Loading the company…
Loading the company…
㈜바질컴퍼니
English name as filed with DART, Korea’s corporate disclosure system · Correct the English name ›
Last updated 2026-10-11 · Korean page ›
Verification level — how far we have checked
L0 · Public records — NPS workforce · filed financials · patents — public data
A company based in Busan, founded in 2018. Industry: Machinery & Robotics. Revenue for 2025 was ₩4.8bn. It has 35 employees enrolled in the National Pension Service (as of Aug 2026). It is externally audited; the latest audit opinion is “Unqualified”. 2 funding rounds are confirmed by press reports.
㈜바질컴퍼니는 클라우드 기반 인공지능 유지 보수 전문 플랫폼 'Vridge AI'를 개발하였습니다. 브릿지 AI는 인공지능을 처음 접하는 현장의 엔지니어들을 위해 간결하면서도 직관된 UI를 제공하고 있으며 쉽고 편리하게 데이터를 학습시키고, 배포 할 수 있으며 전문가(개발자)를 위한 비전 컨트롤 서비스와 AI 모델 테스트에 최적화 된 AI 컨셉 드리프트 솔루션 입니다. Read in English ›
Source vazilcompany.com · text from the company’s own website. Not written by us.
Loading…
Latest filing 2024-06-13 · latest registration 2025-11-10 · newest first
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 신경망 모델을 활용하여 결함 검사를 수행하기 위한 방법이 개시된다. 상기 방법은, 도메인이 상이한 복수의 입력 데이터를 획득하는 단계; 상기 복수의 입력 데이터 중 비시각적 도메인과 연관된 제 1 입력 데이터를 전처리하는 단계; 상기 복수의 입력 데이터 중 시각적 도메인과 연관된 제 2 입력 데이터, 상기 전처리된 제 1 입력 데이터에 기초하여 제 1 학습 데이터를 획득하는 단계; 및 상기 제 1 학습 데이터에 기초하여 결함 검사를 수행하기 위한 신경망 모델을 학습시키는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 상기 하나 이상의 프로세서로 하여금 2D 비젼을 기반으로 객체를 인식하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은, 2D 비젼 데이터를 획득하는 동작; 상기 수신된 2D 비젼 데이터에서 객체를 감지하는 동작; 상기 감지된 객체의 특징 정보를 획득하는 동작; 및 상기 획득된 특징 정보 중 적어도 일부를 상기 2D 비젼 데이터에 투영하여 상기 객체를 인식하는 동작을 포함하는, 컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
본 개시의 일 실시예에 따라 용접 로봇에 구비되는 보조 장치가 개시된다. 상기 용접 로봇에 구비되는 보조 장치는, 용접팁(welding tip)에 의해 작업되는 용접 부위를 촬영하고, 상기 용접팁에 의존적인 제 1 운동(movement) 및 상기 용접팁에 독립적인 제 2 운동을 수행하는 카메라(camera) 및 상기 용접팁에 독립적인 상기 제 2 운동을 구현하기 위한 보조 구동 모듈(driving module)을 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 신경망 모델을 활용하여 인공 결함 데이터를 생성하기 위한 방법이 개시된다. 상기 방법은, 입력 데이터를 획득하고, 상기 입력 데이터를 복수의 서브 데이터로 분할하는 단계; 제 1 신경망 모델을 활용하여, 하나 이상의 인공 결함 데이터를 생성하는 단계; 상기 하나 이상의 서브 데이터를 상기 생성된 인공 결함 데이터로 변환하는 단계; 및 상기 변환된 하나 이상의 서브 데이터를 포함하는 복수의 서브 데이터에 기초하여 최종 인공 결함 데이터를 획득하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 인공 결함 데이터를 생성하기 위해 신경망 모델을 학습시키기 위한 방법이 개시된다. 