Loading the company…
Loading the company…
㈜코그넥스코리아
English name as filed with DART, Korea’s corporate disclosure system · Correct the English name ›
Last updated 2026-11-02 · Korean page ›
Verification level — how far we have checked
L0 · Public records — NPS workforce · filed financials · patents — public data
A company based in Seoul, founded in 2013. Industry: Software & IT Services. Revenue for 2025 was ₩59.7bn. It has 88 employees enrolled in the National Pension Service (as of Aug 2026). It is externally audited; the latest audit opinion is “Unqualified”.
Loading…
Latest filing 2021-09-28 · latest registration 2021-10-12 · newest first
본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 신경망을 학습시키기 위한 이하의 동작을 수행하도록 하며, 상기 동작은, 하나 이상의 태스크를 포함하는 제 1 학습 데이터 세트를 제 1 모델에 입력시키는 동작; 상기 제 1 모델을 사전 학습시키는 동작; 및 상기 사전 학습된 제 1 모델의 적어도 일부를 포함하는 제 2 모델을 학습시키는 동작을 포함할 수 있다.
본 개시의 일 실시예에 따른, 컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서로 하여금 이하의 단계들을 수행하게 하기위한 명령들을 포함하며, 상기 단계들은; 레이블링값이 존재하지 않는 전체 데이터 셋으로부터 적어도 둘 이상의 데이터를 포함하는 데이터 서브셋을 생성하는 단계; 상기 데이터 서브셋으로부터 둘 이상의 트레이닝 데이터 셋을 생성하는 단계 - 상기 둘 이상의 트레이닝 데이터 셋은 상이한 검증 데이터 셋을 포함하는 샘플링된 데이터 서브 셋의 쌍을 적어도 하나 포함함 -; 상기 둘 이상의 트레이닝 데이터 셋들 및 대응하는 레이블링 값에 기초하여 복수의 추론 모델들을 학습시키는 단계;를 포함할 수 있다.
컴퓨터 판독가능 저장 매체에 저장되는 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨팅 장치의 하나 이상의 프로세서에서 실행되는 경우 데이터 생성 방법을 제공하기 위한 동작들을 수행하도록 하며 상기 동작들은, 이미지 및 상기 이미지에 포함된 객체에 관한 분류 라벨을 하나 이상의 네트워크 함수를 포함하는 데이터 생성 모델에 입력시키는 동작; 및 상기 데이터 생성 모델을 이용하여 상기 이미지 및 상기 분류 라벨을 연산하여 상기 이미지에 포함된 객체에 대한 세그먼테이션 결과를 출력하는 동작을 포함할 수 있다.
본 개시의 일 실시예에 따른, 컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서로 하여금 이하의 단계들을 수행하게 하기위한 명령들을 포함하며, 상기 단계들은; 전체 데이터 셋으로부터 둘 이상의 트레이닝 데이터 셋을 생성하는 단계 - 상기 둘 이상의 트레이닝 데이터 셋 각각은 상이한 데이터 서브셋을 포함하는 샘플링된 데이터 셋의 쌍을 적어도 하나 포함함 -; 및 상기 둘 이상의 트레이닝 데이터 셋에 기초하여, 하나 이상의 네트워크 함수를 포함하는 복수의 추론 모델을 학습시키는 단계; 를 포함할 수 있다.
본 개시의 일 실시예에 따른 결함 검사 장치가 개시된다. 상기 결함 검사 장치는, 대상을 홀드하기 위한 홀드부 및 상기 대상을 이동시키기 위한 구동부를 포함하는 로봇 암; 상기 대상의 외관을 촬영하는 제 1 카메라부; 상기 대상의 외관에 빛을 조사하는 조명부; 및 상기 제 1 카메라부가 촬영한 상기 대상의 이미지에 기초하여 상기 대상의 결함 여부를 판단하는 제어부를 포함한다.
본 개시의 일 실시예에 따라 이미지 데이터의 어노말리 판단 방법이 개시된다. 상기 방법은 사전 학습된 네트워크 함수가 이미지 데이터를 수신하는 단계; 상기 사전 학습된 네트워크 함수를 이용하여 상기 이미지 데이터를 분류하는 단계; 상기 사전 학습된 네트워크 함수에서 출력되는 상기 이미지 데이터를 분류하기 위한 클래스 별 스코어링 값을 획득하는 단계; 및 상기 클래스 별 스코어링 값에 기초하여 상기 이미지 데이터에 어노말리가 존재하는지 여부를 판단하는 단계를 포함한다.
컴퓨터 판독가능 저장 매체에 저장되는 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨팅 장치의 하나 이상의 프로세서에서 실행되는 경우 학습 데이터 생성 방법을 제공하기 위한 동작들을 수행하도록 하며 상기 동작들은, 제 1 학습 데이터에 포함된 이미지에 기초하여 상기 이미지에 포함된 객체를 식별하는 동작; 상기 객체의 적어도 일부에 기초하여 이미지를 변형하는 동작; 및 상기 변형된 이미지를 포함하는 제 2 학습 데이터를 생성하는 동작을 포함할 수 있다.
본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 이미지 세그먼테이션하기 위한 이하의 동작을 수행하도록 하며, 상기 동작은, 입력 데이터를 포함하는 트레이닝 데이터를 네트워크 함수에 입력하는 동작; 상기 네트워크 함수를 이용하여 추정값을 획득하는 동작; 및 상기 추정값에 기초하여 상기 네트워크 함수를 업데이트하는 동작을 포함할 수 있다.
본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 신경망을 학습시키기 위한 이하의 동작을 수행하도록 하며, 상기 동작은, 하나 이상의 태스크를 포함하는 제 1 학습 데이터 세트를 제 1 모델에 입력시키는 동작; 상기 제 1 모델을 사전 학습시키는 동작; 및 상기 사전 학습된 제 1 모델의 적어도 일부를 포함하는 제 2 모델을 학습시키는 동작을 포함할 수 있다.
컴퓨터 판독가능 저장 매체에 저장되는 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨팅 장치의 하나 이상의 프로세서에서 실행되는 경우 데이터 생성 방법을 제공하기 위한 동작들을 수행하도록 하며 상기 동작들은, 이미지 및 상기 이미지에 포함된 객체에 관한 분류 라벨을 하나 이상의 네트워크 함수를 포함하는 데이터 생성 모델에 입력시키는 동작; 및 상기 데이터 생성 모델을 이용하여 상기 이미지 및 상기 분류 라벨을 연산하여 상기 이미지에 포함된 객체에 대한 세그먼테이션 결과를 출력하는 동작을 포함할 수 있다.
본 개시의 일 실시예에 따른, 컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서로 하여금 이하의 단계들을 수행하게 하기위한 명령들을 포함하며, 상기 단계들은; 전체 데이터 셋으로부터 둘 이상의 트레이닝 데이터 셋을 생성하는 단계 - 상기 둘 이상의 트레이닝 데이터 셋 각각은 상이한 데이터 서브셋을 포함하는 샘플링된 데이터 셋의 쌍을 적어도 하나 포함함 -; 및 상기 둘 이상의 트레이닝 데이터 셋에 기초하여, 하나 이상의 네트워크 함수를 포함하는 복수의 추론 모델을 학습시키는 단계; 를 포함할 수 있다.
본 개시의 일 실시예에 따른, 컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서로 하여금 이하의 단계들을 수행하게 하기위한 명령들을 포함하며, 상기 단계들은; 레이블링값이 존재하지 않는 전체 데이터 셋으로부터 적어도 둘 이상의 데이터를 포함하는 데이터 서브셋을 생성하는 단계; 상기 데이터 서브셋으로부터 둘 이상의 트레이닝 데이터 셋을 생성하는 단계 - 상기 둘 이상의 트레이닝 데이터 셋은 상이한 검증 데이터 셋을 포함하는 샘플링된 데이터 서브 셋의 쌍을 적어도 하나 포함함 -; 상기 둘 이상의 트레이닝 데이터 셋들 및 대응하는 레이블링 값에 기초하여 복수의 추론 모델들을 학습시키는 단계;를 포함할 수 있다.
본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 이미지 세그먼테이션하기 위한 이하의 동작을 수행하도록 하며, 상기 동작은, 입력 데이터를 포함하는 트레이닝 데이터를 네트워크 함수에 입력하는 동작; 상기 네트워크 함수를 이용하여 추정값을 획득하는 동작; 및 상기 추정값에 기초하여 상기 네트워크 함수를 업데이트하는 동작을 포함할 수 있다.
