KR101840944B1 - 영상 분석 기반의 불량 판별 장치 및 방법 - Google Patents

영상 분석 기반의 불량 판별 장치 및 방법 Download PDF

Info

Publication number
KR101840944B1
KR101840944B1 KR1020160148565A KR20160148565A KR101840944B1 KR 101840944 B1 KR101840944 B1 KR 101840944B1 KR 1020160148565 A KR1020160148565 A KR 1020160148565A KR 20160148565 A KR20160148565 A KR 20160148565A KR 101840944 B1 KR101840944 B1 KR 101840944B1
Authority
KR
South Korea
Prior art keywords
image
pixel
image analysis
graph
defective
Prior art date
Application number
KR1020160148565A
Other languages
English (en)
Inventor
홍봉희
이지완
홍재기
김기진
Original Assignee
부산대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 부산대학교 산학협력단 filed Critical 부산대학교 산학협력단
Priority to KR1020160148565A priority Critical patent/KR101840944B1/ko
Application granted granted Critical
Publication of KR101840944B1 publication Critical patent/KR101840944B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Processing (AREA)

Abstract

영상 분석 기반의 불량 판별 장치 및 방법이 개시된다. 영상 분석 기반의 불량 판별 장치는 오브젝트를 촬영한 영상을, 설정된 체크 요소에 기초하여 변환하는 변환부와, 상기 변환된 영상으로부터 패턴 그래프를 생성하고, 상기 생성된 패턴 그래프 내 특징값이, 상기 체크 요소와 연관한 기준 범위를 벗어나는지에 대한 확인 결과에 따라, 상기 오브젝트에 대한 불량 여부를 결정하는 프로세서를 포함할 수 있다.

Description

영상 분석 기반의 불량 판별 장치 및 방법{APPARATUS AND METHOD FOR DETECTING DEFECT BASED ON IMAGE ANALYSIS}
본 발명의 실시예는 오브젝트를 촬영한 영상을 설정된 체크 요소(예컨대, 에지, HSV, RGB 등)에 기초하여 변환하고, 상기 변환된 영상을 분석하여, 상기 오브젝트에 대한 불량 여부를 결정하는 영상 분석 기반의 불량 판별 장치 및 방법에 관한 것이다.
사출 성형기는 설정된 시간 마다 사출성형 제품을 생산하여 출력할 수 있다. 출력되는 제품은 정상 제품만 유효 함에 따라, 제품의 불량 여부를 판별하여, 제품이 정상인지를 확인할 필요가 있다.
기존의 제품의 불량 여부를 판별하는 제품 불량 판별 장치는 제품을 촬영한 영상과 상기 제품과 관련된 기준 영상을 비교하고, 비교한 결과에 기초하여 제품의 불량 여부를 판별할 수 있다.
그러나, 이러한 제품 불량 판별 장치는 제품에 미성형의 불량이 발생할 경우에만, 해당 제품을 불량으로 판별할 수 있을 뿐, 다른 다양한 유형의 불량이 발생할 경우에는 이를 식별하지 못함에 따라, 해당 제품에 불량이 아닌 것으로 판별하여, 제품을 정상으로 확인하는 오류를 범할 수 있다.
본 발명의 실시예는 오브젝트를 촬영한 영상을 설정된 체크 요소(예컨대, 에지, HSV, RGB 등)에 기초하여 변환하고, 상기 변환된 영상을 분석하여, 상기 오브젝트에 대한 불량 여부를 결정 함으로써, 체크 요소와 관련된 불량 유형을 고려하여, 불량 여부를 체크 함에 따라, 다양한 유형의 불량이 발생한 비정상적인 제품을 용이하게 필터링할 수 있게 하는 것을 목적으로 한다.
또한, 본 발명의 실시예는 오브젝트를 촬영한 영상에 대해, 수평 및 수직 중 적어도 하나의 방향으로 가상 선을 형성하고, 기준 범위를 벗어나는 특징값과 연관된 가상 선의 위치를 이용하여, 상기 오브젝트의 불량 위치를 용이하게 검출하는 것을 목적으로 한다.
본 발명의 실시예에 따른 영상 분석 기반의 불량 판별 장치는 오브젝트를 촬영한 영상을, 설정된 체크 요소에 기초하여 변환하는 변환부와, 상기 변환된 영상으로부터 패턴 그래프를 생성하고, 상기 생성된 패턴 그래프 내 시계열 데이터와, 정상 제품의 패턴 그래프 내 시계열 데이터 간의 패턴 일치 여부에 대한 확인 결과에 따라, 상기 오브젝트에 대한 불량 여부를 결정하는 프로세서를 포함할 수 있다.
상기 프로세서는 상기 시계열 데이터 중, 정해진 특징값이, 상기 체크 요소와 연관한 기준 범위를 벗어나는지에 대한 확인 결과를 더 고려하여, 상기 오브젝트에 대한 불량 여부를 결정할 수 있다.
상기 프로세서는 상기 변환된 영상에 대해, 수평 및 수직 중 적어도 하나의 방향으로 가상 선을 형성하고, 상기 변환된 영상 내 오브젝트 상에 상기 가상 선이 존재하는 임의 영역에 대한 픽셀 수를, 상기 특징값으로 확인하며, 상기 확인된 특징값을 포함하여 상기 패턴 그래프를 생성할 수 있다.
상기 가상 선이 복수 개일 경우, 상기 프로세서는 상기 복수 개의 가상 선이 형성된 위치에 기초하여, 상기 복수 개의 가상 선 각각에 부여된 식별정보 별로 특징값을 확인하고, 상기 식별정보별 특징값 중 설정된 수 이상의 특징값이, 상기 식별정보별 기준 범위를 벗어나는 것으로 확인되면, 상기 오브젝트를 불량으로 결정할 수 있다.
상기 프로세서는 상기 식별정보별 기준 범위를 벗어나는 특징값의 식별정보를 이용하여, 상기 오브젝트 내 상기 불량과 연관된 불량 위치를 검출할 수 있다.
상기 변환부는 상기 체크 요소로서, 에지(edge), HSV(Hue, Saturation, Value) 및 RGB(Red, Green, Blue) 중 적어도 하나의 요소에 기초하여, 상기 영상을 변환하고, 상기 프로세서는 상기 변화된 영상에 기초한 요소에 따라, 상기 오브젝트에 대한 불량 유형을 식별할 수 있다.
상기 프로세서는 상기 에지, 상기 HSV 및 상기 RGB에 기초하여, 각각 변환된 영상으로부터 생성된 패턴 그래프에서, 기준 범위를 벗어나는 것으로 확인되는 각각의 특징값의 수에 대해, 해당 가중치를 적용하고, 상기 가중치가 적용된 특징값의 합이 설정된 불량 수를 초과하는 경우, 상기 오브젝트를 불량으로 결정할 수 있다.
상기 프로세서는 상기 촬영된 영상 내 픽셀 수 및 상기 변환된 영상의 수 중 적어도 하나에 기초하여, 상기 불량 수를 설정할 수 있다.
본 발명의 실시예에 따른 영상 분석 기반의 불량 판별 방법은 오브젝트를 촬영한 영상을, 설정된 체크 요소에 기초하여 변환하는 단계와, 상기 변환된 영상으로부터 패턴 그래프 내 시계열 데이터와, 정상 제품의 패턴 그래프 내 시계열 데이터 간의 패턴 일치 여부에 대한 확인 결과에 따라, 상기 오브젝트에 대한 불량 여부를 결정하는 단계를 포함할 수 있다.
본 발명의 실시예에 따르면, 오브젝트를 촬영한 영상을 설정된 체크 요소에 기초하여 변환하고, 상기 변환된 영상을 분석하여, 상기 오브젝트에 대한 불량 여부를 결정 함으로써, 체크 요소와 관련된 불량 유형을 고려하여, 불량 여부를 체크 함에 따라, 다양한 유형의 불량이 발생한 비정상적인 제품을 용이하게 필터링할 수 있게 한다.
또한, 본 발명의 실시예에 따르면, 오브젝트를 촬영한 영상에 대해, 수평 및 수직 중 적어도 하나의 방향으로 가상 선을 형성하고, 기준 범위를 벗어나는 특징값과 연관된 가상 선의 위치를 이용하여, 상기 오브젝트의 불량 위치를 용이하게 검출할 수 있다.
도 1은 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치를 설명하기 위한 도면이다.
도 2는 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치의 구성을 도시한 도면이다.
도 3은 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치에서의 패턴 그래프에 대한 생성 일례를 설명하기 위한 도면이다.
도 4는 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치에서의 오브젝트에 대한 불량 여부 결정에 대한 일례를 설명하기 위한 도면이다.
도 5는 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치에서의 오브젝트에 대한 불량 유형 식별에 대한 일례를 설명하기 위한 도면이다.
도 6은 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치에서의 오브젝트에 대한 불량 여부 결정에 대한 다른 일례를 설명하기 위한 도면이다.
도 7은 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치에서 오브젝트를 획득하는 일례를 설명하기 위한 도면이다.
도 8은 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치에서 획득한 영상을 조정하는 일례를 설명하기 위한 도면이다.
도 9는 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치에서의 픽셀 그래프에 대한 생성 일례를 설명하기 위한 도면이다.
도 10은 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치에서 오브젝트에 대한 불량 여부를 학습하는 일례를 설명하기 위한 도면이다.
도 11은 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치에서 정상의 오브젝트를 촬영한 영상을 이용하여, 다른 오브젝트에 대한 불량 여부를 결정하는 일례를 설명하기 위한 도면이다.
도 12는 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치에서 오브젝트의 불량 위치를 검출하는 일례를 설명하기 위한 도면이다.
도 13은 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치에서 정상의 오브젝트를 촬영한 영상을 이용하여, 다른 오브젝트에 대한 불량 여부를 결정하는 다른 일례를 설명하기 위한 도면이다.
도 14는 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치에서의 오브젝트에 대한 불량 여부 결정에 대한 또 다른 일례를 설명하기 위한 도면이다.
도 15는 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치에서 오브젝트에 대한 불량 여부 결정시, 이용하는 패턴 그래프에 관한 트리 구조의 일례를 도시한 도면이다.
도 16은 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 방법을 나타내는 흐름도이다.
이하, 첨부 도면들 및 첨부 도면들에 기재된 내용들을 참조하여 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치 및 방법에 대해 상세히 설명한다.
도 1은 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치를 설명하기 위한 도면이다.
