KR102642450B1 - 딥러닝을 이용한 볼의 마모량 측정 방법 - Google Patents

딥러닝을 이용한 볼의 마모량 측정 방법 Download PDF

Info

Publication number
KR102642450B1
KR102642450B1 KR1020230059936A KR20230059936A KR102642450B1 KR 102642450 B1 KR102642450 B1 KR 102642450B1 KR 1020230059936 A KR1020230059936 A KR 1020230059936A KR 20230059936 A KR20230059936 A KR 20230059936A KR 102642450 B1 KR102642450 B1 KR 102642450B1
Authority
KR
South Korea
Prior art keywords
wear
ball
deep learning
size
area
Prior art date
Application number
KR1020230059936A
Other languages
English (en)
Inventor
홍성호
이승철
이세빈
김태완
Original Assignee
동국대학교 와이즈캠퍼스 산학협력단
포항공과대학교 산학협력단
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 동국대학교 와이즈캠퍼스 산학협력단, 포항공과대학교 산학협력단 filed Critical 동국대학교 와이즈캠퍼스 산학협력단
Priority to KR1020230059936A priority Critical patent/KR102642450B1/ko
Application granted granted Critical
Publication of KR102642450B1 publication Critical patent/KR102642450B1/ko

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
    • 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
    • G06T7/60—Analysis of geometric attributes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

자동화되어 신속하게 볼의 마모량을 측정할 수 있는 측정 방법이 개시된다. 이러한 볼의 마모량 측정 방법은, 볼의 마모 영역 이미지를 획득하는 단계와, 상기 볼의 마모 영역 이미지의 딥러닝 세그멘테이션(Segmentation)을 수행하는 단계와, 딥러닝 세그멘테이션된 볼의 마모 영역 이미지를 이용하여 마모흔의 크기를 획득하는 단계, 및 상기 마모흔의 크기를 통한 마모량을 계산하는 단계를 포함한다. 딥러닝 세그멘테이션된 볼의 마모 영역 이미지를 이용하여 마모흔의 크기를 획득하는 단계는, 상기 볼의 마모 영역 이미지의 각 픽셀의 밝기를 통해서 이루어질 수 있다.

Description

딥러닝을 이용한 볼의 마모량 측정 방법{METHOD OF MEASURING ABRASION OF BALL WITH DEEP LEARNING}
본 발명은 딥러닝을 이용한 볼의 마모량 측정 방법에 관한 것으로, 보다 상세히 볼-온-디스크 실험에서 볼에 발생되는 마모량 측정하는, 딥러닝을 이용한 볼의 마모량 측정 방법에 관한 것이다.
윤활유의 윤활성능 평가, 재료나 코팅의 윤활특성 평가, 표면 개질에 의한 윤활특성 평가 등을 위해서, 직선왕복운동을 이용하는 핀온디스크(Pin-on-disk) 실험이나, 회전운동을 이용하는 볼온디스크(Ball-on-disk) 실험이 널리 행해진다.
도 1은 볼온디스크(Ball-on-disk) 실험장치의 개략도이다.
도 1을 참조하면, 볼온디스크 실험은, 디스크와 볼을 가압상태에서, 디스크를 회전시켜 볼의 마모량을 측정함으로써 수행된다.
볼온디스크(Ball-on-disk) 실험은, 볼에 발생되는 마모 흔(wear scar)의 크기를 측정하고, 이를 통해서 마모량을 계산하여 마찰특성을 비교하는데 사용된다.
그러나, 아주 작은 마모흔을 현미경으로 촬영하여 측정하는데, 초점을 맞추는데 시간이 많이 소요되고, 또한 마모흔의 형태가 원이 아니거나 윤곽이 뚜렸하는 않은 때는 그 크기를 특정하기 어려운 문제점이 발생된다.
대한민국 공개특허 KR 2023-0048964
그에 따라서, 본 발명이 해결하고자 하는 과제는, 자동화되어 신속하게 볼의 마모량을 측정할 수 있는 측정 방법을 제공하는 것이다.
이러한 과제를 해결하기 위한 본 발명의 예시적인 일 실시예에 의한 볼의 마모량 측정 방법은, 볼의 마모 영역 이미지를 획득하는 단계와, 상기 볼의 마모 영역 이미지의 딥러닝 세그멘테이션(Segmentation)을 수행하는 단계와, 딥러닝 세그멘테이션된 볼의 마모 영역 이미지를 이용하여 마모흔의 크기를 획득하는 단계, 및 상기 마모흔의 크기를 통한 마모량을 계산하는 단계를 포함한다.
일 실시예로서, 상기 딥러닝 세그멘테이션된 볼의 마모 영역 이미지를 이용하여 마모흔의 크기를 획득하는 단계는, 상기 볼의 마모 영역 이미지의 각 픽셀의 밝기를 통해서 이루어질 수 있다.
일 실시예로서, 상기 딥러닝 세그멘테이션된 볼의 마모 영역 이미지를 이용하여 마모흔의 크기를 획득하는 단계는, 상기 볼의 마모 영역과 비마모 영역의 경계선을 이루는 폐곡선을 획득하는 단계를 포함할 수 있다.
일 실시예로서, 상기 딥러닝 세그멘테이션된 볼의 마모 영역 이미지를 이용하여 마모흔의 크기를 획득하는 단계는, 상기 폐곡선 내부의 픽셀이, 비마모 영역의 휘도를 갖는 경우에도 마모 영역으로 변환시키는 단계를 더 포함할 수 있다.
일 실시예로서, 상기 딥러닝 세그멘테이션된 볼의 마모 영역 이미지를 이용하여 마모흔의 크기를 획득하는 단계는, 상기 딥러닝 세그멘테이션된 볼의 마모 영역 이미지에 딥러닝 주성분 분석(PCA) 기법을 적용하여 마모흔의 크기를 획득하는 단계를 더 포함할 수 있다.
일 실시예로서, 상기 딥러닝 세그멘테이션된 볼의 마모 영역 이미지를 이용하여 마모흔의 크기를 획득하는 단계는, 딥러닝 주성분 분석(PCA) 기법을 통해서 획득된 장축과 단축을 각각 타원의 장축과 단축으로 취급하고, 동일한 면적을 갖는 원으로 변환시키는 단계, 및 상기 원의 반지름을 획득하는 단계를 포함할 수 있다.
일 실시예로서, 상기 마모흔의 크기를 통한 마모량을 계산하는 단계는, 상기 원의 반지름을 이용하여 마모량을 계산할 수 있다.
이와 같이 본 발명에 의한 볼의 마모량 측정 방법에 의하면, 자동화되어 신속하게 볼의 마모량을 측정할 수 있다.
또한, 상기 폐곡선 내부의 픽셀이, 비마모 영역의 휘도를 갖는 경우에도 마모 영역으로 변환시키는 경우, 노이즈에 의한 오차를 감소시킬 수 있다.
도 1은 볼온디스크(Ball-on-disk) 실험장치의 개략도이다.
도 2는 본 발명의 예시적인 일 실시예에 의한 볼의 마모량 측정 방법을 도시한 순서도이다.
도 3은 도 2에서 도시된 단계 S120의 상세 순서도이다.
도 4는 볼의 마모 영역 이미지에 대한 본 발명을 적용한 각 프로세스의 예를 도시한 사진이다.
도 5는 도 3의 단계 S123에 따른 딥러닝 주성분 분석(PCA)을 설명하기 위한 도면이다.
도 6은 딥러닝 주성분 분석(PCA) 결과를 도시한 도면이다.
도 7 및 8은 도 2에서 도시된 단계 S130 및 단계 S140을 설명하기 위한 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조 부호를 유사한 구성 요소에 대해 사용하였다. 첨부된 도면에 있어서, 구조물들의 치수는 본 발명의 명확성을 기하기 위하여 실제보다 과장하여 도시한 것일 수 있다.
제1, 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.
본 출원에서 사용한 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 또한, A와 B가'연결된다', '결합된다'라는 의미는 A와 B가 직접적으로 연결되거나 결합하는 것 이외에 다른 구성요소 C가 A와 B 사이에 포함되어 A와 B가 연결되거나 결합되는 것을 포함하는 것이다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 또한, 방법 발명에 대한 특허청구범위에서, 각 단계가 명확하게 순서에 구속되지 않는 한, 각 단계들은 그 순서가 서로 바뀔 수도 있다.
또한, 각 실시예들에서 개별적으로 설명된 구성들은, 다른 실시예들에서 적용될 수도 있다.
이하, 본 발명의 실시예를 도면을 참조하여 보다 상세히 설명한다.
도 2는 본 발명의 예시적인 일 실시예에 의한 볼의 마모량 측정 방법을 도시한 순서도이다.
도 2를 참조하면, 본 발명의 예시적인 일 실시예에 의한 볼의 마모량 측정 방법에 의하면, 먼저 볼의 마모 영역 이미지를 획득한다(단계 S110). 예컨대, 마모된 볼의 상부 일정 각도에서 광을 조사하고, 마모 영역의 상부에 카메라를 배치하여, 상기 카메라를 통해서 볼의 마모 영역 이미지를 획득할 수 있다. 이때, 구의 비마모 영역은 곡면이고, 구의 마모 영역은 평면이므로 카메라에 수광되는 광량의 차이로 인해서, 카메라에 캡쳐된 이미지 상에 밝기 차가 발생하게 된다. 한편, 상기 카메라는 예컨대 CCD 카메라 또는 CMOS 카메라가 적용될 수 있다. 또한 상기 광은 단색광 또는 다색광이 적용될 수 있다.
이후, 상기 볼의 마모 영역 이미지의 딥러닝 세그멘테이션(Segmentation)을 수행한다(단계 S120). 딥러닝 세그멘테이션은 디지털 영상 처리와 분석에서 널리 사용하는 기법으로, 대개 영상 내 픽셀의 특징을 기반으로 하나의 영상을 다수의 부분이나 영역으로 분할하는 기법이다.
이후, 딥러닝 세그멘테이션된 볼의 마모 영역 이미지를 이용하여 마모흔의 크기를 획득한다(단계 S130). 예컨대, 이미지 딥러닝 세그멘테이션된 픽셀의 밝기에 따라서, 마모 영역과 비마모 영역을 분리하고, 마모 영역된 픽셀의 수를 카운팅하여 마모 영역의 면적을 검출할 수 있다. 이와 다르게, 상기 마모 영역 이미지에 추가적인 조작을 수행하여 마모 영역의 면적을 보다 정확하게 검출할 수도 있다. 이러한 과정은 도 3을 참조하여 보다 상세히 설명될 것이다.
이후, 상기 마모흔의 크기를 통한 마모량을 계산한다(단계 S140). 이러한 과정은 이후에 설명될 수학식들을 적용하여 보다 상세히 설명될 것이다.
도 3은 도 2에서 도시된 단계 S120의 상세 순서도이다.
도 2를 참조하면, 상기 딥러닝 세그멘테이션된 볼의 마모 영역 이미지를 이용하여 마모흔의 크기를 획득하는 과정(단계 S120)은, 앞서 설명된 것과 같이, 상기 볼의 마모 영역 이미지의 각 픽셀의 밝기를 통해서 이루어질 수 있다.
일 실시예로서, 상기 딥러닝 세그멘테이션된 볼의 마모 영역 이미지를 이용하여 마모흔의 크기를 획득하는 과정(단계 S120)을 수행하기 위해서, 먼저, 상기 볼의 마모 영역과 비마모 영역의 경계선을 이루는 폐곡선을 획득할 수 있다(단계 S121).
도 1에서 도시된 것과 같이 일반적으로 볼(B)이 디스크(D)에 정확하게 밀착된 경우, 이러한 폐곡선은 완벽한 원을 형성하게 되지만, 회전하는 디스크(D)에 의해 볼(B)을 가압하는 가압부재가 정확하게 수직을 유지하지 못하고 기울게 되는 등, 다양한 조건에 의해서 폐곡선은 정확하게 원을 이루지 못할 수 있다. 이러한 경우, 외에도 디스크의 이물질이라던지 디스크 표면의 미세한 돌출 등에 의해서도 이러한 폐곡선은 완벽하게 원을 이루지 못할 수도 있다.
상기 딥러닝 세그멘테이션된 볼의 마모 영역 이미지를 이용하여 마모흔의 크기를 획득하는 과정(단계 S120)에 의하면, 이후, 상기 폐곡선 내부의 픽셀이, 비마모 영역의 휘도를 갖는 경우에도 마모 영역으로 변환시킨다(단계 S122). 상기 볼의 마모 영역과 비마모 영역의 경계선을 이루는 폐곡선 내부는 마모된 것으로 판단하는 것이 상식적이다. 즉, 상기 볼의 마모 영역과 비마모 영역의 경계선을 이루는 폐곡선 내부에서 마모되지 않는 영역은 일반적으로 생성되지 않는다. 그러나, 픽셀의 밝기에 의해 볼의 마모 영역과 비마모 영역을 판단하는 경우, 폐곡선 내부에서도 비마모 영역으로 판단되는 경우가 발생된다.
일반적으로 볼의 마모 영역은 완벽하게 매끈한 면을 구성하지 못하고, 스크래치가 형성된다. 이러한 스크래치에 의해서, 픽셀의 휘도가 변경될 수 있다. 이러한 오류를 보정하기 위해서, 본 발명에서는 폐곡선 내부는 픽셀의 밝기에 무관하게, 마모 영역으로 판단할 수 있다.
도 4는 볼의 마모 영역 이미지에 대한 본 발명을 적용한 각 프로세스의 예를 도시한 사진이다.
도 4를 참조하면, 입력 이미지에 폐곡선의 경계를 이루어 보정된 이미지를 확인할 수 있다.
다시 도 2 및 3을 참조하면, 상기 딥러닝 세그멘테이션된 볼의 마모 영역 이미지를 이용하여 마모흔의 크기를 획득하는 과정(단계 S120)에서, 이후, 폐곡선 내부의 픽셀을 카운트함으로써 마모 영역의 크기를 산출할 수 있다. 그러나, 상기 볼의 마모 영역과 비마모 영역의 경계선을 이루는 폐곡선의 형태가 밝기 만으로 판정되 경우, 도 4에서와 같이, 원 또는 타원이 아닌 돌출부 함몰부 등이 포함되어, 오류가 발생될 수 있다.
이러한 오류를 보정하기 위해서, 본 발명의 예시적인 일 실시예에서는, 상기 딥러닝 세그멘테이션된 볼의 마모 영역 이미지에 딥러닝 주성분 분석(PCA) 기법을 적용하여 마모흔의 크기를 획득할 수 있다(단계 S123).
일 실시예로서, 상기 딥러닝 세그멘테이션된 볼의 마모 영역 이미지를 이용하여 마모흔의 크기를 획득하는 과정(단계 S120)에서, 딥러닝 주성분 분석(PCA) 기법을 통해서 획득된 장축과 단축을 각각 타원의 장축과 단축으로 취급하고, 동일한 면적을 갖는 원으로 변환시키고, 및 상기 원의 반지름을 획득할 수 있다(단계 S124).
이후, 상기 원의 반지름을 이용하여 마모량을 계산할 수 있다(단계 S140).
이하, 이러한 과정을 보다 상세히 설명한다.
도 5는 도 3의 단계 S123에 따른 딥러닝 주성분 분석(PCA)을 설명하기 위한 도면이다.
도 5를 참조하면, 딥러닝 세그멘테이션된 볼의 마모 영역 이미지를 이용하여 마모 영역 픽셀의 좌표를 획득한다. 그리고, 획득된 좌표값을 X1, X2의 좌표계로 하고, 이렇게 분표된 점들에서, 주성분인 장축 u1 축과 단축 u2 축을 획득한다. 도 5에서는 극단적으로 타원형태의 분포로 도시되어 있으나, 이는 주성분인 장축 u1 축과 단축 u2 축을 명확하게 도시하기 위한 것이다.
이러한 딥러닝 주성분 분석을 통해서, 타원의 장축 u1의 길이와 단축 u2의 길이를 획득한다. 한편, 장축이 a, 단축이 b의 길이를 갖는 타원의 면적은 abπ이므로, 등가의 면적을 갖는 원의 반지름 r1은 √(ab)이다.
도 6은 딥러닝 주성분 분석(PCA) 결과를 도시한 도면이다.
도 6을 참조하면, 상부는, 마모 영역과 비마모 영역을 구분하는 경계인 폐곡선이 비교적 원에 가까운 타원으로 되어 있으나, 하부는, 폐곡선이 원 또는 타원에 매우 벗어나 있어서, 이런경우 보다 효과적이다.
도 7 및 8은 도 2에서 도시된 단계 S130 및 단계 S140을 설명하기 위한 도면이다.
도 7 및 8을 참조하면, 이러한 과정을 통해서, 획득된 등가의 면적을 갖는 원의 반지름 r1을 통해서, 아래의 수학식 1을 이용하여 마모된 부피 V를 얻을 수 있다.
위의 수학식 1에서, r은 r1이다.
또한, 수학식 1에서 a는 피타고라스 정리에 의해 아래의 수학식 2에 의해 구해질 수 있다.
한편, 이와 같이 PCA를 통해서, 단축, 장축을 구하지 아니하고, 폐곡선 내부를 마모된 면적(A)으로 하는 경우, 아래의 수학식 3에 의해 등가의 반지름 r1을 구할 수 있으며, 이를 수학식 1에 대입함으로써, 마모된 부피 V를 얻을 수 있다.
이상에서 설명된 바와 같이 본 발명에 의한 볼의 마모량 측정 방법에 의하면, 자동화되어 신속하게 볼의 마모량을 측정할 수 있다.
앞서 설명한 본 발명의 상세한 설명에서는 본 발명의 바람직한 실시예들을 참조하여 설명하였지만, 해당 기술분야의 숙련된 당업자 또는 해당 기술분야에 통상의 지식을 갖는 자라면 후술될 특허청구범위에 기재된 본 발명의 사상 및 기술 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
B: 볼
D: 디스크

Claims (7)

  1. 볼의 마모 영역 이미지를 획득하는 단계;
    상기 볼의 마모 영역 이미지의 딥러닝 세그멘테이션(Segmentation)을 수행하는 단계;
    딥러닝 세그멘테이션된 볼의 마모 영역 이미지를 이용하여 마모흔의 크기를 획득하는 단계; 및
    상기 마모흔의 크기를 통한 마모량을 계산하는 단계;
    를 포함하고,
    상기 딥러닝 세그멘테이션된 볼의 마모 영역 이미지를 이용하여 마모흔의 크기를 획득하는 단계는,
    상기 볼의 마모 영역 이미지의 각 픽셀의 밝기를 통해서 이루어지는 것을 특징으로 하는 볼의 마모량 측정 방법.
  2. 삭제
  3. 제1 항에 있어서,
    상기 딥러닝 세그멘테이션된 볼의 마모 영역 이미지를 이용하여 마모흔의 크기를 획득하는 단계는,
    상기 볼의 마모 영역과 비마모 영역의 경계선을 이루는 폐곡선을 획득하는 단계;
    를 포함하는 것을 특징으로 하는 볼의 마모량 측정 방법.
  4. 제3 항에 있어서,
    상기 딥러닝 세그멘테이션된 볼의 마모 영역 이미지를 이용하여 마모흔의 크기를 획득하는 단계는,
    상기 폐곡선 내부의 픽셀이, 비마모 영역의 휘도를 갖는 경우에도 마모 영역으로 변환시키는 단계;
    를 더 포함하는 것을 특징으로 하는 볼의 마모량 측정 방법.
  5. 제1 항 또는 제3 항 중 어느 한 항에 있어서,
    상기 딥러닝 세그멘테이션된 볼의 마모 영역 이미지를 이용하여 마모흔의 크기를 획득하는 단계는,
    상기 딥러닝 세그멘테이션된 볼의 마모 영역 이미지에 딥러닝 주성분 분석(PCA) 기법을 적용하여 마모흔의 크기를 획득하는 단계;
    를 더 포함하는 것을 특징으로 하는 볼의 마모량 측정 방법.
  6. 제5 항에 있어서,
    상기 딥러닝 세그멘테이션된 볼의 마모 영역 이미지를 이용하여 마모흔의 크기를 획득하는 단계는,
    딥러닝 주성분 분석(PCA) 기법을 통해서 획득된 장축과 단축을 각각 타원의 장축과 단축으로 취급하고, 동일한 면적을 갖는 원으로 변환시키는 단계; 및
    상기 원의 반지름을 획득하는 단계;
    를 포함하는 것을 특징으로 하는 볼의 마모량 측정 방법.
  7. 제6 항에 있어서,
    상기 마모흔의 크기를 통한 마모량을 계산하는 단계는,
    상기 원의 반지름을 이용하여 마모량을 계산하는 것을 특징으로 하는 볼의 마모량 측정 방법.

KR1020230059936A 2023-05-09 2023-05-09 딥러닝을 이용한 볼의 마모량 측정 방법 KR102642450B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230059936A KR102642450B1 (ko) 2023-05-09 2023-05-09 딥러닝을 이용한 볼의 마모량 측정 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230059936A KR102642450B1 (ko) 2023-05-09 2023-05-09 딥러닝을 이용한 볼의 마모량 측정 방법

Publications (1)

Publication Number Publication Date
KR102642450B1 true KR102642450B1 (ko) 2024-02-28

Family

ID=90052855

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230059936A KR102642450B1 (ko) 2023-05-09 2023-05-09 딥러닝을 이용한 볼의 마모량 측정 방법

Country Status (1)

Country Link
KR (1) KR102642450B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03118409A (ja) * 1989-10-02 1991-05-21 Idemitsu Kosan Co Ltd 曲面体の表面測定装置
WO2011099337A1 (ja) * 2010-02-10 2011-08-18 株式会社小松製作所 摩耗量測定装置、摩耗量測定方法、摩耗量測定プログラムおよび記録媒体
JP2021070114A (ja) * 2019-10-31 2021-05-06 株式会社ジェイテクト 工具摩耗予測システム
KR20230048964A (ko) 2021-10-05 2023-04-12 주식회사 엘지에너지솔루션 압연롤 마모량 측정장치, 이를 이용하는 압연롤 마모량 측정 시스템 및 압연롤 마모량 측정방법.

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03118409A (ja) * 1989-10-02 1991-05-21 Idemitsu Kosan Co Ltd 曲面体の表面測定装置
WO2011099337A1 (ja) * 2010-02-10 2011-08-18 株式会社小松製作所 摩耗量測定装置、摩耗量測定方法、摩耗量測定プログラムおよび記録媒体
JP2021070114A (ja) * 2019-10-31 2021-05-06 株式会社ジェイテクト 工具摩耗予測システム
KR20230048964A (ko) 2021-10-05 2023-04-12 주식회사 엘지에너지솔루션 압연롤 마모량 측정장치, 이를 이용하는 압연롤 마모량 측정 시스템 및 압연롤 마모량 측정방법.

Similar Documents

Publication Publication Date Title
US10963670B2 (en) Object change detection and measurement using digital fingerprints
Kabir et al. Machine learning enabled orthogonal camera goniometry for accurate and robust contact angle measurements
EP2570793B1 (en) Hardness tester and hardness test method
CN103123313B (zh) 硬度计和硬度测试方法
CN101526484B (zh) 基于嵌入式机器视觉的轴承缺陷检测方法
US7012701B2 (en) Measuring for device for contactless measurement of tires
CN106814083B (zh) 滤波片缺陷检测系统及其检测方法
US20080151097A1 (en) Autofocus searching method
US11023762B2 (en) Independently processing plurality of regions of interest
CN101819024B (zh) 一种基于机器视觉的二维位移检测方法
WO2009116359A1 (ja) 接触面積測定装置および接触面積測定方法
JP6697322B2 (ja) 油膜厚さの測定装置及び測定方法
CN110634128A (zh) 一种球头销尺寸检测方法、装置、计算机设备及存储介质
KR102642450B1 (ko) 딥러닝을 이용한 볼의 마모량 측정 방법
CN115131359A (zh) 一种金属加工件表面麻点缺陷检测方法
TW201543001A (zh) 工具檢查方法及工具檢查裝置
Ali et al. Camera based precision measurement in improving measurement accuracy
JP2009109243A (ja) 樹脂封止材の検査装置
Elliott et al. Automated tissue strain calculations using Harris corner detection
CN105758337A (zh) 一种获取透镜平面与图像传感器平面之间夹角的方法
Jalilian et al. Deep learning based automated Vickers hardness measurement
Fan et al. 3-D measurement and evaluation of surface texture produced by scraping process
Zhang et al. Image matching based on local phase quantization applied for measuring the tensile properties of high elongation materials
TW201600223A (zh) 工具檢查方法及工具檢查裝置
JP5605010B2 (ja) 表面検査方法

Legal Events

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