KR20100025884A - Detect image classification method of articles continuously produced by roll or sheet type through image processing - Google Patents

Detect image classification method of articles continuously produced by roll or sheet type through image processing Download PDF

Info

Publication number
KR20100025884A
KR20100025884A KR1020080084625A KR20080084625A KR20100025884A KR 20100025884 A KR20100025884 A KR 20100025884A KR 1020080084625 A KR1020080084625 A KR 1020080084625A KR 20080084625 A KR20080084625 A KR 20080084625A KR 20100025884 A KR20100025884 A KR 20100025884A
Authority
KR
South Korea
Prior art keywords
image
feature vector
feature
defect
roll
Prior art date
Application number
KR1020080084625A
Other languages
Korean (ko)
Other versions
KR101009575B1 (en
Inventor
최동혁
이명승
Original Assignee
건양대학교산학협력단
유진인스텍 주식회사
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 건양대학교산학협력단, 유진인스텍 주식회사 filed Critical 건양대학교산학협력단
Priority to KR1020080084625A priority Critical patent/KR101009575B1/en
Publication of KR20100025884A publication Critical patent/KR20100025884A/en
Application granted granted Critical
Publication of KR101009575B1 publication Critical patent/KR101009575B1/en

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
    • 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
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/14—Picture signal circuitry for video frequency region
    • H04N5/21—Circuitry for suppressing or minimising disturbance, e.g. moiré or halo
    • 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
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G01N21/8914—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the material examined
    • G01N2021/8918—Metal

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Textile Engineering (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

PURPOSE: A defect image classification method of articles continuously produced to a roll type or a sheet type through image processing is provided to accurately classify defects detected from the surface of articles. CONSTITUTION: A defect image classification method of articles continuously produced to a roll type or a sheet type through image processing is as follows. The surfaces of articles continuously produced to a roll type or a sheet type are photographed. And the images of the surfaces, which have defects, are classified into kinds of the defects. Feature tables, composed of feature vectors, are formed by image-processing the classified images(S10). The photographed image data are input(S20). The feature vectors are extracted by image-processing the images data(S30). The feature vectors of each defect, which are approximate to the feature vectors of the feature tables, are searched(S40). The articles are classified based on the searched feature vectors(S50).

Description

영상 처리를 통한 롤 또는 쉬트 형태로 연속 생산되는 물품의 결함영상 분류방법{DETECT IMAGE CLASSIFICATION METHOD OF ARTICLES CONTINUOUSLY PRODUCED BY ROLL OR SHEET TYPE THROUGH IMAGE PROCESSING}DETECT IMAGE CLASSIFICATION METHOD OF ARTICLES CONTINUOUSLY PRODUCED BY ROLL OR SHEET TYPE THROUGH IMAGE PROCESSING}

본 발명은 영상 처리를 통한 롤 또는 쉬트 형태로 연속 생산되는 물품의 결함영상 분류방법에 관한 것으로, 보다 상세하게는, 가버필터와 특징 벡터를 이용하여 공장의 자동화 시스템 중 롤 또는 쉬트 형태로 연속 생산되는 물품의 표면에 대한 영상을 처리함으로써 물품의 표면에서 검출된 결함들을 종류별로 분류할 수 있는 영상 처리를 통한 롤 또는 쉬트 형태로 연속 생산되는 물품의 결함영상 분류방법에 관한 것이다.The present invention relates to a method for classifying defect images of articles continuously produced in a roll or sheet form through image processing, and more particularly, to continuously produce in a roll or sheet form in an automated system of a factory using Gabor filters and feature vectors. The present invention relates to a method for classifying defect images of articles continuously produced in the form of a roll or a sheet through image processing that can classify defects detected on the surface of the article by type by processing the image on the surface of the article.

롤 또는 쉬트 단위 형태로 연속 생산되는 철, 비철, 플라스틱, 종이류와 같은 물품의 표면에는 다양한 결함들이 발생된다. 이는 생산 환경이나 공정 자체의 문제, 제품의 관리 문제 등에서 발생될 수 있고 결함의 형태에 따라서 어떤 문제에 의해 해당 결함이 발생되었는지를 추정하여 결함 발생율을 저감하도록 하고 있다. 따라서 다양한 결함 중에서 결함의 형태에 따라 분류하는 것이 필요하다.Various defects occur on the surface of articles such as iron, nonferrous metals, plastics and papers, which are continuously produced in roll or sheet form. This can be caused by problems in the production environment, the process itself, product management problems, etc., and it is possible to reduce the defect occurrence rate by estimating which problem is caused by the problem according to the type of the defect. Therefore, it is necessary to classify according to the type of defect among various defects.

그런데 종래의 결함의 분류 방법은 사람이 일일이 물품의 표현을 눈으로 확 인하여 결함의 종류별로 분류하였다. 이를 위해서는 숙달된 작업자가 필요하고 작업자가 지속적으로 결함부위를 살펴 결함의 종류별로 분류하여야 한다. 따라서 종래의 방법에서는 숙달된 작업자를 육성하는데 소요되는 시간과 비용이 많이 들 뿐 아니라, 지속적인 작업으로 인하여 작업자의 피로가 증대되고, 이로 인해 결함 분류율이 저하되는 문제점이 있었다. However, in the conventional method of classifying defects, a person classifies the types of defects by visually checking the expression of the article. To do this, a skilled worker is required, and the worker must continuously classify the defects and classify them by type of defect. Therefore, in the conventional method, not only it takes a lot of time and money to cultivate a trained worker, but also a worker's fatigue is increased due to continuous work, and thus there is a problem that a defect classification rate is lowered.

또한 결함의 분류는 대략 10가지 이상으로 많은데, 사람의 눈으로 결함을 정확한 분류별로 구분하는 것은 어려울 뿐만 아니라, 이것이 가능하다 하더라도, 지속적인 작업을 하다보면 작업자의 집중력 저하와 피로도 증대로 인해 결함 분류가 원활히 이루어지지 않는다는 문제점이 있었다.In addition, there are more than 10 types of defects, and it is not only difficult to distinguish the defects by the correct classification by the human eye, but even if this is possible, it is difficult to maintain the defects due to the reduced concentration of workers and increased fatigue. There was a problem that it does not work smoothly.

따라서 본 발명은 상기와 같은 종래의 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은 롤 또는 쉬트 단위 형태로 연속 생산되는 철, 비철, 플라스틱, 종이류와 같은 물품의 표면에서 검출된 결함들을 그 종류별로 정확히 분류하는 롤 또는 쉬트 형태로 연속 생산되는 물품의 결함영상 분류방법을 제공하기 위한 것이다.Accordingly, the present invention has been made to solve the above-mentioned conventional problems, and an object of the present invention is to detect defects detected on the surface of an article such as iron, nonferrous metal, plastic, paper, etc., which are continuously produced in a roll or sheet unit form. An object of the present invention is to provide a method for classifying defect images of articles that are continuously produced in a roll or sheet form.

상기한 바와 같은 목적을 달성하기 위한 본 발명의 특징에 따르면, 제1발명은 롤 또는 쉬트 형태로 연속 생산되는 물품의 결함영상 분류방법에 관한 것으로, 롤 또는 쉬트 형태로 연속 생산된 물품의 표면을 촬영하고, 촬영된 영상 중에서 표면에 결함이 생긴 영상을 선별하고 결함의 형태에 따라 분류하며 분류된 영상별로 영상 처리하여 각 결함별 특징 벡터로 이루어진 특징 테이블을 구성하는 단계; 롤 또는 쉬트 형태로 연속 생산된 대상 물품의 외면을 촬영하여 촬영된 영상 데이터를 입력하는 단계; 상기 영상 데이터를 영상 처리하여 특징 벡터를 추출하는 단계; 상기 특징 테이블의 각 결함별 특징 벡터와 대상 물품에 대한 특징 벡터를 대비하여 상기 특징 테이블에서 대상 물품에 대한 특징 벡터와 가장 근사한 각 결함별 특징 벡터를 검색하는 단계; 및 검색된 특징 벡터에 해당하는 결함이 발생한 것으로 상기 대상 물품을 분류하는 단계;를 포함한다.According to a feature of the present invention for achieving the above object, the first invention relates to a method for classifying defect images of articles continuously produced in a roll or sheet form, the surface of the article continuously produced in a roll or sheet form Photographing, selecting an image having a defect on the surface from among the photographed images, classifying the image according to the shape of the defect, and performing image processing for each classified image to construct a feature table including a feature vector for each defect; Inputting photographed image data by photographing the outer surface of the object continuously produced in a roll or sheet form; Image processing the image data to extract a feature vector; Searching for a feature vector for each defect closest to the feature vector for the target article in the feature table by comparing the feature vector for each defect and the feature vector for the target article; And classifying the object article as having a defect corresponding to the retrieved feature vector.

제2발명은, 제1발명에서, 상기 특징 테이블 구성단계와 특징 벡터의 추출단 계에서, 영상 처리는, 입력된 영상 데이터를 2차원 가버필터 함수를 통해 n개의 방향에 대한 결과 영상을 생성하는 단계; 생성된 결과 영상을 1/4 크기로 순차적으로 줄여나가면서 각 결과 영상별로 레벨 영상을 생성하는 단계; 각 방향별 결과 영상에서 복수개의 특징점을 선택하고 상기 특징점과 대응하는 각 레벨 영상에서의 특징점을 서로 연결하여 특징 벡터를 추출하는 단계;를 포함하고, 상기 2차원 가버필터 함수는, According to a second invention, in the first invention, in the feature table construction step and the extraction of the feature vector, the image processing generates a result image for n directions through the two-dimensional Gabor filter function. step; Generating a level image for each result image while sequentially reducing the generated result image to 1/4 size; Selecting a plurality of feature points from each resultant image for each direction and connecting feature points in each level image corresponding to the feature points to extract a feature vector; wherein the two-dimensional Gabor filter function includes:

Figure 112008061510296-PAT00001
이고, 여기서, x'과 y'은, x'=(x-ξ)cosθ-(y-η)sinθ와 y'= (x-ξ)sinθ+(y-η)cosθ이며, θ는 상기 결과 영상의 방향에 대응하여 n개로 마련되는 것을 특징으로 한다.
Figure 112008061510296-PAT00001
Where x 'and y' are x '= (x-ξ) cosθ- (y-η) sinθ and y' = (x-ξ) sinθ + (y-η) cosθ, where θ is the result N pieces are provided corresponding to the direction of the image.

제3발명은, 제2발명에서, 상기 2차원 가버필터는 영상 데이터를 8방향으로 처리하여 각각의 결과 영상을 생성하고, 상기 결과 영상으로부터, 상기 결과 영상을 1/4 크기로 줄인 제1레벨 영상과, 상기 제1레벨 영상을 1/4 크기로 줄인 제2레벨 영상과, 상기 제2레벨 영상을 1/4 크기로 줄인 제3레벨 영상을 생성하는 것을 특징으로 한다.In the second invention, in the second invention, the two-dimensional Gabor filter processes the image data in eight directions to generate respective result images, and from the result image, a first level of reducing the result image to 1/4 size An image, a second level image of which the first level image is reduced to 1/4 size, and a third level image of which the second level image is reduced to 1/4 size are generated.

제4발명은, 제3발명에서, θ는 22.5°, 45°, 67.5°, 90°, 112.5°, 135°, 157.5°, 180°인 것을 특징으로 한다.In the fourth invention, in the third invention, θ is 22.5 °, 45 °, 67.5 °, 90 °, 112.5 °, 135 °, 157.5 °, 180 °.

제5발명은, 제4발명에서, 상기 각 영상에 대한 특징점은, 각 영상을 가로 4개와 세로 4개의 격자모양으로 분할하여 각 분할된 지점의 하나의 픽셀로 결정하는 것을 특징으로 한다.The fifth invention is characterized in that in the fourth invention, the feature point for each image is determined by dividing each image into four horizontal and four vertical grids to determine one pixel of each divided point.

제6발명은, 제5발명에서, 상기 특징 벡터의 검색 단계에서는, 상기 특징 테이블의 각 결함별 특징 벡터와 대상 물품에 대한 특징 벡터 간의 거리를 비교하여 대상 물품에 대한 특징 벡터와의 거리가 가장 가까운 결합별 특징 벡터를 검색하는 것을 특징으로 한다.In a fifth invention, in the fifth invention, in the retrieval of the feature vector, the distance between the feature vector for the target article and the feature vector for the target article is compared with the feature vector for the target article, so that the distance between the feature vector for the target article is the most. The feature vector may be searched for a close combination-specific feature vector.

제7발명은, 제6발명에서, 상기 거리는 유클리드 거리이고, 상기 유클리드 거리 D는, The seventh invention, in the sixth invention, the distance is the Euclidean distance, the Euclidean distance D,

Figure 112008061510296-PAT00002
Figure 112008061510296-PAT00002

이며, 여기서, 특징 테이블에 기재된 방향별 특징 벡터 V가 V=v1, v2, v3, …, v8이고, 대상 물품에 대한 어느 하나의 특징점의 방향별 특징 벡터가 V'=v'1, v'2, v'3, …, v'8인 것을 특징으로 한다.Where the direction-specific feature vectors V described in the feature table are V = v 1 , v 2 , v 3 ,. , v 8, and the feature vector for each direction of any one feature point for the object is V '= v' 1 , v ' 2 , v' 3 ,. , v ' 8 .

제8발명은, 제1발명에서, 상기 특징 테이블의 구성단계와 상기 영상 데이터의 입력단계에서는, CCD카메라를 이용하여 롤 또는 쉬트 형태로 연속 생산된 물품의 표면을 촬영하고, 촬영된 영상은 가로와 세로의 크기가 120×120으로 이루어지는 것을 특징으로 한다.Eighth invention, in the first invention, in the configuration step of the feature table and the input step of the image data, photographing the surface of the article continuously produced in the form of a roll or sheet using a CCD camera, the photographed image is horizontal And a vertical size of 120 × 120.

본 발명에 따른 롤 또는 쉬트 형태로 연속 생산되는 물품의 결함영상 분류방법에 의하면, 롤 또는 쉬트 단위 형태로 연속 생산되는 철, 비철, 플라스틱, 종이류와 같은 물품의 표면에서 검출된 결함들을 그 종류별로 정확히 분류함으로써, 생 산되는 물품의 품질 및 생산성을 향상시킬 수 있는 효과가 있다. According to the defect image classification method of the article continuously produced in the form of a roll or sheet according to the present invention, defects detected on the surface of the article such as iron, non-ferrous, plastic, paper, which is continuously produced in a roll or sheet unit by type By correctly classifying, there is an effect that can improve the quality and productivity of the produced product.

이하에서는 본 발명에 따른 롤 또는 쉬트 형태로 연속 생산되는 물품의 결함영상 분류방법에 관하여 첨부되어진 도면과 더불어 설명하기로 한다. 특히 이하의 실시예에서는 주조한 후에 압연하여 제작되는 동판 또는 강판에 대해 주로 설명하지만, 이는 롤 또는 쉬트 형태로 연속 생산되는 물품의 예를 든 것일 뿐, 본 발명이 상기 물품에 대한 결함영상 분류에만 한정되는 것은 아니다.Hereinafter, a method for classifying defect images of articles continuously produced in a roll or sheet form according to the present invention will be described with reference to the accompanying drawings. In particular, the following examples mainly describe a copper plate or a steel sheet manufactured by rolling after casting, but this is merely an example of an article continuously produced in a roll or sheet form, and the present invention is only for classifying defect images of the article. It is not limited.

본 발명은, 공장의 자동화 시스템 중 동판 혹은 강판과 같은 롤 또는 쉬트 형태로 제작되는 물품의 표면에서 검출된 결함들을 그 종류별로 분류하기 위한 것으로, 동판 혹은 강판 등 물품의 표면에서 나타나는 결함들은 생산 환경이나 공정 자체의 문제, 제품의 관리 문제 등에서 발생할 수 있는데, 이러한 결함들을 사람의 눈으로 직접 종류별로 분류하는 것보다 본 발명에서와 같은 방법을 이용하여 결함의 종류별로 분류함으로써 제품의 품질 향상 및 생산성을 향상시켜 더욱 큰 기대효과를 볼 수가 있다.The present invention is to classify the defects detected on the surface of the article manufactured in the form of a roll or sheet such as copper plate or steel plate in the factory automation system, the defects appearing on the surface of the article such as copper plate or steel sheet Or problems in the process itself, product management problems, etc. Rather than classifying these defects directly into the human eye, they can be classified by the type of defect using the same method as in the present invention to improve product quality and productivity. You can see the greater expected effect by improving the.

따라서 본 발명에서는, 입력된 여러 종류의 결함 영상들을 특징추출(feature extraction), 직물 분석(texture analysis) 등에 사용되는 가버필터와 특징 벡터를 이용하여 특징을 추출하고, 결함의 종류별로 분류하고자 한다. Therefore, in the present invention, a feature is extracted by using Gabor filters and feature vectors used for feature extraction, texture analysis, and the like, and classified according to types of defects.

이하에서는 본 발명에서 활용되는 가버필터와 특징 벡터에 대해 설명하고, 특징점을 비교하는 방법에 대해 설명한 후, 본 발명의 구체적인 실시예에 대해 설명하도록 하겠다.Hereinafter, a Gabor filter and a feature vector used in the present invention will be described, and a method for comparing feature points will be described, and then specific embodiments of the present invention will be described.

<가버필터>Gabor Filter

2차원 가버필터는 대상 신호에 대해 특정 위치, 특정 주파수 그리고 특정 방향의 성분만을 자유롭게 통과시킬 수 있는 필터이다. 이러한 2차원 가버필터 함수는 다음의 [수학식 1]과 같이 표현된다. The two-dimensional Gabor filter is a filter capable of freely passing only components of a specific position, a specific frequency, and a specific direction with respect to a target signal. This two-dimensional Gabor filter function is expressed as Equation 1 below.

Figure 112008061510296-PAT00003
Figure 112008061510296-PAT00003

여기서, x'과 y'은 다음의 [수학식 2]와 [수학식 3]과 같이 표현될 수 있다.Here, x 'and y' may be expressed as in the following [Equation 2] and [Equation 3].

Figure 112008061510296-PAT00004
Figure 112008061510296-PAT00004

Figure 112008061510296-PAT00005
Figure 112008061510296-PAT00005

위 가버필터 함수에서는, [수학식 1]에 있는 파라메터 즉, λ(wavelength), θ(orientation), φ(phase offset), γ(aspect ratio) 그리고 σ(bandwidth)에 의 해서 출력되는 데이터가 결정된다.In the Gabor filter function, the output data is determined by the parameters in Equation 1, λ (wavelength), θ (orientation), φ (phase offset), γ (aspect ratio), and σ (bandwidth). do.

보다 상세히 설명하면, 상기 가버필터 함수에서 λ는 가버필터에서 파장(Wavelength)을 의미하며, λ의 유효한 값은 2와 같거나 2보다 큰 값이다. 만약 가 2와 같다면 값이 φ값으로 90° 혹은 -90°과 같은 값은 사용할 수 없다. In more detail, λ in the Gabor filter function means a wavelength in the Gabor filter, and a valid value of λ is equal to or greater than 2. If is equal to 2, the value is not equal to 90 ° or -90 °.

θ는 가버필터 함수에서의 각도(degrees)를 의미하며, θ의 유효한 값은 0°에서부터 360° 사이의 값이다. θ means degrees in the Gabor filter function, and valid values of θ are values between 0 ° and 360 °.

φ는 가버필터 함수에서 코사인 팩터(cosine factor)의 위상의 옵셋(offset)을 의미하고, φ의 유효한 값은 -180°에서 180°의 범위이다.φ means the offset of the phase of the cosine factor in the Gabor filter function, and valid values of φ range from -180 ° to 180 °.

γ는 가우시안 팩터(Gaussian factor)의 타원율을 의미하고, γ의 값이 1이라면 원을 의미하게 된다. γ means ellipticity of Gaussian factor, and if γ is 1, it means circle.

한편, σ는 공간주파수의 대역폭을 의미한다.On the other hand, σ means the bandwidth of the spatial frequency.

이때 본 발명에서는 입력된 영상을 8방향으로 필터링하므로, 8개의 θ값이 사용된다. 즉, θ는 각각 22.5°, 45°, 67.5°, 90°, 112.5°, 135°, 157.5°, 180°로 사용된다.In this case, since the input image is filtered in eight directions, eight θ values are used. That is, θ is used at 22.5 °, 45 °, 67.5 °, 90 °, 112.5 °, 135 °, 157.5 °, and 180 °, respectively.

그리고 본 발명에서는 λ(Wavelength)는 6으로, σ(공간주파수)는 3으로 주어 사용된다. 또한 가우시안 팩터의 타원율 γ의 값은 0.5를 고정으로 사용하였다.In the present invention, lambda (Wavelength) is 6 and sigma (spatial frequency) is used as 3. In addition, the value of the ellipticity (gamma) of the Gaussian factor was set to 0.5.

이러한 λ와 σ 및 γ의 값은 상기 값들을 변화시켜 얻은 실험 결과로부터 최적화된 것이다.These values of λ, σ and γ are optimized from experimental results obtained by changing the values.

도 2는 상기와 같이 방향의 수가 8이고, λ는 6으로, σ는 3으로 설정한 경우의 가버필터를 통한 기저영상(basic image)을 나타낸 것이다. 이때 도 2의 (a)에 서는 θ가 90°이고, 도 2의 (b)에서는 θ가 65.5°이며, 도 2의 (c)에서는 θ가 45°이고, 도 2의 (d)에서는 θ가 22.5°이다. 그리고 도 2의 (e)에서는 θ가 180°이고, 도 2의 (f)에서는 θ가 157.5°이며, 도 2의 (g)에서는 θ가 135°이고, 도 2의 (h)에서는 θ가 112.5°이다.FIG. 2 illustrates a basic image through a Gabor filter when the number of directions is 8, λ is 6, and sigma is 3 as described above. 2 (a) is 90 °, θ is 65.5 ° in FIG. 2 (b), θ is 45 ° in FIG. 2 (c), and θ is shown in FIG. 22.5 °. In (e) of FIG. 2, θ is 180 °, θ is 157.5 ° in FIG. 2f, θ is 135 ° in FIG. 2g, and θ is 112.5 in FIG. 2h. °.

이와 같은 가버필터를 통하여 입력된 영상을 처리하면 도 3에 도시된 바와 같은 결과 영상을 얻을 수 있다. 즉, 도 3의 (a)와 같은, 주조한 후에 압연하여 제작된 물품 표면에 결함이 발생된 경우에, 그 물품의 표면을 촬영한 영상을 8방향으로 가버필터를 통과시키면 총 8개의 결과 영상을 얻을 수 있다. 그리고 이렇게 얻어진 8개의 결과 영상은 각각 1/4 크기로 순차적으로 줄여가면서 각 결과 영상별로 레벨 영상을 형성한다. 이때 본 실시예에서는 결과 영상으로부터, 결과 영상을 1/4 크기로 줄인 제1레벨 영상과, 상기 제1레벨 영상을 1/4 크기로 줄인 제2레벨 영상과, 상기 제2레벨 영상을 1/4 크기로 줄인 제3레벨 영상을 생성한다. 따라서 본 실시예에서는 8방향 4레벨의 영상을 토대로 결함을 분류하게 된다.When the image input through the Gabor filter is processed, the resultant image as shown in FIG. 3 may be obtained. That is, when a defect occurs on the surface of the article manufactured by casting after rolling, as shown in (a) of FIG. 3, when the image of the surface of the article passes through the Gabor filter in eight directions, a total of eight result images are obtained. Can be obtained. The eight result images thus obtained are sequentially reduced to 1/4 size to form a level image for each result image. In this embodiment, the first level image of which the resultant image is reduced to 1/4 size, the second level image of which the first level image is reduced to 1/4 size, and the second level image are 1 / n from the result image. A third level image reduced to four sizes is generated. Therefore, in this embodiment, defects are classified based on the image in the eight-direction four-level image.

이러한 과정으로 생성된 각 방향별 결과 영상과 3개의 레벨 영상들이 한 세트로 하여 도 3의 (b) 내지 (i)와 같이 도시된다. 그리고 각 영상은 도 3의 (b) 내지 (i)에 도시한 바와 같이,

Figure 112008061510296-PAT00006
,
Figure 112008061510296-PAT00007
,
Figure 112008061510296-PAT00008
,
Figure 112008061510296-PAT00009
,
Figure 112008061510296-PAT00010
, …과 같이 표시될 수 있다.The resultant image and three level images for each direction generated by this process are illustrated as shown in FIGS. 3 (b) to 3 (i) as a set. And each image is as shown in (b) to (i) of Figure 3,
Figure 112008061510296-PAT00006
,
Figure 112008061510296-PAT00007
,
Figure 112008061510296-PAT00008
,
Figure 112008061510296-PAT00009
,
Figure 112008061510296-PAT00010
,… It may be displayed as follows.

<특징 벡터><Feature vector>

상기와 같이 생성된 결과 영상과 각 레벨 영상에서 특징 벡터를 추출한다. 특징 벡터는 피라미드 구조에서 연관되는 같은 위치의 픽셀들을 체인으로 연결하여 서로 다른 특징을 가지는 다차원 벡터이다. 이러한 특징 벡터를 추출하기 위하여, 먼저 도 4에 도시된 바와 같이 영상에 일정한 간격의 격자점을 결정한다. 이러한 격자점이 특징점으로 된다. A feature vector is extracted from the resultant image and each level image generated as described above. A feature vector is a multidimensional vector having different features by chaining pixels of the same position associated in a pyramid structure. In order to extract such a feature vector, first, as shown in FIG. This lattice point becomes a feature point.

상기 특징점은 기하학적 위치 정보와 국부적인 방향 정보를 갖는다. 그리고 특징점은 영상에서 하나의 픽셀에 대응하는 것으로, 결과 영상에 정해진 특징점은 각 레벨 영상에서 대응하는 픽셀로 연결된다. 예를 들면, 결과 영상에서 특징점의 x, y 좌표가 (30, 30)이라고 하면, 상기 결과 영상을 1/4 크기로 줄인 제1레벨 영상에서는 특징점의 x, y 좌표가 (15, 15)로 되는 것이다. The feature point has geometric position information and local direction information. The feature point corresponds to one pixel in the image, and the feature point defined in the resultant image is connected to the corresponding pixel in each level image. For example, if the x, y coordinates of the feature points in the resultant image are (30, 30), the x, y coordinates of the feature points are (15, 15) in the first level image in which the resultant image is reduced to 1/4 size. Will be.

그리고 특징 벡터는 각 영상에서 서로 대응하는 특징점을 연결한 것으로 정의된다.The feature vector is defined as connecting feature points corresponding to each other in each image.

또한 상기 특징점의 개수는 특별히 한정된 것은 아니지만, 본 실시예에서는 각 영상을 가로 4개와 세로 4개의 격자 모양으로 분할하여 각 분할된 지점의 하나의 픽셀(격자점)로 결정하였다.In addition, the number of the feature points is not particularly limited, but in this embodiment, each image is divided into four horizontal and four vertical grids to determine one pixel (lattice point) at each divided point.

이와 같은 특징점을 토대로 특징 벡터를 결정하는 과정은 다음과 같이 이루어진다.The process of determining the feature vector based on the feature points is performed as follows.

즉, x와 y 좌표에 대한 특징 벡터 (x, y)는, 가버필터에 위해 변환된 각각의 서브밴드(Subband)에서 각각의 레벨 N과 방향 K 별로,

Figure 112008061510296-PAT00011
에 위치한 픽셀들 의 값을 연결하여 N × K차원의 방향성 특징을 가지게 된다.That is, the feature vector (x, y) for the x and y coordinates is for each level N and direction K in each subband transformed for the Gabor filter.
Figure 112008061510296-PAT00011
By concatenating the values of pixels located at, it has directional characteristics of N × K dimension.

가버필터에 의해 변환된 객체 영상에서 x와 y좌표에 대한 픽셀의 특징 벡터 (x, y)를 구성하는 식은 다음의 [수학식 4]와 같다.The equation constituting the feature vector (x, y) of the pixels for the x and y coordinates in the object image converted by the Gabor filter is shown in Equation 4 below.

Figure 112008061510296-PAT00012
Figure 112008061510296-PAT00012

Figure 112008061510296-PAT00013
Figure 112008061510296-PAT00013

……………………… … … … … … … …

Figure 112008061510296-PAT00014
Figure 112008061510296-PAT00014

예를 들어, 만약 레벨 N이 2이고 방향 K가 4이고, 검출할 이미지에 위치한 특징점의 개수 P가 16이라면, 총 특징점의 총 개수는 N×K×P, 즉 128개의 특징점을 가지게 된다. 이 특징점들을 특징 벡터로 구성을 하면 위의 [수학식 4]와 같이 하나의 특징 벡터마다 8개의 특징점들이 연결되므로 총 16개의 특징 벡터가 구성된다.For example, if the level N is 2, the direction K is 4, and the number P of feature points located in the image to be detected is 16, the total number of feature points has N × K × P, that is, 128 feature points. When the feature points are composed of feature vectors, as shown in Equation 4 above, eight feature points are connected to each feature vector, thereby forming a total of 16 feature vectors.

좌표 (30, 30)에 대한 특징 벡터를 구성한다면 아래와 같다.If the feature vector for the coordinate (30, 30) is configured as follows.

Figure 112008061510296-PAT00015
Figure 112008061510296-PAT00015

Figure 112008061510296-PAT00016
Figure 112008061510296-PAT00016

따라서 본 실시예에서는 방향 K가 8이고, 결과 영상으로부터 3개의 레벨 영상을 생성하였으므로, 레벨 N은 4이며, 각 영상에서의 특징점의 개수 P가 16개이므로, 총 특징점의 개수는 N×K×P, 즉 512개의 특징점을 가지게 된다. 그리고 상기 특징점들을 특징 벡터로 구성하면 위의 [수학식 4]와 같이 하나의 특징 벡터마다 32개의 특징점들이 연결되므로 총 16개의 특징 벡터가 구성된다.Therefore, in the present embodiment, since the direction K is 8 and three level images are generated from the resultant image, the level N is 4 and the number of feature points P is 16 in each image, so the total number of feature points is N × K ×. It has P, that is, 512 feature points. When the feature points are configured as feature vectors, 32 feature points are connected to each feature vector as shown in Equation 4, thereby forming a total of 16 feature vectors.

이때 어느 하나의 특징점의 위치에서의 특징 벡터는, 간단히 V= v1, v2, …, v8으로 나타낼 수 있고(여기서는, 방향 K가 8인 경우이고, vn은 어느 하나의 특징점에서 n방향에서의 특징 벡터를 의미함), 이러한 특징 벡터는 총 16개가 생성되는 것이다. At this time, the feature vector at the position of any one feature point is simply V = v 1 , v 2 ,. , v 8 (in this case, the direction K is 8, and v n means a feature vector in the n direction at any one feature point), and a total of 16 such feature vectors are generated.

<특징 벡터의 비교><Comparison of feature vectors>

영상에 담겨진 객체들, 즉 결함 간에 유사성의 정도를 정량적으로 나타내기 위해서는 하나의 척도가 필요하다. 여러 가지 방법이 있지만, 가장 보편적으로 많이 사용되는 것이 거리(distance)이다. One measure is needed to quantitatively express the degree of similarity between objects contained in an image, that is, defects. There are many ways to do this, but the most commonly used is distance.

본 실시예에서 특징 벡터의 거리 비교는 벡터들 간의 유클리드 거리(Euclidean distance)를 이용하였다. 유클리드 거리는 서로 다른 벡터 사이의 거 리를 비교하기 위한 방법이다. N차원을 가지는 두 특징 벡터 V = v1, v2, …, vn 과 V'= v'1, v'2, …, v'n사이의 유클리드 거리 D(V,V') 는 다음의 [수학식 5]와 같이 정의된다.In the present embodiment, the distance comparison of the feature vectors uses an Euclidean distance between the vectors. Euclidean distance is a method for comparing the distance between different vectors. Two feature vectors with N dimensions V = v 1 , v 2 ,. , v n and V '= v' 1 , v ' 2 ,... , Euclidean distance D (V, V ') between v' n is defined as shown in Equation 5 below.

Figure 112008061510296-PAT00017
Figure 112008061510296-PAT00017

이와 같은 유클리드 거리를 활용하여 대비하고자 하는 2개의 특징 벡터간의 유클리드 거리를 구하여 그 거리의 장단에 따라 유사도를 판단한다.By using the Euclidean distance, Euclidean distance between two feature vectors to be prepared is determined, and similarity is determined according to the length and length of the distance.

<구체적인 실시예>Specific Example

다음으로, 도 1에 도시된 본 발명에 따른 영상 처리를 통한 롤 또는 쉬트 형태로 연속 생산되는 물품의 결함영상 분류방법의 순서도를 참고하여 본 발명의 구체적인 실시예에 대해 설명한다.Next, a specific embodiment of the present invention will be described with reference to a flowchart of a method for classifying defect images of articles continuously produced in a roll or sheet form through image processing shown in FIG. 1.

영상들의 결함 분류를 위해 사용된 실험 영상들은 실제 롤 또는 쉬트 형태로 제작되는 동판 혹은 철판과 같은 물품을 실시간으로 CCD카메라를 이용하여 촬영하고, 이렇게 촬영된 영상에서 결함이 발견된 부분만을 추출하여 사용한다.Experimental images used to classify the defects of the images are taken in real time using a CCD camera, such as a copper plate or a steel plate manufactured in the form of a roll or sheet, and extracts only the part where a defect is found in the captured image. do.

촬영된 영상에서 추출한 결함 이미지들은 조명기구를 이용하여 일정한 밝기에서 촬영되었으며, 이미지들은 그레이 사진(gray image)으로 가로 120, 세로 120 의 크기를 가지며, 총 1000여개의 이미지들을 대상으로 사용하였다.The defect images extracted from the photographed images were photographed at a constant brightness using a luminaire, and the images were gray images having a size of 120 horizontally and 120 vertically, and a total of 1000 images were used.

도 5에서 보여지는 바와 같이, 이미지에서 결함의 위치가 이미지의 중심의 바깥쪽보다는 중심부근에 대부분 위치하므로, 결함의 검출 범위는 가로 80, 세로 80 크기의 고정된 윈도우(도 5의 노란색 사각형 참조)를 사용했다.As shown in FIG. 5, since the position of a defect in the image is mostly located near the center of the image rather than outside of the center of the image, the detection range of the defect is a fixed window having a width of 80 and a height of 80 (see yellow rectangle in FIG. 5). )

그리고 결함이 형성된 영상을 선별하고 결함의 형태에 따라 분류하고, 분류된 영상별로 영상 처리하여 각 결함별 특징 벡터로 이루어진 특징 테이블을 구성한다. Then, the image in which the defect is formed is sorted, classified according to the shape of the defect, and the image is processed for each classified image to form a feature table composed of feature vectors for each defect.

보다 상세히 설명하면, 입력된 결함을 가지는 이미지들은 8방향과 4레벨의 가버필터를 이용하여 특징 벡터를 구성하였다. 상기 가버필터의 8개의 방향은 각각 22.5°, 45°, 67.5°, 90°, 112.5°, 135°, 157.5°, 180°이다. 그리고 레벨이 올라갈수록 가버필터를 통해 출력된 이미지는 입력된 이미지의 가로, 세로의 크기보다 가로와 세로의 길이가 1/2크기로 작아진다(즉, 입력된 영상을 1/4로 줄인다). In more detail, the images having the input defects are composed of feature vectors using Gabor filters of eight directions and four levels. The eight directions of the Gabor filter are 22.5 °, 45 °, 67.5 °, 90 °, 112.5 °, 135 °, 157.5 °, and 180 °, respectively. As the level increases, the image output through the Gabor filter becomes 1/2 the length of the width and length is smaller than the width and length of the input image (that is, the input image is reduced to 1/4).

각 레벨의 영상을 맞게 격자모양으로 가로 4개 및 세로 4개로 분할하여 각 분할된 지점의 하나의 픽셀을 정하여 총 16개의 특징점을 만든다. 이때 각 레벨의 영상은 격자모양으로 가로 3개 및 세로 3개로, 또는 다른 개수로 분할할 수도 있음은 당연하다.The image of each level is divided into 4 horizontally and 4 vertically in a grid shape to determine one pixel of each divided point to make a total of 16 feature points. At this time, it is obvious that the image of each level may be divided into three horizontal, three vertical, or other numbers in a grid shape.

이와 같이 결정된 특징점들을 활용하여 특징 벡터를 추출하고, 추출된 특징 벡터는 결함별로 분류된 특징 테이블에 저장된다(단계 S10).The feature vector is extracted using the feature points determined as described above, and the extracted feature vector is stored in a feature table classified for each defect (step S10).

특징 테이블이 구성되면, 롤 또는 쉬트 형태의 대상 물품에 대한 결함분류 작업을 시작할 수 있다. 즉, 상기 대상 물품의 표면을 촬영하여 촬영된 영상 데이 터를 입력한다. 이때 촬영방법이나 촬영된 영상의 크기는, 상기 특징 테이블을 구성하는 단계와 동일하게 이루어진다(단계 S20).Once the feature table is constructed, defect classification can be started for the object in roll or sheet form. That is, the image data photographed by photographing the surface of the object is input. At this time, the photographing method or the size of the photographed image is the same as the step of configuring the feature table (step S20).

결함의 종류 분류는 모델 영상과 가버필터를 통한 후보 영상의 특징점을 정합하고, 특징점의 특징 벡터에 대한 거리를 비교하여 결함을 분류한다. 이때 가버필터를 통한 후보 영상과 미리 저장된 모델 영상과의 특징점에 대한 방향별 특징 벡터의 유클리드 거리를 비교한다.The defect type classification classifies the feature points of the candidate image through the Gabor filter and the model image, and classifies the defects by comparing the distances of the feature vectors of the feature points. At this time, the Euclidean distance of the feature vector for each direction with respect to the feature point between the candidate image through the Gabor filter and the pre-stored model image is compared.

보다 상세히 설명하면, 가로 120, 세로 120 크기의 결함 이미지가 입력되면, 가버필터를 통해 결함이 있는 이미지들을 독립적인 방향과 레벨를 가지는 이미지로 변환한다(도 3 참조). In more detail, when a defect image having a size of 120 and 120 is input, the defective image is converted into an image having an independent direction and level through a Gabor filter (see FIG. 3).

그리고 그 변환된 이미지를 가로 4개와 세로 4개의 격자모양으로 분할하여 각 분할된 지점의 하나의 픽셀을 각각 특징점으로 결정한다(도 4 참조). 이때 격자모양으로 분할하는 영상은, 최초 가로 120, 세로 120 크기의 영상이 아니라, 가로 80, 세로 80 크기의 영상을 사용한다(도 5 참조). 이는 영상에서 결함이 위치가 영상의 중심에 대부분 위치하기 때문에 이미지의 외곽으로부터 가로와 세로를 40씩 줄여 활용하는 것이다.The converted image is divided into four horizontal and four vertical grids to determine one pixel of each divided point as a feature point (see FIG. 4). In this case, the image divided into a grid shape uses an image of a horizontal 80 and a vertical 80 size, not an image of a first horizontal 120 and a vertical 120 size (see FIG. 5). This is because the defects in the image are mostly located in the center of the image, so the horizontal and vertical values are reduced by 40 from the outside of the image.

이렇게 결정된 특징점을 통해 상기에서 언급된 방법으로 특징 벡터를 추출한다(단계 S30). 이때 특징 벡터를 추출하는 방법은 상기에서 언급된 바와 같은 방식이 사용된다.The feature vector is extracted by the above-mentioned method through the feature points determined as described above (step S30). At this time, the method of extracting the feature vector is used as described above.

그리고 이렇게 추출된 특징 벡터를, 상기 특징 테이블의 각 결함별 특징 벡터와 대비하여 상기 특징 테이블에서 대상 물품에 대한 특징 벡터와 가장 근사한 각 결함별 특징 벡터를 검색한다. 이때 결함별 특징 벡터의 검색은, 대상 물품의 특징 벡터와 유클리드 거리가 짧은 특징 테이블의 특징 벡터를 찾아내는 과정으로 이루어진다(단계 S40).The feature vector extracted in this manner is compared with the feature vector for each defect of the feature table, and the feature vector for each defect closest to the feature vector for the target article is retrieved from the feature table. At this time, the search for the feature vector for each defect consists of finding the feature vector of the object article and the feature vector of the feature table having a short Euclidean distance (step S40).

그리고 이러한 과정으로 특징 테이블에서 가장 유클리드 거리가 가까운 특징 벡터를 찾아내면, 상기 특징 테이블에서 상기 특징 벡터가 속하는 결함분류로 상기 대상 물품의 결함이 결정되어 대상 물품의 결함이 분류된다(단계 S50).In this process, when the feature vector having the closest Euclidean distance is found in the feature table, the defect of the target article is determined by the defect classification to which the feature vector belongs in the feature table, and the defect of the target article is classified (step S50).

이와 같은 방법으로 대상 물품의 결함을 분류하면, 대략 70.2%의 분류 성공률을 나타내는 것으로 실험결과 확인되었다. 이 정도의 분류 성공률이면 철, 비철, 플라스틱, 종이류와 같은 물품의 결함을 분류하여 이를 시정함으로써 롤 또는 쉬트 형태로 생산되는 물품의 품질 및 생산성 향상에 크게 기여할 수 있다.When the defects of the object article were classified in this manner, the experimental results showed that the classification success rate was approximately 70.2%. This sorting success rate can greatly contribute to improving the quality and productivity of articles produced in the form of rolls or sheets by classifying and correcting defects of articles such as iron, nonferrous, plastic, and paper.

또한 본 실시예에서는 대상 물품의 결함을 분류할 때, 각 영상별로 16개의 특징점을 결정하고, 4 레벨, 8방향으로 영상을 처리하였다. 따라서 만일 본 실시예에서보다 분류 성공률을 높이려면, 특징점의 개수를 늘리든지, 레벨 및 방향수를 늘리는 것으로 가능하다.In this embodiment, when classifying the defects of the target article, 16 feature points are determined for each image, and the image is processed in four levels and eight directions. Therefore, if the classification success rate is higher than in this embodiment, it is possible to increase the number of feature points or increase the number of levels and directions.

본 발명의 권리는 위에서 설명된 실시예에 한정되지 않고 청구범위에 기재된 바에 의해 정의되며, 본 발명의 분야에서 통상의 지식을 가진 자가 청구범위에 기재된 권리범위 내에서 다양한 변형과 개작을 할 수 있다는 것은 자명하다. The rights of the present invention are not limited to the embodiments described above, but are defined by the claims, and those skilled in the art can make various modifications and adaptations within the scope of the claims. It is self-evident.

도 1에 도시된 본 발명에 따른 영상 처리를 통한 주조 물품의 결함영상 분류방법의 순서도,1 is a flowchart of a method for classifying a defect image of a cast product through image processing according to the present invention shown in FIG.

도 2는 본 발명에 따른 분류방법에 사용되는 가버필터의 8방향에 대한 기저영상을 도시한 도면,FIG. 2 is a diagram showing base images of eight directions of a Gabor filter used in a classification method according to the present invention; FIG.

도 3은 입력영상과 결과영상을 도시한 도면,3 is a view showing an input image and a result image;

도 4는 결과영상에 일정한 격자점을 형성한 상태를 설명하는 도면,4 is a view for explaining a state in which a certain grid point is formed in the resultant image;

도 5는 촬영된 영상에서 영상의 크기에 대한 조정을 설명하는 도면이다.5 is a diagram for explaining adjustment of an image size in a captured image.

Claims (8)

롤 또는 쉬트 형태로 연속 생산된 물품의 표면을 촬영하고, 촬영된 영상 중에서 표면에 결함이 생긴 영상을 선별하고 결함의 형태에 따라 분류하며 분류된 영상별로 영상 처리하여 각 결함별 특징 벡터로 이루어진 특징 테이블을 구성하는 단계;Features of the feature vector for each defect by photographing the surface of articles produced continuously in the form of rolls or sheets, classifying images with defects on the surface among the photographed images, classifying them according to the types of defects, and processing the images by classified images Constructing a table; 롤 또는 쉬트 형태로 연속 생산된 대상 물품의 표면을 촬영하여 촬영된 영상 데이터를 입력하는 단계;Inputting photographed image data by photographing the surface of the object continuously produced in a roll or sheet form; 상기 영상 데이터를 영상 처리하여 특징 벡터를 추출하는 단계;Image processing the image data to extract a feature vector; 상기 특징 테이블의 각 결함별 특징 벡터와 대상 물품에 대한 특징 벡터를 대비하여 상기 특징 테이블에서 대상 물품에 대한 특징 벡터와 가장 근사한 각 결함별 특징 벡터를 검색하는 단계; 및Searching for a feature vector for each defect closest to the feature vector for the target article in the feature table by comparing the feature vector for each defect and the feature vector for the target article; And 검색된 특징 벡터에 해당하는 결함이 발생한 것으로 상기 대상 물품을 분류하는 단계;를 포함하는 것을 특징으로 하는 영상 처리를 통한 영상 처리를 통한 롤 또는 쉬트 형태로 연속 생산되는 물품의 결함영상 분류방법.And classifying the target article as having a defect corresponding to the retrieved feature vector. The image classification method of the defect image of the article continuously produced in a roll or sheet form through image processing. 제1항에 있어서,The method of claim 1, 상기 특징 테이블 구성단계와 특징 벡터의 추출단계에서, 영상 처리는, In the feature table construction step and the feature vector extraction step, the image processing may include: 입력된 영상 데이터를 2차원 가버필터 함수를 통해 n개의 방향에 대한 결과 영상을 생성하는 단계;Generating result images of n directions from the input image data through a 2D Gabor filter function; 생성된 결과 영상을 1/4 크기로 순차적으로 줄여나가면서 각 결과 영상별로 레벨 영상을 생성하는 단계;Generating a level image for each result image while sequentially reducing the generated result image to 1/4 size; 각 방향별 결과 영상에서 복수개의 특징점을 선택하고 상기 특징점과 대응하는 각 레벨 영상에서의 특징점을 서로 연결하여 특징 벡터를 추출하는 단계;를 포함하고,Selecting a plurality of feature points from the result image for each direction and extracting a feature vector by connecting the feature points in each level image corresponding to the feature points with each other; 상기 2차원 가버필터 함수는, The two-dimensional Gabor filter function,
Figure 112008061510296-PAT00018
이고, 여기서, x'과 y'은,
Figure 112008061510296-PAT00018
Where x 'and y' are x'=(x-ξ)cosθ-(y-η)sinθ와 y'= (x-ξ)sinθ+(y-η)cosθ이며,x '= (x-ξ) cosθ- (y-η) sinθ and y' = (x-ξ) sinθ + (y-η) cosθ, θ는 상기 결과 영상의 방향에 대응하여 n개로 마련되는 것을 특징으로 하는 영상 처리를 통한 롤 또는 쉬트 형태로 연속 생산되는 물품의 결함영상 분류방법.[theta] is n pieces corresponding to the direction of the resultant image, characterized in that the defect image classification method of the article continuously produced in the form of a roll or sheet through image processing. 제2항에 있어서,The method of claim 2, 상기 2차원 가버필터는 영상 데이터를 8방향으로 처리하여 각각의 결과 영상을 생성하고,The 2D Gabor filter processes the image data in 8 directions to generate respective result images. 상기 결과 영상으로부터, 상기 결과 영상을 1/4 크기로 줄인 제1레벨 영상과, 상기 제1레벨 영상을 1/4 크기로 줄인 제2레벨 영상과, 상기 제2레벨 영상을 1/4 크기로 줄인 제3레벨 영상을 생성하는 것을 특징으로 하는 영상 처리를 통한 롤 또는 쉬트 형태로 연속 생산되는 물품의 결함영상 분류방법.From the result image, a first level image of which the resultant image is reduced to 1/4 size, a second level image of which the first level image is reduced to 1/4 size, and the second level image of 1/4 size A method for classifying defect images of articles continuously produced in a roll or sheet form through image processing, characterized by generating a reduced third level image. 제3항에 있어서,The method of claim 3, θ는 22.5°, 45°, 67.5°, 90°, 112.5°, 135°, 157.5°, 180°인 것을 특징으로 하는 영상 처리를 통한 롤 또는 쉬트 형태로 연속 생산되는 물품의 결함영상 분류방법.[theta] is 22.5 [deg.], 45 [deg.], 67.5 [deg.], 90 [deg.], 112.5 [deg.], 135 [deg.], 157.5 [deg.], 180 [deg.]. 제4항에 있어서,The method of claim 4, wherein 상기 각 영상에 대한 특징점은, 각 영상을 가로 4개와 세로 4개의 격자모양으로 분할하여 각 분할된 지점의 하나의 픽셀로 결정하는 것을 특징으로 하는 영상 처리를 통한 롤 또는 쉬트 형태로 연속 생산되는 물품의 결함영상 분류방법.The feature point for each image is an article that is continuously produced in the form of a roll or sheet through image processing, characterized in that each image is divided into four horizontal and four vertical grids and determined as one pixel of each divided point. Method for classifying defect images. 제5항에 있어서,The method of claim 5, 상기 특징 벡터의 검색 단계에서는, 상기 특징 테이블의 각 결함별 특징 벡터와 대상 물품에 대한 특징 벡터 간의 거리를 비교하여 대상 물품에 대한 특징 벡터와의 거리가 가장 가까운 결합별 특징 벡터를 검색하는 것을 특징으로 하는 영상 처리를 통한 롤 또는 쉬트 형태로 연속 생산되는 물품의 결함영상 분류방법.In the retrieving of the feature vector, the feature vector for each target is compared with the feature vector for the target article by searching for the feature vector for the combination closest to the feature vector for the target article. Defective image classification method of articles continuously produced in the form of a roll or sheet through the image processing. 제6항에 있어서,The method of claim 6, 상기 거리는 유클리드 거리이고,The distance is Euclidean distance, 상기 유클리드 거리 D는, The Euclidean distance D,
Figure 112008061510296-PAT00019
Figure 112008061510296-PAT00019
 이며, , 여기서, 특징 테이블에 기재된 방향별 특징 벡터 V가 V=v1, v2, v3, …, v8이고, 대상 물품에 대한 어느 하나의 특징점의 방향별 특징 벡터가 V'=v'1, v'2, v'3, …, v'8인 것을 특징으로 하는 영상 처리를 통한 롤 또는 쉬트 형태로 연속 생산되는 물품의 결함영상 분류방법.Here, the feature vector V for each direction described in the feature table is V = v 1 , v 2 , v 3 ,. , v 8, and the feature vector for each direction of any one feature point for the object is V '= v' 1 , v ' 2 , v' 3 ,. and a defect image classification method of an article continuously produced in a roll or sheet form through image processing, characterized in that v ' 8 . 제1항에 있어서,The method of claim 1, 상기 특징 테이블의 구성단계와 상기 영상 데이터의 입력단계에서는, CCD카메라를 이용하여 롤 또는 쉬트 형태로 연속 생산된 물품의 표면을 촬영하고, 촬영된 영상은 가로와 세로의 크기가 120×120으로 이루어지는 것을 특징으로 하는 영상 처리를 통한 롤 또는 쉬트 형태로 연속 생산되는 물품의 결함영상 분류방법.In the configuration step of the feature table and the input step of the image data, photographing the surface of the article continuously produced in the form of a roll or sheet using a CCD camera, the photographed image has a horizontal and vertical size of 120 × 120 Defective image classification method of the article continuously produced in the form of a roll or sheet through the image processing.
KR1020080084625A 2008-08-28 2008-08-28 Detect image classification method of articles continuously produced by roll or sheet type through image processing KR101009575B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020080084625A KR101009575B1 (en) 2008-08-28 2008-08-28 Detect image classification method of articles continuously produced by roll or sheet type through image processing

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020080084625A KR101009575B1 (en) 2008-08-28 2008-08-28 Detect image classification method of articles continuously produced by roll or sheet type through image processing

Publications (2)

Publication Number Publication Date
KR20100025884A true KR20100025884A (en) 2010-03-10
KR101009575B1 KR101009575B1 (en) 2011-01-20

Family

ID=42177292

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020080084625A KR101009575B1 (en) 2008-08-28 2008-08-28 Detect image classification method of articles continuously produced by roll or sheet type through image processing

Country Status (1)

Country Link
KR (1) KR101009575B1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101402738B1 (en) * 2012-12-24 2014-06-03 한국과학기술연구원 Inspection method and apparatus for detection of line abnormality based on image and system using the method
CN116630332A (en) * 2023-07-26 2023-08-22 山东华航高分子材料有限公司 PVC plastic pipe orifice defect detection method based on image processing

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101328266B1 (en) 2011-12-26 2013-11-14 주식회사 포스코 Apparatus for detecting surface crack of hot slab

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4220595B2 (en) * 1998-08-10 2009-02-04 株式会社日立製作所 Defect classification method and teaching data creation method
KR20020011529A (en) * 2000-08-02 2002-02-09 송문섭 Method and apparatus for representing and retrieving 3d image data using 3d zernike moments and frequency plane divided features

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101402738B1 (en) * 2012-12-24 2014-06-03 한국과학기술연구원 Inspection method and apparatus for detection of line abnormality based on image and system using the method
CN116630332A (en) * 2023-07-26 2023-08-22 山东华航高分子材料有限公司 PVC plastic pipe orifice defect detection method based on image processing
CN116630332B (en) * 2023-07-26 2023-09-26 山东华航高分子材料有限公司 PVC plastic pipe orifice defect detection method based on image processing

Also Published As

Publication number Publication date
KR101009575B1 (en) 2011-01-20

Similar Documents

Publication Publication Date Title
JP4603512B2 (en) Abnormal region detection apparatus and abnormal region detection method
CN107248159A (en) A kind of metal works defect inspection method based on binocular vision
CN107230203B (en) Casting defect identification method based on human eye visual attention mechanism
DE102015103022A1 (en) Method and device for detecting a known object in a visual field of a three-dimensional machine vision system
CN105608441B (en) Vehicle type recognition method and system
JP6899189B2 (en) Systems and methods for efficiently scoring probes in images with a vision system
CN104198497B (en) Surface defect detection method based on visual saliency map and support vector machine
CN108647706B (en) Article identification classification and flaw detection method based on machine vision
CN104036284A (en) Adaboost algorithm based multi-scale pedestrian detection method
CN113793337B (en) Locomotive accessory surface abnormal degree evaluation method based on artificial intelligence
CN107256547A (en) A kind of face crack recognition methods detected based on conspicuousness
JP4728444B2 (en) Abnormal region detection apparatus and abnormal region detection method
CN113012098B (en) Iron tower angle steel punching defect detection method based on BP neural network
CN105718931B (en) System and method for determining clutter in acquired images
CN107463895B (en) Small and weak damage object detection method based on neighborhood vector PCA
CN109816051B (en) Hazardous chemical cargo feature point matching method and system
CN114863464B (en) Second-order identification method for PID drawing picture information
CN113252103A (en) Method for calculating volume and mass of material pile based on MATLAB image recognition technology
KR101009575B1 (en) Detect image classification method of articles continuously produced by roll or sheet type through image processing
CN105359165B (en) Determine the barcode position in document
CN110930425A (en) Damaged target detection method based on neighborhood vector inner product local contrast image enhancement
CN105057899B (en) A kind of scanogram recognition methods being applied to Intelligent Laser cutting
Tribak et al. QR code patterns localization based on Hu Invariant Moments
Zirngibl et al. Approach for the automated analysis of geometrical clinch joint characteristics
US10115195B2 (en) Method and apparatus for processing block to be processed of urine sediment image

Legal Events

Date Code Title Description
A201 Request for examination
N231 Notification of change of applicant
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
N231 Notification of change of applicant
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20140108

Year of fee payment: 4

LAPS Lapse due to unpaid annual fee