KR20230100465A - 3d 이미지 데이터를 이용한 타이어 불량 검출 방법 - Google Patents

3d 이미지 데이터를 이용한 타이어 불량 검출 방법 Download PDF

Info

Publication number
KR20230100465A
KR20230100465A KR1020210190382A KR20210190382A KR20230100465A KR 20230100465 A KR20230100465 A KR 20230100465A KR 1020210190382 A KR1020210190382 A KR 1020210190382A KR 20210190382 A KR20210190382 A KR 20210190382A KR 20230100465 A KR20230100465 A KR 20230100465A
Authority
KR
South Korea
Prior art keywords
tire
image data
area
detecting
learning
Prior art date
Application number
KR1020210190382A
Other languages
English (en)
Inventor
김현석
배유석
이원곡
허조훈
김준민
이우람
Original Assignee
한국공학대학교산학협력단
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 한국공학대학교산학협력단 filed Critical 한국공학대학교산학협력단
Priority to KR1020210190382A priority Critical patent/KR20230100465A/ko
Priority to PCT/KR2021/020108 priority patent/WO2023127992A1/ko
Publication of KR20230100465A publication Critical patent/KR20230100465A/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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9515—Objects of complex shape, e.g. examined with use of a surface follower device
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
    • B60C25/00—Apparatus or tools adapted for mounting, removing or inspecting tyres
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
    • B60C25/00—Apparatus or tools adapted for mounting, removing or inspecting tyres
    • B60C25/002—Inspecting tyres
    • B60C25/007—Inspecting tyres outside surface
    • 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
    • G01B11/25—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures by projecting a pattern, e.g. one or more lines, moiré fringes on the object
    • 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
    • G01B11/25—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures by projecting a pattern, e.g. one or more lines, moiré fringes on the object
    • G01B11/2518—Projection by scanning of the object
    • 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
    • G01M17/02—Tyres
    • 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
    • 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
    • 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
    • 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
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/30—Polynomial surface description
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • 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
    • G01N2021/8887—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Analytical Chemistry (AREA)
  • Computer Graphics (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

본 발명은 3D 이미지 데이터를 이용한 타이어 불량 검출 방법에 관한 것으로, a) 타이어의 표면 3D 이미지 데이터에서 타이어 영역을 검출하는 단계와, b) 검출된 타이어 영역을 정규화된 이미지 데이터로 변환하는 단계와, c) 정규화된 이미지 데이터로 YOLO 디텍터 학습을 수행하여, 벤트 스퓨 영역 검출을 위한 학습결과를 획득하는 단계와, d) 상기 c) 단계의 학습결과를 이용하여 타이어의 3D 이미지에서 벤트 스퓨 영역을 검출하는 단계를 포함할 수 있다.

Description

3D 이미지 데이터를 이용한 타이어 불량 검출 방법{Defect detection method for tire using 3D image data}
본 발명은 타이어 불량 검출 방법에 관한 것으로, 더 상세하게는 3D 이미지 데이터를 이용하여 불량을 검출하는 방법에 관한 것이다.
일반적으로, 자동차용 타이어 제조공정 중, 최종 검사 단계는 육안으로 타이어의 벤트 스퓨(vent spews)를 검사하는 과정이다. 벤트 스퓨는 타이어 제조공정에서 틀 내부의 공기가 외부로 빠져나갈 수 있도록 미세한 구멍을 뚫어 놓으며, 그 구멍으로 고무가 흘러나와 굳은 돌기이다.
벤트 스퓨의 존재는 타이어 제조공정상 당연히 존재하는 것이지만, 그 길이가 기준 길이 이상인 경우 결함으로 취급된다.
등록특허 10-1879968호(2018년 7월 12일 등록, 타이어 지지장치, 및 그 타이어 지지장치를 구비하는 타이어 시험 시스템)에는 스퓨에 의한 문제점과 그 문제점을 해결하기 위한 시스템이 기재되어 있지만 이는 스퓨의 제거에 관한 것이며, 현재까지도 타이어의 벤트 스퓨는 육안으로 확인하여 결함 여부를 판단하고 있다.
따라서, 작업자의 판단에 의해 결함 검출 여부가 결정되기 때문에, 시간이 많이 소요될 뿐만 아니라 결함 검출에 대한 신뢰성이 저하되는 문제점이 있었다.
상기와 같은 문제점을 감안한 본 발명이 해결하고자 하는 과제는, 타이어의 벤트 스퓨 영역을 자동으로 검출하고, 벤트 스퓨의 길이를 확인하여 결함 여부를 판정할 수 있는 방법을 제공함에 있다.
상기와 같은 기술적 과제를 해결하기 위한 본 발명 3D 이미지 데이터를 이용한 타이어 불량 검출 방법은, a) 타이어의 표면 3D 이미지 데이터에서 타이어 영역을 검출하는 단계와, b) 검출된 타이어 영역을 정규화된 이미지 데이터로 변환하는 단계와, c) 정규화된 이미지 데이터로 YOLO 디텍터 학습을 수행하여, 벤트 스퓨 영역 검출을 위한 학습결과를 획득하는 단계와, d) 상기 c) 단계의 학습결과를 이용하여 타이어의 3D 이미지에서 벤트 스퓨 영역을 검출하는 단계를 포함할 수 있다.
본 발명의 실시예에서, e) 검출된 벤트 스퓨 영역에서 벤트 스퓨의 길이 정보를 획득하고, 기준길이와 비교하여 불량 여부를 판정하는 단계를 더 포함할 수 있다.
본 발명의 실시예에서, 상기 a) 단계는, 3D 이미지 데이터를 오츠의 스레시홀딩 알고리즘(Otsu's Thresholding Method) 처리하는 과정과, 오츠의 스레시홀딩 알고리즘 처리된 결과 데이터의 노이즈를 침식 연산을 통해 제거하는 과정과, 수평 투영 히스토그램 방법을 이용하여 타이어 영역을 검출하는 과정을 포함할 수 있다.
본 발명의 실시예에서, 상기 b) 단계는, 최소-최대 정규화 방법을 사용할 수 있다.
본 발명의 실시예에서, 상기 c) 단계는, YOLO V3를 이용하여 학습할 수 있다.
본 발명은, 타이어 영역을 검출하고, 타이어 표면 3D 데이터를 정규화한 후, 실시간 검출 시스템인 YOLO 디텍터(You Only Look Once detector) 학습을 수행하고, 벤트 스퓨 영역을 검출하여, 벤트 스퓨의 길이를 자동으로 검출할 수 있어, 종래의 육안 검사에 의한 문제점들을 해소할 수 있는 효과가 있다.
도 1은 본 발명의 바람직한 실시예에 따른 3D 이미지 데이터를 이용한 타이어 불량 검출 방법의 순서도이다.
도 2는 타이어 3D 이미지 획득을 위한 장치의 모식도이다.
도 3은 타이어 표면의 3D 이미지 데이터의 예시도이다.
도 4는 오츠 스레시홀딩 알고리즘을 적용한 타이어의 이미지 데이터의 예시도이다.
도 5는 침식 연산의 수행 결과 이미지이다.
도 6은 수평 투영 히스토그램 방법의 예시도이다.
도 7은 타이어 영역 검출 결과도이다.
도 8은 정규화된 타이어 3D 이미지이다.
도 9는 정규화된 타이어 3D 이미지의 히스토그램이다.
도 10은 학습을 위한 이미지 분할 예시도이다.
도 11은 검출된 벤트 스퓨 영역의 예시도이다.
본 발명의 구성 및 효과를 충분히 이해하기 위하여, 첨부한 도면을 참조하여 본 발명의 바람직한 실시예들을 설명한다. 그러나 본 발명은 이하에서 개시되는 실시예에 한정되는 것이 아니라, 여러가지 형태로 구현될 수 있고 다양한 변경을 가할 수 있다. 단지, 본 실시예에 대한 설명은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위하여 제공되는 것이다. 첨부된 도면에서 구성요소는 설명의 편의를 위하여 그 크기를 실제보다 확대하여 도시한 것이며, 각 구성요소의 비율은 과장되거나 축소될 수 있다.
'제1', '제2' 등의 용어는 다양한 구성요소를 설명하는데 사용될 수 있지만, 상기 구성요소는 위 용어에 의해 한정되어서는 안 된다. 위 용어는 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용될 수 있다. 예를 들어, 본 발명의 권리범위를 벗어나지 않으면서 '제1구성요소'는 '제2구성요소'로 명명될 수 있고, 유사하게 '제2구성요소'도 '제1구성요소'로 명명될 수 있다. 또한, 단수의 표현은 문맥상 명백하게 다르게 표현하지 않는 한, 복수의 표현을 포함한다. 본 발명의 실시예에서 사용되는 용어는 다르게 정의되지 않는 한, 해당 기술분야에서 통상의 지식을 가진 자에게 통상적으로 알려진 의미로 해석될 수 있다.
본 발명은 타이어의 불량을 자동 검출하기 위한 방법에 관한 것으로, 3D 이미지를 획득하기 위한 카메라, 이미지를 학습하고, 벤트 스퓨의 영역 검출 및 길이의 판단은 적어도 프로세서를 포함하는 컴퓨팅 장치를 포함하는 장치에 기반하여 수행된다.
즉, 본원발명에서 언급되는 각 단계는 컴퓨팅 장치의 프로세서에서 수행되는 것으로 이해되어야 한다.
이하에서는, 도면을 참조하여 본 발명의 일실시예에 따른 3D 이미지 데이터를 이용한 타이어 불량 검출 방법에 대하여 설명한다.
도 1은 본 발명의 바람직한 실시예에 따른 3D 이미지 데이터를 이용한 타이어 불량 검출 방법의 순서도이다.
도 1을 참조하면 본 발명은, 타이어의 3D 이미지에서 타이어 영역을 검출하는 단계(S11)와, 검출된 타이어 영역을 정규화하는 단계(S12)와, YOLO 디텍터 학습을 수행하는 단계(S13)와, 학습결과를 이용하여 벤트 스퓨 영역을 검출하는 단계(S14)와, 벤트 스퓨 영역에서 벤트 스퓨 길이를 기준 길이와 비교하여 불량여부를 판정하는 단계(S15)를 포함한다.
이하, 상기와 같이 구성되는 본 발명 3D 이미지 데이터를 이용한 타이어 불량 검출 방법의 구성과 작용에 대하여 보다 상세히 설명한다.
먼저, S11단계와 같이 타이어의 3D 이미지에서 타이어 영역을 검출한다.
3D 이미지의 획득은, 타이어의 표면을 대상으로 하며, 도 2에 도시한 바와 같이 3D 라인 스캔 카메라(1)를 설치하고, 정반(2) 위에서 정렬되어 회전하는 타이어(3)의 표면을 포커싱하여 촬영하는 것으로 수행될 수 있다.
도 3에는 획득된 타이어 표면의 3D 이미지 데이터의 예를 도시하였다.
촬영된 타이어 표면의 3D 이미지 데이터는 타이어(3)의 둘레 높이와 동일 비율이며, 각 타이어 둘레에 따른 가변적인 해상도로 취득된다.
일반적으로 흔히 사용되는 이미지 데이터의 픽셀 당 자료형은 8 bit인데 반해 촬영된 3D 데이터는 현재 사용 3D 카메라(1) 사양 기준으로 Height resolution은 5μm, Z-Range는 300mm이므로 픽셀 당 자료형은 깊이 최대 값을 표현하기 위해 16 bit이다.
타이어 표면 3D 데이터 취득 환경에서 각 타이어 표면의 실제 깊이 정보가 아닌 3D 카메라의 Z-Range 내에서 타이어의 크기에 따른 깊이 정보를 취득하기 때문에 타이어의 외관 결함 인식 시 각 타이어 표면 3D 데이터는 서로 다른 범위를 가지게 되어 실제 타이어 표면의 깊이 정보 값을 가질 수 있도록 3D 데이터의 정규화 과정이 필요하다.
또한 타이어 3D 데이터의 촬영은 타이어 표면을 대상으로 하므로 카메라의 Z-Range 사양과 비교 시 극히 일부분만을 사용하기 때문에 보다 정밀한 인식 성능을 위해 정규화와 더불어 정규화된 깊이 값의 범위 내에서 각 값의 차이를 극명하게 하기 위한 히스토그램 스트레칭(Histogram Stretching) 처리가 필요하다.
타이어의 3D 이미지 데이터에서 타이어 영역을 검출하기 위하여, 본 발명에서는 오츠의 스레시홀딩 알고리즘(Otsu's Thresholding Method)를 사용한다.
오츠 알고리즘의 예를 수학식 1에 기재하였다.
Figure pat00001
위의 수학식1에 기재된 변수들은 알려진 오츠 알고리즘의 변수에 따른다.
도 4는 오츠 스레시홀딩 알고리즘을 적용한 타이어의 이미지 데이터의 예시도이다.
도 4에 도시한 바와 같이 오츠 스레시홀딩 알고리즘을 적용한 이미지는 타이어가 정렬되는 정반(2)으로 인해 하단 노이즈가 발생할 수 있으며, 타이어 상단 표면에 발생되는 벤트 스퓨 영역을 제거할 필요가 있으며, 침식 연산을 수행하여 해당 영역을 제거한다.
도 5는 침식 연산의 수행 결과 이미지를 나타낸다.
도 5에 도시한 바와 같이 침식 연산을 통해 노이즈가 제거되어 목표로하는 타이어 영역만을 검출할 수 있으며, 최종적으로 도 6에 도시한 수평 투영 히스토그램 방법을 이용하여 타이어 영역을 검출한다.
타이어 영역의 검출 결과를 도 7에 도시하였다.
검출된 타이어 영역과 도 3의 원본 이미지 데이터를 비교하면, 원본 타이어 표면 3D 이미지 데이터 상에 초록색선으로 표현되는 타이어 영역 검출 결과를 얻을 수 있다.
그 다음, S12단계와 같이 검출된 타이어 영역을 정규화한다.
이때의 정규화는 최소-최대 정규화 방법을 사용할 수 있다.
수학식 2는 최소-최대 정규화의 일반식이다.
Figure pat00002
최소-최대 정규화 결과 이미지를 도 8에 도시하였으며, 도 9에는 타이어 표면 3D 이미지 데이터를 최소-최대 정규화 후, 깊이 값의 히스토그램을 도시하였다.
히스토그램#1은 카메라 사양 정보 상의 최소, 최대 값을 이용한 결과이며, 두 번째 히스토그램#2은 데이터 전체 영역 상의 최소, 최대 값을 이용한 결과이고, 세 번째 히스토그램#3은 타이어 영역을 검출 후 타이어 영역 내에서 최소, 최대 값을 이용하여 정규화된 결과이다.
이처럼 타이어 영역을 검출하여 정규화된 결과는 다른 정규화 결과와 비교 시 제한된 범위 내의 값을 보다 충분히 활용하는 만큼 차이가 명확함을 알 수 있으며 타이어 표면에서의 최소, 최대 값을 이용하기 때 문에 실제 타이어 표면 내에서의 정밀한 깊이 정보를 얻을 수가 있다.
그 다음, S13단계와 같이 YOLO 디텍터 학습을 수행한다.
육안검사를 대체하여 기계적으로 타이어의 결함 영역을 검출하는 것에 중요한 요인은 정확도와 더불어 처리속도 또한 중요한 요인으로 포함된다. 작은 크기의 불량 영역까지 검출해야 하는 타이어 표면 3D 데이터 특성상 타이어 둘레와 높이에 따라 해상도는 가변적이나 일반적으로 다루는 데이터와 비교 시 높은 해상도를 가지며 이는 학습 및 인식시 많은 연산량과 시간을 요구하게 한다.
본 발명에서는 다양한 딥러닝 방법 중 인식과 속도 성능 요인을 모두 충족할 수 있는 YOLO 디텍터를 사용하였다.
YOLO는 객체 검출을 위한 딥러닝 모델로서 학습과 검출시 복잡한 알고리즘 파이프라인 구조 대신 하나의 신경망 구조로 이루어져 있어 높은 정확도와 빠른속도 두 가지를 모두 충족시킬 수 있는 알고리즘이다. 본 발명에서는 기존 YOLO에서 성능이 개선된 YOLO V3를 사용하였다.
YOLO V3는 YOLO, YOLO V2에 이은 개선된 알고리즘으로 9000개의 클래스를 분류와 작은 물체를 검출 가능토록 개선한 V2에 이어 백본으로 V2에서 적용한 Darknet-19에 이은 Darknet-53(Residual 적용) 적용, K-Means 클러스터링을 적용한 서로 다른 3개의 다른 스케일에서의 앵커 박스 예측, 멀티 레이블(Multi Labels) 예측을 위해 로지스틱 레그레이션(Logistic regression)으로 소프트맥스(Softmax)를 대체 방법 등의 방법을 적용하여 성능 개선이 이루어졌다.
학습에 사용되는 3D 데이터는 고해상도의 데이터로서 제한된 메모리 환경에 처리해야 하므로 도 10과 같이 학습에 사용되는 데이터는 일정 크기로 잘라내어 학습 및 테스트 데이터를 구성하였다.
이와 같은 학습을 통해, 다양한 타이어에 대하여 벤트 스퓨 영역에 대한 학습 결과를 얻을 수 있으며, 신규한 타이어 3D 이미지에 대하여 S14단계와 같이 벤트 스퓨 영역을 검출하고, S15단계와 같이 벤트 스퓨의 길이에 대한 정보를 확인하여, 불량 검출을 수행할 수 있다.
도 11에 벤트 스퓨 영역의 검출 결과를 도시하였다.
이상에서 본 발명에 따른 실시예들이 설명되었으나, 이는 예시적인 것에 불과하며, 당해 분야에서 통상적 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 범위의 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 다음의 청구범위에 의해서 정해져야 할 것이다.
1:카메라 2:정반
3:타이어

Claims (5)

  1. a) 타이어의 표면 3D 이미지 데이터에서 타이어 영역을 검출하는 단계;
    b) 검출된 타이어 영역을 정규화된 이미지 데이터로 변환하는 단계;
    c) 정규화된 이미지 데이터로 YOLO 디텍터 학습을 수행하여, 벤트 스퓨 영역 검출을 위한 학습결과를 획득하는 단계; 및
    d) 상기 c) 단계의 학습결과를 이용하여 타이어의 3D 이미지에서 벤트 스퓨 영역을 검출하는 단계를 포함하는 3D 이미지 데이터를 이용한 타이어 불량 검출 방법.
  2. 제1항에 있어서,
    e) 검출된 벤트 스퓨 영역에서 벤트 스퓨의 길이 정보를 획득하고, 기준길이와 비교하여 불량 여부를 판정하는 단계를 더 포함하는 3D 이미지 데이터를 이용한 타이어 불량 검출 방법.
  3. 제1항 또는 제2항에 있어서,
    상기 a) 단계는,
    3D 이미지 데이터를 오츠의 스레시홀딩 알고리즘(Otsu's Thresholding Method) 처리하는 과정;
    오츠의 스레시홀딩 알고리즘 처리된 결과 데이터의 노이즈를 침식 연산을 통해 제거하는 과정; 및
    수평 투영 히스토그램 방법을 이용하여 타이어 영역을 검출하는 과정으로 이루어진 3D 이미지 데이터를 이용한 타이어 불량 검출 방법.
  4. 제1항 또는 제2항에 있어서,
    상기 b) 단계는,
    최소-최대 정규화 방법을 사용하는 것을 특징으로 하는 3D 이미지 데이터를 이용한 타이어 불량 검출 방법.
  5. 제1항 또는 제2항에 있어서,
    상기 c) 단계는,
    YOLO V3를 이용하여 학습하는 것을 특징으로 하는 3D 이미지 데이터를 이용한 타이어 불량 검출 방법.
KR1020210190382A 2021-12-28 2021-12-28 3d 이미지 데이터를 이용한 타이어 불량 검출 방법 KR20230100465A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210190382A KR20230100465A (ko) 2021-12-28 2021-12-28 3d 이미지 데이터를 이용한 타이어 불량 검출 방법
PCT/KR2021/020108 WO2023127992A1 (ko) 2021-12-28 2021-12-29 3d 이미지 데이터를 이용한 타이어 불량 검출 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210190382A KR20230100465A (ko) 2021-12-28 2021-12-28 3d 이미지 데이터를 이용한 타이어 불량 검출 방법

Publications (1)

Publication Number Publication Date
KR20230100465A true KR20230100465A (ko) 2023-07-05

Family

ID=86999292

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210190382A KR20230100465A (ko) 2021-12-28 2021-12-28 3d 이미지 데이터를 이용한 타이어 불량 검출 방법

Country Status (2)

Country Link
KR (1) KR20230100465A (ko)
WO (1) WO2023127992A1 (ko)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5109598B2 (ja) * 2007-11-02 2012-12-26 住友ゴム工業株式会社 物品検査方法
JP2014117800A (ja) * 2012-12-13 2014-06-30 Yokohama Rubber Co Ltd:The 空気入りタイヤの加硫異常検知方法および装置
FR3039684B1 (fr) * 2015-07-27 2018-08-10 Compagnie Generale Des Etablissements Michelin Procede optimise d'analyse de la conformite de la surface d'un pneumatique
JP2019143996A (ja) * 2018-02-16 2019-08-29 株式会社ブリヂストン タイヤ検査装置、タイヤ検査プログラム及びタイヤ検査方法
KR102316307B1 (ko) * 2021-04-27 2021-10-22 주식회사 오토기기 타이어의 측면 인쇄 정보 및 결함을 검출하는 장치

Also Published As

Publication number Publication date
WO2023127992A1 (ko) 2023-07-06

Similar Documents

Publication Publication Date Title
CN107545239B (zh) 一种基于车牌识别与车辆特征匹配的套牌检测方法
CN106780486B (zh) 一种钢板表面缺陷图像提取方法
CN110930390B (zh) 基于半监督深度学习的芯片管脚缺失检测方法
EP3176751A1 (en) Information processing device, information processing method, computer-readable recording medium, and inspection system
JP7274885B2 (ja) 表示装置の欠陥識別システム及び方法
JP4243454B2 (ja) 明度補正方法及び選択的欠陥検出方法及びこれらを記録した記録媒体
KR101730133B1 (ko) 사출성형 플라스틱의 검사방법
CN116758491B (zh) 应用于3d打印的打印监控图像分析方法及系统
CN113850749A (zh) 训练缺陷侦测器的方法
CN116485779B (zh) 自适应晶圆缺陷检测方法、装置、电子设备及存储介质
JP2018096908A (ja) 検査装置及び検査方法
KR102242996B1 (ko) 자동차 사출제품의 비정형 불량 검출 방법
CN117094975A (zh) 钢铁表面缺陷检测方法、装置及电子设备
CN108537815B (zh) 一种视频图像前景分割方法和装置
CN114359251A (zh) 一种混凝土表面破损的自动识别方法
CN116523922B (zh) 一种轴承表面缺陷识别方法
CN116309561B (zh) 一种基于防漏电绝缘材料的表面缺陷识别方法
CN115797314B (zh) 零件表面缺陷检测方法、系统、设备及存储介质
KR20230100465A (ko) 3d 이미지 데이터를 이용한 타이어 불량 검출 방법
CN116310424A (zh) 基于图像识别的设备质量评估方法、装置、终端和介质
KR20190119801A (ko) 차량 헤드라이트 얼라인먼트 보정 및 분류 방법 및 이를 이용한 차량 헤드라이트 불량검사 방법
CN115471684A (zh) 注塑工件模板匹配方法、电子设备及存储介质
KR20230036650A (ko) 영상 패치 기반의 불량 검출 시스템 및 방법
JP4247993B2 (ja) 画像検査装置、画像検査方法、制御プログラムおよび可読記憶媒体
CN112150453B (zh) 一种铁路货车摇枕弹簧折断故障自动检测方法

Legal Events

Date Code Title Description
E902 Notification of reason for refusal