도 1을 참조하면, 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치(100)는 오브젝트(101)를 촬영한 영상을 설정된 체크 요소(예컨대, 에지, HSV, RGB 등)에 기초하여 변환하고, 상기 변환된 영상을 분석하여, 오브젝트(101)에 대한 불량 여부를 결정할 수 있다. 여기서, 오브젝트는 예컨대, 자동차용 플라스틱 사출 성형 제품(자동차용 범퍼, 필러트림, 도어트림, 커버시트, 글로브박스, 인판넬, 미러하우징, 램프하우징 등), 초정밀 플라스틱 금형 제품(마이크로 부품, 대면적 마이크로 패턴성형용 금형, 마이크로 또는 나노 패턴 고전사 금형 등), 가전용 사출 성형 제품(냉장고, TV, 에어컨, 백색가전 등) 및 디스플레이 전자 제품(PDA, DVD, 스마트폰, 태블릿 PC, PC 모니터 등)을 포함할 수 있다.
구체적으로, 영상 분석 기반의 불량 판별 장치(100)는 상기 변환된 영상으로부터 패턴 그래프를 생성하고, 상기 생성된 패턴 그래프 내 특징값이, 상기 체크 요소와 연관한 기준 범위를 벗어나는지에 대한 확인 결과에 따라, 오브젝트(101)에 대한 불량 여부를 결정 함으로써, 체크 요소와 관련된 불량 유형을 고려하여, 불량 여부를 체크 함에 따라, 다양한 유형의 불량이 발생한 비정상적인 제품을 용이하게 필터링할 수 있게 한다.
도 2는 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치의 구성을 도시한 도면이다.
도 2를 참조하면, 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치(200)는 영상 획득부(201), 변환부(203), 프로세서(205) 및 데이터베이스(207)를 포함할 수 있다.
영상 획득부(201)는 예컨대, 내부 카메라를 통해, 오브젝트를 촬영하여 영상을 획득하거나, 또는 오브젝트를 촬영한 영상을 외부 카메라(예컨대, CCTV: Closed Circuit Television)로부터 획득할 수 있다. 이때, 영상 획득부(201)는 설정된 간격으로 오브젝트가 촬영된 영상을 획득하고, 설정된 수의 영상을 평균하여, 프로세서(205)에 전달 함으로써, 오브젝트에 대한 불량 여부 결정의 정확도를 높일 수 있는 환경을 마련할 수 있다.
변환부(203)는 상기 오브젝트를 촬영한 영상을, 설정된 체크 요소에 기초하여 변환할 수 있다. 여기서, 체크 요소는 예컨대, 에지(edge), HSV(Hue, Saturation, Value), RGB(Red, Green, Blue), 주파수 등을 포함할 수 있다.
프로세서(205)는 상기 변환된 영상으로부터 패턴 그래프를 생성하고, 상기 생성된 패턴 그래프 내 시계열 데이터와, 정상 제품의 패턴 그래프 내 시계열 데이터 간의 패턴 일치 여부를 확인한 후, 확인 결과에 따라, 상기 오브젝트에 대한 불량 여부를 결정할 수 있다. 프로세서(205)는 상기 시계열 데이터 중, 정해진 특징값이, 상기 체크 요소와 연관한 기준 범위를 벗어나는지에 대한 확인 결과를 더 고려하여, 상기 오브젝트에 대한 불량 여부를 결정할 수 있다.
이때, 프로세서(205)는 상기 변환된 영상에 대해, 수평 및 수직 중 적어도 하나의 방향으로 가상 선을 형성하고, 상기 변환된 영상 내 오브젝트 상에 상기 가상 선이 존재하는 임의 영역에 대한 픽셀 수(또는, 오브젝트와 가상 선이 교차하는 영역에 대한 픽셀 수)를, 상기 특징값으로 확인하며, 상기 확인된 특징값을 포함하여 상기 패턴 그래프를 생성할 수 있다. 여기서, 프로세서(205)는 상기 가상 선이 복수 개일 경우, 상기 복수 개의 가상 선이 형성된 위치에 기초하여, 상기 복수 개의 가상 선 각각에 부여된 식별정보 별로 특징값을 확인할 수 있다. 이때, 프로세서(205)는 상기 변환된 영상에 대해, 예컨대, 수평 방향의 복수 개의 가상 선과 수직 방향의 복수 개의 가상 선으로 이루어지는 격자 무늬의 가상 선을 형성할 수 있으며, 수평 방향의 식별정보 별로 특징값을 확인하고, 수직 방향의 식별정보 별로 특징값을 확인할 수 있다.
이후, 프로세서(205)는 상기 식별정보별 특징값 중 설정된 수(예컨대, 5개) 이상의 특징값이, 상기 식별정보별 기준 범위를 벗어나는 것으로 확인되면, 상기 오브젝트를 불량으로 결정할 수 있다.
또한, 프로세서(205)는 상기 식별정보별 기준 범위를 벗어나는 특징값의 식별정보를 이용하여, 상기 오브젝트 내 상기 불량과 연관된 불량 위치를 용이하게 검출할 수 있다. 이때, 프로세서(205)는 예컨대, 상기 변환된 영상에 격자 무늬의 가상 선이 형성된 경우, 기준 범위를 벗어나는 특징값의 식별정보가, 수평 방향의 식별정보이면, 수평 방향으로 식별정보에 해당하는 순서의 위치(즉, 수평 가산 선이 형성된 위치)를, 제1 불량 위치로 검출하고, 수직 방향의 식별정보이면, 수직 방향으로 식별정보에 해당하는 순서의 위치(즉, 수직 가산 선이 형성된 위치)를, 제2 불량 위치로 검출할 수 있으며, 제1 불량 위치와 제2 불량 위치가 교차하는 지점(또는, 제1 불량 위치 또는 제2 불량 위치 내 상기 지점을 포함하는 주변 지점)을 최종의 불량 위치로 검출할 수 있다.
한편, 상기 오브젝트가 불량으로 결정되는 경우, 프로세서(205)는 상기 변화된 영상에 기초한 요소에 따라, 상기 오브젝트에 대한 불량 유형을 식별할 수 있다. 예컨대, 프로세서(205)는 에지에 기초하여, 오브젝트를 촬영한 영상을 변환한 경우, 오브젝트에 대한 불량 유형으로서, 스크래치 또는 미성형으로 식별할 수 있고, HSV에 기초하여, 오브젝트를 촬영한 영상을 변환한 경우, 오브젝트에 대한 불량 유형으로서, 흠으로 식별할 수 있다. 또한, 프로세서(205)는 RGB에 기초하여, 오브젝트를 촬영한 영상을 변환한 경우, 오브젝트에 대한 불량 유형으로서, 색상 불량으로 식별할 수 있다.
또한, 프로세서(205)는 오브젝트를 촬영한 영상이, 복수의 체크 요소별로 변환된 경우, 각각 변환된 영상으로부터 생성된 패턴 그래프에서, 기준 범위를 벗어나는 것으로 확인되는 각각의 특징값의 수에 대해, 체크 요소별로 해당 가중치를 적용하고, 상기 가중치가 적용된 특징값의 합이 설정된 불량 수를 초과하는 경우, 상기 오브젝트를 불량으로 결정할 수 있다. 이때, 프로세서(205)는 상기 촬영된 영상 내 픽셀 수 및 상기 변환된 영상의 수 중 적어도 하나에 기초하여, 상기 불량 수를 설정하거나, 또는 입력되는 특정의 수를 상기 불량 수로 설정할 수 있다.
예컨대, 프로세서(205)는 에지에 기초하여 변환된 영상으로부터 생성된 패턴 그래프에서, 기준 범위를 벗어나는 것으로 확인되는 특징값의 수에 제1 가중치를 적용하고, HSV에 기초하여 변환된 영상으로부터 생성된 패턴 그래프에서, 기준 범위를 벗어나는 것으로 확인되는 특징값의 수에 제2 가중치를 적용할 수 있다. 또한, 프로세서(205)는 RGB에 기초하여 변환된 영상으로부터 생성된 패턴 그래프에서, 기준 범위를 벗어나는 것으로 확인되는 특징값의 수에 제3 가중치를 적용할 수 있다. 이때, 프로세서(205)는 제1,2,3 가중치가 각각 적용된 특징값의 합이, 설정된 불량 수를 초과하는 경우, 상기 오브젝트를 불량으로 결정할 수 있다.
또한, 다른 일례로서, 프로세서(205)는 오브젝트와 관련하여, 체크 요소에 대응하는 패턴 그래프를 데이터베이스(207)로부터 획득하고, 획득한 패턴 그래프와 상기 생성된 패턴 그래프를 매칭(matching)하고, 매칭된 결과에 따라, 상기 오브젝트에 대한 불량 여부를 결정할 수 있다. 예컨대, 프로세서(205)는 상기 획득한 패턴 그래프와 상기 생성된 패턴 그래프 간의 매칭률이 설정치(예컨대, 90%) 이하일 경우, 상기 오브젝트를 불량으로 결정할 수 있다. 이때, 프로세서(205)는 설정치(예컨대, 90% 또는 95%)를 초과하여, 매칭률을 가지는 패턴 그래프를 데이터베이스(207)에 저장 함으로써, 기저장된 패턴 그래프를 갱신할 수 있다.
또한, 프로세서(205)는 복수 개의 오브젝트를 각각 촬영한 영상을 이용하여, 복수 개의 오브젝트에 대해 각각 불량 여부를 결정할 수 있으며, 상기 복수 개의 오브젝트에 대한 불량 여부를 학습한 결과를 샘플링 데이터로서 이용하여, 다른 오브젝트에 대한 불량 여부를 판별할 수 있다.
구체적으로, 프로세서(205)는 오브젝트가 복수 개일 경우, 상기 복수 개의 오브젝트를 각각 촬영한 영상에 대해, 동일한 지점에 특정의 가상 선(예컨대, 등간격으로 이격되는 수직 방향의 가상 선 중 여섯번째 가상 선, 제6 수직 가상 선)을 형성하고, 상기 특정의 가상 선 내 각 픽셀에서의 픽셀값을 연결하여, 영상별로 복수 개의 픽셀 그래프를 생성할 수 있다. 이때, 프로세서(205)는 복수 개의 픽셀 그래프 간 유사도에 기초하여, 일부의 픽셀 그래프를 정상 그룹으로 분류하고, 상기 정상 그룹으로 분류되는 픽셀 그래프에 해당하는 오브젝트를 정상으로 결정할 수 있다. 여기서, 프로세서(205)는 유사한 픽셀 그래프(예컨대, 거리(유사도)가 설정된 값 미만인 픽셀 그래프)가 상대적으로 많은 픽셀 그래프(또는, 설정 수 이상의 유사한 픽셀 그래프)를 정상 그룹으로 분류할 수 있다.
이후, 프로세서(205)는 상기 정상 그룹으로 분류되는 픽셀 그래프를 이용하여, 기준 픽셀 그래프 및 오차 범위를 생성하고, 다른 오브젝트와 관련된 픽셀 그래프(예컨대, 다른 오브젝트를 촬영한 영상에서 제6 수직 가상 선을 형성하고, 상기 제6 수직 가상 선에 대응하여 생성된 픽셀 그래프)와, 상기 기준 픽셀 그래프 간의 거리가 상기 오차 범위 이상일 경우, 상기 다른 오브젝트를 불량으로 결정할 수 있다. 반면, 프로세서(205)는 다른 오브젝트와 관련된 픽셀 그래프와, 상기 기준 픽셀 그래프 간의 거리가 상기 오차 범위 미만일 경우, 상기 다른 오브젝트를 정상으로 결정할 수 있다.
