KR20130072063A - 부품을 인식하기 위한 장치 및 그 방법 - Google Patents
부품을 인식하기 위한 장치 및 그 방법 Download PDFInfo
- Publication number
- KR20130072063A KR20130072063A KR20110139610A KR20110139610A KR20130072063A KR 20130072063 A KR20130072063 A KR 20130072063A KR 20110139610 A KR20110139610 A KR 20110139610A KR 20110139610 A KR20110139610 A KR 20110139610A KR 20130072063 A KR20130072063 A KR 20130072063A
- Authority
- KR
- South Korea
- Prior art keywords
- component
- image
- feature
- edge
- technique
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 115
- 239000013598 vector Substances 0.000 claims abstract description 49
- 239000000284 extract Substances 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 230000003044 adaptive effect Effects 0.000 claims description 23
- 238000003708 edge detection Methods 0.000 claims description 22
- 238000003706 image smoothing Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 5
- 210000005036 nerve Anatomy 0.000 abstract 2
- 238000009826 distribution Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
- G06V10/993—Evaluation of the quality of the acquired pattern
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
본 발명에 의한 부품을 인식하기 위한 장치 및 그 방법이 개시된다.
본 발명에 따른 부품을 인식하기 위한 장치는 입력받은 부품 영상으로부터 다수의 에지 검출 기법을 이용하여 각각 부품 에지를 추출하고 추출된 상기 부품 에지를 이용하여 부품 영역을 검출하는 영상 전처리부; 검출된 상기 부품 영역 내에서 부품 특징을 추출하고 추출된 상기 부품 특징을 이용하여 특징 벡터를 생성하는 특징 추출부; 및 생성된 상기 특징 벡터를 다수의 부품 영상 샘플을 통해 부품 유형을 인식하도록 미리 학습된 인공 신경망에 입력하여 그 결과로 부품 유형을 인식하는 부품 인식부를 포함한다.
이를 통해, 본 발명은 부품의 실장율을 높일 수 있고, 제품의 생산성을 향상시킬 수 있다.
본 발명에 따른 부품을 인식하기 위한 장치는 입력받은 부품 영상으로부터 다수의 에지 검출 기법을 이용하여 각각 부품 에지를 추출하고 추출된 상기 부품 에지를 이용하여 부품 영역을 검출하는 영상 전처리부; 검출된 상기 부품 영역 내에서 부품 특징을 추출하고 추출된 상기 부품 특징을 이용하여 특징 벡터를 생성하는 특징 추출부; 및 생성된 상기 특징 벡터를 다수의 부품 영상 샘플을 통해 부품 유형을 인식하도록 미리 학습된 인공 신경망에 입력하여 그 결과로 부품 유형을 인식하는 부품 인식부를 포함한다.
이를 통해, 본 발명은 부품의 실장율을 높일 수 있고, 제품의 생산성을 향상시킬 수 있다.
Description
본 발명은 부품 인식 장치에 관한 것으로, 특히, 카메라로 획득한 부품 영상으로부터 부품 영역을 추출하고 추출된 부품 영역으로부터 특징 벡터를 추출하여 추출된 특징 벡터를 이용하여 부품의 유형 및 자세 각도를 추정하도록 하는 부품을 인식하기 위한 장치 및 그 방법에 관한 것이다.
공장 자동화 시스템에서 부품 인식은 단순 반복 작업의 부담을 최소화하거나 작업자의 집중력 저하로 인한 생산성 저하를 개선하기 위한 방안으로 사용되어왔다. 부품 인식은 여러 가지 부품을 생산하는 소규모 공장에서 부품의 양, 불량품을 식별하거나 부품을 실장하는데 사용되어져 왔다. 최근 영상 인식 기술의 발전 및 한 라인에서 다품종 변량을 생산하는 셀 생산 방식의 도입으로 인하여 부품의 종류 및 부품의 자세 각도를 추정하여 부품을 정확하게 실장하고자 하는 필요성이 점점 더 확대되고 있는 실정이다.
기존에 개발된 부품 인식 방법은 부품 영상의 화소 비교를 이용한 모델 기반 매칭 방법 및 부품의 디자인 정보를 기반으로 부품의 윤곽선을 추출하여 표준 모델을 생성한 후 입력된 부품 영상의 특성과 비교하는 규칙 기반 방법이 주로 사용되어왔다.
그러나 기존에 제안된 방법은 특정 부품 인식에 특화된 부품 인식 방법을 적용함으로써 새로운 제품이 생산될 때 마다 새로운 부품 인식 알고리즘을 개발해야 되므로 개발에 소요되는 시간으로 인하여 새로운 부품 생산 시스템에 부품 인식 방법을 신속하고 효율적으로 적용하기 어려운 문제점이 있었다. 또한, 조명 영향으로 인해 생기는 입력 영상의 잡음 및 매칭 알고리즘의 복잡성으로 인하여 실시간 처리가 어렵고 부품 인식율 또한 저하되는 문제점이 있었다.
이러한 문제점을 해결하기 위하여 조명 영향에 덜 민감한 부품 인식 방법 및 여러 종류의 부품 인식에 일반적으로 적용될 수 있는 부품 인식 방법에 대한 필요성이 증가되어 왔다.
특히, 실제 생산 환경에 따라 다양하게 변하는 조명과 다양한 부품 종류로 인하여 실제 현장에 부품 인식 기술을 효과적으로 적용하기가 더욱 어려웠다. 따라서 인식 대상 부품의 종류가 바뀌어도 일반화된 부품 인식 방법을 제공하고 조명 영향이나 부품이 놓여진 자세 각도에 강인한 부품 인식 방법이 절실히 요구되는 실정이다.
따라서 이러한 종래 기술의 문제점을 해결하기 위한 것으로, 본 발명의 목적은 카메라로 획득한 부품 영상으로부터 부품 영역을 추출하고 추출된 부품 영역으로부터 특징 벡터를 추출하여 추출된 특징 벡터를 이용하여 부품의 종류 및 자세 각도를 추정하도록 하는 부품을 인식하기 위한 장치 및 그 방법을 제공하는데 있다.
