KR20220130398A - 차량 검사 장치 및 차량의 검사 방법 - Google Patents

차량 검사 장치 및 차량의 검사 방법 Download PDF

Info

Publication number
KR20220130398A
KR20220130398A KR1020210035231A KR20210035231A KR20220130398A KR 20220130398 A KR20220130398 A KR 20220130398A KR 1020210035231 A KR1020210035231 A KR 1020210035231A KR 20210035231 A KR20210035231 A KR 20210035231A KR 20220130398 A KR20220130398 A KR 20220130398A
Authority
KR
South Korea
Prior art keywords
vehicle
processor
image
lower image
recognizing
Prior art date
Application number
KR1020210035231A
Other languages
English (en)
Inventor
허민회
민재식
Original Assignee
현대자동차주식회사
기아 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 현대자동차주식회사, 기아 주식회사 filed Critical 현대자동차주식회사
Priority to KR1020210035231A priority Critical patent/KR20220130398A/ko
Priority to US17/548,927 priority patent/US20220301148A1/en
Priority to DE102021214595.7A priority patent/DE102021214595A1/de
Priority to CN202111568615.0A priority patent/CN115115930A/zh
Publication of KR20220130398A publication Critical patent/KR20220130398A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • 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
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62D—MOTOR VEHICLES; TRAILERS
    • B62D65/00—Designing, manufacturing, e.g. assembling, facilitating disassembly, or structurally modifying motor vehicles or trailers, not otherwise provided for
    • B62D65/005—Inspection and final control devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • 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
    • G06V10/87—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using selection of the recognition techniques, e.g. of a classifier in a multiple classifier system
    • 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
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • G07C5/085—Registering performance data using electronic data carriers
    • G07C5/0866—Registering performance data using electronic data carriers the electronic data carrier being a digital video recorder in combination with video camera
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • 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
    • 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
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Combustion & Propulsion (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Analysis (AREA)
  • Automobile Manufacture Line, Endless Track Vehicle, Trailer (AREA)

Abstract

개시된 발명의 일 측면에 의하면 획득된 차량의 하부 이미지에서 복수개의 객체간 상대적인 위치에 따라 차량의 불량 여부를 검사할 수 있어서, 인력에 의한 차량 검사에 따른 부작용을 방지하는 것이 가능한 차량 검사 장치 및 차량의 검사 방법을 제공할 수 있다.
일 실시예에 따른 차량 검사 장치는 차량의 하부 이미지를 획득하는 제 1 카메라; 및 프로세서;를 포함하고, 상기 프로세서는, 상기 차량의 하부 이미지에서 적어도 하나의 제 1 객체 및 적어도 하나의 제 2 객체를 인식하고, 상기 제 1 객체 및 상기 제 2 객체간 상대적 위치에 기초하여 상기 차량의 불량 여부를 결정할 수 있다.

