KR20230055630A

KR20230055630A - 철판 품질 개선 방법

Info

Publication number: KR20230055630A
Application number: KR1020210139226A
Authority: KR
Inventors: 박종현
Original assignee: 박종현
Priority date: 2021-10-19
Filing date: 2021-10-19
Publication date: 2023-04-26

Abstract

본 발명은 영상 수집 장치를 통해 철판을 촬영하는 단계; 상기 촬영된 이미지를 판독 알고리즘을 통해 분석하는 단계; 및 상기 분석된 이미지에 등급을 부여하는 단계를 포함하는, 철판 품질 개선 방법을 제공한다.

Description

철판 품질 개선 방법{METHOD FOR IMPROVING THE QUALITY OF IRON PLATE}

본 발명은 철판 품질 개선 방법에 관한 것이다.

철판이란 쇠로 만든 얇고 넓은 판을 총칭하는 것으로, 선박을 건조할 때 철판은 다양한 용도로 사용된다. 즉, 선박의 건조에 사용되는 선박 블록과 같은 대형 철 구조물의 제작 시 각종 자재들을 용접에 의하여 제조하게 된다. 이러한 철 구조물은 완성된 후에도 자재들의 용접선 부위와 철 구조물 자체의 표면에 각종 부식이 발생하게 된다. 이러한 부식물이 완전히 제거되지 못하면 철 구조물의 도장 작업 시 피막이 제대로 완성되지 못하게 하는 원인이 된다.

이러한 점을 막기 위하여 선박의 용접선 부위 또는 외면인 철판의 상태를 파악 및 분석할 필요가 있다. 그럼에도 불구하고 종래에는 사람이 직접 철판의 상태를 파악하고 기록하였기 때문에 그 정보가 부정확할 뿐만 아니라 담당자가 매번 바뀌는 환경에서 정보가 제대로 보존되지 않는 것이 일반적인 실정이다.

위와 같은 문제를 막기 위하여 본 발명은 철판의 상태를 촬영하고 촬영된 이미지를 머신러닝을 통해 분석하여 철판의 품질을 개선하고자 한다.

본 발명은 이와 같은 문제점에 착안하여 도출된 것으로, 이상에서 살핀 기술적 문제점을 해소시킬 수 있음은 물론, 본 기술분야에서 통상의 지식을 가진 자가 용이하게 발명할 수 없는 추가적인 기술요소들을 제공하기 위해 발명되었다.

본 발명은 철판의 상태를 촬영하여 머신러닝을 통해 분석하고 분석된 기준에 맞게 등급을 부여하여 철판의 품질을 개선하는 것을 목적으로 한다.

한편, 본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

위와 같은 문제점을 해결하기 위하여, 본 발명의 일 실시예에 따라, 영상 수집 장치를 통해 철판을 촬영하는 단계; 상기 촬영된 이미지를 판독 알고리즘을 통해 분석하는 단계; 및 상기 분석된 이미지에 등급을 부여하는 단계를 포함하는, 철판 품질 개선 방법을 제공한다.

또한, 상기 판독 알고리즘은 머신러닝(machine learning)을 포함하는 것을 특징으로 한다.

또한, 상기 등급에 기초하여 수정 작업을 제안하는 단계를 더 포함하는 것을 특징으로 한다.

또한, 상기 부여된 등급이 기 설정된 등급보다 낮은 경우, 상기 철판에 대한 정보를 외부서버에 보고(report)하는 단계를 더 포함하는 것을 특징으로 한다.

또한, 상기 수정 작업은 블라스팅(Blasting) 작업을 포함하는 것을 특징으로 한다.

또한, 상기 분석된 이미지를 철판의 상태를 포함하여 라벨링하는 단계를 더 포함하는 것을 특징으로 한다.

또한, 상기 철판의 상태는 철판의 조도, 철판의 표면 상태 및 철판의 오염 유무 중 적어도 하나를 포함하는 것을 특징으로 한다.

또한, 상기 라벨링된 이미지를 머신러닝을 통해 학습하는 단계를 더 포함하는 것을 특징으로 한다.

또한, 상기 머신러닝을 통하여 학습된 정보를 상기 라벨링된 이미지에 포함하여 저장하는 단계를 더 포함하는 것을 특징으로 한다.

또한, 상기 머신러닝을 통하여 학습된 정보를 포함하는 이미지를 외부 서버로 전송하는 단계를 더 포함하는 것을 특징으로 한다.

본 발명의 일 실시예에 따르면, 철판 상태를 머신러닝을 통해 분석하여 철판 품질을 개선할 수 있다는 장점이 있다.

또한, 본 발명의 일 실시예에 따르면, 철판 상태를 분석한 정보를 철판과 함께 보관하여 철판 품질을 개선할 수 있다는 장점이 있다.

도 1은 본 발명의 일 실시예에 따른 철판 품질 개선 방법에서 사용되는 도막 두께 검사 시스템의 전체 개요를 도시한 것이다.
도 2는 본 발명의 일 실시예에 따른 철판 품질 개선 방법에서 사용되는 도막 두께 검사 방법을 순서에 따라 도시한 것이다.
도 3 및 도 4는 실제 선박의 도면 상에서 각 위치 별로 도막 두께 값을 획득하는 모습을 도시한 것이다.
도 5는 시간에 따라 각 작업자들이 도막 도포를 균일하게 하였는지를 분석한 그래프를 도시한 것이다.
도 6은 과거에 평가되었던 도막 등급 데이터를 기초로, 현 시점에서 도포된 도막의 두께 값에 대한 등급을 결정 하는 과정을 도시한 것이다.
도 7은 본 발명의 일 실시예에 따른 철판 품질 개선 방법에서 사용되는 이미지 분석을 이용한 선박 도장 상태 검사 시스템의 구성을 나타낸 도면이다.도 8은 도 7에 도시된 선박 도장 상태 검사 시스템의 각 구성요소의 동작을 설명하기 위한 도면이다.
도 9는 본 발명의 일 실시예에 따른 철판 품질 개선 방법에서 사용되는 이미지 분석을 이용한 선박 도장 상태 검사 방법을 나타낸 순서도이다.
도 10은 본 발명의 일 실시예에 따른 철판 품질 개선 방법에서 사용되는 선박 도장 상태 판단 방법을 나타낸 순서도이다.
도 11은 본 발명의 일 실시예에 따른 철판 품질 개선 방법을 나타낸 순서도이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함할 수 있다. 구성요소와 '~부'에서 제공하는 기능은 복수의 구성요소 및 '~부'들에 의해 분리되어 수행될 수도 있고, 다른 추가적인 구성요소와 통합될 수도 있다

또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

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.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 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.

이하에서는 도면들을 참조하여 본 발명의 각 실시예들에 대해 살펴보기로 한다.

도 1은 본 발명의 일 실시예에 따른 철판 품질 개선 방법에서 사용되는 도막 두께 검사 시스템의 전체 개요를 도시한 것이다.

도 1을 참조할 때, 해당 시스템에는 도막 두께 측정장치(100), 휴대용 단말기(200), 그리고 외부의 단말기들(300, 400; PC, 휴대용 단말기 등)을 포함할 수 있다.

먼저 도막 두께 측정장치(100)는 금속판 표면 전반에 걸쳐 도포되는 도막, 쉽게 말해 페인트의 두께를 측정할 수 있는 장치이며, 위 도막 두께 측정장치(100)는 근거리 통신수단, 예를 들어 블루투스 기능을 통해 휴대용 단말기(200)와 통신이 가능한 것을 특징으로 할 수 있다. 또한, 상기 도막 두께 측정장치(100)는 자기유도 방식 또는 와전류 측정방식 등을 이용한 것일 수 있는데, 상기 도막 두께 측정장치(100)가 도막의 두께 값을 획득하는 방식에 대해서는 이미 공지되어 있으므로 자세한 설명은 생략하기로 한다. 위 도막 두께 측정장치(100)는 일반적으로는 도막 품질을 관리하는 관리자에 의해 휴대될 수 있다.

참고로 본 상세한 설명에서는 발명의 이해를 돕기 위하여 선박에 대한 도막 두께 검사 방법을 대표적인 실시예로 설명하기로 한다. 선박의 표면 전반에 걸쳐 도포되는 페인트는 선박 표면의 보호와 미관 향상을 목적으로 한 것이며, 구체적으로 선박에 있어서 페인트는 외관상의 아름다움과 더불어 거주 구역에 있어서 청결을 제공할 뿐만 아니라, 선체 외판을 해수나 빗물 및 파도의 충격으로부터 보호해주고, 녹이 슬어 부식되는 것을 방지하기 위해 활용된다. 또한 수면 아래 해초나 조개류 등의 해중생물 부착으로 인해 선속의 감소와 조종 성능의 악영향을 제거하기 위해서도 사용된다. 본 상세한 설명에서는 선박 표면에 도포되는 도포재와 페인트라는 용어를 혼용할 수 있음을 이해한다.

한편, 페인트가 도포되었을 때 선박의 표면에는 당연히 도막이 형성되는데 이 때 도막의 두께는 일반적으로 선박 표면 전반에 걸쳐 고른 두께를 유지되어야 하며, 다만 선박 부위에 따라 부분적으로 도막의 두께를 상이할 수 있다. 이 경우 각 선박 부위에 따라서는 설계 시 결정된 도막 두께 값이 존재할 수 있으며, 선박 건조시에는 작업자들이 위 도막 두께 값을 참조하여 도포 작업을 수행하게 된다.

도막 두께 측정장치(100)는 바로 위와 같이 도포 작업이 이루어진 후 도막의 두께 값이 적정 범위 내에 존재하는지 여부를 검사하기 위한 것이다.

다음으로 휴대용 단말기(200)는 상기 도막 두께 측정장치(100)와 근거리 통신(블루투스)가 가능한 것으로, 일반적으로는 위 도막 두께 측정장치(100)를 휴대하면서 도막 품질을 관리하는 관리자가 소지하고 있는 것으로 이해될 것이다. 상기 휴대용 단말기(200)에는 예를 들어 스마트폰, 태블릿 PC, 랩탑 컴퓨터 등과 같이 연산을 위한 중앙처리유닛(CPU)와 메모리를 구비하고 있는 휴대용 장치가 모두 포함될 수 있다. 본 상세한 설명에서는 발명의 이해를 돕기 위해 위 휴대용 단말기(200)가 스마트폰인 것을 전제로 설명을 하기로 한다.

휴대용 단말기(100)는 앞서에서의 도막 두께 측정장치(100)로부터 측정된 두께 값들을 근거리 통신을 통해 수신할 수 있으며, 이들 두께 값들을 일괄적으로 저장 및 관리할 수 있다. 참고로, 상기 휴대용 단말기(100)에는 도막 두께 검사를 위한 어플리케이션 소프트웨어가 별도로 설치되어 있을 수 있으며, 관리자는 도막 두께 검사 수행 시 해당 어플리케이션 소프트웨어를 실행시킨 상태에서, 그리고 상기 도막 두께 측정장치(100)와의 통신이 가능하도록 근거리 통신수단을 활성화 시킨 상태에서 도막 두께 검사를 수행할 수 있다.

한편, 상기 휴대용 단말기(100)는 위 도막 두께 값들을 저장 및 관리하는 것뿐만 아니라 이를 외부의 타 단말기들, 바람직하게는 선주 또는 또 다른 관리자의 단말기들로 공유할 수도 있다. 도 1에 도시되어 있는 도면 부호300, 400은 각각 외부의 단말기들을 표시한 것으로, 예를 들어 도면 부호 300은 선주 또는 관리인의 PC, 도면 부호 400은 선주 또는 관리인의 스마트폰일 수 있다. 한편, 상기 휴대용 단말기(100)에 의해 공유되는 정보는 도막 두께 값들을 포함할 수 있으며, 여기에 더 나아가 선박의 각 위치에서의 도막 두께 값, 도포 작업을 수행한 작업자 별 도막 두께 값 등과 같이 외부의 선주 또는 관리인이 위 선박 상에서 이루어진 도막작업 전반에 대한 정보 및 도포 작업의 결과물(도막 두께 값)을 인지할 수 있을 정도의 정보들이 더 포함될 수 있다.

이상 도 1을 참조하여 도막 두께 검사에 필요한 시스템의 전체 구성을 살펴보았다.

도 2는 본 발명의 일 실시예에 따른 철판 품질 개선 방법에서 사용되는 도막 두께 검사 방법을 순서에 따라 도시한 것이다.

도막 두께 검사 방법은, 가장 먼저 도막 두께 측정장치(100)가 선박 표면에서의 도막 두께 값을 획득(S101)하는 단계로부터 시작되며, 이후 휴대용 단말기(200)가 도막 두께 측정장치(100)로부터 위 획득된 도막 두께 값을 수신 하는 단계(S102)를 포함할 수 있다. S101단계는 선박 표면의 품질을 관리하는 관리자(편의상 관리자라 칭하기로한다) 가 도막 두께 측정장치(100)를 휴대하여 선박의 다양한 부위들에 대한 도막 두께 값을 획득하는 단계이며, S102단계는 휴대용 단말기(200)가 도막 두께 측정장치(100)와 근거리 통신, 예를 들어 블루투스 통신을 통해 위 획득된 도막 두께 값을 수신하는 단계이다. 한편, S101 단계 및 S102단계는 반복적으로 수행될 수 있으며, 예를 들어 관리자가 도막 두께 측정장치(100) 및 휴대용 단말기(200)를 모두 소지한 채 도막 두께 검사를 수행한다고 가정할 때에, 상기 관리자의 조작에 따라 도막 두께 측정장치(100)가 다양한 선박 위치에서의 도막 두께 값들을 획득하면, 위 획득된 도막 두께 값들은 실시간으로, 또는 기 설정된 주기마다 상기 휴대용 단말기(200)로 전송될 수 있다.

선박의 복수 표면들을 측정한 도막 두께 값들을 수신한 후, 휴대용 단말기(200)는 이 도막 두께 값들을 포함한 데이터를 암호화 하여 외부 단말기들(300, 400)로 곧바로 공유하고, 선주 또는 외부 관리인으로 하여금 도포 작업의 결과물을 확인하게 한 뒤 승인을 얻을 수도 있겠으나, 본 발명에 따른 도막 두께 검사 방법에서는 휴대용 단말기(200)가 자체적으로 위치정보를 더 획득하거나 생성한 후 이를 상기 각 도막 두께 값들과 매칭시켜 저장 및 관리하는 것을 하나의 특징으로 할 수 있다. S103단계는 휴대용 단말기(200)가 위치 값을 획득하는 단계로, 해당 단계는 예를 들어 휴대용 단말기(200)가 GPS값을 위치 값으로 획득하는 방식, 또는 휴대용 단말기(200)가 주변 엑세스 포인트(AP)들로부터 수신한 엑세스 포인트 식별자(위치를 식별할 수 있는 식별자임)를 획득하는 방식 또는 복수의 엑세스 포인트들과의 사이에서 신호 세기에 기반한 위치추정값을 획득하는 방식 등으로 구현될 수 있다.

이렇게 위치 값, 즉 위치정보를 획득하는 이유는 거대한 구조물인 선박 내에서 현재 검사가 진행되고 있는 부분이 어느 위치에 해당하는지, 그리고 앞서 수신한 도막 두께 값은 어느 위치에서의 측정값인지를 매칭시켜 확인하기 위한 것으로, 이와 같이 도막 두께 값과 위치정보를 상호 간에 매칭시켜 두어야 후에 작업 결과를 공유 받게될 선주 또는 관리인들이 쉽게 선박의 각 위치별, 부위별 작업 품질을 확인할 수 있기 때문이다. 또한, 본 단계에서는 위치정보에 더하여 각 도막 두께 값들을 획득한 시점도 함께 저장될 수 있다. 참고로, 언급한 방식들은 일 실시예이며 휴대용 단말기(200)가 현재 검사 중인 위치를 식별할 수 있는 정보를 획득할 수 있는 한 그 구현 방식에는 제한이 없다 할 것이다. 또한, 도 2에는 위치 값 획득 단계(S103)가 도막 두께 값 전송 단계(S102) 이전에 수행되는 것으로 도시되어 있으나 반드시 어느 특정 시점에 S103단계가 수행되는 것은 아님을 이해한다.

위치 값을 획득한 후, 휴대용 단말기(200)는 상기 도막 두께 값들 및 각 도막 두께 값들과 대응되는 위치 값들을 매칭시켜 하나의 데이터 형태로 저장(S104)할 수 있으며, 저장된 위 데이터는 암호화(S105)될 수 있다. 암호화의 방식은, 바람직하게는 블록체인 기술이 활용될 수 있는데, 블록체인이란 각종 거래 정보를 중앙 서버에서 관리하지 않고 여러 곳으로 분산해 동시에 저장하는 것으로, 일정 시간 마다 거래 정보를 하나의 암호화 된 블록으로 묶고, 다시 블록과 블록이 결합해 체인이 형성되면 참여자들에게 공유하여 위변조를 막도록 한 암호화 기술의 한 종류이다. 한편, 상기 암호화(S105)단계에서 활용될 수 있는 암호화 기술은 비단 블록 체인 기술에 한정되는 것은 아니며, 다양한 것들이 이용될 수 있음을 이해한다.

암호화 단계 이후, 휴대용 단말기는 네트워크를 통해 외부의 단말기(300), 예를 들어 선주의 단말기에 도포 작업 결과물에 대한 승인을 요청(S106)할 수 있으며, 이에 대하여서는 승인 응답을 수신(S107)할 수 있다.

이상 도 2를 참조하여 본 발명에 따른 도막 두께 검사 방법의 개요에 대해 살펴보았다.

도 3 및 도 4는 휴대용 단말기(200)가 위치 값, 즉 위치정보를 획득하고 이를 도막 두께 측정장치(100)로부터 수신한 도막 두께 값과 매칭시켜 저장한 모습의 일 실시예를 설명하기 위한 것이다.

상기 휴대용 단말기(200)에는 도 3 및 도 4에서와 같은 선박의 도면들이 더 저장되어 있을 수 있으며, 앞서 획득한 위치 값, 즉 위치정보를 저장된 선박의 도면 상에 함께 표시할 수 있다.

먼저 도 3은 선박을 위에서 바라본 평면도인데, 도 3에는 L1, L2, L3의 위치에서 각각 도막 두께 값이 560um, 600um, 650um로 측정되었다는 것이 표시되어 있다. 전술하였지만, 이 중 L1, L2, L3의 위치정보는 휴대용 단말기(200)가 GPS 등의 수단을 통해 직접 획득한 것이며, 각 위치에서의 도막 두께 값은 도막 두께 측정장치(100)로부터 수신한 것들이다.

다음으로 도 4는 선박을 측면에서 바라본 도면인데, 도 4에는 L4, L5, L6의 위치에서 각각 도막 두께 값이 200um, 320um, 400um로 측정되었음이 표시되어 있다. 한편, GPS는 일반적으로 평면을 기준으로 위치정보를 파악하는 데에 용이한 것이지 도 4에서와 같이 측면에서의 위치는 파악하기 어려운 난점이 있는데, 도 4에서와 같이 선박의 측면 위치정보를 획득하기 위해서는 GPS 외에 별도의 수단이 더 활용될 수 있다. 예를 들어, 건조 중인 선박 내 곳곳에는 복수 개의 엑세스 포인트(AP)들이 개별 식별자를 부여 받은 채로 설치되어 있을 수 있으며, 휴대용 단말기(200)는 도막 두께 검사 당시 어떤 엑세스 포인트와 연결되어 있는지에 따라 위치정보를 획득할 수 있다. 여기서 더 나아가, 상기 휴대용 단말기(200)는 주변 연결 가능한 엑세스 포인트들 중 가장 신호가 강한 엑세스 포인트를 최근접 엑세스 포인트로 판단하여 해당 엑세스 포인트의 식별자에 따라 위치정보를 획득할 수도 있다.

이처럼 본 발명에 따른 도막 두께 검사 방법은 선박의 어느 위치 또는 어느 부위에서 도막 두께 값을 측정하였는지에 대한 위치정보, 그리고 해당 위치정보에 대응되는 도막 두께 값을 상호 매칭시켜 저장함으로써 향후 선주 또는 타 관리자에게 도포 작업의 결과물을 공유할 때에 상대방으로 하여금 쉽게 도포 작업 결과물에 대한 승인 여부 판단을 할 수 있도록 할 수 있다.

한편, 본 발명에 따른 도막 두께 검사 방법에서는 단순히 선박의 복수 표면들의 위치 별 도막 두께 값을 매칭시켜 저장하는 서비스만 제공하는 것에서 더 나아가, 해당 위치에서 도포 작업을 실시한 작업자의 작업 성향을 분석하는 것을 또 다른 특징으로 할 수 있다.

일반적으로 선박은 매우 거대한 구조물이기 때문에 도포 작업에는 다수의 작업자들이 투입되기 마련인데, 각 작업자들은 모두 상이한 작업 성향을 나타낼 수 있으며, 특히 부적절한 작업 성향을 나타내는 작업자에 대해서는 향후 도포 작업의 효율성을 높이기 위해서라도 개선점을 교육시켜야 할 필요성이 있다. 예를 들어, 선박의 각 표면 위치 별로 정해진 도막 두께 값을 참조하여 도포 작업을 수행한다 하더라도 작업자들의 부주의에 의해 일부 표면은 두껍게, 또는 일부 표면은 얇게 도포가 되는 경우가 많이 발생하며, 이를 해결하기 위하여서는 두껍게 두꺼운 도막 부분과 두께를 맞추기 위하여 주변 영역을 재차 도포하거나, 또는 얇게 도포된 부분의 두께를 주변부분과 맞추기 위하여 해당 부분을 재차 도포하게 되는 등의 추가적인 자원이 소모되는데, 각 작업자들의 작업 성향을 분석하여 이를 전달할 수 있다면 추가적인 자원 소모를 최소화 할 수 있는 효과를 꾀할 수 있는 것이다.

이처럼 작업자의 작업 성향을 분석하기 위해서는, 휴대용 단말기(200)가 먼저 어떤 작업자가 선박에 대해 도포 작업을 하였는지에 대해 인식할 필요가 있는데, 이는 상기 휴대용 단말기(200)가 상기 도막 두께 측정장치(100)로부터 도막 두께 값을 수신하기 전에 특정 작업자를 식별하기 위한 작업자 식별자를 입력 받음으로써 이루어질수 있다. 작업자 식별자 입력은 다양한 방식으로 이루어질 수 있는데, 예를 들어 도막 품질을 검사하는 관리자가 자신의 휴대용 단말기(200) 상에서 특정 작업자의 이름, 사원번호 등을 입력하거나 또는 여러 명의 작업자 이름들이 나열된 목록 중 특정 작업자를 선택함으로써 이루어질 수 있다.

한편, 작업자 식별자를 입력 받은 상태라면, 이 상태에서 수신한 도막 두께 값, 도막 두께 값을 측정한 시점, 그리고 도막 두께 값을 측정한 시점에서의 위치정보는 상기 식별된 작업자에 대한 작업정보로서 저장될 수 있는데, 휴대용 단말기(200)는 위 정보들을 참조하여 상기 작업자에 대한 작업 성향을 분석할 수 있다.

예를 들어 도막 두께 값들, 그리고 도막 두께 값을 측정한 시점을 기초로 작업 성향을 분석한 경우, 시간에 따라 상기 작업자의 도막 두께 값의 편차가 더 커지는지를 보거나, 또는 시간에 따라 상기 작업자의 도막 두께 값이 점점 얇아지거나 두꺼워지는 것으로부터 상기 작업자가 작업 시 집중도가 떨어지는 시간대를 파악할 수 있다. 또 다른 예로, 도막 두께 값들, 그리고 도막 두께 값을 측정한 위치정보를 기초로 작업 성향을 분석한 경우, 선박의 특정 위치에서 상기 작업자가 유독 도막을 얇게 도포한다거나 또는 반대로 선박의 특정 위치에서 도막을 두껍게 도포하는 등의 특성을 파악할 수 있다. 위 분석 가능한 작업 성향의 예시들은 발명의 이해를 돕기 위해 몇몇 실시예만을 언급한 것이며, 작업 성향 분석은 위 도막 두께 값들, 시점들, 위치정보들의 조합에 의해 더 다양한 종류의 것들이 이루어질 수 있다. 참고로, 도 5에는 시간에 따른 작업자1, 2, 3이 작업한 도포 작업 결과물, 즉 도막의 두께 값 변화가 그래프로 도시되어 있는데, 시간이 흐르더라도 작업자 2, 3이 작업한 도막의 두께는 대체적으로 일정한 수준을 유지하고 있는 반면, 작업자 1이 작업한 도막의 두께는 상당한 편차를 보임을 알 수 있으며, 이로부터 관리자는 작업자1의 작업 성향을 파악하여 도막의 두께가 일정한 수준을 유지하는 시간대까지만 작업을 하도록 지시할 수 있다.

이처럼 본 발명에 따른 도막 두께 검사 방법에서는 각 작업자에 대한 작업 성향 분석도 가능하게 됨으로써 관리자로 하여금 이러한 정보를 참조하여 전체 도포 작업의 효율성을 높이게 할 수 있다.

또 다른 한편, 본 발명에 따른 도막 두께 검사 방법에서는 각 도막 두께 값들 및 위치정보를 참조하여 해당 위치에서의 도막 등급을 자동으로 결정하는 단계도 포함할 수 있다. 종래에는 선박에서의 도포 작업 완료 후, 관리자가 도포막의 두께 및 그 품질을 육안으로 보아 등급을 부여하여 왔는데, 본 발명에 따르는 경우 과거에 이루어졌던 등급 부여 자료를 참조하여 현 시점에서의 도막 두께 값들에 대해서 등급을 자동으로 결정할 수 있는 것이다.

이를 위하여, 상기 휴대용 단말기(200)는 사전에 과거 상기 선박의 복수 표면들을 측정한 복수의 도막 두께 값들, 그리고 각 도막 두께 값들에 대한 도막 등급이 포함된 데이터를 저장하고 있을 수 있다. 이러한 데이터들은 사전에 관리자가 휴대용 단말기(200)에 저장해 둔 것일 수 있으며, 또는 외부에 존재하는 별도의 서버로부터 이동통신 네트워크를 통하여 다운로드 받은 것일 수도 있다.

도 6의 좌측 표(P)는 과거 도막 두께 및 등급이 저장되어 있는 표를 도시한 것이며, 우측의 표(Q)는 현재 시점에서 관리자가 도막 두께 측정장치(100)로부터 수신한 도막 두께 값, 그리고 휴대용 단말기(200)가 위 표 P를 참조하여 자체적으로 결정한 등급을 표시한 것이다. 과거의 데이터를 참조하여 현재 도막 두께 값에 대한 등급을 결정하는 것과 관련하여, 휴대용 단말기(200)는 과거 데이터 내 포함되어 있는 도막 두께 값들 중 현재의 도막 두께 값과 가장 작은 차이 값을 가지는 도막 두께 값을 선별한 후, 해당 도막 두께 값의 과거 등급을 참조하여 현재 도막 두께 값에 대한 등급을 결정할 수 있다. 한편, 이렇게 결정된 등급(들)은 상기 외부 단말기(300, 400), 바람직하게는 선주의 단말기로 승인 요청 시 함께 제공될 수 있으며, 선주로 하여금 위 등급을 참조하여 승인 응답을 할지 여부에 대해 결정하도록 할 수 있다. 예를 들어, 표 Q에서의 도막 두께 값 703um에 대해, 휴대용 단말기(200)는 표 P 내에서 상기 도막 두께 값과 가장 가까운 값인 700um을 선별할 수 있으며, 과거 700um에 대한 등급이 A등급이었음을 참조하여 현재 측정된 703um의 도막에 대해서도 A등급을 부여할 수 있다. 또는, 상기 휴대용단말기(200)는 표 P 내에서 상기 도막 두께 값과 가장 가까운 값인 700um을 선별한 후, 그 다음 순위로 차이 값이 작은 값들, 즉 720um 와 682um을 더 선별할 수 있으며, 이들 값들과의 차이 값, 등급을 참조하여 현재 도막 두께 값인 700um에 대해 A등급을 부여할 수도 있다.

이상 도막 두께 검사 방법 및 이를 위한 시스템에 대해 살펴보았다.

도 7은 본 발명의 일 실시예에 따른 철판 품질 개선 방법에서 사용되는 이미지 분석을 이용한 선박 도장 상태 검사 시스템의 구성을 나타낸 도면이다.

도 7을 참조하면, 본 발명의 일 실시 예에 따른 이미지 분석을 이용한 선박 도장 상태 검사 시스템(10)은 카메라(100), 도막 두께 측정기(200), 검사부(300), 표시부(400), 가이드부(500) 및 제어부(600)를 포함할 수 있다.

카메라(100)는 도장 상태를 판단하고자 하는 선박의 외관을 촬영하여 해당 선박의 도장 표면을 포함한 이미지를 획득할 수 있다.

본 명세서에 있어서 이미지라 함은 2차원 또는 3차원의 화면에 재생 및 표시되는 시각 정보를 의미하는 것으로, 대상 물체의 일시적인 형상을 나타내는 사진 이미지 또는 일정 시간 동안 대상 물체를 촬영한 영상 이미지를 모두 포함할 수 있다. 또한, 카메라(100)는 대상에 대한 촬영 이미지를 획득할 수 있는 모든 광학기기를 포함할 수 있으며, 그 종류 및 설치 방법 등에는 제한이 없다.

도막 두께 측정기(200)는 선박의 표면에 도장된 도막의 두께를 측정할 수 있다. 도막 두께 측정기(200)는, 선박 표면의 일 지점에 대한 도막의 두께를 측정할 수 있고, 또는 횡 방향 또는 종 방향으로 배열된 다수 지점에 대한 도막의 두께를 측정하여 그 최대, 최소값 또는 평균 값을 측정할 수 있다.

검사부(300)는 카메라(100)가 획득한 이미지 또는 도막 두께 측정기(200)가 측정한 도막의 두께를 분석하여 선박의 도장 상태를 판단할 수 있다.

일 실시 예에 따르면, 검사부(300)가 카메라(100)가 획득한 이미지를 분석함에 있어서, 심층신경망(DNN: Deep Neural Network)를 이용한 딥러닝(Deep Learning)을 통해 카메라(100)가 획득한 이미지를 분석하여 이미지 내 포함된 선박의 도장 상태를 판단할 수 있다.

심층신경망(DNN)은 기 학습된 데이터를 기반으로 입력받은 데이터를 분류하는 딥러닝(Machine Learning)의 모델 중 하나로서, 하나 이상의 컴퓨터 내에 복수개의 레이어(Layer)를 구축하여 복수의 데이터를 바탕으로 판단을 수행하는 시스템 또는 네트워크를 의미한다.

도 8은 위에서 설명한 이미지 분석을 이용한 선박 도장 상태 검사 시스템(10)의 각 구성요소들의 동작을 개략적으로 도식화한 도면이다.

도 8을 참조하면, 저장부(310)는 선박 도장 표면을 포함한 다수의 이미지를 수집하여 저장하고, 학습부(320)는 이를 이용하여 도장 상태에 따른 이미지 패턴을 학습한다.

이와 같이 학습부(320)를 이용한 학습이 완료된 후, 카메라(100)는 검사하고자 하는 선박을 촬영하여 이미지를 획득하고, 이를 분석부(330)로 전송한다.

분석부(330)는 학습부(320)의 학습 결과를 바탕으로 상기 카메라(100)가 획득한 이미지 내 선박의 도장 상태를 판단하고, 가이드부(500)는 상기 분석부(330)의 분석 결과에 따라 사용자에게 도장작업을 위한 가이드를 제공할 수 있다.

표시부(400)는 카메라(100)가 획득한 선박의 이미지, 분석부(330)의 분석 결과 및 가이드부(500)의 가이드 정보를 사용자에게 표시할 수 있다.

전술한 이미지 분석을 이용한 선박 도장 상태 검사 시스템(10)의 각 구성은 제어부(600)에 의하여 제어될 수 있다.

한편, 전술한 이미지 분석을 이용한 선박 도장 상태 검사 시스템(10)을 이용한 선박 도장 상태 검사 방법이 제공될 수 있다.

도 9는 본 발명의 일 실시예에 따른 철판 품질 개선 방법에서 사용되는 이미지 분석을 이용한 선박 도장 상태 검사 방법을 나타낸 순서도이다.

도 9를 참조하면, 본 발명의 일 실시 예에 따른 이미지 분석을 이용한 선박 도장 상태 검사 방법은, 카메라(100)가 선박의 외관을 촬영하는 단계(S510), 도막 두께 측정기(200)가 선박의 표면에 도장된 도막의 두께를 측정하는 단계(S520), 검사부(300)가 상기 카메라(100)가 획득한 이미지 및 도막 두께 측정기(200)가 측정한 도막의 두께를 분석하여 도장 상태를 판단하는 단계(S530) 및 표시부(400)가 상기 분석 결과를 표시하는 단계(S540)를 포함할 수 있다.

일 실시 예에 따르면, 상기 도장 상태를 판단하는 단계는, 심층신경망(DNN: Deep Neural Network)를 이용한 딥러닝 기술을 통해 상기 선박의 도장 상태를 판단할 수 있다.

심층신경망(DNN)과 관련하여는 앞서 도장 상태 검사 시스템(10)을 설명함에 있어서 상세히 설명하였으므로 구체적인 설명은 생략하기로 한다.

도 10은 본 발명의 일 실시예에 따른 철판 품질 개선 방법에서 사용되는 선박 도장 상태 판단 방법을 나타낸 순서도이다.

일 실시 예에 따르면, 상기 상기 도장 상태를 판단하는 단계(S520)는, 도장 상태에 따른 선박 도장 표면의 이미지 또는 도막의 두께를 수집하여 저장하는 단계(S610), 상기 저장한 이미지를 이용해 선박 도장 상태에 따른 이미지 패턴을 학습하는 단계(S620) 및 상기 학습 결과에 따라 상기 카메라(100) 또는 도막 두께 측정기(200)로부터 획득한 선박의 도장 상태를 판단하는 단계(S630)를 포함할 수 있다.

한편, 일 실시 예에 따른 이미지 분석을 이용한 도장 상태 검사 방법은, 분석 결과에 따라 사용자에게 도장작업을 위한 가이드를 제공하는 단계를 더 포함할 수 있다.

일 실시 예에 따르면, 상기 가이드를 제공하는 단계는, 상기 분석 결과 도장이 미완료된 것으로 판단되는 경우 도장 작업 완료를 위한 가이드를 제공할 수 있다. 즉, 도장 상태를 판단하는 단계(S520) 이후, 판단 결과 아직 도장이 완료되지 않은 상태라면 이를 완료하기 위하여 다음에 수행해야 할 작업에 대한 정보를 사용자에게 제공할 수 있다.

일 실시 예에 따르면, 상기 가이드를 제공하는 단계는, 상기 분석 결과 선박 도장 표면에 결함 있는 것으로 판단되는 경우 결함 제거를 위한 가이드를 제공할 수 있다. 즉, 도장 상태를 판단하는 단계(S520) 이후, 판단 결과 선박 도장 표면에 결함이 있는 것으로 판단되는 경우 결함 제거를 위한 가이드를 제공할 수 있다. 이 경우, 가이드부(500)는 결함의 종류, 위치 및 크기 등에 대한 정보 및 이를 제거하기 위해 수행해야 할 작업공정에 대한 정보를 제공할 수 있다.

이상 본 발명의 일 실시 예에 따른 이미지 분석을 이용한 선박 도장 상태 검사 시스템 및 방법에 대하여 설명하였다. 본 발명에 의하면, 딥러닝(Deep Learning)을 이용한 이미지 분석을 통해 선박의 도장 상태를 정확하고 효율적으로 검사할 수 있고, 선박의 도장 상태에 대한 검사 결과에 따라 현재 수행해야 할 도장작업에 대한 가이드를 제공함으로써, 효율적인 도장작업이 이루어질 수 있도록 할 수 있다.

또한, 이미지 분석을 이용한 선박 도장 상태 검사 방법의 각 단계는, 선박 도장 상태 검사 시스템(10)의 각 구성요소들에 의하여 수행될 수 있으며, 방법을 설명함에 있어서 상세히 기재하지 않았더라도 앞서 상술한 이미지 분석을 이용한 선박 도장 상태 검사 시스템(10)의 각 구성요소들이 수행하는 기능들을 이용한 다양한 실시 예에 따른 이미지 분석을 이용한 선박 도장 상태 검사 방법이 제공될 수 있음은 물론이다.

도 11은 본 발명의 일 실시예에 따른 철판 품질 개선 방법을 나타낸 순서도이다.

도 11을 참조하면, 단계(S1101)에서, 영상 수집 장치를 통해 철판을 촬영할 수 있다. 여기에서, 영상 수집 장치는 이미지 센서를 포함하여 이미지를 캡쳐할 수 있는 모든 장치를 포함할 수 있다.

단계(S1102)에서, 촬영된 이미지를 판독 알고리즘을 통해 분석할 수 있다. 이때, 판독 알고리즘은 머신러닝을 포함할 수 있다. 머신러닝은 경험적 데이터를 기반으로 학습하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템으로, 트리 구조 형태를 예측 모델로 사용하는 의사 결정 나무(Decision Tree), 생물의 신경 네트워크 구조와 기능을 모방하는 인공 신경망(Neural Network), 생물의 진화 알고리즘에 기반한 유전자 프로그래밍(Genetic Programming), 관측된 예를 군집이라는 부분집합으로 분배하는 군집화(Clustering), 무작위로 추출된 난수를 통해 함수 값을 확률로 계산하는 몬테카를로 방법(Monter Carlo method) 등이 있으며, 본 발명에서는 이러한 머신러닝 중 하나를 이용하여 촬여된 이미지를 분석할 수 있다.

단계(S1103)에서, 분석된 이미지에 등급을 부여할 수 있다. 또한, 본 발명의 일 실시예에서, 등급에 기초하여 수정 작업을 제안할 수 있다. 여기에서, 수정 작업은 블라스팅(Blasting) 작업을 포함할 수 있다. 블라스팅 작업이란 제품이나 재료의 표면에 모래, 강 쇼트, 그릿, 모래나 규석 입자 등의 연마재를 첨가한 물 등을 압축 공기 또는 기타의 방법으로 강력하게 분사하여 스케일, 녹, 도막 등을 제거하는 방법을 말한다. 본 발명은 블라스팅 방법에 대하여는 자세히 설명하지 않으나 통상의 기술자가 사용할 수 있는 블라스팅 방법이 본 발명에 적용될 수 있음은 물론이다. 또한, 본 발명의 일 실시예에서, 부여된 등급이 기 설정된 등급보다 낮은 경우, 철판에 대한 정보를 외부 서버에 보고(report)할 수 있다. 예를 들어, 촬영된 철판에 대한 식별 정보(ID), 철판을 촬영한 이미지 및 부여된 등급을 포함하는 모든 정보를 외부 서버에 전송할 수 있다.

단계(S1104)에서, 분석된 이미지에 철판의 상태를 포함하여 라벨링할 수 있다. 이때, 철판의 상태는 철판의 조도, 철판의 표면 상태 및 철판의 오염 유무 중 적어도 하나를 포함할 수 있다. 또한, 본 발명의 일 실시예에서, 라벨링된 이미지를 머신러닝을 통해 학습할 수 있다. 즉, 단계(S1102)에서, 촬영된 이미지를 머신러닝을 통하여 분석하는 것과 별개로, 분석된 이미지에 철판의 상태를 포함하여 라벨링한 이미지를 머신러닝을 통하여 한번 더 분석할 수 있다. 이때, 단계(S1102)에서 사용되는 머신러닝과 단계(S1104)에서 사용되는 머신러닝은 상이한 머신러닝에 대응할 수 있다. 또한, 본 발명의 일 실시예에서, 머신러닝을 통하여 학습된 정보를 라벨링된 이미지에 포함하여 저장할 수 있다. 예를 들어, 분석된 이미지에 철판의 상태를 포함하여 라벨링한 이미지를 머신러닝을 통하여 분석하는 경우, 기존에 밝혀진 철판의 상태 이외에 다른 정보가 추가될 수 있다. 이 경우, 머신러닝을 통하여 새롭게 학습된 추가 정보를 라벨링된 이미지에 포함하여 저장할 수 있다. 또한, 본 발명의 일 실시예에서, 머신러닝을 통하여 학습된 정보를 포함하는 이미지를 외부 서버로 전송할 수 있다. 보다 상세하게는, 최종적으로 분석된 모든 정보와 함께 철판 이미지를 외부 서버로 전송할 수 있다. 이에 따라, 분석된 정보에 기초하여 해당 철판에 대한 히스토리(수정 작업 필요 여부 또는 수정 작업 완료 유무)가 함께 저장되어 외부 서버로 전송될 수 있다.

한편, 본 발명은 상술한 특정의 실시예 및 응용예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 다양한 변형 실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 구별되어 이해되어서는 안 될 것이다.

100: 도막 두께 측정장치
200: 휴대용 단말기
300: 외부 단말기(PC)
400: 외부 단말기(스마트폰)

Claims

영상 수집 장치를 통해 철판을 촬영하는 단계;
상기 촬영된 이미지를 판독 알고리즘을 통해 분석하는 단계; 및
상기 분석된 이미지에 등급을 부여하는 단계를 포함하는, 철판 품질 개선 방법.
제 1 항에 있어서,
상기 판독 알고리즘은 머신러닝(machine learning)을 포함하는 것을 특징으로 하는, 철판 품질 개선 방법.
제 1 항에 있어서,
상기 등급에 기초하여 수정 작업을 제안하는 단계를 더 포함하는 것을 특징으로 하는, 철판 품질 개선 방법.
제 3 항에 있어서,
상기 부여된 등급이 기 설정된 등급보다 낮은 경우, 상기 철판에 대한 정보를 외부서버에 보고(report)하는 단계를 더 포함하는 것을 특징으로 하는, 철판 품질 개선 방법.
제 3 항에 있어서,
상기 수정 작업은 블라스팅(Blasting) 작업을 포함하는 것을 특징으로 하는, 철판 품질 개선 방법.
제 1 항에 있어서,
상기 분석된 이미지를 철판의 상태를 포함하여 라벨링하는 단계를 더 포함하는 것을 특징으로 하는, 철판 품질 개선 방법.
제 6 항에 있어서,
상기 철판의 상태는 철판의 조도, 철판의 표면 상태 및 철판의 오염 유무 중 적어도 하나를 포함하는 것을 특징으로 하는, 철판 품질 개선 방법.
제 6 항에 있어서,
상기 라벨링된 이미지를 머신러닝을 통해 학습하는 단계를 더 포함하는 것을 특징으로 하는, 철판 품질 개선 방법.
제 8 항에 있어서,
상기 머신러닝을 통하여 학습된 정보를 상기 라벨링된 이미지에 포함하여 저장하는 단계를 더 포함하는 것을 특징으로 하는, 철판 품질 개선 방법.
제 9 항에 있어서,
상기 머신러닝을 통하여 학습된 정보를 포함하는 이미지를 외부 서버로 전송하는 단계를 더 포함하는 것을 특징으로 하는, 철판 품질 개선 방법.