듈; 상기 제 1 검사 모듈에 의한 검사 이후에, 제 2 광학 장치를 활용하여 상기 제품들의 제 2 부분들에 대한 검사를 수행하는 제 2 검사 모듈; 및 상기 제 1 검사 모듈의 검사 결과에 기초하여 상기 제 1 검사 모듈과 상기 제 2 검사 모듈 사이의 구간에서 상기 제품들을 선택적으로 배출시키고, 상기 제 2 검사 모듈의 검사 결과에 기초하여 상기 제 2 검사 모듈과 후속 모듈 사이의 구간에서 상기 제품들을 선택적으로 배출시키는 중간 배출 모듈을 포함할 수 있다.
본 개시의 제품 검사 장치는, 제 1 검사 시간 동안 제품의 제 1 면이 검사되도록 상기 제품의 위치를 변화시키는 제 1 로봇과, 제 2 검사 시간 동안 상기 제품의 상기 제 1 면 이외의 적어도 하나의 추가적인 면이 검사되도록 상기 제품의 위치를 변화시키는 제 2 로봇을 포함하고, 상기 제 1 로봇 및 상기 제 2 로봇은 서로 상이한 타입의 위치 변화 동작을 수행하도록 구성된다.
본 개시의 일 실시예에 따라 인공 신경망 모델의 학습 방법을 위해 컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 본 개시에 따르면, 컴퓨팅 장치가, 인공 신경망 모델을 학습시키기 위한 제1 컴퓨팅 노드 및 제2 컴퓨팅 노드를 식별하고, 사용자 입력을 기초로, 인공 신경망 모델을 학습시키기 위한 제1 작업과 관련된 정보를 획득하고, 상기 제1 작업을 상기 제1 컴퓨팅 노드 또는 상기 제2 컴퓨팅 노드 중 적어도 하나에 동적으로 할당하고, 상기 제1 컴퓨팅 노드는 상기 사용자의 하나 이상의 로컬 컴퓨팅 리소스를 포함하고, 상기 제2 컴퓨팅 노드는 하나 이상의 클라우드 컴퓨팅 리소스를 포함한다.
본 개시의 일 실시예에 따라 학습 데이터의 레이블링(labeling)을 위해 컴퓨팅 장치에서 수행되는 방법이 개시된다. 구체적으로, 본 개시에 따르면, 컴퓨팅 장치가, 인공 신경망 모델을 학습시키기 위한 하나 이상의 학습 데이터 및 상기 하나 이상의 학습 데이터에 대응되는 하나 이상의 제1 레이블 데이터를 포함하는 레이블링 프로젝트를 식별하고, 상기 레이블링 프로젝트의 태스크 유형(task type)에 대한 변경 정보를 획득하고, 변경된 태스크 유형에 대응하는 레이블 유형(label type)을 결정하고, 상기 결정된 레이블 유형을 기초로, 상기 하나 이상의 제1 레이블 데이터를 하나 이상의 제2 레이블 데이터로 변환한다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 신경망 모델을 학습시키기 위한 데이터를 획득하는 방법이 개시된다. 상기 방법은, 샘플 이미지를 획득하는 단계; 상기 샘플 이미지에 대한 제 1 사용자 입력을 수신하는 단계; 상기 제 1 사용자 입력이 수신된 샘플 이미지에 대해 적어도 둘 이상의 제 2 사용자 입력을 수신하는 단계; 상기 제 1 사용자 입력 및 상기 제 2 사용자 입력이 수신된 샘플 이미지에 대한 추가 사용자 입력을 수신하는 단계; 및 상기 제 1 사용자 입력, 상기 제 2 사용자 입력 및 상기 추가 사용자 입력에 기초하여 상기 샘플 이미지에 대한 라벨링 영역을 획득하고, 상기 라벨링 영역에 기초하여 학습 데이터를 획득하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 신경망 모델을 학습시키기 위한 데이터를 획득하는 방법이 개시된다. 상기 방법은, 복수의 사용자 각각으로부터 라벨링(labeling) 데이터를 획득하는 단계; 상기 라벨링 데이터에 대해 상기 복수의 사용자의 라벨에 기초하여 중복되는 영역을 식별하는 단계; 상기 식별된 중복 영역에 기초하여 상기 라벨링 데이터에 대한 임시 라벨을 획득하는 단계; 및 상기 임시 라벨 및 상기 라벨링 데이터에 기초하여 최종 라벨링 데이터를 획득하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 신경망 모델을 학습시키기 위한 데이터를 획득하는 방법이 개시된다. 상기 방법은, 복수의 샘플 데이터를 획득하는 단계; 상기 복수의 샘플 데이터에 포함된 제 1 데이터 세트에 대한 제 1 사용자 입력을 수신하는 단계; 상기 복수의 샘플 데이터 중 상기 제 1 데이터 세트를 제외한 제 2 데이터 세트에 대한 제 2 사용자 입력을 수신하는 단계; 및 상기 제 1 사용자 입력에 기초하여 상기 제 2 사용자 입력을 보완하여 보완된 제 2 데이터 세트를 획득하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 신경망 모델을 활용하여 결함 검사를 수행하기 위한 방법이 개시된다. 상기 방법은, 검사 대상의 적어도 일부를 포함하는 복수의 이미지들을 획득하는 단계; 상기 복수의 이미지들 중 둘 이상의 이미지 간 중복 영역을 식별하는 단계; 상기 식별된 중복 영역에 기초하여 상기 복수의 이미지들을 병합하여 병합 이미지를 획득하는 단계; 및 상기 병합 이미지를 신경망 모델에 입력하여 결함 검사를 수행하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 인공지능 플랫폼(Platform)에서 로컬(Local) 모델 및 글로벌(Global) 모델을 관리하는 방법이 개시된다. 상기 방법은, 하나 이상의 로컬 서버의 로컬 학습에 대한 과업(Task) 정보 또는 데이터 타입 정보를 인코딩(Encoding)하여 생성된, 하나 이상의 인코딩된 참조 정보를 획득하는 단계; 상기 하나 이상의 로컬 서버에 의해 로컬 학습된, 하나 이상의 로컬 모델에 대한 파라미터(Parameter) 정보 중 적어도 일부를 획득하는 단계; 및 상기 하나 이상의 인코딩된 참조 정보 및 상기 하나 이상의 로컬 모델에 대한 파라미터 정보 중 적어도 일부에 기초하여, 글로벌 모델을 업데이트하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라, 대상체를 촬상하기 위한 장치가 개시된다. 상기 장치는, 제 1 회전 동작을 수행하는 제 1 원형 플레이트(plate); 상기 제 1 원형 플레이트 상에 설치되고, 상기 제 1 원형 플레이트와 동일 평면 상의 제 2 회전 구역에서, 상기 제 1 회전 동작과는 상이한 타입의 제 2 회전 동작을 수행하는 제 2 원형 플레이트; 및 상기 제 2 원형 플레이트가 상기 제 2 회전 구역에서 상기 제 2 회전 동작을 수행할 때, 상기 제 2 원형 플레이트에 지지된 대상체를 촬상하는 촬상 장치를 포함할 수 있다.
본 개시의 일 실시예에 따라 분포 외(Out-of-Distribution) 데이터를 탐지하기 위해 컴퓨팅 장치에서 수행되는 방법이 개시된다. 구체적으로, 본 개시에 따르면, 컴퓨팅 장치가, 입력 데이터를 학습된 제1 인공 신경망 모델에 입력하는 것을 기초로 추론 결과 데이터를 획득하고, 상기 입력 데이터에 대한 제1 인공 신경망 모델에 포함된 복수의 은닉층(Hidden layer)들의 활성화 값들을 기초로, 상기 제1 인공 신경망 모델에 포함된 뉴런(neuron)들의 활성화 경향(Activation tendency)을 산출하고, 상기 활성화 값들을 기초로, 상기 제1 인공 신경망 모델에 포함된 뉴런들의 비활성화 경향(Deactivation tendency)을 산출하고, 상기 활성화 경향 및 상기 비활성화 경향을 기초로, 상기 입력 데이터가 분포 외 데이터에 해당하는지 여부를 결정한다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 분포 외(Out-of-Distribution) 데이터를 탐지하기 위한 방법이 개시된다. 상기 방법은, 입력 데이터를 학습된 신경망 모델에 입력하는 것을 기초로 추론 신뢰도를 획득하는 단계; 상기 학습된 신경망 모델에 대한 분포 내 데이터 특징을 획득하는 단계; 상기 분포 내 데이터 특징 및 상기 추론 신뢰도에 기초하여 수정 신뢰도 점수(confidence score)를 계산하는 단계; 및 상기 계산된 수정 신뢰도 점수에 기초하여 상기 입력 데이터가 분포 외 데이터에 해당하는지 여부를 결정하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 이미지의 이상 탐지를 수행하기 위한 방법이 개시된다. 구체적으로, 본 개시에 따르면, 컴퓨팅 장치가, 원본 이미지를 식별하고, 상기 원본 이미지의 형태적 특징을 기초로, 상기 원본 이미지로부터 복수의 이미지 패치들을 추출하고, 상기 복수의 이미지 패치들 각각을 정렬하는 것을 기초로, 부분 이미지 세트를 생성하고, 상기 부분 이미지 세트를 인공 신경망 모델에 입력하는 것을 기초로, 상기 원본 이미지에 대한 이상 탐지(Anomaly Detection)를 수행한다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 신경망 모델을 활용하여 객체 분할을 수행하기 위한 방법이 개시된다. 상기 방법은, 객체가 포함된 학습 이미지를 획득하는 단계; 상기 학습 이미지를 활용하여 객체 분할을 수행하기 위한 신경망 모델을 학습시키는 단계; 상기 학습 이미지에 포함된 객체의 경계 영역을 특정하는 단계; 상기 학습 이미지 및 상기 특정된 경계 영역에 기초하여 추가 학습 이미지를 획득하는 단계; 및 상기 추가 학습 이미지에 기초하여 상기 학습된 신경망 모델을 추가 학습시키는 단계를 포함할 수 있다.
본 개시의 제품 검사 장치는, 제 1 이송 구간에서 제품을 제 1 이송 속도로 이송시키는 제 1 이송 장비와, 상기 제 1 이송 장비에 의하여 이송되는 상기 제품이 제 2 이송 구간으로 진입하면, 상기 제 1 이송 장비와 상이한 제 1 높이에서 상기 제품을 제 2 이송 속도로 이송시키는 제 2 이송 장비와, 상기 제품이 상기 제 2 이송 장비에 의하여 상기 제 2 이송 구간에서 이송되는 동안 상기 제품을 촬영하는 제 1 검사 장비를 포함한다.
본 개시는, 복수의 제품들을 공급하는 제품 공급부; 서로 상이한 방향으로 회전하는 복수의 회전 테이블들을 포함하고, 상기 제품 공급부로부터 상기 복수의 제품들을 공급받는 회전 이송부; 및 상기 복수의 회전 테이블들에 포함된 상기 복수의 제품들이 미리 설정된 제 1 촬상 영역에 함께 위치하면, 상기 복수의 제품들을 함께 촬영하여 불량을 검사하는 비전 검사부를 포함하는 제품 선별 장치에 관한 것이다.
특허청 KIPRIS · 2026-10-15 조회 · 최신 출원순 · 오른쪽은 등록일(등록 전은 출원일) · 전체 62건 중 50건 · 줄을 누르면 자세한 내용이 펼쳐집니다 ▾
지금은 공공자료(국민연금 · 전자공시 · 특허 · 명부 · 보도)만 있습니다. 회사가 IR Room에 자료를 내면 L1로 올라갑니다. 저희는 회사에 점수나 등급을 매기지 않습니다 — 어디까지 확인했는지만 적습니다.
| 단위 억원 | 2024 | 2025 |
|---|---|---|
| 영업수익(매출액) | 52.0 | 18.1 |
| 매출원가 | 79.4 | 18.2 |
| 매출총이익(손실) | (27.4) | (0.1) |
| 판매비와관리비 | 63.2 | 99.7 |
| 영업이익(손실) | (90.6) | (99.7) |
| 영업외수익 | 22.4 | 24.3 |
| 기타이익 | 0.1 | 0.2 |
| 금융수익 | 22.3 | 24.1 |
| 영업외비용 | 98.8 | 22.4 |
| 기타손실 | 0.0 | — |
| 금융원가 | 98.8 | 22.4 |
| 법인세비용차감전순이익(손실) | (167.1) | (97.8) |
| 당기순이익(손실) | (167.1) | (97.8) |
매출은 18.1억으로 전년 대비 65.2% 감소한 것으로 나타났다.
영업이익률은 -551.5%로 전년 -174.2%에서 하락했다.
당기순이익은 -97.8억으로 나타났다.
여기 실린 것보다 깊은 자료가 필요하십니까. 추가 정보 요청 — 종합 검토보고서 · 가치평가 · Executive Teaser · IM · 경쟁사 분석 · 실사 의뢰. 고르시면 산출비용과 걸리는 기간을 메일로 안내드립니다.