Description

차량 검사 장치 및 차량의 검사 방법 {Inspection device for vehicle and method for inspecting the vehicle}
차량 및 그 제어방법에 관한 발명으로, 상세하게는 차량의 하부에 이상이 있는지 여부를 알 수 있는 차량 검사 장치 및 차량의 검사 방법에 관한 것이다.
일반적으로, 차량의 조립공장에서 조립이 완료된 차량은 시동을 건 상태로 차량의 주행성능, 제동성능, 배기성능 및 전장부품의 작동 등을 테스트한 후, 차량의 하부에서 부품의 상태나 엔진, 변속기, 에어컨 등의 누수, 누유 여부를 육안으로 검사받게 된다.
하지만, 차량의 하부에 대한 검사를 육안으로 하면, 작업자가 차량의 하부에서 장시간 올려다 보는 자세를 유지해야 하기 때문에, 작업자의 질환을 유발할 수 있다.
또한, 전술한 바와 같이 육안으로 차량의 하부를 검사하는 경우에는 작업자의 실수로 인하여 검사 항목을 누락시킬 수도 있고, 그에 따라 검사 항목에 대한 이력 관리에 어려움이 발생할 수 있다.
개시된 발명의 일 측면에 의하면 획득된 차량의 하부 이미지에서 복수개의 객체간 상대적인 위치에 따라 차량의 불량 여부를 검사할 수 있어서, 인력에 의한 차량 검사에 따른 부작용을 방지하는 것이 가능한 차량 검사 장치 및 차량의 검사 방법을 제공할 수 있다.
개시된 발명의 일 측면에 따른 차량 검사 장치는, 차량의 하부 이미지를 획득하는 제 1 카메라; 및 프로세서;를 포함하고, 상기 프로세서는, 상기 차량의 하부 이미지에서 적어도 하나의 제 1 객체 및 적어도 하나의 제 2 객체를 인식하고, 상기 제 1 객체 및 상기 제 2 객체간 상대적 위치에 기초하여 상기 차량의 불량 여부를 결정할 수 있다.
또한, 상기 프로세서는, 미리 설정된 객체를 상기 차량의 하부 이미지에서 상기 제 1 객체로 인식하고, 검사의 대상인 객체를 상기 차량의 하부 이미지에서 상기 제 2 객체로 인식할 수 있다.
또한, 상기 프로세서는, 복수개의 상기 미리 설정된 객체 중 어느 하나의 객체를 인식하는데 실패하면 인식하는데 실패한 상기 객체를 제외한 상기 미리 설정된 객체를 상기 제 1 객체로 인식할 수 있다.
또한, 상기 프로세서는, 상기 제 1 객체 및 상기 제 2 객체간 상기 차량의 하부 이미지에서의 거리 및 상기 제 1 객체 및 상기 제 2 객체의 상기 차량의 하부 이미지에서의 크기에 기초하여 상기 제 1 객체 및 상기 제 2 객체 사이의 상대적 거리를 계산하고, 상기 상대적 거리에 기초하여 상기 차량의 불량 여부를 결정할 수 있다.
또한, 상기 프로세서는, 상기 차량의 하부 이미지에 기초하여 상기 제 1 객체 및 상기 제 2 객체 사이의 상대적 각도를 계산하고, 상기 상대적 각도에 기초하여 상기 차량의 불량 여부를 결정할 수 있다.
또한, 상기 프로세서는, 상기 제 2 객체 중 적어도 하나를 제 3 객체로 결정하고, 상기 차량의 하부 이미지에 기초하여 상기 제 3 객체 및 상기 제 3 객체로 결정되지 않은 상기 제 2 객체간 상대적 거리를 계산하고, 상기 제 3 객체 및 상기 제 3 객체로 결정되지 않은 상기 제 2 객체간 상대적 거리에 기초하여 상기 차량의 불량 여부를 결정할 수 있다.
또한, 상기 프로세서는, 기계 학습(Machine Learning) 방식을 통해 상기 차량의 하부 이미지를 분석하여 제 1 객체 및 제 2 객체를 인식할 수 있다.
또한, 상기 프로세서는, 상기 차량의 기준 하부 이미지에 기초하여 학습 모델을 생성하고, 상기 학습 모델에 기초하여 상기 제 1 객체 및 제 2 객체를 인식할 수 있다.
또한, 상기 차량의 외관 이미지를 획득하는 제 2 카메라;를 더 포함하고, 상기 프로세서는, 상기 차량의 외관 이미지에 기초하여 상기 차량의 차종을 결정하고, 상기 결정된 차량의 차종에 기초하여 복수개의 상기 학습 모델 중 상기 차량의 차종에 대응하는 하나의 학습 모델을 결정하고, 상기 결정된 학습 모델에 기초하여 상기 제 1 객체 및 제 2 객체를 인식할 수 있다.
또한, 상기 프로세서는, 상기 차량의 하부 이미지에서의 상기 제 2 객체의 위치가 상기 차량의 기준 하부 이미지에서의 상기 제 2 객체로부터 임계 거리 내에 위치하면 상기 차량을 정상이라고 결정할 수 있다.
또한, 디스플레이;를 더 포함하고, 상기 프로세서는, 상기 차량의 불량 여부를 표시하도록 상기 디스플레이를 제어할 수 있다.
또한, 메모리;를 더 포함하고, 상기 프로세서는, 상기 차량의 불량 여부의 정보를 상기 메모리에 저장할 수 있다.
개시된 발명의 일 측면에 따른 차량의 검사 방법은 차량의 하부 이미지를 획득하고; 상기 차량의 하부 이미지에서 적어도 하나의 제 1 객체 및 적어도 하나의 제 2 객체를 인식하고; 상기 제 1 객체 및 상기 제 2 객체간 상대적 위치에 기초하여 상기 차량의 불량 여부를 결정하는 것;을 포함할 수 있다.
또한, 상기 적어도 하나의 제 1 객체 및 적어도 하나의 제 2 객체를 인식하는 것은, 미리 설정된 객체를 상기 차량의 하부 이미지에서 상기 제 1 객체로 인식하고, 검사의 대상인 객체를 상기 차량의 하부 이미지에서 상기 제 2 객체로 인식하는 것;을 포함할 수 있다.
또한, 상기 미리 설정된 객체를 상기 차량의 하부 이미지에서 상기 제 1 객체로 인식하는 것은, 복수개의 상기 미리 설정된 객체 중 어느 하나의 객체를 인식하는데 실패하면 인식하는데 실패한 상기 객체를 제외한 상기 미리 설정된 객체를 상기 제 1 객체로 인식하는 것;을 포함할 수 있다.
또한, 상기 제 1 객체 및 상기 제 2 객체간 상기 차량의 하부 이미지에서의 거리 및 상기 제 1 객체 및 상기 제 2 객체의 상기 차량의 하부 이미지에서의 크기에 기초하여 상기 제 1 객체 및 상기 제 2 객체 사이의 상대적 거리를 계산하는 것;을 더 포함하고, 상기 제 1 객체 및 상기 제 2 객체간 상대적 위치에 기초하여 상기 차량의 불량 여부를 결정하는 것은, 상기 상대적 거리에 기초하여 상기 차량의 불량 여부를 결정하는 것;을 포함할 수 있다.
또한, 상기 차량의 하부 이미지에 기초하여 상기 제 1 객체 및 상기 제 2 객체 사이의 상대적 각도를 계산하고; 상기 상대적 각도에 기초하여 상기 차량의 불량 여부를 결정하는 것;을 더 포함할 수 있다.
또한, 상기 제 2 객체 중 적어도 하나를 제 3 객체로 결정하고; 상기 차량의 하부 이미지에 기초하여 상기 제 3 객체 및 상기 제 3 객체로 결정되지 않은 상기 제 2 객체간 상대적 거리를 계산하고; 상기 제 3 객체 및 상기 제 3 객체로 결정되지 않은 상기 제 2 객체간 상대적 거리에 기초하여 상기 차량의 불량 여부를 결정하는 것;을 더 포함할 수 있다.
또한, 상기 적어도 하나의 제 1 객체 및 적어도 하나의 제 2 객체를 인식하는 것은, 기계 학습(Machine Learning) 방식을 통해 상기 차량의 하부 이미지를 분석하여 제 1 객체 및 제 2 객체를 인식하는 것;을 포함할 수 있다.
또한, 상기 차량의 기준 하부 이미지에 기초하여 학습 모델을 생성하는 것;을 더 포함하고, 상기 적어도 하나의 제 1 객체 및 적어도 하나의 제 2 객체를 인식하는 것은, 상기 학습 모델에 기초하여 상기 제 1 객체 및 제 2 객체를 인식하는 것;을 포함할 수 있다.
또한, 상기 차량의 외관 이미지를 획득하고; 상기 차량의 외관 이미지에 기초하여 상기 차량의 차종을 결정하고; 상기 결정된 차량의 차종에 기초하여 복수개의 상기 학습 모델 중 상기 차량의 차종에 대응하는 하나의 학습 모델을 결정하는 것;을 더 포함하고, 상기 적어도 하나의 제 1 객체 및 적어도 하나의 제 2 객체를 인식하는 것은, 상기 결정된 학습 모델에 기초하여 상기 제 1 객체 및 제 2 객체를 인식하는 것;을 포함할 수 있다.
또한, 상기 차량의 하부 이미지에서의 상기 제 2 객체의 위치가 상기 차량의 기준 하부 이미지에서의 상기 제 2 객체로부터 임계 거리 내에 위치하면 상기 차량을 정상이라고 결정하는 것;을 더 포함할 수 있다.
또한, 상기 차량의 불량 여부를 표시하도록 디스플레이를 제어하는 것;을 더 포함할 수 있다.
또한, 상기 차량의 불량 여부의 정보를 메모리에 저장하는 것;을 더 포함할 수 있다.
개시된 발명의 일 측면에 따르면, 사용자가 미리 설정한 객체에 대한 검사 대상 객체의 상대 위치에 기초하여 차량의 하부를 검사하는 것이 가능한 차량 검사 장치 및 차량의 검사 방법을 제공할 수 있다.
도 1은 일 실시예에 따른 차량 검사 장치의 외관을 도시한 도면이다.
도 2는 일 실시예에 따른 차량 검사 장치의 제어 블록도이다.
도 3(a) 및 도 3(b)는 종래 기술에 따라 차량 하부를 검사하는 것을 설명하기 위한 도면이다.
도 4(a)는 차량의 하부 이미지에서 제 1 객체와 제 2 객체를 인식하는 실시예를 나타낸 도면이다.
도 4(b)는 제 1 객체 및 제 2 객체 사이의 상대적 거리 및 상대적 각도를 나타낸 도면이다.
도 5(a)는 차량의 하부 이미지에서 인식한 제 1 객체와 제 2 객체를 나타낸 도면이다.
도 5(b)는 제 1 객체 및 제 2 객체 사이의 상대적 거리 및 상대적 각도를 정리한 표이다.
도 6(a)는 기준 하부 이미지에 기초한 제 1 객체 및 제 2 객체 사이의 상대적 거리에 대한 확률 분포를 나타낸 도면이다.
도 6(b)는 기준 하부 이미지에 기초한 제 1 객체 및 제 2 객체 사이의 상대적 각도에 대한 확률 분포를 나타낸 도면이다.
도 7은 차량의 하부 이미지에서 검사 대상이 아닌 부분이 기준 하부 이미지와 차이가 있는 경우의 실시예를 나타낸 도면이다.
도 8는 일 실시예에 따른 차량의 검사 방법을 나타낸 절차흐름도이다.
도 9는 또 다른 실시예에 따른 차량의 검사 방법을 나타낸 절차흐름도이다.
명세서 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 명세서가 실시예들의 모든 요소들을 설명하는 것은 아니며, 개시된 발명이 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 '부, 모듈, 부재, 블록'이라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 '부, 모듈, 부재, 블록'이 하나의 구성요소로 구현되거나, 하나의 '부, 모듈, 부재, 블록'이 복수의 구성요소들을 포함하는 것도 가능하다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐 아니라, 간접적으로 연결되어 있는 경우를 포함하고, 간접적인 연결은 무선 통신망을 통해 연결되는 것을 포함한다.