그러나 본 발명의 목적은 상기에 언급된 사항으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기 목적들을 달성하기 위하여, 본 발명의 한 관점에 따른 부품을 인식하기 위한 장치는 입력받은 부품 영상으로부터 다수의 에지 검출 기법을 이용하여 각각 부품 에지를 추출하고 추출된 상기 부품 에지를 이용하여 부품 영역을 검출하는 영상 전처리부; 검출된 상기 부품 영역 내에서 부품 특징을 추출하고 추출된 상기 부품 특징을 이용하여 특징 벡터를 생성하는 특징 추출부; 및 생성된 상기 특징 벡터를 다수의 부품 영상 샘플을 통해 부품 유형을 인식하도록 미리 학습된 인공 신경망에 입력하여 그 결과로 부품 유형을 인식하는 부품 인식부를 포함할 수 있다.
바람직하게, 상기 에지 검출 기법은 이차 미분 연산 기법과 국소 적응적 이진화 기법을 포함하는 것을 특징으로 한다.
바람직하게, 상기 영상 전처리부는 상기 부품 영상에 이차 미분 연산 기법을 이용하여 제1 부품 에지를 검출하고 상기 부품 영상에 국소 적응적 이진화 기법을 이용하여 제2 부품 에지를 검출한 후, 검출된 상기 제1 부품 에지와 상기 제2 부품 에지를 결합하여 그 결합한 결과로 상기 부품 영역을 검출할 수 있다.
바람직하게, 상기 영상 전처리부는 상기 부품 영상에 대해 영상 스무딩을 위한 필터링을 수행하여 잡음을 제거한 후, 상기 영상 스무딩이 처리된 부품 영상에 이차 미분 연산 기법을 이용하여 제1 부품 에지를 검출할 수 있다.
바람직하게, 상기 영상 전처리부는 상기 부품 영상에 대해 영상 스무딩을 위한 필터링을 수행하여 잡음을 제거한 후, 상기 영상 스무딩이 처리된 부품 영상에 상기 국소 적응적 이진화 기법을 이용하여 제2 부품 에지를 검출할 수 있다.
바람직하게, 상기 특징 추출부는 상기 부품 영역을 이진 영상으로 변환 처리한 이진 부품 영역 내에서 제1 부품 특징을 추출하고, 상기 부품 영역을 그레이 영상으로 변환 처리한 그레이 부품 영역 내에서 제2 부품 특징을 추출한 후, 추출된 상기 제1 부품 특징과 상기 제2 부품 특징을 결합하여 그 결합한 결과로 상기 특징 벡터를 생성할 수 있다.
또한, 본 발명에 따른 부품을 인식하기 위한 장치는 유형이 인식된 부품의 실루엣의 주 직선 성분을 이용하여 상기 부품의 자세 각도를 추정하는 각도 추정부를 더 포함할 수 있다.
바람직하게, 상기 각도 추정부는 유형이 인식된 상기 부품의 실루엣의 주 직선 성분과 데이터베이스에 기 저장된 3D 모델의 부품의 실루엣의 주 직선 성분을 비교하여 그 비교한 결과에 따라 상기 부품의 자세 각도를 추정할 수 있다.
본 발명의 다른 한 관점에 따른 부품을 인식하기 위한 장치는 입력받은 부품 영상으로부터 기 설정된 에지 검출 기법을 이용하여 부품 에지를 추출하고 추출된 상기 부품 에지를 이용하여 부품 영역을 검출하는 영상 전처리부; 검출된 상기 부품 영역 내에서 부품 특징을 추출하고 추출된 상기 부품 특징을 이용하여 특징 벡터를 생성하는 특징 추출부; 및 생성된 상기 특징 벡터를 다수의 부품 영상 샘플을 통해 부품 유형을 인식하도록 미리 학습된 인공 신경망에 입력하여 그 결과로 부품 유형을 인식하는 부품 인식부를 포함할 수 있다.
바람직하게, 상기 에지 검출 기법은, 이차 미분 연산 기법, 및 국소 적응적 이진화 기법 중 어느 하나인 것을 특징으로 한다.
본 발명의 또 다른 한 관점에 따른 부품을 인식하기 위한 방법은 입력받은 부품 영상으로부터 다수의 에지 검출 기법을 이용하여 각각 부품 에지를 추출하고 추출된 상기 부품 에지를 이용하여 부품 영역을 검출하는 단계; 검출된 상기 부품 영역 내에서 부품 특징을 추출하고 추출된 상기 부품 특징을 이용하여 특징 벡터를 생성하는 단계; 및 생성된 상기 특징 벡터를 다수의 부품 영상 샘플을 통해 부품 유형을 인식하도록 미리 학습된 인공 신경망에 입력하여 그 결과로 부품 유형을 인식하는 단계를 포함할 수 있다.
바람직하게, 상기 에지 검출 기법은 이차 미분 연산 기법과 국소 적응적 이진화 기법을 포함하는 것을 특징으로 한다.
바람직하게, 상기 부품 영역을 검출하는 단계는 상기 부품 영상에 이차 미분 연산 기법을 이용하여 제1 부품 에지를 검출하고 상기 부품 영상에 국소 적응적 이진화 기법을 이용하여 제2 부품 에지를 검출한 후, 검출된 상기 제1 부품 에지와 상기 제2 부품 에지를 결합하여 그 결합한 결과로 상기 부품 영역을 검출할 수 있다.
바람직하게, 상기 부품 영역을 검출하는 단계는 상기 부품 영상에 대해 영상 스무딩을 위한 필터링을 수행하여 잡음을 제거한 후, 상기 영상 스무딩이 처리된 부품 영상에 이차 미분 연산 기법을 이용하여 제1 부품 에지를 검출할 수 있다.
바람직하게, 상기 부품 영역을 검출하는 단계는 상기 부품 영상에 대해 영상 스무딩을 위한 필터링을 수행하여 잡음을 제거한 후, 상기 영상 스무딩이 처리된 부품 영상에 상기 국소 적응적 이진화 기법을 이용하여 제2 부품 에지를 검출할 수 있다.
바람직하게, 상기 특징 벡터를 생성하는 단계는 상기 부품 영역을 이진 영상으로 변환 처리한 이진 부품 영역 내에서 제1 부품 특징을 추출하고, 상기 부품 영역을 그레이 영상으로 변환 처리한 그레이 부품 영역 내에서 제2 부품 특징을 추출한 후, 추출된 상기 제1 부품 특징과 상기 제2 부품 특징을 결합하여 그 결합한 결과로 상기 특징 벡터를 생성할 수 있다.
또한, 본 발명에 따른 부품을 인식하기 위한 방법은 유형이 인식된 부품의 실루엣의 주 직선 성분을 이용하여 상기 부품의 자세 각도를 추정하는 단계를 더 포함할 수 있다.
바람직하게, 상기 자세 각도를 추정하는 단계는 유형이 인식된 상기 부품의 실루엣의 주 직선 성분과 데이터베이스에 기 저장된 3D 모델의 부품의 실루엣의 주 직선 성분을 비교하여 그 비교한 결과에 따라 상기 부품의 자세 각도를 추정할 수 있다.
본 발명의 또 다른 한 관점에 따른 부품을 인식하기 위한 방법은 입력받은 부품 영상으로부터 기 설정된 에지 검출 기법을 이용하여 부품 에지를 추출하고 추출된 상기 부품 에지를 이용하여 부품 영역을 검출하는 단계; 검출된 상기 부품 영역 내에서 부품 특징을 추출하고 추출된 상기 부품 특징을 이용하여 특징 벡터를 생성하는 단계; 및 생성된 상기 특징 벡터를 다수의 부품 영상 샘플을 통해 부품 유형을 인식하도록 미리 학습된 인공 신경망에 입력하여 그 결과로 부품 유형을 인식하는 단계를 포함할 수 있다.
바람직하게, 상기 에지 검출 기법은, 이차 미분 연산 기법, 및 국소 적응적 이진화 기법 중 어느 하나인 것을 특징으로 한다.
이를 통해, 본 발명은 카메라로 획득한 부품 영상으로부터 부품 영역을 추출하고 추출된 부품 영역으로부터 특징 벡터를 추출하여 추출된 특징 벡터를 이용하여 부품의 종류 및 부품의 자세 각도를 추정함으로써, 부품의 실장율을 높일 수 있다.
또한, 본 발명은 카메라로 획득한 부품 영상으로부터 부품 영역을 추출하고 추출된 부품 영역으로부터 특징 벡터를 추출하여 추출된 특징 벡터를 이용하여 부품의 유형 및 자세 각도를 추정함으로써, 제품의 생산성을 향상시킬 수 있다.
도 1은 본 발명의 일 실시예에 따른 부품을 인식하기 위한 장치를 나타내는 도면이다.
도 2는 도 1에 도시된 유형 학습수단(100)의 상세한 구성을 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따른 부품 영상을 획득하는 원리를 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 부품 영역을 검출하는 원리를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 대표 화소값을 산출하는 원리를 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 부품 인식수단(200)의 상세한 구성을 나타내는 도면이다.
도 7은 본 발명의 일 실시에에 따른 각도 추정수단(300)의 상세한 구성을 나타내는 도면이다.
도 8은 본 발명의 일 실시예에 따른 부품을 인식하기 위한 방법을 나타내는 도면이다.
도 2는 도 1에 도시된 유형 학습수단(100)의 상세한 구성을 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따른 부품 영상을 획득하는 원리를 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 부품 영역을 검출하는 원리를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 대표 화소값을 산출하는 원리를 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 부품 인식수단(200)의 상세한 구성을 나타내는 도면이다.
도 7은 본 발명의 일 실시에에 따른 각도 추정수단(300)의 상세한 구성을 나타내는 도면이다.
도 8은 본 발명의 일 실시예에 따른 부품을 인식하기 위한 방법을 나타내는 도면이다.
이하에서는, 본 발명의 실시예에 따른 부품을 인식하기 위한 장치 및 그 방법을 첨부한 도 1 내지 도 8을 참조하여 설명한다. 본 발명에 따른 동작 및 작용을 이해하는데 필요한 부분을 중심으로 상세히 설명한다. 명세서 전체를 통하여 각 도면에서 제시된 동일한 참조 부호는 동일한 구성 요소를 나타낸다. 또한, 본 발명을 설명함에 있어 관련된 공지기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략하기로 한다.
특히, 본 발명에서는 카메라로 획득한 부품 영상으로부터 부품 영역을 추출하고 추출된 부품 영역으로부터 특징 벡터를 추출하여 추출된 특징 벡터를 이용하여 부품의 유형 및 자세 각도를 추정하도록 하는 새로운 방안을 제안한다.
도 1은 본 발명의 일 실시예에 따른 부품을 인식하기 위한 장치를 나타내는 도면이다.
도 1에 도시한 바와 같이, 본 발명에 따른 부품을 인식하기 위한 장치는 유형 학습수단(100), 부품 인식수단(200), 및 각도 추정수단(300) 등을 포함하여 구성될 수 있다.
유형 학습수단(100)은 부품의 종류와 자세 각도에 따라 부품의 유형을 분류 및 학습할 수 있다.
도 2는 도 1에 도시된 유형 학습수단(100)의 상세한 구성을 나타내는 도면이다.
도 2에 도시한 바와 같이, 본 발명에 따른 유형 학습수단(100)은 영상 입력부(110), 영상 전처리부(120), 특징 추출부(130), 및 신경망 학습부(140) 등을 포함하여 구성될 수 있다.
영상 입력부(110)는 카메라를 통해 획득된 다양한 부품 영상 샘플들을 입력받을 수 있다. 여기서, 부품 영상 샘플들은 조명 상태를 변경하고 부품이 놓여질 수 있는 자세 정보에 따라 회전 각도를 변경하면서 획득한 영상일 수 있다.
도 3은 본 발명의 일 실시예에 따른 부품 영상을 획득하는 원리를 설명하기 위한 도면이다.
도 3에 도시한 바와 같이, 본 발명에 따른 영상 입력부(110)는 조명 장치 C2, C4가 부착된 작업대에서 카메라 C1으로부터 부품 영상을 획득하여 부품영상 데이터베이스를 구축할 수 있다. 영상 입력부(110)는 부품 C3가 놓여질 수 있는 자세를 추정하여 그 추정한 결과에 따라 Z축으로 부품의 회전각을 변경시키면서 부품 영상을 획득할 수 있다.
또한, 본 발명에 따른 영상 획득부(110)는 시간대별로 서로 다른 조명 조건을 적용하여 다양한 조명 환경에서의 부품 영상을 획득하여 데이터베이스를 구축할 수 있다.