컴퓨터 판독가능 저장 매체에 저장되는 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨팅 장치의 하나 이상의 프로세서에서 실행되는 경우 학습 데이터 생성 방법을 제공하기 위한 동작들을 수행하도록 하며 상기 동작들은, 제 1 학습 데이터에 포함된 이미지에 기초하여 상기 이미지에 포함된 객체를 식별하는 동작; 상기 객체의 적어도 일부에 기초하여 이미지를 변형하는 동작; 및 상기 변형된 이미지를 포함하는 제 2 학습 데이터를 생성하는 동작을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 소스 도메인의 결함 데이터를 이용하여 타겟 도메인의 결함 데이터를 생성하는 방법이 개시된다. 상기 소스 도메인의 결함 데이터를 이용하여 타겟 도메인의 결함 데이터를 생성하는 방법은 제 1 마스크가 적용된 소스 도메인의 결함 데이터 및 제 1 마스크가 미적용된 소스 도메인의 결함 데이터를 복원알고리즘에 입력시키는 단계; 제 1 마스크가 복원된 소스 도메인의 결함 데이터를 생성하도록 상기 복원알고리즘을 제 1 훈련시키는 단계; 제 2 마스크가 적용된 소스 도메인의 정상 데이터 및 제 2 마스크가 미적용된 소스 도메인의 정상 데이터를 상기 복원알고리즘에 입력시키는 단계; 제 2 마스크가 복원된 소스 도메인의 정상 데이터를 생성하도록 상기 복원알고리즘을 제 2 훈련시키는 단계; 제 2 마스크가 적용된 타겟 도메인의 정상 데이터 및 제 2 마스크가 미적용된 타겟 도메인의 정상 데이터를 상기 복원알고리즘에 입력시키는 단계; 및 제 2 마스크가 복원된 타겟 도메인의 정상 데이터를 생성하도록 상기 복원알고리즘을 제 3 훈련시키는 단계;를 포함한다.
본 개시의 일 실시예에 따른 결함 검사 장치가 개시된다. 상기 결함 검사 장치는, 대상을 홀드하기 위한 홀드부 및 상기 대상을 이동시키기 위한 구동부를 포함하는 로봇 암; 상기 대상의 외관을 촬영하는 제 1 카메라부; 상기 대상의 외관에 빛을 조사하는 조명부; 및 상기 제 1 카메라부가 촬영한 상기 대상의 이미지에 기초하여 상기 대상의 결함 여부를 판단하는 제어부를 포함한다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에서 수행되는 복수의 레이어를 포함하는 신경망(neural network)의 적어도 일부분의 훈련 방법이 개시된다. 상기 방법은 정상 데이터 및 비정상 데이터를 포함하는 훈련 데이터를 상기 신경망의 입력 레이어에 입력시키는 단계; 각각의 훈련 데이터에 대한 상기 신경망의 히든 레이어의 하나 이상의 히든 노드 각각에서 출력되는 피쳐값을 히스토그램화 하여 상기 하나 이상의 히든 노드 별 피쳐값의 분포를 생성하는 단계; 상기 각각의 피쳐값의 분포와 사전결정된 확률 분포의 오차를 계산하는 단계; 및 상기 오차에 기초하여 상기 히든 레이어의 상기 하나 이상의 히든 노드 중 적어도 하나의 히든 노드를 선택하는 단계를 포함한다.
본 개시의 일 실시예에 따라 이미지 비교 방법이 개시된다. 상기 이미지 비교 방법은, 사전 학습된 네트워크 함수가 상호 연관성이 있는 제 1 이미지 데이터 및 제 2 이미지 데이터를 수신하는 단계; 상기 수신된 제 1 이미지 데이터 및 제 2 이미지 데이터에 기초하여 제 2 이미지 데이터의 어노말리 관련 정보를 결정하는 단계; 및 상기 네트워크 함수에 의해 결정된 어노말리 관련 정보를 출력하는 단계를 포함한다.
본 발명의 일 실시예에 따른 타겟 이미지 데이터를 보정하는 방법이 개시된다. 상기 방법은: 결함이 없는 복수 개의 정상 이미지 데이터에 기초하여 참조 이미지(Reference Image) 데이터를 생성하는 단계; 상기 참조 이미지 데이터로부터 하나 이상의 참조 이미지 특징점을 검출하는 단계; 상기 타겟 이미지 데이터로부터 하나 이상의 타겟 이미지 특징점을 검출하는 단계; 특징점 추정을 위한 알고리즘에 적어도 부분적으로 기초하여 상기 참조 이미지 데이터 및 상기 타겟 이미지로부터 미검출된 특징점 및 미매칭된 특징점 각각에 대한 타겟 이미지 추정 특징점 및 참조 이미지 추정 특징점을 결정하는 단계;상기 참조 이미지 특징점, 상기 타겟 이미지 특징점 및 상기 추정 특징점에 적어도 기초하여 상기 참조 이미지 데이터 및 상기 타겟 이미지 데이터를 정합시키는 단계; 및 조명에 의해 손실된 상기 타겟 이미지 데이터의 적어도 일부의 데이터를 복원하는 단계; 를 포함할 수 있다.
전술한 과제를 해결하기 위한 본 개시의 일 실시예들에 따라, 하나 이상의 프로세서에서 수행되는 정보 처리 방법이 개시된다. 상기 정보 처리 방법은: 프로세서에 의해, 제 1 데이터를 수신하는 단계; 프로세서에 의해, 직렬로 연결된 복수의 서브 모델을 포함하는 제 1 연산 모델을 이용하여 상기 제 1 데이터에 기초한 제 2 데이터를 생성하는 단계-상기 서브 모델은 차원을 변경하기 위한 적어도 하나의 레이어를 포함함-; 및 프로세서에 의해, 상기 제 1 데이터, 상기 제 2 데이터, 및 상기 복수의 서브 모델에 의해 생성된 복수의 서브 데이터 중 적어도 둘에 기초한 비용함수(cost function)를 생성하는 단계; 를 포함할 수 있다.
본 개시의 일 실시예에 따라 이미지 데이터의 어노말리 판단 방법이 개시된다. 상기 방법은 사전 학습된 네트워크 함수가 이미지 데이터를 수신하는 단계; 상기 사전 학습된 네트워크 함수를 이용하여 상기 이미지 데이터를 분류하는 단계; 상기 사전 학습된 네트워크 함수에서 출력되는 상기 이미지 데이터를 분류하기 위한 클래스 별 스코어링 값을 획득하는 단계; 및 상기 클래스 별 스코어링 값에 기초하여 상기 이미지 데이터에 어노말리가 존재하는지 여부를 판단하는 단계를 포함한다.
본 개시의 일 실시예에 따라 이미지 데이터의 상태 판단 방법이 개시된다. 상기 이미지 데이터의 상태 판단 방법은 상기 이미지 데이터에 기초하여, 상기 네트워크 함수에 의한 제 1 출력 데이터를 획득하는 단계, 상기 이미지 데이터에 기초하여, 상기 네트워크 함수와 상이한 효과를 가지는 알고리즘에 의한 제 2 출력 데이터를 획득하는 단계 및 상기 제 1 출력 데이터 및 상기 제 2 출력 데이터에 기초하여, 상기 이미지 데이터의 상태 정보를 결정하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 이미지 비교 방법이 개시된다. 상기 이미지 비교 방법은, 사전 학습된 네트워크 함수가 상호 연관성이 있는 제 1 이미지 데이터 및 제 2 이미지 데이터를 수신하는 단계; 상기 수신된 제 1 이미지 데이터 및 제 2 이미지 데이터에 기초하여 제 2 이미지 데이터의 어노말리 관련 정보를 결정하는 단계; 및 상기 네트워크 함수에 의해 결정된 어노말리 관련 정보를 출력하는 단계를 포함한다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 소스 도메인의 결함 데이터를 이용하여 타겟 도메인의 결함 데이터를 생성하는 방법이 개시된다. 상기 소스 도메인의 결함 데이터를 이용하여 타겟 도메인의 결함 데이터를 생성하는 방법은 제 1 마스크가 적용된 소스 도메인의 결함 데이터 및 제 1 마스크가 미적용된 소스 도메인의 결함 데이터를 복원알고리즘에 입력시키는 단계; 제 1 마스크가 복원된 소스 도메인의 결함 데이터를 생성하도록 상기 복원알고리즘을 제 1 훈련시키는 단계; 제 2 마스크가 적용된 소스 도메인의 정상 데이터 및 제 2 마스크가 미적용된 소스 도메인의 정상 데이터를 상기 복원알고리즘에 입력시키는 단계; 제 2 마스크가 복원된 소스 도메인의 정상 데이터를 생성하도록 상기 복원알고리즘을 제 2 훈련시키는 단계; 제 2 마스크가 적용된 타겟 도메인의 정상 데이터 및 제 2 마스크가 미적용된 타겟 도메인의 정상 데이터를 상기 복원알고리즘에 입력시키는 단계; 및 제 2 마스크가 복원된 타겟 도메인의 정상 데이터를 생성하도록 상기 복원알고리즘을 제 3 훈련시키는 단계;를 포함한다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에서 수행되는 복수의 레이어를 포함하는 신경망(neural network)의 적어도 일부분의 훈련 방법이 개시된다. 상기 방법은 정상 데이터 및 비정상 데이터를 포함하는 훈련 데이터를 상기 신경망의 입력 레이어에 입력시키는 단계; 각각의 훈련 데이터에 대한 상기 신경망의 히든 레이어의 하나 이상의 히든 노드 각각에서 출력되는 피쳐값을 히스토그램화 하여 상기 하나 이상의 히든 노드 별 피쳐값의 분포를 생성하는 단계; 상기 각각의 피쳐값의 분포와 사전결정된 확률 분포의 오차를 계산하는 단계; 및 상기 오차에 기초하여 상기 히든 레이어의 상기 하나 이상의 히든 노드 중 적어도 하나의 히든 노드를 선택하는 단계를 포함한다.
