KR102297232B1 - 형태학적 영상처리를 활용한 이상 탐지 방법 - Google Patents
형태학적 영상처리를 활용한 이상 탐지 방법 Download PDFInfo
- Publication number
- KR102297232B1 KR102297232B1 KR1020200154408A KR20200154408A KR102297232B1 KR 102297232 B1 KR102297232 B1 KR 102297232B1 KR 1020200154408 A KR1020200154408 A KR 1020200154408A KR 20200154408 A KR20200154408 A KR 20200154408A KR 102297232 B1 KR102297232 B1 KR 102297232B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- morphological
- morphological transformation
- learning
- neural network
- Prior art date
Links
Images
Classifications
-
- G06K9/6201—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
Abstract
본 발명은 정상데이터가 대부분이고, 불량데이터의 데이터세트의 수가 적은 상황에서 이상유무를 탐지하는 방법에 관한 것을 정상데이터의 형태학적 변환과 이를 자기주도학습을 통한 신경망의 학습에 그 특징이 있으며, 본 발명의 적용으로 인하여, 실제 현장에서 많이 발생하는 이상에 대하여 아주 높은 확률로 탐지할 수 있게 된다.
Description
본 발명은 신경망 학습을 이용하여 비정상데이터를 추출하는 탐지 방법에 관한 것으로, 보다 상세하게는 비정상 데이터 세트의 크기가 매우 작을때 정상데이터만 이용하여 신경망을 학습시켜 이상을 탐지하는 방법에 관한 것이다.
이상 탐지란 정상 데이터들로만 구성된 데이터 세트만을 활용하여 비정상 데이터를 구분할 수 있는 신경망을 개발하는 것을 의미한다. 따라서 정상 데이터들이 가지는 주요한 특징들의 추출 및 이에 대한 학습이 이상 탐지 기술의 주요 목적이 되고 있다.
한편, 자가지도학습이란 훈련 데이터 세트에 사용자가 정의한 임의의 별도 라벨링과정을 수행 후, 신경망에 이에 대해 학습을 유도하는 것을 의미한다. 즉, 자가지도학습을 통해서 신경망은 훈련 데이터 세트들이 가지는 특징 중 사용자가 정의한 주요 특징에 대해서 더 중점을 두어 학습하는 것이 가능하게 된다.
종래의 방법에 의한 이상탐지방법은 정상데이터들의 의미학적 특징에 대하여 학습을 하고 있으며, 이상을 판별함에 있어서 주로 정상데이터에 회전변환을 적용하여 판별하는 학습을 진행하고 있다.
도 1을 참조하여 종래의 회전변환방식을 설명한다. 도면을 보면 정상적인 얼굴사진을 180도 돌린 사진임을 금방 알 수 있다. 즉, 우리는 정상적인 얼굴에서 코가 어디에 있고, 눈이 어디에 있고, 또한 각각은 어떻게 생겼는지 알기때문에 이 사진은 180도가 돌아갔다는 것을 이해할 수 있고, 종래에는 이러한 회전변환방식을 통하여 이상유무를 판별하고 있다.
즉, 정상데이터가 공통적으로 어떤 특징을 가지고 있는지 판단하고 학습을 하고, 정상데이터가 회전하였는지, 얼마나 회전하였는지 등에 대하여 학습을 하고, 이를 바탕으로 판단을 하고 있다. 여기서 정상데이터의 공통된 특징을 의미학적 특징(semantic feature)이라고 한다.
그런데, 실제 산업현장에는 도 1과 같은 데이터는 드물고 도 2(a)와 같은 데이터가 많이 있다. 이 사진은 몇 도 회전한 이미지인지 파악하기 힘들다. 아무리 돌려봐도 정상처럼 보인다. 실제 다양한 산업에서의 제품들의 정상 영상은 이처럼 회전에 둔감한 형태를 취하고 있는 경우가 많다.
그런데, 도 1과 같은 회전방식에 의해 회전각도를 파악하는 방식으로는 도 2(a)와 같은 데이터의 이상유무를 판단하는데 있어서는 한계가 있음이 명확하다.
본 발명은 이러한 종래기술의 문제점을 해결하기 위하여 안출된 것으로, 정상 데이터가 절대적으로 많고 비정상 데이터가 적거나 없는 경우에 신경망학습을 통하여 정상과 이상을 보다 적확하게 판단할 수 있는 방법을 제공하는 것을 그 목적으로 한다.
본 발명은 상기의 목적을 달성하기 위하여, 의미론(의미학)적 형태가 아닌 형태학적(형태론적) 특징에 중점을 두어 학습하게 하는 것에 그 특징이 있다.
디지털 영상 처리에서 형태학적 변환이란 경계, 골격, 볼록 깍지(convex hull) 같은 영역 모양의 표현 및 묘사에 유용한 영상 성분을 추출하기 위한 도구이며, 본 발명에 있어서, 형태학적 변환에는 침식(erosion), 팽창(dilation), 후선화(thickening), 형태론적 기울기(mophological gradient) 등이 있다.
본 발명은 정상데이터를 수집하는 단계와; 상기 수집된 정상데이터에 형태학적 변환을 적용하는 단계와; 상기 정상데이터와 상기 형태학적 변환이 적용된 데이터로 신경망을 학습시키는 단계와; 상기 학습된 신경망을 활용하여 테스트데이터의 이상여부를 탐지를 하는 단계를 포함하는 이상탐지방법을 제공한다.
상기 형태학적 변환을 적용하는 단계에서 형태학적 변환의 종류에 따른 라벨정보를 부여할 수 있고, 이때 신경망을 학습시키는 단계에서는 상기 라벨정보를 학습시킬 수 있다. 이러한 학습방법을 자기주도학습(self supervised learning)이라고 한다.
상기 이상을 탐지 단계는 상기 테스트데이터를 구비하는 단계와; 상기 테스트데이터에 형태적 변환을 적용하는 단계와; 상기 테스트데이터의 형태적변환과 상기 정상데이터의 형태적 변환을 비교하는 단계를 포함한다.
정상데이터의 형태적 변환과 상기 테스트데이터의 형태적변환이 동일한 형태적변환이면 상기 테스트 데이터를 정상이라고 판단하고, 그렇치 않으면 이상이라고 판단할 수도 있다.
본 발명은 정상데이터가 대부분이고, 불량데이터의 데이터세트의 수가 적은 상황에서 이상유무를 탐지하는 방법에 관한 것을 정상데이터의 형태학적 변환과 이를 자기주도학습을 통한 신경망의 학습에 그 특징이 있으며, 본 발명의 적용으로 인하여, 실제 현장에서 많이 발생하는 이상에 대하여 아주 높은 확률로 탐지할 수 있게 된다.
도 1은 영상데이터의 의미론적 특징을 이해하기 위한 참고도
도 2a-2d는 정상데이터와 이에 형태적변환을 적용한 영상데이터로서, 2a는 정상데이터 2b는 침식변환, 2c는 팽창변환, 2d는 형태학적 기울기 변환을 적용한 것이다.
도 3a-3d는 이상데이터와 이에 형태적변환을 적용한 영상데이터로서, 3a는 이상데이터 3b는 침식변환, 3c는 팽창변환, 3d는 형태학적 기울기 변환을 적용한 것이다.
도 4는 본 발명의 일실시예에 따른 이상탐지방법의 순서도이다.
도 2a-2d는 정상데이터와 이에 형태적변환을 적용한 영상데이터로서, 2a는 정상데이터 2b는 침식변환, 2c는 팽창변환, 2d는 형태학적 기울기 변환을 적용한 것이다.
도 3a-3d는 이상데이터와 이에 형태적변환을 적용한 영상데이터로서, 3a는 이상데이터 3b는 침식변환, 3c는 팽창변환, 3d는 형태학적 기울기 변환을 적용한 것이다.
도 4는 본 발명의 일실시예에 따른 이상탐지방법의 순서도이다.
이하, 본 발명에 따른 실시예를 첨부된 도면을 참조하여 상세히 설명한다.
본 발명에 따른 방법을 도시한 도 4를 참조하면, 먼저 도 2a와 같은 정상데이터의 디지털영상데이터를 확보한다.(S1) 이를 신경망을 학습시키기 위한 훈련데이터(training data)라고 부르기도 한다.
이 정상데이터에 형태학적 변환을 적용한다.(S2)
형태학적 변환에는 침식, 팽창, 형태학적 기울기, 후선화 등이 있다.
먼저 침식(erosion)의 경우는 데이터 변환하는 방식에 대하여 설명한다.
어떤 크기 b의 임의의 위치의 이미지i의 센터를 (x, y)하고 하면, 침식은
예를 들어, b를 3 × 3 커넬(kernel)이라고 하면, 3 × 3의 픽셀에서 가운데 픽셀은 자신과 주변의 나머지 8개 픽셀 중에 제일 작은 값을 선택하게 되는 것을 의미하고, 결과적으로 기존에 비해 어둡게 된다. 도2(a)의 영상을 침식에 의해 변환한 것이 도 2(b)이다.
팽창(dilation)도 같은 방식으로 구할 수 있다.
결과적으로 사이즈 b의 컨넬에서 주변에서 제일 밝은 것이 선택되게 되어 기존에 비해 밝게 된다. 도2(a)의 영상을 팽창에 의해 변환한 것이 도 2(c)이다.
형태학적 영상처리의 다른 예로서는 형태적 기울기(mophological gradient)가 있다. 이는 예를 들어 아래식으로 표현할 수가 있다.
즉, 어두운 곳은 더 어둡게 되고, 밝은 곳은 더 밝게 변환되는 것이다.
침식과 팽창의 결과를 활용하여, 테두리 정보를 더욱 잘 표현하고자 할때 사용되는 방식이고, 도2(a)의 영상을 형태적기울기에 의해 변환한 것이 도 2(d)이다.
이렇게 정상데이터에 형태학적 변환을 적용하고, 이를 구분하여 라벨링 한다. 즉, 침식변환을 했는지, 팽창변환을 했는지, 형태학적 기울기변환을 했는지에 대하여 구분한다.
다음으로 S2에서 취득한 정보를 신경망에 학습을 시킨다.(S3)
학습은 정상데이터의 형태학적 변환 및 그 라벨정보를 같이 학습시킨다. 이러한 방식을 자기주도학습이라고 한다.
다음으로 실제 이상유무를 탐지해야할 데이터를 취득한다. (S4) 이러한 데이터를 테스트 데이터라고 한다.
취득된 테스트 데이터에 형태학적 변환을 적용하고, 정상데이터에서 처리했던 바와 같이, 이에 대한 라벨 정보 취득한다. (S5)
다음으로 S3단계에서 자기주도학습이 진행된 신경망에 형태학적 변환이 적용된 테스트 데이터를 입력시킨다. (S6)
신경망은 입력된 테스트데이터의 데이터가 정상인지를 탐지하게 되는데(S7), 이때 신경망은 입력된 테스트 데이터의 형태학적 변환이 적용된 영상데이터를 정상데이터의 형태적변환 중에 어디에 속하는지 라벨을 비교한다.
비교하여, 만약, 테스트데이터의 형태학적 변환이 정상데이터의 형태학적 변환과 동일하면, 이 테스트 데이터는 정상으로 판단하고, 만약, 테스트데이터의 형태학적 변환이 정상데이터의 형태학적 변환과 다르면, 이상으로 판단하게 된다
즉, 테스트데이터의 형태적 변환으로 침식을 적용하였는데, 신경망의 학습된 데이터에서는 팽창으로 인식하면, 이상으로 판단하고, 동일하게 침식으로 인식하면 정상으로 판단하게 되는 것이다.
여기서 동일하게 판단하는 것을 에러가 적다. 다르게 판단하는 것을 에러가 많다는 표현을 사용할 수도 있다.
한편, 신경망에 자기주도학습방법에 의하여 학습을 시키는 방법을 보다 구체적으로 설명하면 아래와 같다.
사용자가 정의한 개의 형태론적 변환 (morphological transformation)을 로 표기하며 이에 대한 라벨 정보를 로 표기할 경우, 는 아래 수식 (1)으로 정의가 가능하다. : - (1)
훈련 단계에서 이상 감지를 위한 신경망 는 을 입력으로 받으며, 여기서 는 이 개의 변환 중 어떠한 변환에 속하는지 알 수 없다. 입력 후 는 모든 개의 형태론적 변환에 대한 확률 분포를 출력하여 이는 아래 수식 (2)으로 정의가 가능하다.
정상데이터들의 형태론적 특징에 대해 집중적으로 학습할 수 있으며, 이를 통해 실제 산업에서 요구되는 다양한 이상 감지에 활용할 수 있다.
이상에서 본 발명에 따른 일 실시예를 설명하였으며, 이는 예시이며, 본 발명의 정신을 벗어나지 않고 다양한 변화와 변형은 가능할 것이나, 이는 본 발명의 권리범위에 속하게 됨은 첨부된 청구범위를 통해서 이해할 수 있을 것이다.
Claims (3)
- 정상데이터의 디지털영상데이터를 수집하는 단계와;
상기 수집된 정상데이터에 침식, 팽창, 형태학적 기울기를 포함하는 형태학적 변환을 적용하는 단계와;
상기 정상데이터의 상기 형태학적 변환이 적용된 데이터와, 상기 형태학적 변환의 종류로 신경망을 학습시키는 단계와;
이상 유무를 탐지해야 할 테스트데이터를 취득하는 단계와;
상기 취득된 테스트 데이터에 형태학적 변환을 적용하는 단계와;
상기 학습된 신경망에 형태학적 변환이 적용된 테스트 데이터를 입력하는 단계와;
상기 학습된 신경망을 활용하여, 상기 테스트데이터의 형태학적 변환과 상기 정상데이터의 형태학적 변환이 동일한 종류의 형태학적 변환인지를 탐지하는 단계를 포함하는 이상탐지방법
- 제 1항에 있어서,
상기 형태학적 변환을 적용하는 단계에서 형태학적 변환의 종류에 따른 라벨정보를 부여하고, 이때 신경망을 학습시키는 단계에서는 상기 라벨정보를 학습시키는 이상탐지방법
- 삭제
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200154408A KR102297232B1 (ko) | 2020-11-18 | 2020-11-18 | 형태학적 영상처리를 활용한 이상 탐지 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200154408A KR102297232B1 (ko) | 2020-11-18 | 2020-11-18 | 형태학적 영상처리를 활용한 이상 탐지 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102297232B1 true KR102297232B1 (ko) | 2021-09-03 |
Family
ID=77784854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200154408A KR102297232B1 (ko) | 2020-11-18 | 2020-11-18 | 형태학적 영상처리를 활용한 이상 탐지 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102297232B1 (ko) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230067360A (ko) | 2021-11-09 | 2023-05-16 | 에스케이플래닛 주식회사 | 클러스터링을 기반으로 하는 이상 탐지를 위한 장치 및 이를 위한 방법 |
KR20230075259A (ko) | 2021-11-22 | 2023-05-31 | 에스케이플래닛 주식회사 | 클러스터링을 기반의 레이블링을 수행하기 위한 장치 및 이를 위한 방법 |
KR20230075261A (ko) | 2021-11-22 | 2023-05-31 | 에스케이플래닛 주식회사 | 어텐션 메커니즘을 이용한 이상 탐지를 위한 장치 및 이를 위한 방법 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008059110A (ja) | 2006-08-30 | 2008-03-13 | Nec Corp | 物体識別パラメータ学習システム、物体識別パラメータ学習方法および物体識別パラメータ学習用プログラム |
JP2016110578A (ja) | 2014-12-10 | 2016-06-20 | 株式会社リコー | 画像認識システム、サーバ装置及び画像認識方法 |
JP2020501281A (ja) | 2016-12-19 | 2020-01-16 | 深▲せん▼前海達闥云端智能科技有限公司Cloudminds (Shenzhen) Robotics Systems Co.,Ltd. | 障害物検出方法及び装置 |
KR20200092143A (ko) | 2019-01-24 | 2020-08-03 | 가천대학교 산학협력단 | 딥러닝 신경망을 이용한 디스플레이 패널 불량 진단 시스템 및 방법 |
-
2020
- 2020-11-18 KR KR1020200154408A patent/KR102297232B1/ko active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008059110A (ja) | 2006-08-30 | 2008-03-13 | Nec Corp | 物体識別パラメータ学習システム、物体識別パラメータ学習方法および物体識別パラメータ学習用プログラム |
JP2016110578A (ja) | 2014-12-10 | 2016-06-20 | 株式会社リコー | 画像認識システム、サーバ装置及び画像認識方法 |
JP2020501281A (ja) | 2016-12-19 | 2020-01-16 | 深▲せん▼前海達闥云端智能科技有限公司Cloudminds (Shenzhen) Robotics Systems Co.,Ltd. | 障害物検出方法及び装置 |
KR20200092143A (ko) | 2019-01-24 | 2020-08-03 | 가천대학교 산학협력단 | 딥러닝 신경망을 이용한 디스플레이 패널 불량 진단 시스템 및 방법 |
Non-Patent Citations (1)
Title |
---|
조장훈외 3명, 의사 형태학적연산을 사용한 이미지 변환, 2017년 추계학술발표대회 논문집 제24권 제2호 (2017. 11), 1부.* * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230067360A (ko) | 2021-11-09 | 2023-05-16 | 에스케이플래닛 주식회사 | 클러스터링을 기반으로 하는 이상 탐지를 위한 장치 및 이를 위한 방법 |
KR20230075259A (ko) | 2021-11-22 | 2023-05-31 | 에스케이플래닛 주식회사 | 클러스터링을 기반의 레이블링을 수행하기 위한 장치 및 이를 위한 방법 |
KR20230075261A (ko) | 2021-11-22 | 2023-05-31 | 에스케이플래닛 주식회사 | 어텐션 메커니즘을 이용한 이상 탐지를 위한 장치 및 이를 위한 방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102297232B1 (ko) | 형태학적 영상처리를 활용한 이상 탐지 방법 | |
CN110678877B (zh) | 用于在测试图像中的视觉定位的系统及方法 | |
CN111179251B (zh) | 基于孪生神经网络利用模板比对的缺陷检测系统及方法 | |
CN109767419B (zh) | 数据生成装置、数据生成方法及存储介质 | |
KR20190063839A (ko) | 제조 공정에서 딥러닝을 활용한 머신 비전 기반 품질검사 방법 및 시스템 | |
CN113344857B (zh) | 缺陷检测网络的训练方法、缺陷检测方法和存储介质 | |
CN115641332B (zh) | 产品边缘外观缺陷的检测方法及装置、介质、设备 | |
JP2023134688A (ja) | ビジョンシステムで画像内のパターンを検出及び分類するためのシステム及び方法 | |
US20220076404A1 (en) | Defect management apparatus, method and non-transitory computer readable medium | |
CN111598889A (zh) | 均压环倾斜故障的识别方法、装置、计算机设备 | |
CN114494780A (zh) | 基于特征对比的半监督工业缺陷检测方法及系统 | |
Tang et al. | Anomaly detection of core failures in die casting X-ray inspection images using a convolutional autoencoder | |
JP2021086379A (ja) | 情報処理装置、情報処理方法、プログラム及び学習モデルの生成方法 | |
CN116012291A (zh) | 工业零件图像缺陷检测方法及系统、电子设备和存储介质 | |
Variz et al. | Machine learning applied to an intelligent and adaptive robotic inspection station | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
JP7298176B2 (ja) | 欠点検査装置および学習済みモデル | |
CN116485779B (zh) | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN115131355B (zh) | 利用电子设备数据检测防水布异常的智能方法 | |
JP2020107104A (ja) | 画像判定装置、画像判定方法及び画像判定プログラム | |
CN111402185A (zh) | 一种图像检测方法及装置 | |
Prasetio et al. | Design of Defect Classification on Clay Tiles using Support Vector Machine (SVM) | |
CN115330688A (zh) | 一种考虑标签不确定性的图像异常检测方法 | |
KR20230036650A (ko) | 영상 패치 기반의 불량 검출 시스템 및 방법 | |
KR102298708B1 (ko) | 검사 대상에 존재하는 결함을 검사하는 방법 및 이를 수행하는 장치들 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
AMND | Amendment | ||
X091 | Application refused [patent] | ||
AMND | Amendment | ||
X701 | Decision to grant (after re-examination) | ||
GRNT | Written decision to grant |