KR102166456B1

KR102166456B1 - 딥러닝 모델을 이용한 가죽 검사시스템

Info

Publication number: KR102166456B1
Application number: KR1020200109564A
Authority: KR
Inventors: 박재완
Original assignee: 주식회사 재현이노텍
Priority date: 2020-08-28
Filing date: 2020-08-28
Publication date: 2020-10-15

Abstract

본 발명의 딥러닝 모델을 이용한 가죽 검사시스템은, 가죽(G) 불량을 검사하기 위해 가죽(G)이 안착되는 복수의 블록들로 분할된 스테이지; 상기 가죽 표면에 검사광을 조사하는 조명수단; 상기 가죽 표면에 반사된 광으로부터 가죽 영상을 획득하는 영상획득수단; 및 상기 영상획득수단으로부터 획득된 가죽 영상을 토대로 딥러닝 모델을 이용하여 가죽 표면에 존재하는 미세 불량을 검출하는 불량검출부를 포함하고, 상기 조명수단에는 광원에서 조사되는 광을 편광으로 변환하여 가죽 표면에 조사하도록 하는 제1 편광필름을 구비하고, 상기 영상획득수단은 가죽 표면에 반사된 광을 수광하는 제2 편광필름을 구비할 수 있다.
본 발명의 딥러닝 모델을 이용한 가죽 검사시스템은, 편광된 검사광을 조사하여 획득된 가죽 이미지들을 다양한 검사광 아래에서 획득한 가죽 불량 이미지들과 비교하는 방식의 딥러닝 모델에 따라 가죽에 존재하는 미세 불량 검사할 수 있는 효과가 있다.

Description

딥러닝 모델을 이용한 가죽 검사시스템{Leather Inspection System using Deep Learning Model}

본 발명은 가죽 검사시스템에 관한 것으로, 보다 구체적으로는 다양한 편광필터를 이용한 검사광을 통해 가죽 영상을 획득하고 이를 딥러닝 모델에 의한 학습을 통해 가죽에 존재하는 미세불량을 검사하는 딥러닝 모델을 이용한 가죽 검사시스템에 관한 것이다.

가죽은 과거뿐아니라 현대에도 다양한 소비 제품들에 적용되고 있다. 예를 들어, 가죽은 전세계적으로 인기가 높아 가구나 의복 및 장식품에 널리 애용되고 있다. 또한, 산업화에서 정보화로 변해가는 현대에는 다양한 소비 제품들이 개발되고 있는데, 이러한 제품들에도 가죽을 사용하는 경우가 많다.

현대사회의 필수 이동수단의 하나로 자리잡고 있는 자동차의 구성 제품들에도 가죽들이 많이 사용되고 있다. 예를 들어, 자동차 내부의 대시보드, 도어(door), 콘솔박스, 시트 및 핸들에도 가죽 제품이 사용된다. 특히, 자동차 핸들은 운전자의 손이 직접 접촉하는 부분이기 때문에 육안으로 식별이 어려운 미세 불량이더라도 촉감에 의해 불량이 감지된다. 따라서, 가죽에 존재하는 동물의 핏줄에 의한 미세 불량이나 스크래치에 대해서도 정확한 검사를 진행하여 양질의 가죽을 제품에 사용하는 것이 바람직하다.

또한, 가죽은 직물보다 가격이 비싸고 작업 공정이 복잡하기 때문에 가죽에 대한 불량 검사를 정확하게 한 후, 제품에 적용하는 것이 생산 단가를 줄일 수 있다. 가죽이 사용되는 제품에 따라 요구되는 불량 정도가 다르겠지만 자동차 핸들에 사용되는 가죽은 운전자의 손이 반복적으로 접촉하기 때문에 육안으로 식별이 어려운 미세 불량까지 검사를 해야 한다.

종래기술에 따른 가죽검사 방법은 테이블에 가죽을 올려놓고 조명을 비추어 검사자의 육안에 의존하여 가죽 표면의 불량을 검사하는 방식이였다. 즉, 검사자가 조명의 위치를 변경하면서 가죽에서 반사되는 반사광의 변화를 육안으로 감지하여 가죽의 불량 여부를 검사하였다.

하지만, 종래 가죽검사는 가죽 표면에 육안으로 확인할 수 있는 큰 스크래치나 이물질 등의 경우에는 검사가 가능했지만 동물의 핏줄에 의한 미세한 불량(홈, groove, 단차) 등은 확인이 어려운 단점이 있다.

또한, 가죽 존재하는 다양한 미세 불량들은 그 형태나 위치가 모두 상이하기 때문에 미세 불량 여부도 일관되지 않아 미세 불량으로 취급되어야할 불량이 검사과정에서 정상 가죽으로 인식되는 문제가 있다.

따라서, 가죽에 존재하는 미세 불량들에 대한 정보를 데이터로 수집하면서 검사자가 육안으로 인식하기 어려운 미세 불량들을 신속하고 정확하게 검사하는 방법이 요구된다.

등록번호 10-0743883호(2007.07.30)

본 발명은 가죽을 양측에서 잡아당기는 텐션 공정, 가죽의 특정 영역에 곡면을 형성하는 공정, 가죽을 평평하게 하는 플랫 공정 및 가죽 표면에 완만한 경사를 형성하는 롤링 공정을 하나의 검사장치에서 수행할 수 있도록 한 딥러닝 모델을 이용한 가죽 검사시스템을 제공하는 것을 목적으로 한다.

본 발명은 검사 가죽의 텐션 공정, 곡면 형성 공정, 플랫 공정 및 롤링 공정시 가죽 표면에 다양한 각도로 검사광을 조사하여 가죽의 미세 불량을 검사할 수 있도록 한 딥러닝 모델을 이용한 가죽 검사시스템을 제공하는 것을 목적으로 한다.

본 발명은 가죽 검사시 조사되는 검사광을 다양한 형태의 편광으로 변환하여 조사한 후 각각의 편광에 대응하는 가죽 영상을 획득하여 가죽에 존재하는 미세 불량을 검사할 수 있는 딥러닝 모델을 이용한 가죽 검사시스템을 제공하는 것을 목적으로 한다.

본 발명은 편광된 검사광을 조사하여 획득된 가죽 이미지들을 다양한 검사광 아래에서 획득한 가죽 불량 이미지들과 비교하는 방식의 딥러닝 모델에 따라 가죽에 존재하는 미세 불량 검사할 수 있는 딥러닝 모델을 이용한 가죽 검사시스템을 제공하는 것을 목적으로 한다.

본 발명의 딥러닝 모델을 이용한 가죽 검사시스템은, 가죽(G) 불량을 검사하기 위해 가죽(G)이 안착되는 복수의 블록들로 분할된 스테이지; 상기 가죽 표면에 검사광을 조사하는 조명수단; 상기 가죽 표면에 반사된 광으로부터 가죽 영상을 획득하는 영상획득수단; 및 상기 영상획득수단으로부터 획득된 가죽 영상을 토대로 딥러닝 모델을 이용하여 가죽 표면에 존재하는 미세 불량을 검출하는 불량검출부를 포함하고, 상기 조명수단에는 광원에서 조사되는 광을 편광으로 변환하여 가죽 표면에 조사하도록 하는 제1 편광필름을 구비하고, 상기 영상획득수단은 가죽 표면에 반사된 광을 수광하는 제2 편광필름을 구비할 수 있다.

또한, 본 발명의 딥러닝 모델을 이용한 가죽 검사시스템의 불량검출부는, 상기 가죽(G)의 형태와 크기 등을 인식하는 가죽인식부와, 상기 제1 편광필름에 의해 편광된 검사광 정보를 제공하는 검사광정보부와, 상기 딥러닝 모델을 통한 학습을 위해 가죽 불량에 대한 이미지 정보를 저장하는 저장부와, 상기 영상획득수단으로 획득된 가죽 영상을 이미지로 변환한 후, 상기 저장부에 저장된 이미지 정보와 비교하여 가죽에 존재하는 미세 불량 검출하는 딥러닝 모델과, 상기 딥러닝 모델을 통해 검출된 미세 불량의 위치를 계산한 후, 획득된 가죽 영상에 미세 불량 위치를 표시하는 불량위치인식부를 포함하고, 상기 딥러닝 모델은, 영상획득수단에 의해 획득된 가죽 영상을 상기 저장부에 저장된 이미지 정보와 대응되도록 분할하는 제1 내지 제3 영상분할부와, 상기 제1 내지 제3 영상분할부에서 분할된 영상 이미지와 상기 저장부의 가죽 이미지들과 비교하는 제1 내지 제3 비교부를 포함할 수 있다.

여기서, 상기 딥러닝 모델은, 상기 제1 내지 제3 비교부를 통해 획득된 이미지들을 결합하여 가죽 이미지를 구현하는 결합부와, 상기 제1 내지 제3 비교부로부터 각각 출력되는 이미지와 상기 결합부의 이미지로부터 가죽의 미세 불량을 판단하는 결정부를 더 포함한다.

또한, 본 발명의 딥러닝 모델을 이용한 가죽 검사시스템은, 상기 조명수단에 배치된 광원은 화이트광원과 블루광원이 조합된 광원이고, 상기 저장부에 저장된 이미지 정보는 가죽에 대해 다양한 편광으로 조사한 후 획득된 이미지들을 포함하며, 상기 제1 편광필름의 편광축과 제2 편광필름의 편광축은 같거나 서로 다른 것을 특징으로 한다.

또한, 본 발명의 딥러닝 모델을 이용한 가죽 검사시스템의 검사광정보부는 상기 광원에서 조사되는 광이 제1 편광필름에 의해 우원편광된 광인지 좌원편광된 광인지에 대한 정보를 제공하고, 상기 가죽 검사시스템은, 상기 불량검출부에서 검출된 미세불량을 가죽(G) 영상과 함께 3차원으로 표시하는 디스플레이부를 더 포함한다.

본 발명의 딥러닝 모델을 이용한 가죽 검사시스템은, 가죽을 양측에서 잡아당기는 텐션 공정, 가죽의 특정 영역에 곡면을 형성하는 공정, 가죽을 평평하게 하는 플랫 공정 및 가죽 표면에 완만한 경사를 형성하는 롤링 공정을 하나의 검사장치에서 수행할 수 있도록 한 효과가 있다.

본 발명의 딥러닝 모델을 이용한 가죽 검사시스템은, 검사 가죽의 텐션 공정, 곡면 형성 공정, 플랫 공정 및 롤링 공정시 가죽 표면에 다양한 각도로 검사광을 조사하여 가죽의 미세 불량을 검사할 수 있도록 한 효과가 있다.

본 발명의 딥러닝 모델을 이용한 가죽 검사시스템은, 가죽 검사시 조사되는 검사광을 다양한 형태의 편광으로 변환하여 조사한 후 각각의 편광에 대응하는 가죽 영상을 획득하여 가죽에 존재하는 미세 불량을 검사할 수 있는 효과가 있다.

본 발명의 딥러닝 모델을 이용한 가죽 검사시스템은, 편광된 검사광을 조사하여 획득된 가죽 이미지들을 다양한 검사광 아래에서 획득한 가죽 불량 이미지들과 비교하는 방식의 딥러닝 모델에 따라 가죽에 존재하는 미세 불량 검사할 수 있는 효과가 있다.

도 1은 본 발명의 실시예에 따른 딥러닝 모델을 이용한 가죽 검사시스템을 나타내는 단면도이다.
도 2는 본 발명의 실시예에 따른 딥러닝 모델을 이용한 가죽 검사시스템에서 가죽(G) 영상을 획득하는 모습을 도시한 도면이다.
도 3은 본 발명의 실시예에 따른 불량검출부의 블록도이다.
도 4는 본 발명의 실시예에 따른 딥러닝 모델을 이용한 가죽 검사시스템의 조명수단에서 조사되는 편광된 검사광을 설명하기 위한 도면이다.
도 5는 본 발명의 실시예에 따른 딥러닝 모델을 이용한 가죽 검사시스템의 획득수단을 통해 가죽(G) 영상을 획득하는 모습을 도시한 도면이다.
도 6은 본 발명의 실시예에 따른 딥러닝 모델을 이용한 가죽 검사시스템에서 편광된 검사광이 가죽(G)에 조사된 후 반사되는 모습을 도시한 도면이다.
도 7은 본 발명의 실시예에 따른 딥러닝 모델을 이용한 가죽 검사시스템의 불량판별부의 구조를 도시한 도면이다.
도 8은 도 7의 딥러닝 모델 학습부의 구조를 도시한 블록도이다.
도 9는 종래 기술에 따라 가죽에 존재하는 미세 불량이 제품에 나타나는 모습을 설명하기 위한 도면이다.
도 10은 본 발명의 실시예에 따른 딥러닝 모델을 이용한 가죽 검사시스템에 의해 검사가 진행되는 가죽을 설명하기 위한 도면이다.
도 11은 본 발명의 실시예에 따른 딥러닝 모델을 이용한 가죽 검사시스템에서 검사광의 편광 종류에 따라 검출된 불량이미지를 도시한 도면이다.
도 12는 본 발명의 실시예에 다른 딥러닝 모델을 이용한 가죽 검사시스템을 이용한 가죽 검사방법을 설명하기 위한 플로차트이다.

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다. 이하의 실시예에서, 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다. 또한, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다. 또한, 도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타내었으므로, 본 발명이 반드시 도시된 바에 한정되지 않는다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.

도 1은 본 발명의 실시예에 따른 딥러닝 모델을 이용한 가죽 검사시스템을 나타내는 단면도이다.

도 1을 참조하면, 본 발명의 실시예에 따른 딥러닝 모델을 이용한 가죽 검사시스템(100)은, 베이스프레임(150), 검사 가죽(G)을 로딩하여 검사를 진행하는 스테이지(250), 스테이지(250)의 양측에 배치된 제1 및 제2 지지대(101a, 101b)와 제1 및 제2 클램핑수단(200a, 200b), 제1 내지 제3 리프트수단(210, 220, 230), 조명지지대(234)와 조명지지대(234)에 배치된 제1 및 제2 조명수단(244, 254), 영상획득수단(270), 스테이지(250)에 에어(air)를 공급하는 에어공급수단(110)과 제1 내지 제3 리프트수단(210, 220, 230), 제1 클램핑수단(200a), 제2 클램핑수단(200b), 제1 조명수단(244) 및 제2 조명수단(254) 등에 동력을 전달하는 동력전달부(120), 전술한 각 구성부들을 제어하는 제어부(160), 제1 및 제2 조명수단(244, 254)을 통해 가죽(G)에 조사되는 검사광의 정보와 영상획득수단(270)을 통해 획득된 가죽 영상 정보를 이용하여 미세 불량을 검출하는 불량검출부(300), 검출된 불량 영역을 표시하는 디스플레이부(180)를 포함한다.

제1 및 제2 클램핑수단(200a, 200b)의 각각에는 제1 및 제2 롤러부(201, 204), 클램핑부(202) 및 클램핑가이드부(203)가 더 포함될 수 있다. 또한, 제1 내지 제3 리프트수단(210, 220, 230)은 스테이지(250)를 지지하면서 전술한 바와 같이, 복수개로 분할된 블록(B)들 또는 그룹블록(GB)들 단위로 스테이지(250)를 움직이도록 한다. 제1 리프트수단(210)은 제1 리프트부(210a)와 제1 리프트부(210a)와 스테이지(250) 사이에 배치된 제1 리프트조절부(210b)를 포함하고, 제2 리프트수단(220)은 제2 리프트부(220a)와 제2 리프트부(220a)와 스테이지(250) 사이에 배치된 제2 리프트조절부(220b)를 포함하며, 제3 리프트수단(230)은 제3 리프트부(230a)와 제3 리프트부(230a)와 스테이지(250) 사이에 배치된 제3 리프트조절부(230b)를 포함한다.

본 발명의 실시예에 따른 딥러닝 모델을 이용한 가죽 검사시스템(100)은 스테이지(250)를 복수의 블록(B: Block)으로 분리하고, 각 블록(B)들을 개별적으로 또는 소정의 블록(B) 개수로 구성된 블록 그룹(BG)으로 구분한 후 각각 개별적으로 상하 및 틸트 동작을 할 수 있도록 하였다. 따라서, 스테이지(250)에 위치한 가죽(G)은 다양한 형태로 변형된 상태에서 미세 불량 검사를 진행할 수 있다.

또한, 본 발명의 실시예에 따른 딥러닝 모델을 이용한 가죽 검사시스템(100)은, 스테이지(250) 양측에 배치된 제1 및 제2 클램핑수단(200a, 200b)을 이용하여 가죽(G)을 스테이지(250) 외측 방향으로 확장하여 가죽(G) 표면에 소정의 텐션을 형성할 수 있다.

가죽(G)에 텐션이 형성되면 미세한 이염이나 천공들의 불량 크기가 확대되어 용이하게 가죽에 존재하는 미세 불량을 검사할 수 있다. 또한, 동물의 핏줄에 의해 발생된 미세 불량도 보다 선명하게 나타난다.

또한, 본 발명의 실시예에 따른 딥러닝 모델을 이용한 가죽 검사시스템(100)은, 스테이지(250)에 배치된 에어노즐(미도시)을 통하여 에어를 가죽(G)에 분사함으로써 가죽(G) 표면에 곡면 영역을 형성하여 미세 불량을 검사할 수 있다.

또한, 본 발명의 실시예에 따른 딥러닝 모델을 이용한 가죽 검사시스템(100)은, 스테이지(250) 상에 롤링수단(미도시)을 배치하여 가죽(G)의 표면에 경사면을 형성하여 미세 불량을 검사할 수 있다.

또한, 본 발명의 실시예에 따른 딥러닝 모델을 이용한 가죽 검사시스템(100)은, 제1 및 제2 클램핑수단(200a, 200b)에 배치된 제1 및 제2 롤러부(201, 204)를 이용하여 스테이지(250) 상에 배치된 가죽(G)을 플랫 상태로 형성하여 미세 불량을 검사할 수 있다.

특히, 본 발명의 딥러닝 모델을 이용한 가죽 검사시스템(100)은, 전술한 바와 같이, 가죽(G)에 대해 다양한 물리적 변형을 가한 상태에서 검사광을 가죽(G) 표면에 조사한 후, 그 반사광에 포함된 가죽(G) 영상을 획득하여 딥러닝 학습 기반 하에서 미세 불량을 검출한다.

본 발명의 가죽 검사시스템(100)에서 가죽(G)을 물리적인 변형을 가하는 공정(텐션 공정, 곡면 형성 공정, 플랫 공정 및 롤링 공정)을 진행하면서 검사를 진행하거나 물리적 변형 없이 검사를 진행할 수 있다. 여기서는 가죽(G)에 대한 물리적인 변형에 상관없이 검사광은 가죽(G) 표면에 조사된 후 반사되기 때문에 가죽(G)의 상태에 관계없이 모두 적용가능하다는 것을 전제로 설명한다.

또한, 본 발명의 가죽 검사시스템(100)은 딥러닝 모델을 이용하여 가죽에 존재하는 미세 불량을 검사할 수 있다. 예를 들어, 영상획득수단(270)을 통해 획득된 가죽 영상을 이미지들로 변환한 후, 불량검출부(300)와 디스플레이부(180)를 통해 미세 불량을 검출하고 디스플레이할 수 있다. 딥러닝 모델을 이용하여 미세 불량을 검출하는 불량검출부(300)의 동작은 아래에서 보다 상세히 설명한다.

상기 디스플레이부(180)는, 액정 디스플레이(Liquid Crystal Display, LCD), 박막 트랜지스터 액정 디스플레이(Thin Film Transistor-Liquid Crystal Display, TFT LCD), 유기 발광 다이오드(Organic Light-Emitting Diode, OLED), 플렉시블 디스플레이(Flexible Display), 3차원 디스플레이(3D Display) 중에서 적어도 하나를 포함할 수 있다.

특히, 디스플레이부(180)는 불량검출부(300)에서 검출된 미세 불량을 가죽 영상과 함께 3차원 영상으로 표시할 수 있다.

이와 같이, 본 발명의 딥러닝 모델을 이용한 가죽 검사시스템은, 가죽을 양측에서 잡아당기는 텐션 공정, 가죽의 특정 영역에 곡면을 형성하는 공정, 가죽을 평평하게 하는 플랫 공정 및 가죽 표면에 완만한 경사를 형성하는 롤링 공정을 하나의 검사장치에서 수행할 수 있도록 한 효과가 있다.

도 2는 본 발명의 실시예에 따른 딥러닝 모델을 이용한 가죽 검사시스템에서 가죽(G) 영상을 획득하는 모습을 도시한 도면이다. 도 3은 본 발명의 실시예에 따른 불량검출부의 블록도이다. 도 4는 본 발명의 실시예에 따른 딥러닝 모델을 이용한 가죽 검사시스템의 조명수단에서 조사되는 편광된 검사광을 설명하기 위한 도면이다. 도 5는 본 발명의 실시예에 따른 딥러닝 모델을 이용한 가죽 검사시스템의 영상획득수단을 통해 가죽(G) 영상을 획득하는 모습을 도시한 도면이다. 도 6은 본 발명의 실시예에 따른 딥러닝 모델을 이용한 가죽 검사시스템에서 편광된 검사광이 가죽(G)에 조사된 후 반사되는 모습을 도시한 도면이다.

도 1과 함께 도 2 내지 도 6을 참조하면, 본 발명의 딥러닝 모델을 이용한 가죽 검사시스템(100)은 가죽(G)의 미세 불량 검사를 진행할 때, 편광된 검사광을 사용할 수 있다.

즉, 제1 및 제2 조명수단(244, 254)에 다양한 방향으로 편광될 수 있는 편광필름을 배치하여 소정의 방향으로 편광된 검사광을 가죽(G)에 조사하고 그 반사광에 의해 획득된 가죽(G) 영상을 기반으로 가죽(G)에 존재하는 미세 불량을 검출한다. 도 2에서는 조명지지대(234)에 배치된 제1 조명수단(244)을 중심으로 설명하지만, 제2 조명수단(254)에도 동일하게 적용될 수 있다.

제1 조명수단(244)은 가죽(G)의 상측 영역 또는 가장자리 측면 영역에서 검사광(TL)을 조사할 수 있다. 본 발명의 실시예에 따른 가죽 검사시스템(100)은 가죽(G)에 존재하는 미세 불량을 검사하기 위해 편광된 검사광(TL)을 조사하고 반사광(RL)을 포함하는 가죽(G)의 표면 영상을 분석하여 미세 불량을 검출할 수 있다.

또한, 편광된 검사광(TL)이 가죽(G) 표면에서 반사되면 반사광(RL) 역시 동일한 편광된 광이기 때문에 본 발명의 실시예에서는 영상획득수단(270)에 편광필름을 배치하여 편광된 반사광으로된 가죽 영상을 획득하거나 편광된 반사광과 외부의 광이 함께 반사된 혼합된 반사광으로된 가죽 영상을 획득하거나 편광된 반사광을 다른 방향으로 재편광시켜 가죽 영상을 획득하여 가죽에 존재하는 미세 불량을 검사할 수 있다.

또한, 영상획득수단(270)은 팬(Pan), 틸트(Tilt) 및 줌(Zoom) 동작 중 적어도 하나를 수행할 수 있다. 따라서, 영상획득수단(270)은 가죽(G) 표면을 중심으로 전체 촬영 또는 근접 촬영 및 소정의 경사 방향으로 촬영을 하여 가죽(G) 영상을 획득할 수 있다. 특히, 본 발명에서는 영상획득수단(270)에 가죽(G) 표면에서 반사된 편광된 반사광을 선택적으로 수광할 수 있도록 편광필름이 배치될 수 있다. 따라서, 본 발명의 영상획득수단(270)은 편광된 검사광의 반사광 중 편광된 반사광에 의한 가죽(G) 영상, 편광된 반사광과 스테이지(250) 외부에서 조사되는 외부광원이 포함된 반사광에 의한 가죽(G) 영상, 편광된 반사광을 다시 편광시키는 형태로 가죽(G) 영상을 획득하여 미세 불량을 추출할 수 있다.

도 3을 참조하면, 본 발명의 실시예에 따른 딥러닝을 이용한 가죽 검사시스템(100)은 전술한 바와 같이, 영상획득수단(270)을 통해 획득한 가죽(G) 영상을 토대로 미세 불량을 검출하는 불량검출부(300)를 포함한다. 불량검출부(300)는 제어부(160)와 일체로 형성되거나 제어부(160) 내에 배치되거나 외측에 배치될 수 있다.

불량검출부(300)는 가죽(G)의 형태나 크기 및 재질 등을 인식할 수 있는 가죽 인식부(301), 검사광정보부(302), 저장부(303), 딥러닝 모델(304) 및 불량위치인식부(305)를 포함할 수 있다.

가죽인식부(301)는 영상획득수단(270)이 획득한 영상을 기반으로 스테이지(250) 상에 배치된 가죽(G)을 인식한다. 가죽인식부(301)는 획득한 영상으로부터 특징 벡터를 이용하여 분석할 수 있다. 예를 들어, 가죽인식부(301)는 SIFT(Scale-Invariant Feature Transform), SURF(Speeded Up Robust Features), Adaboost, BMA(Block Matching Algorithm), HOG(Histogram of Oriented Gradients), Haar-like features 및 Gabor Wavelet(filter) 중 어느 하나를 이용할 수 있다. SIFT 알고리즘은 영상의 특징벡터를 추출하는 대표적인 알고리즘으로서, 이미지 회전, 스케일링, 이동, 부분 조명 변화 및 투영변환(projective transform)에 불변인 특성을 지니고 있다. SIFT 알고리즘은 로컬 이미지의 특성을 고려하여 특징의 위치, 스케일 및 방향 등의 속성을 추출할 수 있다.

검사광정보부(302)는 조명수단에 탑재된 제1 편광필름 정보와 영상획득수단(270)에 탑재된 제2 편광필름 정보를 제공한다. 예를 들어, 제1 편광필름과 제2 편광필름이 우원편광필름인지 좌원편광필름인지와 위상지연편광필름인지 등의 정보를 제공한다. 이와 같이, 검사광정보부(302)에서 제공되는 검사광 정보를 기초로 하여 검사광의 광량이 조절될 수 있다.

저장부(303)는 미리 저장된 가죽에 대한 미세 불량 이미지 정보와 현재 검사를 진행하고 있는 가죽(G)에서 검출된 미세 불량 이미지 또는 정상으로 판단된 이미지 정보가 저장된다. 예를 들어, 딥러닝 모델을 통한 학습 데이터용 이미지인 경우에는 미세 불량이 존재하는 가죽(G)에 대한 이미지들을 각각 400*400으로 분할하여 24개의 작은 이미지들로 나누어 여러 개의 이미지 패치(image patch)로 저장될 수 있다.

저장부(303)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM (Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 저장부(303)는 인터넷(internet) 상에서 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다.

딥러닝 모델(304)은 전술한 SIFT(Scale-Invariant Feature Transform), SURF(Speeded Up Robust Features), Adaboost, BMA(Block Matching Algorithm), HOG(Histogram of Oriented Gradients), Haar-like features 및 Gabor Wavelet(filter) 알고리즘에 의해 획득된 가죽(G) 영상으로부터 특징벡터를 추출하고 저장부(303)에 저장된 학습 데이터와 비교 작업을 진행한다.

예를 들어, 촬영된 가죽(G) 영상으로부터 수직 및 수평 가장자리 정보를 이용하여 검사를 진행하는 가죽(G) 영역을 검출하고, 스캔 데이터 분석에 의해 가죽(G) 영역 내에서 미세 불량 영역을 검출한다. 이때 미세 불량 영역은 스캔 데이터 분석에 의한 가죽(G) 표면 분석과 함께 저장부(303)에 저장된 학습 데이터를 비교하는 방식으로 적용될 수 있다.

특히, 본 발명의 딥러닝 모델을 이용한 가죽 검사시스템(100)은 검사광을 다양한 방향으로 편광시킨 광을 이용하여 검사를 진행하기 때문에 저장부(303)에 저장된 학습 데이터(미세 불량 이미지)도 편광된 검사광을 이용하여 미세 불량이 확인된 가죽(G) 이미지들을 포함한다.

예를 들어, 본 발명의 딥러닝을 이용한 가죽 검사시스템(100)은 현재 획득된 가죽(G) 영상이 좌원편광된 검사광을 조사하였다면 저장부(303)에서는 학습 데이터 중 좌원편광된 검사광을 이용한 미세 불량 이미지를 이미지 패치로부터 제공하여 획득된 가죽(G) 영상 이미지와 비교할 수 있다.

이때, 딥러닝 모델(304)은 학습 데이터를 이용하여 가죽(G) 내에 미세 불량을 검출한 후 미세 조정(Fine Tuning)을 진행하여 검사자가 디스플레이부(108) 상에서 2차원 또는 3차원 영상으로 인식할 수 있도록 한다. 전술한 바와 같이, 본 발명의 가죽 검사시스템(100)은 특정 편광된 검사광을 가죽(G)에 조사한 후, 이의 반사광으로부터 가죽(G)에 존재하는 미세 불량을 검출하기 때문에 시스템적으로는 인식이 가능하더라도 검사자의 육안으로 확인이 어려울 수 있기 때문에 검출된 미세 불량 영역을 영상으로 확인할 수 있도록 조절할 필요가 있다.

불량위치인식부(305)는 딥러닝 모델(304)에서 검출된 미세 불량의 위치와 위치 영역을 획득된 가죽(G) 영상에서 표시할 수 있다. 예를 들어 미세 불량의 위치 영역을 손쉽게 확인할 수 있도록 검출된 미세 불량이 존재하는 영역 또는 미세 불량의 가장자리 경계에 특정 패턴을 형성하는 방식으로 표시할 수 있다.

도 4 내지 도 6을 참조하면, 본 발명의 실시예에 따른 딥러닝을 이용한 가죽 검사시스템(100)은 조명수단에 편광필름을 선택적으로 배치하여 편광되지 않은 광(수직 및 수평 성분을 모두 포함하는 광) 또는 편광된 광을 검사광으로 사용하여 가죽(G) 검사를 진행할 수 있다.

도면에 도시된 바와 같이, 제1 및 제2 조명수단(244, 254)은 각각 광원(262), 광가이드(261) 및 제1 편광필름(263)을 포함할 수 있다. 광원(262)은 화이트광원 또는 화이트광원에 난반사량을 조절하기 위해 블루광원이 조합된 광원일 수 있다. 광원(262)에서 출사되는 광은 편광되지 않은 광, 즉 모든 방향의 광축을 포함하는 광이다.

광원(262)에서 출사된 광은 광가이드(261)로 수렴된 후 가죽(G) 검사를 위해 스테이지(250) 방향으로 조사되는데, 본 발명의 딥러닝 모델을 이용한 가죽 검사시스템(100)은 조명수단에 제1 편광필름(263)을 배치하여 편광된 검사광을 이용하여 가죽(G) 검사를 진행한다.

도 4에 도시된 바와 같이, 광원(262)으로부터 출사된 편광되지 않은 광은 제1 편광필름(263)을 통과하면서 좌(원)편광 또는 우(원)편광 형태로 변환된다. 제1 편광필름(263)의 종류에 따라 광원(262)에서 조사되는 1차 광(P1)의 위상이 느려지거나 빨라지면서 편광이 형성된다.

도 6을 참조하면, 광원(262)에서 출사되는 1차 광(P1)은 수직 및 수평 성분이 모두 존재하는 편광되지 않은 광이지만 광가이드(261)를 통과하면서 제1 편광필름(263)에 의해 특정 방향의 성분반 존재하는 광으로 편광된다. 이와 같이, 편광된 검사광(P2)은 가죽(G) 표면에 조사되는데, 가죽(G) 표면에서 반사되는 반사광(P3)은 위상이 변하지 않고 방향만 변하기 때문에 가죽(G) 영상을 포함하는 반사광(P3)은 편광된 광이 된다.

또한, 영상획득수단(270)은 편광된 반사광(P3)으로부터 가죽(G) 영상을 획득할 수 있기 때문에 편광된 반사광(P3)을 통과할 수 있는 편광필름을 사용해야 한다. 따라서, 영상획득수단(270)에 배치되는 제2 편광필름(273)은 제1 편광필름(263)과 동일한 방향의 편광축을 갖는 필름을 사용한다.

만약, 제1 편광필름(263)의 편광축과 수직한 편광축을 제2 편광필름(273)으로 사용하면 반사광(P3)이 제2 편광필름(273)에서 모두 차단되어 가죽(G) 영상을 획득할 수 없다.

하지만, 본 발명의 실시예에 따른 딥러닝을 이용한 가죽 검사시스템(100)은 영상획득수단(270)에 배치되는 제2 편광필름(273)의 편광축을 제1 편광필름(263)의 편광축과 수직하지 않은 범위의 다른 편광축을 갖는 편광필름을 선택적으로 사용하여 가죽(G) 영상을 획득할 수 있다.

보다 구체적으로 영상획득수단(270)은 편광된 검사광(P2)의 반사광(P3)으로부터 가죽(G) 영상을 획득하기 위해 조명수단에 배치되는 제1 편광필름(263)과 동일한 편광축을 갖는 편광필름을 사용할 수 있다.

하지만, 본 발명에서는 영상획득수단(270)에 배치되는 제2 편광필름(273)의 편광축이 제1 편광필름(263)의 편광축과 수직하지 않지만 다른 편광축을 갖는 편광필름을 사용하여 반사광(P3)을 다시 편광시켜 가죽(G) 영상을 획득할 수 있다.

이와 같이, 본 발명의 실시예에 따른 가죽 검사시스템(100)은 검사광을 종래 기술에서와 다르게 다양한 방향으로 편광된 광을 사용함으로써 가죽(G)에 존재하는 미세 불량을 보다 용이하게 검출할 수 있도록 하였다.

도 7은 본 발명의 실시예에 따른 딥러닝 모델을 이용한 가죽 검사시스템의 불량판별부의 구조를 도시한 도면이다. 도 8은 도 7의 딥러닝 모델 학습부의 구조를 도시한 블록도이다. 도 9는 종래 기술에 따라 가죽에 존재하는 미세 불량이 제품에 나타나는 모습을 설명하기 위한 도면이다. 도 10은 본 발명의 실시예에 따른 딥러닝 모델을 이용한 가죽 검사시스템에 의해 검사가 진행되는 가죽을 설명하기 위한 도면이다. 도 11은 본 발명의 실시예에 따른 딥러닝 모델을 이용한 가죽 검사시스템에서 검사광의 편광 종류에 따라 검출된 불량이미지를 도시한 도면이다. 도 12는 본 발명의 실시예에 다른 딥러닝 모델을 이용한 가죽 검사시스템을 이용한 가죽 검사방법을 설명하기 위한 플로차트이다.

도 1 내지 도 3과 함께 도 7 및 도 8을 참조하면, 본 발명의 실시예에 따른 딥러닝 모델을 이용한 가죽 검사시스템(100)은, 가죽(G)에 다양한 방향으로 편광된 검사광을 조사한 후, 반사된 광으로부터 가죽(G) 영상을 획득한 후 딥러닝 모델을 이용하여 미세 불량을 검출한다.

이를 위해 본 발명의 가죽 시스템(100)은, 가죽(G)의 미세 불량을 검출하기 위한 딥러닝을 진행하는 불량검출부(300)를 포함한다. 불량검출부(300)를 구성하는 딥러닝 모델(304)은 제1 내지 제3 영상입력부(IP1, IP2, IP3)와 제1 내지 제3 영상입력부(IP1, IP2, IP3)로부터 입력되는 가죽(G) 영상을 기초로 하여 저장부(303)에 저장된 학습 데이터를 이용하여 미세 불량에 대한 딥러닝을 진행하는 판별부(350)와, 판별부(350)로부터 검출된 미세 불량이 검사자의 육안으로 확인할 수 있도록 하는 튜닝부(351)를 포함한다.

또한, 판별부(350)는 입력된 가죽(G) 영상을 저장부(303)에 저장된 이미지 패치와 대응되도록 분할하는 제1 내지 제3 영상분할부(361a, 361b, 361c)와, 제1 내지 제3 영상분할부(361a, 361b, 361c)에서 분할된 영상과 저장부(303)에서 제공된 이미지와의 비교를 위한 제1 내지 제3 비교부(362a, 362b, 362c)와, 제1 내지 제3 비교부(362a, 362b, 362c)에서 출력되는 이미지들을 결합하는 결합부(363)와, 제1 내지 제3 비교부(362a, 362b, 362c) 및 결합부(363)에서 생성된 이미지에서 미세 불량 여부를 최종 판단하는 결정부(364)를 포함한다.

전술한 바와 같이, 영상획득수단(270)은 검사 가죽(G)에 조사되는 검사광에 따라 다양한 형태의 가죽(G) 영상을 획득할 수 있다. 특히, 본 발명의 실시예에 따른 딥러닝을 이용한 가죽 검사시스템(100)은 다양한 방향으로 편광된 광을 검사광으로 사용하고 사용되는 편광필름에 대한 정보는 검사광정보부(302)를 통해 제공된다.

따라서, 가죽 인식부(301)에서 인식된 가죽(G) 영상들은 검사광정보부(302)의 검사정보에 대응하여 라벨링된 후 제1 내지 제3 영상입력부(IP1, IP2, IP3)에 제공될 수 있다. 따라서, 제1 내지 제3 영상입력부(IP1, IP2, IP3)에 입력되는 가죽(G) 영상은 각각 서로 다른 검사광에 의해 획득된 가죽(G) 영상일 수 있다.

제1 내지 제3 영상입력부(IP1, IP2, IP3)를 통해 입력된 가죽(G) 영상들은 판별부(350)에 제공되고 저장부(303)에 저장된 학습 데이터(이미지 패치)를 이용하여 미세 불량 검출을 위한 딥러닝이 진행된다. 딥러닝을 통해 획득된 가죽(G) 영상으로부터 미세 불량이 추출되면 튜닝부(351)에서 미세 조정을 거친 후 불량위치인식부(305)에 제공된다.

판별부(350)는 제1 내지 제3 영상분할부(361a, 361b, 361c)를 이용하여 입력된 가죽(G) 영상을 분할한다. 즉, 학습 데이터가 저장된 저장부(303)의 이미지와 대응되도록 영상을 분할한다. 따라서, 본 발명의 가죽 검사시스템(100)은 저장부(303)의 이미지 패치에 기 저장된 학습 이미지들과 획득된 가죽(G) 영상들을 쉽게 비교할 수 있도록 하였다.

도면에 도시된 바와 같이, 본 발명의 가죽 검사시스템(100)은 제1 내지 제3 영상분할부(361a, 361b, 361c)에서 분할된 가죽(G) 영상들을 제1 내지 제3 비교부(362a, 362b, 362c)에서 저장부(303)로부터 제공되는 미세 불량 이미지들과 비교한다.

전술한 바와 같이, 제1 영상분할부(361a)에서 분할된 영상들이 제1 편광된 검사광으로 획득한 영상일 경우, 저장부(303)로부터 제1 편광된 검사광에 의해 미세 불량으로 확인된 이미지가 제공되어 제1 비교부(362a)에서 가죽(G)의 미세 불량을 검출한다.

제2 및 제3 영상분할부(361b, 361c)와 제2 및 제3 비교부(362b, 362c)에서도 동일한 방식으로 제2 및 제3 편광된 검사광으로 획득한 가죽(G) 영상에 대해 미세 불량을 검출한다.

또한, 본 발명의 실시예에 따른 가죽 검사시스템(100)은, 제1 내지 제3 비교부(362a, 362b, 362c)에서 출력되는 영상을 선택적으로 결합하는 결합부(363)를 배치할 수 있다. 예를 들어, 특정 편광된 광을 검사광으로 사용하여 가죽(G)에 조사한 경우, 가죽(G)에 존재하는 미세 불량이 검출되거나 검출되지 않을 수 있다. 또한, 가죽(G)에 존재하는 미세 불량이 각각의 편광된 광에 대해 선명하게 검출되지 않는 경우, 동일한 미세 불량에 대해 서로 다른 편광된 광으로 검사한 이미지를 결합하면 미세 불량이 보다 선명하게 검출될 수 있다.

결정부(364)는 제1 내지 제3 비교부(362a, 362b, 362c) 및 결합부(363)로부터 미세 불량으로 판단된 가죽(G) 영상이 제공될 경우, 기 설정된 기준 범위에서 최종적으로 미세 불량 여부를 판단한다. 기 설정된 기준은 미세 불량으로 판단된 가죽(G) 영상에 대해 미세 불량 영역과 미세 불량이 아닌 영역의 픽셀들에 대한 휘도 차이로 판단될 수 있다.

도 9 및 도 10을 참조하면, 차량용 핸들에는 천연 소 가죽을 여러 조각 분리한 후 감싸기 공정을 진행한다. 핸들(HD)에 폴리우레탄 공정(PU)이 완료되면 조각으로 패터닝된 가죽들(X1, X2, X3, X4)을 핸들(HD)에 부착한다. 패터닝된 가죽들(X1, X2, X3, X4)에 접착제를 바른 후 핸들을 감싸도록 부착한 후, 수봉(바느질) 잡업을 한다. 따라서, 패터닝된 가죽들(X1, X2, X3, X4)은 핸들(HD)에 부착될 때 소정의 텐션을 유지하며 핸들(HD) 표면에 부착된다.

이와 같이, 핸들(HD)에 가죽이 부착되면 검사자의 육안으로 식별되지 않은 이염, 천공 및 스크레치 불량이 나타난다. 또한, 동물의 핏줄 자국에 의한 미세 불량은 핸들(HD) 표면에 가죽이 부착된 후, 핸들(HD)과 주기적으로 접촉하는 운전자의 손(촉감)에 의해 미세 불량이 인식될 수 있다. 하지만, 종래 가죽 검사장치 또는 검사방법은 위에서 설명한 검사자의 육안으로 확인할 수 없는 미세 불량은 검사를 할 수 없었다.

특히, 운전자의 손으로 감지되는 동물 핏줄에 의한 미세 불량은 제품 제작을 완료한 후에 인식되는 경우가 대부분이어서 제품에서 가죽을 다시 분리하거나 제품 자체를 폐기해야 하는 문제가 있었다.

도 10을 참조하면, 본 발명의 실시예에 따른 딥러닝을 이용한 가죽 검사시스템(100)은, 동물의 천연가죽 중 풀 그레인 가죽, 탑 크레인 가죽 및 스플릿 그레인 가죽의 검사에 사용될 수 있다.

동물의 천연가죽은 도면에 도시된 바와 같이, 표피, 그레인(가죽), 진피 접합부, 진피 및 살로 구분된다. 이 중 가장 내구성이 강한 가죽은 풀 그레인 가죽으로써 샌딩, 버프 또는 결함 제거를 위한 다른 공정이 불필요한 가죽이다. 일반적으로 고품질의 신발이나 액세서리에 사용된다.

탑 그레인 가죽은 풀 그레인 가죽의 그레인(가죽) 영역 일부와 진피 접합부 및 일부 진피를 포함하는 영역의 가죽을 말한다. 풀 그레인 가죽과 달리 불량 제거를 위해 몇 밀리미터까지 샌딩 또는 버퍼 공정이 진행될 수 있다. 탑 그레인 가죽은 매우 유연하며 부드러워 다양한 내장재 제품에 사용된다.

스플릿 그레인 가죽은 풀 그레인 가죽과 탑 그레인 가죽을 생산하고 남은 영역의 가죽으로써 동물의 진피 영역의 가죽을 지칭한다. 일반적으로 가죽이라고 하면 스플릿 그레인 가죽을 의미한다.

특히, 본 발명의 딥러닝 모델을 이용한 가죽 검사시스템(100)은 탑 그레인 가죽에서 검사자의 육안으로 확인이 어려운 미세 불량을 검사하는 작업에 사용될 수 있다. 특히, 탑 그레인 가죽은 진피 접합부와 진피 일부를 포함하기 때문에 동물의 핏줄에 의한 미세 불량이 그루브(Groove) 형태로 가죽에 남아 있을 수 있다.

이러한 미세 불량은 전술한 바와 같이, 작업자의 육안으로 식별이 어렵거나 제품을 제작한 후 사용자의 다른 감각(촉감)에 의해 나타날 수 있다.

본 발명의 실시예에 따른 딥러닝 모델을 이용한 가죽 검사시스템(100)은 가죽(G) 검사를 진행할 때, 사용되는 조명수단에 다양한 형태의 편광된 광을 가죽(G)에 조사한 후 이와 대응되는 다양한 반사광으로부터 복수의 가죽(G) 영상을 획득하여 미세 불량을 검사한다.

따라서, 일반적으로 가죽(G) 검사를 진행할 때 자연광 또는 편광되지 않은 검사광을 사용할 때에는 나타나지 않던 미세 불량들에 대해 특정 방향으로 편광된 광을 조사하여 가죽(G)에 존재하는 미세 불량을 검출할 수 있다.

도 11에 도시된 바와 같이, (a) 자연광 또는 편광되지 않은 검사광을 가죽(G)에 조사하고 그 반사광으로부터 가죽(G) 영상을 획득한 경우 가죽(G)에 미세 불량이 존재하지만 나타나지 않는 것을 볼 수 있다.

하지만, 본 발명의 실시예에 따른 딥러닝 모델을 이용한 가죽 검사시스템(100)은 검사광을 다양한 편광된 광으로 변환한 후 검사를 진행하기 때문에 미세 불량을 검출할 수 있다.

(b)에 도시된 바와 같이, 특정 방향으로 편광된 광들을 검사광으로 사용하고 이에 대응하는 반사광으로부터 제1 내지 제3 가죽(G) 영상(I1, I2, I3)을 획득한 경우, 제1 내지 제3 가죽(G) 영상(I1, I2, I3)에 각각 미세 불량이 나타나는 것을 볼 수 있다.

도 12는 본 발명의 실시예에 따른 딥러닝 모델을 이용한 가죽 검사방법을 나타낸 것으로서, 전술한 바와 같이 가죽 검사장치의 스테이지(250)에 가죽(G)을 로딩하는 단계(S1101); 스테이지에 로딩된 가죽(G)에 편광된 검사광을 조사하는 단계(S1102); 편광된 검사광별 반사광으로부터 가죽(G) 영상을 획득하는 단계(S1103); 획득된 가죽(G) 영상들에 대해 미세 불량 검출을 위한 딥러닝을 진행하는 단계(S1104); 검출된 미세 불량을 미세 조정하고 미세 불량의 위치를 표시하는 단계(S1105); 및 검출된 미세 불량이 포함된 가죽(G) 영상을 디스플레이부에 표시하는 단계(S1106)를 포함한다.

이상 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.

본 발명에서 설명하는 특정 실행들은 일 실시 예들로서, 어떠한 방법으로도 본 발명의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, “필수적인”, “중요하게” 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.

또한 설명한 본 발명의 상세한 설명에서는 본 발명의 바람직한 실시 예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자 또는 해당 기술분야에 통상의 지식을 갖는 자라면 후술할 특허청구범위에 기재된 본 발명의 사상 및 기술 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 기술적 범위는 명세서의 상세한 설명에 기재된 내용으로 한정되는 것이 아니라 특허청구범위에 의해 정하여져야만 할 것이다.

100: 가죽 검사시스템
160: 제어부
180: 디스플레이부
263: 제1 편광필름
273: 제2 편광필름
300: 불량검출부
301: 가죽인식부
302: 검사광정보부
303: 저장부
304: 딥러닝 모델
305: 불량위치인식부
350: 판별부
351: 튜닝부
361a: 제1 영상분할부
361b: 제2 영상분할부
361c: 제3 영상분할부
362a: 제1 비교부
362b: 제2 비교부
362c: 제3 비교부
G: 가죽
HD: 핸들

Claims

가죽(G) 불량을 검사하기 위해 가죽(G)이 안착되는 복수의 블록들로 분할된 스테이지;
상기 가죽 표면에 검사광을 조사하는 조명수단;
상기 가죽 표면에 반사된 광으로부터 가죽 영상을 획득하는 영상획득수단; 및
상기 영상획득수단으로부터 획득된 가죽 영상을 토대로 딥러닝 모델을 이용하여 가죽 표면에 존재하는 미세 불량을 검출하는 불량검출부를 포함하고,
상기 조명수단에는 광원에서 조사되는 광을 편광으로 변환하여 가죽 표면에 조사하도록 하는 제1 편광필름을 구비하고, 상기 영상획득수단은 가죽 표면에 반사된 광을 수광하는 제2 편광필름을 구비하며,
상기 불량검출부는,
상기 가죽(G)의 형태와 크기 등을 인식하는 가죽인식부와,
상기 제1 편광필름에 의해 편광된 검사광 정보를 제공하는 검사광정보부와,
상기 딥러닝 모델을 통한 학습을 위해 가죽 불량에 대한 이미지 정보를 저장하는 저장부와,
상기 영상획득수단으로 획득된 가죽 영상을 이미지로 변환한 후, 상기 저장부에 저장된 이미지 정보와 비교하여 가죽에 존재하는 미세 불량 검출하는 딥러닝 모델과,
상기 딥러닝 모델을 통해 검출된 미세 불량의 위치를 계산한 후, 획득된 가죽 영상에 미세 불량 위치를 표시하는 불량위치인식부를 포함하고,
상기 딥러닝 모델은, 영상획득수단에 의해 획득된 가죽 영상을 상기 저장부에 저장된 이미지 정보와 대응되도록 분할하는 제1 내지 제3 영상분할부와, 상기 제1 내지 제3 영상분할부에서 분할된 영상 이미지와 상기 저장부의 가죽 이미지들과 비교하는 제1 내지 제3 비교부를 포함하는 가죽 검사시스템.
제1항에 있어서,
상기 딥러닝 모델은, 상기 제1 내지 제3 비교부를 통해 획득된 이미지들을 결합하여 가죽 이미지를 구현하는 결합부와,
상기 제1 내지 제3 비교부로부터 각각 출력되는 이미지와 상기 결합부의 이미지로부터 가죽의 미세 불량을 판단하는 결정부를 더 포함하는 가죽 검사시스템.
제1항에 있어서,
상기 조명수단에 배치된 광원은 화이트광원과 블루광원이 조합된 광원인 것을 특징으로 하는 가죽 검사시스템.
제1항에 있어서,
상기 저장부에 저장된 이미지 정보는 가죽에 대해 다양한 편광으로 조사한 후 획득된 이미지들을 포함하는 것을 특징으로 하는 가죽 검사시스템.
제1항에 있어서,
상기 제1 편광필름의 편광축과 제2 편광필름의 편광축은 같거나 서로 다른 것을 특징으로 하는 가죽 검사시스템.
제1항에 있어서,
상기 검사광정보부는 상기 광원에서 조사되는 광이 제1 편광필름에 의해 우원편광된 광인지 좌원편광된 광인지에 대한 정보를 제공하는 것을 특징으로 하는 가죽 검사시스템.
제1항에 있어서,
상기 가죽 검사시스템은, 상기 불량검출부에서 검출된 미세불량을 가죽(G) 영상과 함께 3차원으로 표시하는 디스플레이부를 더 포함하는 가죽 검사시스템.