또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
명세서 전체에서, 어떤 부재가 다른 부재 "상에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
제 1, 제 2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 전술된 용어들에 의해 제한되는 것은 아니다.
단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함한다.
각 단계들에 있어 식별부호는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다.
이하 첨부된 도면들을 참고하여 개시된 발명의 작용 원리 및 실시예들에 대해 설명한다.
도 1은 일 실시예에 따른 차량 검사 장치의 외관을 도시한 도면이며, 도 2는 일 실시예에 따른 차량 검사 장치의 제어 블록도이다.
도 1 및 도 2를 참조하면, 차량 검사 장치(100)는 제 1 카메라(110), 제 2 카메라(120), 프로세서(130), 메모리(140), 디스플레이(150)를 포함할 수 있다.
제 1 카메라(110)는 차량(200)의 하부 이미지(300)를 획득할 수 있다. 구체적으로, 제 1 카메라(110)는 차량(200)의 하부를 촬영하여, 차량(200) 하부의 부품 상태, 엔진 상태, 변속기 및 에어컨 등의 누수, 누유 여부 등에 대한 이미지 정보를 획득할 수 있다.
제 1 카메라(110)는 차량(200)의 하부 이미지(300)를 획득할 수 있는 위치라면 차량 검사 장치(100)의 어느 위치에라도 마련될 수 있다.
제 1 카메라(110)는 획득한 차량(200)의 하부 이미지(300)를 프로세서(130)에 전달할 수 있다.
프로세서(130)는 차량(200)의 하부 이미지(300)에서 적어도 하나의 제 1 객체(301) 및 적어도 하나의 제 2 객체(302)를 인식할 수 있다.
프로세서(130)는 미리 설정된 객체를 차량(200)의 하부 이미지(300)에서 제 1 객체(301)로 인식할 수 있다. 제 1 객체(301)는 차량(200)의 하부에서 일정한 형태와 위치를 갖는 볼트, 클램프, 캡 등일 수 있다.
즉, 제 1 객체(301)는 차량(200)의 하부에서 언제나 동일한 위치에 있는 부품일 수 있다. 차량(200)의 하부에서 검사 대상의 위치가 변하더라도 제 1 객체(301)의 위치는 변하지 않으므로 제 1 객체(301)를 기준으로 검사 대상의 위치가 변했는지를 판단할 수 있다.
프로세서(130)는 검사 대상인 객체를 차량(200)의 하부 이미지(300)에서 제 2 객체(302)로 인식할 수 있다. 제 2 객체(302)는 차량(200)의 하부에서 형태가 변할 수 있거나, 위치가 변할 수 있는 부품일 수 있다.
프로세서(130)는 제 1 객체(301) 및 제 2 객체(302)간 상대적 위치에 기초하여 차량(200)의 불량 여부를 결정할 수 있다.
차량(200)의 기준 하부 이미지(400)는 프로세서(130)가 획득된 차량(200)의 하부 이미지(300)를 분석할 때 기준이 되는 차량(200)의 하부 이미지(300)일 수 있다.
차량(200)의 기준 하부 이미지(400)는 복수개일 수 있다. 또한 차량(200)의 기준 하부 이미지(400)는 메모리(140)에 미리 저장되어 있을 수 있다.
프로세서(130)는 제 1 카메라(110)가 획득한 차량(200)의 하부 이미지(300)에 포함된 제 1 객체(301)와 제 2 객체(302) 사이의 상대적 위치 및 차량(200)의 기준 하부 이미지(400)에 포함된 제 1 객체(301)와 제 2 객체(302) 사이의 상대적 위치에 기초하여 차량(200)의 불량 여부를 결정할 수 있다. 즉, 프로세서(130)는 차량(200)의 하부 이미지(300)에서의 제 1 객체(301)에 대한 제 2 객체(302)의 위치에 이상이 있다고 판단되면 차량(200)에 이상이 있는 것으로 결정할 수 있다.
프로세서(130)는 차량(200)의 불량 여부의 정보를 메모리(140)에 저장할 수 있다. 또한, 프로세서(130)는 차량(200)의 불량 여부를 표시하도록 디스플레이(150)를 제어할 수 있다.
디스플레이(150)는 사용자에게 화상으로 다양한 정보를 제공할 수 있다. 즉, 디스플레이(150)는 차량(200)의 하부의 검사 결과에 대한 정보를 시각적으로 제공할 수 있다. 예를 들어, 디스플레이(150)는 프로세서(130)가 검사 대상인 객체의 위치에 이상이 있다고 판단하여 차량(200)에 이상이 있다고 결정한 경우, 차량(200)에 이상이 있다고 화면에 표시할 수 있다.
프로세서(130)는 기계 학습(Machine Learning) 방식을 통해 차량(200)의 하부 이미지(300)를 분석하여 제 1 객체(301) 및 제 2 객체(302)를 인식할 수 있다.
기계 학습이란 다수의 파라미터로 구성된 모델을 이용하며, 주어진 데이터로 파라미터를 최적화하는 것을 의미할 수 있다. 기계 학습은 학습 문제의 형태에 따라 지도 학습(supervised learning), 비지도 학습(unsupervised learning) 및 강화 학습(reinforcement learning)을 포함 할 수 있다. 지도 학습(supervised learning)은 입력과 출력 사이의 매핑을 학습하는 것이며, 입력과 출력 쌍이 데이터로 주어지는 경우에 적용할 수 있다. 비지도 학습(unsupervised learning)은 입력만 있고 출력은 없는 경우에 적용하며, 입력 사이의 규칙성 등을 찾아낼 수 있다. 프로세서(130)는 기계 학습(Machine Learning) 방식 뿐만 아니라 딥 러닝 방식을 통해서도 객체를 인식할 수 있으며, 다양한 방식으로 객체를 인식할 수 있다.
프로세서(130)는 차량(200)의 기준 하부 이미지(400)에 기초하여 학습 모델을 생성하고, 학습 모델에 기초하여 제 1 객체(301) 및 제 2 객체(302)를 인식할 수 있다. 여기서, 학습 모델은 복수개의 기준 하부 이미지(400) 데이터의 학습을 통해 생성될 수 있다.
구체적으로, 사용자는 기준 하부 이미지(400)에서 볼트, 클램프, 캡 등을 제 1 객체(301)로 선정할 수 있다. 이때, 프로세서(130)는 제 1 객체(301)의 라벨링 데이터(Labeling Data)를 생성할 수 있다. 또한, 사용자는 기준 하부 이미지(400)에서 검사하고자 하는 대상을 제 2 객체(302)로 선정할 수 있고, 프로세서(130)는 제 2 객체(302)의 라벨링 데이터를 생성할 수 있다.
프로세서(130)는 기준 하부 이미지(400)와 제 1 객체(301)의 라벨링 데이터 및 제 2 객체(302)의 라벨링 데이터에 기초하여 학습 모델을 생성할 수 있다.
프로세서(130)는 기준 하부 이미지(300)에서의 제 2 객체(402)의 이미지 내 위치를 메모리(140)에 저장할 수 있다. 또한, 프로세서(130)는 기준 하부 이미지(400)에서의 제 1 객체(301)와 제 2 객체(302) 사이의 상대적 거리 및 기준 하부 이미지(400)에서의 제 1 객체(301)와 제 2 객체(302) 사이의 상대적 각도의 데이터를 메모리(140)에 저장할 수 있다.
한편, 차량(200)의 차종마다 대응되는 기준 하부 이미지(400)가 다를 수 있으며, 학습 모델 또한 어떤 차종의 기준 하부 이미지(400) 데이터를 학습했느냐에 따라 다를 수 있다. 따라서, 학습 모델은 복수개일 수 있으며, 차량(200)의 차종마다 대응되는 학습 모델이 다를 수 있다.
제 2 카메라(120)는 차량(200)의 외관 이미지를 획득할 수 있다. 제 2 카메라(120)는 차량(200)의 외관 이미지를 획득할 수 있는 위치라면 차량 검사 장치(100)의 어느 위치에라도 마련될 수 있다.
제 2 카메라(120)는 획득한 차량(200)의 외관 이미지를 프로세서(130)에 전달할 수 있다.
프로세서(130)는 차량(200)의 외관 이미지에 기초하여 차량(200)의 차종을 결정할 수 있다. 이때 차종에 관한 정보는 메모리(140)에 저장되어 있을 수 있다. 즉, 프로세서(130)는 획득한 차량(200)의 외관 이미지에 대응하는 차량(200)의 이미지 정보를 메모리(140)에서 결정하고, 결정된 차량(200)의 이미지 정보에 대응하는 차종을 차량(200)의 차종으로 결정할 수 있다.
프로세서(130)는 결정된 차량(200)의 차종에 기초하여 복수개의 학습 모델 중 결정된 차종에 대응하는 하나의 학습 모델을 결정할 수 있다. 이때, 프로세서(130)는 결정된 학습 모델에 기초하여 차량(200)의 하부 이미지(300)에서 제 1 객체(301) 및 제 2 객체(302)를 인식할 수 있다.
상술한 동작 또는 후술할 동작을 수행하기 위한 프로세서(130)는 차량 검사 장치(100)의 내부 구성요소들의 동작을 제어하기 위한 알고리즘 또는 알고리즘을 재현한 프로그램에 대한 데이터를 저장하는 적어도 하나의 메모리(140)로 구현될 수 있으며, 적어도 하나의 메모리(140)에 저장된 데이터를 이용하여 전술한 동작을 수행할 수 있다.
메모리(140)는 전술한 동작 및 후술하는 동작을 수행하는 프로그램을 저장할 수 있으며, 프로세서(130)는 저장된 프로그램을 실행시킬 수 있다. 메모리(140)와 프로세서(130)가 복수인 경우에, 이들이 하나의 칩에 집적되는 것도 가능하고, 물리적으로 분리된 위치에 마련되는 것도 가능하다. 메모리(140)는 데이터를 일시적으로 기억하기 위한 S램(Static Random Access Memory, S-RAM), D랩(Dynamic Random Access Memory) 등의 휘발성 메모리를 포함할 수 있다. 또한, 메모리(140)는 제어 프로그램 및 제어 데이터를 장기간 저장하기 위한 롬(Read Only Memory), 이피롬(Erasable Programmable Read Only Memory: EPROM), 이이피롬(Electrically Erasable Programmable Read Only Memory: EEPROM) 등의 비휘발성 메모리를 포함할 수 있다. 프로세서(130)는 각종 논리 회로와 연산 회로를 포함할 수 있으며, 메모리(140)로부터 제공된 프로그램에 따라 데이터를 처리하고, 처리 결과에 따라 제어 신호를 생성할 수 있다.
도 3(a) 및 도 3(b)는 종래 기술에 따라 차량 하부를 검사하는 것을 설명하기 위한 도면이다.
도 3(a)를 참조하면, 종래 기술의 경우 차량이 진행 방향으로 움직이는 동안 바닥에 부착된 카메라가 하부를 촬영하거나, 고정된 차량을 바닥에서 움직이는 카메라가 이동하면서 하부를 촬영할 수 있다. 이때 차량의 위치에 따라 차량의 하부 이미지가 다르게 획득 될 수 있다. 즉, 카메라에 대한 차량의 미세한 위치 차이에 따라 카메라는 차량의 하부에서 다른 위치를 촬영할 수 있다.
종래 기술의 경우, 카메라가 획득한 차량의 하부 이미지와 차량의 기준 하부 이미지를 비교하여 차이가 있다면 검사 대상인 차량에 이상이 있다고 판단할 수 있다. 이때, 만약 차량의 미세한 위치 차이 때문에 카메라가 의도한 촬영 위치와는 다른 차량의 하부를 촬영할 경우, 차량의 모든 하부 부품의 위치가 정상임에도 차량의 하부 이미지와 차량의 기준 하부 이미지가 상이하여 차량을 불량이라고 오인할 수 있는 문제가 생길 수 있다.
도 3(b)를 참조하면, 종래 기술의 경우 카메라가 획득한 하부 이미지를 기준 하부 이미지와 비교하여 차이가 있는 부분을 불량이라고 판단할 수 있다.
차량의 하부에는 연료호스, 케이블 등 소프트 재질의 와이어가 부착되어 있는 경우가 있다. 이때, 연료 호스 및 케이블 같은 부품의 경우 기준 하부 이미지와는 다른 형태를 하거나 다른 위치에 있더라도 차량에는 아무 이상이 없는 경우가 있을 수 있다.
또한, 차량의 하부는 단순한 오물이나 이물에 의해 오염될 수 있으며, 이는 차량의 하부 부품의 불량 여부와는 아무 상관이 없을 수 있다.
하지만, 전술할 바와 같이 차량에는 아무 이상이 없더라도, 연료호스 및 케이블이 다른 형태를 하거나, 연료호스 및 케이블이 다른 위치에 있거나, 단순히 오물이나 이물에 의해 차량 하부의 특정 부분이 오염된 경우 종래기술에 따라 단순히 획득된 차량의 하부 이미지와 차량의 기준 하부 이미지를 비교하면 검사 대상인 차량이 불량이라고 판단하는 문제가 생길 수 있다.
도 4(a)는 차량의 하부 이미지에서 제 1 객체와 제 2 객체를 인식하는 실시예를 나타낸 도면이며, 도 4(b)는 제 1 객체 및 제 2 객체 사이의 상대적 거리 및 상대적 각도를 나타낸 도면이다.
도 4(a)를 참조하면, 검사의 대상은 제 1 카메라(110)가 획득한 차량(200)의 하부 이미지(300)일 수 있다. 또한, 프로세서(130)는 제 1 객체(301) 및 제 2 객체(302)를 인식할 수 있다.
사용자는 차량(200)의 기준 하부 이미지(400)에서 A1(클램프)와 A2(볼트)를 제 1 객체(301)로 미리 설정할 수 있다. 이때, 프로세서(130)는 차량(200)의 하부 이미지(300)에서 A1과 A2를 재 1 객체로 인식할 수 있다.
또한, 제 2 객체(302)는 제 1 객체(301)와 마찬가지로 복수개일 수 있다. 예를 들어, 프로세서(130)는 검사대상인 P1, P2, P3를 제 2 객체(302)로 인식할 수 있다.
프로세서(130)는 제 1 객체(301) 및 제 2 객체(302)간 상대적 위치에 기초하여 차량(200)의 불량 여부를 결정할 수 있다. 예를 들어, 프로세서(130)는 A1과 P1간 상대적 위치, A1과 P2간 상대적 위치, A1과 P3간 상대적 위치, A2와 P1간 상대적 위치, A2와 P2간 상대적 위치, A2와 P3간 상대적 위치에 기초하여 차량(200)의 불량 여부를 결정할 수 있다.
프로세서(130)는 미리 설정된 객체 중 어느 하나의 객체를 인식하는데 실패하면 인식하는데 실패한 객체를 제외한 미리 설정된 객체를 제 1 객체(301)로 인식할 수 있다.
예를 들어, 프로세서(130)가 차량(200)의 하부 이미지(300)에서 A2(볼트)를 제 1 객체(301)로 인식하지 못한 경우 A1(클램프)만을 제 1 객체(301)로 인식하고, A1만을 기준으로 한 제 2 객체(302)들의 상대적인 위치를 이용할 수 있다.
프로세서(130)는 제 2 객체(302) 중 적어도 하나를 제 3 객체로 결정할 수 있다. 예를 들어, 프로세서(130)는 차량(200)의 하부 이미지(300)에서 P1, P2, P3 중 P1을 제 3 객체로 결정할 수 있다.
프로세서(130)는 차량(200)의 하부 이미지(300)에 기초하여 제 3 객체 및 제 3 객체로 결정되지 않은 제 2 객체(302)간 상대적 거리 및 상대적 각도를 계산할 수 있다. 또한, 프로세서(130)는 제 3 객체 및 제 3 객체로 결정되지 않은 제 2 객체(302)간 상대적 거리 및 상대적 각도에 기초하여 차량(200)의 불량 여부를 결정할 수 있다.
예를 들어, 프로세서(130)는 제 3 객체로 결정된 P1과 제 3 객체로 결정되지 않은 제 2 객체(302)인 P2 및 P3 사이의 상대적 거리 및 상대적 각도를 계산할 수 있다. 이때, 프로세서(130)는 P1과 P2간 상대적 위치 및 상대적 각도, P1과 P3간 상대적 위치 및 상대적 각도에 기초하여 차량(200)의 불량 여부를 결정할 수 있다.
도 4(b)를 참조하면, 도 4(b)는 제 1 객체(301)인 A1 및 A2 와 제 2 객체(302)인 P2사이의 상대적 위치를 나타내고 있다.
프로세서(130)는 제 1 객체(301) 및 제 2 객체(302)간 차량(200)의 하부 이미지(300)에서의 거리 및 제 1 객체(301) 및 제 2 객체(302)의 차량(200)의 하부 이미지(300)에서의 크기에 기초하여 제 1 객체(301) 및 제 2 객체(302) 사이의 상대적 거리를 계산할 수 있다.
프로세서(130)는 제 1 객체(301) 및 제 2 객체(302)간 차량(200)의 하부 이미지(300)에서의 거리에 기초하여 차량(200)의 불량 여부를 판단할 수도 있으나, 차량(200)과 제 1 카메라(110)와의 거리가 언제나 일정한 것이 아니라면 문제가 생길 수 있다.
즉, 차량(200)과 제 1 카메라(110)와의 거리에 따라 제 1 객체(301) 및 제 2 객체(302)간 차량(200)의 하부 이미지(300)에서의 거리는 달라질 수 있으므로, 차량(200)과 제 1 카메라(110)와의 거리에 상관 없이 차량(200)의 불량 여부를 판단할 수 있도록 제 1 객체(301) 및 제 2 객체(302)간 차량(200)의 하부 이미지(300)에서의 거리가 아닌 제 1 객체(301) 및 제 2 객체(302)간 상대적 거리에 기초하여 차량(200)의 불량 여부를 판단하는 것이 바람직할 수 있다.
또한, 프로세서(130)가 제 1 객체(301) 및 제 2 객체(302)간 차량(200)의 하부 이미지(300)에서의 거리에 기초하여 차량(200)의 불량 여부를 판단할 경우, 차량(200)이 제 1 카메라(110)에 대하여 언제나 동일한 위치에서 검사를 받는 것이 아니라면 문제가 생길 수 있다.
차량 검사 장치(100)에 대한 차량(200)의 위치는 차량(200)을 검사할 때마다 미세하게 다를 수 있다. 이때, 제 1 객체(301) 및 제 2 객체(302)간 차량(200)의 하부 이미지(300)에서의 거리 또한 각 검사과정마다 달라질 수 있다. 따라서, 제 1 카메라(110)에 대한 차량(200)의 위치에 상관 없이 차량(200)의 불량 여부를 판단할 수 있도록 제 1 객체(301) 및 제 2 객체(302)간 차량(200)의 하부 이미지(300)에서의 거리가 아닌 제 1 객체(301) 및 제 2 객체(302)간 상대적 거리에 기초하여 차량(200)의 불량 여부를 판단하는 것이 바람직할 수 있다.
예를 들어, 제 1 객체(301)인 A1 및 제 2 객체(302)인 P2간 차량(200)의 하부 이미지(300)에서의 거리는 d(A1,P2)일 수 있다. 또한, A1의 차량(200)의 하부 이미지(300)에서의 세로 길이는 A1_h이고, P2의 차량(200)의 하부 이미지(300)에서의 세로 길이는 P2_h일 수 있다.
이때, 프로세서(130)는 d(A1,P2)를 A1_h와 P2_h를 곱한 값(A1_h × P2_h)으로 나눠서 A1 및 P2 사이의 상대적 거리(d'(A1,P2))를 계산할 수 있다. 즉, 프로세서(130)는 수학식 1에 따라 A1 및 P2 사이의 상대적 거리(d'(A1,P2))를 계산할 수 있다.
<수학식 1>
d'(A1,P2) = d(A1,P2)/(A1_h × P2_h)
프로세서(130)는 차량(200)의 하부 이미지(300)에 기초하여 계산된 제 1 객체(301) 및 제 2 객체(302)간 상대적 거리 및 차량(200)의 기준 하부 이미지(400)에서의 제 1 객체(301) 및 제 2 객체(302)간 상대적 거리를 비교할 수 있다.
이때, 차량(200)의 하부 이미지(300)에 기초하여 계산된 제 1 객체(301) 및 제 2 객체(302)간 상대적 거리값이 차량(200)의 기준 하부 이미지(400)에서의 제 1 객체(301) 및 제 2 객체(302)간 상대적 거리값으로부터 임계값 내에 존재하면 프로세서(130)는 검사 대상이었던 제 2 객체(302) 또는 검사 대상 차량(200)을 정상으로 판정할 수 있다.
반대로, 차량(200)의 하부 이미지(300)에 기초하여 계산된 제 1 객체(301) 및 제 2 객체(302)간 상대적 거리값이 차량(200)의 기준 하부 이미지(400)에서의 제 1 객체(301) 및 제 2 객체(302)간 상대적 거리값으로부터 임계값 내에 존재하지 않으면, 프로세서(130)는 검사 대상이었던 제 2 객체(302) 또는 검사 대상 차량(200)을 불량으로 판정할 수 있다.
프로세서(130)는 차량(200)의 하부 이미지(300)에 기초하여 제 1 객체(301) 및 제 2 객체(302) 사이의 상대적 각도를 계산할 수 있다.
예를 들어, 프로세서(130)는 제 1 객체(301)인 A1과 제 2 객체(302)인 P2 사이의 상대적 각도를 θ(A1,P2)로 계산하고, 제 1 객체(301)인 A2와 제 2 객체(302)인 P2 사이의 상대적 각도를 θ(A2,P2)로 계산할 수 있다.
프로세서(130)는 계산된 상대적 각도에 기초하여 차량(200)의 불량 여부를 결정할 수 있다.
구체적으로, 프로세서(130)는 차량(200)의 하부 이미지(300)에 기초하여 계산된 제 1 객체(301) 및 제 2 객체(302)간 상대적 각도 및 차량(200)의 기준 하부 이미지(400)에서의 제 1 객체(301) 및 제 2 객체(302)간 상대적 각도를 비교할 수 있다.
이때, 차량(200)의 하부 이미지(300)에 기초하여 계산된 제 1 객체(301) 및 제 2 객체(302)간 상대적 각도값이 차량(200)의 기준 하부 이미지(400)에서의 제 1 객체(301) 및 제 2 객체(302)간 상대적 각도값으로부터 임계값 내에 존재하면 프로세서(130)는 검사 대상이었던 제 2 객체(302) 또는 검사 대상 차량(200)을 정상으로 판정할 수 있다.
반대로, 차량(200)의 하부 이미지(300)에 기초하여 계산된 제 1 객체(301) 및 제 2 객체(302)간 상대적 각도값이 차량(200)의 기준 하부 이미지(400)에서의 제 1 객체(301) 및 제 2 객체(302)간 상대적 각도값으로부터 임계값 내에 존재하지 않으면, 프로세서(130)는 검사 대상이었던 제 2 객체(302) 또는 검사 대상 차량(200)을 불량으로 판정할 수 있다.
도 5(a)는 차량의 하부 이미지에서 인식한 제 1 객체와 제 2 객체(302)를 나타낸 도면이며, 도 5(b)는 제 1 객체 및 제 2 객체(302) 사이의 상대적 거리 및 상대적 각도를 정리한 표이다.
도 5(a)를 참조하면, 프로세서(130)는 A1 및 A2를 제 1 객체(301)로, P1, P2 및 P3를 제 2 객체(302)로 인식할 수 있다.
도 5(b)의 표를 참조하면 제 1 객체(301) 및 제 2 객체(302)간 상대적 거리값과 제 1 객체(301) 및 제 2 객체(302)간 상대적 각도값이 좌표로 정리되어 있을 수 있다.
즉, 제 1 객체(301) 및 제 2 객체(302)간 상대적 거리는 하나의 값이 아니라 A1 및 P1간 상대적 거리, A1 및 P2간 상대적 거리, A1 및 P3간 상대적 거리, A2 및 P1간 상대적 거리, A2 및 P2간 상대적 거리, A2 및 P3간 상대적 거리가 각각 존재하는 것처럼 복수개일 있다.
또한, 제 1 객체(301) 및 제 2 객체(302)간 상대적 각도는 하나의 값이 아니라 A1 및 P1간 상대적 각도, A1 및 P2간 상대적 각도, A1 및 P3간 상대적 각도, A2 및 P1간 상대적 각도, A2 및 P2간 상대적 각도, A2 및 P3간 상대적 각도가 각각 존재하는 것처럼 복수개일 있다.
즉, 차량(200)의 하부 이미지(300)에 기초하여 계산된 복수개의 상대적 거리값 각각이 차량(200)의 기준 하부 이미지(400)에서의 각각의 제 1 객체(301) 및 제 2 객체(302)간 상대적 거리값으로부터 임계값 내에 전부 존재할 경우, 프로세서(130)는 검사 대상이었던 제 2 객체(302)들 및 검사 대상 차량(200)을 정상으로 판정할 수 있다.
반면에, 차량(200)의 하부 이미지(300)에 기초하여 계산된 복수개의 상대적 거리값 중 하나라도 차량(200)의 기준 하부 이미지(400)에서의 각각의 제 1 객체(301) 및 제 2 객체(302)간 상대적 거리값으로부터 임계값 내에 존재하지 않을 경우, 프로세서(130)는 검사 대상이었던 제 2 객체(302)들 및 검사 대상 차량(200)을 불량으로 판정할 수 있다.
또한, 차량(200)의 하부 이미지(300)에 기초하여 계산된 복수개의 상대적 각도값 각각이 차량(200)의 기준 하부 이미지(400)에서의 각각의 제 1 객체(301) 및 제 2 객체(302)간 상대적 각도값으로부터 임계값 내에 전부 존재할 경우, 프로세서(130)는 검사 대상이었던 제 2 객체(302)들 및 검사 대상 차량(200)을 정상으로 판정할 수 있다.
반면에, 차량(200)의 하부 이미지(300)에 기초하여 계산된 복수개의 상대적 각도값 중 하나라도 차량(200)의 기준 하부 이미지(400)에서의 각각의 제 1 객체(301) 및 제 2 객체(302)간 상대적 각도값으로부터 임계값 내에 존재하지 않을 경우, 프로세서(130)는 검사 대상이었던 제 2 객체(302)들 및 검사 대상 차량(200)을 불량으로 판정할 수 있다.
도 6(a)는 기준 하부 이미지에 기초한 제 1 객체(301) 및 제 2 객체(302) 사이의 상대적 거리에 대한 확률 분포를 나타낸 도면이며, 도 6(b)는 기준 하부 이미지에 기초한 제 1 객체(301) 및 제 2 객체(302) 사이의 상대적 각도에 대한 확률 분포를 나타낸 도면이다.
도 6(a) 및 도 6(b)를 참조하면, 프로세서(130)는 하부 이미지(300)에서의 상대적 거리값이 기준 하부 이미지(400)에서의 상대적 거리값으로부터 임계값 내에 존재하는 지 여부 및 하부 이미지(300)에서의 상대적 각도값이 기준 하부 이미지(400)에서의 상대적 각도값으로부터 임계값 내에 존재하는지 여부에 따라 차량(200)의 불량 여부를 결정하는 것이 아니라 다른 방식으로 차량(200)의 불량 여부를 결정할 수 있다.
도 6(a)를 참조하면, 제 1 객체(301)가 2개인 경우, 특정한 제 2 객체(302)와 2개의 제 1 객체(301)간의 상대적 거리가 각각의 축으로 구성되는 확률 평면을 나타낼 수 있다.
이때, 확률 평면은 차량(200)의 기준 하부 이미지(400)에 기초했을 때, 특정한 제 2 객체(302)와 2개의 제 1 객체(301)간 각각의 상대적 거리값에 대한 확률의 분포를 나타내는 평면일 수 있다. 즉, 도 6(a)의 확률 평면은 복수개의 기준 하부 이미지(400)의 데이터에 기초했을 때, 특정한 제 2 객체(302)가 2개의 제 1 객체(301)에 대한 특정 위치에 존재할 수 있는 확률을 나타낸 것일 수 있다.
예를 들어, 제 1 객체(301)가 A1 및 A2인 경우, 도 6(a)를 참조하면, 제 2 객체(302)인 P2가 비록 A1으로부터 일정한 상대적 거리에 있더라도, 즉 d'(A1,P2)가 일정하더라도, P2와 A1간 상대적 거리(d'(A2,P2))에 따라 해당 위치에 P2가 존재할 수 있는 확률은 달라질 수 있다.
도 6(b)를 참조하면 제 1 객체(301)가 2개인 경우, 특정한 제 2 객체(302)와 2개의 제 1 객체(301)간의 상대적 각도가 각각의 축으로 구성되는 확률 평면을 나타낼 수 있다.
이때, 확률 평면은 차량(200)의 기준 하부 이미지(400)에 기초했을 때, 특정한 제 2 객체(302)와 2개의 제 1 객체(301)간 각각의 상대적 각도값에 대한 확률의 분포를 나타내는 평면일 수 있다. 즉, 도 6(a)의 확률 평면은 복수개의 기준 하부 이미지(400)의 데이터에 기초했을 때, 특정한 제 2 객체(302)가 2개의 제 1 객체(301)에 대하여 특정 각도를 나타내는 위치에 존재할 수 있는 확률을 나타낸 것일 수 있다.
예를 들어, 제 1 객체(301)가 A1 및 A2인 경우, 도 6(b)를 참조하면, 제 2 객체(302)인 P2가 비록 A1으로부터 일정한 상대적 각도에 있더라도, 즉 θ(A1,P2)가 일정하더라도, P2와 A1간 상대적 각도(θ(A2,P2))에 따라 해당 위치에 P2가 존재할 수 있는 확률은 달라질 수 있다.
도 6(a) 및 도 6(b)를 참조하면, P2는 A1 및 A2에 대하여 화살표로 나타난 좌표상에 위치할 수 있다. 이때, 확률 평면 상에서 낮은 확률 값을 갖는 경우가 거리나 각도 중 하나라도 나타나는 경우 프로세서(130)는 검사대상인 제 2 객체(302) 및 차량(200)에 이상이 있다고 판단할 수 있다.
예를 들어, 화살표에 의한 P2는 A1 및 A2와의 상대적 거리에 의한 좌표(d'(A1,P2), d'(A2,P2))에서의 확률분포 값에 의하면 해당 위치에 P2가 존재할 확률이 낮지 않다. 하지만, 이때 P2는 A1 및A2와의 상대적 각도에 의한 좌표(θ(A1,P2), θ(A2,P2))에서의 확률분포 값에 의하면 해당 위치에 P2가 존재할 확률이 낮으므로 프로세서(130)는 P2의 위치에 이상이 있다고 결정하거나, 검사 대상인 차량(200)이 불량하다고 결정할 수 있다.
반대로, 화살표에 의한 P2가 A1 및 A2와의 상대적 각도에 의한 좌표에서의 확률분포 값에 의하면 해당 위치에 P2가 존재할 확률이 낮지 않지만, 상대적 거리에 의한 좌표에서의 확률분포 값에 의하면 해당 위치에 P2가 존재할 확률이 낮은 경우에도 프로세서(130)는 P2의 위치에 이상이 있다고 결정하거나, 검사 대상인 차량(200)이 불량하다고 결정할 수 있다.
도 7은 차량의 하부 이미지에서 검사 대상이 아닌 부분이 기준 하부 이미지와 차이가 있는 경우의 실시예를 나타낸 도면이다.
도 7을 참조하면, 차량(200)의 하부 이미지(300)와 기준 하부 이미지(400) 사이에 약간의 차이점이 있을 수 있다.
예를 들어, 원형의 점선으로 표시한 부분은 차량(200)의 하부 이미지(300)와 기준 하부 이미지(400)간 서로 대응하는 부분일 수 있다. 하지만, 같은 차종이더라도 차량(200)의 옵션에 따라 또는 튄 이물질이 묻어있는지 여부 등에 따라 이미지상 대응되는 부분이더라도 이미지상에서 약간의 차이가 있을 수 있다.
종래 기술에 의하면 단순히 차량(200)의 기준 하부 이미지(400) 및 하부 이미지(300) 사이에 차이점이 있는지 여부에 따라 불량 여부를 판단했으므로 전술한 상황에서 실제로는 아무 문제가 없음에도 차량(200)이 불량하다고 결정하는 오류가 발생할 수 있다.
하지만, 본원발명의 실시예에 의하면 사용자가 검사하고 싶은 대상을 제 2 객체(302)로 미리 설정하고, 이러한 제 2 객체(302)와 제 1 객체(301)간 상대적인 위치에 따라 불량 여부를 판단하므로 전술한 오류는 발생하지 않을 수 있다.
예를 들어, 도 7에서 원형의 점선으로 표시한 부분이 제 2 객체(302)로 설정되지 않았다면, 차량(200)의 하부 이미지(300)에서 해당 부분이 차량(200)의 기준 하부 이미지(400)와 차이가 있더라도 프로세서(130)는 차량(200)에 이상이 있다고 판단하지 않을 수 있다.
구체적으로, 차량(200)의 하부 이미지(300)에서 사각형으로 표시되어 있는 제 2 객체(302)의 제 1 객체(301)에 대한 상대적인 위치가 기준 하부 이미지(400)에서의 상대적인 위치와 비교했을 때 문제가 없다면, 프로세서(130)는 차량(200)이 정상이라고 판단할 수 있다.
한편, 본원발명의 또 다른 실시예에 의하면, 프로세서(130)는 차량(200)의 하부 이미지(300)에서의 제 2 객체(302)의 위치가 차량(200)의 기준 하부 이미지에서의 제 2 객체(402)로부터 임계 거리 내에 위치하면 차량(200)을 정상이라고 결정할 수 있다.
즉, 프로세서(130)는 상대적 거리 및 상대적 각도에 기초하지 않고, 차량(200)의 하부 이미지에서의 제 2 객체(302)의 위치 및 차량(200)의 기준 하부 이미지에서의 제 2 객체(402)의 위치에 기초해서 차량(200)의 불량 여부를 결정할 수 있다.
이때, 프로세서(130)는 차량(200)의 하부 이미지(300)에서의 제 2 객체(302)의 위치가 차량(200)의 기준 하부 이미지에서의 제 2 객체(402)로부터 임계 거리 내에 위치하면, 제 1 객체(301)와 제 2 객체(302)간 상대적 위치, 상대적 거리, 상대적 각도 등을 고려하지 않고 차량(200)을 정상이라고 결정할 수 있다.
한편, 프로세서(130)는 차량(200)의 하부 이미지(300)에서의 제 2 객체(302)의 위치가 차량(200)의 기준 하부 이미지에서의 제 2 객체(402)로부터 임계 거리 내에 위치하지 않을 경우, 곧바로 차량(200)에 이상이 있다고 판단하는 것이 아닐 수 있다. 즉, 이때 프로세서(130)는 차량(200)의 하부 이미지(300)에서의 제 1 객체(301) 및 제 2 객체(302)간 상대적 위치에 기초하여 차량(200)의 불량 여부를 추가적으로 판단할 수 있다.
결과적으로, 프로세서(130)는 차량(200)의 하부 이미지(300)에서의 제 2 객체(302)의 위치가 차량(200)의 기준 하부 이미지에서의 제 2 객체(402)로부터 임계 거리 내에 위치하지 않고, 제 1 객체(301) 및 제 2 객체(302)간 상대적 위치에 기초하더라도 제 2 객체(302)의 위치에 이상이 있다고 판단되면 차량(200)이 불량이라고 결정할 수 있다.
또한, 프로세서(130)는 차량(200)의 하부 이미지(300)에서의 제 2 객체(302)의 위치가 차량(200)의 기준 하부 이미지에서의 제 2 객체(402)로부터 임계 거리 내에 위치하지 않더라도, 제 1 객체(301) 및 제 2 객체(302)간 상대적 위치에 기초하면 제 2 객체(302)의 위치에 이상이 없다고 판단되면 검사 대상인 제 2 객체(302) 및 검사 대상 차량(200)이 정상이라고 결정할 수 있다.
이상에서 설명된 구성요소들의 성능에 대응하여 적어도 하나의 구성요소가 추가되거나 삭제될 수 있다. 또한, 구성요소들의 상호 위치는 시스템의 성능 또는 구조에 대응하여 변경될 수 있다는 것은 당해 기술 분야에서 통상의 지식을 가진 자에게 용이하게 이해될 것이다.
도 8은 일 실시예에 따른 차량의 제어방법을 나타낸 절차흐름도이다. 이는 본 발명의 목적을 달성하기 위한 바람직한 실시예일뿐이며, 필요에 따라 일부 구성이 추가되거나 삭제될 수 있음은 물론이다.
도8을 참조하면, 제 1 카메라(110)는 차량(200)의 하부 이미지(300)를 획득할 수 있다(1001). 이때, 제 1 카메라(110)는 획득한 차량(200)의 하부 이미지(300)를 프로세서(130)로 전달할 수 있다.
프로세서(130)는 차량(200)의 하부 이미지(300)에서 적어도 하나의 제 1 객체(301) 및 적어도 하나의 제 2 객체(302)를 인식할 수 있다(1002). 이때, 프로세서(130)는 기계 학습(Machine Learning) 방식을 통해 차량(200)의 하부 이미지(300)를 분석하여 제 1 객체(301) 및 제 2 객체(302)를 인식할 수 있다.
프로세서(130)는 미리 설정된 객체를 차량(200)의 하부 이미지(300)에서 제 1 객체(301)로 인식할 수 있으며, 검사 대상인 객체를 차량(200)의 하부 이미지(300)에서 제 2 객체(302)로 인식할 수 있다.
프로세서(130)는 차량(200)의 기준 하부 이미지(400)에 기초하여 학습 모델을 생성하고, 학습 모델에 기초하여 제 1 객체(301) 및 제 2 객체(302)를 인식할 수 있다.
프로세서(130)는 제 1 객체(301)와 제 2 객체(302)의 차량(200)의 하부 이미지(300)에서의 위치에 기초하여 제 1 객체(301)와 제 2 객체(302) 사이의 상대적 거리를 계산할 수 있다(1003).
이때, 프로세서(130)는 제 1 객체(301) 및 제 2 객체(302)간 차량(200)의 하부 이미지(300)에서의 거리 및 제 1 객체(301) 및 제 2 객체(302)의 차량(200)의 하부 이미지(300)에서의 크기에 기초하여 제 1 객체(301) 및 제 2 객체(302) 사이의 상대적 거리를 계산할 수 있다.
프로세서(130)는 차량(200)의 하부 이미지(300)에 기초하여 제 1 객체(301) 및 제 2 객체(302) 사이의 상대적 각도를 계산할 수 있다(1004).
프로세서(130)는 제 1 객체(301)와 제 2 객체(302) 사이의 상대적 거리 및 상대적 각도에 기초하여 차량(200)의 불량 여부를 결정할 수 있다(1005).
예를 들어, 차량(200)의 하부 이미지(300)에 기초하여 계산된 복수개의 상대적 거리값 각각이 차량(200)의 기준 하부 이미지(400)에서의 각각의 제 1 객체(301) 및 제 2 객체(302)간 상대적 거리값으로부터 임계값 내에 전부 존재할 경우, 프로세서(130)는 검사 대상이었던 제 2 객체(302)들 및 검사 대상 차량(200)을 정상으로 판정할 수 있다.
또한, 차량(200)의 하부 이미지(300)에 기초하여 계산된 복수개의 상대적 각도값 각각이 차량(200)의 기준 하부 이미지(400)에서의 각각의 제 1 객체(301) 및 제 2 객체(302)간 상대적 각도값으로부터 임계값 내에 전부 존재할 경우, 프로세서(130)는 검사 대상이었던 제 2 객체(302)들 및 검사 대상 차량(200)을 정상으로 판정할 수 있다.
반면에, 차량(200)의 하부 이미지(300)에 기초하여 계산된 복수개의 상대적 거리값 및 각도값 중 하나라도 차량(200)의 기준 하부 이미지(400)에서의 각각의 제 1 객체(301) 및 제 2 객체(302)간 상대적 거리값 및 각도값으로부터 임계값 내에 존재하지 않을 경우, 프로세서(130)는 검사 대상이었던 제 2 객체(302) 및 검사 대상 차량(200)을 불량으로 판정할 수 있다.
또 다른 실시예에 의하면, 프로세서(130)는 확률 평면 상에서 낮은 확률 값을 갖는 경우가 거리나 각도 중 하나라도 나타나는 경우 검사대상인 제 2 객체(302) 및 차량(200)에 이상이 있다고 판단할 수 있다.
도 9는 또 다른 실시예에 따른 차량의 검사 방법을 나타낸 절차흐름도이다.
도9를 참조하면, 프로세서(130)는 차량(200)의 기준 하부 이미지(400)에 기초하여 학습 모델을 생성할 수 있다(2001). 여기서, 학습 모델은 복수개의 기준 하부 이미지(400) 데이터의 학습을 통해 생성될 수 있다.
한편, 차량(200)의 차종마다 대응되는 기준 하부 이미지(400)가 다를 수 있으며, 학습 모델 또한 어떤 차종의 기준 하부 이미지(400) 데이터를 학습했느냐에 따라 다를 수 있다. 따라서, 학습 모델은 복수개일 수 있으며, 차량(200)의 차종마다 생성되는 학습 모델이 다를 수 있다.
제 2 카메라(120)는 차량(200)의 외관 이미지를 획득할 수 있다(2002). 이때, 제 2 카메라(120)는 획득한 차량(200)의 외관 이미지를 프로세서(130)에 전달할 수 있다.
프로세서(130)는 차량(200)의 외관 이미지에 기초하여 차량(200)의 차종을 결정할 수 있다(2003).
이때, 프로세서(130)는 획득한 차량(200)의 외관 이미지에 대응하는 차량(200)의 이미지 정보를 메모리(140)에서 결정하고, 결정된 차량(200)의 이미지 정보에 대응하는 차종을 차량(200)의 차종으로 결정할 수 있다(2004).
프로세서(130)는 결정된 차량(200)의 차종에 기초하여 복수개의 학습 모델 중 결정된 차종에 대응하는 하나의 학습 모델을 결정할 수 있다. 이때, 프로세서(130)는 결정된 학습 모델에 기초하여 차량(200)의 하부 이미지(300)에서 제 1 객체(301) 및 제 2 객체(302)를 인식할 수 있다(2005).
프로세서(130)는 차량(200)의 하부 이미지(300)에서의 제 2 객체(302)의 위치가 차량(200)의 기준 하부 이미지에서의 제 2 객체(402)로부터 임계 거리 내에 위치하는지 판단할 수 있다(2006).
만약 제 2 객체(302)의 위치가 차량(200)의 기준 하부 이미지에서의 제 2 객체(402)로부터 임계 거리 내에 위치하면(2006의 '예'), 프로세서(130)는 검사 대상인 차량(200)을 정상으로 판정할 수 있다(2009).
만약 제 2 객체(302)의 위치가 차량(200)의 기준 하부 이미지에서의 제 2 객체(402)로부터 임계 거리 내에 위치하지 않으면(2006의 '아니오'), 프로세서(130)는 제 1 객체(301)와 제 2 객체(302) 사이의 상대적 거리 및 상대적 각도가 각각 임계값 내에 존재하는지 판단할 수 있다(2007).
만약 제 1 객체(301)와 제 2 객체(302) 사이의 상대적 거리 및 상대적 각도가 각각 임계값 내에 존재하면(2007의 '예'), 프로세서(130)는 검사대상인 차량(200)을 정상으로 판정할 수 있다(2009). 이때, 프로세서(130)는 차량(200)이 정상임을 화면에 표시하도록 디스플레이(150)를 제어할 수 있다.
만약 제 1 객체(301)와 제 2 객체(302) 사이의 상대적 거리 및 상대적 각도가 각각 임계값 내에 존재하지 않으면(2007의 '아니오'), 프로세서(130)는 검사 대상인 차량(200)을 비정상으로 판정할 수 있다(2008). 이때, 프로세서(130)는 차량(200)이 비정상임을 화면에 표시하도록 디스플레이(150)를 제어할 수 있다.
이상에서와 같이 첨부된 도면을 참조하여 개시된 실시예들을 설명하였다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고도, 개시된 실시예들과 다른 형태로 본 발명이 실시될 수 있음을 이해할 것이다. 개시된 실시예들은 예시적인 것이며, 한정적으로 해석되어서는 안 된다.
100: 차량 검사 장치
110: 제 1 카메라
120: 제 2 카메라
130: 프로세서
140: 메모리
150: 디스플레이
200: 차량
300: 하부 이미지
301: 제 1 객체
302: 제 2 객체
400: 기준 하부 이미지
402: 기준 하부 이미지에서의 제 2 객체

Claims (24)

  1. 차량의 하부 이미지를 획득하는 제 1 카메라; 및
    프로세서;를 포함하고,
    상기 프로세서는,
    상기 차량의 하부 이미지에서 적어도 하나의 제 1 객체 및 적어도 하나의 제 2 객체를 인식하고,
    상기 제 1 객체 및 상기 제 2 객체간 상대적 위치에 기초하여 상기 차량의 불량 여부를 결정하는 차량 검사 장치.
  2. 제1항에 있어서,
    상기 프로세서는,
    미리 설정된 객체를 상기 차량의 하부 이미지에서 상기 제 1 객체로 인식하고,
    검사의 대상인 객체를 상기 차량의 하부 이미지에서 상기 제 2 객체로 인식하는 차량 검사 장치.
  3. 제2항에 있어서,
    상기 프로세서는,
    복수개의 상기 미리 설정된 객체 중 어느 하나의 객체를 인식하는데 실패하면 인식하는데 실패한 상기 객체를 제외한 상기 미리 설정된 객체를 상기 제 1 객체로 인식하는 차량 검사 장치.
  4. 제1항에 있어서,
    상기 프로세서는,
    상기 제 1 객체 및 상기 제 2 객체간 상기 차량의 하부 이미지에서의 거리 및 상기 제 1 객체 및 상기 제 2 객체의 상기 차량의 하부 이미지에서의 크기에 기초하여 상기 제 1 객체 및 상기 제 2 객체 사이의 상대적 거리를 계산하고,
    상기 상대적 거리에 기초하여 상기 차량의 불량 여부를 결정하는 차량 검사 장치.
  5. 제1항에 있어서,
    상기 프로세서는,
    상기 차량의 하부 이미지에 기초하여 상기 제 1 객체 및 상기 제 2 객체 사이의 상대적 각도를 계산하고,
    상기 상대적 각도에 기초하여 상기 차량의 불량 여부를 결정하는 차량 검사 장치.
  6. 제1항에 있어서,
    상기 프로세서는,
    상기 제 2 객체 중 적어도 하나를 제 3 객체로 결정하고,
    상기 차량의 하부 이미지에 기초하여 상기 제 3 객체 및 상기 제 3 객체로 결정되지 않은 상기 제 2 객체간 상대적 거리를 계산하고,
    상기 제 3 객체 및 상기 제 3 객체로 결정되지 않은 상기 제 2 객체간 상대적 거리에 기초하여 상기 차량의 불량 여부를 결정하는 차량 검사 장치.
  7. 제1항에 있어서,
    상기 프로세서는,
    기계 학습(Machine Learning) 방식을 통해 상기 차량의 하부 이미지를 분석하여 제 1 객체 및 제 2 객체를 인식하는 차량 검사 장치.
  8. 제7항에 있어서,
    상기 프로세서는,
    상기 차량의 기준 하부 이미지에 기초하여 학습 모델을 생성하고,
    상기 학습 모델에 기초하여 상기 제 1 객체 및 제 2 객체를 인식하는 차량 검사 장치.
  9. 제8항에 있어서,
    상기 차량의 외관 이미지를 획득하는 제 2 카메라;를 더 포함하고,
    상기 프로세서는,
    상기 차량의 외관 이미지에 기초하여 상기 차량의 차종을 결정하고,
    상기 결정된 차량의 차종에 기초하여 복수개의 상기 학습 모델 중 상기 차량의 차종에 대응하는 하나의 학습 모델을 결정하고,
    상기 결정된 학습 모델에 기초하여 상기 제 1 객체 및 제 2 객체를 인식하는 차량 검사 장치.
  10. 제1항에 있어서,
    상기 프로세서는,
    상기 차량의 하부 이미지에서의 상기 제 2 객체의 위치가 상기 차량의 기준 하부 이미지에서의 상기 제 2 객체로부터 임계 거리 내에 위치하면 상기 차량을 정상이라고 결정하는 차량 검사 장치.
  11. 제1항에 있어서,
    디스플레이;를 더 포함하고,
    상기 프로세서는,
    상기 차량의 불량 여부를 표시하도록 상기 디스플레이를 제어하는 차량 검사 장치.
  12. 제1항에 있어서,
    메모리;를 더 포함하고,
    상기 프로세서는,
    상기 차량의 불량 여부의 정보를 상기 메모리에 저장하는 차량 검사 장치.
  13. 차량의 하부 이미지를 획득하고;
    상기 차량의 하부 이미지에서 적어도 하나의 제 1 객체 및 적어도 하나의 제 2 객체를 인식하고;
    상기 제 1 객체 및 상기 제 2 객체간 상대적 위치에 기초하여 상기 차량의 불량 여부를 결정하는 것;을 포함하는 차량의 검사 방법.
  14. 제13항에 있어서,
    상기 적어도 하나의 제 1 객체 및 적어도 하나의 제 2 객체를 인식하는 것은,
    미리 설정된 객체를 상기 차량의 하부 이미지에서 상기 제 1 객체로 인식하고,
    검사의 대상인 객체를 상기 차량의 하부 이미지에서 상기 제 2 객체로 인식하는 것;을 포함하는 차량의 검사 방법.
  15. 제14항에 있어서,
    상기 미리 설정된 객체를 상기 차량의 하부 이미지에서 상기 제 1 객체로 인식하는 것은,
    복수개의 상기 미리 설정된 객체 중 어느 하나의 객체를 인식하는데 실패하면 인식하는데 실패한 상기 객체를 제외한 상기 미리 설정된 객체를 상기 제 1 객체로 인식하는 것;을 포함하는 차량의 검사 방법.
  16. 제13항에 있어서,
    상기 제 1 객체 및 상기 제 2 객체간 상기 차량의 하부 이미지에서의 거리 및 상기 제 1 객체 및 상기 제 2 객체의 상기 차량의 하부 이미지에서의 크기에 기초하여 상기 제 1 객체 및 상기 제 2 객체 사이의 상대적 거리를 계산하는 것;을 더 포함하고,
    상기 제 1 객체 및 상기 제 2 객체간 상대적 위치에 기초하여 상기 차량의 불량 여부를 결정하는 것은,
    상기 상대적 거리에 기초하여 상기 차량의 불량 여부를 결정하는 것;을 포함하는 차량의 검사 방법.
  17. 제13항에 있어서,
    상기 차량의 하부 이미지에 기초하여 상기 제 1 객체 및 상기 제 2 객체 사이의 상대적 각도를 계산하고;
    상기 상대적 각도에 기초하여 상기 차량의 불량 여부를 결정하는 것;을 더 포함하는 차량의 검사 방법.
  18. 제13항에 있어서,
    상기 제 2 객체 중 적어도 하나를 제 3 객체로 결정하고;
    상기 차량의 하부 이미지에 기초하여 상기 제 3 객체 및 상기 제 3 객체로 결정되지 않은 상기 제 2 객체간 상대적 거리를 계산하고;
    상기 제 3 객체 및 상기 제 3 객체로 결정되지 않은 상기 제 2 객체간 상대적 거리에 기초하여 상기 차량의 불량 여부를 결정하는 것;을 더 포함하는 차량의 검사 방법.
  19. 제13항에 있어서,
    상기 적어도 하나의 제 1 객체 및 적어도 하나의 제 2 객체를 인식하는 것은,
    기계 학습(Machine Learning) 방식을 통해 상기 차량의 하부 이미지를 분석하여 제 1 객체 및 제 2 객체를 인식하는 것;을 포함하는 차량의 검사 방법.
  20. 제19항에 있어서,
    상기 차량의 기준 하부 이미지에 기초하여 학습 모델을 생성하는 것;을 더 포함하고,
    상기 적어도 하나의 제 1 객체 및 적어도 하나의 제 2 객체를 인식하는 것은,
    상기 학습 모델에 기초하여 상기 제 1 객체 및 제 2 객체를 인식하는 것;을 포함하는 차량의 검사 방법.
  21. 제20항에 있어서,
    상기 차량의 외관 이미지를 획득하고;
    상기 차량의 외관 이미지에 기초하여 상기 차량의 차종을 결정하고;
    상기 결정된 차량의 차종에 기초하여 복수개의 상기 학습 모델 중 상기 차량의 차종에 대응하는 하나의 학습 모델을 결정하는 것;을 더 포함하고,
    상기 적어도 하나의 제 1 객체 및 적어도 하나의 제 2 객체를 인식하는 것은,
    상기 결정된 학습 모델에 기초하여 상기 제 1 객체 및 제 2 객체를 인식하는 것;을 포함하는 차량의 검사 방법.
  22. 제13항에 있어서,
    상기 차량의 하부 이미지에서의 상기 제 2 객체의 위치가 상기 차량의 기준 하부 이미지에서의 상기 제 2 객체로부터 임계 거리 내에 위치하면 상기 차량을 정상이라고 결정하는 것;을 더 포함하는 차량의 검사 방법.
  23. 제13항에 있어서,
    상기 차량의 불량 여부를 표시하도록 디스플레이를 제어하는 것;을 더 포함하는 차량의 검사 방법.
  24. 제13항에 있어서,
    상기 차량의 불량 여부의 정보를 메모리에 저장하는 것;을 더 포함하는 차량의 검사 방법.
KR1020210035231A 2021-03-18 2021-03-18 차량 검사 장치 및 차량의 검사 방법 KR20220130398A (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020210035231A KR20220130398A (ko) 2021-03-18 2021-03-18 차량 검사 장치 및 차량의 검사 방법
US17/548,927 US20220301148A1 (en) 2021-03-18 2021-12-13 Inspection device for vehicle and method for inspecting the vehicle
DE102021214595.7A DE102021214595A1 (de) 2021-03-18 2021-12-17 Inspektionsvorrichtung für ein fahrzeug und verfahren zum inspizieren des fahrzeugs
CN202111568615.0A CN115115930A (zh) 2021-03-18 2021-12-21 用于车辆的检查设备和用于检查车辆的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210035231A KR20220130398A (ko) 2021-03-18 2021-03-18 차량 검사 장치 및 차량의 검사 방법

Publications (1)

Publication Number Publication Date
KR20220130398A true KR20220130398A (ko) 2022-09-27

Family

ID=83115127

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210035231A KR20220130398A (ko) 2021-03-18 2021-03-18 차량 검사 장치 및 차량의 검사 방법

Country Status (4)

Country Link
US (1) US20220301148A1 (ko)
KR (1) KR20220130398A (ko)
CN (1) CN115115930A (ko)
DE (1) DE102021214595A1 (ko)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10643403B2 (en) * 2012-08-20 2020-05-05 Innova Electronics Corporation Predictive diagnostic method and system
US10643332B2 (en) * 2018-03-29 2020-05-05 Uveye Ltd. Method of vehicle image comparison and system thereof
CN112394035B (zh) * 2021-01-21 2021-04-09 佛山市南海盐步康士柏机电有限公司 一种智能汽车底盘检测方法及装置

Also Published As

Publication number Publication date
DE102021214595A1 (de) 2022-09-22
CN115115930A (zh) 2022-09-27
US20220301148A1 (en) 2022-09-22

Similar Documents

Publication Publication Date Title
EP3502966B1 (en) Data generation apparatus, data generation method, and data generation program
US11587219B2 (en) Method and apparatus for detecting pixel defect of optical module, and device
US7409081B2 (en) Apparatus and computer-readable medium for assisting image classification
JP6723373B2 (ja) 保存画像の再分類システム及び再分類方法
KR20220041212A (ko) 거짓점 결함 검출 기반의 pcb 유지보수 시스템 및 유지보수 방법
CN112884743B (zh) 检测方法及装置、检测设备和存储介质
CN108492327B (zh) Aoi图像匹配方法、系统、可读存储介质及智能设备
JP7153142B2 (ja) レシピ情報提示システム、レシピエラー推定システム
CN115731208A (zh) 金属复杂面高精度缺陷检测方法、装置、设备及存储介质
US6807288B2 (en) Image processing apparatus, image processing method, and recording medium recording image processing program
US6885777B2 (en) Apparatus and method of determining image processing parameter, and recording medium recording a program for the same
US20240029234A1 (en) Method for inspecting a correct execution of a processing step of components, in particular a wiring harness, data structure, and system
KR20220130398A (ko) 차량 검사 장치 및 차량의 검사 방법
CN113554645A (zh) 基于wgan的工业异常检测方法和装置
CN115375610A (zh) 检测方法及装置、检测设备和存储介质
JP6708695B2 (ja) 検査装置
KR102091014B1 (ko) 머신 비전 장치 및 머신 비전을 이용한 제품 검사 방법
US20060034506A1 (en) Machine vision analysis system and method
KR20190061660A (ko) 전경 영상 기반의 제품 검사 장치 및 방법
US10241000B2 (en) Method for checking the position of characteristic points in light distributions
JP6734190B2 (ja) ハーネス保持部材の外観検査装置及びハーネス保持部材の外観検査方法
CN115861161A (zh) 机器学习系统、学习数据收集方法以及存储介质
KR102000938B1 (ko) 영역 지정에 따른 지능형 판정 기준의 자동 설정 방법 및 그에 의한 스마트 학습 방식의 엑스레이 검사 방법
JP2017198510A (ja) 画像検査装置、画像検査方法及び画像検査プログラム
JP6289844B2 (ja) 診断装置及び診断方法

Legal Events

Date Code Title Description
A201 Request for examination