선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구는 효율적인 부품조립과 정확성을 높이기 위하여 영상처리기법을 이용한 CCB의 불량 부품 판정 방법을 제시하기 위하여 수행한 결과를 요약하면 다음과 같다.
- 본 연구에서는 자동차 조립부품 중 CCB에 고정되는 볼트, 너트, 홀 등의 정확한 조립위치를 판별하는 개선된 RHT 알고리즘을 제시하고 검사 시스템을 구현하였다. CCB 검사 시스템은 그 정확성과 빠른 판별이 필요하기 때문에 기계시각을 이용하여 고정된 볼트위치, 너트의 기울기, 그리고 홀의 위치를 판별하였고, 부품정보 DB에 입력된 각 파트의 CAD 정보와 비교하여 불량 유무를 판별하였다.
제안 방법
- (1) 전처리 과정에서 Homomorphic Filter를 적용하여 저주파 잡음을 제거하고 영상에서 한 영역에 속하는 세그먼트를 병합하기 위한 세그먼트 그룹화를 수행하였다.
- 각 모델들은 15개 이하의 검사 부위를 갖고 있으며, CAD 도면을 통해 검사 부위에 대한 정확한 위치를 알 수 있기 때문에 로봇의 이동 경로를 미리 결정할 수 있다. 6 자유도 로봇을 이용하여 그 끝단에 달린 카메라를 정해진 위치로 이동시켜 원하는 영상을 수집하고 알고리즘에 적용하여 시험을 실시하였다. 로봇의 이동오차가 최대 5 mm 임을 감안하여 최대 7 mm 이내로 입체적 거리 차가 나타나면 결함이 없는 것으로 판정하였다.
- 본 연구에서는 자동차 조립부품 중 CCB에 고정되는 볼트, 너트, 홀 등의 정확한 조립위치를 판별하는 개선된 RHT 알고리즘을 제시하고 검사 시스템을 구현하였다. CCB 검사 시스템은 그 정확성과 빠른 판별이 필요하기 때문에 기계시각을 이용하여 고정된 볼트위치, 너트의 기울기, 그리고 홀의 위치를 판별하였고, 부품정보 DB에 입력된 각 파트의 CAD 정보와 비교하여 불량 유무를 판별하였다. 전처리 과정으로 실제 조립 현장의 조명조건 및 외부간섭에 따른 노이즈는 제거하였고, 부품의 중심위치는 세그먼트 그룹화를 적용하여 추적하였다.
- 전술한 바와 같이 RHT를 이용한 타원의 검출 방법에서는 임의의 세 점을 어떻게 선택하는가가 중요하다. 따라서 부품의 크기에 따라 세 점(control points)을 유연하게 결정할 수 있도록 flexible and rotating control points를 이용하여 세 점을 결정하고 이를 RHT에 적용하였다. 제안된 알고리즘은 다음과 같다.
- 전처리 과정으로 실제 조립 현장의 조명조건 및 외부간섭에 따른 노이즈는 제거하였고, 부품의 중심위치는 세그먼트 그룹화를 적용하여 추적하였다. 또한 정확한 타원의 중심점을 찾기 위해 부품의 크기에 따라 유연하게 결정되는 세 개의 제어 포인트인 Flexible and Rotating Control Points는 RHT에 적용되었다.
- 27 Hz로 영상수집이 가능한 모델을 사용하였고, 6 자유도 로봇의 끝단(end effector)에 부착하여 검사에 필요한 영상을 수집하였다. 또한 카메라의 조명은 흰색 LED 램프를 부착하여 부품 표면의 조명을 적절히 유지하도록 하였다. CCB를 검사 테이블에 놓으면 로봇은 미리 주어진 경로를 따라 검사 부위로 이동하고 카메라를 통해 2차원 영상을 수집한다.
- 본 연구에서 제안한 CCB 검사는 크게 전처리, 세그먼트 그룹화(segment clustering), RHT를 이용한 타원 중심 검출 과정으로 나뉘는데, 그 처리의 흐름은 그림 2와 같다. 전처리는 생산현장에서 입력된 신호의 영상 잡음을 HF법을 이용하여 제거하고 엣지를 검출하여 라벨링하는 과정이다.
- 시험에 사용된 CCD카메라의 해상도는 640×480이고, 한 픽셀당 0.1 mm가 측정되도록 보정하여 타원의 중심 검출 시험과 CAD 도면 좌표를 이용한 위치 검출 시험을 실시하였다.
- 시험은 제안된 알고리즘을 전술한 3가지 형태의 CCB 모델에 대하여 볼트, 너트, 홀, 핀 등 4가지 항목에 대해 실시하였다. 시험에 사용된 CCD카메라의 해상도는 640×480이고, 한 픽셀당 0.
- CCB 검사 시스템은 그 정확성과 빠른 판별이 필요하기 때문에 기계시각을 이용하여 고정된 볼트위치, 너트의 기울기, 그리고 홀의 위치를 판별하였고, 부품정보 DB에 입력된 각 파트의 CAD 정보와 비교하여 불량 유무를 판별하였다. 전처리 과정으로 실제 조립 현장의 조명조건 및 외부간섭에 따른 노이즈는 제거하였고, 부품의 중심위치는 세그먼트 그룹화를 적용하여 추적하였다. 또한 정확한 타원의 중심점을 찾기 위해 부품의 크기에 따라 유연하게 결정되는 세 개의 제어 포인트인 Flexible and Rotating Control Points는 RHT에 적용되었다.
- 제안된 알고리즘을 이용하여 전술한 4가지 항목에 대한 타원의 중심위치를 검출하기 위한 시험은 로봇을 수동조작을 통하여 카메라를 검출하고자 하는 정확한 위치에 이동시킨 후 영상을 획득하여 중심점 위치를 검출하였다. 검출된 중심점은 CAD 도면의 좌표와 비교하여 오차가 2 mm 이하일 때 정확히 검출한 것으로 간주하였다.
대상 데이터
- 또한 카메라의 조명은 흰색 LED 램프를 부착하여 부품 표면의 조명을 적절히 유지하도록 하였다. CCB를 검사 테이블에 놓으면 로봇은 미리 주어진 경로를 따라 검사 부위로 이동하고 카메라를 통해 2차원 영상을 수집한다. 그림 5는 검사 시스템의 전체 구성을 나타낸 것이고, 표 2는 시험에 사용된 로봇의 제원을 나타낸 것이다.
- 로봇제어 부분은 6 자유도 로봇과 로봇 제어기로 구성되는데, 6 자유도 로봇은 검사자가 원하는 위치로 정확하게 이동할 수 있도록 해 줄 뿐만 아니라, 다양한 각도에서 영상을 수집할 수 있도록 해 준다. 로봇제어기는 컴퓨터와 RS232로 통신하고, 로봇의 이동 오차는 최대 5 mm 이다. 영상처리 부분은 영상수집을 위한 CCD 카메라, frame grabber, 영상처리를 위한 컴퓨터로 구성되었다.
- 일반적으로 부품 조립 공정은 조명이 설치된 실내 환경에서 이루어지는데, 이러한 작업 환경에서의 불균일한 조명은 조명에 의한 반사 및 저주파 잡음 등을 발생시켜 검사 부분의 식별을 어렵게 만든다. 본 연구에서는 전처리 과정에서 푸리에변환을 기반으로 영상의 저주파 잡음을 감소시키는 HF를 사용하였다. 이 필터는 고주파 성분을 보상하여 영상의 명암대비를 향상시킬 수 있고, 금속 재질의 부품에 의한 반사성분을 효율적으로 제거할 수 있다는 장점이 있다.
- 카메라는 640×480의 분해능과 12.27 Hz로 영상수집이 가능한 모델을 사용하였고, 6 자유도 로봇의 끝단(end effector)에 부착하여 검사에 필요한 영상을 수집하였다.
이론/모형
- 전처리 과정을 거쳤음에도 불구하고 실제 영상에서는 불필요한 잡음 성분들과 단일 물체로부터 분리된 다수의 세그먼트들이 존재하게 된다. 본 연구에서는 한 개의 타원 영역에 속하는 세그먼트를 찾기 위해 세그먼트 그룹화 방법을 이용하였다. 세그먼트 그룹화는 한 영역에 속하는 분할된 세그먼트들을 병합하고 기타 나머지 부분들은 제거하는 방법으로 검사 항목이 홀이나 너트인 경우에는 타원 영역으로 나타나지만, 볼트의 경우엔 타원 영역이 분할되어 나타나기 때문에 분할된 부분의 병합이 필요하다.
성능/효과
- (2) 기존 RHT방법과는 달리 flexible and rotating control points을 RHT에 적용하여 타원을 빠르고 효율적인 검출이 가능하였다.
- (2) 필터링된 모든 세그먼트들의 중심점을 구한 후, 라벨링된 영역의 크기가 검사 대상과 유사하고 세그먼트의 좌표가 전체 영상의 중심좌표에 가장 가까운 세그먼트를 선택한다.
- (3) 실험에 의해 물체표면에 발생되는 다양한 잡음과 불균일한 조명 조건 하에서도 다양한 부품에 대해 정확하게 부품의 중심점을 추정할 수 있었다. 제안된 방법은 검사 과정에서 극소수 영상이 훼손되어 불량 판별이 어려운 것을 제외하면 산업현장에서 높은 정밀도로 불량품을 효과적으로 선별 할 수 있는 것으로 나타났다.
- 그림 7은 결함판정을 위해 DB 중심점과 검출 중심점의 입체적 거리 차의 예를 나타낸 것이다. DB 형태로 저장된 검사 부위의 중심점과 검출된 중심점 사이의 입체적 거리 차를 측정한 결과 각각 5 mm, 6.3 mm 이었다. 이는 로봇의 동작오차로 인한 오차와 알고리즘에 의한 오차가 포함되는 최대 7 mm 이하로 결함이 없는 것으로 판단할 수 있으며, 로봇의 동작오차를 줄인다면 정확도는 더욱 높아질 것으로 판단된다.
- 이를 개선하기 위해 Rajeswari와 Rodd(1996)는 타원의 기하학적 특성을 이용하여 중심점을 결정하고, 매개변수의 수를 줄임으로써 계산 속도를 향상시켰다. 결과적으로 타원에 속하는 매개변수를 결정하는 것은 타원의 중심점 결정과 나머지 3개의 매개변수를 찾는 것으로 귀착된다.
- 6 자유도 로봇을 이용하여 그 끝단에 달린 카메라를 정해진 위치로 이동시켜 원하는 영상을 수집하고 알고리즘에 적용하여 시험을 실시하였다. 로봇의 이동오차가 최대 5 mm 임을 감안하여 최대 7 mm 이내로 입체적 거리 차가 나타나면 결함이 없는 것으로 판정하였다. 시험은 한 부품 당 최대 500 ms 내에 검사가 이루어지며, 로봇의 이동시간을 제외하면 각모델의 15개 내외 부품에 대해 최대 약 6.
- 작업 수행시간은 약 500 ms 이하였으며, 정확도는 북미 모델(그림 1의 b)의 볼트를 제외한 모든 조건에서 오차범위가 2 mm 이하로 결함이 없는 것으로 조사되었다. 북미 모델의 경우 다른 항목들과는 달리 볼트의 정확도가 98%로 다소 떨어지는 것으로 나타났고, 검출된 중심점의 최대 빈도수 또한 평균 12회로 다른 항목에 비하여 낮은 것으로 조사되었다. 이는 볼트헤드의 굴곡으로 인하여 잡음이 심하기 때문에 발생하는 문제로 판단된다.
- 표 3은 CCB 모델들의 타원 검출에 대한 수행 시간, 정확도 그리고 중심점 좌표의 최다 빈도수를 나타낸 것이다. 작업 수행시간은 약 500 ms 이하였으며, 정확도는 북미 모델(그림 1의 b)의 볼트를 제외한 모든 조건에서 오차범위가 2 mm 이하로 결함이 없는 것으로 조사되었다. 북미 모델의 경우 다른 항목들과는 달리 볼트의 정확도가 98%로 다소 떨어지는 것으로 나타났고, 검출된 중심점의 최대 빈도수 또한 평균 12회로 다른 항목에 비하여 낮은 것으로 조사되었다.
- (3) 실험에 의해 물체표면에 발생되는 다양한 잡음과 불균일한 조명 조건 하에서도 다양한 부품에 대해 정확하게 부품의 중심점을 추정할 수 있었다. 제안된 방법은 검사 과정에서 극소수 영상이 훼손되어 불량 판별이 어려운 것을 제외하면 산업현장에서 높은 정밀도로 불량품을 효과적으로 선별 할 수 있는 것으로 나타났다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.