In OLED production, the glass fabrication process is prone to frequent occurrences of persistent mura defects, leading to significant damage in the event of defects, as the subsequent final inspection, AVI (Auto Visual Inspection), is time‐consuming. Therefore, there is a need for a consistent inspection. Currently, manual inspection by operators introduces variations in inspection criteria among individuals, resulting in ongoing challenges related to false judgments and post‐process leakage issues The invested automated inspection system for quantitative determination is utilized as a reference only, as the distinction between pseudo‐defects deemed acceptable in AVI and true defects identified as faulty in AVI poses limitations with the traditional logic‐based inspection methods. We enhanced the mura visibility of automatic inspection system (Auto Macro) images through pre‐processing, followed by translation into an image environment similar to AVI images using Pix2pix GAN. Subsequently, we compared the mura index extracted from the processed images with the AVI mura index for evaluation. The Auto Macro images transformed by Pix2pix GAN exhibited similarities with AVI images in terms of overall luminance, gray distribution, and mura visibility intensity. Consequently, the R‐Squared correlation between the mura index of Auto Macro and AVI improved from 0.00 to 0.68. Additionally, defects unrecognized in AVI during Auto Macro inspection were automatically eliminated. False defects in the Auto Macro test that were not recognized in AVI were automatically removed. In this study, we applied the AI model to the Auto Macro inspection system to overcome the limitations of logic‐based inspections. We proposed a method to proactively detect defect‐induced muras before cell‐level processing, aiming to improve yield and reduce incidents of customer leakage accidents.

Current critical needs of NASA, NOAA, and other agencies carrying out Earth environmental monitoring require higher-performance observing systems that offer lower noise, finer resolution, broader coverage, etc., but that are also lower-cost, can be accommodated on a wide range of launch vehicles and hosted payload platforms, as well as provide flexibility in how they are deployed and used. To achieve these ambitions, it is necessary to consider the observing system as comprising not only the sensor but also the concept of operations, processing, and potential for collaborative and synergistic observations. Here we present a new approach that enables dynamic, data-driven sensing and provides a way to test and evaluate the overall end-to-end system performance in the laboratory prior to launch with realistic Earth scenes. Recent technology advances now enable the utilization of new sensing concepts that reconfigure the sensor in real time to adjust where they are looking, their dwell time, their spatial resolution, and depending on the platform, their geometrical vantage point. For example, at frequencies spanning approximately 10-100GHz, phased array and reflectarray observations of sea surface wind (speed and direction), wide-swath polarimetric imagery, soil moisture and sea surface temperature, and atmospheric thermodynamic state that are deemed critical by NASA's Earth Science strategic goals are now possible. These measurements would all be improved by this work, since the sensor would be configured for maximum resolution, coverage, and dwell time for regions in the scene that exhibit the highest variability and would therefore benefit the most from high-fidelity sensing. This approach also efficiently optimizes the use of a fixed set of resources. Here we describe two new systems recently funded by the NASA Earth Science Technology Office (ESTO) to improve present capabilities for high-resolution atmospheric sensing from small satellite platforms: the Configurable Reflectarray Wideband Scanning Radiometer (CREWSR) and a Versatile, Intelligent, and Dynamic Earth Observation (VIDEO) testing and development platform for data driven and configurable sensors.

This study presents the construction and evaluation of a dataset for estimating solar energy using the GK-2A satellite and deep learning. The GK-2A is currently utilized in real-time for weather observations over the Korean Peninsula. The GK-2A satellite features 16 channels, producing radiative channel images at spatial resolutions ranging from 500 m to 2 km, with temporal intervals as short as 2 minutes depending on the area. These satellite data are used in various fields, including meteorology, oceanography, vegetation monitoring, and renewable energy. In this study, we used spectral channel data from the GK-2A expended local area satellite from January 2021 to December 2022. For training and evaluating the accuracy of the deep learning model, we utilized data from 98 automated synoptic observing system ground observation sites operated by the Korea Meteorological Administration. A back-propagation neural network model, which showed meaningful results in estimating solar energy, was applied. Various hyperparameters were optimized, and data preprocessing and separation were conducted to optimize the model. The study also compared the performance of the deep learning model with physical models. The BPNN deep learning model achieved a statistical accuracy of root mean squared error (RMSE) 77.32 Wm-2, mean bias error (MBE) -0.48 Wm-2, and R2 0.91, indicating high accuracy. In contrast, the physical model showed an RMSE of 132.01 Wm-2, MBE -76.51 Wm-2, and an R2 of 0.74, displaying relatively lower accuracy compared to the deep learning model. Additionally, the spatio-temporal map of solar energy generated by the deep learning model successfully captured the attenuation of radiation due to clouds and the variation in solar energy based on the position of the sun. The solar energy data produced in this study are expected to be useful as input data for various fields such as meteorology, agriculture, environmental monitoring, and marine sciences.