KR102294899B1 - 딥 러닝을 이용한 ai 기반 자동차용 선루프의 결함 검사 시스템 및 그 방법 - Google Patents

딥 러닝을 이용한 ai 기반 자동차용 선루프의 결함 검사 시스템 및 그 방법 Download PDF

Info

Publication number
KR102294899B1
KR102294899B1 KR1020200062736A KR20200062736A KR102294899B1 KR 102294899 B1 KR102294899 B1 KR 102294899B1 KR 1020200062736 A KR1020200062736 A KR 1020200062736A KR 20200062736 A KR20200062736 A KR 20200062736A KR 102294899 B1 KR102294899 B1 KR 102294899B1
Authority
KR
South Korea
Prior art keywords
image
unit
inspection
deep learning
test object
Prior art date
Application number
KR1020200062736A
Other languages
English (en)
Inventor
김보성
Original Assignee
(주)티엘씨테크퍼스트
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 (주)티엘씨테크퍼스트 filed Critical (주)티엘씨테크퍼스트
Priority to KR1020200062736A priority Critical patent/KR102294899B1/ko
Application granted granted Critical
Publication of KR102294899B1 publication Critical patent/KR102294899B1/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
    • G01N21/8806—Specially adapted optical and illumination features
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/40—Concentrating samples
    • G01N1/4077—Concentrating samples by other techniques involving separation of suspended solids
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/958—Inspecting transparent materials or objects, e.g. windscreens
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N2021/0187—Mechanical sequence of operations
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N21/15—Preventing contamination of the components of the optical system or obstruction of the light path
    • G01N2021/151—Gas blown
    • 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
    • G01N2021/845—Objects on a conveyor
    • 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
    • G01N21/8806—Specially adapted optical and illumination features
    • G01N2021/8809—Adjustment for highlighting flaws
    • 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
    • G01N21/8806—Specially adapted optical and illumination features
    • G01N2021/8829—Shadow projection or structured background, e.g. for deflectometry
    • 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

Abstract

본 발명은 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 시스템 및 그 방법에 관한 것으로, 더욱 자세하게는 유리 또는 플라스틱으로 형성되는 제품에 빛을 조사하고, 반사된 제품의 이미지를 촬영 및 분석함을 통해 제품의 왜곡 또는 내외부의 파손을 검출하여 불량을 판정하는 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 시스템 및 그 방법에 관한 것이다.