상기 방법은, 결함 데이터를 획득하는 단계; 입력 데이터의 특징을 추출하기 위한 제 1 레이어(layer) 및 입력 데이터의 사이즈(size)를 확대하기 위한 제 2 레이어를 포함하는 생성 네트워크(generator)를 활용하여 인공 결함 데이터를 생성하는 단계; 상기 생성된 인공 결함 데이터 및 상기 결함 데이터를 판별 네트워크(discriminator)에 입력하여 손실 함수를 계산하는 단계; 및 상기 계산된 손실 함수에 기초하여 상기 신경망 모델을 학습시키는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 물품의 결함 여부를 예측하기 위한 방법이 개시된다. 상기 방법은, 판단 대상 데이터를 획득하는 단계; 신경망 모델에 상기 판단 대상 데이터를 입력하고, 제 1 특징 맵을 추출하는 단계; 상기 제 1 특징 맵에 기초하여 결함 여부와 관련 있는 특징들을 추출하기 위해 제 1 세부 특징 맵을 추출하고, 상기 제 1 특징 맵에 기초하여 상기 제 1 세부 특징 맵과 상이한 크기의 특징들을 추출하기 위해 제 2 세부 특징 맵을 추출하는 단계; 상기 제 1 세부 특징 맵 및 상기 제 2 세부 특징 맵에 기초하여 제 2 특징 맵을 추출하는 단계; 및 상기 추출된 제 2 특징 맵에 기초하여 결함 여부를 예측하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 물품의 결함 여부를 예측하기 위한 방법이 개시된다. 상기 방법은 하나 이상의 이미지를 획득하는 단계; 상기 신경망 모델에 상기 획득된 이미지를 입력하고, 복수의 특징 맵들을 생성하는 단계; 상기 복수의 특징 맵들에 기초하여, 제 1 특징 벡터를 추출하는 단계; 상기 추출된 제 1 특징 벡터에 기초하여, 상기 복수의 특징 맵들 중 결함 여부와 관련 있는 특징 맵을 식별하기 위한 제 2 특징 벡터를 추출하는 단계; 상기 복수의 특징 맵들에 기초하여, 결함 여부와 관련 있는 특징 맵 영역을 식별하기 위한 제 3 특징 벡터를 추출하는 단계; 및 상기 신경망 모델을 활용하여, 상기 제 1 특징 벡터, 상기 제 2 특징 벡터, 및 상기 제 3 특징 벡터에 기초하여 결함 여부를 예측하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 물품의 결함 여부를 예측하기 위한 방법이 개시된다. 상기 방법은 하나 이상의 이미지를 획득하는 단계; 상기 신경망 모델에 상기 획득된 이미지를 입력하고, 복수의 특징 맵들을 생성하는 단계; 상기 복수의 특징 맵들에 기초하여, 제 1 특징 벡터를 추출하는 단계; 상기 추출된 제 1 특징 벡터에 기초하여, 상기 복수의 특징 맵들 중 결함 여부와 관련 있는 특징 맵을 식별하기 위한 제 2 특징 벡터를 추출하는 단계; 상기 복수의 특징 맵들에 기초하여, 결함 여부와 관련 있는 특징 맵 영역을 식별하기 위한 제 3 특징 벡터를 추출하는 단계; 및 상기 신경망 모델을 활용하여, 상기 제 1 특징 벡터, 상기 제 2 특징 벡터, 및 상기 제 3 특징 벡터에 기초하여 결함 여부를 예측하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 물품의 결함 여부를 예측하기 위한 방법이 개시된다. 상기 방법은 하나 이상의 이미지를 획득하는 단계; 상기 신경망 모델에 상기 획득된 이미지를 입력하고, 복수의 특징 맵들을 생성하는 단계; 상기 복수의 특징 맵들에 기초하여, 제 1 특징 벡터를 추출하는 단계; 상기 추출된 제 1 특징 벡터에 기초하여, 상기 복수의 특징 맵들 중 결함 여부와 관련 있는 특징 맵을 식별하기 위한 제 2 특징 벡터를 추출하는 단계; 상기 복수의 특징 맵들에 기초하여, 결함 여부와 관련 있는 특징 맵 영역을 식별하기 위한 제 3 특징 벡터를 추출하는 단계; 및 상기 신경망 모델을 활용하여, 상기 제 1 특징 벡터, 상기 제 2 특징 벡터, 및 상기 제 3 특징 벡터에 기초하여 결함 여부를 예측하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 작업 도구(End Effector)의 캘리브레이션 방법이 개시된다. 구체적으로, 본 개시에 따르면, 컴퓨팅 장치가, 적어도 하나의 카메라를 활용하여, 캘리브레이션 지그(Jig)영역을 포함하는 복수의 이미지 데이터들을 획득하고, 상기 복수의 이미지 데이터들을 기초로, 복수의 캘리브레이션 포인트들을 식별하고, 상기 복수의 캘리브레이션 포인트들을 기초로, 상기 작업 도구의 캘리브레이션 파라미터를 산출한다.
본 개시의 일 실시예에 따라 신발의 버핑 작업 궤적을 산출하기 위한 방법이 개시된다. 구체적으로, 본 개시에 따르면, 컴퓨팅 장치가, 작업 대상 신발과 관련된 복수의 입체 이미지 데이터들을 획득하고, 상기 작업 대상 신발과 관련된 복수의 입체 이미지 데이터들 각각에 대하여 포인트 클라우드 데이터를 생성하고, 상기 포인트 클라우드 데이터를 기초로 작업면 정보를 생성하고, 상기 작업면 정보를 기초로 작업 궤적을 산출한다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 이미지에서 객체의 외곽선을 검출하는 방법이 개시된다. 상기 방법은, 상기 이미지를 복수의 부분 이미지들로 분할하는 단계; 각각의 부분 이미지에 대하여, 하나 이상의 경계 포인트를 추출하는 단계; 상기 각각의 부분 이미지에 대하여 추출된 각각의 경계 포인트에 기초하여, 상기 각각의 부분 이미지에 대하여 수정된 부분 이미지를 생성하는 단계; 복수의 수정된 부분 이미지들을 병합하여 수정된 이미지를 생성하는 단계; 및 상기 수정된 이미지에 기초하여 상기 객체의 외곽선을 검출하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 물품의 결함 여부를 예측하기 위한 방법이 개시된다. 상기 방법은 하나 이상의 이미지를 획득하는 단계; 상기 신경망 모델에 상기 획득된 이미지를 입력하고, 복수의 특징 맵들을 생성하는 단계; 상기 복수의 특징 맵들에 기초하여, 제 1 특징 벡터를 추출하는 단계; 상기 추출된 제 1 특징 벡터에 기초하여, 상기 복수의 특징 맵들 중 결함 여부와 관련 있는 특징 맵을 식별하기 위한 제 2 특징 벡터를 추출하는 단계; 상기 복수의 특징 맵들에 기초하여, 결함 여부와 관련 있는 특징 맵 영역을 식별하기 위한 제 3 특징 벡터를 추출하는 단계; 및 상기 신경망 모델을 활용하여, 상기 제 1 특징 벡터, 상기 제 2 특징 벡터, 및 상기 제 3 특징 벡터에 기초하여 결함 여부를 예측하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 클라우드 플랫폼을 활용한 데이터 라벨 방법이 개시된다. 구체적으로, 본 개시에 따르면, 컴퓨팅 장치가, 입력 데이터를 획득하고, 상기 클라우드 플랫폼에서, 제1 데이터 라벨링 모델을 활용하여 상기 입력 데이터에 대한 라벨링을 수행하고, 상기 클라우드 플랫폼에서, 상기 라벨링된 입력 데이터를 기초로 작업 수행 모델의 학습을 수행하고, 상기 클라우드 플랫폼에서, 상기 학습된 작업 수행 모델을 기초로 상기 제1 데이터 라벨링 모델을 업데이트한다.
본 개시의 일 실시예에 따라 클라우드 플랫폼을 활용한 용접 불량 탐지 방법이 개시된다. 구체적으로, 본 개시에 따르면, 컴퓨팅 장치가, 초기 학습 데이터를 기초로 용접 불량 탐지 모델을 학습시키고, 상기 클라우드 플랫폼에서 상기 학습된 용접 불량 탐지 모델을 기초로, 오토 라벨링 툴을 생성하고, 추가 영상 데이터를 클라우드 플랫폼에 업로드하고, 상기 클라우드 플랫폼에서 상기 오토 라벨링 툴을 활용하여 상기 추가 영상 데이터에 대한 라벨링을 수행하고, 상기 클라우드 플랫폼에서 상기 라벨링된 추가 영상 데이터를 기초로 용접 불량 탐지 모델을 추가 학습시키고, 상기 클라우드 플랫폼에서 상기 추가 학습된 용접 불량 탐지 모델을 기초로, 상기 오토 라벨링 툴을 업데이트한다.
본 개시의 일 실시예에 따라 클라우드 플랫폼에서 인공지능 모델을 활용한 감성 품질 검사 방법이 개시된다. 구체적으로, 본 개시에 따르면, 컴퓨팅 장치가, 초기 학습 데이터를 기초로 감성 품질 검사 모델을 학습시키고, 상기 클라우드 플랫폼에서 상기 학습된 감성 품질 검사 모델을 기초로, 오토 라벨링 툴을 생성하고, 추가 이미지 데이터를 클라우드 플랫폼에 업로드하고, 상기 클라우드 플랫폼에서 상기 오토 라벨링 툴을 활용하여 상기 추가 이미지 데이터에 대한 라벨링을 수행하고, 상기 클라우드 플랫폼에서 상기 라벨링된 추가 이미지 데이터를 기초로 감성 품질 검사 모델을 추가 학습시키고, 상기 클라우드 플랫폼에서 상기 추가 학습된 감성 품질 검사 모델을 기초로, 상기 오토 라벨링 툴을 업데이트한다.