본 발명의 일 실시예에 따른 타겟 이미지 데이터를 보정하는 방법이 개시된다. 상기 방법은: 결함이 없는 복수 개의 정상 이미지 데이터에 기초하여 참조 이미지(Reference Image) 데이터를 생성하는 단계; 상기 참조 이미지 데이터로부터 하나 이상의 참조 이미지 특징점을 검출하는 단계; 상기 타겟 이미지 데이터로부터 하나 이상의 타겟 이미지 특징점을 검출하는 단계; 특징점 추정을 위한 알고리즘에 적어도 부분적으로 기초하여 상기 참조 이미지 데이터 및 상기 타겟 이미지로부터 미검출된 특징점 및 미매칭된 특징점 각각에 대한 타겟 이미지 추정 특징점 및 참조 이미지 추정 특징점을 결정하는 단계;상기 참조 이미지 특징점, 상기 타겟 이미지 특징점 및 상기 추정 특징점에 적어도 기초하여 상기 참조 이미지 데이터 및 상기 타겟 이미지 데이터를 정합시키는 단계; 및 조명에 의해 손실된 상기 타겟 이미지 데이터의 적어도 일부의 데이터를 복원하는 단계; 를 포함할 수 있다.
본 개시의 일 실시예에 따라 이미지 데이터의 상태 판단 방법이 개시된다. 상기 이미지 데이터의 상태 판단 방법은 상기 이미지 데이터에 기초하여, 상기 네트워크 함수에 의한 제 1 출력 데이터를 획득하는 단계, 상기 이미지 데이터에 기초하여, 상기 네트워크 함수와 상이한 효과를 가지는 알고리즘에 의한 제 2 출력 데이터를 획득하는 단계 및 상기 제 1 출력 데이터 및 상기 제 2 출력 데이터에 기초하여, 상기 이미지 데이터의 상태 정보를 결정하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따른 3차원 표면 측정 방법은, 둘 이상의 색상으로 구성된 반복 조명 패턴을 일정 각도로 측정 대상 물체에 조사하는 단계, 1차원 구조의 수광부를 가지는 카메라를 이용하여 상기 측정 대상 물체에 조사된 반복 조명 패턴을 촬영하는 단계 및 상기 촬영된 반복 조명 패턴으로부터 획득된, 상기 둘 이상의 색상 각각에 대한 측정 값에 기반하여, 상기 측정 대상 물체의 형상에 대한 정보를 계산하는 단계를 포함하고, 카메라 및 상기 측정 대상 물체는 상기 카메라가 상기 측정 대상 물체를 촬영하는 동안 상대 이동한다.
KIPO KIPRIS · checked 2026-10-15 · newest filings first · right: registration date (filing date if not yet registered) · 28 of 28 · titles and abstracts are in Korean as filed · click a row for details ▾
For now we hold public records only (National Pension Service · DART filings · patents · registers · press). When the company files material in our IR Room, it moves to L1. We do not score or rate companies — we only state how far we have checked.
| KRW bn | 2024 | 2025 |
|---|---|---|
| Revenue | 66.4 | 59.7 |
| Cost of sales | 47.0 | 38.9 |
| Gross profit (loss) | 19.4 | 20.8 |
| Selling, general and administrative expenses | 15.7 | 14.2 |
| Operating income (loss) | 3.7 | 6.6 |
| Non-operating income | 1.7 | 2.0 |
| Other gains | 0.1 | 0.5 |
| Finance income | 0.0 | 0.0 |
| Other | 1.6 | 1.4 |
| Non-operating expenses | 1.6 | 1.6 |
| Other losses | 0.0 | 0.0 |
| Other | 1.6 | 1.6 |
| Profit (loss) before tax | 3.8 | 7.0 |
| Income tax expense | (0.8) | 1.7 |
| Net income (loss) | 4.6 | 5.3 |
Revenue ₩59.7bn, down 10.1% YoY.
Operating margin 11.1% (prior 5.6%).
Net income ₩5.3bn.
Need more than is shown here? Ask for more information — full review report · valuation · executive teaser · IM · competitor analysis · due diligence. Tell us what you need and we will reply by email with scope, cost and timing.
Is this your company?
If anything here is wrong, tell us — we check it against the original and correct it. You do not need to join. If you would like your financials verified and this page completed, that is a separate process.