또 다른 일례로서, 프로세서(205)는 오브젝트를 촬영한 영상에 대해, 복수의 가상 선을 형성하고, 각 가상 선에 대응하는 픽셀 그래프가 분류되는 그룹이, 설정된 그룹 수를 초과하는지에 따라, 상기 오브젝트에 대한 불량 여부를 결정할 수 있다.
구체적으로, 프로세서(205)는 상기 영상에 대해, 수평 및 수직 중 적어도 하나의 방향으로 등간격의 가상 선을 형성하고, 각 가상 선 내 각 픽셀에서의 픽셀값(예컨대, HSV값)을 이용하여, 각 가상 선에 대응하는 픽셀 그래프를 생성한 후, 일부 픽셀 그래프(예컨대, 전체 2000개 중에 100개) 중에서, 유사한 픽셀 그래프(예컨대, 거리(유사도)가 설정된 값 미만인 픽셀 그래프)별로 분류하여 그룹을 형성할 수 있다. 이때, 프로세서(205)는 형성된 그룹의 수(예컨대, 2개)가, 설정된 그룹 수(예컨대, 1개)를 초과하면, 상기 오브젝트를 불량으로 결정할 수 있다.
도 3은 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치에서의 패턴 그래프에 대한 생성 일례를 설명하기 위한 도면이다.
도 3을 참조하면, 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치는 오브젝트를 촬영한 영상을 획득하고, 상기 영상을, 설정된 체크 요소에 기초하여 변환할 수 있다. 예컨대, 영상 분석 기반의 불량 판별 장치는 에지(edge)에 기초하여 상기 영상을 변환할 수 있다.
이후, 영상 분석 기반의 불량 판별 장치는 상기 변환된 영상에 대해, 수직 방향으로 '1000'개의 가상 선을 형성하고, 상기 변환된 영상 내 오브젝트 상에 상기 가상 선이 각각 존재하는 임의 영역에 대한 픽셀 수를, 상기 가상 선에 연관하는 특징값으로 확인할 수 있다. 예컨대, 영상 분석 기반의 불량 판별 장치는 상기 영상 내 오브젝트 상에, 제1 수직 가상 선('01'의 식별정보가 부여된 가상 선)(301)이 존재하는 임의 영역에 대한 픽셀 수 '100'을, 제1 수직 가상 선(301)에 연관하는 특징값으로 확인할 수 있다. 또한, 영상 분석 기반의 불량 판별 장치는 각 수직 가상 선에 연관하는 특징값을 확인하고, 각각의 특징값을 연결하여, 수직선 패턴 그래프(303)를 생성할 수 있다.
또한, 영상 분석 기반의 불량 판별 장치는 상기 변환된 영상에 대해, 수평 방향으로 '1000'개의 가상 선을 형성하고, 상기 변환된 영상 내 오브젝트 상에 상기 가상 선이 각각 존재하는 임의 영역에 대한 픽셀 수를, 상기 가상 선에 연관하는 특징값으로 확인할 수 있다. 예컨대, 영상 분석 기반의 불량 판별 장치는 수직 가상 선과 마찬가지로, 상기 영상 내 오브젝트 상에, 제1 수평 가상 선('10'의 식별정보가 부여된 가상 선)(305)이 존재하는 임의 영역에 대한 픽셀 수 '100'을, 제1 수평 가상 선(305)에 연관하는 특징값으로 확인할 수 있다. 또한, 영상 분석 기반의 불량 판별 장치는 각 수평 가상 선에 연관하는 특징값을 확인하고, 각각의 특징값을 연결하여, 수평선 패턴 그래프(307)를 생성할 수 있다.
도 4는 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치에서의 오브젝트에 대한 불량 여부 결정에 대한 일례를 설명하기 위한 도면이다.
도 4를 참조하면, 영상 분석 기반의 불량 판별 장치는 오브젝트를 촬영한 영상으로부터 생성된 패턴 그래프 내 가상 선 각각에 연관하여 확인된 특징값(즉, 각 가상 선에 부여된 식별정보 별로 확인되는 특징값)이, 설정 수 이상 기준 범위를 벗어나는 것으로 확인되면, 상기 영상 내 오브젝트를 불량으로 결정할 수 있다.
예컨대, 영상 분석 기반의 불량 판별 장치는 에지(edge)에 기초하여 변환된 영상으로부터 생성된 수직선 패턴 그래프 내 각 수직 가상 선에 연관하여 특징값을 확인할 수 있다. 영상 분석 기반의 불량 판별 장치는 예컨대, 제1 수직선 패턴 그래프 내 제1 수직 가상 선에 연관하여 특징값을 확인할 수 있으며, 확인된 특징값(401)이 '100'이고, 해당 기준 범위가 '80~130'일 경우, 특징값(401)이 기준 범위에 포함되는 것으로 판단할 수 있다. 또한, 영상 분석 기반의 불량 판별 장치는 제1 수직선 패턴 그래프 내 제6, 7 수직 가상 선에 연관하여 각각 특징값(403, 405)을 확인할 수 있으며, 확인된 특징값(403, 405)이 각각 '200', '270'이고, 해당 기준 범위가 '90~150', '80~140'일 경우, 각 특징값(403, 405)이 기준 범위를 벗어난 것으로 판단할 수 있다.
영상 분석 기반의 불량 판별 장치는 상기 설정 수가 '2'일 때, 제1 수직선 패턴 그래프 내 2개의 특징값이 기준 범위를 벗어나는 경우, 제1 수직선 패턴 그래프와 관련된 영상 내 오브젝트(제품)를 '불량'으로 결정할 수 있다.
반면, 영상 분석 기반의 불량 판별 장치는 상기 설정 수가 '2'일 때, 제2 수직선 패턴 그래프 내 모든 특징값이 기준 범위를 벗어나지 않는 경우, 제2 수직선 패턴 그래프와 관련된 영상 내 오브젝트(제품)를 '정상'으로 결정할 수 있다.
도 5는 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치에서의 오브젝트에 대한 불량 유형 식별에 대한 일례를 설명하기 위한 도면이다.
도 5를 참조하면, 영상 분석 기반의 불량 판별 장치는 오브젝트를 촬영한 영상을 설정된 체크 요소에 기초하여 변환하고, 변환된 영상으로부터 생성되는 패턴 그래프를 분석한 결과, 상기 오브젝트가 불량으로 결정되는 경우, 상기 변화된 영상에 기초한 체크 요소에 따라, 상기 오브젝트에 대한 불량 유형을 식별할 수 있다.
예컨대, 영상 분석 기반의 불량 판별 장치는 HSV에 기초하여, 오브젝트를 촬영한 영상을 변환한 경우, 오브젝트에 대한 불량 유형으로서, 흠(스트레스)로 식별할 수 있고, RGB에 기초하여, 오브젝트를 촬영한 영상을 변환한 경우, 오브젝트에 대한 불량 유형으로서, 색상 불량으로 식별할 수 있다. 또한, 영상 분석 기반의 불량 판별 장치는 에지에 기초하여, 오브젝트를 촬영한 영상을 변환한 경우, 오브젝트에 대한 불량 유형으로서, 성형 불량(또는, 스크래치)으로 식별할 수 있다.
도 6은 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치에서의 오브젝트에 대한 불량 여부 결정에 대한 다른 일례를 설명하기 위한 도면이다.
도 6을 참조하면, 영상 분석 기반의 불량 판별 장치는 오브젝트를 촬영한 영상을 설정된 체크 요소(예컨대, 에지, HSV, RGB 등)에 기초하여 변환하고, 상기 변환된 영상으로부터 패턴 그래프(601)를 생성할 수 있다.
영상 분석 기반의 불량 판별 장치는 상기 오브젝트와 관련하여, 체크 요소에 대응하는 패턴 그래프(603)를 데이터베이스로부터 획득하고, 획득한 패턴 그래프(603)와 상기 생성된 패턴 그래프(601)를 매칭(matching)하고, 매칭된 결과에 따라, 상기 오브젝트에 대한 불량 여부를 결정할 수 있다. 예컨대, 영상 분석 기반의 불량 판별 장치는 획득한 패턴 그래프(603)와 생성된 패턴 그래프(601) 간의 매칭률이 설정치(예컨대, 90%) 이하일 경우, 불일치로 판단하여, 상기 오브젝트를 불량으로 결정할 수 있다.
도 7은 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치에서 오브젝트를 획득하는 일례를 설명하기 위한 도면이다.
도 7을 참조하면, 영상 분석 기반의 불량 판별 장치는 다양한 측면에서 오브젝트를 촬영한 영상을 카메라로부터 획득할 수 있다. 영상 분석 기반의 불량 판별 장치는 예컨대, 오브젝트가 거치대(또는, 검사대)에 놓여지면, 상단, 전방, 후방, 측면으로 각각 설치된 4개의 카메라로부터 오브젝트를 촬영한 영상을 각각 획득할 수 있다.
도 8은 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치에서 획득한 영상을 조정하는 일례를 설명하기 위한 도면이다.
도 8을 참조하면, 영상 분석 기반의 불량 판별 장치는 오브젝트를 촬영한 영상을 획득하고, 획득한 영상이 설정된 기준을 만족하지 않는 경우, 영상을 조정할 수 있다. 예컨대, 영상 분석 기반의 불량 판별 장치는 영상 내 오브젝트의 기울기가 설정된 각도를 만족하지 않는 경우, 오브젝트 내 기준 픽셀을 이용하여, 오브젝트의 기울기가 설정된 각도를 만족하도록 영상을 조정 함으로써, 작업자의 실수 또는 거치대의 움직임으로 인해 영상이 비정상적인 상태로 획득되더라도, 영상을 정상적인 상태로 조정할 수 있다.
도 9는 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치에서의 픽셀 그래프에 대한 생성 일례를 설명하기 위한 도면이다.
도 9를 참조하면, 영상 분석 기반의 불량 판별 장치는 오브젝트를 촬영한 영상에 대해, 수직 방향으로 복수 개(예컨대, '2000'개)의 가상 선을 형성할 수 있다. 이때, 영상 분석 기반의 불량 판별 장치는 등간격으로 이격된 가상 선을 형성하여, X축을 동일하게 분할할 수 있다. 여기서, 영상 분석 기반의 불량 판별 장치는 제1 수직 가상 선(수직 방향의 첫번째 가상 선)(901) 내 각 픽셀에서의 픽셀값(예컨대, HSV값)을 확인하고, 상기 픽셀값을 연결하여, 제1 수직 가상 선에 대응하는 픽셀 그래프(903)를 생성할 수 있다.
또한, 영상 분석 기반의 불량 판별 장치는 오브젝트를 촬영한 영상에 대해, 수평 방향으로 복수 개('2000'개)의 가상 선을 형성할 수 있다. 이때, 영상 분석 기반의 불량 판별 장치는 등간격으로 이격된 가상 선을 형성하여, Y축을 동일하게 분할할 수 있다. 여기서, 영상 분석 기반의 불량 판별 장치는 제1 수평 가상 선(수평 방향의 첫번째 가상 선)(905) 내 각 픽셀에서의 픽셀값(예컨대, HSV값)을 확인하고, 상기 픽셀값을 연결하여, 제1 수평 가상 선에 대응하는 픽셀 그래프(907)를 생성할 수 있다.
이와 마찬가지로, 영상 분석 기반의 불량 판별 장치는 다른 수직 가상 선 또는 수평 가상 선에 대해서, 해당 픽셀 그래프를 생성할 수 있다.
도 10은 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치에서 오브젝트에 대한 불량 여부를 학습하는 일례를 설명하기 위한 도면이다.
도 10을 참조하면, 영상 분석 기반의 불량 판별 장치는 복수 개의 오브젝트를 각각 촬영한 영상에 대해, 특정의 가상 선을 동일한 지점에 각각 형성하고, 상기 가상 선에 대응하는 픽셀 그래프를 생성할 수 있다. 영상 분석 기반의 불량 판별 장치는 유사한 픽셀 그래프(예컨대, 거리(유사도)가 설정된 값 미만인 픽셀 그래프)가 상대적으로 많은 픽셀 그래프(또는, 설정 수 이상의 유사한 픽셀 그래프)를 정상 그룹으로 분류하고, 정상 그룹 내 픽셀 그래프에 각각 해당하는 복수 개의 오브젝트를 정상으로 결정할 수 있다. 반면, 영상 분석 기반의 불량 판별 장치는 정상 그룹으로 분류되지 않은 하나 이상의 픽셀 그래프에 해당하는 오브젝트를 불량(비정상)으로 결정할 수 있다.
예컨대, 영상 분석 기반의 불량 판별 장치는 '100'개의 제품을 각각 촬영한 영상에 대해, 제6 수직 가상 선(수직 방향의 여섯번째 가상 선)을 동일한 지점에 각각 형성하고, 각각의 상기 제6 수직 가상 선에 대응하는 '100'개의 픽셀 그래프를 생성할 수 있다. 영상 분석 기반의 불량 판별 장치는 '100'개의 픽셀 그래프 중에서 '98'개의 픽셀 그래프(제1 내지 제98 픽셀 그래프)가 유사한 것으로 확인되면, 나머지 '2'개의 픽셀 그래프 보다 유사한 픽셀 그래프가 상대적으로 많은 제1 내지 제98 픽셀 그래프를 정상 그룹(1001)으로 분류하고, 정상 그룹 내 '98'개의 픽셀 그래프(제1 내지 제98 픽셀 그래프)에 각각 해당하는 제1 내지 제98 제품을 정상으로 결정할 수 있다. 반면, 영상 분석 기반의 불량 판별 장치는 정상 그룹으로 분류되지 않은 '2'개의 픽셀 그래프(제99 및 제100 픽셀 그래프)에 해당하는 제99 및 제100 제품을 불량으로 결정할 수 있다.
도 11은 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치에서 정상의 오브젝트를 촬영한 영상을 이용하여, 다른 오브젝트에 대한 불량 여부를 결정하는 일례를 설명하기 위한 도면이다.
도 11을 참조하면, 영상 분석 기반의 불량 판별 장치는 불량 여부를 학습한 결과, 정상으로 결정된 오브젝트와 관련된 픽셀 그래프(즉, 도 10에서의 학습 결과, 정상 그룹 내 픽셀 그래프, 여기서, 픽셀 그래프는 제6 수직 가상 선에 연관될 수 있음)를 이용하여, 기준 픽셀 그래프 및 오차 범위를 생성하고, 기준 픽셀 그래프 및 오차 범위에 기초하여, 이후 다른 오브젝트에 대한 불량 여부를 결정할 수 있다.
구체적으로, 영상 분석 기반의 불량 판별 장치는 다른 오브젝트를 촬영한 영상이 입력되면, 다른 오브젝트와 관련된 픽셀 그래프(예컨대, 다른 오브젝트를 촬영한 영상에서 제6 수직 가상 선을 형성하고, 상기 제6 수직 가상 선에 대응하여 생성된 픽셀 그래프)를 생성할 수 있다. 이때, 영상 분석 기반의 불량 판별 장치는 상기 픽셀 그래프와, 상기 기준 픽셀 그래프 간의 거리가 오차 범위 미만일 경우, 상기 다른 오브젝트를 정상으로 결정하고, 상기 픽셀 그래프와, 상기 기준 픽셀 그래프 간의 거리가 오차 범위 이상일 경우, 상기 다른 오브젝트를 불량으로 결정할 수 있다.
상기 기준 픽셀 그래프 생성시, 영상 분석 기반의 불량 판별 장치는 정상의 오브젝트와 관련된 각 픽셀 그래프 중에서 중간값에 해당하는 픽셀 그래프를, 상기 기준 픽셀 그래프로서 선정하거나, 또는 각 픽셀 그래프를 평균하여, 상기 기준 픽셀 그래프를 생성할 수 있다. 예컨대, 영상 분석 기반의 불량 판별 장치는 제1 내지 제98 픽셀 그래프 중에서 중간값에 해당하는 제3 픽셀 그래프를, 상기 기준 픽셀 그래프로서 선정하거나, 또는 제1 내지 제98 픽셀 그래프를 평균하여, 상기 기준 픽셀 그래프를 생성할 수 있다.
또한, 상기 오차 범위 생성시, 영상 분석 기반의 불량 판별 장치는 정상의 오브젝트와 관련된 각 픽셀 그래프 간의 거리를 계산하고, 계산된 거리의 평균(유사도)을, 상기 오차 범위로서 생성할 수 있다. 예컨대, 영상 분석 기반의 불량 판별 장치는 제1 픽셀 그래프에 대해, 제2 내지 제98 픽셀 그래프와의 각 거리, 제2 픽셀 그래프에 대해, 제3 내지 제98 픽셀 그래프와의 각 거리, 제3 픽셀 그래프에 대해, 제4 내지 제98 픽셀 그래프와의 각 거리 등을 계산하고, 계산된 거리의 평균(유사도)을, 상기 오차 범위로서 생성할 수 있다.
여기서, 영상 분석 기반의 불량 판별 장치는 [수학식 1]에 의하여, 3차원의 HSV값을 통해, 제1 픽셀 그래프와 제2 픽셀 그래프 간의 거리(g)를 계산할 수 있다.
Figure 112016109385164-pat00001
여기서, H1은 제1 픽셀(P1)의 Hue이고, S1은 제1 픽셀(P1)의 Hue이고, H1은 제1 픽셀(P1)의 Saturation이며, V1은 제1 픽셀(P1)의 Value이다.
또한, 영상 분석 기반의 불량 판별 장치는 정상의 오브젝트와 관련된 각 픽셀 그래프 간의 거리를 각각 계산하고, 상기 계산된 거리를 이용하여, [수학식 2]에 따라, 정상의 오브젝트와 관련된 각 픽셀 그래프 간의 거리 평균(유사도)(S)를 계산할 수 있다.
Figure 112016109385164-pat00002
여기서, n은 자연수이고, S는 유사도이다.
도 12는 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치에서 오브젝트의 불량 위치를 검출하는 일례를 설명하기 위한 도면이다.
도 12를 참조하면, 영상 분석 기반의 불량 판별 장치는 도 10 및 도 11를 참조하여 설명한 바와 같이, 복수 개의 오브젝트를 각각 촬영한 영상에서의 특정의 가상 선(예컨대, 제6 수직 가상 선)에 대응하는 픽셀 그래프와, 다른 오브젝트를 촬영한 영상에서의 특정의 가상 선(예컨대, 제6 수직 가상 선)을 이용하여, 상기 다른 오브젝트에 대한 불량 여부를 결정할 수 있을 뿐 아니라, 불량 위치 또한 검출할 수 있다.
즉, 영상 분석 기반의 불량 판별 장치는 특정의 가상 선으로서, 제6 수직 가상 선(수직 방향의 여섯번째 가상 선)을 이용한 경우, 상기 다른 오브젝트 중에서, 상기 제6 수직 가상 선에 해당하는 부분을, 불량 위치로 검출할 수 있다.
또한, 영상 분석 기반의 불량 판별 장치는 특정의 가상 선으로서, 제4 수평 가상 선(수평 방향의 네번째 가상 선)을 이용한 경우, 상기 다른 오브젝트 중에서, 상기 제4 수평 가상 선에 해당하는 부분을, 불량 위치로 검출할 수 있다.
이후, 영상 분석 기반의 불량 판별 장치는 제6 수직 가상 선과 상기 제4 수평 가상 선이 교차하는 지점을, 불량 위치로 검출할 수 있다.
또한, 영상 분석 기반의 불량 판별 장치는 제7,8 수직 가상 선 및 제5,6 수평 가상 선을 더 이용하여, 상기 다른 오브젝트에 대한 불량 여부를 결정할 수 있다. 이때, 영상 분석 기반의 불량 판별 장치는 제7,8 수직 가상 선 및 제5,6 수평 가상 선 각각을 이용하여 확인 결과, 모두 불량으로 결정될 경우, 제6,7,8 수직 가상 선과 상기 제4,5,6 수평 가상 선이 교차하는 지점(1201)을, 최종의 불량 위치로 검출하여, 불량 위치의 정확도를 높일 수 있다.
도 13은 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치에서 정상의 오브젝트를 촬영한 영상을 이용하여, 다른 오브젝트에 대한 불량 여부를 결정하는 다른 일례를 설명하기 위한 도면이다.
도 13을 참조하면, 영상 분석 기반의 불량 판별 장치는 불량 여부를 학습한 결과, 정상으로 결정된 오브젝트의 영상(오브젝트를 촬영한 영상)에 대해, 가상 선을 형성하고, 상기 가상 선 내 픽셀값이 모두 설정치 이상일 경우, 상기 가상 선에 대응하는 픽셀 그래프를 생성하여, 라인 그룹으로 분류할 수 있다.
예컨대, 영상 분석 기반의 불량 판별 장치는 정상으로 결정된 오브젝트의 영상에 대해, 제1 내지 제2000 수직 가상 선을 형성하고, 제400 내지 제500 수직 가상 선 각각에 대해, 수직 가상 선 내 픽셀값이 모두 설정치 이상에 해당 함에 따라, 제400 내지 제500 수직 가상 선 각각에 대응하는 제400 내지 제500 픽셀 그래프를 생성하고, 제400 내지 제500 픽셀 그래프의 식별정보를, 라인 그룹으로 분류할 수 있다.
이후, 영상 분석 기반의 불량 판별 장치는 다른 오브젝트의 영상이 입력되면, 상기 다른 오브젝트와 연관된 픽셀 그래프(다른 오브젝트의 영상에 가상 선을 형성하고, 가상 선 내 픽셀값이 모두 설정치 이상일 경우, 가상 선에 대응하여 생성되는 픽셀 그래프)를 생성하고, 생성된 픽셀 그래프의 식별정보가 상기 라인 그룹 내 픽셀 그래프의 식별정보와 일치하면, 상기 다른 오브젝트를 정상으로 결정할 수 있다. 예컨대, 영상 분석 기반의 불량 판별 장치는 상기 다른 오브젝트와 연관하여 생성된 픽셀 그래프가 제400 내지 제500 픽셀 그래프일 경우, 모든 픽셀 그래프의 식별정보가 상기 라인 그룹 내 픽셀 그래프의 식별정보와 일치 함에 따라, 상기 다른 오브젝트를 정상으로 결정할 수 있다.
반면, 영상 분석 기반의 불량 판별 장치는 상기 생성된 픽셀 그래프의 식별정보가 상기 라인 그룹 내 픽셀 그래프의 식별정보와 일치하지 않는 경우, 상기 다른 오브젝트를 불량으로 결정할 수 있다. 예컨대, 영상 분석 기반의 불량 판별 장치는 상기 다른 오브젝트와 연관하여 생성된 픽셀 그래프가, 제400 픽셀 그래프(제400 수직 가상 선(라인400)에 대응하는 픽셀 그래프) 내지 제500 픽셀 그래프(제500 수직 가상 선(라인500)에 대응하는 픽셀 그래프)(1301) 및 제600 픽셀 그래프 내지 제700 픽셀 그래프(1303)일 경우, 일부 픽셀 그래프(제600 내지 제700 픽셀 그래프)의 식별정보가 상기 라인 그룹 내 픽셀 그래프의 식별정보와 일치하지 않음에 따라, 상기 다른 오브젝트를 불량으로 결정할 수 있다.
도 14는 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 장치에서의 오브젝트에 대한 불량 여부 결정에 대한 또 다른 일례를 설명하기 위한 도면이다.
도 14를 참조하면, 영상 분석 기반의 불량 판별 장치는 오브젝트를 촬영한 영상에 대해, 복수의 가상 선을 형성하고, 각 가상 선에 대응하는 픽셀 그래프가 분류되는 그룹이, 설정된 그룹 수를 초과하는지에 따라, 상기 오브젝트에 대한 불량 여부를 결정할 수 있다.
영상 분석 기반의 불량 판별 장치는 예컨대, 오브젝트를 촬영한 영상에 대해, 수직 방향으로 '2000'개의 가상 선을 형성하고, 각 가상 선 내 각 픽셀에서의 픽셀값(예컨대, HSV값)을 이용하여, 각 가상 선에 대응하는 픽셀 그래프를 생성할 수 있다.
이후, 영상 분석 기반의 불량 판별 장치는 '2000'개의 가상 선에 대응하는 픽셀 그래프 내 일부 픽셀 그래프(예컨대, 제31 가상 선(line31)에 대응하는 픽셀 그래프 내지 제65 가상 선(line65)에 대응하는 픽셀 그래프) 중에서, 유사한 픽셀 그래프(예컨대, 거리(유사도)가 설정된 값 미만인 픽셀 그래프)별로 분류하여 그룹을 형성할 수 있다. 이때, 영상 분석 기반의 불량 판별 장치는 형성된 그룹이 '1개'일 경우, 설정된 그룹 수(예컨대, 1개)를 초과하지 않음에 따라, 상기 오브젝트를 '정상'으로 결정할 수 있다. 반면, 영상 분석 기반의 불량 판별 장치는 형성된 그룹이 '2개'일 경우, 설정된 그룹 수(예컨대, 1개)를 초과 함에 따라, 상기 오브젝트를 상기 오브젝트를 불량으로 결정할 수 있다.
또한, 영상 분석 기반의 불량 판별 장치는 다른 일부 픽셀 그래프(예컨대, 제1 가상 선(line31)에 대응하는 픽셀 그래프 내지 제30 가상 선(line65)에 대응하는 픽셀 그래프)에 대해서도, 유사한 픽셀 그래프별로 분류하여 그룹을 형성하고, 형성된 그룹이, 설정된 그룹 수를 초과하는지를 더 고려하여, 상기 오브젝트에 대한 불량 여부를 결정할 수 있다.
다른 일례로서, 영상 분석 기반의 불량 판별 장치는 전체 픽셀 그래프('2000'개의 가상 선에 대응하는 픽셀 그래프) 중에서 선택되는 일부 픽셀 그래프를 트리 구조(1401)로 형성할 수 있으며, 트리 구조(1401)와 정상 제품에 관한 기설정된 트리 구조를 비교한 결과를 더 고려하여, 상기 오브젝트에 대한 불량 여부를 결정할 수 있다. 이때, 정상 제품에 관한 기설정된 트리 구조는 여러 요소(예컨대, 데이터를 수집하는 환경, 조도, 카메라 렌즈 등)에 따라, 상이하게 형성될 수 있으며, 예컨대, 도 15에 도시된 바와 같이, 다양한 구조로 형성될 수 있다.
도 16은 본 발명의 일실시예에 따른 영상 분석 기반의 불량 판별 방법을 나타내는 흐름도이다.
도 16을 참조하면, 단계 1601에서, 영상 분석 기반의 불량 판별 장치는 오브젝트를 촬영한 영상을, 설정된 체크 요소에 기초하여 변환할 수 있다. 여기서, 체크 요소는 예컨대, 에지(edge), HSV(Hue, Saturation, Value), RGB(Red, Green, Blue), 주파수 등을 포함할 수 있다.
단계 1603에서, 영상 분석 기반의 불량 판별 장치는 상기 변환된 영상으로부터 패턴 그래프를 생성할 수 있다. 이때, 영상 분석 기반의 불량 판별 장치는 상기 변환된 영상에 대해, 수평 및 수직 중 적어도 하나의 방향으로 가상 선을 형성하고, 상기 변환된 영상 내 오브젝트 상에 상기 가상 선이 존재하는 임의 영역에 대한 픽셀 수를, 상기 특징값으로 확인하며, 상기 확인된 특징값을 포함하여 상기 패턴 그래프를 생성할 수 있다. 여기서, 영상 분석 기반의 불량 판별 장치는 상기 가상 선이 복수 개일 경우, 상기 복수 개의 가상 선이 형성된 위치에 기초하여, 상기 복수 개의 가상 선 각각에 부여된 식별정보 별로 특징값을 확인할 수 있다.
단계 1605에서, 영상 분석 기반의 불량 판별 장치는 상기 생성된 패턴 그래프 내 특징값을 이용하여, 상기 오브젝트에 대한 불량 여부를 결정할 수 있다. 즉, 영상 분석 기반의 불량 판별 장치는 상기 생성된 패턴 그래프 내 시계열 데이터와, 정상 제품의 패턴 그래프 내 시계열 데이터 간의 패턴 일치 여부에 대한 확인 결과에 따라, 상기 오브젝트에 대한 불량 여부를 결정할 수 있다. 이때, 영상 분석 기반의 불량 판별 장치는 상기 시계열 데이터 중, 정해진 특징값이, 상기 체크 요소와 연관한 기준 범위를 벗어나는지에 대한 확인 결과를 더 고려하여, 상기 오브젝트에 대한 불량 여부를 결정할 수 있다.
상기 오브젝트에 대한 불량 여부 결정시, 영상 분석 기반의 불량 판별 장치는 복수 개의 가상 선 각각에 부여된 식별정보별 특징값 중 설정된 수 이상의 특징값이, 상기 식별정보별 기준 범위를 벗어나는 것으로 확인되면, 상기 오브젝트를 불량으로 결정할 수 있다.
또한, 영상 분석 기반의 불량 판별 장치는 상기 식별정보별 기준 범위를 벗어나는 특징값의 식별정보를 이용하여, 상기 오브젝트 내 상기 불량과 연관된 불량 위치를 용이하게 검출할 수 있다. 이때, 영상 분석 기반의 불량 판별 장치는 예컨대, 상기 변환된 영상에 격자 무늬의 가상 선이 형성된 경우, 기준 범위를 벗어나는 특징값의 식별정보가, 수평 방향의 식별정보이면, 수평 방향으로 식별정보에 해당하는 순서의 위치를, 제1 불량 위치로 검출하고, 수직 방향의 식별정보이면, 수직 방향으로 식별정보에 해당하는 순서의 위치를, 제2 불량 위치로 검출할 수 있으며, 제1 불량 위치와 제2 불량 위치가 교차하는 지점을 최종의 불량 위치로 검출할 수 있다.
한편, 상기 오브젝트가 불량으로 결정되는 경우, 영상 분석 기반의 불량 판별 장치는 상기 변화된 영상에 기초한 요소에 따라, 상기 오브젝트에 대한 불량 유형을 식별할 수 있다. 예컨대, 영상 분석 기반의 불량 판별 장치는 에지에 기초하여, 오브젝트를 촬영한 영상을 변환한 경우, 오브젝트에 대한 불량 유형으로서, 스크래치 또는 미성형으로 식별할 수 있고, HSV에 기초하여, 오브젝트를 촬영한 영상을 변환한 경우, 오브젝트에 대한 불량 유형으로서, 흠으로 식별할 수 있다. 또한, 영상 분석 기반의 불량 판별 장치는 RGB에 기초하여, 오브젝트를 촬영한 영상을 변환한 경우, 오브젝트에 대한 불량 유형으로서, 색상 불량으로 식별할 수 있다.
또한, 영상 분석 기반의 불량 판별 장치는 오브젝트를 촬영한 영상이, 복수의 체크 요소별로 변환된 경우, 각각 변환된 영상으로부터 생성된 패턴 그래프에서, 기준 범위를 벗어나는 것으로 확인되는 각각의 특징값의 수에 대해, 체크 요소별로 해당 가중치를 적용하고, 상기 가중치가 적용된 특징값의 합이 설정된 불량 수를 초과하는 경우, 상기 오브젝트를 불량으로 결정할 수 있다. 이때, 영상 분석 기반의 불량 판별 장치는 상기 촬영된 영상 내 픽셀 수 및 상기 변환된 영상의 수 중 적어도 하나에 기초하여, 상기 불량 수를 설정하거나, 또는 입력되는 특정의 수를 상기 불량 수로 설정할 수 있다.
예컨대, 영상 분석 기반의 불량 판별 장치는 에지에 기초하여 변환된 영상으로부터 생성된 패턴 그래프에서, 기준 범위를 벗어나는 것으로 확인되는 특징값의 수에 제1 가중치를 적용하고, HSV에 기초하여 변환된 영상으로부터 생성된 패턴 그래프에서, 기준 범위를 벗어나는 것으로 확인되는 특징값의 수에 제2 가중치를 적용할 수 있다. 또한, 영상 분석 기반의 불량 판별 장치는 RGB에 기초하여 변환된 영상으로부터 생성된 패턴 그래프에서, 기준 범위를 벗어나는 것으로 확인되는 특징값의 수에 제3 가중치를 적용할 수 있다. 이때, 영상 분석 기반의 불량 판별 장치는 제1,2,3 가중치가 각각 적용된 특징값의 합이, 설정된 불량 수를 초과하는 경우, 상기 오브젝트를 불량으로 결정할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
200: 영상 분석 기반의 불량 판별 장치
201: 영상 획득부 203: 변환부
205: 프로세서 207: 데이터베이스

Claims (14)

  1. 오브젝트를 촬영한 영상을, 설정된 체크 요소에 기초하여 변환하는 변환부; 및
    상기 변환된 영상으로부터 패턴 그래프를 생성하고, 상기 생성된 패턴 그래프 내 시계열 데이터와, 정상 제품의 패턴 그래프 내 시계열 데이터 간의 패턴 일치 여부에 대한 확인 결과에 따라, 상기 오브젝트에 대한 불량 여부를 결정하는 프로세서
    를 포함하고,
    상기 프로세서는,
    상기 변환된 영상에 대해, 수평 및 수직 중 적어도 하나의 방향으로 가상 선을 형성하고, 상기 변환된 영상 내 오브젝트 상에 상기 가상 선이 존재하는 임의 영역에 대한 픽셀 수를, 특징값으로 확인하며, 상기 확인된 특징값을 포함하여 상기 패턴 그래프를 생성하고,
    상기 특징값을 포함하여 생성된 패턴 그래프 내 시계열 데이터 중, 상기 특징값이, 상기 체크 요소와 연관한 기준 범위를 벗어나는지에 대한 확인 결과를 더 고려하여, 상기 오브젝트에 대한 불량 여부를 결정하는
    영상 분석 기반의 불량 판별 장치.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 가상 선이 복수 개일 경우,
    상기 프로세서는,
    상기 복수 개의 가상 선이 형성된 위치에 기초하여, 상기 복수 개의 가상 선 각각에 부여된 식별정보 별로 특징값을 확인하고,
    상기 식별정보별 특징값 중 설정된 수 이상의 특징값이, 상기 식별정보별 기준 범위를 벗어나는 것으로 확인되면, 상기 오브젝트를 불량으로 결정하는
    영상 분석 기반의 불량 판별 장치.
  5. 제4항에 있어서,
    상기 프로세서는,
    상기 식별정보별 기준 범위를 벗어나는 특징값의 식별정보를 이용하여, 상기 오브젝트 내 상기 불량과 연관된 불량 위치를 검출하는
    영상 분석 기반의 불량 판별 장치.
  6. 제1항에 있어서,
    상기 변환부는,
    상기 체크 요소로서, 에지(edge), HSV(Hue, Saturation, Value) 및 RGB(Red, Green, Blue) 중 적어도 하나의 요소에 기초하여, 상기 영상을 변환하고,
    상기 프로세서는,
    상기 변환된 영상에 기초한 요소에 따라, 상기 오브젝트에 대한 불량 유형을 식별하는
    영상 분석 기반의 불량 판별 장치.
  7. 제6항에 있어서,
    상기 프로세서는,
    상기 에지, 상기 HSV 및 상기 RGB에 기초하여, 각각 변환된 영상으로부터 생성된 패턴 그래프에서, 기준 범위를 벗어나는 것으로 확인되는 각각의 특징값의 수에 대해, 해당 가중치를 적용하고, 상기 가중치가 적용된 특징값의 합이 설정된 불량 수를 초과하는 경우, 상기 오브젝트를 불량으로 결정하는
    영상 분석 기반의 불량 판별 장치.
  8. 제7항에 있어서,
    상기 프로세서는,
    상기 촬영된 영상 내 픽셀 수 및 상기 변환된 영상의 수 중 적어도 하나에 기초하여, 상기 불량 수를 설정하는
    영상 분석 기반의 불량 판별 장치.
  9. 제1항에 있어서,
    오브젝트가 복수 개일 경우,
    상기 프로세서는,
    상기 복수 개의 오브젝트를 각각 촬영한 영상에 대해, 동일한 지점에 특정의 가상 선을 형성하고, 상기 특정의 가상 선 내 각 픽셀에서의 픽셀값을 연결하여, 영상별로 복수 개의 픽셀 그래프를 생성하며,
    픽셀 그래프 간 유사도에 기초하여, 정상 그룹으로 분류되는 픽셀 그래프에 해당하는 오브젝트를 정상으로 결정하는
    영상 분석 기반의 불량 판별 장치.
  10. 제9항에 있어서,
    상기 프로세서는,
    상기 정상 그룹으로 분류되는 픽셀 그래프를 이용하여, 기준 픽셀 그래프 및 오차 범위를 생성하고,
    다른 오브젝트와 관련된 픽셀 그래프와 상기 기준 픽셀 그래프 간의 거리가 상기 오차 범위 이상일 경우, 상기 다른 오브젝트를 불량으로 결정하는
    영상 분석 기반의 불량 판별 장치.
  11. 오브젝트를 촬영한 영상을, 설정된 체크 요소에 기초하여 변환하는 단계; 및
    상기 변환된 영상으로부터 패턴 그래프를 생성하고, 상기 생성된 패턴 그래프 내 시계열 데이터와, 정상 제품의 패턴 그래프 내 시계열 데이터 간의 패턴 일치 여부에 대한 확인 결과에 따라, 상기 오브젝트에 대한 불량 여부를 결정하는 단계
    를 포함하고,
    상기 오브젝트에 대한 불량 여부를 결정하는 단계는,
    상기 변환된 영상에 대해, 수평 및 수직 중 적어도 하나의 방향으로 가상 선을 형성하고, 상기 변환된 영상 내 오브젝트 상에 상기 가상 선이 존재하는 임의 영역에 대한 픽셀 수를, 특징값으로 확인하며, 상기 확인된 특징값을 포함하여 상기 패턴 그래프를 생성하는 단계; 및
    상기 특징값을 포함하여 생성된 패턴 그래프 내 시계열 데이터 중, 상기 특징값이, 상기 체크 요소와 연관한 기준 범위를 벗어나는지에 대한 확인 결과를 더 고려하여, 상기 오브젝트에 대한 불량 여부를 결정하는 단계
    를 포함하는 영상 분석 기반의 불량 판별 방법.
  12. 삭제
  13. 삭제
  14. 제11항에 있어서,
    상기 영상 분석 기반의 불량 판별 방법은,
    상기 가상 선이 복수 개일 경우,
    상기 복수 개의 가상 선이 형성된 위치에 기초하여, 상기 복수 개의 가상 선 각각에 부여된 식별정보 별로 특징값을 확인하는 단계; 및
    상기 식별정보별 특징값 중 설정된 수 이상의 특징값이, 상기 식별정보별 기준 범위를 벗어나는 것으로 확인되면, 상기 오브젝트를 불량으로 결정하는 단계
    를 더 포함하는 영상 분석 기반의 불량 판별 방법.
KR1020160148565A 2016-11-09 2016-11-09 영상 분석 기반의 불량 판별 장치 및 방법 KR101840944B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160148565A KR101840944B1 (ko) 2016-11-09 2016-11-09 영상 분석 기반의 불량 판별 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160148565A KR101840944B1 (ko) 2016-11-09 2016-11-09 영상 분석 기반의 불량 판별 장치 및 방법

Publications (1)

Publication Number Publication Date
KR101840944B1 true KR101840944B1 (ko) 2018-03-21

Family

ID=61900569

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160148565A KR101840944B1 (ko) 2016-11-09 2016-11-09 영상 분석 기반의 불량 판별 장치 및 방법

Country Status (1)

Country Link
KR (1) KR101840944B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110674889A (zh) * 2019-10-15 2020-01-10 贵州电网有限责任公司 一种用于电表终端故障识别的图像训练方法
WO2021049868A1 (ko) * 2019-09-11 2021-03-18 (주) 넥스트랩 제품 품질 관리 시스템 및 방법
KR20220087014A (ko) * 2020-12-17 2022-06-24 텔스타홈멜 주식회사 철제 금형물 품질 검사를 위한 지능형 전수검사 시스템
KR20230099040A (ko) 2021-12-27 2023-07-04 에이치에스소프트 주식회사 클라우드서버 연동형 제품 조립공정의 인공지능 영상분석방법
KR20230099223A (ko) 2021-12-27 2023-07-04 에이치에스소프트 주식회사 동작인식을 이용한 클라우드서버 연동형 제품 조립공정의 인공지능 영상분석방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000162150A (ja) 1998-11-26 2000-06-16 Dainippon Printing Co Ltd 金属試料表面の欠陥検査方法及び装置
JP2005182143A (ja) 2003-12-16 2005-07-07 N Tech:Kk キャップ天面の検査方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000162150A (ja) 1998-11-26 2000-06-16 Dainippon Printing Co Ltd 金属試料表面の欠陥検査方法及び装置
JP2005182143A (ja) 2003-12-16 2005-07-07 N Tech:Kk キャップ天面の検査方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021049868A1 (ko) * 2019-09-11 2021-03-18 (주) 넥스트랩 제품 품질 관리 시스템 및 방법
CN110674889A (zh) * 2019-10-15 2020-01-10 贵州电网有限责任公司 一种用于电表终端故障识别的图像训练方法
KR20220087014A (ko) * 2020-12-17 2022-06-24 텔스타홈멜 주식회사 철제 금형물 품질 검사를 위한 지능형 전수검사 시스템
KR102494890B1 (ko) * 2020-12-17 2023-02-06 텔스타홈멜 주식회사 철제 금형물 품질 검사를 위한 지능형 전수검사 시스템
KR20230099040A (ko) 2021-12-27 2023-07-04 에이치에스소프트 주식회사 클라우드서버 연동형 제품 조립공정의 인공지능 영상분석방법
KR20230099223A (ko) 2021-12-27 2023-07-04 에이치에스소프트 주식회사 동작인식을 이용한 클라우드서버 연동형 제품 조립공정의 인공지능 영상분석방법

Similar Documents

Publication Publication Date Title
KR101840944B1 (ko) 영상 분석 기반의 불량 판별 장치 및 방법
US8630489B2 (en) Efficient image matching
US9767545B2 (en) Depth sensor data with real-time processing of scene sensor data
US11386549B2 (en) Abnormality inspection device and abnormality inspection method
CN107111872B (zh) 信息处理装置、信息处理方法、及存储介质
TWI419082B (zh) 偵測視訊序列中的移動物體影像的方法以及影像處理系統
CN105245869A (zh) 故障检测设备及故障检测程序
CN103026720A (zh) 立体摄像机系统的光学自诊断
US11694320B2 (en) System for monitoring a switchgear
CN105404884A (zh) 图像分析方法
US20140037212A1 (en) Image processing method and device
CN112115979B (zh) 一种红外图像和可见图像的融合方法及设备
WO2020214084A1 (en) Method and system for detecting fire and smoke
US20130182080A1 (en) Camera testing device and method for testing camera
TW201537472A (zh) 車輛辨識系統與方法
US20130236096A1 (en) System and method for the repair of anomalies in images
CN104065863A (zh) 图像处理方法及处理装置
CN105787429B (zh) 采用机器视觉用于检查物体的方法和设备
CN111488766A (zh) 目标检测方法和装置
CN103607558A (zh) 一种视频监控系统及其目标匹配方法和装置
US9230188B2 (en) Objective metric relating to perceptual color differences between images
Poobalan et al. Fire detection based on color filters and Bag-of-Features classification
CA2658020A1 (en) Event detection method and video surveillance system using said method
US11039096B2 (en) Image processing device, image processing method and storage medium
CN116189037A (zh) 一种火焰检测的识别方法、装置及终端设备

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant