KR102441368B1 - 인공지능을 활용한 낙하 이미지 분석 기반 불량 검출 장치 및 방법 - Google Patents

인공지능을 활용한 낙하 이미지 분석 기반 불량 검출 장치 및 방법 Download PDF

Info

Publication number
KR102441368B1
KR102441368B1 KR1020220078916A KR20220078916A KR102441368B1 KR 102441368 B1 KR102441368 B1 KR 102441368B1 KR 1020220078916 A KR1020220078916 A KR 1020220078916A KR 20220078916 A KR20220078916 A KR 20220078916A KR 102441368 B1 KR102441368 B1 KR 102441368B1
Authority
KR
South Korea
Prior art keywords
images
fall
defect detection
image
artificial intelligence
Prior art date
Application number
KR1020220078916A
Other languages
English (en)
Inventor
방성덕
Original Assignee
주식회사 아이브
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 주식회사 아이브 filed Critical 주식회사 아이브
Priority to KR1020220078916A priority Critical patent/KR102441368B1/ko
Application granted granted Critical
Publication of KR102441368B1 publication Critical patent/KR102441368B1/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
    • 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
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30241—Trajectory
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Immunology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

본 개시는 인공지능을 활용한 낙하 이미지 분석 기반 불량 검출 장치 및 방법에 관한 것으로, 통신모듈; 검사 공간에 형성된 빗면을 따라 낙하하는 대상체를 감지하는 센서모듈; 적어도 하나의 카메라를 기반으로 기 설정된 주기로 촬상을 수행하여 상기 대상체가 포함된 복수의 이미지를 획득하는 촬상모듈; 상기 복수의 이미지를 분석하여 불량 여부를 검출하기 위한 적어도 하나의 프로세스를 저장하는 저장모듈; 및 상기 복수의 이미지를 분석하여 불량 여부를 검출하기 위한 동작을 수행하는 제어모듈;을 포함하며, 상기 제어모듈은, 상기 대상체가 감지되면, 상기 적어도 하나의 카메라를 기반으로 기 설정된 주기로 촬상을 수행하여 복수의 이미지를 획득하고, 상기 복수의 이미지를 하나의 이미지로 합성하여 딥러닝 기반으로 상기 대상체에 대한 불량 여부를 검출하고, 상기 제어모듈은, 상기 복수의 이미지를 상기 하나의 이미지로 합성 시에, 상기 복수의 이미지에서 상기 대상체를 제외한 영역의 밝기를 기반으로 상기 복수의 이미지 각각에 대한 전처리를 수행하고, 상기 전처리된 복수의 이미지 각각에서 상기 대상체의 낙하 궤적을 검출한 후, 상기 검출된 낙하 궤적을 상기 하나의 이미지로 합성할 수 있다.

Description

인공지능을 활용한 낙하 이미지 분석 기반 불량 검출 장치 및 방법{APPARATUS AND METHOD FOR DETECTING A DEFECTS BY ANALYZING AN IMAGE CONTAINING A FALLING OBJECT USING ARTIFICIAL INTELLIGENCE}
본 개시는 불량 검출 장치 및 방법에 관한 것이다. 보다 상세하게는, 본 개시는 인공지능을 활용한 낙하 이미지 분석 기반 불량 검출 장치 및 방법에 관한 것이다.
특정한 형태의 표면을 갖는 제품을 다양한 방식으로 양산하는 제조업의 경우, 생산된 제품의 결함 유무를 확인하기 위한 제품 외관의 표면 품질 검사를 수행할 필요가 있다. 제품의 일부에 작은 결점만이 있다하더라도 제품의 성능과 신뢰성에 커다란 악영향을 줄 수 있을 뿐만 아니라, 제품의 리콜로 이어져 경제적인 손실을 유발할 수 있기 때문에, 제조가 완료된 후 제품의 외관 품질을 검사하는 것은 매우 중요한 작업 중 하나이다.
그런데, 종래의 산업 현장에서의 제품 외관 표면 품질 검사는 주로 현장 작업자의 육안에 의해 불량 여부를 판단하는 육안검사법에 의존하고 있어 작업 속도가 느려 생산성이 매우 떨어지고, 그 판단 기준이 모호하여 작업자의 감이나 노하우에만 의존하기 때문에 검사하는 작업자에 따라 판단 결과가 달라져 정확도가 떨어지기 때문에 제품의 품질에도 악영향을 미치는 문제가 있다.
따라서, 인공지능을 활용하게 신속하고 정확하게 제품(대상체)에 대한 불량 여부를 판단할 수 있도록 하는 기술이 개발될 필요가 있다.
한국등록특허공보 제10-1237998호 (등록일: 2013년 02월 21일)
본 개시에 개시된 실시예는 대상체를 검사 공간에 형성된 빗면을 따라 낙하시키고, 그 낙하하는 대상체가 포함된 복수의 이미지를 하나의 이"G로 합성한 후 딥러닝을 기반으로 분석하여 불량 여부를 검출하도록 함으로써, 작업 시간 및 인건비 등의 비용을 절감할 수 있으면서도, 보다 정확한 불량 검출이 가능하도록 하는 인공지능을 활용한 낙하 이미지 분석 기반 불량 검출 장치 및 방법을 제공하는데 그 목적이 있다.
본 개시가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 기술적 과제를 달성하기 위한 본 개시에 일 측면에 따른 인공지능을 활용한 낙하 이미지 분석 기반 불량 검출 장치는, 통신모듈; 검사 공간에 형성된 빗면을 따라 낙하하는 대상체를 감지하는 센서모듈; 적어도 하나의 카메라를 기반으로 기 설정된 주기로 촬상을 수행하여 상기 대상체가 포함된 복수의 이미지를 획득하는 촬상모듈; 상기 복수의 이미지를 분석하여 불량 여부를 검출하기 위한 적어도 하나의 프로세스를 저장하는 저장모듈; 및 상기 복수의 이미지를 분석하여 불량 여부를 검출하기 위한 동작을 수행하는 제어모듈;을 포함하며, 상기 제어모듈은, 상기 대상체가 감지되면, 상기 적어도 하나의 카메라를 기반으로 기 설정된 주기로 촬상을 수행하여 복수의 이미지를 획득하고, 상기 복수의 이미지를 하나의 이미지로 합성하여 딥러닝 기반으로 상기 대상체에 대한 불량 여부를 검출하고, 상기 제어모듈은, 상기 복수의 이미지를 상기 하나의 이미지로 합성 시에, 상기 복수의 이미지에서 상기 대상체를 제외한 영역의 밝기를 기반으로 상기 복수의 이미지 각각에 대한 전처리를 수행하고, 상기 전처리된 복수의 이미지 각각에서 상기 대상체의 낙하 궤적을 검출한 후, 상기 검출된 낙하 궤적을 상기 하나의 이미지로 합성할 수 있다.
또한, 본 개시에 일 측면에 따른 인공지능을 활용한 낙하 이미지 분석 기반 불량 검출 방법은, 적어도 하나의 센서를 기반으로 검사 공간에 형성된 빗면을 따라 낙하하는 대상체를 감지하는 단계; 상기 대상체가 감지되면, 트리거 신호를 발생시키는 단계; 상기 트리거 신호가 발생되면, 적어도 하나의 카메라를 기반으로 기 설정된 주기로 촬상을 수행하여 복수의 이미지를 획득하는 단계; 및 상기 복수의 이미지를 하나의 이미지로 합성하여 딥러닝 기반으로 상기 대상체에 대한 불량 여부를 검출하는 단계;를 포함하고, 상기 복수의 이미지를 상기 하나의 이미지로 합성 시에, 상기 복수의 이미지에서 상기 대상체를 제외한 영역의 밝기를 기반으로 상기 복수의 이미지 각각에 대한 전처리를 수행하고, 상기 전처리된 복수의 이미지 각각에서 상기 대상체의 낙하 궤적을 검출한 후, 상기 검출된 낙하 궤적을 상기 하나의 이미지로 합성할 수 있다.
이 외에도, 본 개시를 구현하기 위한 실행하기 위한 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 더 제공될 수 있다.
이 외에도, 본 개시를 구현하기 위한 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.
본 개시의 전술한 과제 해결 수단에 의하면, 대상체를 검사 공간에 형성된 빗면을 따라 낙하시키고, 그 낙하하는 대상체가 포함된 복수의 이미지를 하나의 이"G로 합성한 후 딥러닝을 기반으로 분석하여 불량 여부를 검출하도록 함으로써, 작업 시간 및 인건비 등의 비용을 절감할 수 있으면서도, 보다 정확한 불량 검출이 가능하도록 하는 효과를 제공한다.
본 개시의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시의 일 실시예에 따른 인공지능을 활용한 낙하 이미지 분석 기반 불량 검출 장치의 구성을 나타내는 도면
도 2는 본 개시의 일 실시예에 따른 인공지능을 활용한 낙하 이미지 분석 기반 불량 검출 방법의 순서를 나타내는 도면
도 3 및 도 4는 본 개시의 일 실시예에 따른 낙하 이미지를 획득하기 위해 발생되는 트리거 신호를 설명하기 위한 도면
도 5는 본 개시의 일 실시예에 따른 트리거 신호를 발생시키기 위한 기준값이 설정되는 일 예를 나타내는 도면
도 6은 본 개시의 일 실시예에 따라 획득된 복수의 이미지를 하나의 이미지로 합성하기 위한 동작의 일 예를 나타내는 도면
도 7은 본 개시의 일 실시예에 따라 획득된 복수의 이미지를 제1 합성방식을 기반으로 하나의 이미지로 합성하기 위한 동작의 일 예를 나타내는 도면
도 8a는 본 개시의 일 실시예에 따라 획득된 복수의 이미지의 일 예를 나타내는 도면
도 8b는 본 개시의 일 실시예에 따라 획득된 복수의 이미지의 특성에 따라 제1 방식을 기반으로 하나의 이미지로 합성한 일 예를 나타내는 도면
도 9는 본 개시의 일 실시예에 따라 획득된 복수의 이미지를 제2 합성방식을 기반으로 하나의 이미지로 합성하기 위한 동작의 일 예를 나타내는 도면
도 10a는 본 개시의 일 실시예에 따라 획득된 복수의 이미지의 다른 예를 나타내는 도면
도 10b는 본 개시의 일 실시예에 따라 획득된 복수의 이미지의 특성에 따라 제2 방식을 기반으로 하나의 이미지로 합성한 다른 예를 나타내는 도면
본 개시의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 개시는 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 속하는 기술 분야의 통상의 기술자에게 본 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시는 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 개시를 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 개시의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시가 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
본 개시 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 개시가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 개시가 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 '부, 모듈, 부재, 블록'이라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 '부, 모듈, 부재, 블록'이 하나의 구성요소로 구현되거나, 하나의 '부, 모듈, 부재, 블록'이 복수의 구성요소들을 포함하는 것도 가능하다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐 아니라, 간접적으로 연결되어 있는 경우를 포함하고, 간접적인 연결은 무선 통신망을 통해 연결되는 것을 포함한다.
또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
명세서 전체에서, 어떤 부재가 다른 부재 "상에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
제 1, 제 2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 전술된 용어들에 의해 제한되는 것은 아니다.
단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함한다.
각 단계들에 있어 식별부호는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다.
이하 설명에서 사용되는 용어에 대하여 정의하면 하기와 같다.
본 개시를 설명함에 있어서, 서버로 한정하였으나, 컴퓨터 및/또는 휴대용 단말기를 더 포함하거나, 또는 그 중 어느 하나의 형태가 될 수 있다.
여기에서, 상기 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), 태블릿 PC, 슬레이트 PC 등을 포함할 수 있다.
상기 서버는 외부 장치와 통신을 수행하여 정보를 처리하는 서버로써, 애플리케이션 서버, 컴퓨팅 서버, 데이터베이스 서버, 파일 서버, 게임 서버, 메일 서버, 프록시 서버 및 웹 서버 등을 포함할 수 있다.
상기 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), WiBro(Wireless Broadband Internet) 단말, 스마트 폰(Smart Phone) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치와 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD) 등과 같은 웨어러블 장치를 포함할 수 있다.
이하 첨부된 도면들을 참고하여 본 개시의 작용 원리 및 실시예들에 대해 설명한다.
도 1은 본 개시의 일 실시예에 따른 인공지능을 활용한 낙하 이미지 분석 기반 불량 검출 장치의 구성을 나타내는 도면이다.
도 1을 참조하면, 본 개시의 일 실시예에 따른 인공지능을 활용한 낙하 이미지 분석 기반 불량 검출 장치(100)(이하, '불량 검출 장치'라 칭함)는 통신모듈(110), 센서모듈(120), 촬상모듈(130), 저장모듈(140) 및 제어모듈(150)을 포함할 수 있다.
통신모듈(110)은 외부 장치와 통신을 가능하게 하는 하나 이상의 구성 요소를 포함할 수 있으며, 예를 들어, 유선 통신 모듈, 무선 통신 모듈 및 근거리 통신 모듈 중 적어도 하나를 포함할 수 있으며, 이를 기반으로 신호를 송수신하도록 한다.
여기서, 유선 통신 모듈은, 지역 통신(Local Area Network; LAN) 모듈, 광역 통신(Wide Area Network; WAN) 모듈 또는 부가가치 통신(Value Added Network; VAN) 모듈 등 다양한 유선 통신 모듈뿐만 아니라, USB(Universal Serial Bus), HDMI(High Definition Multimedia Interface), DVI(Digital Visual Interface), RS-232(recommended standard), 전력선 통신, 또는 POTS(plain old telephone service) 등 다양한 케이블 통신 모듈을 포함할 수 있다.
무선 통신 모듈은 와이파이(Wifi) 모듈, 와이브로(Wireless broadband) 모듈 외에도, GSM(global System for Mobile Communication), CDMA(Code Division Multiple Access), WCDMA(Wideband Code Division Multiple Access), UMTS(universal mobile telecommunications system), TDMA(Time Division Multiple Access), WLAN(Wireless LAN), DLNA(Digital Living Network Alliance), WiBro(Wireless Broadband), WiMAX(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), 4G, 5G, 6G 등 다양한 무선 통신 방식을 지원하는 무선 통신 모듈을 포함할 수 있다.
근거리 통신 모듈은 근거리 통신(Short range communication)을 위한 것으로서, 블루투스(Bluetooth??), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다.
센서모듈(120)은 적어도 하나의 센서를 구비하여 검사 공간 및/또는 대상체에 대한 적어도 하나의 정보를 획득한다. 여기서, 대상체는 볼트일 수 있으며, 그 적어도 하나의 정보를 획득하기 위해 볼트의 특성이 적어도 하나 이상 고려될 수 있다.
구체적으로, 센서모듈(120)은 적어도 하나의 반사형 화이버 센서를 구비하여 검사 공간에 형성된 빗면(레인(lane))을 따라 낙하하는 대상체가 통과하는지 여부를 감지하고, 대상체가 통과하는 것이 감지되면 트리거 신호를 생성하여(발생시켜) 촬상모듈(130)로 전송한다.
한편, 센서모듈(120)은 적어도 하나의 조도 센서를 구비하여 검사 공간에 대한 조도를 측정하고, 그 측정값을 제어모듈(150)로 전송한다.
촬상모듈(130)은 적어도 하나의 카메라를 구비하고, 그 적어도 하나의 카메라를 기반으로 기 설정된 주기로 촬상을 수행하여 대상체가 포함된 복수의 이미지를 획득한다.
한편, 촬상모듈(130)은 센서모듈(120)로부터 트리거 신호가 전송되면, 촬상을 수행하여 그 대상체가 포함된 복수의 이미지를 획득한다.
이를 위해, 센서모듈(120)에 구비된 적어도 하나의 반사형 화이버 센서 및 적어도 하나의 카메라가 각각 연결될 수 있으며, 적어도 하나의 반사형 화이버 센서 각각은 트리거 신호를 발생시키기 위한 기준값이 각각 설정될 수 있다.
한편, 적어도 하나의 반사형 화이버 센서는 기 설정된 간격으로 이격되어 배치되는데, 기 설정된 간격은 각 반사형 화이버 센서 간 간섭이 없는 간격보다는 크되, 촬상모듈(130)에 구비된 적어도 하나의 카메라의 화각과, 대상체의 외경 및 둘레를 고려하여 결정되는 최대 간격보다는 작게 설정될 수 있다. 이때, 그 최대 간격은 하기 <수학식 1>으로 나타낼 수 있다.
[수학식 1]
Figure 112022067462351-pat00001
여기서, r은 레인을 지나는 볼트 원통의 반지름이고,
Figure 112022067462351-pat00002
는 카메라의 화각(FOV)이며, g는 반사형 화이버 센서 간 최대 간격을 나타낸다.
즉, 기 설정된 간격을 결정할 시, 대상체의 다른 특성(마찰력, 모양 등)은 반영되지 않고, 오직 빗면에 구비된 레인을 구르며 낙하하는 대상체의 외경만을 반영한다. 이로써, 그 불량 검출 장치(100)는 다양한 종류의 대상체를 검사할 수 있다.
따라서, 불량 검출 장치(100)는 대상체에 대한 불량 검출에 앞서 해당 대상체의 특성을 고려하여 적어도 하나의 반사형 화이버 센서 간 간격을 미리 산출하여 그 간격을 산출된 값에 따라 자동 조절하거나, 자동 조절하도록 제어 신호를 송신할 수 있다.
한편, 적어도 하나의 반사형 화이버 센서의 개수는 적어도 하나의 카메라 각각의 화각에 따라 결정될 수 있다. 예를 들어, 각 카메라의 화각이 60인 경우, 최소 6개의 센서가 설치될 수 있다. 다만, 센서가 트리거 신호를 전송하는데 소요되는 시간으로 인해 대상체가 센서를 통과하는 시간 및 카메라가 촬상을 수행하는 시간 사이에 시차가 있으므로, 최소 개수보다 더 많은 센서를 구비(설치)해야 한다. 더욱이, 낙하하는 대상체, 즉, 움직이는 대상체를 촬상하고, 해당 대상체가 볼트인 경우, 볼트는 원통형이기 때문에 검사 공간의 조명이 고르게 분배되지 않아 불량의 시인성이 높지 않을 위험이 있으므로, 볼트가 최소 2바퀴를 회전하는 동안 이미지를 획득할 수 있도록 최소 센서 개수의 2배를 구비하도록 한다. 그 센서의 개수는 불량 검출 장치(100)가 해당 대상체의 특성이 입력되거나 자동으로 감지함에 따라, 산출되어 제공될 수 있다. 이로써, 관리자(또는 사용자)는 그 제공된 개수를 고려하여 센서를 설치(추가 또는 제거의 개념을 포함함)할 수 있다.
저장모듈(140)은 불량 검출 장치(100)의 다양한 기능을 지원하는 데이터 및/또는 각종 정보들을 저장한다. 불량 검출 장치(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 서버(300)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다. 한편, 응용 프로그램은, 저장모듈(140)에 구비된 적어도 하나의 메모리에 저장되고, 불량 검출 장치(100) 상에 설치되어, 제어모듈(150)에 구비된 적어도 하나의 프로세서에 의하여 동작(또는 기능)을 수행하도록 구동될 수 있다.
구체적으로, 적어도 하나의 메모리는 인공지능을 활용한 낙하 이미지 분석 기반 불량 검출이 가능하도록 하는 적어도 하나의 머신러닝 모델 및 적어도 하나의 프로세스를 저장한다.
한편, 적어도 하나의 메모리는 플래시 메모리 타입(flash memory type), 하드 디스크 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. 아울러, 메모리는 일시적, 영구적 또는 반영구적으로 정보를 저장할 수 있으며, 내장형 또는 탈착형으로 제공될 수 있다.
제어모듈(150)은 적어도 하나의 프로세서를 구비할 수 있으며, 서버(300) 내 모든 구성들을 제어하여 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나, 적어도 하나의 메모리에 저장된 명령어, 알고리즘, 응용 프로그램을 실행하여 각종 프로세스를 수행하며, 인공지능을 활용한 낙하 이미지 분석 기반 불량 검출을 위한 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
구체적으로, 제어모듈(150)은 대상체가 감지되면 적어도 하나의 카메라를 기반으로 기 설정된 주기로 촬상을 수행하여 복수의 이미지를 획득하고, 그 복수의 이미지를 하나의 이미지로 합성하여 딥러닝 기반으로 대상체에 대한 불량 여부를 검출하도록 한다.
여기서, 제어모듈(150)은 대상체의 무게, 크기, 레인과의 마찰 정도 및 낙하 초속 중 적어도 하나를 기반으로 기 설정된 주기를 자동 설정할 수 있다.
한편, 제어모듈(150)은 복수의 이미지를 하나의 이미지로 합성할 시, 복수의 이미지에 포함된 대상체를 제외한 영역의 밝기를 기반으로 그 복수의 이미지 각각에 대한 전처리를 수행하고, 그 전처리된 복수의 이미지 각각에서 대상체의 낙하 궤적을 검출한 후, 검출된 낙하 궤적을 하나의 이미지로 합성한다.
이때, 제어모듈(150)은 전처리된 복수의 이미지를 하나의 이미지로 합성할 시에, 복수의 이미지에 포함된 대상체를 제외한 영역의 밝기는 그 복수의 이미지 각각에서 대상체를 제외한 영역의 평균 픽셀값을 기반으로 판단하거나, 센서모듈(120)에 구비된 적어도 하나의 조도 센서를 통해 측정된 측정값을 기반으로 판단할 수 있다. 만약, 복수의 이미지에 포함된 대상체를 제외한 영역의 밝기가 미리 설정된 임계값보다 작은 경우, 제1 합성방식에 따라 복수의 이미지를 하나의 이미지로 합성하고, 복수의 이미지에 포함된 대상체를 제외한 영역의 밝기가 미리 설정된 임계값보다 같거나 큰 경우, 제2 합성방식에 따라 복수의 이미지를 하나의 임지로 합성한다.
제1 실시예로서, 제어모듈(150)은 복수의 이미지 각각에 포함된 대상체를 제외한 영역의 평균 픽셀값이 미리 설정된 임계값보다 작은 경우, 제1 합성방식에 따라 그 전처리된 복수의 이미지 각각을 픽셀 단위로 비교하고, 가장 높은 값을 저장하여 하나의 이미지로 합성하도록 한다. 또한, 제어모듈(150)은 복수의 이미지 각각에 포함된 대상체를 제외한 영역의 평균 픽셀값이 미리 설정된 임계값보다 크거나 같은 경우, 제2 합성방식에 따라 전처리된 복수의 이미지 각각으로부터 관심 영역(Region of Interest, ROI)을 크롭(crop)한 후, 크롭 처리된 각 이미지를 연결하여 하나의 이미지로 합성한다.
제2 실시예로서, 제어모듈(150)은 적어도 하나의 조도 센서를 통해 측정된 측정값이 미리 설정된 임계값보다 작은 경우, 제1 합성방식에 따라 그 전처리된 복수의 이미지 각각을 픽셀 단위로 비교하고, 가장 높은 값을 저장하여 하나의 이미지로 합성하도록 한다. 또한, 제어모듈(150)은 적어도 하나의 조도 센서를 통해 측정된 측정값이 미리 설정된 임계값보다 크거나 같은 경우, 제2 합성방식에 따라 전처리된 복수의 이미지 각각으로부터 관심 영역(Region of Interest, ROI)을 크롭(crop)한 후, 크롭 처리된 각 이미지를 연결하여 하나의 이미지로 합성한다.
도 2는 본 개시의 일 실시예에 따른 인공지능을 활용한 낙하 이미지 분석 기반 불량 검출 방법의 순서를 나타내는 도면이다.
도 2를 참조하면, 불량 검출 장치(100)는 적어도 하나의 센서를 기반으로 검사 공간에 형성된 빗면을 따라 낙하하는 대상체를 감지한다(S210). 이때, 대상체가 볼트인 경우, 원통형의 외형을 갖게됨에 따라 안정적인 낙하를 위해 빗면에는 레인이 형성될 수 있으며, 그 대상체는 레인을 따라 구르며 낙하할 수 있다.
그 다음으로, 불량 검출 장치(100)는 대상체가 감지되면, 트리거 신호를 생성하여 전송하고(발생시키고)(S220), 그 전송된 트리거 신호에 의해 적어도 하나의 카메라를 기반으로 기 설정된 주기로 촬상을 수행하여 복수의 이미지를 획득한다(S230).
그 다음으로, 불량 검출 장치(100)는 S230 단계에 의해 획득된 복수의 이미지에서 대상체를 제외한 영역의 밝기에 따라 제1 합성방식 또는 제2 합성방식을 이용하여 그 복수의 이미지를 하나의 이미지로 합성한 후(S240), 딥러닝을 기반으로 대상체에 대한 불량 여부를 검출한다(S250).
도 3 및 도 4는 본 개시의 일 실시예에 따른 낙하 이미지를 획득하기 위해 발생되는 트리거 신호를 설명하기 위한 도면으로서, 도 2의 S220 단계에 의해 생성되는 트리거 신호를 나타낸다.
도 3에 도시된 바와 같이, 이 트리거 신호는 라이징(상승) 엣지 및 폴링(하강) 엣지를 갖는다. 즉, 대상체가 통과하는 것을 감지하면 제어모듈(150)은 노이즈가 낀 전기신호로부터 라이징 엣지 및 폴링 엣지를 산출한다. 이때, 반사형 화이버 센서에 볼트가 감지되지마자 촬상하기 위해 라이징 엣지의 경우, 카메라가 촬상하도록 이 트리거 신호를 발생시켜 전달한다.
도 5는 본 개시의 일 실시예에 따른 트리거 신호를 발생시키기 위한 기준값이 설정되는 일 예를 나타내는 도면이다.
센서모듈(120)에 구비된 적어도 하나의 반사형 화이버 센서 각각 마다 민감도가 상이할 수 있고, 대상체의 재질에 따라 그 반사율이 다르기 때문에, 각 반사형 화이버 센서 별로 트리거 신호를 발생시키는 기준값이 상이하게 설정될 수 있다.
예를 들어, 센서모듈(120)에 제1 반사형 화이버 센서 및 제2 반사형 화이버 센서로 2개 구비되어 있다면, 두 센서의 민감도에 따라 제1 반사형 화이버 센서에는 제1 기준값이 설정되고, 제2 반사형 화이버 센서에는 제2 기준값이 설정될 수 있다.
도 6은 본 개시의 일 실시예에 따라 획득된 복수의 이미지를 하나의 이미지로 합성하기 위한 동작의 일 예를 나타내는 도면으로서, 도 2의 S240 단계를 제1 실시예를 기반으로 구체적으로 나타낸 것이다.
도 6을 참조하면, 불량 검출 장치(100)는 복수의 이미지에서 대상체를 제외한 영역의 평균 픽셀값을 산출하여 확인하고(S241), 그 평균 픽셀값과 미리 설정된 임계값을 비교한다(S242).
S242 단계에 따른 비교 결과, 평균 픽셀값이 미리 설정된 임계값 보다 작은 경우, 제1 합성방식을 수행하여 복수의 이미지를 하나의 이미지로 합성하고(S243), 그 비교 결과, 평균 픽셀값이 미리 설정된 임계값 보다 크거나 같은 경우, 제2 합성방식을 수행하여 복수의 이미지를 하나의 이미지로 합성한다(S244). 여기서, 제1 합성방식 및 제2 합성방식은 앞서 제1 실시예 및 제2 실시예를 설명하면서 구체적으로 기재하였으나, 이하에서 도 7 내지 도10을 참조하여 더욱 상세하게 설명하도록 한다.
도 7은 본 개시의 일 실시예에 따라 획득된 복수의 이미지를 제1 합성방식을 기반으로 하나의 이미지로 합성하기 위한 동작의 일 예를 나타내는 도면이다.
도 7을 참조하면, 불량 검출 장치(100)는 복수의 이미지 각각에 대한 전처리를 수행하고(S2431), 그 전처리된 복수의 이미지 각각을 픽셀 단위로 비교한다(S2432).
그 다음으로, 불량 검출 장치(100)는 가장 높은 픽셀값을 저장하여 하나의 이미지로 합성한다(S2433).
도 8a는 본 개시의 일 실시예에 따라 획득된 복수의 이미지의 일 예를 나타내는 도면이고, 도 8b는 본 개시의 일 실시예에 따라 획득된 복수의 이미지의 특성에 따라 제1 방식을 기반으로 하나의 이미지로 합성한 일 예를 나타내는 도면이다.
도 8a에 도시된 바와 같이, 검사 공간에 형성된 빗면을 따라 구르며 낙하하는 대상체를 촬상하여 (a) 내지 (e)와 같은 복수의 이미지가 획득되면, 그 복수의 이미지에서 (b) 및 (e)에 표시된 부분과 같이 가장 높은 픽셀값만을 저장하여 하나의 이미지로 합성한다.
즉, 도 8a의 (a) 내지 (e)의 복수의 이미지가 도 8b와 같이 하나의 이미지로 합성되는 것이다. 이때, 그 하나의 이미지는 도 8b에 도시된 바와 같이, 결함 부분, 즉, 가장 높은 픽셀값을 갖는 부분만 표시되어 합성된 것일 수 있다.
도 9는 본 개시의 일 실시예에 따라 획득된 복수의 이미지를 제2 합성방식을 기반으로 하나의 이미지로 합성하기 위한 동작의 일 예를 나타내는 도면이다.
도 9를 참조하면, 불량 검출 장치(100)는 복수의 이미지 각각에 대한 전처리를 수행하고(S2441), 그 전처리된 복수의 이미지 각각으로부터 대상체 영역만을 관심 영역으로서 크롭한다(S2442).
그 다음으로, 불량 검출 장치(100)는 S2442 단계에 의해 크롭 처리된 각 이미지를 시계열순으로 배열하여 하나의 이미지로 합성한다(S2443).
도 10a는 본 개시의 일 실시예에 따라 획득된 복수의 이미지의 다른 예를 나타내는 도면이고, 도 10b는 본 개시의 일 실시예에 따라 획득된 복수의 이미지의 특성에 따라 제2 방식을 기반으로 하나의 이미지로 합성한 다른 예를 나타내는 도면이다.
도 10a에 도시된 바와 같이, 검사 공간에 형성된 빗면을 따라 구르며 낙하하는 대상체를 촬상하여 (a) 내지 (e)와 같은 복수의 이미지가 획득되면, 그 복수의 이미지에서 각각 대상체가 있는 영역만을 관심 영역으로서 크롭하고, 그 크롭된 각 이미지를 시계열순으로 배열하여 하나의 이미지로 합성한다.
즉, 도 10a의 (a) 내지 (e)의 복수의 이미지가 도 10b와 같이 하나의 이미지로 합성되는 것이다.
한편, 개시된 실시예들은 컴퓨터에 의해 실행 가능한 명령어를 저장하는 기록매체의 형태로 구현될 수 있다. 명령어는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 프로그램 모듈을 생성하여 개시된 실시예들의 동작을 수행할 수 있다. 기록매체는 컴퓨터로 읽을 수 있는 기록매체로 구현될 수 있다.
컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터에 의하여 해독될 수 있는 명령어가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있을 수 있다.
이상에서와 같이 첨부된 도면을 참조하여 개시된 실시예들을 설명하였다. 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 본 개시의 기술적 사상이나 필수적인 특징을 변경하지 않고도, 개시된 실시예들과 다른 형태로 본 개시가 실시될 수 있음을 이해할 것이다. 개시된 실시예들은 예시적인 것이며, 한정적으로 해석되어서는 안된다.
100: 불량 검출 장치 110: 통신모듈
120: 센서모듈 130: 촬상모듈
140: 저장모듈 150: 제어모듈

Claims (10)

  1. 인공지능을 활용한 낙하 이미지 분석 기반 불량 검출 장치에 있어서,
    통신모듈;
    검사 공간에 형성된 빗면에 구비되는 레인(lane)을 따라 구르며 낙하하는 대상체를 감지하는 센서모듈-상기 대상체는, 볼트(blot)임-;
    적어도 하나의 카메라를 기반으로 기 설정된 주기로 촬상을 수행하여 상기 대상체가 포함된 복수의 이미지를 획득하는 촬상모듈;
    상기 복수의 이미지를 분석하여 불량 여부를 검출하기 위한 적어도 하나의 프로세스를 저장하는 저장모듈; 및
    상기 복수의 이미지를 분석하여 불량 여부를 검출하기 위한 동작을 수행하는 제어모듈;을 포함하며,
    상기 제어모듈은,
    상기 대상체가 감지되면, 상기 적어도 하나의 카메라를 기반으로 기 설정된 주기로 촬상을 수행하여 복수의 이미지를 획득하고, 상기 복수의 이미지를 하나의 이미지로 합성하여 딥러닝 기반으로 상기 대상체에 대한 불량 여부를 검출하고,
    상기 제어모듈은,
    상기 복수의 이미지를 상기 하나의 이미지로 합성 시에,
    상기 복수의 이미지에서 상기 대상체를 제외한 영역의 밝기를 기반으로 상기 복수의 이미지 각각에 대한 전처리를 수행하고, 상기 전처리된 복수의 이미지 각각에서 상기 대상체의 낙하 궤적을 검출한 후, 상기 검출된 낙하 궤적을 상기 하나의 이미지로 합성하며,
    상기 제어모듈은,
    상기 복수의 이미지 각각에서 상기 대상체를 제외한 영역의 평균 픽셀값이 미리 설정된 임계값보다 작은 경우,
    상기 전처리된 복수의 이미지 각각을 픽셀 단위로 비교하고, 가장 높은 값을 저장하여 상기 하나의 이미지로 합성하는 것을 특징으로 하는,
    인공지능을 활용한 낙하 이미지 분석 기반 불량 검출 장치.
  2. 삭제
  3. 제1항에 있어서,
    상기 제어모듈은,
    상기 복수의 이미지 각각에서 상기 대상체를 제외한 영역의 평균 픽셀값이 미리 설정된 임계값보다 크거나 같은 경우,
    상기 전처리된 복수의 이미지 각각으로부터 관심 영역(Region of Interest, ROI)을 크롭(crop)한 후, 크롭 처리된 각 이미지를 연결하여 상기 하나의 이미지로 합성하는 것을 특징으로 하는,
    인공지능을 활용한 낙하 이미지 분석 기반 불량 검출 장치.
  4. 제1항에 있어서,
    상기 센서모듈은,
    기 설정된 간격으로 이격되어 배치되는 적어도 하나의 반사형 화이버 센서를 포함하는 것을 특징으로 하는,
    인공지능을 활용한 낙하 이미지 분석 기반 불량 검출 장치.
  5. 제4항에 있어서,
    상기 기 설정된 간격은,
    상기 적어도 하나의 카메라의 화각과, 상기 대상체의 외경 및 둘레를 고려하여 결정되는 최대 간격보다 작게 설정되는 것을 특징으로 하는,
    인공지능을 활용한 낙하 이미지 분석 기반 불량 검출 장치.
  6. 제5항에 있어서,
    상기 적어도 하나의 반사형 화이버 센서 각각은,
    상기 적어도 하나의 카메라에 연결되어 트리거 신호를 발생시켜 전송하되, 상기 트리거 신호를 발생시키기 위한 기준값이 각각 설정되는 것을 특징으로 하는,
    인공지능을 활용한 낙하 이미지 분석 기반 불량 검출 장치.
  7. 제6항에 있어서,
    상기 센서모듈은,
    상기 검사 공간의 조도를 측정하는 조도 센서를 더 포함하는 것을 특징으로 하는,
    인공지능을 활용한 낙하 이미지 분석 기반 불량 검출 장치.
  8. 제7항에 있어서,
    상기 제어모듈은,
    상기 측정된 조도값이 미리 설정된 임계값보다 작은 경우, 제1 합성방식을 수행하고,
    상기 측정된 조도값이 미리 설정된 임계값보다 같거나 큰 경우, 제2 합성방식을 수행하는 것을 특징으로 하는,
    인공지능을 활용한 낙하 이미지 분석 기반 불량 검출 장치.
  9. 제1항에 있어서,
    상기 제어모듈은,
    상기 대상체의 무게, 크기, 레인(lane)과의 마찰 정도 및 낙하 초속 중 적어도 하나를 기반으로 상기 기 설정된 주기를 자동 설정하는 것을 특징으로 하는,
    인공지능을 활용한 낙하 이미지 분석 기반 불량 검출 장치.
  10. 장치에 의해 수행되는, 인공지능을 활용한 낙하 이미지 분석 기반 불량 검출 방법에 있어서,
    적어도 하나의 센서를 기반으로 검사 공간에 형성된 빗면에 구비되는 레인(lane)을 따라 구르며 낙하하는 대상체를 감지하는 단계-상기 대상체는, 볼트(bolt)임-;
    상기 대상체가 감지되면, 트리거 신호를 발생시키는 단계;
    상기 트리거 신호가 발생되면, 적어도 하나의 카메라를 기반으로 기 설정된 주기로 촬상을 수행하여 복수의 이미지를 획득하는 단계; 및
    상기 복수의 이미지를 하나의 이미지로 합성하여 딥러닝 기반으로 상기 대상체에 대한 불량 여부를 검출하는 단계;를 포함하고,
    상기 복수의 이미지를 상기 하나의 이미지로 합성 시에,
    상기 복수의 이미지에서 상기 대상체를 제외한 영역의 밝기를 기반으로 상기 복수의 이미지 각각에 대한 전처리를 수행하고, 상기 전처리된 복수의 이미지 각각에서 상기 대상체의 낙하 궤적을 검출한 후, 상기 검출된 낙하 궤적을 상기 하나의 이미지로 합성하며,
    상기 복수의 이미지 각각에서 상기 대상체를 제외한 영역의 평균 픽셀값이 미리 설정된 임계값보다 작은 경우,
    상기 전처리된 복수의 이미지 각각을 픽셀 단위로 비교하고, 가장 높은 값을 저장하여 상기 하나의 이미지로 합성하는 것을 특징으로 하는,
    인공지능을 활용한 낙하 이미지 분석 기반 불량 검출 방법.
KR1020220078916A 2022-06-28 2022-06-28 인공지능을 활용한 낙하 이미지 분석 기반 불량 검출 장치 및 방법 KR102441368B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220078916A KR102441368B1 (ko) 2022-06-28 2022-06-28 인공지능을 활용한 낙하 이미지 분석 기반 불량 검출 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220078916A KR102441368B1 (ko) 2022-06-28 2022-06-28 인공지능을 활용한 낙하 이미지 분석 기반 불량 검출 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102441368B1 true KR102441368B1 (ko) 2022-09-07

Family

ID=83278552

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220078916A KR102441368B1 (ko) 2022-06-28 2022-06-28 인공지능을 활용한 낙하 이미지 분석 기반 불량 검출 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102441368B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101237998B1 (ko) 2011-07-28 2013-02-27 한국동서발전(주) 볼트 및 볼트 홀 결함 검사 장치
JP2021056182A (ja) * 2019-10-02 2021-04-08 コニカミノルタ株式会社 ワークの表面欠陥検出装置及び検出方法、ワークの表面検査システム並びにプログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101237998B1 (ko) 2011-07-28 2013-02-27 한국동서발전(주) 볼트 및 볼트 홀 결함 검사 장치
JP2021056182A (ja) * 2019-10-02 2021-04-08 コニカミノルタ株式会社 ワークの表面欠陥検出装置及び検出方法、ワークの表面検査システム並びにプログラム

Similar Documents

Publication Publication Date Title
US20210174495A1 (en) System and method for hyperspectral image processing to identify foreign object
US9773304B2 (en) Inspection apparatus, inspection method, and program
KR102625525B1 (ko) 렌즈의 하나 이상의 광학 파라미터들을 결정하는 장치, 시스템 및 방법
KR20200018640A (ko) 객체 식별을 위한 초분광 이미지 프로세싱을 위한 시스템 및 방법
US10108872B2 (en) Multi-angle product imaging device
EP3182060B1 (en) Shape inspection apparatus for metallic body and shape inspection method for metallic body
CN112767366A (zh) 基于深度学习的图像识别方法、装置、设备及存储介质
JP2007292699A (ja) 部材の表面検査方法
CN105763871A (zh) 一种摄像机清晰度的实时检测系统及检测方法
CN110082364A (zh) 一种基于机器视觉的产品包装检测系统
KR102441368B1 (ko) 인공지능을 활용한 낙하 이미지 분석 기반 불량 검출 장치 및 방법
US20160301869A1 (en) Translation display device, translation display method, and control program
JP2013079880A (ja) 画質検査方法、画質検査装置及び画質検査プログラム
JP2024026316A (ja) 自動検査および部品登録
CN113096111A (zh) 物料检测方法、系统、计算机程序产品及可读存储介质
US11812131B2 (en) Determination of appropriate image suitable for feature extraction of object from among captured images in which object is detected
US11119304B2 (en) Determining an error in a moving distance of a microscope
CN116105604B (zh) 钢管质量检测系统及检测方法
Lenty Machine vision system for quality control of molded plastic packaging
CN111898463A (zh) 烟火检测识别方法和装置、存储介质及电子装置
CN113108919B (zh) 人体温度检测方法、装置和存储介质
US20190220984A1 (en) Image processing device, image processing system, image processing method, and program storage medium
CN111932581B (zh) 安全绳检测方法、装置、电子设备和可读存储介质
KR20210128357A (ko) 인공지능 기반 외관 표면 품질 검사 장치 및 방법
KR102545144B1 (ko) 딥러닝 알고리즘에 기반한 불량품 검사 솔루션 제공 장치 및 그 방법

Legal Events

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