영상 전처리부(120)는 주변 조명의 영향을 최소화하기 위하여 영상 전처리를 수행할 수 있다. 즉, 영상 전처리부(120)는 다수의 에지 검출 기법을 이용하여 각각 부품 에지를 추출하고 그 추출된 부품 에지들을 이용하여 부품 영역을 검출하게 된다.
이때, 에지 검출 기법은 이차 미분 연산 기법과 국소 적응적 이진화 기법 등을 포함할 수 있다.
도 4는 본 발명의 일 실시예에 따른 부품 영역을 검출하는 원리를 설명하기 위한 도면이다.
도 4에 도시한 바와 같이, 영상 전처리부(120)는 부품 영상에 대해 이차 미분 연산 기법과 국소 적응적 이진화 기법을 이용하고 부품 에지를 검출할 수 있다. 즉, 영상 전처리부(120)는 부품 영상에 이차 미분 연산 기법을 이용하여 제1 부품 에지를 검출하고, 국소 적응적 이진화 기법을 이용하여 제2 부품 에지를 검출할 수 있다. 그리고 영상 전처리부(120)는 이렇게 검출된 제1 부품 에지와 제2 부품 에지를 결합하여 부품 에지를 보다 정확하게 하여 부품 영역을 검출하게 된다.
이때, 본 발명은 이차 미분 연산 기법과 국소 적응적 이진화 기법을 이용하여 부품 에지를 검출하고 있지만, 반드시 이에 한정되지 않고 다양한 기법이 사용될 수 있다.
부품 에지를 검출하는 방법을 보다 구체적으로 설명하면 다음과 같다.
1)국소 적응적 이진화 기법을 이용하여 부품 에지를 추출하는 경우, 영상 전처리부(120)는 먼저 부품 영상에 대해 영상 스무딩을 위한 필터링을 수행하여 잡음을 제거할 수 있다.
그리고 영상 전처리부(120)는 영상 스무딩 처리된 부품 영상을 일정 크기로 분할하여 그 분할된 영상마다 적분 영상(integral image)를 생성하고 그 생성된 적분 영상의 대표 화소값을 이용하여 부품 에지를 추출할 수 있다.
도 5는 본 발명의 일 실시예에 따른 대표 화소값을 산출하는 원리를 설명하기 위한 도면이다.
도 5에 도시한 바와 같이, 그림 (a)에서는 분할된 영상의 각 픽셀의 화소값을 보여주고 있고, 그림 (b)에서는 세로 방향으로 각 픽셀의 화소값을 누적하여 합산하며 그림 (c)에서는 가로 방향으로 각 픽셀의 화소 값을 누적하여 합산하고 있다.
이러한 과정으로 생성된 (c)의 가장 큰 화소값은 분할된 영역의 대표 화소값이 된다.
영상 전처리부(120)는 이러한 과정으로 부품 영상의 모든 분할된 영역에 대한 대표 화소값을 산출하여 산출된 대표 화소값과 평균 화소 값 또는 표준 편차 등을 이용하여 부품 영상을 이진화하고 이진화된 부품 영상으로부터 부품 에지를 추출할 수 있다.
이상의 본 발명에서와 같이 적분 영상에 마스크 영상을 컨벌루션하게 되면, 원본 영상에 마스크 영상을 컨벌루션하는 것보다 계산량이 감소되고 그만큼 처리하는 속도도 빨라지게 된다. 또한, 본 발명은 국소 영역에 대한 화소값을 이용하여 이진화함으로써 전역 이진화 방법에 비해 조명에 의한 영향을 적게 받게 된다.
2)이차 미분 연산 기법을 이용하여 부품 에지를 검출하는 경우, 영상 전처리부(120)는 먼저 부품 영상에 대해 영상 스무딩을 위한 필터링을 수행하여 잡음을 제거할 수 있다.
그리고 영상 전처리부(120)는 영상 스무딩 처리된 부품 영상을 이차 미분 연산하여 그 연산 결과로 산출된 이차 미분값을 이용하여 부품 에지를 추출할 수 있다.
이차 미분 영산 기법은 부품 영상 내 임의의 화소 (x,y)에서 각 방향의 변화율인 미분값을 구하고 그 구한 미분값을 이용하여 부품 에지를 검출하게 된다. 이러한 이차 미분 연산을 이용하는 에지 검출 기법은 에지가 있는 영역에서 민감하게 반응하는 1차 미분의 단점을 완화시켜 둔감하게 반응하고, 검출된 에지가 끊어지지 않고 연결된 폐곡선을 형성하는 장점이 있어서 조명 영향이 있는 객체 영역 추출에 효과적이다.
특징 추출부(130)는 검출된 부품 영역 내에서 부품 특징 예컨대, 부품의 구조적인 특징과 통계적인 특징을 반영할 수 있는 분할 영역의 화소 분포를 나타내는 망 특징, 부품의 외접 사각형에서 부품까지의 수평 거리, 수직 거리를 나타내는 거리 특징, 방향성 특징, 모멘트 값 등을 추출하고 추출된 부품 특징을 이용하여 특징 벡터를 생성할 수 있다. 즉, 특징 추출부(130)는 검출된 부품 영역을 이진 영상으로 변환 처리한 이진 부품 영역 내에서 제1 부품 특징을 추출하고 부품 영역을 그레이 영상으로 변환 처리한 그레이 부품 영역 내에서 제2 부품 특징을 추출한 후 추출된 제1 부품 특징과 제2 부품 특징을 이용하여 특징 벡터를 추출할 수 있다.
특징 벡터를 추출하는 방법을 보다 구체적으로 설명하면 다음과 같다.
예컨대, 1)이진 부품 영역 내에서 부품 특징을 추출하는 경우, 특징 추출부(130)는 부품 영역을 이진 영상으로 변환하여 생성된 이진 부품 영역에 대한 부품 특징을 추출할 수 있다. 즉, 특징 추출부(140)는 이진 부품 영역을 미리 설정된 크기로 정규화하고, 정규화된 이진 부품 영역을 미리 설정된 개수의 분할 영역으로 나누어 그 분할 영역으로부터 부품 특징을 추출하게 된다.
2)그레이 부품 영역 내에서 부품 특징을 추출하는 경우, 특징 추출부(130)는 부품 영역을 그레이 영상으로 변환하여 생성된 그레이 부품 영역에 대한 부품 특징을 추출할 수 있다. 즉, 특징 추출부(130)는 그레이 부품 영상을 미리 설정된 개수의 분할 영역으로 나누어 그 분할 영역에 분포하는 화소 명도값의 히스토그램 분포를 추출할 수 있다.
이때, 부품 영역이 아닌 배경 영역에 대한 히스토그램 분포가 포함되기 때문에 배경 영역에 해당되는 부분은 부품 영역에 해당되는 부분에 비해 가중치를 낮게 설정하여 부품 영역에서 구한 히스토그램 분포가 더 많이 반영되도록 할 수 있다.
또한, 부품 영역이 조명 영향으로 인하여 부품 본래의 특징이 변할 수 있기 때문에 부품 영역에 대한 히스토그램 분포를 해석하여 일부 히스토그램 값은 특징에서 제외시킬 수 있다.
신경망 학습부(140)는 생성된 특징 벡터를 인공 신경망(Artificial Neural Network)에 입력하여 학습시킬 수 있다. 여기서, 신경망 학습은 신경망을 구성하는 모든 노드들의 가중치를 갱신하는 것을 일컫는다. 이러한 신경망 학습은 출력 노드의 오차 값이 허용 오차 범위 내가 되거나 정해진 반복 범위 내에서 반복될 수 있다.
이때, 인공 신경망은 분류 능력과 일반화 특성이 우수하여 패턴 분류기로 많이 사용될 수 있다. 이러한 인공 신경망을 구성하는 입력층은 특징 벡터의 차수만큼의 노드로 구성되고 출력층은 부품 유형의 개수만큼의 노드로 구성될 수 있다. 그리고 인공 신경망에 사용된 은닉 노드의 개수는 인식 성능에 영향을 미치는 요인으로써 그 개수가 많으면 신경망을 학습시키는데 시간이 많이 걸리게 된다.
특징 벡터는 인공 신경망의 입력층에 제공될 수 있다. 실제 부품 영상을 인식할 때 부품의 에지를 오차없이 정확하게 추출하여 인식하는 것이 불가능하기 때문에 부품 영역 추출 결과 생기는 화소 오차 범위를 감안하여 부품 영역을 수직 및 수평 방향으로 이동시키면서 특징 벡터를 인공 신경망에 입력하여 학습시킬 수 있다.
인공 신경망의 가중치가 특정 부품쪽으로 치우지지 않도록 인공 신경망을 학습시킬 때 부품 영상은 무작위로 선택하여 입력측에 제공될 수 있다. 인공 신경망의 인식 결과로 최대값을 갖는 출력 노드가 선택될 수 있다. 이 과정에서 다른 부품 유형으로 오인식된 결과는 거절할 수 있도록 기준 예컨대, 출력값 선택 임계치를 설정해야 한다. 일반적으로 산업 현장에서는 오인식 결과보다 미인식결과로 처리되는 것이 더 필요하기 때문에 인식 기술을 실제 현장에 적용하기 위해서는 인식 결과 값의 수용 여부에 대한 신뢰도가 무엇보다 매우 중요하다.
부품 인식수단(200)은 카메라에 의해 획득된 부품 영상으로부터 부품을 인식할 수 있다.
도 6은 본 발명의 일 실시예에 따른 부품 인식수단(200)의 상세한 구성을 나타내는 도면이다.
도 6에 도시한 바와 같이, 본 발명에 따른 부품 인식수단(200)은 영상 입력부(210), 영상 전처리부(220), 특징 추출부(230), 및 부품 인식부(240) 등을 포함하여 구성될 수 있다.
영상 입력부(210)는 카메라에 의해 획득된 대상 부품 영상을 입력받을 수 있다.
영상 전처리부(220)는 주변 조명의 영향을 최소화하기 위하여 입력받은 부품 영상에 대해 영상 전처리를 수행할 수 있다. 즉, 영상 전처리부(220)는 부품 영상으로부터 다수의 에지 검출 기법을 이용하여 각각 부품의 에지를 추출하고 그 추출된 부품의 에지들을 이용하여 부품 영역을 검출하게 된다.
이때, 에지 검출 기법은 이차 미분 에지 검출 기법과 국소 적응적 이진화 기법 등을 포함할 수 있다.
특징 추출부(130)는 검출된 부품 영역 내에서 부품 특징 예컨대, 부품의 구조적인 특징과 통계적인 특징을 반영할 수 있는 분할 영역의 화소 분포를 나타내는 망 특징, 부품의 외접 사각형에서 부품까지의 수평 거리, 수직 거리를 나타내는 거리 특징, 방향성 특징, 모멘트 값 등을 추출하고 추출된 부품의 특징을 이용하여 특징 벡터를 생성할 수 있다. 여기서, 부품 영역은 이진 부품 영역과 그레이 부품 영역을 포함할 수 있다.
부품 인식부(240)는 생성된 특징 벡터를 다수의 부품 영상 샘플을 통해 부품 유형을 인식할 수 있도록 학습된 인공 신경망에 입력하여 인식 결과를 구할 수 있다. 이때, 다른 부품 유형으로 오인식된 결과는 거절될 수 있도록 출력값 선택 임계치 및 출력값 차이 비교 등과 같은 기준을 설정하여 최종 인식 결과를 얻도록 한다.
각도 추정수단(300)은 유형이 인식된 부품의 실루엣을 이용하여 자세 각도를 추정할 수 있다.
도 7은 본 발명의 일 실시에에 따른 각도 추정수단(300)의 상세한 구성을 나타내는 도면이다.
도 7에 도시한 바와 같이, 본 발명에 따른 각도 추정수단(300)은 모델 생성부(310), 실루엣 추출부(320), 및 각도 추정부(330) 등을 포함하여 구성될 수 있다.
모델 생성부(310)는 부품의 자세 각도 추정을 위하여 각 부품의 3D 모델을 생성할 수 있다.
실루엣 추출부(320)는 유형이 인식된 부품의 실루엣 즉, 실루엣의 주 직선 성분 등을 추출할 수 있다.
각도 추정부(330)는 추출된 부품의 실루엣의 주 직선 성분과 3D 모델의 부품의 실루엣의 주 직선 성분을 비교하여 그 비교한 결과에 따라 부품의 자세 각도를 추정할 수 있다.
도 8은 본 발명의 일 실시예에 따른 부품을 인식하기 위한 방법을 나타내는 도면이다.
도 8에 도시한 바와 같이, 본 발명에 따른 부품을 인식하기 위한 장치(이하, 부품 인식 장치라고 한다)는 카메라에 의해 획득된 대상 부품 영상을 입력받으면(S810), 부품 영상으로부터 다수의 에지 검출 기법을 이용하여 각각 부품 에지를 추출하고(S820) 그 추출된 부품 에지들을 이용하여 부품 영역을 검출할 수 있다(S830).
이때, 부품 인식 장치는 부품 영상에 이차 미분 연산 기법을 이용하여 제1 부품 에지를 검출하고, 국소 적응적 이진화 기법을 이용하여 제2 부품 에지를 검출한 후 검출된 제1 부품 에지와 제2 부품 에지를 결합하여 부품 영역을 검출하게 된다.
다음으로, 부품 인식 장치는 검출된 부품 영역 내에서 부품 특징을 추출하고(S840) 추출된 부품 특징을 이용하여 특징 벡터를 생성할 수 있다(S850).
이때, 부품 인식 장치는 부품 영역을 이진 영상으로 변환 처리한 이진 부품 영역 내에서 제1 부품 특징을 추출하고, 부품 영역을 그레이 영상으로 변환 처리한 그레이 부품 영역 내에서 제2 부품 특징을 추출한 후 추출된 제1 부품 특징과 제2 부품 특징을 이용하여 특징 벡터를 생성할 수 있다.
다음으로, 부품 인식 장치는 생성된 특징 벡터를 다수의 부품 영상 샘플을 통해 부품 유형을 인식할 수 있도록 학습된 인공 신경망에 입력하여 인식 결과로 부품의 유형을 인식할 수 있다(S860).
또한, 부품 인식 장치는 유형이 인식된 부품의 실루엣 즉, 실루엣의 주 직선 성분 등을 추출할 수 있다(S870).
다음으로, 부품 인식 장치는 추출된 부품의 실루엣의 주 직선 성분과 데이터베이스(database)에 기 저장되어 있는 3D 모델의 부품의 실루엣의 주 직선 성분을 비교하여 그 비교한 결과에 따라 부품의 자세 각도를 추정할 수 있다(S880).
한편, 상술한 본 발명의 실시예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에 서 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등)와 같은 저장매체를 포함한다.
본 발명에 의한 부품을 인식하기 위한 장치 및 그 방법이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
110: 영상 획득부
120: 영상 전처리부
130: 특징 추출부
140: 부품 인식부
150: 각도 추정부
120: 영상 전처리부
130: 특징 추출부
140: 부품 인식부
150: 각도 추정부
Claims (20)
- 입력받은 부품 영상으로부터 다수의 에지 검출 기법을 이용하여 각각 부품 에지를 추출하고 추출된 상기 부품 에지를 이용하여 부품 영역을 검출하는 영상 전처리부;
검출된 상기 부품 영역 내에서 부품 특징을 추출하고 추출된 상기 부품 특징을 이용하여 특징 벡터를 생성하는 특징 추출부; 및
생성된 상기 특징 벡터를 다수의 부품 영상 샘플을 통해 부품 유형을 인식하도록 미리 학습된 인공 신경망에 입력하여 그 결과로 부품 유형을 인식하는 부품 인식부;
를 포함하는 부품을 인식하기 위한 장치. - 제1 항에 있어서,
상기 에지 검출 기법은, 이차 미분 연산 기법과 국소 적응적 이진화 기법을 포함하는 것을 특징으로 하는 부품을 인식하기 위한 장치. - 제2 항에 있어서,
상기 영상 전처리부는,
상기 부품 영상에 이차 미분 연산 기법을 이용하여 제1 부품 에지를 검출하고 상기 부품 영상에 국소 적응적 이진화 기법을 이용하여 제2 부품 에지를 검출한 후,
검출된 상기 제1 부품 에지와 상기 제2 부품 에지를 결합하여 그 결합한 결과로 상기 부품 영역을 검출하는 것을 특징으로 하는 부품을 인식하기 위한 장치. - 제3 항에 있어서,
상기 영상 전처리부는,
상기 부품 영상에 대해 영상 스무딩을 위한 필터링을 수행하여 잡음을 제거한 후, 상기 영상 스무딩이 처리된 부품 영상에 이차 미분 연산 기법을 이용하여 제1 부품 에지를 검출하는 것을 특징으로 하는 부품을 인식하기 위한 장치. - 제3 항에 있어서,
상기 영상 전처리부는,
상기 부품 영상에 대해 영상 스무딩을 위한 필터링을 수행하여 잡음을 제거한 후, 상기 영상 스무딩이 처리된 부품 영상에 상기 국소 적응적 이진화 기법을 이용하여 제2 부품 에지를 검출하는 것을 특징으로 하는 부품을 인식하기 위한 장치. - 제1 항에 있어서,
상기 특징 추출부는,
상기 부품 영역을 이진 영상으로 변환 처리한 이진 부품 영역 내에서 제1 부품 특징을 추출하고, 상기 부품 영역을 그레이 영상으로 변환 처리한 그레이 부품 영역 내에서 제2 부품 특징을 추출한 후,
추출된 상기 제1 부품 특징과 상기 제2 부품 특징을 결합하여 그 결합한 결과로 상기 특징 벡터를 생성하는 것을 특징으로 하는 부품을 인식하기 위한 장치. - 제1 항에 있어서,
유형이 인식된 부품의 실루엣의 주 직선 성분을 이용하여 상기 부품의 자세 각도를 추정하는 각도 추정부;
를 더 포함하는 것을 특징으로 하는 부품을 인식하기 위한 장치. - 제7 항에 있어서,
상기 각도 추정부는,
유형이 인식된 상기 부품의 실루엣의 주 직선 성분과 데이터베이스에 기 저장된 3D 모델의 부품의 실루엣의 주 직선 성분을 비교하여 그 비교한 결과에 따라 상기 부품의 자세 각도를 추정하는 것을 특징으로 하는 부품을 인식하기 위한 장치. - 입력받은 부품 영상으로부터 기 설정된 에지 검출 기법을 이용하여 부품 에지를 추출하고 추출된 상기 부품 에지를 이용하여 부품 영역을 검출하는 영상 전처리부;
검출된 상기 부품 영역 내에서 부품 특징을 추출하고 추출된 상기 부품 특징을 이용하여 특징 벡터를 생성하는 특징 추출부; 및
생성된 상기 특징 벡터를 다수의 부품 영상 샘플을 통해 부품 유형을 인식하도록 미리 학습된 인공 신경망에 입력하여 그 결과로 부품 유형을 인식하는 부품 인식부;
를 포함하는 부품을 인식하기 위한 장치. - 제9 항에 있어서,
상기 에지 검출 기법은, 이차 미분 연산 기법, 및 국소 적응적 이진화 기법 중 어느 하나인 것을 특징으로 하는 부품을 인식하기 위한 장치. - 입력받은 부품 영상으로부터 다수의 에지 검출 기법을 이용하여 각각 부품 에지를 추출하고 추출된 상기 부품 에지를 이용하여 부품 영역을 검출하는 단계;
검출된 상기 부품 영역 내에서 부품 특징을 추출하고 추출된 상기 부품 특징을 이용하여 특징 벡터를 생성하는 단계; 및
생성된 상기 특징 벡터를 다수의 부품 영상 샘플을 통해 부품 유형을 인식하도록 미리 학습된 인공 신경망에 입력하여 그 결과로 부품 유형을 인식하는 단계;
를 포함하는 부품을 인식하기 위한 방법. - 제11 항에 있어서,
상기 에지 검출 기법은, 이차 미분 연산 기법과 국소 적응적 이진화 기법을 포함하는 것을 특징으로 하는 부품을 인식하기 위한 방법. - 제12 항에 있어서,
상기 부품 영역을 검출하는 단계는,
상기 부품 영상에 이차 미분 연산 기법을 이용하여 제1 부품 에지를 검출하고 상기 부품 영상에 국소 적응적 이진화 기법을 이용하여 제2 부품 에지를 검출한 후,
검출된 상기 제1 부품 에지와 상기 제2 부품 에지를 결합하여 그 결합한 결과로 상기 부품 영역을 검출하는 것을 특징으로 하는 부품을 인식하기 위한 방법. - 제13 항에 있어서,
상기 부품 영역을 검출하는 단계는,
상기 부품 영상에 대해 영상 스무딩을 위한 필터링을 수행하여 잡음을 제거한 후, 상기 영상 스무딩이 처리된 부품 영상에 이차 미분 연산 기법을 이용하여 제1 부품 에지를 검출하는 것을 특징으로 하는 부품을 인식하기 위한 방법. - 제13 항에 있어서,
상기 부품 영역을 검출하는 단계는,
상기 부품 영상에 대해 영상 스무딩을 위한 필터링을 수행하여 잡음을 제거한 후, 상기 영상 스무딩이 처리된 부품 영상에 상기 국소 적응적 이진화 기법을 이용하여 제2 부품 에지를 검출하는 것을 특징으로 하는 부품을 인식하기 위한 방법. - 제11 항에 있어서,
상기 특징 벡터를 생성하는 단계는,
상기 부품 영역을 이진 영상으로 변환 처리한 이진 부품 영역 내에서 제1 부품 특징을 추출하고, 상기 부품 영역을 그레이 영상으로 변환 처리한 그레이 부품 영역 내에서 제2 부품 특징을 추출한 후,
추출된 상기 제1 부품 특징과 상기 제2 부품 특징을 결합하여 그 결합한 결과로 상기 특징 벡터를 생성하는 것을 특징으로 하는 부품을 인식하기 위한 방법. - 제11 항에 있어서,
유형이 인식된 부품의 실루엣의 주 직선 성분을 이용하여 상기 부품의 자세 각도를 추정하는 단계;
를 더 포함하는 것을 특징으로 하는 부품을 인식하기 위한 방법. - 제17 항에 있어서,
상기 자세 각도를 추정하는 단계는,
유형이 인식된 상기 부품의 실루엣의 주 직선 성분과 데이터베이스에 기 저장된 3D 모델의 부품의 실루엣의 주 직선 성분을 비교하여 그 비교한 결과에 따라 상기 부품의 자세 각도를 추정하는 것을 특징으로 하는 부품을 인식하기 위한 방법. - 입력받은 부품 영상으로부터 기 설정된 에지 검출 기법을 이용하여 부품 에지를 추출하고 추출된 상기 부품 에지를 이용하여 부품 영역을 검출하는 단계;
검출된 상기 부품 영역 내에서 부품 특징을 추출하고 추출된 상기 부품 특징을 이용하여 특징 벡터를 생성하는 단계; 및
생성된 상기 특징 벡터를 다수의 부품 영상 샘플을 통해 부품 유형을 인식하도록 미리 학습된 인공 신경망에 입력하여 그 결과로 부품 유형을 인식하는 단계;
를 포함하는 부품을 인식하기 위한 방법. - 제19 항에 있어서,
상기 에지 검출 기법은, 이차 미분 연산 기법, 및 국소 적응적 이진화 기법 중 어느 하나인 것을 특징으로 하는 부품을 인식하기 위한 방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020110139610A KR101901961B1 (ko) | 2011-12-21 | 2011-12-21 | 부품을 인식하기 위한 장치 및 그 방법 |
| US13/545,629 US9008440B2 (en) | 2011-12-21 | 2012-07-10 | Component recognizing apparatus and component recognizing method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020110139610A KR101901961B1 (ko) | 2011-12-21 | 2011-12-21 | 부품을 인식하기 위한 장치 및 그 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20130072063A true KR20130072063A (ko) | 2013-07-01 |
| KR101901961B1 KR101901961B1 (ko) | 2018-09-28 |
Family
ID=48654611
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020110139610A KR101901961B1 (ko) | 2011-12-21 | 2011-12-21 | 부품을 인식하기 위한 장치 및 그 방법 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US9008440B2 (ko) |
| KR (1) | KR101901961B1 (ko) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101956203B1 (ko) * | 2017-11-02 | 2019-03-11 | 가천대학교 산학협력단 | 주요부맵 생성기법과 주요부 추출기법을 이용한 윤곽선 검출 방법 |
| KR101993705B1 (ko) * | 2018-01-31 | 2019-06-27 | 충북대학교 산학협력단 | 자동광학검사기의 부품 라이브러리 코드 자동 입력 장치 및 방법 |
| US10540567B2 (en) | 2015-03-25 | 2020-01-21 | Electronics And Telecommunications Research Institute | Bin-picking system and method for bin-picking |
| KR20200023712A (ko) * | 2018-08-23 | 2020-03-06 | 충북대학교 산학협력단 | 전자부품 분류장치 및 그 방법 |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102056664B1 (ko) * | 2012-10-04 | 2019-12-17 | 한국전자통신연구원 | 센서를 이용한 작업 방법 및 이를 수행하는 작업 시스템 |
| US9076195B2 (en) | 2013-08-29 | 2015-07-07 | The Boeing Company | Methods and apparatus to identify components from images of the components |
| WO2015098769A1 (ja) * | 2013-12-25 | 2015-07-02 | 旭硝子株式会社 | フッ素系陽イオン交換膜の製造方法 |
| US10062010B2 (en) * | 2015-06-26 | 2018-08-28 | Intel Corporation | System for building a map and subsequent localization |
| CN105389805A (zh) * | 2015-10-25 | 2016-03-09 | 合肥市航嘉电子技术有限公司 | 插件作业中元器件少件、错件和反向的光学检测方法 |
| KR102357355B1 (ko) | 2017-10-23 | 2022-01-28 | 삼성전자주식회사 | 가상 오브젝트 생성 방법 및 장치 |
| KR102393948B1 (ko) | 2017-12-11 | 2022-05-04 | 한국전자통신연구원 | 다채널 오디오 신호에서 음원을 추출하는 장치 및 그 방법 |
| US10636198B2 (en) * | 2017-12-28 | 2020-04-28 | Beijing Jingdong Shangke Information Technology Co., Ltd. | System and method for monocular simultaneous localization and mapping |
| CN108389197B (zh) * | 2018-02-26 | 2022-02-08 | 上海赛特斯信息科技股份有限公司 | 基于深度学习的输电线路缺陷检测方法 |
| CN113212889B (zh) * | 2021-02-26 | 2023-11-03 | 深圳市云鼠科技开发有限公司 | 包装视觉检漏装置、方法、计算机设备及存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3366497B2 (ja) | 1995-07-12 | 2003-01-14 | 松下電器産業株式会社 | 部品検出方法 |
| US7668376B2 (en) * | 2004-06-30 | 2010-02-23 | National Instruments Corporation | Shape feature extraction and classification |
| US10555775B2 (en) * | 2005-05-16 | 2020-02-11 | Intuitive Surgical Operations, Inc. | Methods and system for performing 3-D tool tracking by fusion of sensor and/or camera derived data during minimally invasive robotic surgery |
| JP5311003B2 (ja) * | 2008-07-03 | 2013-10-09 | セイコーエプソン株式会社 | 半導体装置 |
| JP5401344B2 (ja) * | 2010-01-28 | 2014-01-29 | 日立オートモティブシステムズ株式会社 | 車両用外界認識装置 |
-
2011
- 2011-12-21 KR KR1020110139610A patent/KR101901961B1/ko active IP Right Grant
-
2012
- 2012-07-10 US US13/545,629 patent/US9008440B2/en active Active
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10540567B2 (en) | 2015-03-25 | 2020-01-21 | Electronics And Telecommunications Research Institute | Bin-picking system and method for bin-picking |
| KR101956203B1 (ko) * | 2017-11-02 | 2019-03-11 | 가천대학교 산학협력단 | 주요부맵 생성기법과 주요부 추출기법을 이용한 윤곽선 검출 방법 |
| KR101993705B1 (ko) * | 2018-01-31 | 2019-06-27 | 충북대학교 산학협력단 | 자동광학검사기의 부품 라이브러리 코드 자동 입력 장치 및 방법 |
| KR20200023712A (ko) * | 2018-08-23 | 2020-03-06 | 충북대학교 산학협력단 | 전자부품 분류장치 및 그 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| US9008440B2 (en) | 2015-04-14 |
| KR101901961B1 (ko) | 2018-09-28 |
| US20130163858A1 (en) | 2013-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20130072063A (ko) | 부품을 인식하기 위한 장치 및 그 방법 | |
| CN104268598B (zh) | 一种基于二维扫描激光的人腿检测方法 | |
| JP2021527256A (ja) | ビジョンシステムで画像内のパターンを検出及び分類するためのシステム及び方法 | |
| Ali et al. | Gait recognition using radon transform with principal component analysis | |
| EP4131177A1 (en) | Imaging system and method using a multi-layer model approach to provide robust object detection | |
| WO2022162417A1 (en) | Systems and methods for paint defect detection using machine learning | |
| Patil et al. | An approach of understanding human activity recognition and detection for video surveillance using HOG descriptor and SVM classifier | |
| KR101921717B1 (ko) | 지역 윤곽 패턴을 이용한 얼굴 특징 추출 방법 및 이를 이용한 얼굴 인식 방법 | |
| Nadheen et al. | Fusion in multimodal biometric using iris and ear | |
| Jamil et al. | Illumination-invariant ear authentication | |
| CN108734059B (zh) | 室内移动机器人物体识别方法 | |
| TW201601119A (zh) | 物件辨識與定位方法 | |
| KR102498322B1 (ko) | 딥러닝 기반의 반도체 디바이스 상태 분류를 위한 장치 및 방법 | |
| CN117197700A (zh) | 智能化无人巡检接触网缺陷识别系统 | |
| Olugboja et al. | Detection of moving objects using foreground detector and improved morphological filter | |
| Nguyen et al. | Finger extraction from scene with grayscale morphology and BLOB analysis | |
| Labati et al. | Neural-based iterative approach for iris detection in iris recognition systems | |
| Xmpmg et al. | Recognition of the type of welding joint based on line structured-light vision | |
| Bodhi et al. | Face detection, registration and feature localization experiments with RGB-D face database | |
| González et al. | Silhouette-based human action recognition with a multi-class support vector machine | |
| Joshi et al. | Histograms of orientation gradient investigation for static hand gestures | |
| Sun et al. | Further development of adaptable automated visual inspection—part I: concept and scheme | |
| Kang | Object Recognition Using the Edge Orientation Histogram and Improved Multi-Layer Neural Network | |
| Bohlool et al. | Cost-efficient automated visual inspection system for small manufacturing industries based on SIFT | |
| Venkatesan et al. | Advanced classification using genetic algorithm and image segmentation for Improved FD |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |