KR20220102700A - 적외선 이미지기반 딥러닝을 이용한 실시간 공구 마모 측정 시스템 - Google Patents
적외선 이미지기반 딥러닝을 이용한 실시간 공구 마모 측정 시스템 Download PDFInfo
- Publication number
- KR20220102700A KR20220102700A KR1020210004755A KR20210004755A KR20220102700A KR 20220102700 A KR20220102700 A KR 20220102700A KR 1020210004755 A KR1020210004755 A KR 1020210004755A KR 20210004755 A KR20210004755 A KR 20210004755A KR 20220102700 A KR20220102700 A KR 20220102700A
- Authority
- KR
- South Korea
- Prior art keywords
- tool
- deep learning
- image
- infrared
- tool wear
- Prior art date
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 25
- 238000005259 measurement Methods 0.000 title claims abstract description 17
- 230000001678 irradiating effect Effects 0.000 claims 1
- 238000000691 measurement method Methods 0.000 description 9
- 238000005520 cutting process Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000000034 method Methods 0.000 description 7
- 230000009467 reduction Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 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
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
- G01B11/306—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces for measuring evenness
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
-
- 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
- G01N21/8806—Specially adapted optical and illumination features
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B2210/00—Aspects not specifically covered by any group under G01B, e.g. of wheel alignment, caliper-like sensors
- G01B2210/52—Combining or merging partially overlapping images to an overall image
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1765—Method using an image detector and processing of image signal
- G01N2021/1768—Method using an image detector and processing of image signal using photographic film
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Machine Tool Sensing Apparatuses (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
본 발명은 적외선 이미지기반 딥러닝을 이용한 실시간 공구 마모 측정 시스템에 관한 것이다. 광원은 회전하는 공구를 향해 라인 형태의 적외선을 조사한다. 카메라 모듈들은 공구 주변을 따라 등간격으로 배열되고, 공구로부터 반사되는 적외선을 감지하여 이미지를 획득한다. 제어기는 광원과 카메라 모듈들을 제어하고, 카메라 센서모듈들로부터 획득된 이미지를 입력받아 딥러닝 기반으로 분석해서 공구 마모를 측정한다.
Description
본 발명은 공작기계 등에 사용되는 공구의 마모를 측정하는 기술에 관한 것이다.
일반적으로, 공작기계에서 금속을 자르는데 절삭 공구가 사용된다. 절삭 공구는 공작물 가공 중 공작물 사이에 발생하는 절삭력 또는 열로 인해 타거나 닳아 없어져 마모가 생긴다.
공구의 절삭날이 마모되면, 능률이 저하되고, 치수 정밀도가 저하되며, 표면거칠기가 나빠지게 된다. 공구 마모가 심각한 경우, 공구 파손, 공작물 파손, 기계 고장 등이 야기될 수 있다. 공구 마모 메커니즘은 응착마모, 연삭마모, 확산마모 등으로 복잡하다. 공구 마모는 비선형성으로 예측하기 힘들기 때문에 지속적인 공구 마모 모니터링이 필요하다.
공구가 파손될 경우, 가동 중지 시간이 총 가공 시간의 7~20%를 차지하고, 공구 교체 비용이 총 처리 비용의 3~12%를 차지한다. 또한, 산업현장에서 작업자의 경험에 의존해 공구 파손 전에 교체할 경우, 보수적인 교체 주기 선정으로 인해 일반적인 공구 수명의 50~80%만 사용하게 되므로, 효율적인 공구 마모 모니터링 시스템이 필요하다.
공구 마모를 측정하는 방법은 간접 측정방법과 직접 측정방법으로 나뉠 수 있다. 간접 측정방법은 절삭 과정에서 발생하는 힘, 진동, 음향 등 공구 마모와 간접적인 관계를 갖는 요소를 측정하고 상관관계를 분석하여 공구 마모를 측정하는 방법이다.
간접 측정방법은 절삭 가공 중 실시간으로 공구 마모 측정이 가능하고 구현이 용이하다. 그러나, 간접 측정방법은 수집된 신호가 공구 마모와 비선형적 관계를 가지고, 신호의 높은 측정 환경 의존성에 의해 분석 및 식별 작업이 어렵다.
직접 측정방법은 공구 마모 영역을 광학현미경, 이미지센서 등을 이용하여 직접 측정하는 방법이다. 일반적으로, 직접 측정방법은 간접 측정방법보다 높은 정확성을 가지나, in-situ(현장)에서 측정 불가능하고, 측정방법에 따라 공작기계에서 공구를 분리해서 측정해야 하는 한계가 존재한다.
본 발명의 과제는 높은 정확도도 공구 마모를 측정하여 관리할 수 있게 하는 적외선 이미지기반 딥러닝을 이용한 실시간 공구 마모 측정 시스템을 제공함에 있다.
상기의 과제를 달성하기 위한 본 발명에 따른 적외선 이미지기반 딥러닝을 이용한 실시간 공구 마모 측정 시스템은 광원과, 카메라 모듈들, 및 제어기를 포함한다. 광원은 회전하는 공구를 향해 라인 형태의 적외선을 조사한다. 카메라 모듈들은 공구 주변을 따라 등간격으로 배열되고, 공구로부터 반사되는 적외선을 감지하여 이미지를 획득한다. 제어기는 광원과 카메라 모듈들을 제어하고, 카메라 센서모듈들로부터 획득된 이미지를 입력받아 딥러닝 기반으로 분석해서 공구 마모를 측정한다.
여기서, 제어기는, 각 카메라 모듈의 노출 시간을 다수 조건으로 조절하여 획득된 다수 장의 이미지들을 병합해서 1장의 HDR(High dynamic range) 이미지로 재구성하고, 재구성된 HDR 이미지를 딥러닝 입력 데이터로 사용할 수 있다.
광원은, 공구가 팁을 하측에 위치시킨 상태로 수직축을 중심으로 회전하는 기준으로 수평면에 대해 설정 각도로 상향 경사지게 라인 형태의 적외선을 조사하도록 배치될 수 있다.
각 카메라 모듈은, 입사광을 모으는 렌즈와, 적외선 대역의 광을 통과시키는 적외선 통과 필터, 및 적외선 통과 필터를 거친 적외선을 감지하여 이미지를 획득하는 이미지 센서를 포함할 수 있다.
본 발명에 따르면, 공작기계 등의 공구 마모를 공구 분리 없이도 실시간으로 높은 정확도로 측정하므로, 효율적으로 공구 마모를 관리할 수 있게 한다. 그 결과, 본 발명은 기계의 가동 중지 시간 저하, 공구 파손, 기계 고장 방지로 인해 생산성 향상 및 생산비용 저하에 기여할 것으로 기대된다.
도 1은 본 발명의 일 실시예에 따른 적외선 이미지기반 딥러닝을 이용한 실시간 공구 마모 측정 시스템에 대한 사시도이다.
도 2는 도 1에 대한 평면도이다.
도 3은 광원의 배치 상태에 대한 예를 나타낸 정면도이다.
도 4는 공구 마모에 따른 공구 형상 변화 및 적외선 반사 변화를 나타낸 도면이다.
도 5는 카메라 모듈들로부터 획득된 이미지를 전처리하는 예를 나타낸 도면이다.
도 6은 딥러닝 기반의 가변 오토인코더 구조를 나타낸 도면이다.
도 7은 가변 오토인코더를 이용하여 광원의 배치 각도에 따른 차원축소 결과를 나타낸 도면이다.
도 2는 도 1에 대한 평면도이다.
도 3은 광원의 배치 상태에 대한 예를 나타낸 정면도이다.
도 4는 공구 마모에 따른 공구 형상 변화 및 적외선 반사 변화를 나타낸 도면이다.
도 5는 카메라 모듈들로부터 획득된 이미지를 전처리하는 예를 나타낸 도면이다.
도 6은 딥러닝 기반의 가변 오토인코더 구조를 나타낸 도면이다.
도 7은 가변 오토인코더를 이용하여 광원의 배치 각도에 따른 차원축소 결과를 나타낸 도면이다.
본 발명에 대해 첨부된 도면을 참조하여 상세히 설명하면 다음과 같다. 여기서, 동일한 구성에 대해서는 동일부호를 사용하며, 반복되는 설명, 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략한다. 본 발명의 실시형태는 당업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위해서 제공되는 것이다. 따라서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
도 1은 본 발명의 일 실시예에 따른 적외선 이미지기반 딥러닝을 이용한 실시간 공구 마모 측정 시스템에 대한 사시도이다. 도 2는 도 1에 대한 평면도이다. 도 3은 광원의 배치 상태에 대한 예를 나타낸 정면도이다. 도 4는 공구 마모에 따른 공구 형상 변화 및 적외선 반사 변화를 나타낸 도면이다.
도 1 내지 도 4를 참조하면, 본 발명의 일 실시예에 따른 적외선 이미지기반 딥러닝을 이용한 실시간 공구 마모 측정 시스템(100)은 광원(110)과, 카메라 모듈(120)들, 및 제어기(130)를 포함한다.
광원(110)은 회전하는 공구(10)를 향해 라인 형태의 적외선(L)을 조사한다. 즉, 광원(110)은 적외선 파장대역의 광을 설정 발산각으로 발산해서 공구(10) 표면에 라인 형태로 조사한다. 여기서, 공구(10)는 공작기계에서 금속을 자르는데 사용되는 절삭 공구 등일 수 있다.
광원(110)은 라인 적외선 레이저로 이루어질 수 있다. 라인 적외선 레이저는 940㎚ 대역의 적외선을 생성해서 조사할 수 있다. 라인 적외선 레이저는 50㎽, 스팬 각도(span angle) 40°의 사양을 갖는 레이저일 수 있다.
광원(110)은 공구(10)가 팁을 하측에 위치시킨 상태로 수직축을 중심으로 회전하는 기준으로 수평면에 대해 설정 각도(θ)로 상향 경사지게 라인 형태의 적외선(L)을 조사하도록 배치될 수 있다. 광원(110)은 지지대(101)에 고정되어 지지될 수 있다.
카메라 모듈(120)들은 공구(10) 주변을 따라 등간격으로 배열된다. 공구(10)가 수직축을 중심으로 회전하는 기준으로 카메라 모듈(120)들은 수평면 상에 등간격으로 배열된다. 카메라 모듈(120)들은 각 촬영 부위가 공구(10)를 향한 상태로 방사상으로 배열된다. 카메라 모듈(120)들은 공구(10)의 재료 특성에 따라 많은 촬영 방향을 제공함으로써, 보다 높은 정확도로 공구(10) 마모를 측정할 수 있게 한다.
카메라 모듈(120)들은 3개로 이루어져, 중앙 카메라 모듈, 좌측 카메라 모듈, 우측 카메라 모듈로 구성될 수 있다. 3개의 카메라 모듈(120)들은 서로 간에 45°각도로 이격되어 배열될 수 있다. 이 경우, 광원(110)은 최외각 카메라 모듈(120)보다 외측에 수평면 기준으로 30°각도로 이격되어 배열될 수 있다. 카메라 모듈(120)들은 광원(110)과 함께 지지대(101)에 고정되어 지지될 수 있다.
카메라 모듈(120)들은 공구(10)로부터 반사되는 적외선을 감지하여 이미지를 획득한다. 도 4에 도시된 바와 같이, 공구는 사용 시간 증가에 따라 표면 형상 변화 및 마모 영역이 증가하게 된다. 그에 따라, 공구 표면의 반사율 및 반사 특성이 변화된다. 카메라 모듈(120)들은 촬영 속도보다 상대적으로 빠르게 회전하는 공구에 대해 이미지를 획득하여 누적함으로써, 공구를 하나의 표면으로 촬영할 수 있게 한다. 이와 같이, 카메라 모듈(120)들은 회전 상태의 공구를 촬영하여 공구의 표면 특성 변화를 분석할 수 있게 함으로써, 공구 마모를 측정할 수 있게 한다.
각 카메라 모듈(120)은 렌즈(121)와, 적외선 통과 필터(122), 및 이미지 센서(123)를 포함할 수 있다. 렌즈(121)는 입사광을 모은다. 적외선 통과 필터(122)는 적외선 대역의 광을 통과시킨다. 적외선 통과 필터(122)는 가시광선을 차단하여 750㎚ 이상의 적외선을 이미지 센서(123)로 전달함으로써, 이미지 센서(123)가 적외선 이미지를 획득할 수 있게 한다.
적외선 통과 필터(122)는 광 입사 방향으로 렌즈(121)보다 뒤쪽에 배치되어 렌즈(121)를 거친 광을 받아서 적외선 대역의 광을 통과시킬 수 있다. 물론, 적외선 통과 필터(122)는 광 입사 방향으로 렌즈(121)보다 앞쪽에 배치되는 것도 가능하다.
이미지 센서(123)는 적외선 통과 필터(122)를 거친 적외선을 감지하여 이미지를 획득한다. 이미지 센서(123)는 CMOS(complementary metal-oxide semiconductor) 이미지센서 등일 수 있다. 카메라 모듈(120)은 13megapixel, 3840*2880의 고해상도 사양을 갖는 카메라 모듈일 수 있다.
제어기(130)는 광원(110)과 카메라 모듈(120)들을 제어한다. 제어기(130)는 광원(110)과 카메라 모듈(120)들을 온/오프 제어하고, 카메라 모듈(120)들의 노출 시간을 제어할 수 있다. 제어기(130)는 카메라 센서모듈(120)들로부터 획득된 이미지를 입력받아 딥러닝(deep learning) 기반으로 분석해서 공구(10) 마모를 측정한다.
딥러닝은 인간의 두뇌가 수많은 데이터 속에서 패턴을 발견한 뒤 사물을 구분하는 정보처리 방식을 모방해 컴퓨터가 사물을 분별하도록 기계를 학습시키는 기술이다. 딥러닝 기술은 사람이 모든 판단 기준을 정해주지 않아도 컴퓨터가 스스로 인지, 추론, 판단할 수 있게 하므로, 이미지 분석을 통한 측정 등에 광범위하게 활용될 수 있다.
제어기(130)는 카메라 센서모듈(120)들로부터 획득된 이미지를 입력받아, 딥러닝 알고리즘을 통해 공구 표면 형상 변화의 특징 값을 스스로 학습함으로써, 공구(10) 마모를 정확하게 측정하여 측정 데이터를 기반으로 공구(10) 마모를 향후 예측할 수 있게 한다.
도 5에 도시된 바와 같이, 제어기(130)는 카메라 모듈(120)들로부터 획득된 이미지를 전처리할 수 있다. 여기서, 제어기(130)는 각 카메라 모듈(120)의 노출 시간을 다수 조건으로 조절하여 획득된 다수 장의 이미지들을 병합해서 1장의 HDR(High dynamic range) 이미지로 재구성하고, 재구성된 HDR 이미지를 딥러닝 입력 데이터로 사용할 수 있다.
예를 들어, 제어기(130)는 중앙 카메라 모듈과 좌측 카메라 모듈 및 우측 카메라 모듈의 각 노출 시간을 40㎳, 80㎳, 160㎳, 320㎳, 640㎳의 5가지 조건으로 조절하여, 해당 카메라 모듈에 의해 5장의 이미지들을 획득하고 획득된 5장의 이미지들을 병합해서 1장의 HDR 이미지로 재구성할 수 있다.
이렇게 재구성된 HDR 이미지들은 딥러닝 입력 데이터로 사용될 수 있다. HDR 이미지화 방법은 노출 융합(Exposure fusion) 방법을 사용하는 Mertens 방법일 수 있다. 물론, HDR 이미지화 방법은 공지의 다양한 방법으로 이루어질 수 있다.
제어기(130)는 획득된 이미지를 딥러닝기반 가변 오토인코더(Variational Auto Encoder; VAE)를 이용하여 차원축소 및 시각화할 수 있다. 예를 들어, 가변 오토인코더 구조는 도 6에 도시된 바와 같이 이루어질 수 있다.
오토인코더는 비지도학습 방식으로 효율적인 데이터 코딩을 학습하는데 사용되는 인공 신경망의 한 유형이다. 오토인코더의 목적은 네트워크가 노이즈(noise)를 무시하도록 훈련함으로써, 차원축소를 위한 데이터 세트에 대한 표현(인코딩)을 학습하는 것이다.
오토 인코더는 입력을 나타내는데 사용되는 코드를 설명하는 숨겨진 레이어(hidden layer)가 있으며, 입력을 코드에 매핑하는 인코더(encoder)와 코드를 원래 입력의 재구성에 매핑하는 디코더(decoder)로 구성된다. 오토인코더는 학습된 입력 표현이 유용한 속성을 가하도록 하는 목적으로 기본 모델에 여러 가지 변형이 존재한다. 그 중 하나가 가변 오토인코더가 있다.
가변 오토인코더의 코딩층은 주어진 입력에 대해 바로 코딩을 만드는 것이 아니라, 인코더는 평균 코딩(μ)과 표준편차 코딩(σ)을 만든다. 실제 코딩은 평균이고 표준편차인 가우시안 분포(gaussian distribution)에서 랜덤하게 샘플링되며, 이렇게 샘플링된 코딩을 디코더가 원본 입력으로 재구성하게 된다.
도 7은 가변 오토인코더를 이용하여 광원의 배치 각도에 따른 차원축소 결과를 나타낸 도면이다.
도 7을 참조하면, 도 3에 도시된 광원(110) 배치를 기준으로 광원(110)의 배치 각도(θ)를 -7.5°로 해서 공구를 촬영한 경우, 적외선 이미지가 가장 잘 군집화되었고, 그에 따라 특징점이 잘 나타나는 것을 확인할 수 있었다. 따라서, 광원(110)의 배치 각도(θ)는 공구 마모의 측정 정밀도를 향상시키도록 바람직하게는, -7°~ -8°의 범위, 더욱 바람직하게는 -7.5°로 설정될 수 있다.
이와 같이, 본 실시예에 따른 적외선 이미지기반 딥러닝을 이용한 실시간 공구 마모 측정 시스템(100)은 공작기계 등의 공구 마모를 공구 분리 없이도 실시간으로 높은 정확도로 측정하므로, 효율적으로 공구 마모를 관리할 수 있게 한다.
본 발명은 첨부된 도면에 도시된 일 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 수 있을 것이다. 따라서, 본 발명의 진정한 보호 범위는 첨부된 청구 범위에 의해서만 정해져야 할 것이다.
110..광원
120..카메라 모듈
121..렌즈
122..적외선 통과 필터
123..이미지 센서
130..제어기
120..카메라 모듈
121..렌즈
122..적외선 통과 필터
123..이미지 센서
130..제어기
Claims (4)
- 회전하는 공구를 향해 라인 형태의 적외선을 조사하는 광원;
공구 주변을 따라 등간격으로 배열되고, 공구로부터 반사되는 적외선을 감지하여 이미지를 획득하는 카메라 모듈들; 및
상기 광원과 카메라 모듈들을 제어하고, 상기 카메라 센서모듈들로부터 획득된 이미지를 입력받아 딥러닝 기반으로 분석해서 공구 마모를 측정하는 제어기;
를 포함하는 적외선 이미지기반 딥러닝을 이용한 실시간 공구 마모 측정 시스템. - 제1항에 있어서,
상기 제어기는,
상기 각 카메라 모듈의 노출 시간을 다수 조건으로 조절하여 획득된 다수 장의 이미지들을 병합해서 1장의 HDR(High dynamic range) 이미지로 재구성하고, 재구성된 HDR 이미지를 딥러닝 입력 데이터로 사용하는 것을 특징으로 하는 적외선 이미지기반 딥러닝을 이용한 실시간 공구 마모 측정 시스템. - 제1항에 있어서,
상기 광원은,
공구가 팁을 하측에 위치시킨 상태로 수직축을 중심으로 회전하는 기준으로 수평면에 대해 설정 각도로 상향 경사지게 라인 형태의 적외선을 조사하도록 배치된 것을 특징으로 하는 적외선 이미지기반 딥러닝을 이용한 실시간 공구 마모 측정 시스템. - 제1항에 있어서,
상기 각 카메라 모듈은,
입사광을 모으는 렌즈와,
적외선 대역의 광을 통과시키는 적외선 통과 필터, 및
상기 적외선 통과 필터를 거친 적외선을 감지하여 이미지를 획득하는 이미지 센서를 포함하는 것을 특징으로 하는 적외선 이미지기반 딥러닝을 이용한 실시간 공구 마모 측정 시스템.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210004755A KR102554478B1 (ko) | 2021-01-13 | 2021-01-13 | 적외선 이미지기반 딥러닝을 이용한 실시간 공구 마모 측정 시스템 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210004755A KR102554478B1 (ko) | 2021-01-13 | 2021-01-13 | 적외선 이미지기반 딥러닝을 이용한 실시간 공구 마모 측정 시스템 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20220102700A true KR20220102700A (ko) | 2022-07-21 |
KR102554478B1 KR102554478B1 (ko) | 2023-07-12 |
Family
ID=82609967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210004755A KR102554478B1 (ko) | 2021-01-13 | 2021-01-13 | 적외선 이미지기반 딥러닝을 이용한 실시간 공구 마모 측정 시스템 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102554478B1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102565629B1 (ko) * | 2023-05-03 | 2023-08-09 | 조영대 | 초음파를 이용한 다이아몬드 인발다이스 가공시스템 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1096616A (ja) * | 1996-07-09 | 1998-04-14 | Fanuc Ltd | 工具チップ欠損検査システム |
JP2000131032A (ja) * | 1998-10-24 | 2000-05-12 | Hitachi Seiki Co Ltd | 三次元形状計測方法およびその装置 |
-
2021
- 2021-01-13 KR KR1020210004755A patent/KR102554478B1/ko active IP Right Grant
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1096616A (ja) * | 1996-07-09 | 1998-04-14 | Fanuc Ltd | 工具チップ欠損検査システム |
JP2000131032A (ja) * | 1998-10-24 | 2000-05-12 | Hitachi Seiki Co Ltd | 三次元形状計測方法およびその装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102565629B1 (ko) * | 2023-05-03 | 2023-08-09 | 조영대 | 초음파를 이용한 다이아몬드 인발다이스 가공시스템 |
Also Published As
Publication number | Publication date |
---|---|
KR102554478B1 (ko) | 2023-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dutta et al. | Application of digital image processing in tool condition monitoring: A review | |
US20200364442A1 (en) | System for detecting surface pattern of object and artificial neural network-based method for detecting surface pattern of object | |
Dutta et al. | Progressive tool flank wear monitoring by applying discrete wavelet transform on turned surface images | |
KR20210091789A (ko) | 심층 합성곱 신경망을 이용한 레이저 가공 공정 모니터링 시스템 및 방법 | |
JP2021527572A (ja) | 衝突防止の方法およびレーザマシニングツール | |
KR102554478B1 (ko) | 적외선 이미지기반 딥러닝을 이용한 실시간 공구 마모 측정 시스템 | |
CN102455171A (zh) | 一种激光拼焊焊缝背面几何形貌检测方法及其实现装置 | |
US11430105B2 (en) | Workpiece inspection and defect detection system including monitoring of workpiece images | |
US9594021B2 (en) | Apparatus of detecting transmittance of trench on infrared-transmittable material and method thereof | |
EP2862976B1 (en) | Apparatus and method for closed-loop control of creped tissue paper structure | |
Ali et al. | Surface roughness characterisation of turned surfaces using image processing | |
Hashmi et al. | Surface Characteristics Measurement Using Computer Vision: A Review. | |
CN112683924A (zh) | 基于人工神经网络的物件表面型态的筛选方法 | |
CN115698682A (zh) | 用于校准的系统和方法 | |
CN111344553B (zh) | 曲面物体的缺陷检测方法及检测系统 | |
CN112683923A (zh) | 基于人工神经网络的物件表面型态的筛选方法 | |
US11756186B2 (en) | Workpiece inspection and defect detection system utilizing color channels | |
JP2020153730A (ja) | 摩耗量計測装置および摩耗量計測方法 | |
CN108620954A (zh) | 计测装置 | |
KR20230044453A (ko) | 타이어 제품 프로파일들에서의 자동 인터페이스 인식을 위한 시스템 및 프로세스 | |
JP2008203168A (ja) | ベルトの外観検査方法 | |
JP5149852B2 (ja) | ボケ画像判定方法およびボケ画像判定装置 | |
KR101803473B1 (ko) | 라인 스캐닝을 이용한 부품 검사 방법 및 장치 | |
CN108688671A (zh) | 用于观测在车辆中的驾驶员以确定驾驶员在车辆中的至少一个位置的方法和驾驶员观测设备 | |
Reyna | Automated Quality Control in Manufacturing Production Lines: A Robust Technique to Perform Product Quality Inspection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |