KR20200014019A - 공작물의 후처리를 위한 공작물 이미지 분석시스템 및 그 분석방법 - Google Patents

공작물의 후처리를 위한 공작물 이미지 분석시스템 및 그 분석방법 Download PDF

Info

Publication number
KR20200014019A
KR20200014019A KR1020180089369A KR20180089369A KR20200014019A KR 20200014019 A KR20200014019 A KR 20200014019A KR 1020180089369 A KR1020180089369 A KR 1020180089369A KR 20180089369 A KR20180089369 A KR 20180089369A KR 20200014019 A KR20200014019 A KR 20200014019A
Authority
KR
South Korea
Prior art keywords
workpiece
trajectory
burr
chattering
processing
Prior art date
Application number
KR1020180089369A
Other languages
English (en)
Inventor
조창노
김홍주
송영훈
홍지태
Original Assignee
한국전기연구원
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 한국전기연구원 filed Critical 한국전기연구원
Priority to KR1020180089369A priority Critical patent/KR20200014019A/ko
Publication of KR20200014019A publication Critical patent/KR20200014019A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Numerical Control (AREA)

Abstract

본 발명은 공작물의 후처리를 위한 공작물 이미지 분석시스템 및 그 분석방법에 관한 것이다.
또한, 본 발명은 공작 기계로부터 가공이 완료된 공작물의 공작물 이미지가 입력되는 입력부, 딥 러닝 기반의 분석 알고리즘을 이용하여 공작물 이미지로부터 공작물의 가공면에 발생한 채터링 마크 및 버를 검출하고 그 채터링 마크가 공작 기계 자체의 결함 또는 공작 기계가 공작물을 가공하는 궤적인 가공 궤적의 결함에 의한 것인지 분석하는 이미지 분석부, 이미지 분석부의 분석 결과에 따라 공작 기계에 장착된 가공 툴의 교체를 요청하거나 가공 궤적으로부터 수정된 수정 궤적을 생성하는 채터링 마크 처리부 및 이미지 분석부로부터 검출된 버의 제거를 위한 디버링 궤적을 생성하는 버 처리부를 구비하여, 공작물의 가공이 완료된 후 인력에 전적으로 의존하지 않더라도 공작물의 검사가 가능하고, 공작물에 발생한 채터링 마크의 발생원인을 파악할 수 있게 하며, 버를 제거하는 공정을 간소화할 수 있으므로, 후처리 공정에 필요한 작업 인력 및 작업 시간의 소모를 줄이고 공장 효율은 향상시킬 수 있다.

Description

공작물의 후처리를 위한 공작물 이미지 분석시스템 및 그 분석방법{Image analysis system and method for post processing of a workpiece}
본 발명은 공작물의 후처리를 위한 공작물 이미지 분석시스템 및 그 분석방법에 관한 것이다.
일반적으로, 공작 기계는 산업 공정의 핵심 장비 중 하나로 플라스틱이나 금속 등을 가공하는 용도로 널리 사용되고 있다. 또한, 공장 효율의 극대화를 위해 공작 기계를 자동화하는 연구가 진행되었고, 최근에는, 복수의 로봇과 공작 기계를 동시에 운용하여 로봇에 의해 공작 기계에 모재가 적재되고 공작 기계로부터 가동이 완료된 공작물을 회수하게 하는 자동화 시스템이 구축되고 있다.
한편, 종래의 자동화 시스템은 공작 기계에 의해 가공된 공작물의 가공면에는 제거되지 못한 모재인 버(Burr)가 발생하기도 하는데, 이의 제거를 위한 후처리 공정의 경우에는, 숙련공이 공작물을 관찰하여 버의 제거를 위한 디버링 작업의 수행 여부를 결정하고 디버링 작업을 직접 수행하거나 별도 구비된 디버링 시스템에 적재하는 방식으로, 대부분 인력에 의존하여 이루어지고 있기 때문에, 작업 인력 및 작업 시간의 소모가 크고 공장 효율을 저하시키는 문제점이 있다.
또한, 공작 기계에 의해 가공된 공작물의 가공면에 물결 형상의 채터링 마크(Chattering Mark)가 발생하기도 하는데, 이 경우, 공작 기계 자체의 결함이나 가공 궤적을 수정하는 후처리 공정을 수행하지 않으면, 그 공작 기계로부터 가공되는 공작물에 동일한 채터링 마크가 반복적으로 발생하게 된다.
이때, 종래의 자동화 시스템은 공작물의 가공면을 관찰하여 채터링 마크의 발생 여부를 판정하고 채터링 마크의 재발 방지를 위한 후처리 공정도 인력에 의존하여 이루어지기 때문에, 공장 효율을 저하시킴은 물론이고, 작업 인력과 작업 시간의 소모를 증대시키는 문제점이 있다.
아울러, 종래의 자동화 시스템은 공작 기계나 로봇에 의한 일부 공정은 자동화하였으나, 가공이 완료된 공작물을 대상으로 수행되는 후처리 공정은 인력에 의존적인 상황이므로, 완전한 자동화 및 무인화를 달성하지 못하는 실정이었다.
본 발명은 상기와 같은 문제점을 감안하여 안출된 것으로, 가공이 완료된 공작물을 대상으로 수행되는 일련의 후처리 공정에 의한 작업 인력과 작업 시간의 소모를 줄일 수 있는 공작물 이미지 분석시스템 및 그 분석방법을 제공하는데 그 목적이 있다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기와 같은 목적을 달성하기 위한 본 발명은 공작 기계로부터 가공이 완료된 공작물의 공작물 이미지가 입력되는 입력부; 딥 러닝 기반의 분석 알고리즘을 이용하여, 공작물 이미지로부터 공작물의 가공면에 발생한 채터링 마크(Chattering Mark) 및 버(Burr)를 검출하고, 그 채터링 마크가 공작 기계 자체의 결함 또는 공작 기계가 공작물을 가공하는 궤적인 가공 궤적의 결함에 의한 것인지 분석하는 이미지 분석부; 상기 이미지 분석부의 분석 결과에 따라, 공작 기계에 장착된 가공 툴의 교체를 요청하거나 가공 궤적으로부터 수정된 수정 궤적을 생성하는 채터링 마크 처리부; 및 상기 이미지 분석부로부터 버가 검출될 경우, 상기 검출된 버의 제거를 위한 디버링(Deburring) 궤적을 생성하는 버(Burr) 처리부;를 포함하는 공작물의 후처리를 위한 공작물 이미지 분석시스템을 제공한다.
바람직한 실시예에 있어서, 상기 이미지 분석부는, 공작물의 가공면에 채터링 마크가 포함된 채터링 마크 학습이미지와 버가 포함된 버 학습이미지를 사전에 학습하여 채터링 마크와 버의 검출을 위한 데이터 셋을 구축하고, 상기 구축된 데이터 셋을 이용하여 공작물 이미지로부터 채터링 마크 및 버의 존재 여부와 위치를 검출한다.
바람직한 실시예에 있어서, 상기 이미지 분석부는, 데이터 셋의 구축 시, 공작 기계 자체의 결함에 의한 채터링 마크의 특징 정보와 가공 궤적의 결함에 의한 채터링 마크의 특징 정보를 구분하여 학습하고, 상기 구분된 특징 정보를 이용하여 공작물 이미지로부터 검출된 채터링 마크의 발생원인을 분석한다.
바람직한 실시예에 있어서, 상기 채터링 마크 처리부는, 가공 궤적의 결함에 의해 채터링 마크가 발생하면, 가공 궤적의 G 코드(G-code)에 기초하여 채터링 마크의 위치와 가공 궤적 간의 거리를 계산한 다음, 상기 계산된 거리가 기설정된 임계값(threshold) 이내에 포함되는 일부의 가공 궤적을 수정하여 수정 궤적을 생성한다.
바람직한 실시예에 있어서, 상기 버 처리부는, 상기 이미지 분석부로부터 버의 존재 여부와 위치가 검출되면, 상기 검출된 버의 중심점을 계산하고, 상기 계산된 중심점을 통과하여 공작물 가공면의 버를 제거하는 궤적을 디버링 궤적으로 생성한다.
바람직한 실시예에 있어서, 상기 분석 알고리즘은, CNN(Convolutional Neural Network)을 이용하여 구현된다.
또한, 본 발명은 공작물 이미지 분석시스템에서 수행되는 공작물 이미지 분석방법으로서, (1) 상기 공작물 이미지 분석시스템이, 공작 기계로부터 가공이 완료된 공작물의 공작물 이미지를 입력받는 단계; (2) 상기 공작물 이미지 분석시스템이, 딥 러닝 기반의 분석 알고리즘을 이용하여, 공작물 이미지로부터 공작물의 가공면에 발생한 채터링 마크(Chattering Mark) 및 버(Burr)를 검출하고, 그 채터링 마크가 공작 기계 자체의 결함 또는 공작 기계가 공작물을 가공하는 궤적인 가공 궤적의 결함에 의한 것인지 분석하는 단계; (3) 상기 분석된 결과에 따라, 상기 공작물 이미지 분석시스템이, 공작 기계에 장착된 가공 툴의 교체를 요청하거나 가공 궤적으로부터 수정된 수정 궤적을 생성하는 단계; 및 (4) 버가 검출될 경우, 상기 공작물 이미지 분석시스템이, 상기 검출된 버의 제거를 위한 디버링(Deburring) 궤적을 생성하는 단계;를 포함하는 공작물의 후처리를 위한 공작물 이미지 분석방법을 제공한다.
바람직한 실시예에 있어서, 상기 제 (1)단계 이전에, (A) 상기 공작물 이미지 분석시스템이, 공작물의 가공면에 채터링 마크가 포함된 채터링 마크 학습이미지와 버가 포함된 버 학습이미지를 사전에 학습하여 채터링 마크와 버의 검출을 위한 데이터 셋을 구축하는 단계;를 더 포함하고, 상기 제 (2)단계에서 상기 공작물 이미지 분석시스템은, 상기 구축된 데이터 셋을 이용하여 공작물 이미지로부터 채터링 마크 및 버의 존재 여부와 위치를 검출한다.
바람직한 실시예에 있어서, 상기 제 (A)단계에서 상기 공작물 이미지 분석시스템은, 데이터 셋의 구축 시, 공작 기계 자체의 결함에 의한 채터링 마크의 특징 정보와 가공 궤적의 결함에 의한 채터링 마크의 특징 정보를 구분하여 학습하고, 상기 제 (2)단계에서 상기 공작물 이미지 분석시스템은, 상기 구분된 특징 정보를 이용하여 공작물 이미지로부터 검출된 채터링 마크의 발생원인을 분석한다.
바람직한 실시예에 있어서, 상기 제 (3)단계에서 상기 공작물 이미지 분석시스템은, 가공 궤적의 결함에 의해 채터링 마크가 발생하면, 가공 궤적의 G 코드(G-code)에 기초하여 채터링 마크의 위치와 가공 궤적 간의 거리를 계산한 다음, 상기 계산된 거리가 기설정된 임계값(threshold) 이내에 포함되는 일부의 가공 궤적을 수정하여 수정 궤적을 생성한다.
바람직한 실시예에 있어서, 상기 제 (4)단계에서 상기 공작물 이미지 분석시스템은, 버의 존재 여부와 위치가 검출되면, 상기 검출된 버의 중심점을 계산하고, 상기 계산된 중심점을 통과하여 공작물 가공면의 버를 제거하는 궤적을 디버링 궤적으로 생성한다.
바람직한 실시예에 있어서, 상기 분석 알고리즘은, CNN(Convolutional Neural Network)을 이용하여 구현된다.
전술한 과제해결 수단에 의해 본 발명은 공작 기계로부터 가공이 완료된 공작물의 공작물 이미지가 입력되는 입력부, 딥 러닝 기반의 분석 알고리즘을 이용하여 공작물 이미지로부터 공작물의 가공면에 발생한 채터링 마크 및 버를 검출하고 그 채터링 마크가 공작 기계 자체의 결함 또는 공작 기계가 공작물을 가공하는 궤적인 가공 궤적의 결함에 의한 것인지 분석하는 이미지 분석부, 이미지 분석부의 분석 결과에 따라 공작 기계에 장착된 가공 툴의 교체를 요청하거나 가공 궤적으로부터 수정된 수정 궤적을 생성하는 채터링 마크 처리부 및 이미지 분석부로부터 검출된 버의 제거를 위한 디버링 궤적을 생성하는 버 처리부를 구비하여, 공작물의 가공이 완료된 후 인력에 전적으로 의존하지 않더라도 공작물의 검사가 가능하고, 공작물에 발생한 채터링 마크의 발생원인을 파악할 수 있게 하며, 버를 제거하는 공정을 간소화할 수 있으므로, 후처리 공정에 필요한 작업 인력 및 작업 시간의 소모를 줄이고 공장 효율은 향상시킬 수 있는 효과가 있다.
도 1은 본 발명의 일실시예에 따른 공작물 이미지 분석시스템을 설명하기 위한 도면.
도 2는 공작물 이미지 분석시스템의 세부 구성을 설명하기 위한 도면.
도 3은 공작물 이미지 분석시스템에 의한 디버링 궤적의 생성 과정을 설명하기 위한 도면.
도 4는 본 발명의 일실시예에 따른 공작물 이미지 분석방법을 설명하기 위한 도면.
하기의 설명에서 본 발명의 특정 상세들이 본 발명의 전반적인 이해를 제공하기 위해 나타나 있는데, 이들 특정 상세들 없이 또한 이들의 변형에 의해서도 본 발명이 용이하게 실시될 수 있다는 것은 이 기술분야에서 통상의 지식을 가진 자에게 자명할 것이다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도 1 내지 도 4를 참조하여 상세히 설명하되, 본 발명에 따른 동작 및 작용을 이해하는데 필요한 부분을 중심으로 설명한다.
도 1은 본 발명의 일실시예에 따른 공작물 이미지 분석시스템을 설명하기 위한 도면이고, 도 2는 공작물 이미지 분석시스템의 세부 구성을 설명하기 위한 도면이며, 도 3은 공작물 이미지 분석시스템에 의한 디버링 궤적의 생성 과정을 설명하기 위한 도면이다.
도 1 내지 도 3을 참조하면, 본 발명의 일실시예에 따른 공작물 이미지 분석시스템(100)은 입력부(110), 이미지 분석부(120), 채터링 마크 처리부(130) 및 버 처리부(140)를 포함하여 구성된다.
여기서, 본 발명의 일실시예에 따른 공작물 이미지 분석시스템(100)은, 사전에 설정된 가공 궤적에 따라 공작물(10)을 가공하는 공작 기계(200)와, 공작 기계(200)로부터 가공이 완료된 공작물(10)을 촬영하는 비전 시스템(300) 및 공작 기계(200)로부터 가공이 완료된 공작물(10)에 버(Burr)가 존재할 경우 이의 제거를 위한 디버링(Deburring) 공정을 수행하는 디버링 시스템(400)이 포함된 제조 라인에 구비되어, 비전 시스템(300)으로부터 촬영된 공작물 이미지를 입력받고, 그 공작물 이미지를 통해 공작물(10)의 가공면에 발생한 채터링 마크와 버를 검출하면서 공작 기계(200) 자체의 결함 또는 가공 궤적의 결함을 분석하며, 버의 제거를 위한 디버링 궤적을 디버링 시스템(400)에 출력하도록 구현될 수 있다.
아울러, 본 발명의 일실시예에 따른 공작물 이미지 분석시스템(100)은, 가공 궤적에 결함이 존재할 경우 공작 기계(200)의 가공 궤적을 생성 또는 수정하는 가공 궤적 생성시스템(500)에 가공 궤적의 수정을 요청하거나 수정된 수정 궤적을 제공하는 형태로 구현될 수 있다.
상기 입력부(110)는 이미지를 입력받기 위한 것으로, 공작 기계(200)에 의해 가공이 완료된 공작물(10)의 공작물 이미지를 전술한 비전 시스템(300)으로부터 입력받는 기능을 수행한다. 또한, 입력부(110)에 입력되는 공작물 이미지는 후술할 이미지 분석부(120)에 의해 분석된다.
상기 이미지 분석부(120)는 공작물 이미지를 분석하기 위한 것으로, 공작물 이미지로부터 공작물(10)의 가공면에 발생한 채터링 마크(Chattering Mark) 및 버(Burr)를 검출하고, 그 채터링 마크가 공작 기계(200) 자체의 결함 또는 공작 기계(200)가 공작물(10)을 가공하는 궤적인 가공 궤적의 결함에 의한 것인지 분석하는 기능을 수행한다.
이를 위한, 이미지 분석부(120)는 딥 러닝 기반의 분석 알고리즘을 이용하여 구현될 수 있으며, 특히, CNN(Convolutional Neural Network)을 포함하는 R-FCN(region-based fully convolutional networks), Faster R-CNN(region-based convolutional network) 또는 ResNets(residual networks)을 이용하여 구현됨으로써, 일반적인 신경망(Neural Network)에 비해 보다 효율적인 이미지 분석이 가능하도록 구성된다.
또한, 이미지 분석부(120)는, 공작물(10)의 가공면에 채터링 마크가 포함된 채터링 마크 학습이미지와 버가 포함된 버 학습이미지를 사전에 학습하여 채터링 마크와 버의 검출을 위한 데이터 셋을 구축하고, 상기 구축된 데이터 셋을 이용하여 공작물 이미지로부터 채터링 마크 및 버의 존재 여부와 위치를 검출하도록 구비될 수 있다. 여기서, 이미지 분석부(120)는 버가 검출될 경우, 버의 위치를 표시하는 소정의 박스 영역을 더 설정할 수도 있다.
이때, 이미지 분석부(120)는 학습 용도의 데이터 셋을 이용하여 채터링 마크가 포함된 채터링 마크 학습이미지와 버가 포함된 버 학습이미지를 반복적으로 학습하여, 그 학습 횟수가 사전에 설정된 반복 학습 횟수를 초과하거나 기설정된 오차값 이하의 오차가 발생하면 학습을 종료하며, 기설정된 평가용 데이터 셋을 이용하여 학습한 데이터 셋을 평가하여 정답률(Score)이 목표값(Slim)을 초과하면 학습을 종료하게 된다.
다만, 이미지 분석부(120)는 평가용 데이터 셋과 학습한 데이터 셋을 비교하여 정답률이 목표값 보다 낮으면, Learning Rate, Momentum Coefficient, 학습 횟수(n), 반복 학습 횟수(nmax) 및 Lthr을 포함하는 학습 변수를 조정하여 새로 학습을 반복할 수도 있다.
또한, 이미지 분석부(120)는 데이터 셋을 구축하는 학습 과정에서, 공작 기계(200) 자체의 결함에 의한 채터링 마크의 특징 정보와 가공 궤적의 결함에 의한 채터링 마크의 특징 정보를 구분하여 학습함으로써, 상기 구분된 특징 정보를 이용하여 공작물 이미지로부터 검출된 채터링 마크의 발생원인을 분석하도록 구비될 수 있다.
상기 채터링 마크 처리부(130)는 채터링 마크의 재발 방지를 위한 후처리를 수행하기 위한 것으로, 이미지 분석부(120)의 분석 결과에 따라, 공작 기계(200)에 장착된 가공 툴의 교체를 요청하거나 가공 궤적으로부터 수정된 수정 궤적을 생성하는 기능을 수행한다.
예컨대, 채터링 마크 처리부(130)는 이미지 분석부(120)로부터 검출된 채터링 마크가 공작 기계(200) 자체의 결함에 의한 것으로 분석될 경우, 공작 기계(200)에 구비된 가공 툴이 마모되거나 손상된 것으로 판정하고, 공작 기계(200)의 가공 툴 교체를 요청하는 메세지를 공작 기계(200)에 출력하도록 구비될 수 있다.
이때, 채터링 마크 처리부(130)는 별도 구비된 디스플레이 장치의 화면에 가공 툴 교체를 요청하는 메세지를 출력하거나, 기설정된 작업자 또는 관리자의 사용자 단말에 가공 툴 교체를 요청하는 메세지를 전송하는 형태로 구현될 수도 있다.
이후, 작업자 또는 관리자가 공작 기계(200)의 가공 툴을 교체함으로써, 채터링 마크의 재발을 방지할 수 있다.
한편, 채터링 마크 처리부(130)는 이미지 분석부(120)로부터 검출된 채터링 마크가 가공 궤적의 결함에 의한 것으로 분석될 경우에는, 가공 궤적 생성시스템(500)에 가공 궤적의 수정을 요청하거나, 가공 궤적으로부터 수정된 수정 궤적을 생성하여 공작 기계(200) 또는 가공 궤적 생성시스템(500)에 출력하도록 구비될 수도 있다.
이때, 채터링 마크 처리부(130)는 가공 궤적의 전부를 수정하는 것이 아니라, 가공 궤적을 정의하는 G 코드(G-code)에 기초하여 채터링 마크의 위치와 가공 궤적 간의 거리를 계산한 다음, 상기 계산된 거리가 기설정된 임계값(threshold) 이내에 포함되는 일부의 가공 궤적을 수정하도록 구비됨이 바람직하다. 즉, 가공 궤적의 전부를 수정하지 않더라도, 채터링 마크의 발생 위치에 대응하는 일부의 가공 궤적을 수정하면 채터링 마크의 재발을 방지할 수 있다.
또한, 채터링 마크 처리부(130)는 아래의 수학식 1을 이용하여 채터링 마크의 위치와 가공 궤적 간의 거리를 계산할 수 있다.
[수학식 1]
Figure pat00001
여기서, d는 채터링 마크의 위치와 가공 궤적 간의 거리이고, x0는 채터링 마크 위치의 x축 좌표이며, x1은 가공 궤적 시작점의 x축 좌표이며, x2는 가공 궤적 종료점의 x축 좌표이며, y0는 채터링 마크 위치의 y축 좌표이며, y1은 가공 궤적 시작점의 y축 좌표이며, y2는 가공 궤적 종료점의 y축 좌표를 뜻한다.
한편, 채터링 마크 처리부(130)는 수정되어야 하는 가공 궤적의 일부가 계산되면, 전술한 G 코드로부터 공작 기계(200)의 스핀들 속도 및 가공 깊이를 검사하고, 상기 검사된 스핀들 속도 및 가공 깊이 중 적어도 하나를 증감하여 수정 궤적으로 생성하도록 구비될 수 있다.
즉, 채터링 마크 처리부(130)로부터 생성된 수정 궤적이 공작 기계(200) 또는 가공 궤적 생성시스템(500)에 출력되어 공작 기계(200)의 가공 궤적이 개선됨으로써, 가공 궤적의 결함에 의한 채터링 마크의 재발을 방지할 수 있다.
상기 버 처리부(140)는 버를 제거하는 후처리를 위한 것으로, 이미지 분석부(120)로부터 버가 검출될 경우 버의 제거를 위한 디버링(Deburring) 궤적을 생성하는 기능을 수행한다. 아울러, 버 처리부(140)로부터 생성된 디버링 궤적은 디버링 시스템(400)에 출력될 수 있다.
이를 위해, 도 3에 도시된 바와 같이, 이미지 분석부(120)로부터 버(11)의 존재 여부가 검출되고(a) 상기 검출된 버(11)를 중심으로 버(11)의 위치를 표시하는 박스 영역(141)이 각각 설정되면(b), 버 처리부(140)는 이미지 분석부(120)로부터 설정된 박스 영역(141)의 꼭지점 좌표로부터 버(11)의 중심점(142)을 계산하고(c), 상기 계산된 중심점(142)을 통과하여 공작물(10) 가공면의 버(11)를 제거하는 궤적을 디버링 궤적(143)으로 생성하도록 구비될 수 있다(d).
이때, 버 처리부(140)는 아래의 수학식 2를 이용하여 버(11)의 중심점(142)을 계산할 수 있다.
[수학식 2]
Figure pat00002
여기서, xc는 버 중심점(142)의 x축 좌표이고, x1은 박스 영역(141) 제 1꼭지점의 x축 좌표이며, x2는 박스 영역(141) 제 2꼭지점의 x축 좌표이고, x3은 박스 영역(141) 제 3꼭지점의 x축 좌표이며, x4는 박스 영역(141) 제 4꼭지점의 x축 좌표이고, yc는 버 중심점(142)의 y축 좌표이며, y1은 박스 영역(141) 제 1꼭지점의 y축 좌표이고, y2는 박스 영역(141) 제 2꼭지점의 y축 좌표이며, y3은 박스 영역(141) 제 3꼭지점의 y축 좌표이고, y4는 박스 영역(141) 제 4꼭지점의 y축 좌표를 뜻한다.
또한, 버 처리부(140)는 ICP(Iterative Closest Point) 알고리즘을 이용하여 버(11)의 중심점(142)과 버(11)의 형상을 매칭(Matching)하는 방식으로 디버링 궤적(143)을 생성하거나, 버(11)의 중심점(142)을 통과하는 선을 보간(Interpolation) 처리하는 방식으로 디버링 궤적(143)을 생성할 수 있다.
이후, 버 처리부(140)로부터 생성된 디버링 궤적(143)이 디버링 시스템(400)에 출력되면, 디버링 시스템(400)이 디버링 궤적(143)을 따라 버를 제거하는 공정이 이루어질 수 있다.
따라서, 본 발명의 일실시예에 따른 공작물 이미지 분석시스템(100)은 공작물 이미지로부터 채터링 마크와 버의 존재 여부를 검출하는 동시에, 채터링 마크의 재발 방지를 위한 후처리를 수행하고 버의 제거를 위한 후처리가 용이하도록 디버링 궤적을 제공하므로, 공작물(10)의 가공이 완료된 이후에 인력에 의존하여 공작물(10)을 검사하거나 버(11)를 제거하는 등의 후처리 공정을 간소화하고 공장 효율을 향상시킬 수 있으며, 후처리 공정에 필요한 작업 인력 및 작업 시간의 소모를 줄일 수 있게 한다.
도 4는 본 발명의 일실시예에 따른 공작물 이미지 분석방법을 설명하기 위한 도면이다.
도 4를 참조하여, 본 발명의 일실시예에 따른 공작물 이미지 분석시스템에서 수행되는 공작물 이미지 분석방법을 설명한다.
다만, 도 4에 도시된 공작물 이미지 분석방법에서 수행되는 기능은 모두 도 1 내지 도 3을 참조하여 설명한 공작물 이미지 분석시스템에서 수행되므로, 명시적인 설명이 없어도, 도 1 내지 도 3을 참조하여 설명한 모든 기능은 본 발명의 바람직한 실시예에 따른 공작물 이미지 분석방법에서 수행되고, 도 4를 참조하여 설명하는 모든 기능은 본 발명의 바람직한 실시예에 따른 공작물 이미지 분석시스템에서 그대로 수행됨을 주의해야 한다.
먼저, 이미지 분석부가 공작물의 가공면에 채터링 마크가 포함된 채터링 마크 학습이미지와 버가 포함된 버 학습이미지를 사전에 학습하여 채터링 마크와 버의 검출을 위한 데이터 셋을 구축한다(S110).
이때, 이미지 분석부는 딥 러닝 기반의 분석 알고리즘을 이용하여 채터링 마크와 버를 검출하고 채터링 마크의 발생원인을 분석하는데, 이를 위한, 데이터 셋을 구축하는 과정이며, 데이터 셋을 구축하는 학습 과정에서 공작 기계 자체의 결함에 의한 채터링 마크의 특징 정보와 가공 궤적의 결함에 의한 채터링 마크의 특징 정보를 구분하여 학습하게 된다.
또한, 전술한 분석 알고리즘은 CNN(Convolutional Neural Network)을 포함하는 R-FCN(region-based fully convolutional networks), Faster R-CNN(region-based convolutional network) 또는 ResNets(residual networks)을 이용하여 구현될 수 있다.
다음, 입력부가 공작 기계에 의해 가공이 완료된 공작물의 공작물 이미지를 비전 시스템으로부터 입력받는다(S120).
그 다음, 이미지 분석부가 전술한 딥 러닝 기반의 분석 알고리즘을 이용하여, 공작물 이미지로부터 공작물의 가공면에 발생한 채터링 마크(Chattering Mark) 및 버(Burr)를 검출하고, 그 채터링 마크가 공작 기계 자체의 결함 또는 공작 기계가 공작물을 가공하는 궤적인 가공 궤적의 결함에 의한 것인지 분석한다(S130).
이때, 이미지 분석부는 사전에 구축된 데이터 셋을 이용하여 공작물 이미지로부터 채터링 마크의 존재 여부와 위치를 검출하고(S131), 채터링 마크가 검출되면, 사전에 구분된 특징 정보를 이용하여 공작물 이미지로부터 검출된 채터링 마크의 발생원인을 분석하게 된다(S132).
그리고, 이미지 분석부는 전술한 데이터 셋을 이용하여 공작물 이미지로부터 버의 존재 여부와 위치를 검출할 수도 있다(S133). 이때, 이미지 분석부는 버의 위치를 표시하는 소정의 박스 영역을 설정할 수도 있다.
그 다음에는, 채터링 마크 처리부가 이미지 분석부로부터 분석된 채터링 마크의 발생원인에 따라, 공작 기계에 장착된 가공 툴의 교체를 요청하거나 가공 궤적으로부터 수정된 수정 궤적을 생성한다(S140).
이때, 채터링 마크 처리부는 공작 기계 자체의 결함에 의해 채터링 마크가 발생한 것으로 분석될 경우, 공작 기계에 구비된 가공 툴이 마모되거나 손상된 것으로 판정하고, 공작 기계의 가공 툴 교체를 요청하는 메세지를 공작 기계에 출력하게 된다(S141).
또한, 채터링 마크 처리부는 가공 궤적의 결함에 의해 채터링 마크가 발생한 경우에는, 가공 궤적의 G 코드(G-code)에 기초하여 채터링 마크의 위치와 가공 궤적 간의 거리를 계산한 다음, 상기 계산된 거리가 기설정된 임계값(threshold) 이내에 포함되는 일부의 가공 궤적을 수정하는 방식으로, 수정 궤적을 생성하게 된다(S142).
또한, 채터링 마크 처리부는 아래의 수학식 3을 이용하여 채터링 마크의 위치와 가공 궤적 간의 거리를 계산할 수 있다.
[수학식 3]
Figure pat00003
여기서, d는 채터링 마크의 위치와 가공 궤적 간의 거리이고, x0는 채터링 마크 위치의 x축 좌표이며, x1은 가공 궤적 시작점의 x축 좌표이며, x2는 가공 궤적 종료점의 x축 좌표이며, y0는 채터링 마크 위치의 y축 좌표이며, y1은 가공 궤적 시작점의 y축 좌표이며, y2는 가공 궤적 종료점의 y축 좌표를 뜻한다.
그리고, 채터링 마크 처리부로부터 생성된 수정 궤적은 가공 궤적을 생성 또는 수정하는 가공 궤적 생성시스템에 출력되거나 공작 기계에 직접 출력될 수 있다.
한편, 버가 검출될 경우에는, 버 처리부에 의해 버의 제거를 위한 디버링(Deburring) 궤적이 생성된다(S150).
이때, 버 처리부는 이미지 분석부로부터 버의 존재 여부 및 버의 위치를 표시하는 박스 영역이 설정되면, 그 박스 영역의 꼭지점 좌표로부터 버의 중심점을 계산하고, 상기 계산된 중심점을 통과하여 공작물 가공면의 버를 제거하는 궤적을 디버링 궤적으로 생성할 수 있다.
또한, 버 처리부는 아래의 수학식 4를 이용하여 버의 중심점을 계산할 수 있다.
[수학식 4]
Figure pat00004
여기서, xc는 버 중심점의 x축 좌표이고, x1은 박스 영역 제 1꼭지점의 x축 좌표이며, x2는 박스 영역 제 2꼭지점의 x축 좌표이고, x3은 박스 영역 제 3꼭지점의 x축 좌표이며, x4는 박스 영역 제 4꼭지점의 x축 좌표이고, yc는 버 중심점의 y축 좌표이며, y1은 박스 영역 제 1꼭지점의 y축 좌표이고, y2는 박스 영역 제 2꼭지점의 y축 좌표이며, y3은 박스 영역 제 3꼭지점의 y축 좌표이고, y4는 박스 영역 제 4꼭지점의 y축 좌표를 뜻한다.
그리고, 버 처리부로부터 생성된 디버링 궤적은 디버링 시스템에 출력되며, 디버링 시스템은 디버링 궤적을 따라 버를 제거하는 공정을 수행하게 된다.
이상에서는 본 발명의 바람직한 실시예를 예시적으로 설명하였으나, 본 발명의 범위는 이와 같은 특정 실시예에만 한정되는 것은 아니며, 특허청구범위에 기재된 범주 내에서 적절하게 변경 가능한 것이다.
110 : 입력부
120 : 이미지 분석부
130 : 채터링 마크 처리부
140 : 버 처리부

Claims (12)

  1. 공작 기계로부터 가공이 완료된 공작물의 공작물 이미지가 입력되는 입력부;
    딥 러닝 기반의 분석 알고리즘을 이용하여, 공작물 이미지로부터 공작물의 가공면에 발생한 채터링 마크(Chattering Mark) 및 버(Burr)를 검출하고, 그 채터링 마크가 공작 기계 자체의 결함 또는 공작 기계가 공작물을 가공하는 궤적인 가공 궤적의 결함에 의한 것인지 분석하는 이미지 분석부;
    상기 이미지 분석부의 분석 결과에 따라, 공작 기계에 장착된 가공 툴의 교체를 요청하거나 가공 궤적으로부터 수정된 수정 궤적을 생성하는 채터링 마크 처리부; 및
    상기 이미지 분석부로부터 버가 검출될 경우, 상기 검출된 버의 제거를 위한 디버링(Deburring) 궤적을 생성하는 버(Burr) 처리부;를 포함하는 공작물의 후처리를 위한 공작물 이미지 분석시스템.
  2. 제 1항에 있어서,
    상기 이미지 분석부는,
    공작물의 가공면에 채터링 마크가 포함된 채터링 마크 학습이미지와 버가 포함된 버 학습이미지를 사전에 학습하여 채터링 마크와 버의 검출을 위한 데이터 셋을 구축하고, 상기 구축된 데이터 셋을 이용하여 공작물 이미지로부터 채터링 마크 및 버의 존재 여부와 위치를 검출하는 것을 특징으로 하는 공작물의 후처리를 위한 공작물 이미지 분석시스템.
  3. 제 2항에 있어서,
    상기 이미지 분석부는,
    데이터 셋의 구축 시, 공작 기계 자체의 결함에 의한 채터링 마크의 특징 정보와 가공 궤적의 결함에 의한 채터링 마크의 특징 정보를 구분하여 학습하고, 상기 구분된 특징 정보를 이용하여 공작물 이미지로부터 검출된 채터링 마크의 발생원인을 분석하는 것을 특징으로 하는 공작물의 후처리를 위한 공작물 이미지 분석시스템.
  4. 제 1항에 있어서,
    상기 채터링 마크 처리부는,
    가공 궤적의 결함에 의해 채터링 마크가 발생하면, 가공 궤적의 G 코드(G-code)에 기초하여 채터링 마크의 위치와 가공 궤적 간의 거리를 계산한 다음, 상기 계산된 거리가 기설정된 임계값(threshold) 이내에 포함되는 일부의 가공 궤적을 수정하여 수정 궤적을 생성하는 것을 특징으로 하는 공작물의 후처리를 위한 공작물 이미지 분석시스템.
  5. 제 1항에 있어서,
    상기 버 처리부는,
    상기 이미지 분석부로부터 버의 존재 여부와 위치가 검출되면, 상기 검출된 버의 중심점을 계산하고, 상기 계산된 중심점을 통과하여 공작물 가공면의 버를 제거하는 궤적을 디버링 궤적으로 생성하는 것을 특징으로 하는 공작물의 후처리를 위한 공작물 이미지 분석시스템.
  6. 제 1항 내지 제 5항 중 어느 항에 있어서,
    상기 분석 알고리즘은, CNN(Convolutional Neural Network)을 이용하여 구현되는 것을 특징으로 하는 공작물의 후처리를 위한 공작물 이미지 분석시스템.
  7. 공작물 이미지 분석시스템에서 수행되는 공작물 이미지 분석방법으로서,
    (1) 상기 공작물 이미지 분석시스템이, 공작 기계로부터 가공이 완료된 공작물의 공작물 이미지를 입력받는 단계;
    (2) 상기 공작물 이미지 분석시스템이, 딥 러닝 기반의 분석 알고리즘을 이용하여, 공작물 이미지로부터 공작물의 가공면에 발생한 채터링 마크(Chattering Mark) 및 버(Burr)를 검출하고, 그 채터링 마크가 공작 기계 자체의 결함 또는 공작 기계가 공작물을 가공하는 궤적인 가공 궤적의 결함에 의한 것인지 분석하는 단계;
    (3) 상기 분석된 결과에 따라, 상기 공작물 이미지 분석시스템이, 공작 기계에 장착된 가공 툴의 교체를 요청하거나 가공 궤적으로부터 수정된 수정 궤적을 생성하는 단계; 및
    (4) 버가 검출될 경우, 상기 공작물 이미지 분석시스템이, 상기 검출된 버의 제거를 위한 디버링(Deburring) 궤적을 생성하는 단계;를 포함하는 공작물의 후처리를 위한 공작물 이미지 분석방법.
  8. 제 7항에 있어서,
    상기 제 (1)단계 이전에,
    (A) 상기 공작물 이미지 분석시스템이, 공작물의 가공면에 채터링 마크가 포함된 채터링 마크 학습이미지와 버가 포함된 버 학습이미지를 사전에 학습하여 채터링 마크와 버의 검출을 위한 데이터 셋을 구축하는 단계;를 더 포함하고,
    상기 제 (2)단계에서 상기 공작물 이미지 분석시스템은,
    상기 구축된 데이터 셋을 이용하여 공작물 이미지로부터 채터링 마크 및 버의 존재 여부와 위치를 검출하는 것을 특징으로 하는 공작물의 후처리를 위한 공작물 이미지 분석방법.
  9. 제 8항에 있어서,
    상기 제 (A)단계에서 상기 공작물 이미지 분석시스템은,
    데이터 셋의 구축 시, 공작 기계 자체의 결함에 의한 채터링 마크의 특징 정보와 가공 궤적의 결함에 의한 채터링 마크의 특징 정보를 구분하여 학습하고,
    상기 제 (2)단계에서 상기 공작물 이미지 분석시스템은,
    상기 구분된 특징 정보를 이용하여 공작물 이미지로부터 검출된 채터링 마크의 발생원인을 분석하는 것을 특징으로 하는 공작물의 후처리를 위한 공작물 이미지 분석방법.
  10. 제 7항에 있어서,
    상기 제 (3)단계에서 상기 공작물 이미지 분석시스템은,
    가공 궤적의 결함에 의해 채터링 마크가 발생하면, 가공 궤적의 G 코드(G-code)에 기초하여 채터링 마크의 위치와 가공 궤적 간의 거리를 계산한 다음, 상기 계산된 거리가 기설정된 임계값(threshold) 이내에 포함되는 일부의 가공 궤적을 수정하여 수정 궤적을 생성하는 것을 특징으로 하는 공작물의 후처리를 위한 공작물 이미지 분석방법.
  11. 제 7항에 있어서,
    상기 제 (4)단계에서 상기 공작물 이미지 분석시스템은,
    버의 존재 여부와 위치가 검출되면, 상기 검출된 버의 중심점을 계산하고, 상기 계산된 중심점을 통과하여 공작물 가공면의 버를 제거하는 궤적을 디버링 궤적으로 생성하는 것을 특징으로 하는 공작물의 후처리를 위한 공작물 이미지 분석방법.
  12. 제 7항 내지 제 11항 중 어느 항에 있어서,
    상기 분석 알고리즘은, CNN(Convolutional Neural Network)을 이용하여 구현되는 것을 특징으로 하는 공작물의 후처리를 위한 공작물 이미지 분석방법.
KR1020180089369A 2018-07-31 2018-07-31 공작물의 후처리를 위한 공작물 이미지 분석시스템 및 그 분석방법 KR20200014019A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180089369A KR20200014019A (ko) 2018-07-31 2018-07-31 공작물의 후처리를 위한 공작물 이미지 분석시스템 및 그 분석방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180089369A KR20200014019A (ko) 2018-07-31 2018-07-31 공작물의 후처리를 위한 공작물 이미지 분석시스템 및 그 분석방법

Publications (1)

Publication Number Publication Date
KR20200014019A true KR20200014019A (ko) 2020-02-10

Family

ID=69627563

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180089369A KR20200014019A (ko) 2018-07-31 2018-07-31 공작물의 후처리를 위한 공작물 이미지 분석시스템 및 그 분석방법

Country Status (1)

Country Link
KR (1) KR20200014019A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117742242A (zh) * 2023-12-26 2024-03-22 巨野县职业中等专业学校 一种数控机床动态调控方法和系统
CN117911372A (zh) * 2024-01-19 2024-04-19 河北省科学院应用数学研究所 炉架打磨方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117742242A (zh) * 2023-12-26 2024-03-22 巨野县职业中等专业学校 一种数控机床动态调控方法和系统
CN117742242B (zh) * 2023-12-26 2024-05-17 巨野县职业中等专业学校 一种数控机床动态调控方法和系统
CN117911372A (zh) * 2024-01-19 2024-04-19 河北省科学院应用数学研究所 炉架打磨方法及系统

Similar Documents

Publication Publication Date Title
US20180307203A1 (en) Machining defect factor estimation device
CN111684474B (zh) 运算装置、运算方法及记录介质
JP5787642B2 (ja) 対象物保持装置、対象物保持装置の制御方法、およびプログラム
JP6832327B2 (ja) 生産プロセス中に異常なワークピースを自動検出するためのデータ駆動方法
EP3812105B1 (en) Artificial intelligence architecture for industrial welding
JP2017068566A (ja) 工作機械の工具補正の頻度を最適化する機械学習装置及び機械学習方法、並びに該機械学習装置を備えた工作機械
JP2019185125A (ja) 制御装置及び機械学習装置
CN107081756A (zh) 进行机器人程序的示教的机器人编程装置
CN105563481A (zh) 一种用于轴孔装配的机器人视觉引导方法
CN111095139B (zh) 一种用于检测机器的异常状态的方法和系统
CN113752086A (zh) 一种用于数控机床刀具状态检测的方法和装置
KR20200014019A (ko) 공작물의 후처리를 위한 공작물 이미지 분석시스템 및 그 분석방법
CN114905507A (zh) 一种基于环境视觉分析的焊接机器人精度控制方法
CN117161582B (zh) 一种基于计算机视觉的激光切割方法
CN112506141A (zh) 机器学习装置、控制装置、生成方法及控制方法
Langsfeld et al. Online learning of part deformation models in robotic cleaning of compliant objects
Soares et al. Seam tracking and welding bead geometry analysis for autonomous welding robot
CN111275758A (zh) 混合型3d视觉定位方法、装置、计算机设备及存储介质
He et al. Parameter self-optimizing clustering for autonomous extraction of the weld seam based on orientation saliency in robotic MAG welding
CN117788394A (zh) 电力设备的状态检测方法、装置、设备及存储介质
Mühlbauer et al. An Approach to Progress Monitoring of Industrial Manual Processes Based on Camera Recordings and Object Interactions
CN116909211A (zh) 一种高精密数控机床的智能调控方法及系统
CN116475651A (zh) 用于焊接检修的边缘智能控制方法及智能焊接设备
Camilli et al. Towards risk modeling for collaborative AI
CN112614172A (zh) 基于三维视觉的平面和/或曲面划分方法以及系统