KR101944604B1 - 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 장치 및 방법 - Google Patents

다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 장치 및 방법 Download PDF

Info

Publication number
KR101944604B1
KR101944604B1 KR1020170009058A KR20170009058A KR101944604B1 KR 101944604 B1 KR101944604 B1 KR 101944604B1 KR 1020170009058 A KR1020170009058 A KR 1020170009058A KR 20170009058 A KR20170009058 A KR 20170009058A KR 101944604 B1 KR101944604 B1 KR 101944604B1
Authority
KR
South Korea
Prior art keywords
objects
polygon
information
cross
image
Prior art date
Application number
KR1020170009058A
Other languages
English (en)
Other versions
KR20180085479A (ko
Inventor
한정욱
전창욱
Original Assignee
전창욱
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 전창욱 filed Critical 전창욱
Priority to KR1020170009058A priority Critical patent/KR101944604B1/ko
Publication of KR20180085479A publication Critical patent/KR20180085479A/ko
Application granted granted Critical
Publication of KR101944604B1 publication Critical patent/KR101944604B1/ko

Links

Images

Classifications

    • 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
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법은 복수의 객체들을 포함하는 객체 더미의 단면에 대한 영상을 취득하는 단계 및 미리 학습된 지식 데이터베이스를 이용하여 상기 영상으로부터 상기 복수의 객체들의 개수에 대한 정보를 추출하는 단계를 포함한다.

Description

다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 장치 및 방법 {APPARATUS AND METHOD FOR INSPECTION AUTOMATION TO COUNT OBJECT QUANTITY}
본 발명은 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 장치 및 방법에 관한 것으로, 더욱 상세하게는 상기 단면 형상 별로 상기 장치 및 방법을 달리하는 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 장치 및 방법에 관한 것이다.
생산자는 파이프 생산 후 출고할 시 기준 수량 단위로 파이프를 포장하지만, 작업자의 육안검사로 인한 오차로 인해 정확한 수량단위로 파이프를 출고하는 것이 어렵다. 이로 인해 포장된 파이프의 개수가 기준 수량 보다 초과되는 경우가 빈번히 발생하며, 이는 생산 원가 증가를 초래한다. 반대로 포장된 파이프의 개수가 기준 수량 보다 적게 출고되는 경우는 생산 기업의 신뢰도를 떨어뜨리게 되는 결과를 초래한다.
또한, 수백 또는 수천 개의 파이프를 작업자의 육안검사로 진행되는 경우는 작업 피로도 증가뿐만 아니라 인건비 증가에 따른 생산 원가 증가를 초래한다. 따라서, 작업 효율성 증대 및 생산성 향상을 위해 파이프 수량 검수를 위한 자동화가 필요하다.
기존 특허에서 제시된 방법처럼 원형 단면을 가지는 형상에 대해서 경계선 인식을 통해 폐곡선을 판단한 후 개수를 검출하는 경우, 다양한 형상의 파이프 개수를 검출하기 힘들다. 예를 들면, 사각 단면의 경우 적용이 힘들다.
또한, 기존의 방법의 경우 파이프마다 정확한 폐곡선을 찾기 위해서는 파이프가 이미지상에 겹쳐져 있지 않아야 하며, 여러 파이프들이 적재되어 있는 일반적인 상황에 적용하기가 힘들다.
뿐만 아니라 영상처리를 통해 외곽선 검출을 하는 경우 이미지 상에서 음영차이로 윤곽선을 구분하며, 이때 적당한 임계값을 설정해 주어야 한다. 하지만 이 값은 주변 환경 및 파이프가 겹쳐져 있는 모양에 따라서 달라질 수 있다.
본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법은 다양한 단면 형상에 대한 검수 자동화 방법을 가지고 있어 검수할 수 있는 객체의 종류의 범위를 넓힌다.
본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법은 기존에 배출되었던 형상에 대한 정보를 사용하여 상기 프로세스의 효율을 높인다.
본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법은 최적화 하는 과정을 포함하고 있어 상기 프로세스의 정확도를 높인다.
본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법은 상기 단면 형상이 가지는 모양에 따라 상기 프로세스에서 사용되는 정보를 선택적으로 이용하여 상기 프로세스의 정확도를 높인다.
다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법은 복수의 객체들을 포함하는 객체 더미의 단면에 대한 영상을 취득하는 단계를 포함한다. 또한, 상기 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법은 미리 학습된 지식 데이터베이스를 이용하여 상기 영상으로부터 상기 복수의 객체들의 개수에 대한 정보를 추출하는 단계를 포함한다.
또한, 상기 미리 학습된 지식 데이터베이스를 이용하여 상기 영상으로부터 상기 복수의 객체들의 개수에 대한 정보를 추출하는 단계는 사전에 촬영된 서로 다른 복수의 객체 더미들 각각의 단면에 대한 영상을 수집하는 단계 및 상기 수집된 영상을 이용하여 상기 데이터베이스를 학습시키는 단계를 포함한다.
상기 복수의 객체들의 개수에 대한 정보를 추출하는 단계는 상기 객체 더미의 단면에 대한 영상으로부터 상기 복수의 객체들 각각의 단면에 대한 영상, 상기 복수의 객체들 각각의 단면의 크기, 상기 복수의 객체들 각각의 단면의 색상 또는 주변 환경에 대한 정보 중 적어도 하나에 대한 정보를 추출하는 단계를 포함한다.
또한, 상기 미리 학습된 지식 데이터베이스에 저장된 정보와 상기 추출된 적어도 하나에 대한 정보를 비교함으로써, 상기 복수의 객체들의 개수에 대한 정보를 계산하는 단계를 포함한다.
또한, 상기 데이터베이스를 학습시키는 단계는 상기 복수의 객체들 각각의 단면이 원형일 경우 상기 영상을 변환하여 상기 객체 더미 전체에 대한 폐곡선을 검출하는 단계 및 상기 폐곡선의 직경에 대한 정보를 이용하여 상기 폐곡선 내의 객체의 개수를 추정하는 단계를 포함한다.
또한, 상기 데이터베이스를 학습시키는 단계는 상기 객체의 단면 형상이 다각형일 경우 상기 다각형의 형상, 상기 다각형의 크기 및 상기 다각형의 색상에 대한 정보 중 적어도 하나의 정보를 사용하여 상기 객체의 개수를 추정하는 단계를 포함한다.
또한, 상기 다각형의 형상, 상기 다각형의 크기 및 상기 다각형의 색상에 대한 정보 중 적어도 하나의 정보를 사용하여 상기 객체의 개수를 추정하는 단계는 상기 적어도 하나의 정보를 사용하는데 있어서, 주변 환경과 혼동되지 않기 위해 상기 적어도 하나의 정보를 최적화 하는 단계를 포함한다.
다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 장치는 복수의 객체들을 포함하는 객체 더미의 단면에 대한 영상을 취득하는 영상 취득부 및 미리 학습된 지식 데이터베이스를 이용하여 상기 영상으로부터 상기 복수의 객체들의 개수에 대한 정보를 추출하는 정보 추출부를 포함한다.
상기 미리 학습된 지식 데이터베이스를 이용하여 상기 영상으로부터 상기 복수의 객체들의 개수에 대한 정보를 추출하는 정보 추출부는 사전에 촬영된 서로 다른 복수의 객체 더미들 각각의 단면에 대한 영상을 수집하는 영상 수집부 및 상기 수집된 영상을 이용하여 상기 데이터베이스를 학습시키는 학습부를 포함한다.
상기 복수의 객체들의 개수에 대한 정보를 추출하는 정보 추출부는 상기 객체 더미의 단면에 대한 영상으로부터 상기 복수의 객체들 각각의 단면에 대한 영상, 상기 복수의 객체들 각각의 단면의 크기, 상기 복수의 객체들 각각의 단면의 색상 또는 주변 환경에 대한 정보 중 적어도 하나에 대한 정보를 추출하는 단면 정보 추출부를 포함한다.
또한, 상기 복수의 객체들의 개수에 대한 정보를 추출하는 정보 추출부는 상기 미리 학습된 지식 데이터베이스에 저장된 정보와 상기 추출된 적어도 하나에 대한 정보를 비교함으로써, 상기 복수의 객체들의 개수에 대한 정보를 계산하는 정보 계산부를 포함한다.
상기 데이터베이스를 학습시키는 학습부는 상기 복수의 객체들 각각의 단면이 원형일 경우 상기 영상을 변환하여 상기 객체 더미 전체에 대한 폐곡선을 검출하는 폐곡선 검출부 및 상기 폐곡선의 직경에 대한 정보를 이용하여 상기 폐곡선 내의 객체의 개수를 추정하는 추정부를 포함한다.
또한, 상기 데이터베이스를 학습시키는 학습부는 상기 객체의 단면 형상이 다각형일 경우 상기 다각형의 형상, 상기 다각형의 크기 및 상기 다각형의 색상에 대한 정보 중 적어도 하나의 정보를 사용하여 상기 객체의 개수를 추정하는 객체 추정부를 포함한다.
상기 다각형의 형상, 상기 다각형의 크기 및 상기 다각형의 색상에 대한 정보 중 적어도 하나의 정보를 사용하여 상기 객체의 개수를 추정하는 객체 추정부는 상기 적어도 하나의 정보를 사용하는데 있어서, 주변 환경과 혼동되지 않기 위해 상기 적어도 하나의 정보를 최적화 하는 최적화부를 포함한다.
본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법은 다양한 단면 형상에 대한 검수 자동화 방법을 가지고 있어 검수할 수 있는 객체의 종류의 범위를 넓힐 수 있다.
본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법은 기존에 배출되었던 형상에 대한 정보를 사용하여 상기 프로세스의 효율을 높일 수 있다.
본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법은 최적화 하는 과정을 포함하고 있어 상기 프로세스의 정확도를 높일 수 있다.
본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법은 상기 단면 형상이 가지는 모양에 따라 상기 프로세스에서 사용되는 정보를 선택적으로 이용하여 상기 프로세스의 정확도를 높일 수 있다.
도 1은 본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법의 흐름도를 나타낸다.
도 2는 본 발명의 일실시예에 따른 미리 학습된 지식 데이터베이스를 이용하여 상기 영상으로부터 상기 복수의 객체들의 개수에 대한 정보를 추출하는 단계의 흐름도를 나타낸다.
도 3은 본 발명의 일실시예에 따른 수집된 영상을 이용하여 데이터베이스를 학습하는 단계의 흐름도를 나타낸다.
도 4는 본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 장치를 나타낸다.
도 5는 본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법이 상기 단면이 원형일 경우 상기 생산 수량을 검수하는 과정에 대한 실시예를 나타낸다.
도 6은 본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법이 상기 단면이 다각형일 경우 상기 생산 수량을 검수하는 과정에 대한 실시예를 나타낸다.
도 7은 본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법이 상기 단면이 원형일 경우 상기 생산 수량을 검수하는 과정의 블록 다이어그램을 나타낸다.
도 8은 본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법이 상기 단면이 다각형일 경우 상기 생산 수량을 검수하는 과정의 블록 다이어그램을 나타낸다.
도 9는 본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법이 데이터베이스를 이용하는 과정의 블록 다이어그램을 나타낸다.
이하, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다. 또한, 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
또한, 본 명세서에서 사용되는 용어(terminology)들은 본 발명의 바람직한 실시예를 적절히 표현하기 위해 사용된 용어들로서, 이는 시청자, 운용자의 의도 또는 본 발명이 속하는 분야의 관례 등에 따라 달라질 수 있다. 따라서, 본 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법의 흐름도를 나타낸다.
도 1을 참조하면, 본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법은 복수의 객체들을 포함하는 객체 더미의 단면에 대한 영상을 취득한다(S110).
복수의 객체들은 파이프를 포함할 수 있으며, 파이프 이외에도 산업 현장에서 사용되는 다양한 제품들을 포함할 수 있다.
여기서, 각 객체는 다양한 형상의 단면을 가질 수 있다. 예를 들어, 각 객체의 단면은 삼각형, 사각형, 오각형 등을 포함하는 다각 형상을 가질 수도 있으며, 타원 형상 및 원형 형상을 가질 수 있다.
상기 복수의 객체들을 포함하는 객체 더미는 작업자가 육안으로 검사하기 어려운 수량의 상기 복수의 객체들을 포함할 수 있다.
또한, 본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법은 미리 학습된 지식 데이터베이스를 이용하여 영상으로부터 복수의 객체들의 개수에 대한 정보를 추출한다(S120).
본 발명은 복수의 객체들에 대한 영상만을 분석하여 복수의 객체들의 개수를 추정하는 것이 아니라, 복수의 객체들에 대한 영상과 미리 기계 학습된 지식 데이터베이스를 함께 이용함으로써 복수의 객체들의 개수를 추정할 수 있다.
예를 들어, 주변 환경의 조도 조건 등으로 인하여 상기 영상의 품질이 나쁜 경우에도, 본 발명은 복수의 객체들에 대한 영상과 미리 기계 학습된 지식 데이터베이스를 함께 이용하기 때문에, 보다 정확하게 객체들의 개수를 추정할 수 있다.
상기 기계 학습의 예로는 딥 러닝, 베이즈 네트워크 모델, 인공신경망 모델 및 클러스터 분석 등이 있다.
지식 데이터베이스에는 사전에 촬영된 상기 복수의 객체들에 대한 영상을 이용하여 영상을 흑백화하고 흑백화 된 영상을 가우시안 블러를 이용하여 최적화 하는 등의 일련의 과정을 통해 생성된 복수의 객체들의 개수에 대한 정보가 포함될 수 있다.
상기 데이터베이스를 이용하는 과정은 윤곽선만을 이용하여 상기 객체의 개수를 추정하는 기존 방식이 가진 오차를 줄일 수 있다. 상기 기존 방식이 가진 오차는 환경 변수에 대한 불확실성으로 인해 생길 수 있다. 상기 환경 변수는 영상 촬영 장치가 촬영한 상기 복수의 객체들에 대한 영상의 조도에 따라 생길 수 있으며, 이외에도 상기 영상에서 도시되는 복수의 객체들의 주변 환경이 가지는 색상과 상기 복수의 객체들이 가지는 색상의 상호 유사도에 따라 생길 수 있다.
또한, 기존 방식의 경우 객체마다 정확한 폐곡선을 취득하기 위해서는 객체가 이미지상에 겹쳐져 있지 않아야 하며, 여러 객체들이 적재되어 있는 일반적인 상황에 적용하기 힘들다.
뿐만 아니라, 상기 기존 방식을 사용하는 상기 객체의 개수를 추정하는 방법은 영상처리를 통해 외곽선을 검출하는 경우 이미지 상에서 음영차이로 윤곽선을 구분하며, 적당한 임계값을 설정해 주어야 한다. 하지만 이 값은 주변환경 및 객체가 겹쳐져 있는 모양에 따라서 달라질 수 있다.
따라서, 본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법은 상기 조도 조건에 의하여 상기 주변 환경의 품질이 나쁜 경우 기존의 데이터베이스를 이용하여 누락된 부분에 대한 데이터를 추가할 수 있다.
이와 유사하게, 따라서, 본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법은 상기 복수의 객체들의 주변 환경이 가지는 색상과 상기 복수의 객체들이 가지는 색상의 상호 유사도에 의하여 상기 영상의 품질이 나쁜 경우 기존의 데이터베이스를 이용하여 누락된 부분에 대한 데이터를 추가할 수 있다.
도 2는 본 발명의 일실시예에 따른 미리 학습된 지식 데이터베이스를 이용하여 상기 영상으로부터 상기 복수의 객체들의 개수에 대한 정보를 추출하는 단계의 흐름도를 나타낸다.
도 2를 참조하면, 본 발명의 일실시예에 따른 수집된 영상을 이용하여 데이터베이스를 학습하는 단계는 사전에 촬영된 서로 다른 복수의 객체 더미들 각각의 단면에 대한 영상을 수집한다(S210).
상기 복수의 객체 더미들 각각의 단면에 대한 영상을 수집하는 과정은 영상 촬영 장치로 진행될 수 있다. 상기 영상 촬영 장치는 RGB영상을 취득하는 성능을 가지고 있을 수 있으며, 상기 영상 촬영 장치는 성능이 좋을수록 상기 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법의 정확도를 높일 수 있다.
또한, 본 발명의 일실시예에 따른 수집된 영상을 이용하여 데이터베이스를 학습하는 단계는 상기 수집된 영상을 이용하여 데이터베이스를 학습한다(S220).
상기 데이터베이스를 학습하는 단계는 머신 러닝의 한 분야인 딥러닝을 이용하여 진행 될 수 있다. 상기 데이터베이스가 딥러닝을 이용하여 진행될 경우, 상기 복수의 객체 더미들 각각의 단면에 대한 영상은 상기 데이터베이스에 사용되기 적합하도록 변환될 수 있다.
또한, 본 발명의 일실시예에 따른 수집된 영상을 이용하여 데이터베이스를 학습하는 단계는 객체 더미의 단면에 대한 영상으로부터 복수의 객체들 각각의 단면에 대한 영상, 상기 복수의 객체들 각각의 단면의 크기, 상기 복수의 객체들 각각의 단면의 색상 또는 주변 환경에 대한 정보 중 적어도 하나에 대한 정보를 추출한다(S230).
상기 복수의 객체들 각각의 단면에 대한 영상은 상기 복수의 객체들이 가지는 형상을 판단할 수 있게 한다. 상기 복수의 객체들이 가지는 형상은 타원형 및 원형일 수 있으며, 삼각형, 사각형 및 오각형 등을 포함하는 다각형일 수 있다. 상기 데이터베이스를 학습하는 단계는 상기 형상이 원형 혹은 다각형인지에 따라 다른 과정을 포함할 수 있다.
예를 들어, 상기 복수의 객체들이 가지는 형상이 원형일 경우 상기 데이터베이스를 학습하는 단계는 상기 복수의 객체 더미들의 윤곽선에 대한 정보를 상기 윤곽선의 지름에 대한 정보와 함께 이용하여 상기 복수의 객체 더미들의 윤곽선이 형성하는 면적에 대한 정보를 얻을 수 있다.
이 때, 상기 데이터베이스를 학습하는 단계는 상기 추출된 상기 복수의 객체들 각각의 단면의 크기에 대한 정보를 이용하여 상기 복수의 객체더미들의 윤곽선이 형성하는 면적에 상기 복수의 객체들 각각의 단면의 면적이 몇 회 들어갈 수 있는가를 판단할 수 있다. 이를 이용하여, 상기 데이터베이스를 학습하는 단계는 상기 객체 더미에 포함되는 상기 복수의 객체들의 수를 추정할 수 있다.
또한, 상기 복수의 객체들 각각의 단면의 색상에 대한 정보는 상기 복수의 객체들 각각의 단면이 가지는 외곽선과 상기 복수의 객체들 각각의 단면이 가지는 내부 공간의 색상이 다른 특성을 가지고 있다. 상기 복수의 객체들 각각의 단면이 가지는 외곽선의 색상과 상기 복수의 객체들 각각의 단면이 가지는 내부 공간의 색상이 다른 특성은 상기 복수의 객체들 각각의 형상에 대한 정보를 추출하는데 사용될 수 있다.
또한, 본 발명의 일실시예에 따른 수집된 영상을 이용하여 데이터베이스를 학습하는 단계는 미리 학습된 지식 데이터베이스에 저장된 정보와 추출된 상기 추출된 적어도 하나에 대한 정보를 비교함으로써, 복수의 객체들의 개수에 대한 정보를 계산한다(S240).
상기 본 발명의 일실시예에 따른 수집된 영상을 이용하여 데이터베이스를 학습하는 단계는 미리 학습된 지식 데이터베이스에 저장된 정보와 추출된 상기 추출된 적어도 하나에 대한 정보를 비교함으로써, 복수의 객체들의 개수에 대한 정보를 계산하는 과정은 상기 객체들의 개수를 계산하는데 있어서 누락되는 정보가 없도록 도울 수 있다.
도 3은 본 발명의 일실시예에 따른 수집된 영상을 이용하여 데이터베이스를 학습하는 단계의 흐름도를 나타낸다.
도 3을 참조하면, 본 발명의 일실시예에 따른 수집된 영상을 이용하여 데이터베이스를 학습하는 단계는 복수의 객체들 각각의 단면이 원형일 경우, 상기 영상을 변환하여 객체 더미 전체에 대한 폐곡선을 검출한다(S310).
상기 폐곡선을 검출하는 과정은 상기 수집된 영상을 Gray 이미지로 변환하여 상기 Gray 이미지를 가우시안 필터로 잡음을 제거하는 과정을 포함할 수 있다. 또한, 상기 잡음이 제거된 영상은 Canny edge를 적용하여 폐곡선을 검출하는데 사용될 수 있다. 상기 폐곡선이 검출된 영상은 상기 윤곽선 중 원의 형상을 찾기 위해 허프변환을 활용하는데 사용될 수 있다.
또한, 본 발명의 일실시예에 따른 수집된 영상을 이용하여 데이터베이스를 학습하는 단계는 폐곡선의 직경에 대한 정보를 이용하여 폐곡선 내의 객체의 개수를 추정한다(S320).
상기 폐곡선의 직경에 대한 정보는 상기 원이 가지는 면적에 대한 정보를 도출할 수 있게 한다. 사용자는 상기 원이 가지는 면적 내에 상기 원의 형상을 띠는 단면이 들어갈 수 있는 횟수를 측정하면, 상기 객체 더미에 들어가는 복수의 객체의 개수를 추정할 수 있다.
또한, 본 발명의 일실시예에 따른 수집된 영상을 이용하여 데이터베이스를 학습하는 단계는 상기 객체의 단면 형상이 다각형일 경우, 상기 다각형의 형상, 상기 다각형의 크기 및 상기 다각형의 색상에 대한 정보 중 적어도 하나의 정보를 사용하여 상기 객체의 개수를 추정한다(S330).
본 발명의 일실시예에 따른 수집된 영상을 이용하여 데이터베이스를 학습하는 단계가 상기 객체의 형상에 따라 각각 다른 과정을 사용하는 이유는 상기 객체의 형상이 다각형일 경우, 상기 원형의 형상을 가진 객체가 사용하는 과정을 이용하는 것은 상기 데이터베이스를 학습하는 단계가 가지는 오차를 생성할 수 있기 때문이다.
상기 오차는 상기 다각형의 형상을 띤 객체들이 적재되었을 경우에 상기 객체들이 가지는 빈 공간 및 겹치는 부분으로부터 생길 수 있다.
상기 다각형의 형상, 상기 다각형의 크기 및 상기 다각형의 색상에 대한 정보는 도합되어 상기 다각형의 특징에 대한 정보가 생성될 수 있다. 또한, 상기 다각형의 특징에 대한 정보는 상기 다각형의 특징과 유사한 특징을 가지는 부분이 상기 수집된 영상에 몇 회 들어갈 수 있는지가 판단되어 상기 객체들의 개수를 추정할 수 있다.
또한, 본 발명의 일실시예에 따른 수집된 영상을 이용하여 데이터베이스를 학습하는 단계는 상기 적어도 하나의 정보를 사용하는데 있어서, 주변환경과 혼동되지 않기 위해 상기 적어도 하나의 정보를 최적화하는 단계를 포함한다(S340).
상기 최적화 하는 과정은 주어진 범위 안에서 상기 정보의 최댓값 및 최솟값을 찾을 수 있다. 상기 최대값 및 최소값이 찾아진 정보는 상기 데이터의 효율성을 추구하는데 사용될 수 있다.
또한, 상기 수집된 영상을 이용하여 데이터베이스를 학습하는 단계가 상기 적어도 하나의 정보를 최적화하는 단계를 사용하는 이유는 상기 주변환경이 상기 다각형의 형상을 띤 객체들의 형상에 대한 정보를 추출하는데 영향을 미치기 때문이다.
도 4는 본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 장치를 나타낸다.
도 4를 참조하면, 본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 장치(400)는 영상 취득부(420)를 포함한다.
상기 영상 취득부(420)는 복수의 객체들을 포함하는 객체 더미의 단면에 대한 영상을 취득할 수 있다. 상기 객체 더미(410)는 상기 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 장치(400)의 외부에 배치될 수 있으며 상기 객체 더미(410)는 복수의 객체(411)들을 포함한다.
또한, 본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 장치(400)는 정보 추출부(430)를 포함한다.
상기 정보 추출부(430)는 상기 미리 학습된 지식 데이터베이스를 이용하여 상기 영상으로부터 상기 복수의 객체들의 개수에 대한 정보를 추출한다.
상기 정보 추출부(430)는 영상 수집부(431), 학습부(432), 단면 정보 추출부(433) 및 정보 계산부(434)를 포함한다.
상기 영상 수집부(431)는 사전에 촬영된 서로 다른 복수의 객체 더미들 각각의 단면에 대한 영상을 수집한다.
또한, 상기 학습부(432)는 상기 수집된 영상을 이용하여 상기 데이터베이스를 학습시킨다. 상기 학습부(432)는 폐곡선 검출부(432-a), 객체 추정부(432-b), 추정부(432-c) 및 최적화부(432-d)를 포함한다.
상기 폐곡선 검출부(432-a)는 상기 복수의 객체들 각각의 단면이 원형일 경우 상기 영상을 변환하여 상기 객체 더미 전체에 대한 폐곡선을 검출할 수 있다.
상기 추정부(432-c)는 상기 폐곡선의 직경에 대한 정보를 이용하여 상기 폐곡선 내의 객체의 개수를 추정할 수 있다.
상기 객체 추정부(432-b)는 상기 객체의 단면 형상이 다각형일 경우 상기 다각형의 형상, 상기 다각형의 크기 및 상기 다각형의 색상에 대한 정보 중 적어도 하나의 정보를 사용하여 상기 객체의 개수를 추정할 수 있다.
또한, 상기 최적화부(432-d)는 상기 적어도 하나의 정보를 사용하는데 있어서, 주변 환경과 혼동되지 않기 위해 상기 적어도 하나의 정보를 최적화할 수 있다.
또한, 상기 정보 추출부(430)에 포함되는 단면 정보 추출부(433)는 상기 객체 더미의 단면에 대한 영상으로부터 상기 복수의 객체들 각각의 단면에 대한 영상, 상기 복수의 객체들 각각의 단면의 크기, 상기 복수의 객체들 각각의 단면의 색상 또는 주변 환경에 대한 정보 중 적어도 하나에 대한 정보를 추출할 수 있다.
또한, 상기 정보 추출부(430)에 포함되는 정보 계산부(434)는 상기 미리 학습된 지식 데이터베이스에 저장된 정보와 상기 추출된 적어도 하나에 대한 정보를 비교함으로써, 상기 복수의 객체들의 개수에 대한 정보를 계산하는 상기 미리 학습된 지식 데이터베이스에 저장된 정보와 상기 추출된 적어도 하나에 대한 정보를 비교함으로써, 상기 복수의 객체들의 개수에 대한 정보를 계산할 수 있다.
도 5는 본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법이 상기 단면이 원형일 경우 상기 생산 수량을 검수하는 과정에 대한 실시예를 나타낸다.
도 5는 상기 단면의 형상이 원형일 경우 상기 생산 수량을 검수하는 과정에서 상기 객체가 원형 파이프일 경우에 대한 도면을 도시한다.
좌측에 위치한 도면을 보면, 사용자는 본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체에 대한 영상을 촬영할 수 있다.
또한 사용자는 상기 영상을 흑백화 할 수 있다. 상기 흑백화하는 과정은 사용자가 촬영한 RGB영상을 흑백화하는 과정일 수 있다.
또한, 상기 사용자는 상기 흑백화 된 영상을 가우시안 블러를 이용하여 필터링을 할 수 있다. 또한, 상기 사용자는 상기 필터링된 영상을 이용하여 상기 객체 더미에 대한 원을 검출할 수 있다. 상기 원은 상기 객체 더미의 윤곽선 일 수 있다. 상기 원을 검출하는 과정은 허프변환을 통해 검출되는 것일 수 있다.
상기 영상을 흑백화하는 과정 및 원을 검출하는 과정은 도 5의 중간부에 도시된 도면에서 설명될 수 있다. 또한, 상기 검출된 원은 상기 원의 형상을 띤 객체의 개수를 추정하는데 사용될 수 있다.
상기 원의 형상을 띤 객체의 개수를 추정하는 과정에 대한 도면은 도 5의 우측에 도시된다.
즉, 도 5에 도시된 바와 같이, 본 발명의 실시예는 상술한 과정을 통하여 객체들(파이프들) 각각의 단면에 대하여 그 윤곽선(경계선)을 별도의 컬러로 표시하며, 각 단면의 중심부를 마커로 표시함으로써, 사용자로 하여금 짧은 시간 안에 영상 처리를 통하여 추정된 객체들의 개수에 대한 에러를 쉽게 발견하게 할 수 있다. 특히, 본 발명의 이러한 과정은 기계 학습 과정에서 학습 데이터를 효율적으로 생성하는 데에 이용될 수 있다.
또한, 상기 흑백화 하는 과정은 상기 흑과 백이 가진 경계선을 이용하여 상기 객체의 단면의 추정하는데 사용될 수 있다. 상기 흑백화하는 과정은 영상 촬영 장치로 촬영된 RGB영상을 GRAY영상으로 변환하는 과정일 수 있다.
도 6은 본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법이 상기 단면이 다각형일 경우 상기 생산 수량을 검수하는 과정에 대한 실시예를 나타낸다.
도 6는 상기 단면의 형상이 다각형일 경우 상기 생산 수량을 검수하는 과정에서 상기 객체가 다각형 파이프일 경우에 대한 도면을 도시한다.
좌측에 위치한 도면을 보면, 사용자는 본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체에 대한 영상을 촬영할 수 있다.
또한 사용자는 상기 영상을 흑백화 할 수 있다. 상기 흑백화하는 과정은 사용자가 촬영한 RGB영상을 흑백화하는 과정일 수 있다.
또한, 상기 사용자는 상기 흑백화 된 영상을 가우시안 블러를 이용하여 필터링을 할 수 있다. 상부의 기재한 복수의 과정들은 도 5에서 설명한 원의 형상을 띤 복수의 객체들의 개수를 추정하는 과정과 유사하다.
또한, 상기 사용자는 상기 필터링된 영상을 이용하여 상기 다각형의 모양을 띤 객체의 특징을 추출한다. 상기 특징은 상기 다각형의 형상에 대한 정보, 상기 다각형의 색상에 대한 정보 및 상기 다각형의 크기에 대한 정보 중 적어도 하나 일 수 있다.
상기 추출된 객체의 특징은 상기 다각형의 모양을 띤 복수의 객체들의 개수를 추정하는데 사용될 수 있다.
상기 추출된 객체의 특징을 사용하는 과정에 대한 실시예는 도 6의 우측에 도시된 도면에서 설명된다.
도 7은 본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법이 상기 단면이 원형일 경우 상기 생산 수량을 검수하는 과정의 블록 다이어그램을 나타낸다.
도 7은 도 5에서 실시예로서 설명된 본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법이 상기 단면이 원형일 경우 상기 생산 수량을 검수하는 과정을 보기 쉽게 설명한 도면이다.
도 7의 파이프 단면 영상 취득 단계는 영상 촬영 장치를 이용하여 상기 복수의 객체의 더미들에 대한 영상을 취득하는 단계일 수 있다. 또한, 상기 취득된 이미지는 도 7의 이미지 변환 단계에서 변환될 수 있다. 또한, 도 7의 이미지 필터링 단계는 가우시안 블러를 이용하여 상기 변환된 이미지를 필터링 할 수 있다.
상기 이미지를 필터링 단계는 상기 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법의 효율을 높일 수 있으며, 이는 생산자가 상기 프로세스를 진행하는데 사용하는 총 생산 비용을 절감하는데 도움을 줄 수 있다.
상기 필터링 된 이미지는 허프변환을 통하여 상기 객체 더미에 대한 외곽선을 검출하는데 사용될 수 있다. 상기 허프변환을 통하여 상기 객체 더미에 대한 외곽선을 검출하는 과정은 도 7의 허프변환을 통한 원 검출 단계에서 진행될 수 있다. 또한, 상기 외곽선은 원의 형상을 가질 수 있다. 상기 외곽선은 상기 원의 직경에 대한 정보와 함께 사용될 수 있다. 상기 원의 직경에 대한 정보와 상기 외곽선을 이용하여 생산자는 상기 원의 형상을 띤 객체의 개수에 대한 정보를 획득할 수 있다.
상기 획득된 객체의 개수에 대한 정보는 도 7에서 도시된 파이프 개수 출력 과정은 통해 출력될 수 있다.
도 8은 본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법이 상기 단면이 다각형일 경우 상기 생산 수량을 검수하는 과정의 블록 다이어그램을 나타낸다.
도 8은 도 6에서 실시예로서 설명된 본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법이 상기 단면이 다각형일 경우 상기 생산 수량을 검수하는 과정을 보기 쉽게 설명한 도면이다.
도 8을 참조하면, 파이프 단면 영상 취득 과정은 본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법이 사용하는 영상 촬영 장치에 의해 진행될 수 있다.
상기 영상 촬영 장치에 의해 촬영된 영상은 도 8의 이미지 변환 과정을 통해 변환될 수 있으며 상기 이미지 변환 과정은 영상 촬영 장치를 통해 촬영된 RGB영상을 GRAY영상으로 변환하는 과정일 수 있다. 또한, 상기 변환된 영상은 도 8의 이미지 필터링 단계를 통해서 필터링 될 수 있다. 상기 이미지 필터링 단계는 가우시안 블러를 사용하는 단계일 수 있다.
또한, 상기 필터링된 이미지는 상기 다각형의 형상을 띤 파이프의 단면에 대한 정보, 상기 다각형의 형상을 띤 파이프의 형상에 대한 정보 및 상기 다각형의 형상을 띤 파이프에 대한 정보와 함께 상기 파이프의 개수를 검출하는데 사용된다.
상기 개수를 검출하는 과정 및 상기 검출된 개수에 대한 정보를 출력하는 과정은 도 8의 형상 매칭 기반 파이프 검출 및 개수 출력 단계에서 진행될 수 있다.
도 9는 본 발명의 일실시예에 따른 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법이 데이터베이스를 이용하는 과정의 블록 다이어그램을 나타낸다.
도 9의 상부에서 설명되는 반자동화 과정은 상기 학습부(432) 및 영상 수집부(431)에서 진행될 수 있다.
도 9의 반자동화 과정의 파이프 영상취득 단계는 상기 영상 수집부(431)에서 진행된다. 상기 취득된 영상은 상기 파이프의 단면 형상이 원형일 경우 윤곽선을 추출하고 상기 파이프의 단면 형상이 다각형일 경우 형상 매칭을 사용하여 상기 파이프에 대한 정보를 검출하는데 사용될 수 있으며, 상기 과정은 도 9의 윤곽선 및 형상 매칭 기반 파이프 검출 단계에서 진행될 수 있다.
또한, 상기 검출된 파이프에 대한 정보는 도 9의 검출된 파이프 단면 가시화 단계를 통해 가시화될 수 있으며, 상기 가시화 되는 과정은 생산자가 상기 파이프의 개수를 추측하기 수월하도록 상기 영상을 수정하는 과정일 수 있다.
또한, 상기 가시화된 영상은 도 9의 검출된 파이프 개수 오차 확인 단계에서 파이프의 오차를 확인하는데 사용될 수 있다. 상기 파이프 개수 오차 확인 단계는 생산자가 검출한 상기 파이프의 개수에 대한 정보를 다시 한번 확인하여 상기 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법의 정확도를 높일 수 있다.
상기 반자동화 과정에서 검출된 정보는 하부의 완전 자동화 과정에서 데이터베이스로 사용될 수 있다.
상기 데이터베이스는 본 도면에서 기계학습 기반의 학습 알고리즘으로 표현된다. 또한, 상기 알고리즘은 최적화 과정을 통해 최적화될 수 있다. 상기 최적화 과정은 상기 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법의 정확도를 높인다.
또한, 도 9의 하부에서 설명되는 완전 자동화 과정은 상기 영상 취득부(420), 단면 정보 추출부(433), 및 정보 계산부(434)를 통해서 진행될 수 있다. 상기 완전 자동화 과정은 상기 반자동화 과정에서 생성된 데이터베이스를 이용할 수 있다.
도 9의 완전 자동화 과정에서 진행되는 파이프 영상 취득 단계는 상기 언급된 영상 촬영 장치에서 진행될 수 있으며, 상기 취득된 영상은 기계학습 기반의 학습 알고리즘과 함께 도 9의 기계학습 기반의 파이프 개수 검출 단계에서 사용될 수 있다. 상기 취득된 영상이 기계학습 기반의 학습 알고리즘과 함께 기계학습 기반의 파이프 개수 검출 단계에서 사용되는 과정에는 상기 파이프의 단면 형상에 대한 정보, 상기 파이프의 색상에 대한 정보를 함께 사용할 수 있다.
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.

Claims (12)

  1. 복수의 객체들을 포함하는 객체 더미의 단면에 대한 영상을 취득하는 단계; 및
    미리 학습된 지식 데이터베이스를 이용하여 상기 영상으로부터 상기 복수의 객체들의 개수에 대한 정보를 추출하는 단계
    를 포함하고,
    상기 미리 학습된 지식 데이터베이스를 이용하여 상기 영상으로부터 상기 복수의 객체들의 개수에 대한 정보를 추출하는 단계는
    사전에 촬영된 서로 다른 복수의 객체 더미들 각각의 단면에 대한 영상을 수집하는 단계; 및
    상기 수집된 영상을 이용하여 상기 데이터베이스를 학습시키는 단계
    를 포함하며,
    상기 학습시키는 단계는
    상기 복수의 객체들 각각의 단면이 갖는 형상을 판단하여, 상기 복수의 객체들 각각의 단면이 원형일 경우
    상기 영상을 변환하여 상기 객체 더미 전체에 대한 폐곡선을 검출하는 단계; 및
    상기 폐곡선의 직경에 대한 정보를 이용하여 상기 폐곡선 내의 객체의 개수를 추정하는 단계
    를 포함하고,
    상기 복수의 객체들 각각의 단면이 갖는 형상을 판단하여, 상기 객체의 단면 형상이 다각형일 경우
    상기 다각형의 형상, 상기 다각형의 크기 및 상기 다각형의 색상에 대한 정보 모두를 사용하여 상기 객체의 개수를 추정하는 단계
    를 포함하며,
    상기 다각형의 형상, 상기 다각형의 크기 및 상기 다각형의 색상에 대한 정보 모두를 사용하여 상기 객체의 개수를 추정하는 단계는
    기 설정된 범위 안에서 상기 다각형의 형상, 상기 다각형의 크기 및 상기 다각형의 색상에 대한 정보의 최댓값 및 최솟값을 탐색하고, 탐색된 최댓값 및 최솟값을 사용하여 상기 다각형의 형상, 상기 다각형의 크기 및 상기 다각형의 색상에 대한 정보를 최적화 하는 단계
    를 더 포함하는 것을 특징으로 하는 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 복수의 객체들의 개수에 대한 정보를 추출하는 단계는
    상기 객체 더미의 단면에 대한 영상으로부터 상기 복수의 객체들 각각의 단면에 대한 영상, 상기 복수의 객체들 각각의 단면의 크기, 상기 복수의 객체들 각각의 단면의 색상 또는 주변 환경에 대한 정보 중 적어도 하나에 대한 정보를 추출하는 단계; 및
    상기 미리 학습된 지식 데이터베이스에 저장된 정보와 상기 추출된 적어도 하나에 대한 정보를 비교함으로써, 상기 복수의 객체들의 개수에 대한 정보를 계산하는 단계
    를 포함하는 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법.
  4. 삭제
  5. 삭제
  6. 제1항에 있어서
    상기 다각형의 형상, 상기 다각형의 크기 및 상기 다각형의 색상에 대한 정보 모두를 사용하여 상기 객체의 개수를 추정하는 단계는
    상기 다각형의 형상, 상기 다각형의 크기 및 상기 다각형의 색상에 대한 정보를 사용하는데 있어서, 주변 환경과 혼동되지 않기 위해 상기 다각형의 형상, 상기 다각형의 크기 및 상기 다각형의 색상에 대한 정보를 최적화 하는 단계
    를 더 포함하는 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 방법.
  7. 복수의 객체들을 포함하는 객체 더미의 단면에 대한 영상을 취득하는 영상 취득부; 및
    미리 학습된 지식 데이터베이스를 이용하여 상기 영상으로부터 상기 복수의 객체들의 개수에 대한 정보를 추출하는 정보 추출부
    를 포함하고,
    상기 미리 학습된 지식 데이터베이스를 이용하여 상기 영상으로부터 상기 복수의 객체들의 개수에 대한 정보를 추출하는 정보 추출부는
    사전에 촬영된 서로 다른 복수의 객체 더미들 각각의 단면에 대한 영상을 수집하는 영상 수집부; 및
    상기 수집된 영상을 이용하여 상기 데이터베이스를 학습시키는 학습부
    를 포함하며,
    상기 학습부는
    상기 복수의 객체들 각각의 단면이 갖는 형상을 판단하여, 상기 복수의 객체들 각각의 단면이 원형일 경우
    상기 영상을 변환하여 상기 객체 더미 전체에 대한 폐곡선을 검출하는 폐곡선 검출부; 및
    상기 폐곡선의 직경에 대한 정보를 이용하여 상기 폐곡선 내의 객체의 개수를 추정하는 추정부
    를 포함하고,
    상기 복수의 객체들 각각의 단면이 갖는 형상을 판단하여, 상기 객체의 단면 형상이 다각형일 경우
    상기 다각형의 형상, 상기 다각형의 크기 및 상기 다각형의 색상에 대한 정보 모두를 사용하여 상기 객체의 개수를 추정하는 객체 추정부
    를 포함하며,
    상기 객체 추정부는
    기 설정된 범위 안에서 상기 다각형의 형상, 상기 다각형의 크기 및 상기 다각형의 색상에 대한 정보의 최댓값 및 최솟값을 탐색하고, 탐색된 최댓값 및 최솟값을 사용하여 상기 다각형의 형상, 상기 다각형의 크기 및 상기 다각형의 색상에 대한 정보를 최적화 하는 최적화부
    를 더 포함하는 것을 특징으로 하는 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 장치.
  8. 삭제
  9. 제7항에 있어서,
    상기 복수의 객체들의 개수에 대한 정보를 추출하는 정보 추출부는
    상기 객체 더미의 단면에 대한 영상으로부터 상기 복수의 객체들 각각의 단면에 대한 영상, 상기 복수의 객체들 각각의 단면의 크기, 상기 복수의 객체들 각각의 단면의 색상 또는 주변 환경에 대한 정보 중 적어도 하나에 대한 정보를 추출하는 단면 정보 추출부; 및
    상기 미리 학습된 지식 데이터베이스에 저장된 정보와 상기 추출된 적어도 하나에 대한 정보를 비교함으로써, 상기 복수의 객체들의 개수에 대한 정보를 계산하는 정보 계산부
    를 포함하는 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 장치.
  10. 삭제
  11. 삭제
  12. 제7항에 있어서
    상기 최적화부는
    상기 다각형의 형상, 상기 다각형의 크기 및 상기 다각형의 색상에 대한 정보를 사용하는데 있어서, 주변 환경과 혼동되지 않기 위해 상기 다각형의 형상, 상기 다각형의 크기 및 상기 다각형의 색상에 대한 정보를 최적화 하는 최적화부
    를 더 포함하는 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 장치.
KR1020170009058A 2017-01-19 2017-01-19 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 장치 및 방법 KR101944604B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170009058A KR101944604B1 (ko) 2017-01-19 2017-01-19 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170009058A KR101944604B1 (ko) 2017-01-19 2017-01-19 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20180085479A KR20180085479A (ko) 2018-07-27
KR101944604B1 true KR101944604B1 (ko) 2019-01-31

Family

ID=63078348

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170009058A KR101944604B1 (ko) 2017-01-19 2017-01-19 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 장치 및 방법

Country Status (1)

Country Link
KR (1) KR101944604B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6703679B1 (ja) * 2019-02-01 2020-06-03 株式会社計数技研 計数装置、学習器製造装置、計数方法、学習器製造方法、及びプログラム
WO2023121409A1 (ko) * 2021-12-24 2023-06-29 주식회사 해랑기술정책연구소 인공신경망 기반의 갯벌어장의 낙지 자원량을 산정하기 위한 장치 및 이를 위한 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009239871A (ja) 2008-03-28 2009-10-15 Canon Inc 物体検知方法及びその装置
KR101207098B1 (ko) * 2011-06-13 2012-12-03 김영준 이미지 분석을 통한 수량 판단장치 및 그 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102056664B1 (ko) * 2012-10-04 2019-12-17 한국전자통신연구원 센서를 이용한 작업 방법 및 이를 수행하는 작업 시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009239871A (ja) 2008-03-28 2009-10-15 Canon Inc 物体検知方法及びその装置
KR101207098B1 (ko) * 2011-06-13 2012-12-03 김영준 이미지 분석을 통한 수량 판단장치 및 그 방법

Also Published As

Publication number Publication date
KR20180085479A (ko) 2018-07-27

Similar Documents

Publication Publication Date Title
CN111325713B (zh) 基于神经网络的木材缺陷检测方法、系统及存储介质
US11797886B2 (en) Image processing device, image processing method, and image processing program
JP2017219529A (ja) 外観異常検査装置、方法、及びプログラム
EP3023913A1 (en) Crack data collection method and crack data collection program
US10445868B2 (en) Method for detecting a defect on a surface of a tire
CN105718931B (zh) 用于确定采集图像中的杂斑的系统和方法
JP6403547B2 (ja) 鋼材成分識別装置及びそのプログラム
KR101944604B1 (ko) 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 장치 및 방법
CN109767426B (zh) 一种基于图像特征识别的盾构隧道渗漏水检测方法
US9628659B2 (en) Method and apparatus for inspecting an object employing machine vision
TWI543117B (zh) 物件辨識與定位方法
JP5419555B2 (ja) 画像検査装置、画像検査方法および画像検査プログラム
CN116071335A (zh) 墙面验收方法、装置、设备及存储介质
JP6818263B2 (ja) 破面解析装置および破面解析方法
CN115861161A (zh) 机器学习系统、学习数据收集方法以及存储介质
CN114943720A (zh) 一种电力图像处理方法及装置
CN110634124A (zh) 一种区域检测的方法及设备
Strokina et al. Detection of curvilinear structures by tensor voting applied to fiber characterization
CN103208013A (zh) 一种基于图像噪声分析的照片来源识别方法
CN109215068B (zh) 图像放大率测量方法及装置
CN112257667A (zh) 一种小型船只检测方法、装置、电子设备及存储介质
JP2021012631A5 (ja) 情報処理装置、情報処理方法及びプログラム
Radopoulou et al. Improving patch defect detection using vision tracking on video data
KR102587918B1 (ko) 봉제 불량 자동 검출 방법 및 시스템
CN116580026B (zh) 精密零部件外观缺陷自动光学检测方法、设备及存储介质

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)