Description

딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 시스템 및 그 방법{System and Method for Artificial Intelligence based Detecting Defect in Sunroof Using Deep Learning}
본 발명은 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 시스템 및 그 방법에 관한 것으로, 더욱 자세하게는 유리의 왜곡 또는 내외부의 파손을 촬영하고 딥 러닝 방식으로 분석하여 불량을 검출하는 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 시스템 및 그 방법에 관한 것이다.
자동차는 안전과 전천후 운행을 목적으로 하다 보니 주로 강도 높은 고장력 철판으로 제작되는 데 반해 또 다른 안전을 위해 실내 공간을 둘러 싼 사면은 철 소재와 대조를 이룰 만큼 약하지만 투명한 유리로 커버하고 있다.
커다란 투명 유리의 사용은 운전하는 사람에게 맑고 투명한 시야를 제공해야 하는 절대적 사항도 있지만, 탑승객에게 좀 더 편안하고 안락한 시야를 전달하는 의미도 함께 하는 데 있다.
양측 창유리에 이어 뒤 창문의 개폐 기능은 물론 아예 차량 천장 전반을 뚫어서 커다란 창유리 모양으로 덮은 파노라마 선루프가 인기를 끌고 있는데, 선루프에 사용되는 강화 처리된 유리는 일반유리와 비교해 4배 정도 강도를 높인 반면에 집중된 작은 포인트 타격에는 치명적인 아주 약한 취약성을 가지고 있다.
자동차용 선루프 생산공정에서 유리의 왜곡 또는 내부 금(Inner Crack)에 대한 검사는 자동차 제조 공정에서 반드시 필요한 공정 중의 하나로, 자동차 유리 제조사의 제품의 품질을 향상시키며, 내부 금이 미검출된 상태로 출하되었을 경우 파손으로 인하여 최종사용자에게 안전상의 위험 요소를 제거한다.
그러나 현재 선루프 제조사의 경우 유리 내부의 금 검사 방식으로는 잘 검출되지 않아, 많은 어려움을 겪고 있다.
이러한 불량이 발생하는 주요 원인은 주로 유리 제조 공정상의 제조 기계의 오작동, 작업자의 실수, 먼지나 분진에 의한 미세한 결점, 원자재의 불량 등 다양한 문제에 의해 발생하는 현상이다.
금(Crack)의 유무는 유리의 품질을 결정하는 가장 큰 요소이나, 금 검출에 상당한 인력과 시간이 소요되는 상황이므로, 이를 효율적으로 검출할 수 있는 자동화 검사장비가 필요한 실정이다.
자동차 유리 양산 라인 제조공정에서는 검사 담당자들이 유리 내부 금을 찾기 위해 목시검사를 하고 있으나, 이는 양품/불량품의 판정이 불확실한 실정이다.
이는 자동차용 유리 뿐 아니라 유리 산업 전반에서 상기의 문제점을 해결하기 위해, 현재 개발 중인 유리 내부 금의 검출 방법은 여러 형태로 개발이 진행되고 있으나, 아직 금의 크기(Crack Size)에 따른 판별 기준이 모호하여 불량을 검출하기 위해 지속적인 연구개발이 이어지고 있다.
따라서, 보다 정확하고 빠르게 금을 검출할 수 있으며, 현재의 목시검사 방법과 비교하여 공장 자동화의 구축이 가능한 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 시스템 및 그 방법의 개발이 필요한 실정이다.
KR 10-1019831 B1 (등록일 2011.02.25.) KR 10-1188404 B1 (등록일 2012.09.27.) KR 10-1707270 B1 (등록일 2017.02.09.)
본 발명은 상기한 종래의 문제점을 해결하기 위하여, 유리 또는 플라스틱과 같은 투명소재 또는 이로 형성된 제품인 검사물을 거치하고, 거치된 검사물에 빛을 조사하는, 빛을 받은 검사물의 형상을 거울에 비추고, 거울에 비춰진 의 검사물의 형상을 촬영하여 이미지 또는 영상을 저장하고, 저장된 이미지 또는 영상을 분석하여 크랙과 같은 결함이 존재하는지를 검사하는 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 시스템을 제공하는 것을 목적으로 한다.
또한, 검사가 진행되는 동안 검사물의 오염을 방지하기 위해 검사가 진행되는 공간을 격리하고, 공기 중의 먼지를 제거할 수 있는 검사실을 포함하는 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 시스템을 제공하는 것을 목적으로 한다.
또한, 인력의 소모를 최소화하고, 검사물을 생산하는 공정의 연장으로 시스템을 설치할 수 있도록, 검사물이 검사실을 출입하는 과정을 자동화한 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 시스템을 제공하는 것을 목적으로 한다.
또한, 본 시스템과 같은 형태인 외부의 시스템과 데이터를 공유하여 빅 데이터 시스템을 구축함으로써, 검사를 진행할수록 검사물의 이미지를 분석하는 딥 러닝 소프트웨어의 분석능력이 향상되는 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 시스템을 제공하는 것을 목적으로 한다.
또한, 본 시스템에서 검사물에 대한 검사가 진행되는 과정인 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 방법을 제공하는 것을 목적으로 한다.
상기한 본 발명의 목적을 실현하기 위한 본 발명인 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 시스템은, 유리 또는 플라스틱과 같은 투명소재 또는 이로 형성된 제품의 크랙과 같은 결함을 검사하는 결함 검사 시스템에 있어서, 유리 또는 플라스틱 소재의 검사물에 빛을 조사(照射)하는 조명부, 상기 조명부의 빛을 받은 검사물에서 반사된 빛을 받아 거울과 같이 상기 검사물의 상(像)을 나타내며, 거울 또는 거울과 같은 효과를 갖는 스크린으로 형성되는 반사부, 상기 반사부에 나타난 상기 검사물의 상의 이미지 또는 영상을 촬영하는 카메라로 구성된 촬상부, 상기 촬상부에서 촬영된 이미지 또는 영상을 분석하는 분석부를 포함하는 것을 특징으로 한다.
또한, 내부에 공간이 형성된 박스 또는 돔 형태의 시설물로 형성되며, 개방 또는 밀폐 상태를 선택하여 전환할 수 있는 검사실을 더 포함하고, 상기 검사실은 상기 조명부, 상기 반사부, 상기 촬상부가 내부에 위치하는 것을 특징으로 한다.
또한, 상기 검사실은, 문의 형태로 형성되며, 내부로 상기 검사물, 작업자 및 장비가 반출입되는 출입부, 상기 검사실의 내부 공기 중의 미세 이물질을 제거하는 공기정화부, 상기 검사실의 외부 일측에 형성되며, 상기 출입부로 반입되는 상기 검사물, 작업자 및 장비의 미세 이물질을 제거하는 전처리부를 포함하는 것을 특징으로 한다.
또한, 상기 검사실은, 상기 출입부는 입구와 출구로 구성되고, 가이드 레일 또는 컨베이어 벨트와 같은 형태로 형성되고, 외부로부터 시작되어 상기 입구를 통과하여 상기 출구 방향으로 물체를 운반하는 운반부, 상기 운반부가 가이드 레일의 형태로 형성되는 경우, 검사물을 거치하는 거치부를 더 포함하고, 가이드 레일로 형성된 상기 운반부는 상기 검사물이 거치된 상기 거치부를 탑재하여 상기 입구로부터 상기 출구까지 운반하는 것을 특징으로 한다.
또한, 상기 입구와 상기 출구는 각각 자동개폐장치를 더 포함하고, 상기 자동개폐장치는 물체를 감지하는 감지센서를 포함하고, 상기 감지센서는 상기 검사물을 감지하는 것을 특징으로 한다.
또한, 상기 조명부, 상기 촬상부, 상기 분석부, 상기 출입부 및 상기 운반부를 제어하는 제어부 를 더 포함하고, 상기 제어부는, 상기 감지센서에서 물체가 감지되지 않는 동안 상기 자동개폐장치를 폐쇄 상태로 유지하고, 상기 감지센서에서 물체가 감지되는 동안 상기 자동개폐장치를 개방 상태로 유지하는 것을 특징으로 한다.
또한, 상기 분석부는, 결함이 없는 양품인 상기 검사물의 표면 이미지 또는 영상이 내장되어 있으며, 상기 촬상부에 의해 획득된 이미지 또는 영상을 저장하는 저장장치, 상기 촬상부에 의해 획득된 이미지 또는 영상을 상기 저장장치에 내장된 양품인 상기 검사물의 표면 이미지 또는 영상과 비교하여 불량을 판정하며, 딥 러닝 방식으로 구동되는 소프트웨어를 포함하는 것을 특징으로 한다.
또한, 상기 분석부는, 외부의 검사 시스템과 데이터를 송수신할 수 있는 서버를 더 포함하고, 상기 서버는 외부에서 수신한 데이터를 저장하는 데이터베이스를 포함하고, 상기 촬상부에 의해 획득되어 상기 저장장치에 저장되는 이미지 또는 영상은 상기 데이터베이스에 또한 저장되고, 상기 소프트웨어는 상기 데이터베이스의 외부 데이터를 통해 딥 러닝 능력이 향상되는 것을 특징으로 한다.
또 다른 본 발명인 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 방법은, 유리 또는 플라스틱과 같은 투명소재 또는 이로 형성된 제품의 크랙과 같은 결함을 검사하는 결함 검사 방법에 있어서, 유리 또는 플라스틱과 같은 투명소재로 구성된 검사물을 거치대에 거치하는 단계, 거치대에 거치된 검사물에 빛을 조사하는 단계, 빛을 조사받은 검사물에서 반사된 빛이 거울 또는 거울과 같은 효과를 갖는 스크린에 도달하여 검사물의 상이 나타내어지는 단계, 스크린에 나타난 검사물의 상을 카메라로 촬영하여 이미지 또는 영상을 얻는 단계, 촬영된 검사물의 이미지 또는 영상을 대용량 데이터 저장장치에 저장하는 단계, 저장된 검사물의 이미지 또는 영상을 딥 러닝 방식으로 구동되는 소프트웨어를 통해 분석하고 불량을 판정하는 단계를 포함하는 것을 특징으로 한다.
또한, 상기 저장된 검사물의 이미지 또는 영상을 딥 러닝 방식으로 구동되는 소프트웨어를 통해 분석하고 불량을 판정하는 단계에 있어서, 상기 이미지 또는 영상을 분석하여 검사물이 불량으로 판정되었을 경우, 상기 검사물이 수리(修理) 가능한지를 판별하고, 수리 가능한 상태로 판별되면 상기 검사물의 수리를 진행하는 단계, 상기 이미지 또는 영상을 분석하여 검사물이 불량으로 판정되었을 경우, 수리 가능한지를 판별하고, 상기 검사물이 수리 불가능한 상태로 판별되면 상기 검사물의 폐기를 진행하는 단계, 상기 이미지 또는 영상을 분석하여 양품으로 판정된 검사물 또는 불량으로 판정된 후 수리를 거친 검사물의 후속 공정을 진행하여 제품으로 완성하는 단계를 포함하는 것을 특징으로 한다.
본 발명은 상기한 종래의 문제점을 해결하기 위하여, 유리 또는 플라스틱과 같은 투명소재 또는 이로 형성된 제품인 검사물을 거치하고, 거치된 검사물에 빛을 조사하는, 빛을 받은 검사물의 형상을 거울에 비추고, 거울에 비춰진 의 검사물의 형상을 촬영하여 이미지 또는 영상을 저장하고, 저장된 이미지 또는 영상을 분석하여 크랙과 같은 결함이 존재하는지를 검사하는 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 시스템을 제공하는 효과가 있다.
또한, 검사가 진행되는 동안 검사물의 오염을 방지하기 위해 검사가 진행되는 공간을 격리하고, 공기 중의 먼지를 제거할 수 있는 검사실을 포함하는 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 시스템을 제공하는 효과가 있다.
또한, 인력의 소모를 최소화하고, 검사물을 생산하는 공정의 연장으로 시스템을 설치할 수 있도록, 검사물이 검사실을 출입하는 과정을 자동화한 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 시스템을 제공하는 효과가 있다.
또한, 본 시스템과 같은 형태인 외부의 시스템과 데이터를 공유하여 빅 데이터 시스템을 구축함으로써, 검사를 진행할수록 검사물의 이미지를 분석하는 딥 러닝 소프트웨어의 분석능력이 향상되는 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 시스템을 제공하는 효과가 있다.
또한, 본 시스템에서 검사물에 대한 검사가 진행되는 과정인 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 방법을 제공하는 효과가 있다.
도1은 본 발명의 실시예에 따른 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 시스템을 개략적으로 나타낸 사시도이다.
도2는 검사실을 적용한 시스템의 일 실시예를 나타낸 투시도이다.
도3은 검사실을 적용한 시스템의 또 다른 일 실시예를 나타낸 투시도이다.
도4는 세로 920mm, 가로 900mm인 선루프의 실물 이미지이다.
도5a는 선루프의 크랙을 기존의 빛 투과 방식으로 분석하는 이미지이다.
도5b는 선루프의 크랙을 딥 러닝 방식의 소프트웨어로 분석한 이미지이다.
도5c는 선루프의 크랙을 머신 러닝 방식의 소프트웨어로 분석한 이미지이다.
도6은 본 발명의 실시예에 따른 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 시스템의 제어구조를 나타낸 블록 다이아그램이다.
도7은 또 다른 본 발명은 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 방법의 플로우차트이다.
먼저, 도면들은 개략적이고 축적에 맞게 도시되지 않았음을 일러둔다. 도면에 표시된 구조들의 비율은 도면에서의 명확성 및 편의를 위해 그 크기에 있어 과장되거나 감소되어 도시되었다. 그리고 둘 이상의 도면에 나타나는 동일한 구조물, 요소, 공정 또는 부품에는 동일한 참조 부호가 유사한 특징을 나타내기 위해 사용된다.
다음으로, 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 유리 또는 플라스틱과 같은 투명소재 또는 이로 형성된 제품의 크랙과 같은 결함을 검사하는 결함 검사 시스템에 관한 것으로, 구체적으로는 유리 또는 플라스틱으로 구성된 검사물(100)을 거치하는 거치부(1600), 거치된 검사물(100)에 빛을 조사(照射)하는 조명부(200), 상기 조명부(200)의 빛을 받은 검사물(100)에서 반사된 빛을 받아 거울과 같이 상기 검사물(100)의 상(像)을 나타내며, 거울 또는 거울과 같은 효과를 갖는 스크린으로 형성되는 반사부(300), 상기 반사부(300)에 나타난 상기 검사물(100)의 상의 이미지 또는 영상을 촬영하는 카메라로 구성된 촬상부(400), 상기 촬상부(400)에서 촬영된 이미지 또는 영상을 분석하는 분석부(500)로 구성되어 유리 또는 플라스틱 소재의 검사물(100)에서 결함을 검출하는 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 시스템에 관한 것으로서, 본 발명의 실시형태는 당업계 종사자 등에게 본 발명을 더욱 완전히 설명하기 위해서 제공되는 것이다.
그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
또한, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, '포함하다' 또는 '가지다' 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
또한 제1, 제2 등의 용어는 다양한 구성 요소들을 구분하여 설명하기 위해 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용되었음을 일러둔다.
본 발명에 대한 이해를 돕기 위해 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 시스템(10)을 도면과 함께 설명한다.
유리 또는 플라스틱 소재로 구성된 검사물(100)의 크랙과 같은 결함을 검사하기 위해선 명료하고 적확한 상기 검사물(100)의 이미지를 획득하여야 한다. 따라서 도1에 도시된 바와 같이, 상기 검사물(100)에 빛을 조사하는 조명부(200), 상기 조명부(200)에서 조사되어 상기 검사물(100)에 반사된 빛을 수용하여 상기 검사물(100)의 상을 나타내는 반사부(300), 상기 반사부(300)에 나타난 상기 검사물(100)의 상을 촬영하는 촬상부(400), 상기 촬상부(400)에서 획득한 이미지 또는 영상을 분석하는 분석부(500)를 포함하여 시스템을 구축하고, 상기 검사물(100)의 결함을 검출하여 양/불판정을 내린다.
도2에 도시된 바와 같이, 내부에 공간이 형성된 박스 또는 돔 형태의 시설물로 형성되며, 개방 또는 밀폐 상태를 선택하여 전환할 수 있는 검사실(1000)을 시스템에 더 포함하여 안전성을 높이고 검사의 변수를 줄일 수 있다.
상기 검사실(1000)은 상기 검사물(100)과 작업자 및 각종 검사장비가 출입하며 입구(1110)와 출구(1120)로 구성되는 출입부(1100), 상기 검사실(1000) 내부 공기의 이물질을 제거하는 공기정화부(1200), 상기 검사물(100)이 상기 출입부(1100)를 통과하기 전에 상기 검사물(100) 표면의 이물질을 제거하는 전처리부(1300)로 구성된다.
상기 조명부(200)의 광원은 핀홀조명장치를 통해 생성된다. 상기 핀홀조명장치의 내부에는 광원램프와 투영렌즈로 구성된다. 상기 광원램프는 백색을 띄며, 더욱 구체적으로는 색온도 6,500K이상인 것이 바람직하고, 발광면의 조도는 25,000LX(럭스, 빛의 조명도를 나타내는 단위) 내지 6,000,000LX인 것이 바람직하다. 상기 광원에서의 조도를 유지하기 위하여 핀홀 형태의 조명장치를 사용하는 것은 이해 가능한 것이다.
상기 투영렌즈는 상기 조명부(200)에서 조사되는 광원이 상기 검사물(100)의 검사 영역을 정확하게 향하도록 보조하며, 상기 검사 영역은 50°의 양/불량 판정이 가능하도록 설정된다. 상기 투영렌즈는 위의 조건에 준하여 특수비구면 렌즈로 특수 제작하여 사용한다.
상기 반사부(300)는 유리로 형성되는 거울을 사용한다. 상기 촬상부(400)가 무결성 데이터를 얻기 위해서는 상기 거울로 사용되는 유리가 정밀하게 검사되어 크랙과 같은 결함이 없는 것이 바람직하다.
또한 기존의 투과방식을 사용한 공정에서는 결함이 이미지 또는 영상에서 백색으로 출력되어 분석에 노이즈가 발생할 확률이 높았던 반면, 상기 반사부(300)를 사용하여 상기 검사물(100)의 이미지 또는 영상을 얻는 경우, 상기 촬상부(400)에서 결함이 흑색으로 출력되어 분석의 정확도가 향상된다. 머신 비전(Machine Vision)이 가장 잘 인식하는 색상이 흑색인 것은 잘 알려진 사실이므로 생략한다.
상기 촬상부(400)는 상기 반사부(300)의 표면 이미지 또는 영상을 획득하고 획득한 이미지를 상기 분석부(500)에 전송한다. 상기 촬상부(400)는 카메라로써 라인 스캔 카메라(Line Scan Camera)를 사용하는 것이 적합하다. 상기 라인 스캔 카메라는 10,000,000 내지 200,000,000 픽셀의 화질을 가지며, 상기 라인 스캔 카메라의 픽셀에 따라 0.5㎛ 내지 4.0㎛의 크랙을 상기 검사 영역 내에서 판별할 수 있다.
상기 공기정화부(1200)는, 상기 검사실(1000)의 내부를 1)입자상 물질의 진입을 방지(Preventing), 2)입자상 물질의 제거(Purging), 3)입자상 물질의 발생을 제지, 4)입자상 물질의 충돌 및 정체로부터 보호 및 5)출입하는 물질과 사람을 클리닝 하기 위한 장소와 같은 클린 룸의 다섯 가지 기본 개념인 5P의 조건을 충족할 수 있도록 상기 검사실(1000)의 내부 이물질을 제거하는 구성을 갖는다. 이를 위해 상기 공기정화부(1200)는 에어 필터(Air Filter), HEPA 필터(High Efficiency Particulate Air-Filter), ULPA 필터(Ultra Low Penetration Air-Filter) 중 어느 하나 이상의 필터를 포함하는 공기 정화 필터를 포함한다.
상기 전처리부(1300)는 압축된 공기를 분사하는 공기 분사기로 구성되며, 상기 입구(1110)에서 상기 검사실(1000)의 외부 방향으로 0.3m 내지 1.5m 이격된 위치의 상부에 설치되고, 상기 검사물(100)이 상기 검사실(1000) 내부로 반입되기 전(前)의 과정에서 이물질 제거 작업을 수행할 수 있다. 상기 공기 분사기는 일반적인 공기 압축기와 공기 분사 노즐로 구성된다.
상기 출입부(1100)는 상기 검사물(100)이 반입되는 상기 입구(1110)와 상기 검사물(100)이 반출되는 상기 출구(1120)를 포함한다. 상기 검사실(1000)의 상기 입구(1110), 상기 출구(1120) 및 상기 공기 정화기의 먼지 배출구를 제외한 부분은 밀폐 구조로 형성하여 외부의 공기가 내부로 유입되지 않도록 하는 것이 바람직하다.
상기 전처리부(1300)의 상기 공기 분사기에 의해 먼지가 제거된 상기 검사물(100)이 상기 입구(1110) 앞으로 운반되면, 상기 입구(1110) 상단에 설치된 감지센서(1131)에 의해 상기 검사물(100)이 감지되고, 자동개폐장치(1130)가 반응하여 상하 또는 좌우 슬라이딩으로 여닫아지는 상기 입구(1110)가 개방된다. 상기 검사실(1000) 내부로 상기 검사물(100)이 반입되면 상기 감지 센서에 반응되는 물체가 없게 되므로 다시 상기 입구는 닫히게 된다..
상기 출구(1120) 또한 상기 자동개폐장치(1130)와 상기 감지센서(1131)를 구비하고 있으며 상기 입구(1110)와 같은 원리로 동작한다. 상기 입구(1110)의 감지센서(1131)는 상기 검사실(1000)의 외부를 향하고 있으며 상기 출구(1120)의 감지센서(1131)는 상기 검사실(1000)의 내부를 향하고 있는 차이가 있다.
또한, 상기 검사실(1000)에 상기 검사물(100)을 자동으로 운반하여 반입하고 반출할 수 있는 운반부(1400)를 더 포함할 수 있다. 상기 운반부(1400)는 상기 촬상부(400)가 상기 검사물(100)의 표면 이미지를 촬영할 때, 정지된 상태의 상기 검사물(100)을 촬영하는 방식 또는 이동하는 상기 검사물(100)을 촬영하는 방식인지에 따라서, 멈춤 동작 없이 연속적으로 운행하는 방식 또는 상기 촬상부(400)의 촬영시간 동안 정지하는 방식 중 어느 하나로 결정되어 작동한다. 상기 운반부(1400)는 도2에 도시된 바와 같이 컨베이어 벨트로 구성됨이 가능하다. 상기 컨베이어 벨트는 벨트 컨베이어 또는 체인 컨베이어 중 어느 하나를 사용하는 것이 바람직하다.
또한 도3에 도시된 바와 같이, 상기 운반부(1400)를 가이드 레일과 같은 형태로 형성하여 상기 검사물(100)의 넓은 면을 측면으로 향하게 하면 상기 검사물(100)에 빛이 조사되는 방향을 상기 검사물(100)의 상부 방향이 아닌 측부 방향이 되도록 할 수 있다. 상기 운반부(1400)를 가이드 레일로 구성하면 기계의 동력을 통해 상기 검사물(100)을 자동으로 운반할 수 있을 뿐 아니라 인력을 통해 수동으로 상기 검사물(100)을 운반하는 것도 가능하다.
또한, 가이드 레일로 형성된 상기 운반부(1400)는 상기 검사물(100)을 고정할 수 있는 거치부(1600)를 더 포함한다. 상기 거치부(1600)는 상기 검사물(100)이 단단히 고정될 수 있도록, 상기 검사물(100)과 접촉하는 면에 고무 패킹이 형성되고, 집게와 같은 형태로 상기 운반부(1400)의 상부면에 형성되어 상기 검사물(100)을 고정한다. 상기 거치부(1600)의 집게 형태의 조여짐과 벌어짐의 동작은 자동 또는 수동으로 조작하는 것이 가능하도록 형성되는 것이 바람직하다.
도4에 도시된 것은 상기 검사물(100) 중 하나로 사용될 수 있는 자동차용 선루프로써, 자동차의 종류에 따라 가로와 세로의 길이가 0.9m 내지 1.5m로 형성되며, 선루프를 검사하는 검사 시스템을 설치하는 경우 대상으로 하는 선루프의 크기에 맞춰 상기 검사실(1000)을 구성하는 것이 바람직하다.
도5a에 도시된 것은 빛을 검사물(100)에 투과하여 작업자가 직접 결함을 판별하는 기존 방식의 검사 시스템이다.
도5b에 도시된 것은 상기 검사물(100)을 상기 조명부(200)를 통해 상기 반사부(300)에 비추어 상기 촬상부(400)로 상기 반사부에 나타난 상기 검사물(100)의 상을 얻고, 상기 분석부(500)를 통해 딥 러닝 방식의 소프트웨어(520)로 분석한 상기 선루프의 크랙 이미지이다.
도5c에 도시된 것은 상기 검사물(100)을 상기 조명부(200)를 통해 상기 반사부(300)에 비추어 상기 촬상부(400)로 상기 반사부에 나타난 상기 검사물(100)의 상을 얻고, 상기 분석부(500)를 통해 머신 러닝 방식의 소프트웨어(520)로 분석한 상기 선루프의 크랙 이미지이다.
본 발명에 사용된 인공지능은 두 종류로 머신 러닝(Machine Leaning)과 딥 러닝(Deep Leaning)을 사용하여 상기 검사물(100)의 결함을 분석·검출한다. 인공지능의 개념에서 가장 상위개념은 인공지능이며, 인공지능의 개념 내에 머신 러닝이 존재한다. 또 머신 러닝의 개념 내에 딥 러닝이 존재하다.
머신 러닝은 데이터를 수집하여 결과값을 예측하는 방식의 인공지능으로, 이해하기 쉬운 모델이며 조정이 필요 없이도 일정 이상의 성능을 보장하는 k-NN 모델, 학습 속도와 예측이 빠르며 큰 데이터와 희소한 데이터에도 오류없이 작동하고 수식을 통해 예측하는 것이 쉬운 선형 모델, 데이터의 특성이 몇 개 되지 않더라도 작동하며 저차원 또는 고차원의 데이터 모두 막힘없이 작동하는 커널 트릭(Kernel Trick) 모델 등이 있으며 이 외에도 많은 모델들이 각각의 장단점을 가지고 있다.
요약하면, 머신 러닝 방식은 데이터의 숫자가 적더라도 작업자 또는 연구자가 입력한 결과값을 도출하는 것이 용이하며, 모델별 특징을 이용하면 상기 커널 트릭 모델과 같은 경우 데이터의 숫자가 많을 때에도 작동이 느려지지 않고 분석을 실행하는 것이 가능하다.
머신 러닝의 한 종류인 딥 러닝은 인공 신경망에서 발전한 형태의 인공 지능으로, 뇌의 뉴런과 유사한 정보 입출력 계층을 활용해 데이터를 학습한다. 딥 러닝모델은 인공 신경망과 흡사한 구조로 지도학습을 수행하는 딥 빌리프 네트워크(Deep Belief Network, DBN), 하나의 히든레이어가 있는 신경망으로 입력값이 그대로 출력값이 되는 오토인코더(Autoencoder), 이미지 처리에 적합하며 입력값을 필터링 후 합성하여 곱하는 합성곱 레이어가 여러 계층으로 연결되어 특징을 추출하는 합성곱 신경망(Convolutional Neural Network, CNN) 모델 들이 있으며 이 외에도 모델들이 개발 또는 상용화되고 있다.
본 발명에 상기 머신 러닝과 상기 딥 러닝을 선택하는 과정은 시스템이 놓인 환경에 대한 고찰을 통해 이루어져야 한다. 본 발명에 상기 머신 러닝을 적용한 장점은 기준값을 설정하여 기준값 내 또는 기준값 밖을 통제함이 가능한 것이고, 단점은 상기 기준값에 의해 과검출이 일어날 수 있으며 결함 포인트가 일부 손실될 가능성이 있다는 점이다.
또한 본 발명에 상기 딥 러닝을 적용한 장점은 학습을 통해 더욱 정확하게 결함의 검출이 가능한 것이고, 단점은 학습량이 적을 경우 검출력이 떨어진다는 점이다.
상기와 같은 적용 결과를 종합하면, 결함 검출 데이터를 수집하는 과정인 시스템의 초기 구동에는 머신 러닝이 적합하며, 결함 검출 데이터가 충분히 수집된 후의 시스템 구동에는 딥 러닝이 적합하다는 해석이 가능하고, 이는 상기 머신 러닝과 상기 딥 러닝을 본 발명에 병행하여 적용하는 것이 최적이라는 결론을 도출할 수 있다.
본 발명은 시스템의 구성요소를 제어할 수 있는 제어부(1500)를 더 포함할 수 있으며, 상기 제어부(1500)는 도6에 도시된 바와 같이 본 시스템의 구성요소를 제어한다.
도6에 도시된 제어방법의 실시예로, 상기 제어부(1500)에 의해 상기 검사실(1000)은 상기 출입부(1100), 상기 운반부(1400), 상기 조명부(200), 상기 촬상부(400), 상기 분석부(500)가 연동하여 작동한다. 더욱 구체적으로는, 상기 검사물(100)이 상기 전치리부의 하부를 통과하여 상기 출입부(1100)의 상기 입구(1110) 근처에 위치하게 되면, 상기 제어부(1500)는 상기 감지센서(1131)에서 상기 검사물(100)이 감지되었다는 신호를 수신하고 상기 자동개폐장치(1130)에 개방 신호를 송신하여 상기 입구(1110)를 개방하게 된다. 이후 상기 검사물(100)이 상기 감지센서(1131)에서 감지되지 않을 정도의 거리로 상기 운반부(1400)를 통해 이동하면 상기 제어부(1500)는 상기 감지센서(1131)에서 상기 검사물(100)이 감지되지 않는다는 신호를 수신하고 상기 자동개폐장치(1130)에 폐쇄 신호를 송신하여 상기 입구(1110)를 폐쇄하게 된다. 상기 출구(1120)의 작동 또한 상기된 과정과 같다.
또한 상기 입구(1110)의 개방과 아울러 상기 제어부(1500)를 통해 상기 조명부(200)는 조명 On 신호를 수신하게 되고, 상기 운반부(1400)는 상기 촬상부(400)가 상기 검사물(100)을 촬영하는 동안, 상기된 상기 촬상부(400)의 촬영 방식에 따라 상기 제어부(1500)에 의해 이동 또는 정지 신호를 수신하게 된다. 상기 검사물(100)의 촬영은 상기 촬상부(400)의 데이터를 수신하는 상기 분석부(500)에 의해 촬영의 종료가 결정되고, 상기 분석부(500)에서 촬영이 종료되었다는 신호는 송신한 상기 제어부(1500)는 상기 조명부(200)에 조명 Off 신호를 송신한다.
상기된 과정에서 상기 조명부(200)를 점멸하는 것은 상기 조명부(200) 내부의 상기 광원장치가 LED로 구성되어 있어 점멸 과정에서 에너지 손실이 없으므로, 상기 조명부(200)에서 사용되는 에너지를 절약하기 위한 것이다.
또한 도6에 도시된 바와 같이, 상기 분석부(500)가 데이터를 수집하고, 외부에 위치한 동종의 시스템과 데이터를 교환하여 빅 데이터를 통해 분석의 정확도를 높이는 과정은 일반적인 빅 데이터 시스템과 같은 방식으로 이해 가능한 것이다.
상기 분석부(500)는 일 실시예로 모니터와 본체가 구비된 하나의 디지털 컴퓨터(Digital Computer)로 구성된다. 본 발명인 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 시스템은 상기 제어부(1500)에서의 자동화 시스템 구축에 의한 무인 자동화 공정이 가능하며, 작업자가 오류를 발견하여 프로그램의 수정이 필요할 때 수동 조작을 가할 수 있도록 상기 디지털 컴퓨터를 조작하는 조작장치를 더할 수 있다. 더욱 자세하게는 상기 분석부(500)의 상기 모니터는 상기 촬상부(400)가 획득한 상기 검사물(100)의 이미지 또는 영상의 분석 과정을 시간의 경과에 따라 기록 및 표시하여 작업자의 편의를 더하는 것이 바람직하다.
상기 분석부(500)의 상기 본체에는 상기 검사물(100)의 이미지 또는 영상을 분석할 수 있는 소프트웨어(520)가 포함된다. 또한, 상기 본체에는 저장장치(510)를 내장한다. 상기 저장장치(510)는 양품인 상기 검사물(100)의 이미지 또는 영상을 기본적으로 저장하고 있으며, 이를 통해 상기 분석부(500)는 획득한 상기 검사물(100)의 이미지 또는 영상과 상기 저장장치(510)에 저장된 데이터를 상호 비교 및 분석하여 더욱 정확한 결과를 도출하는 것이 가능하다.
상기 분석부(500)의 데이터 수집을 확장하기 위하여, 서버(530)를 상기 분석부(500)에 더 포함할 수 있다. 상기 서버(530)는 상기 저장장치(510)에 저장된 데이터와 동기화하는 데이터베이스(531)를 내장하고 있으며, 시스템 외부에 위치한 본 발명의 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 시스템과 동종의 시스템들과 네트워크로 연결되어 상기 데이터베이스(531)에 저장된 데이터를 공유한다. 이를 통해 데이터의 축적을 가속화할 수 있고, 상기 딥 러닝 방식으로 상기 검사물(100)을 분석하는 시기를 단축할 수 있다.
또 다른 본 발명은 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 방법으로, 도7의 플로우차트에 도시된 바와 같이, 유리 또는 플라스틱과 같은 투명소재로 구성된 검사물을 거치대에 거치하는 단계(S110), 거치대에 거치된 검사물에 빛을 조사하는 단계(S120), 빛을 조사받은 검사물에서 반사된 빛이 거울 또는 거울과 같은 효과를 갖는 스크린에 도달하여 검사물의 상이 나타내어지는 단계(S130), 스크린에 나타난 검사물의 상을 카메라로 촬영하여 이미지 또는 영상을 얻는 단계(S140), 촬영된 검사물의 이미지 또는 영상을 대용량 데이터 저장장치에 저장하는 단계(S150), 저장된 검사물의 이미지 또는 영상을 딥 러닝 방식으로 구동되는 소프트웨어를 통해 분석하고 불량을 판정하는 단계(S160)로 구성된다.
상기 저장된 검사물의 이미지 또는 영상을 딥 러닝 방식으로 구동되는 소프트웨어를 통해 분석하고 불량을 판정하는 단계(S160)의 구체적인 설명은 본 발명의 상기 소프트웨어의 메커니즘과 같으므로 생략한다.
또한, 상기 저장된 검사물의 이미지 또는 영상을 딥 러닝 방식으로 구동되는 소프트웨어를 통해 분석하고 불량을 판정하는 단계(S160)에 연장하여, 상기 이미지 또는 영상을 분석하여 검사물이 불량으로 판정되었을 경우, 상기 검사물이 수리(修理) 가능한지를 판별하고, 수리 가능한 상태로 판별되면 상기 검사물의 수리를 진행하는 단계(S170), 상기 이미지 또는 영상을 분석하여 검사물이 불량으로 판정되었을 경우, 수리 가능한지를 판별하고, 상기 검사물이 수리 불가능한 상태로 판별되면 상기 검사물의 폐기를 진행하는 단계(S180), 상기 이미지 또는 영상을 분석하여 양품으로 판정된 검사물 또는 불량으로 판정된 후 수리를 거친 검사물의 후속 공정을 진행하여 제품으로 완성하는 단계(S190)를 더 포함하는 것도 가능하다.
또한 상기 검사물이 수리(修理) 가능한지를 판별하고, 수리 가능한 상태로 판별되면 상기 검사물의 수리를 진행하는 단계(S170)에 대하여 더욱 자세하게는, 먼저 수리를 담당하는 기술 담당 부서에서 수리 가능한 결함의 종류와 최대 면적을 결정하고, 상기 분석을 통해 판별된 결함의 면적이 결정된 수리 가능한 면적보다 작으면 수리 가능한 검사물로 판별하고, 상기 분석을 통해 판별된 결함의 면적이 결정된 수리 가능한 면적보다 크면 수리 불가능한 검사물로 판별한다.
또한 상기 검사물의 판별이 종료되면, 상기 검사물은 양품인 검사물, 불량인 검사물로 나눠지며, 불량인 검사물은 다시 수리 가능한 검사물, 수리 불가능한 검사물로 나눠지고, 결과적으로 세 종류의 검사물이 배출된다. 원활한 공정을 위하여 상기 검사물의 배출은 상기한 세 종류의 검사물이 각각 나눠진 상태로 이루어져야 한다. 따라서 작업자가 직접 결함 검출 결과를 확인하고 수동으로 검사물을 분류하는 방법 또는 로봇 팔을 이용하여 자동으로 검사물을 분류하는 방법 또는 세 갈래로 나누어진 운반 장치를 더 포함하여 양품인 검사물, 수리 가능한 불량인 검사물 및 수리 불가능한 불량인 검사물로 나뉘어 배출되도록 하는 방법 중 어느 하나의 방법을 적용하여 검사물을 종류별로 배출하는 것이 바람직하다.
상기한 본 발명의 기술사상은 상기한 바람직한 실시예에 따라 구체적으로 기술되었으나, 전술한 실시예들은 그 설명을 위한 것이며, 그 제한을 위한 것이 아님을 주의하여야 한다.
10: 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 시스템
100: 검사물
200: 조명부
300: 반사부
400: 촬상부
500: 분석부
510: 저장장치
520: 소프트웨어
530: 서버
531: 데이터베이스
1000: 검사실
1100: 출입부
1110: 입구
1120: 출구
1130: 자동개폐장치
1131: 감지센서
1200: 공기정화부
1300: 전처리부
1400: 운반부
1500: 제어부
1600: 거치부

Claims (10)

  1. 유리 또는 플라스틱 소재의 검사물(100)에 빛을 조사(照射)하는 조명부(200);
    상기 조명부(200)의 빛을 받은 검사물(100)에서 반사된 빛을 받아 거울과 같이 상기 검사물(100)의 상(像)을 나타내며, 거울 또는 거울과 같은 효과를 갖는 스크린으로 형성되는 반사부(300);
    상기 반사부(300)에 나타난 상기 검사물(100)의 상의 이미지 또는 영상을 촬영하는 카메라로 구성된 촬상부(400);
    상기 촬상부(400)에서 촬영된 이미지 또는 영상을 분석하는 분석부(500);
    상기 조명부(200), 상기 반사부(300), 상기 촬상부(400)를 내부에 포함하되, 박스 또는 돔 형태의 시설물로 형성되며, 개방 또는 밀폐 상태를 선택하여 전환할 수 있는 기능을 갖는 검사실(1000);
    상기 검사실은,
    문의 형태로 형성되며, 내부로 상기 검사물(100), 작업자 및 장비를 반출입 할 수 있는 출입부(1100);
    상기 검사실(1000)의 내부 공기 중의 미세 이물질을 제거하는 공기정화부(1200);
    상기 검사실(1000)의 외부 일측에 형성되며, 상기 출입부(1100)로 반입되는 상기 검사물(100)과 작업자 및 장비의 미세 이물질을 제거하는 전처리부(1300);를 더 포함하고,
    상기 전처리부(1300)는 상기 검사물(100)이 상기 검사실(1000)의 내부로 반입되기 전의 과정으로 이물질 제거 작업을 수행하며, 공기 압축기와 공기 분사 노즐로 구성되는 것을 포함하고,
    상기 조명부(200)는 광원을 형성하는 핀홀조명장치를 더 포함하고, 상기 핀홀조명장치는 광원램프와 투영렌즈를 포함하고, 상기 광원램프는 색온도 6,500K 이상으로 형성되고, 상기 핀홀조명장치의 발광 조도는 25,000lx 내지 6,000,000lx인 것을 포함하는 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 시스템.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 검사실(1000)은,
    상기 출입부(1100)는 입구(1110);와 출구(1120);로 구성되고,
    가이드 레일 또는 컨베이어 벨트와 같은 형태로 형성되고, 외부로부터 시작되어 상기 입구(1110)를 통과하여 상기 출구(1120) 방향으로 물체를 운반하는 운반부(1400);
    상기 운반부(1400)가 가이드 레일의 형태로 형성되는 경우, 검사물(100)을 거치하는 거치부(1600);를 더 포함하고,
    가이드 레일로 형성된 상기 운반부(1400)는 상기 검사물(100)이 거치된 상기 거치부(1600)를 탑재하여 상기 입구(1110)로부터 상기 출구(1120)까지 운반하는 것을 포함하는 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 시스템.
  5. 제4항에 있어서,
    상기 입구(1110)와 상기 출구(1120)는 각각 자동개폐장치(1130);를 더 포함하고,
    상기 자동개폐장치(1130)는 물체를 감지하는 감지센서(1131);를 포함하고,
    상기 감지센서(1131)는 상기 검사물(100)을 감지하는 것을 포함하는 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 시스템.
  6. 제5항에 있어서,
    상기 조명부(200), 상기 촬상부(400), 상기 분석부(500), 상기 출입부(1100) 및 상기 운반부(1400)를 제어하는 제어부(1500);를 더 포함하고,
    상기 제어부(1500)는,
    상기 감지센서(1131)에서 물체가 감지되지 않는 동안 상기 자동개폐장치(1130)를 폐쇄 상태로 유지하고,
    상기 감지센서(1131)에서 물체가 감지되는 동안 상기 자동개폐장치(1130)를 개방 상태로 유지하는 것을 포함하는 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 시스템.
  7. 제1항에 있어서,
    상기 분석부(500)는,
    결함이 없는 양품인 상기 검사물(100)의 표면 이미지 또는 영상이 내장되어 있으며, 상기 촬상부(400)에 의해 획득된 이미지 또는 영상을 저장하는 저장장치(510);
    상기 촬상부(400)에 의해 획득된 이미지 또는 영상을 상기 저장장치(510)에 내장된 양품인 상기 검사물(100)의 표면 이미지 또는 영상과 비교하여 불량을 판정하며, 딥 러닝 방식으로 구동되는 소프트웨어(520);를 포함하는 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 시스템.
  8. 제7항에 있어서,
    상기 분석부(500)는,
    외부의 검사 시스템과 데이터를 송수신할 수 있는 서버(530);를 더 포함하고,
    상기 서버(530)는 외부에서 수신한 데이터를 저장하는 데이터베이스(531);를 포함하고,
    상기 촬상부(400)에 의해 획득되어 상기 저장장치(510)에 저장되는 이미지 또는 영상은 상기 데이터베이스(531)에 또한 저장되고,
    상기 소프트웨어(520)는 상기 데이터베이스(531)의 외부 데이터를 통해 딥 러닝 능력이 향상되는 것을 포함하는 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 시스템.
  9. 유리 또는 플라스틱 소재의 검사물(100)에 빛을 조사(照射)하는 조명부(200); 상기 조명부(200)의 빛을 받은 검사물(100)에서 반사된 빛을 받아 거울과 같이 상기 검사물(100)의 상(像)을 나타내며, 거울 또는 거울과 같은 효과를 갖는 스크린으로 형성되는 반사부(300); 상기 반사부(300)에 나타난 상기 검사물(100)의 상의 이미지 또는 영상을 촬영하는 카메라로 구성된 촬상부(400); 상기 촬상부(400)에서 촬영된 이미지 또는 영상을 분석하는 분석부(500); 상기 조명부(200), 상기 반사부(300), 상기 촬상부(400)를 내부에 포함하되, 박스 또는 돔 형태의 시설물로 형성되며, 개방 또는 밀폐 상태를 선택하여 전환할 수 있는 기능을 갖는 검사실(1000); 상기 검사실은, 문의 형태로 형성되며, 내부로 상기 검사물(100), 작업자 및 장비를 반출입 할 수 있는 출입부(1100); 상기 검사실(1000)의 내부 공기 중의 미세 이물질을 제거하는 공기정화부(1200); 상기 검사실(1000)의 외부 일측에 형성되며, 상기 출입부(1100)로 반입되는 상기 검사물(100)과 작업자 및 장비의 미세 이물질을 제거하는 전처리부(1300);를 더 포함하고, 상기 전처리부(1300)는 상기 검사물(100)이 상기 검사실(1000)의 내부로 반입되기 전의 과정으로 이물질 제거 작업을 수행하며, 공기 압축기와 공기 분사 노즐로 구성되는 것을 포함하고, 상기 조명부(200)는 광원을 형성하는 핀홀조명장치를 더 포함하고, 상기 핀홀조명장치는 광원램프와 투영렌즈를 포함하고, 상기 광원램프는 색온도 6,500K 이상으로 형성되고, 상기 핀홀조명장치의 발광 조도는 25,000lx 내지 6,000,000lx인 것을 포함하는 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 시스템을 이용한 결함 검사 방법에 있어서,
    유리 또는 플라스틱과 같은 투명소재로 구성된 검사물을 거치대에 거치하는 단계(S110);
    거치대에 거치된 검사물에 빛을 조사하는 단계(S120);
    빛을 조사받은 검사물에서 반사된 빛이 거울 또는 거울과 같은 효과를 갖는 스크린에 도달하여 검사물의 상이 나타내어지는 단계(S130);
    스크린에 나타난 검사물의 상을 카메라로 촬영하여 이미지 또는 영상을 얻는 단계(S140);
    촬영된 검사물의 이미지 또는 영상을 대용량 데이터 저장장치에 저장하는 단계(S150);
    저장된 검사물의 이미지 또는 영상을 딥 러닝 방식으로 구동되는 소프트웨어를 통해 분석하고 불량을 판정하는 단계(S160);
    상기 이미지 또는 영상을 분석하여 검사물이 불량으로 판정되었을 경우, 상기 검사물이 수리(修理) 가능한지를 판별하고, 수리 가능한 상태로 판별되면 상기 검사물의 수리를 진행하는 단계(S170);
    상기 이미지 또는 영상을 분석하여 검사물이 불량으로 판정되었을 경우, 수리 가능한지를 판별하고, 상기 검사물이 수리 불가능한 상태로 판별되면 상기 검사물의 폐기를 진행하는 단계(S180);
    상기 이미지 또는 영상을 분석하여 양품으로 판정된 검사물 또는 불량으로 판정된 후 수리를 거친 검사물의 후속 공정을 진행하여 제품으로 완성하는 단계(S190);를 포함하는 딥 러닝을 이용한 AI 기반 자동차용 선루프의 결함 검사 방법.
  10. 삭제
KR1020200062736A 2020-05-26 2020-05-26 딥 러닝을 이용한 ai 기반 자동차용 선루프의 결함 검사 시스템 및 그 방법 KR102294899B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200062736A KR102294899B1 (ko) 2020-05-26 2020-05-26 딥 러닝을 이용한 ai 기반 자동차용 선루프의 결함 검사 시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200062736A KR102294899B1 (ko) 2020-05-26 2020-05-26 딥 러닝을 이용한 ai 기반 자동차용 선루프의 결함 검사 시스템 및 그 방법

Publications (1)

Publication Number Publication Date
KR102294899B1 true KR102294899B1 (ko) 2021-08-27

Family

ID=77504326

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200062736A KR102294899B1 (ko) 2020-05-26 2020-05-26 딥 러닝을 이용한 ai 기반 자동차용 선루프의 결함 검사 시스템 및 그 방법

Country Status (1)

Country Link
KR (1) KR102294899B1 (ko)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100059550A (ko) * 2008-11-26 2010-06-04 주식회사 매크론 평판 검사 장치 및 그 방법
KR101019831B1 (ko) 2010-09-02 2011-03-04 주식회사 투아이스펙트라 유리기판의 에지 검사시스템
KR101188404B1 (ko) 2010-03-31 2012-10-08 주식회사 디이엔티 디스플레이 패널 글라스 표면의 결함 검사 방법
KR20140035846A (ko) * 2012-09-14 2014-03-24 가부시키가이샤 에바라 세이사꾸쇼 검사 장치
KR101452214B1 (ko) * 2012-12-11 2014-10-22 주식회사 에스에프에이 패널 검사장치
KR101464877B1 (ko) * 2013-05-28 2014-11-24 (주)쎄미시스코 불규칙 패턴을 가지는 대상물을 검사하는 불량 검사 시스템
KR101707270B1 (ko) 2010-10-01 2017-02-15 기린 테크노시스템 가부시끼가이샤 글래스 보틀의 검사 장치 및 방법
KR101711073B1 (ko) * 2016-07-25 2017-02-28 (주)제이엘케이인스펙션 딥 러닝 알고리즘을 적용한 플렉서블 터치스크린 패널 미세 크랙 검출 장치 및 방법

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100059550A (ko) * 2008-11-26 2010-06-04 주식회사 매크론 평판 검사 장치 및 그 방법
KR101188404B1 (ko) 2010-03-31 2012-10-08 주식회사 디이엔티 디스플레이 패널 글라스 표면의 결함 검사 방법
KR101019831B1 (ko) 2010-09-02 2011-03-04 주식회사 투아이스펙트라 유리기판의 에지 검사시스템
KR101707270B1 (ko) 2010-10-01 2017-02-15 기린 테크노시스템 가부시끼가이샤 글래스 보틀의 검사 장치 및 방법
KR20140035846A (ko) * 2012-09-14 2014-03-24 가부시키가이샤 에바라 세이사꾸쇼 검사 장치
KR101452214B1 (ko) * 2012-12-11 2014-10-22 주식회사 에스에프에이 패널 검사장치
KR101464877B1 (ko) * 2013-05-28 2014-11-24 (주)쎄미시스코 불규칙 패턴을 가지는 대상물을 검사하는 불량 검사 시스템
KR101711073B1 (ko) * 2016-07-25 2017-02-28 (주)제이엘케이인스펙션 딥 러닝 알고리즘을 적용한 플렉서블 터치스크린 패널 미세 크랙 검출 장치 및 방법

Similar Documents

Publication Publication Date Title
US8050486B2 (en) System and method for identifying a feature of a workpiece
US7369240B1 (en) Apparatus and methods for real-time adaptive inspection for glass production
JP5410092B2 (ja) 複合構造に不整合がないか検査するための装置および方法
CN101449151B (zh) 对玻璃窗的检验
CN110208269B (zh) 一种玻璃表面异物与内部异物区分的方法及系统
KR20170049266A (ko) 비전검사장치 및 비전검사방법
CN106226270B (zh) 检测图像传感器表面脏污缺陷的方法
CN208350678U (zh) 透明容器口部裂纹在线检测装置
KR102294899B1 (ko) 딥 러닝을 이용한 ai 기반 자동차용 선루프의 결함 검사 시스템 및 그 방법
KR101704473B1 (ko) 윈도우 글라스 검사장치
KR20130143226A (ko) 도광판 검사장치
JPH1062354A (ja) 透明板の欠陥検査装置及び欠陥検査方法
KR20100093213A (ko) 휘도값을 이용한 글래스 기판 상의 이물 감지 시스템 및 그방법
JP2001272354A (ja) 欠陥検査装置
CN106053484A (zh) 一种液晶玻璃表面异物的检测设备及其检测方法
CN116773537A (zh) 环状产品的外观检查装置
US6870610B1 (en) Method and apparatus for detecting defects in a material in a liquid bath
TWM514002U (zh) 光學檢測設備
CN110646432A (zh) 玻璃裂纹检查系统及方法
CN111398301A (zh) 玻璃盖板缺陷自动化检测光学成像方法
JP2004257776A (ja) 光透過体検査装置
KR102541166B1 (ko) 로봇을 활용한 ai비전 검사 시스템
US20130161851A1 (en) Method and apparatus for detecting glass breakage during a process for encapsulating a tempered glass panel
KR20160032576A (ko) 고속 카메라 및 적외선 광학계를 이용한 이미지 분석 시스템 및 방법
KR20160081144A (ko) 광학식 판재 표면검사장치 및 판재 표면검사방법

Legal Events

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