본 개시의 일 실시예에 따라 산업용 로봇의 작업 수행 모델을 학습시키기 위한 방법이 개시된다. 구체적으로, 본 개시에 따르면, 컴퓨팅 장치가, 산업용 로봇의 작업 대상 객체를 기초로 시뮬레이션 환경을 구축하고, 상기 시뮬레이션 환경에서 상기 산업용 로봇의 작업 수행 모델의 추가 학습 데이터를 생성하고, 상기 추가 학습 데이터를 기초로, 상기 작업 수행 모델을 추가 학습시키고, 상기 작업 수행 모델을 업데이트한다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 딥러닝 기반 객체 검출 방법이 개시된다. 상기 방법은, 이미지를 제 1 뉴럴 네트워크 모델에 입력하여 상기 이미지에 포함된 객체의 위치 정보를 추출하는 단계, 상기 제 1 뉴럴 네트워크 모델을 통해 추출된 객체의 위치 정보를 기초로, 상기 이미지에 대한 전처리를 수행하는 단계 및 상기 전처리가 수행된 이미지를 제 2 뉴럴 네트워크 모델에 입력하여 상기 객체에 대한 결함을 판단하는 단계를 포함하고, 상기 제 1 뉴럴 네트워크 모델과 상기 제 2 뉴럴 네트워크 모델은 서로 상이한 뉴럴 네트워크 모델일 수 있다.
본 발명은 품질 분석 결과를 이용한 최적 촬영 범위 제공 장치 및 방법에 관한 것으로 본 발명의 일면에 따른 품질 분석 결과를 이용한 최적 촬영 범위 제공 장치는 가속도 센서와 카메라를 포함하고 외부와 통신가능한 단말기로부터 물품을 촬영함에 따라 생성되는 촬영 이미지를 입력받는 촬영 이미지 입력부, 단말기로부터 촬영 이미지를 촬영한 시점에서의 가속도 센서값을 입력받는 센서값 입력부, 촬영 이미지를 입력받아 품질 불량 또는 품질 양호한지 구분 가능하도록 미리 학습된 학습 모델에 촬영 이미지를 적용함에 따라 품질 불량에 대응되는 제1 분류값 또는 품질 양호에 대응되는 제2 분류값을 선택하여 가속도 센서값과 매칭시키는 촬영각도 매칭부 및 기설정된 시간 동안 제1 분류값과 매칭되는 복수개의 촬영각도들에 기초하여 복수개의 촬영각도 범위를 생성하고, 제1 분류값과 매칭되는 복수개의 촬영각도들의 분포에 기초하여 복수개의 촬영각도 범위 중 어느 하나의 촬영각도 범위를 최적 촬영 범위로 설정하는 촬영 범위 설정모듈을 포함한다.
KIPO KIPRIS · checked 2026-10-15 · newest filings first · right: registration date (filing date if not yet registered) · 19 of 19 · 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.
Compiled from press reports — not confirmed by the company.
| KRW bn | 2024 | 2025 |
|---|---|---|
| Revenue | 3.5 | 4.8 |
| Cost of sales | 1.2 | 1.7 |
| Gross profit (loss) | 2.2 | 3.1 |
| Selling, general and administrative expenses | 2.1 | 2.8 |
| Operating income (loss) | 0.2 | 0.2 |
| Non-operating income | 0.1 | 0.0 |
| Other gains | 0.1 | 0.0 |
| Finance income | 0.0 | 0.0 |
| Non-operating expenses | 0.0 | 0.2 |
| Other losses | 0.0 | 0.0 |
| Finance costs | 0.0 | 0.2 |
| Profit (loss) before tax | 0.2 | 0.0 |
| Net income (loss) | 0.2 | 0.0 |
Revenue ₩4.8bn, up 36.5% YoY.
Operating margin 4.8% (prior 4.8%).
Net income ₩0bn.
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.
Headlines and links to public articles only · not checked by us (original ↗) · articles are in Korean — English headlines are our translation; where none is shown, “Read in English ›” opens a machine translation · “Broker view” is a forecast, not reported results · checked 2026-11-08