KR20220160470A - 불량 검출 장치 - Google Patents

불량 검출 장치 Download PDF

Info

Publication number
KR20220160470A
KR20220160470A KR1020220037338A KR20220037338A KR20220160470A KR 20220160470 A KR20220160470 A KR 20220160470A KR 1020220037338 A KR1020220037338 A KR 1020220037338A KR 20220037338 A KR20220037338 A KR 20220037338A KR 20220160470 A KR20220160470 A KR 20220160470A
Authority
KR
South Korea
Prior art keywords
product
defect
defective
detection device
pattern
Prior art date
Application number
KR1020220037338A
Other languages
English (en)
Other versions
KR102516482B1 (ko
Inventor
김병규
최영주
박혜진
Original Assignee
(주) 프로젝트노아
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 (주) 프로젝트노아 filed Critical (주) 프로젝트노아
Priority to PCT/KR2022/007517 priority Critical patent/WO2022250481A1/ko
Publication of KR20220160470A publication Critical patent/KR20220160470A/ko
Application granted granted Critical
Publication of KR102516482B1 publication Critical patent/KR102516482B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/34—Sorting according to other particular properties
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/36—Sorting apparatus characterised by the means used for distribution
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8861—Determining coordinates of flaws
    • G01N2021/8864—Mapping zones of defects
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/888—Marking defects
    • 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
    • G01N2021/8883—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 involving the calculation of gauges, generating models
    • 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
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
    • G01N2021/95615—Inspecting patterns on the surface of objects using a comparative method with stored comparision signal
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1296—Using chemometrical methods using neural networks
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

본 발명은, 디스플레이 모듈, 생산 공정에서 생산된 제품의 영상을 출력하는 카메라 모듈 및 상기 영상에서 분할한 복수의 제품 영역 중 설정된 제품 불량 영역과 매칭되는 특정 불량 영역을 검출하고, 상기 특정 불량 영역에 대한 불량 패턴 정보를 생성하여 상기 디스플레이 모듈에 디스플레이하는 제어 모듈을 포함하는 불량 검출 장치를 제공한다.

Description

불량 검출 장치{Defect detection device}
본 발명은 불량 검출 장치에 관한 것으로서, 더욱 상세하게는, 딥러닝을 기반으로 생산 공정에서 생산된 제품의 불량을 검출하기 용이한 불량 검출 장치에 관한 것이다.
종래의 계층적 DNN(Deep Neural Network) 기반 얼굴 표정을 통한 감정인식 기술(IEEE Access 2019, 7)에 게재되어 비디오 기반 감정인식 시스템 구축 등에 활용되고 있는 딥러닝 기술은, 실시간 대화형 시스템에서 상대방의 표정을 읽어 낼 수 있다. 이 기술은 공개된 표정 인식 데이터셋 4종(CK+, JAFFE, FERA, AffectNet)에서 실험을 거쳐 그 성능을 확인되었다.
일반적인 딥러닝 식별기 구조는 학습 데이터를 입력하면 전처리와 LBP(Local Binary Pattern)과정을 거치고, 피처 기반 CNN을 거쳐 특징 벡터를 추출한다.
또한, 입력 데이터로부터 오토인코딩을 이용하여 neutral image를 생성한다. neutral image와 특징 벡터에 기초한 감정 쌍을 CNN 기법으로 지오메트릭 특징 벡터를 생성한 후, 가중치를 고려하여 감정을 분류할 수 있다.
한편, 칫솔 제조시, 행해지는 불량 검수는 칫솔모 끝부분과 칫솔모가 심어진 부분, 칫솔 손잡이 등 다양한 부분의 검수가 요구된다. 특히 플라스틱 칫솔과 비교하여 대나무 칫솔의 불량은 더욱 다양하게 나타나는데, 대나무 칫솔 제조공정에서 원자재의 불량(치수, 깨짐, 뜯김, 색상)뿐만 아니라, 최종 제품의 불량(식모, 깨짐, 뜯김, 색상)을 높은 정확도로 판별해 내야 한다.
이러한 이유로 칫솔 불량 검수의 자동화의 필요성이 높아졌으나, 현재 일부 항목(원자재 및 최종 제품의 치수)만 검수할 수 있다거나 검수 성공률(칫솔 헤드에 발생한 크랙, 식모 품질 검수) 이 낮다는 문제점이 발생하였다.
또한, 검수 과정에서 판별과 함께 중요한 부분이 후처리하는 과정으로, 판별된 제품 중 후처리하여 양품이 되도록 하여 최종 불량률을 낮추게 하는 후처리 자동화도 함께 요구하며, 이러한 문제를 해결하기 위한 연구를 진행하고 있다.
본 발명의 목적은, 딥러닝을 기반으로 생산 공정에서 생산된 제품의 불량을 검출하기 용이한 불량 검출 장치를 제공함에 있다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
본 발명에 따른 불량 검출 장치는, 디스플레이 모듈, 생산 공정에서 생산된 제품의 영상을 출력하는 카메라 모듈 및 상기 영상에서 분할한 복수의 제품 영역 중 설정된 제품 불량 영역과 매칭되는 특정 불량 영역을 검출하고, 상기 특정 불량 영역에 대한 불량 패턴 정보를 생성하여 상기 디스플레이 모듈에 디스플레이하는 제어 모듈을 포함할 수 있다.
상기 제어 모듈은, 상기 특정 불량 영역을 검출하는 검출기, 상기 특정 불량 영역에서 확인한 불량 패턴을 설정된 기준 불량 패턴에 분류하는 분류기 및 상기 불량 패턴을 기반으로 상기 불량 패턴 정보를 생성하는 정보 출력기를 포함할 수 있다.
상기 검출기는, 상기 영상을 컨볼루션 신경망에 적용하여 상기 제품의 부위에 대응하는 상기 복수의 제품 영역으로 분할하고, 상기 제품 불량 영역과 매칭되는 상기 특정 불량 영역을 검출할 수 있다.
상기 검출기는, R-CNN 검출기일 수 있다.
상기 분류기는, 상기 특정 불량 영역에서 불량에 대한 종류, 위치 및 색상 중 적어도 하나를 포함하는 상기 불량 패턴을 확인하고, 상기 기준 불량 패턴에 분류할 수 있다.
상기 분류기로부터 상기 불량 패턴이 입력되는 경우, 상기 정보 출력기는, 상기 불량 패턴에 포함된 불량에 대한 종류, 위치 및 색상 중 적어도 하나와, 상기 제품에 대한 사후 처리 정보를 상기 디스플레이 모듈에 디스플레이할 수 있다.
상기 사후 처리 정보는, 상기 제품이 폐기 제품이면 폐기 처리 결과 또는 재생 가능 제품이면 재생 처리 결과일 수 있다.
상기 정보 출력기는, 상기 사후 처리 정보에 따라 상기 제품을 폐기 장치 또는 재생 장치로 배출할 수 있다.
본 발명에 따른 불량 검출 장치는, 생산 공정에서 생산된 제품의 불량을 심층 신경망을 통해 학습한 제품 불량 영역과 비교하여 자동 검출하도록 함으로써, 불량 제품을 추출하기 용이한 이점이 있다.
한편, 본 발명의 효과는 이상에서 언급한 효과들로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 효과들이 포함될 수 있다.
도 1은 본 발명에 따른 불량 검출 장치의 제어 구성을 나타낸 제어 블록도이다.
도 2는 본 발명에 따른 불량 검출 장치에서 촬영한 영상을 나타낸 일 예를 나타낸 예시도이다.
도 3은 본 발명에 따른 불량 검출 장치에서 불량 제품을 나타낸 예시도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수개의 관련된 기재된 항목들의 조합 또는 복수개의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수개의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명에 따른 불량 검출 장치의 제어 구성을 나타낸 제어 블록도이다.
도 1을 참조하면, 불량 검출 장치(100)는 디스플레이 모듈(110), 카메라 모듈(120) 및 제어 모듈(130)을 포함할 수 있다.
디스플레이 모듈(110)은 카메라 모듈(120)에서 촬영된 영상(M) 및 제어 모듈(130)에서 출력된 불량 패턴 정보(F)를 디스플레이할 수 있다.
상기 영상(M)은 생산 공정에서 생산된 제품의 영상일 수 있으며, 이에 한정을 두지 않는다.
실시 예에서, 불량 검출 장치(100)는 생산 공정에서 생산된 제품이 양품인지 불량품인지 확인하는 것으로 설명하지만, 제품을 생산하기 이전의 원자재가 양품인지 불량품인지 확인할 수 있으며, 이에 한정을 두지 않는다.
카메라 모듈(120)은 영상(M)을 촬영하여, 디스플레이 모듈(110) 및 제어 모듈(130)로 출력할 수 있다.
여기서, 카레라 모듈(120)는 이미지 센서 또는 비전 센서일 수 있으며, 이에 한정을 두지 않는다.
제어 모듈(130)은 검출기(132), 분류기(134) 및 정보 출력기(136)를 포함할 수 있다.
검출기(132)는 영상(M)에서 제품이 포함된 복수의 제품 영역으로 분할할 수 있다.
이후, 검출기(132)는 복수의 제품 영역 중 설정된 제품 불량 영역과 매칭되는 특정 불량 영역을 검출할 수 있다.
즉, 검출기(132)는 영상(M)을 컨볼루션 신경망에 적용하여 상기 제품의 부위에 대응하는 상기 복수의 제품 영역으로 분할하고, 상기 제품 불량 영역과 매칭되는 상기 특정 불량 영역을 검출할 수 있다.
여기서, 검출기(132)는 R-CNN 검출기일 수 있다. R-CNN 검출기는 영상 내의 영상 영역을 분류하는 객체 검출 프레임워크로써, 슬라이딩 윈도우를 사용하여 각 영역을 불하는 대신 사물을 포함할 가능성이 있는 영역, 즉 상술한 상기 복수의 제품 영역만을 처리할 수 있다.
이때, 검출기(132)는 전이 학습 워크플로우를 따르며, 전이 학습에서는 ImageNet와 같은 대규모의 영상 모음에 대해 훈련된 신경망을 새로운 분류 또는 검출 작업의 시작점으로 사용할 수 있다.
상기 제품 불량 영역은 제품의 부위별로 다양한 불량에 대한 비교 영상 영역으로, 신경망을 통행 사전 훈련될 수 있다.
분류기(134)는 상기 특정 불량 영역에서 확인한 불량 패턴을 설정된 기준 불량 패턴에 분류할 수 있다.
즉, 분류기(134)는 상기 특정 불량 영역에서 불량에 대한 종류, 위치 및 색상 중 적어도 하나를 포함하는 상기 불량 패턴을 확인하고, 상기 기준 불량 패턴에 분류할 수 있다.
정보 출력기(136)는 상기 불량 패턴을 기반으로 상기 불량 패턴 정보를 생성할 수 있다.
즉, 정보 출력기(136)는 상기 불량 패턴의 유무로써, 상기 제품이 양품인지 불량품인지 확인할 수 있다.
정보 출력기(136)는 상기 불량 패턴이 입력되는 경우, 상기 불량 패턴에 불량에 대한 종류, 위치 및 색상 중 적어도 하나와, 상기 제품에 대한 사후 처리 정보를 디스플레이 모듈(110)에 디스플레이할 수 있다.
상기 사후 처리 정보는 상기 제품이 폐기 제품이면 폐기 처리 결과 또는 재생 가능 제품이면 재생 처리 결과일 수 있으며, 이에 한정을 두지 않는다.
정보 출력기(136)는 상기 사후 처리 정보에 따라 상기 제품을 폐기 장치 또는 재생 장치로 배출할 수 있으며, 이에 한정을 두지 않는다.
도 2는 본 발명에 따른 불량 검출 장치에서 촬영한 영상을 나타낸 일 예를 나타낸 예시도 및 도 3은 본 발명에 따른 불량 검출 장치에서 불량 제품을 나타낸 예시도이다.
도 2 및 도 3에 나타낸 영상은 칫솔을 나타내면, 칫솔에 대한 불량을 검출하기 위해 불량 검출 장치가 적용된 것으로 설명한다.
도 2는 대나무 칫솔의 나무의 색상 및 줄기 무늬를 나타내는 예시도일 수 있다.
도 2에 나타낸 바와 같이, 대나무 칫솔의 경우, 나무의 색상 및 줄기 무늬 등을 포함하는 재료의 특성과 제품의 특성에 따라 불량을 판별해야 하는 영역의 색상 및 판별 대상 내 판별 부위의 초점거리가 다르고, 칫솔모가 식모된 모양은 무작위성을 나타내기 때문에 식모 판별 뿐만 아니라 다른 영역 판별에도 영향을 끼쳐 단순 비전 검수로 전체 검수가 어려울 수 있다.
이때, 불량 검출 장치(100)는 칫솔모 및 칫솔대 등 제품의 부위별로 제품 영역을 분할하고, 분할한 제품 영역과 설정된 제품 불량 영역을 비교하여, 불량 영역을 검출할 수 있다.
이와 같은, 불량 검출 장치(100)는 제품의 원가경쟁력 및 판매 채널 다양화할 수 있는 이점이 있다.
먼저, 도 3은 도 2에 나타낸 불량 검출 장치(100)에서 검출한 불량 영역에 대응하는 칫솔의 불량의 종류 및 형태를 설명한다.
도 3(a)는 식모 불량을 나타낸 예이고. 칫솔의 머리부분의 일부에 검은 점과 같이 칫솔모량이 불량한 것을 알 수 있다.
도 3(b)는 옆 헤드 깨짐을 나타낸 예이고, 대나무 칫솔의 경우, 헤드 깨짐이 발생할 가능성이 있다.
도 3(c)는 식모 불량의 다른 예이고, 칫솔모의 길이 또는 방향이 일정하지 않음을 알 수 있다.
도 3(d)는 실금불량의 예이고, 도 3(e)는 줄 크랙 불량이며, 도 3(f)는 크랙 불량의 예이다.
이와 같이 본 발명의 불량 검출 장치(100)에서 불량은 식모, 옆 헤드 깨짐, 식모 불량, 실금 불량, 줄 크랙 불량, 크랙 불량으로 구분할 수 있다. 다른 변형예에서, 불량은 실금, 줄크랙, 크랙을 하나의 크랙 불량으로 구분하여, 식모량, 옆 헤드 깨짐, 식모 길이, 크랙 불량으로 구분할 수 있다.
이상에서 실시 예들에 설명된 특징, 구조, 효과 등은 본 발명의 적어도 하나의 실시 예에 포함되며, 반드시 하나의 실시 예에만 한정되는 것은 아니다. 나아가, 각 실시 예에서 예시된 특징, 구조, 효과 등은 실시 예들이 속하는 분야의 통상의 지식을 가지는 자에 의해 다른 실시 예들에 대해서도 조합 또는 변형되어 실시 가능하다. 따라서 이러한 조합과 변형에 관계된 내용들은 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.
또한, 이상에서 실시 예를 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 실시 예의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 실시 예에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (8)

  1. 디스플레이 모듈;
    생산 공정에서 생산된 제품의 영상을 출력하는 카메라 모듈; 및
    상기 영상에서 분할한 복수의 제품 영역 중 설정된 제품 불량 영역과 매칭되는 특정 불량 영역을 검출하고, 상기 특정 불량 영역에 대한 불량 패턴 정보를 생성하여 상기 디스플레이 모듈에 디스플레이하는 제어 모듈을 포함하는,
    불량 검출 장치.
  2. 제 1 항에 있어서,
    상기 제어 모듈은,
    상기 특정 불량 영역을 검출하는 검출기;
    상기 특정 불량 영역에서 확인한 불량 패턴을 설정된 기준 불량 패턴에 분류하는 분류기; 및
    상기 불량 패턴을 기반으로 상기 불량 패턴 정보를 생성하는 정보 출력기를 포함하는,
    불량 검출 장치.
  3. 제 2 항에 있어서,
    상기 검출기는,
    상기 영상을 컨볼루션 신경망에 적용하여 상기 제품의 부위에 대응하는 상기 복수의 제품 영역으로 분할하고, 상기 제품 불량 영역과 매칭되는 상기 특정 불량 영역을 검출하는,
    불량 검출 장치.
  4. 제 2 항에 있어서,
    상기 검출기는,
    R-CNN 검출기인,
    불량 검출 장치.
  5. 제 2 항에 있어서,
    상기 분류기는,
    상기 특정 불량 영역에서 불량에 대한 종류, 위치 및 색상 중 적어도 하나를 포함하는 상기 불량 패턴을 확인하고, 상기 기준 불량 패턴에 분류하는,
    불량 검출 장치.
  6. 제 2 항에 있어서,
    상기 분류기로부터 상기 불량 패턴이 입력되는 경우,
    상기 정보 출력기는,
    상기 불량 패턴에 포함된 불량에 대한 종류, 위치 및 색상 중 적어도 하나와, 상기 제품에 대한 사후 처리 정보를 상기 디스플레이 모듈에 디스플레이하는,
    불량 검출 장치.
  7. 제 6 항에 있어서,
    상기 사후 처리 정보는,
    상기 제품이 폐기 제품이면 폐기 처리 결과 또는 재생 가능 제품이면 재생 처리 결과인,
    불량 검출 장치.
  8. 제 6 항에 있어서,
    상기 정보 출력기는,
    상기 사후 처리 정보에 따라 상기 제품을 폐기 장치 또는 재생 장치로 배출하는,
    불량 검출 장치.
KR1020220037338A 2021-05-26 2022-03-25 불량 검출 장치 KR102516482B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/KR2022/007517 WO2022250481A1 (ko) 2021-05-26 2022-05-26 불량 검출 장치

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20210067334 2021-05-26
KR1020210067334 2021-05-26

Publications (2)

Publication Number Publication Date
KR20220160470A true KR20220160470A (ko) 2022-12-06
KR102516482B1 KR102516482B1 (ko) 2023-04-04

Family

ID=84407446

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220037338A KR102516482B1 (ko) 2021-05-26 2022-03-25 불량 검출 장치

Country Status (1)

Country Link
KR (1) KR102516482B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170122540A (ko) * 2016-04-27 2017-11-06 주식회사 아신기술 자동 비전 검사 시스템
KR20200004825A (ko) * 2018-07-02 2020-01-14 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 디스플레이 장치 품질 검사 방법, 장치, 전자 장치 및 저장 매체
KR20200143957A (ko) * 2019-06-17 2020-12-28 라온피플 주식회사 제품 검사를 위한 자동 학습 방법 및 시스템
KR102235747B1 (ko) * 2020-06-23 2021-04-01 김숙례 프레스 성형물 관리 장치 및 시스템
KR102242996B1 (ko) * 2019-11-27 2021-04-21 케이비아이동국실업 주식회사 자동차 사출제품의 비정형 불량 검출 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170122540A (ko) * 2016-04-27 2017-11-06 주식회사 아신기술 자동 비전 검사 시스템
KR20200004825A (ko) * 2018-07-02 2020-01-14 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 디스플레이 장치 품질 검사 방법, 장치, 전자 장치 및 저장 매체
KR20200143957A (ko) * 2019-06-17 2020-12-28 라온피플 주식회사 제품 검사를 위한 자동 학습 방법 및 시스템
KR102242996B1 (ko) * 2019-11-27 2021-04-21 케이비아이동국실업 주식회사 자동차 사출제품의 비정형 불량 검출 방법
KR102235747B1 (ko) * 2020-06-23 2021-04-01 김숙례 프레스 성형물 관리 장치 및 시스템

Also Published As

Publication number Publication date
KR102516482B1 (ko) 2023-04-04

Similar Documents

Publication Publication Date Title
Ismael et al. Face recognition using Viola-Jones depending on Python
Battiato et al. Detection and classification of pollen grain microscope images
Şengür et al. White blood cell classification based on shape and deep features
Shafira et al. Facial expression recognition using extreme learning machine
Shukla et al. Face recognition using convolutional neural network in machine learning
Iswarya et al. Fake Logo Detection
Araf et al. Real-time face emotion recognition and visualization using Grad-CAM
Ren et al. Defect detection using combined deep autoencoder and classifier for small sample size
Vinutha et al. A Machine Learning based Facial Expression and Emotion Recognition for Human Computer Interaction through Fuzzy Logic System
Hoai et al. Sinkhole detection by deep learning and data association
KR102516482B1 (ko) 불량 검출 장치
Patricia et al. Deep depth domain adaptation: A case study
Lahoti et al. Convolutional Neural Network-Assisted Adaptive Sampling for Sparse Feature Detection in Image and Video Data
WO2022250481A1 (ko) 불량 검출 장치
Patel et al. Transfer learning with EfficientNet for computer vision based automatic gender classification
Asadi-Gandomani et al. Evaluation of Classifiers for a Vision-based Automated Mold Protection System Using Modified LBP Features
Savadatti et al. Theoretical Analysis of Viola-Jones Algorithm Based Image and Live-Feed Facial Recognition
Mahdavi et al. Informed Decision-Making through Advancements in Open Set Recognition and Unknown Sample Detection
Jagadeesh et al. Customer Emotion Analysis on Food Review Images Using Deep Learning: A Review
Jain et al. Face Emotion Detection Using Deep Learning
Kharchevnikova et al. Video-based age and gender recognition in mobile applications
Ghosh et al. Transfer learning based Facial Emotion Detection for Animated Characters
Verma et al. Recognition of facial expressions using a deep neural network
Tran-Anh et al. License Plate Recognition Based On Multi-Angle View Model
Dash et al. 16 usage of convolutional neural networks in real‐time facial emotion detection

Legal Events

Date Code Title Description
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant