최근 생산 공정의 발달과 함께 제품의 검사 과정은 지속적으로 발달 해 왔다. 특히 고수준의 품질 관리와 제품의 높은 신뢰성을 위해 결함 검사 과정은 점차 필수적인 요소로 자리잡고 있다. 하지만 인력에 의한 검사는 검사자의 피로도 및 숙련도 등의 영향을 받으며 비용적, 기술적 효율성이 부족해 지면서 공장 자동화를 위한 다양한 결함 검출 방법이 제안되어 왔다. 컴퓨터 비전을 이용한 영상 처리는 검사 환경에 영향을 받지 않으며 고속 검사가 가능하여 핵심적인 결함 검출 기술로 많이 이용되고 있다. 과거 영상을 이용하여 결함을 검출하는 방법은 결함과 배경의 차이를 증폭시키는 특징을 이용하는 방법을 사용해 왔다. ...
최근 생산 공정의 발달과 함께 제품의 검사 과정은 지속적으로 발달 해 왔다. 특히 고수준의 품질 관리와 제품의 높은 신뢰성을 위해 결함 검사 과정은 점차 필수적인 요소로 자리잡고 있다. 하지만 인력에 의한 검사는 검사자의 피로도 및 숙련도 등의 영향을 받으며 비용적, 기술적 효율성이 부족해 지면서 공장 자동화를 위한 다양한 결함 검출 방법이 제안되어 왔다. 컴퓨터 비전을 이용한 영상 처리는 검사 환경에 영향을 받지 않으며 고속 검사가 가능하여 핵심적인 결함 검출 기술로 많이 이용되고 있다. 과거 영상을 이용하여 결함을 검출하는 방법은 결함과 배경의 차이를 증폭시키는 특징을 이용하는 방법을 사용해 왔다. ICA, Gabor filter, Co-Occurrence 행렬과 같은 방법은 결함의 특징을 부각 시키거나 배경의 오차를 감소 시키는 방법을 통해 결함을 검출해 왔다. 하지만 직물, 나무, 돌 등 점차 복잡해지는 배경과 다양화된 환경에서 특징을 이용한 결함 검출은 배경 오차의 증가로 인해 충분한 성능을 발휘하기 어려웠다. 또한 사람에 의한 설정 값은 조명 조건, 배경의 종류나 방향 등과 같은 다양한 요소들의 영향으로 결함 검사 현장의 조그만 외부 요인에도 전체적인 결함 검출의 신뢰성에 큰 타격을 줄 수밖에 없었다. 학습 기반의 결함 검출은 이러한 외부 요인을 억제하고 통계적 설정 값을 통해 신뢰성을 보다 향상 시킬 수 있었다. 하지만 학습 기반 결함 검출의 성능에 가장 큰 영향을 주는 특징 추출은 아직 다양한 배경의 결함을 표현하기 어려운 단점이 있다. 특히 기존의 결함 검출 방법은 수학적 방법에 기반하기 보다 대상 표면과 결함의 종류에 국한된 검출 기술의 개발로 같은 표면과 환경 이외에는 사용이 불가능해 효용성이 부족하며, 기술의 공유가 불가능한 단점이 있다. 본 연구에서는 다양화된 표면에서 다양한 결함을 검출하기 위해 두 가지 방법을 제안한다. 첫 번째는 단색상의 표면에서 복잡한 결과 오차를 포함한 배경까지 다양화 된 표면에서 결함의 특징을 표현할 수 있는 VOV (Variance of Variance) 특징을 제안하고, RF(Random Forest)기계 학습에 적용하여 다양한 표면을 검사할 수 있는 종합적인 결함 검출 방법을 제안한다. VOV 특징은 열과 행의 분산 요소를 이용하여 획득한 분산으로 배경의 종류에 상관없이 결함의 불규칙성을 증폭시켜 준다. RF는 신뢰성 높은 다수의 VOV 특징을 이용하여 복잡한 배경의 인식을 돕고 결함을 분리할 수 있게 한다. 또한 분류 오차를 최소화 하기 위한 과정으로 학습된 RF에 추가적 영상과 오 분류된 샘플을 추가하여 재 학습 과정을 통해 학습 신뢰성을 높인다. 두 번째 결함 검출 방법은 최근 많이 활용되고 있는 DNN(Deep Neural Network)기반의 CNN(Convolution Neural Network)으로 다수의 학습 샘플을 이용하여 특징 추출을 자체적으로 수행하는 학습 기반 결함 검출 방법이다. CNN은 매우 많은 샘플의 통계적 추출을 통해 특징을 추출하기 때문에 매우 높은 신뢰성의 결함 검출을 구성할 수 있다. 본 논문에서는 제안된 두 가지 결함 검출 방법의 최적 설계를 위한 실험을 수행한다. 또한 국내 생산 공정에서 가장 많이 사용하는 4종류의 표면과, 결함의 검출이 어려운 2종류의 표면을 이용하여 기존의 방법과 다양한 비교를 통해 제안된 결함 검출 방법의 신뢰성을 입증한다. 따라서 본 논문에서 제안된 결함 검출은 다양한 표면의 다양한 결함을 효과적으로 검출 할 수 있으며, 표면에 영향을 받지 않은 기계 학습 기반의 결함 검출 방법을 제안할 수 있다. 특히 결함 샘플을 구성하기 어려운 경우에는 RF를 이용하여 효율성을 높일 수 있으며, 매우 많은 학습 샘플이 주어질 경우에는 CNN을 이용하여 신뢰성이 매우 높은 결함 검출을 할 수 있다.
최근 생산 공정의 발달과 함께 제품의 검사 과정은 지속적으로 발달 해 왔다. 특히 고수준의 품질 관리와 제품의 높은 신뢰성을 위해 결함 검사 과정은 점차 필수적인 요소로 자리잡고 있다. 하지만 인력에 의한 검사는 검사자의 피로도 및 숙련도 등의 영향을 받으며 비용적, 기술적 효율성이 부족해 지면서 공장 자동화를 위한 다양한 결함 검출 방법이 제안되어 왔다. 컴퓨터 비전을 이용한 영상 처리는 검사 환경에 영향을 받지 않으며 고속 검사가 가능하여 핵심적인 결함 검출 기술로 많이 이용되고 있다. 과거 영상을 이용하여 결함을 검출하는 방법은 결함과 배경의 차이를 증폭시키는 특징을 이용하는 방법을 사용해 왔다. ICA, Gabor filter, Co-Occurrence 행렬과 같은 방법은 결함의 특징을 부각 시키거나 배경의 오차를 감소 시키는 방법을 통해 결함을 검출해 왔다. 하지만 직물, 나무, 돌 등 점차 복잡해지는 배경과 다양화된 환경에서 특징을 이용한 결함 검출은 배경 오차의 증가로 인해 충분한 성능을 발휘하기 어려웠다. 또한 사람에 의한 설정 값은 조명 조건, 배경의 종류나 방향 등과 같은 다양한 요소들의 영향으로 결함 검사 현장의 조그만 외부 요인에도 전체적인 결함 검출의 신뢰성에 큰 타격을 줄 수밖에 없었다. 학습 기반의 결함 검출은 이러한 외부 요인을 억제하고 통계적 설정 값을 통해 신뢰성을 보다 향상 시킬 수 있었다. 하지만 학습 기반 결함 검출의 성능에 가장 큰 영향을 주는 특징 추출은 아직 다양한 배경의 결함을 표현하기 어려운 단점이 있다. 특히 기존의 결함 검출 방법은 수학적 방법에 기반하기 보다 대상 표면과 결함의 종류에 국한된 검출 기술의 개발로 같은 표면과 환경 이외에는 사용이 불가능해 효용성이 부족하며, 기술의 공유가 불가능한 단점이 있다. 본 연구에서는 다양화된 표면에서 다양한 결함을 검출하기 위해 두 가지 방법을 제안한다. 첫 번째는 단색상의 표면에서 복잡한 결과 오차를 포함한 배경까지 다양화 된 표면에서 결함의 특징을 표현할 수 있는 VOV (Variance of Variance) 특징을 제안하고, RF(Random Forest) 기계 학습에 적용하여 다양한 표면을 검사할 수 있는 종합적인 결함 검출 방법을 제안한다. VOV 특징은 열과 행의 분산 요소를 이용하여 획득한 분산으로 배경의 종류에 상관없이 결함의 불규칙성을 증폭시켜 준다. RF는 신뢰성 높은 다수의 VOV 특징을 이용하여 복잡한 배경의 인식을 돕고 결함을 분리할 수 있게 한다. 또한 분류 오차를 최소화 하기 위한 과정으로 학습된 RF에 추가적 영상과 오 분류된 샘플을 추가하여 재 학습 과정을 통해 학습 신뢰성을 높인다. 두 번째 결함 검출 방법은 최근 많이 활용되고 있는 DNN(Deep Neural Network)기반의 CNN(Convolution Neural Network)으로 다수의 학습 샘플을 이용하여 특징 추출을 자체적으로 수행하는 학습 기반 결함 검출 방법이다. CNN은 매우 많은 샘플의 통계적 추출을 통해 특징을 추출하기 때문에 매우 높은 신뢰성의 결함 검출을 구성할 수 있다. 본 논문에서는 제안된 두 가지 결함 검출 방법의 최적 설계를 위한 실험을 수행한다. 또한 국내 생산 공정에서 가장 많이 사용하는 4종류의 표면과, 결함의 검출이 어려운 2종류의 표면을 이용하여 기존의 방법과 다양한 비교를 통해 제안된 결함 검출 방법의 신뢰성을 입증한다. 따라서 본 논문에서 제안된 결함 검출은 다양한 표면의 다양한 결함을 효과적으로 검출 할 수 있으며, 표면에 영향을 받지 않은 기계 학습 기반의 결함 검출 방법을 제안할 수 있다. 특히 결함 샘플을 구성하기 어려운 경우에는 RF를 이용하여 효율성을 높일 수 있으며, 매우 많은 학습 샘플이 주어질 경우에는 CNN을 이용하여 신뢰성이 매우 높은 결함 검출을 할 수 있다.
The most of modern inspection systems based on smart sensor technologies widely spread into process control, smart manufacturing, and robotics industries. An automated surface inspection system using computer vision is one of the most important technologies for high quality control in factory automa...
The most of modern inspection systems based on smart sensor technologies widely spread into process control, smart manufacturing, and robotics industries. An automated surface inspection system using computer vision is one of the most important technologies for high quality control in factory automation. The defect detection can perform a non-contact inspection that is no influenced by the type of target, condition of the surface, electromagnetic field, or temperature. Conventional defect detection algorithms used the frequency and regularity of surfaces and were easily affected by hand-crafted parameter and change of environment. Recently defect detection algorithms have made progress by combining machine learning algorithms. Machine learning can provide probable result through learning the features of training data. However, the result of algorithm is influenced by feature extraction method, and there is no feature could apply to variety surfaces. In this paper, we propose two methods to solve the shortcomings of the machine learning. First, we introduce Variance of Variance (VOV) feature and random forest based defect detection method. The VOV feature can be applied generally to various types of surfaces and defects. Also we apply it the random forest based machine learning algorithm. For effective learning and to reduce false detection, we introduced a defect-size insensitive approach, as well as directional changes of the VOV feature. Additionally, a retraining process is introduced to improve classification performance. Second, we propose CNN (Convolution Neural Network) to improve the reliability of defect detection. CNN performs feature extraction and recognition at the same time on a single network and shows better performance than conventional machine learning algorithms separated two modes, which are extracting feature algorithm and learning effective features. Experiment for surface defect in real images proves the possibility for defect detection.
The most of modern inspection systems based on smart sensor technologies widely spread into process control, smart manufacturing, and robotics industries. An automated surface inspection system using computer vision is one of the most important technologies for high quality control in factory automation. The defect detection can perform a non-contact inspection that is no influenced by the type of target, condition of the surface, electromagnetic field, or temperature. Conventional defect detection algorithms used the frequency and regularity of surfaces and were easily affected by hand-crafted parameter and change of environment. Recently defect detection algorithms have made progress by combining machine learning algorithms. Machine learning can provide probable result through learning the features of training data. However, the result of algorithm is influenced by feature extraction method, and there is no feature could apply to variety surfaces. In this paper, we propose two methods to solve the shortcomings of the machine learning. First, we introduce Variance of Variance (VOV) feature and random forest based defect detection method. The VOV feature can be applied generally to various types of surfaces and defects. Also we apply it the random forest based machine learning algorithm. For effective learning and to reduce false detection, we introduced a defect-size insensitive approach, as well as directional changes of the VOV feature. Additionally, a retraining process is introduced to improve classification performance. Second, we propose CNN (Convolution Neural Network) to improve the reliability of defect detection. CNN performs feature extraction and recognition at the same time on a single network and shows better performance than conventional machine learning algorithms separated two modes, which are extracting feature algorithm and learning effective features. Experiment for surface defect in real images proves the possibility for defect detection.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.