KR102627233B1 - 영상 기반 이상 탐지 모델을 이용한 초고압 전선 외관 품질 검사 시스템 - Google Patents
영상 기반 이상 탐지 모델을 이용한 초고압 전선 외관 품질 검사 시스템 Download PDFInfo
- Publication number
- KR102627233B1 KR102627233B1 KR1020230128848A KR20230128848A KR102627233B1 KR 102627233 B1 KR102627233 B1 KR 102627233B1 KR 1020230128848 A KR1020230128848 A KR 1020230128848A KR 20230128848 A KR20230128848 A KR 20230128848A KR 102627233 B1 KR102627233 B1 KR 102627233B1
- Authority
- KR
- South Korea
- Prior art keywords
- wire
- processor
- patch
- anomaly detection
- appearance quality
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 238000007689 inspection Methods 0.000 title claims abstract description 43
- 238000004519 manufacturing process Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims description 36
- 230000007547 defect Effects 0.000 claims description 27
- 230000003287 optical effect Effects 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 8
- 230000002950 deficient Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 17
- 238000013473 artificial intelligence Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000003860 storage Methods 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 101100233822 Oryza sativa subsp. japonica ADK-A gene Proteins 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/952—Inspecting the exterior surface of cylindrical bodies or wires
-
- 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
-
- 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
- G01N21/84—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
- G01N2021/8854—Grading and classifying of 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
- G01N21/8851—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
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/888—Marking defects
-
- 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
- G01N2021/8883—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 involving the calculation of gauges, generating models
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
영상 기반 이상 탐지 모델을 이용한 초고압 전선 외관 품질 검사 시스템이 개시된다. 초고압 전선 외관 품질 검사 시스템은 영상 기반 이상 탐지 모델(anomaly detection model)을 통해 전선 생산 라인에서 생산 중인 전선에 대한 실시간 영상 데이터를 이용하여 상기 전선의 외관 품질 검사를 수행할 수 있다.
Description
아래의 설명은 인공지능 모델을 이용하여 초고압 전선의 외관 품질을 검사하는 기술에 관한 것이다.
최근, 인공지능이 급속도로 발전함에 따라 다양한 산업 분야에서 제품 외관 검사, 예지 보전 등 다양한 분야에서 인공지능을 활용하려는 시도들이 보인다. 특히, 제품의 외관 검사 분야에서는 검사 대상자마다의 불량 기준이 다르고, 피로도 등에 따라 발생할 수 있는 휴먼 에러를 최소화하기 위해 인공지능 기술의 도입을 시도하고 있다.
그러나, 일반적인 제조 현장에서는 작업 효율, 카메라 설치 불가 등에 대한 이유로 불량 데이터를 따로 수집할 수 없는 환경이 대다수이고, 수집하더라도 다양하게 발생할 수 있는 모든 패턴에 대한 불량 데이터의 수가 현저히 적어 일반적인 인공지능 모델을 학습하여 운영에 사용하기에는 무리가 있다.
그렇기 때문에 제조 산업 분야에서는 영상 기반 이상 탐지 모델을 활용하여 기존의 인공지능 모델의 문제를 해결하려는 시도들이 있다.
그 중 SVDD[TAX, David MJ; DUIN, Robert PW. "Support vector data description." Machine learning, 2004.]는 정상 데이터의 특징들을 포함하는 최소의 구를 찾아 이상 상태를 판별하는 방법으로, 빠르게 이상 상태를 탐지할 수 있는 장점은 있는 반면, 정상 데이터와 유사한 특징을 갖는 비정상 특징에 대해서는 검출이 불가능하다는 단점이 있다.
다음, SPADE[Cohen, Niv, and Yedid Hoshen. "Sub-image anomaly detection with deep pyramid correspondences." arXiv preprint. 2020.]는 사전 학습된 합성곱 신경망을 통해 픽셀 레벨의 모든 특징을 추출하여 비교하는 방식으로, 모든 특징을 비교하기 때문에 검사 속도가 느려 실시간 환경에서 사용하기 어렵다.
또한, PaDiM[DEFARD, Thomas, et al. "Padim: a patch distribution modeling framework for anomaly detection and localization." International Conference on Pattern Recognition. Cham: Springer International Publishing, 2021.]은 SPADE를 개선하기 위한 방법으로, 특징들을 패치 단위로 추출하여 비교하기 때문에 빠르다는 장점은 있으나, 동일 위치의 특징 패치만 비교하기 때문에 패치 별 위치가 다른 경우 정합성이 매우 낮아지는 단점이 있다.
그리고, AnoGAN[SCHLEGL, Thomas, et al. "Unsupervised anomaly detection with generative adversarial networks to guide marker discovery." International conference on information processing in medical imaging. Cham: Springer International Publishing, 2017.]은 GAN(generative adversarial network)을 이용하는 방법으로, 생성기(generator)를 정상 데이터와 유사한 이미지를 만들도록 유도하고, 예측 환경에서는 예측 이미지와 생성 이미지의 차이를 이용하여 판단하도록 한다. 그러나, AnoGAN 방식 또한 실시간에 적용할 수 없는 예측 속도를 갖는다는 단점이 있다.
초고압 전선의 모든 면을 실시간 검사할 수 있는 광학계 설비와 영상 기반 이상 탐지 모델인 패치 코어 이상 탐지(Patch-Core Anomaly Detection) 기술 기반의 인공지능 모델을 이용하여 초고압 전선 생산 라인에서 전선의 외관 품질을 실시간으로 검사할 수 있는 방법과 시스템을 제공한다.
컴퓨터로 구현되는 전선 외관 품질 검사 시스템에 있어서, 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 영상 기반 이상 탐지 모델(anomaly detection model)을 통해 전선 생산 라인에서 생산 중인 전선에 대한 실시간 영상 데이터를 이용하여 상기 전선의 외관 품질을 검사하는 과정을 처리하는 전선 외관 품질 검사 시스템을 제공한다.
일 측면에 따르면, 상기 적어도 하나의 프로세서는, 상기 영상 기반 이상 탐지 모델로서 패치(patch) 단위의 특징(feature)을 기초로 이상 상태를 판별하는 패치 코어(patch-core) 이상 탐지 모델을 이용하여 상기 전선의 외관 품질을 검사할 수 있다.
다른 측면에 따르면, 상기 적어도 하나의 프로세서는, 사전 학습된 합성곱 신경망을 통해 상기 전선에 대한 실시간 영상으로 주어진 예측 대상 이미지에서 특징을 추출하고, 상기 예측 대상 이미지에서 추출된 특징을 로컬 인식 패치 피처(locally aware patch feature)로 생성하고, 상기 로컬 인식 패치 피처를 코어셋 샘플링(Coreset sampling)을 통해 샘플링하고, 상기 샘플링된 패치 피처를 kNN(k-nearest neighbor) 알고리즘을 통해 정상 패턴과 비교하여 상기 전선의 외관 불량을 판별할 수 있다.
또 다른 측면에 따르면, 상기 적어도 하나의 프로세서는, 상기 샘플링된 패치 피처와 사전 학습된 정상 패턴 군집 간의 거리를 계산하고, 상기 계산된 거리가 기준 거리 값을 초과하는 경우 비정상 패턴인 외관 불량으로 판단하고, 상기 외관 불량으로 판단됨에 따라 상기 전선 생산 라인 상의 경광봉 알림을 제공할 수 있다.
또 다른 측면에 따르면, 상기 적어도 하나의 프로세서는, 정상 패턴의 외관을 가진 전선 이미지에서 추출된 특징을 로컬 인식 패치 피처로 생성한 후 상기 로컬 인식 패치 피처를 코어셋 샘플링을 통해 샘플링하여 상기 샘플링된 패치 피처를 메모리 뱅크에 저장하고, 상기 패치 코어 이상 탐지 모델은 상기 메모리 뱅크에 저장된 패치 피처로 전선의 정상적인 외관 패턴이 사전 학습된 이상 탐지 모델일 수 있다.
또 다른 측면에 따르면, 상기 전선 생산 라인에는 상기 전선의 모든 면을 촬영하기 위한 카메라와 공장 특성 상 발생 가능한 주변광을 제어하기 위한 조명이 포함된 광학계 기구가 설치되고, 상기 적어도 하나의 프로세서는, 상기 카메라를 통해 상기 전선에 대한 실시간 영상을 상기 예측 대상 이미지로 입력받을 수 있다.
또 다른 측면에 따르면, 상기 광학계 기구는 상기 전선의 불량 발생 위치를 측정하기 위한 카운터 미터기를 포함하고, 상기 적어도 하나의 프로세서는, 상기 카운터 미터기를 통해 상기 전선의 불량 발생 위치 정보를 획득하여 불량 발생 위치가 감지된 전선 이미지를 데이터베이스에 저장할 수 있다.
본 발명의 실시예들에 따르면, 영상 기반 이상 탐지 모델인 패치 코어 이상 탐지 모델과 광학계 설비를 이용하여 초고압 전선 생산 라인에서 초고압 전선의 외관 품질을 실시간으로 검사할 수 있다.
도 1은 본 발명의 일실시예에 있어서 컴퓨터 장치의 내부 구성의 일례를 설명하기 위한 블록도이다.
도 2는 이상 탐지 기술을 설명하기 위한 예시 도면이다.
도 3은 본 발명의 일실시예에 있어서 초고압 전선 외관 품질 검사 모델의 전체 프레임워크를 도시한 것이다.
도 4는 본 발명의 일실시예에 있어서 초고압 전선 외관 품질 검사 방법을 도시한 순서도이다.
도 5는 본 발명의 일실시예에 있어서 초고압 전선 외관 품질 검사 모델의 학습 데이터 생성 및 학습 예시를 도시한 것이다.
도 6은 본 발명의 일실시예에 있어서 초고압 전선 외관 품질 검사를 통한 이상 탐지 결과 예시를 도시한 것이다.
도 7 내지 도 8은 본 발명의 일실시예에 있어서 초고압 전선 외관 품질 광학계 설비를 도시한 것이다.
도 2는 이상 탐지 기술을 설명하기 위한 예시 도면이다.
도 3은 본 발명의 일실시예에 있어서 초고압 전선 외관 품질 검사 모델의 전체 프레임워크를 도시한 것이다.
도 4는 본 발명의 일실시예에 있어서 초고압 전선 외관 품질 검사 방법을 도시한 순서도이다.
도 5는 본 발명의 일실시예에 있어서 초고압 전선 외관 품질 검사 모델의 학습 데이터 생성 및 학습 예시를 도시한 것이다.
도 6은 본 발명의 일실시예에 있어서 초고압 전선 외관 품질 검사를 통한 이상 탐지 결과 예시를 도시한 것이다.
도 7 내지 도 8은 본 발명의 일실시예에 있어서 초고압 전선 외관 품질 광학계 설비를 도시한 것이다.
이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
본 발명의 실시예들은 인공지능 모델을 이용하여 초고압 전선의 외관 품질을 검사하는 기술에 관한 것이다.
본 명세서에서 구체적으로 개시되는 것들을 포함하는 실시예들은 영상 기반 이상 탐지 모델과 광학계 기구를 이용하여 초고압 전선 생산 라인에서 전선의 외관 품질을 실시간으로 검사할 수 있다.
본 발명의 실시예들에 따른 전선 외관 품질 검사 시스템은 적어도 하나의 컴퓨터 장치에 의해 구현될 수 있으며, 본 발명의 실시예들에 따른 전선 외관 품질 검사 방법은 전선 외관 품질 검사 시스템에 포함되는 적어도 하나의 컴퓨터 장치를 통해 수행될 수 있다. 이때, 컴퓨터 장치에는 본 발명의 일실시예에 따른 컴퓨터 프로그램이 설치 및 구동될 수 있고, 컴퓨터 장치는 구동된 컴퓨터 프로그램의 제어에 따라 본 발명의 실시예들에 따른 전선 외관 품질 검사 방법을 수행할 수 있다. 상술한 컴퓨터 프로그램은 컴퓨터 장치와 결합되어 전선 외관 품질 검사 방법을 컴퓨터에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장될 수 있다.
도 1은 본 발명의 일실시예에 따른 컴퓨터 장치의 예를 도시한 블록도이다. 예를 들어, 본 발명의 실시예들에 따른 전선 외관 품질 검사 시스템은 도 1을 통해 도시된 컴퓨터 장치(100)에 의해 구현될 수 있다.
도 1에 도시된 바와 같이 컴퓨터 장치(100)는 본 발명의 실시예들에 따른 전선 외관 품질 검사 방법을 실행하기 위한 구성요소로서, 메모리(110), 프로세서(120), 통신 인터페이스(130) 그리고 입출력 인터페이스(140)를 포함할 수 있다.
메모리(110)는 컴퓨터에서 판독 가능한 기록매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 여기서 ROM과 디스크 드라이브와 같은 비소멸성 대용량 기록장치는 메모리(110)와는 구분되는 별도의 영구 저장 장치로서 컴퓨터 장치(100)에 포함될 수도 있다. 또한, 메모리(110)에는 운영체제와 적어도 하나의 프로그램 코드가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 메모리(110)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 메모리(110)로 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 인터페이스(130)를 통해 메모리(110)에 로딩될 수도 있다. 예를 들어, 소프트웨어 구성요소들은 네트워크(160)를 통해 수신되는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 컴퓨터 장치(100)의 메모리(110)에 로딩될 수 있다.
프로세서(120)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(110) 또는 통신 인터페이스(130)에 의해 프로세서(120)로 제공될 수 있다. 예를 들어, 프로세서(120)는 메모리(110)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
통신 인터페이스(130)는 네트워크(160)를 통해 컴퓨터 장치(100)가 다른 장치와 서로 통신하기 위한 기능을 제공할 수 있다. 일례로, 컴퓨터 장치(100)의 프로세서(120)가 메모리(110)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이나 명령, 데이터, 파일 등이 통신 인터페이스(130)의 제어에 따라 네트워크(160)를 통해 다른 장치들로 전달될 수 있다. 역으로, 다른 장치로부터의 신호나 명령, 데이터, 파일 등이 네트워크(160)를 거쳐 컴퓨터 장치(100)의 통신 인터페이스(130)를 통해 컴퓨터 장치(100)로 수신될 수 있다. 통신 인터페이스(130)를 통해 수신된 신호나 명령, 데이터 등은 프로세서(120)나 메모리(110)로 전달될 수 있고, 파일 등은 컴퓨터 장치(100)가 더 포함할 수 있는 저장 매체(상술한 영구 저장 장치)로 저장될 수 있다.
통신 방식은 제한되지 않으며, 네트워크(160)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망)을 활용하는 통신 방식뿐만 아니라 기기들 간의 근거리 유선/무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(160)는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(160)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.
입출력 인터페이스(140)는 입출력 장치(150)와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 마이크, 키보드, 카메라 또는 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커와 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(140)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 입출력 장치(150)는 컴퓨터 장치(100)와 하나의 장치로 구성될 수도 있다.
또한, 다른 실시예들에서 컴퓨터 장치(100)는 도 1의 구성요소들보다 더 적은 혹은 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 컴퓨터 장치(100)는 상술한 입출력 장치(150) 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다.
이하에서는 영상 기반 이상 탐지 모델을 이용한 초고압 전선 외관 품질 검사 기술의 구체적인 실시예를 설명하기로 한다.
본 발명에 따른 전선 외관 품질 검사 시스템은 초고압 전선 생산 라인에서 전선의 외관 품질을 검사하기 위한 것으로, 초고압 전선의 모든 면을 실시간 검사할 수 있는 광학계 설비와 함께, 패치 코어 이상 탐지 기술을 이용한 인공지능 모델로 구성된 영상 기반 이상 탐지 모델을 포함할 수 있다.
초고압 전선의 외관 품질 검사를 위한 광학계 기구는 생산 라인 상에서 전선의 모든 면을 촬영할 수 있도록 3대의 카메라와 2대의 조명을 이용하여 구성될 수 있으며, 전선의 불량 발생 위치를 측정할 수 있는 카운터 미터기를 포함할 수 있다.
또한, 초고압 전선 외관 품질 광학계 설비에는 생산 주인 초고압 전선의 불량 발생 시 현장 작업자에게 즉각 알려줄 수 있도록 생산 라인 상에 경광봉이 설치될 수 있다.
그리고, 본 실시예에서 초고압 전선의 외관 검사를 위한 이상 탐지 모델은 SOTA(state-of-the-art)인 패치 코어 이상 탐지 기술을 사용하여 학습될 수 있다.
도 2는 이상 탐지 기술을 설명하기 위한 예시 도면이다.
도 2를 참조하면, 이상 탐지 기술은 정상 패턴으로서 예상되거나 기대하는 관찰 값이 아닌, 정상 패턴 군집을 벗어난 비정상 패턴을 찾아내는 방법이다.
이상 탐지 기술은 보안, 금융, 시스템 상태 체크, 제조업 등 다양한 분야에서 활용될 수 있다.
보안 분야에서는 네트워크 트래픽의 이상징후를 탐지하거나, 이상 사용 패턴을 탐지하거나, DDOS, APT 침입 등 주요 정보 유출 및 서비스 다운 방지 등을 위해 이상 탐지 기술이 사용될 수 있다.
금융 분야에서는 고객의 평소 구매 장소, 건당 평균 구매 금액과 다른 패턴의 구매 패턴을 기초로 카드 복제나 도난 사용 등을 탐지하기 위해 이상 탐지 기술이 사용될 수 있다.
또한, 하드웨어 및 소프트웨어의 교체 시점, 또는 유지 보수 기간 동안 이상 징후 등을 미리 탐지하는 예방 보전 목적으로 이상 탐지 기술이 활용될 수 있다.
그 외 제조업 분야에서는 센서 데이터를 활용하여 장비가 망가지는 것을 대비하는 예지 보전 기술로 이상 탐지 기술이 활용될 수 있다.
본 실시예에서는 영상 데이터를 활용하여 생산 라인에서의 양산품인 초고압 전선의 외관 품질을 검사하기 위해 이상 탐지 기술을 적용할 수 있다.
도 3은 본 발명의 일실시예에 있어서 초고압 전선 외관 품질 검사 모델의 전체 프레임워크를 도시한 것이고, 도 4는 본 발명의 일실시예에 있어서 초고압 전선 외관 품질 검사 방법을 도시한 순서도이다.
본 발명에 따른 초고압 전선 외관 품질 검사 모델은 패치 코어 이상 탐지 모델로 구성될 수 있으며, 학습 프레임워크와 예측 프레임워크의 구체적인 구현은 다음과 같다.
컴퓨터 장치(100)의 프로세서(120)는 이하의 전선 외관 품질 검사 방법을 수행하기 위한 구성요소로 구현될 수 있다. 실시예에 따라 프로세서(120)의 구성요소들은 선택적으로 프로세서(120)에 포함되거나 제외될 수도 있다. 또한, 실시예에 따라 프로세서(120)의 구성요소들은 프로세서(120)의 기능의 표현을 위해 분리 또는 병합될 수도 있다.
이러한 프로세서(120) 및 프로세서(120)의 구성요소들은 이하의 전선 외관 품질 검사 방법이 포함하는 단계들을 수행하도록 컴퓨터 장치(100)를 제어할 수 있다. 예를 들어, 프로세서(120) 및 프로세서(120)의 구성요소들은 메모리(110)가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다.
여기서, 프로세서(120)의 구성요소들은 컴퓨터 장치(100)에 저장된 프로그램 코드가 제공하는 명령에 따라 프로세서(120)에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다.
프로세서(120)는 컴퓨터 장치(100)의 제어와 관련된 명령이 로딩된 메모리(110)로부터 필요한 명령을 읽어들일 수 있다. 이 경우, 상기 읽어들인 명령은 프로세서(120)가 이후 설명될 단계들을 실행하도록 제어하기 위한 명령을 포함할 수 있다.
이후 설명될 전선 외관 품질 검사 방법이 포함하는 단계들은 도시된 순서와 다른 순서로 수행될 수 있으며, 단계들 중 일부가 생략되거나 추가의 과정이 더 포함될 수 있다.
모델 학습
프로세서(120)는 정상 패턴의 외관을 가진 초고압 전선에 대한 이미지(즉, 정상 이미지)를 대상으로 이미지넷 데이터셋(ImageNet Dataset)으로 학습한 Wide-ResNet의 백본 네트워크(Feature Extractor)를 이용하여 정상 이미지에서 패턴을 추출할 수 있다.
Wide-ResNet과 같은 '깊은 구조'의 특징 추출 백본은 작은 특징이 사라지는 문제, 사전 학습된 데이터셋의 클래스에 편향된 특징을 추출하는 문제 등이 있다. 이러한 문제를 해결하기 위해 본 실시예에서는 모든 특징을 패치(patch) 단위로 만드는 로컬 인식 패치 피처(locally aware patch feature)로 특징 패치를 생성할 수 있다.
더 나아가, 추출된 특징 패치들을 모두 사용하는 경우 예측 시간이 오래 걸린다는 문제, 혹은 랜덤 샘플링을 적용하는 경우 모든 특징을 반영하지 못한다는 문제가 있다. 이러한 문제를 해결하기 위해 본 실시예에서는 패치 단위의 특징을 코어셋 샘플링(Coreset sampling)을 통하여 모집단의 분포를 잘 반영하도록 샘플링할 수 있다.
프로세서(120)는 코어셋 샘플링을 통해 생성된 특징 패치를 kNN(k-최근접 이웃 알고리즘)을 통하여 학습할 수 있다.
다시 말해, 프로세서(120)는 초고압 전선 외관에 대한 정상 이미지에서 특징을 추출하여 추출된 특징을 패치 단위로 생성한 후 코어셋 샘플링을 거쳐 샘플링한 패치들을 특징 패치 메모리 뱅크에 저장한다. 프로세서(120)는 메모리 뱅크에 저장된 특징 패치를 이용하여 초고압 전선의 정상적인 외관 패턴을 학습할 수 있다.
예측
프로세서(120)는 이미지넷 데이터셋으로 학습된 Wide-ResNet의 백본(Feature Extractor)을 이용하여 생산 라인에서 생산 중인 초고압 전선에 대한 실시간 영상으로 주어지는 예측 대상 이미지에서 패턴을 추출할 수 있다.
예측 대상 이미지는 초고압 전선 제조 생산 라인에서 생산 중인 초고압 전선의 외관 품질 검사를 위해 구성된 광학계 설비 상의 카메라를 통해 입력받을 수 있다.
프로세서(120)는 백본을 통해 예측 대상 이미지에서 추출된 각 패턴들을 로컬 인식 패치 피처에 해당되는 특징 패치로 생성할 수 있다.
프로세서(120)는 특징 패치를 kNN 알고리즘을 통해 정상 군집과의 거리를 계산한 후 계산된 거리를 기준으로 초고압 전선 외관의 품질을 나타내는 히트맵(Heatmap)을 생성할 수 있다.
프로세서(120)는 초고압 전선 외관의 실시간 영상에서 예측된 패턴과 상기한 학습 과정을 통해 학습된 정상 패턴 간의 거리가 기준 거리 값(m)을 초과하면 비정상 패턴인 외관 불량으로 판단하여 경광봉 알람을 제공할 수 있다. 이때, 비정상 패턴에 대한 기준 거리 값은 휴리스틱(heuristic) 알고리즘에 의해 결정될 수 있다.
아울러, 프로세서(120)는 초고압 전선 제조 생산 라인의 광학계 기구에 포함된 카운터 미터기를 통해 현재 불량이 발생한 위치 정보를 획득하여 해당 정보를 불량 정보 데이터베이스에 적재할 수 있다. 이때, 프로세서(120)는 불량 발생 위치가 감지된 전선 이미지를 불량 정보 데이터베이스에 함께 저장한 후 초고압 전선 외관에 대한 불량 정보 모니터링을 작업자에게 요청할 수 있다.
본 발명에 따른 초고압 전선 외관 품질 검사 모델은 패치 코어 이상 탐지 모델로 구성된 것으로, 패치 코어 이상 탐지 모델은 영상 기반 이상 탐지 모델 중 SOTA 모델로, 산업용 이상 탐지 데이터 셋인 mvTecAD[Bergmann, Paul, et al. "MVTec AD--A comprehensive real-world dataset for unsupervised anomaly detection." Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2019.]에서 매우 높은 성능을 보이는 모델이다.
패치 코어 이상 탐지 모델은 사전 학습된 합성곱 신경망을 통해 이미지로부터 특징을 추출하고 로컬 인식 패치 피처로 생성한 후 코어셋 샘플링 방식을 적용하여 추출된 패치 특징들을 샘플링하여 kNN 알고리즘을 통해 비교하는 방식으로 이상 상태를 판별한다.
일반적으로 초고압 전선의 주된 불량의 유형은 기름때, 스크래치, 찍힘, 물자국, 이물질 등을 포함할 수 있으며, 이러한 이상 패턴이 매우 다양하고 불량 발생의 빈도가 적어 데이터 수집이 어려워 객체 검출 모델을 이용한 검사 방법은 불가능하다.
따라서, 본 발명에서는 정상 데이터를 이용한 이상 탐지 모델을 적용한 것으로, 검사 모델의 데이터 라벨링 및 학습은 인공지능 분석 서비스 플랫폼을 통해 진행할 수 있다.
예를 들어, 도 5는 주식회사 웨다에서 개발한 GreenWhales Vision-ML을 이용한 학습 데이터 생성 및 모델 학습 예시를 도시한 것이다.
도 6은 패치 코어 이상 탐지 모델을 이용한 이상 탐지 결과를 도시한 것이다. 이상 탐지 검출 결과를 나타내는 왼쪽 그림에서 A는 테스트 이미지, B는 예측 히트맵, C는 테스트 이미지와 예측 히트맵의 합성 이미지를 보여준 것이다. 오른쪽 도표는 코어 이상 탐지 모델의 성능을 평가하기 위해 사용되는 혼동 행렬(confusion matrix)을 보여준 것이다.
수집된 정상 샘플 1,000 건과 불량 샘플 1,000 건을 무작위 선별하여 성능을 검증할 수 있으며, 혼동 행렬을 이용한 성능 검증 결과 정확도(accuracy), 정밀도(precision), 재현율(recall), F1 스코어(Score)를 확인할 수 있다.
| 정확도 | 정밀도 | 재현율 | F1-Score |
| 90.6% | 81.2% | 100.0% | 89.62% |
본 발명의 초고압 전선 외관 품질 검사 모델에 대한 평균 예측 속도는 Nvidia 사의 RTX 3900 GPU에서 11.1ms로, 실시간에 적합한 예측 속도를 확인할 수 있다.
본 실시예에 따른 초고압 전선의 실시간 외관 품질 검사를 위해 기구를 설계 및 제작하여 국내 초고압 전선 생산 업체와 실증을 진행할 수 있다.
도 7과 도 8은 초고압 전선 외관 품질 광학계 설비를 도시한 것이다.
제작 기구는 초고압 전선의 모든 면을 촬영할 수 있도록 8MP의 FOV 120° 이상, 60FPS, Mono 카메라 3대를 설치할 수 있고, 공장 특성 상 발생할 수 있는 주변광을 제어하기 위해 타원형 조명 2개와 반투명 상태의 구조물 안으로 초고압 전선이 통과할 수 있도록 설계하여 조명 상태를 강제할 수 있다. 그리고, 불량 발생을 현장 작업자에게 실시간으로 알려 즉각적인 대응이 가능할 수 있도록 경광봉을 설치하여 불량 발생 시 알람이 울리도록 제작할 수 있다.
본 발명의 초고압 전선 외관 품질 검사 모델을 통해 초고압 전선의 외관 품질을 실시간 예측하고 경광봉 알람, MES 적재 등을 위해 인공지능 분석 서비스의 운영 환경 구성 DAG(database availability group)를 통해 초고압 전선 생산 라인에서의 실시간 외관 품질 검사 환경을 구성할 수 있고, 초고압 전선 생산 라인 상에 모니터링 화면을 구성하여 실시간 불량 발생에 대한 검출 결과를 현장 작업자가 확인 가능하도록 구축할 수 있다.
본 발명에 따른 초고압 전선 외관 품질 검사 모델의 학습과 운영에 사용되는 인공지능 분석 플랫폼은 웹 기반 솔루션으로 초고압 전선 생산 현장뿐 아니라 사무실 등의 원격지에서 생산 중인 초고압 전선의 불량 발생 여부를 모니터링할 수 있다.
따라서, 영상 기반 이상 탐지 모델과 광학계 설비를 이용하여 초고압 전선 생산 라인에서 생산 중인 초고압 전선의 불량 검사를 실시간으로 수행할 수 있으며, 이때 불량의 유무 판정 및 히트맵을 이용한 위치 추정이 가능하다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수 개의 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 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 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 어플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (7)
- 삭제
- 삭제
- 삭제
- 컴퓨터로 구현되는 전선 외관 품질 검사 시스템에 있어서,
메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서
를 포함하고,
상기 적어도 하나의 프로세서는,
영상 기반 이상 탐지 모델(anomaly detection model)을 통해 전선 생산 라인에서 생산 중인 전선에 대한 실시간 영상 데이터를 이용하여 상기 전선의 외관 품질을 검사하는 과정
을 처리하고,
상기 적어도 하나의 프로세서는,
사전 학습된 합성곱 신경망을 통해 상기 전선에 대한 실시간 영상으로 주어진 예측 대상 이미지에서 특징을 추출하고,
상기 예측 대상 이미지에서 추출된 특징을 로컬 인식 패치 피처(locally aware patch feature)로 생성하고,
상기 로컬 인식 패치 피처를 코어셋 샘플링(Coreset sampling)을 통해 샘플링하고,
상기 샘플링된 패치 피처를 kNN(k-nearest neighbor) 알고리즘을 통해 정상 패턴과 비교하여 상기 전선의 외관 불량을 판별하고,
상기 적어도 하나의 프로세서는,
상기 샘플링된 패치 피처와 사전 학습된 정상 패턴 군집 간의 거리를 계산하고,
상기 계산된 거리가 기준 거리 값을 초과하는 경우 비정상 패턴인 외관 불량으로 판단하고,
상기 외관 불량으로 판단됨에 따라 상기 전선 생산 라인 상의 경광봉 알림을 제공하는 것
을 특징으로 하는 전선 외관 품질 검사 시스템. - 컴퓨터로 구현되는 전선 외관 품질 검사 시스템에 있어서,
메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서
를 포함하고,
상기 적어도 하나의 프로세서는,
영상 기반 이상 탐지 모델(anomaly detection model)을 통해 전선 생산 라인에서 생산 중인 전선에 대한 실시간 영상 데이터를 이용하여 상기 전선의 외관 품질을 검사하는 과정
을 처리하고,
상기 적어도 하나의 프로세서는,
상기 영상 기반 이상 탐지 모델로서 패치(patch) 단위의 특징(feature)을 기초로 이상 상태를 판별하는 패치 코어(patch-core) 이상 탐지 모델을 이용하여 상기 전선의 외관 품질을 검사하고,
상기 적어도 하나의 프로세서는,
정상 패턴의 외관을 가진 전선 이미지에서 추출된 특징을 로컬 인식 패치 피처로 생성한 후 상기 로컬 인식 패치 피처를 코어셋 샘플링을 통해 샘플링하여 상기 샘플링된 패치 피처를 메모리 뱅크에 저장하고,
상기 패치 코어 이상 탐지 모델은 상기 메모리 뱅크에 저장된 패치 피처로 전선의 정상적인 외관 패턴이 사전 학습된 이상 탐지 모델인 것
을 특징으로 하는 전선 외관 품질 검사 시스템. - 컴퓨터로 구현되는 전선 외관 품질 검사 시스템에 있어서,
메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서
를 포함하고,
상기 적어도 하나의 프로세서는,
영상 기반 이상 탐지 모델(anomaly detection model)을 통해 전선 생산 라인에서 생산 중인 전선에 대한 실시간 영상 데이터를 이용하여 상기 전선의 외관 품질을 검사하는 과정
을 처리하고,
상기 적어도 하나의 프로세서는,
사전 학습된 합성곱 신경망을 통해 상기 전선에 대한 실시간 영상으로 주어진 예측 대상 이미지에서 특징을 추출하고,
상기 예측 대상 이미지에서 추출된 특징을 로컬 인식 패치 피처(locally aware patch feature)로 생성하고,
상기 로컬 인식 패치 피처를 코어셋 샘플링(Coreset sampling)을 통해 샘플링하고,
상기 샘플링된 패치 피처를 kNN(k-nearest neighbor) 알고리즘을 통해 정상 패턴과 비교하여 상기 전선의 외관 불량을 판별하고,
상기 전선 생산 라인에는 상기 전선의 모든 면을 촬영하기 위한 카메라와 공장 특성 상 발생 가능한 주변광을 제어하기 위한 조명이 포함된 광학계 기구가 설치되고,
상기 적어도 하나의 프로세서는,
상기 카메라를 통해 상기 전선에 대한 실시간 영상을 상기 예측 대상 이미지로 입력받는 것
을 특징으로 하는 전선 외관 품질 검사 시스템. - 제6항에 있어서,
상기 광학계 기구는 상기 전선의 불량 발생 위치를 측정하기 위한 카운터 미터기를 포함하고,
상기 적어도 하나의 프로세서는,
상기 카운터 미터기를 통해 상기 전선의 불량 발생 위치 정보를 획득하여 불량 발생 위치가 감지된 전선 이미지를 데이터베이스에 저장하는 것
을 특징으로 하는 전선 외관 품질 검사 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230128848A KR102627233B1 (ko) | 2023-09-26 | 2023-09-26 | 영상 기반 이상 탐지 모델을 이용한 초고압 전선 외관 품질 검사 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230128848A KR102627233B1 (ko) | 2023-09-26 | 2023-09-26 | 영상 기반 이상 탐지 모델을 이용한 초고압 전선 외관 품질 검사 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102627233B1 true KR102627233B1 (ko) | 2024-01-23 |
Family
ID=89713599
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230128848A KR102627233B1 (ko) | 2023-09-26 | 2023-09-26 | 영상 기반 이상 탐지 모델을 이용한 초고압 전선 외관 품질 검사 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102627233B1 (ko) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030023146A (ko) * | 2001-09-12 | 2003-03-19 | 주식회사 디쌤 | 병마개용 품질 검사 장치 및 방법 |
| KR20210117782A (ko) * | 2020-03-20 | 2021-09-29 | 라온피플 주식회사 | 딥러닝을 이용한 신규 제품의 품질 검사 방법 및 시스템 |
| KR102317992B1 (ko) * | 2021-03-26 | 2021-10-28 | 주식회사 트윔 | 뉴럴 네트워크를 이용한 제품 검사 방법, 장치 및 제품 검사 장치 학습 방법 |
| KR102323607B1 (ko) * | 2020-05-19 | 2021-11-08 | 부산대학교 산학협력단 | 아노말리 영상 검사 방법 및 아노말리 영상 검사 장치 |
| KR20210153586A (ko) * | 2019-07-02 | 2021-12-17 | 주식회사 마키나락스 | 패널의 이미지를 이용하여 패널의 결함을 검출하는 방법 및 시스템 |
| CN115494077A (zh) * | 2022-10-18 | 2022-12-20 | 浙江蓝能燃气设备有限公司 | 基于单样本学习ai算法的气瓶检测装置及应用方法 |
| KR20230053746A (ko) * | 2021-10-14 | 2023-04-24 | 주식회사 램스 | 딥러닝을 이용한 스핀 코터의 포토레지스트 도포 상태 검사 시스템 |
| JP2023106393A (ja) * | 2018-09-21 | 2023-08-01 | 古河電気工業株式会社 | 画像判定装置、画像検査装置、端子付き電線製造システム、および画像判定方法 |
-
2023
- 2023-09-26 KR KR1020230128848A patent/KR102627233B1/ko active IP Right Grant
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030023146A (ko) * | 2001-09-12 | 2003-03-19 | 주식회사 디쌤 | 병마개용 품질 검사 장치 및 방법 |
| JP2023106393A (ja) * | 2018-09-21 | 2023-08-01 | 古河電気工業株式会社 | 画像判定装置、画像検査装置、端子付き電線製造システム、および画像判定方法 |
| KR20210153586A (ko) * | 2019-07-02 | 2021-12-17 | 주식회사 마키나락스 | 패널의 이미지를 이용하여 패널의 결함을 검출하는 방법 및 시스템 |
| KR20210117782A (ko) * | 2020-03-20 | 2021-09-29 | 라온피플 주식회사 | 딥러닝을 이용한 신규 제품의 품질 검사 방법 및 시스템 |
| KR102323607B1 (ko) * | 2020-05-19 | 2021-11-08 | 부산대학교 산학협력단 | 아노말리 영상 검사 방법 및 아노말리 영상 검사 장치 |
| KR102317992B1 (ko) * | 2021-03-26 | 2021-10-28 | 주식회사 트윔 | 뉴럴 네트워크를 이용한 제품 검사 방법, 장치 및 제품 검사 장치 학습 방법 |
| KR20230053746A (ko) * | 2021-10-14 | 2023-04-24 | 주식회사 램스 | 딥러닝을 이용한 스핀 코터의 포토레지스트 도포 상태 검사 시스템 |
| CN115494077A (zh) * | 2022-10-18 | 2022-12-20 | 浙江蓝能燃气设备有限公司 | 基于单样本学习ai算法的气瓶检测装置及应用方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8761490B2 (en) | System and method for automated borescope inspection user interface | |
| CN111797890A (zh) | 一种用于检测输电线路设备缺陷的方法及系统 | |
| CN112669316B (zh) | 电力生产异常监控方法、装置、计算机设备和存储介质 | |
| JP6922539B2 (ja) | 表面欠陥判定方法および表面欠陥検査装置 | |
| JP2022506905A (ja) | 知覚システムを評価するシステム及び方法 | |
| CN112001327B (zh) | 一种阀厅设备故障识别方法及系统 | |
| Wu et al. | Enhanced precision in dam crack width measurement: Leveraging advanced lightweight network identification for pixel‐level accuracy | |
| Tomaszewski et al. | Detection of power line insulators on digital images with the use of laser spots | |
| D'Angelo et al. | Deep learning-based object detection for digital inspection in the mining industry | |
| Chern et al. | Impact of loss functions on semantic segmentation in far‐field monitoring | |
| US20210304400A1 (en) | System and method for inspection of heat recovery steam generator | |
| KR102627233B1 (ko) | 영상 기반 이상 탐지 모델을 이용한 초고압 전선 외관 품질 검사 시스템 | |
| Sheiati et al. | Deep learning-based fatigue damage segmentation of wind turbine blades under complex dynamic thermal backgrounds | |
| CN116046790B (zh) | 缺陷检测方法、装置、系统、电子设备以及存储介质 | |
| CN116205885A (zh) | 异常状态检测方法、系统、电子设备及可读存储介质 | |
| CN115690659A (zh) | 一种遮挡条件下的变电站安全检测方法及装置 | |
| JP2016176766A (ja) | 検査対象物抽出装置、及び検査対象物抽出方法 | |
| US20220335254A1 (en) | Computer vision inferencing for non-destructive testing | |
| KR102323607B1 (ko) | 아노말리 영상 검사 방법 및 아노말리 영상 검사 장치 | |
| Naji et al. | AI and IoT-based concrete column base cover localization and degradation detection algorithm using deep learning techniques | |
| Sookpong et al. | Comparison of Corrosion Segmentation Techniques on Oil and Gas Offshore Critical Assets | |
| KR102489115B1 (ko) | 제조품의 비전 검사를 위한 심층 학습 방법 및 장치 | |
| US20240053287A1 (en) | Probability of detection of lifecycle phases of corrosion under insulation using artificial intelligence and temporal thermography | |
| Nguyen et al. | Multi-object detection by using CNN for power transmission line inspection | |
| KR102638306B1 (ko) | 설명가능한 인공지능 기반 건축물 외관 상태 평가 방법 및 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |