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 논문에서는 생산품에 각인된 마커, 생산품의 유일한 패턴 그리고 반복된 패턴을 인식하여 생산품의 얼라인을 보정하는 방법을 제안하였다. 본 제안방법에서는 프로젝션 히스토그램을 적용한 적분히스토그램 방법과 클러스터링 기법을 사용하여 표준 패턴의 각도와 위치를 판별하였다.
- 하지만 광학현미경 카메라를 장착한 FPGA를 제작할 경우 고 비용이 발생할 수 있고, 이의 문제점을 해결하기 위한 방법은 검증된 알고리즘을 사용하는 것이다. 이러한 맥락으로 본 논문에서는 광학현미경 카메라를 장착한 FPGA를 제작하기 이전 본 논문에서 제안한 방법을 검증하기 위한 목적으로 PC에서 제안한 방법의 성능을 검증하였다.
제안 방법
- · 이미지 그래버(Image Grabber) 모듈 및 이미지 프로세싱(Image Processing) 모듈 : 이미지 데이터를 수신 및 생산품의 얼라인을 보정하기 위한 알고리즘을 처리하는 모듈이고, 본 논문에서는 이미지 프로세싱 모듈에서 사용할 알고리즘을 제안한다.
- · 특징추출 단계 : 회전 후 표준패턴의 특징을 추출하는 단계로 본 논문에서 사용한 특징은 두 개의 프로젝션 히스토그램(Projection Histogram)을 사용한다.
- 다시 말해서, 하나의 생산품 이미지를 대상으로 한 번의 이동변환과 0.1도 단위로 101번 회전하여 생성한 이미지를 검증에 사용하였고, 총 3,535(이미지 35장 × 101번 회전)장의 생산품 이미지를 이용하여 제안한 “얼라인 마커 인식 및 위치(보정)값 산출” 알고리즘의 검증에 사용하였다.
- 두 번째 개선 요인, 즉, 프로젝션 히스토그램의 고속 계산의 효과를 보이기 위해 클러스터링을 적용한 일반 템플릿매칭과 제안한 방법의 처리속도 실험을 하였다. 실험결과는 Fig.
- 하지만, 일반 히스토그램인 경우 위치정보가 반영되어 있지 않아 회전각도를 파악할 수 없다. 따라서 본 논문에서 이를 해결하기 위해 일반 히스토그램 대신에 프로젝션 히스토그램을 사용하였다. 프로젝션 히스토그램은 행 또는 열단위로 그 안에 있는 픽셀들의 픽셀값을 더하는 방식으로 행에 대한 히스토그램과 열에 대한 히스토그램을 계산한다.
- 2장에서는 본 논문에서 적용하는 기술의 하드웨어 시스템 구조를 설명하고, 3장에 서는 본 논문에서 제안한 얼라인 머커 인식 및 위치(보정) 값 산출 방법, 4장에서는 본 논문에서 제안한 방법의 정확도와 처리속도에 대한 실험결과, 마지막으로 5장에서는 본 논문을 결론짓도록 한다. 또한 본 논문에서는 기존 방법들과 성능 비교를 하였다.
- 본 논문에서 사용한 클러스터링은 Fig. 9와 같이 각 후보들의 x축 거리와 y축 거리를 계산 후 임계값보다 작으면 같은 클러스터로 포함시키고, 임계값 보다 크면 서로 다른 클러스터로 배정하는 방법을 사용한다.
- 본 논문에서 제안한 방법을 적용하기 위한 하드웨어는 Fig. 1과 같이 모니터 포트, USB포트, 네트워크 통신포트, 카메라 포트로 구성되고 하드웨어 시스템 구조의 각 기능은 다음과 같다.
- 하나의 클러스터의 경우 k개의 후보로 인하여 k개의 좌표가 존재한다. 본 논문에서는 k개의 좌표들 중에서 대표좌표를 선택하기 위해 유사도를 사용한다. 예로, 만약 어떤 클러스터가 두 개의 좌표로 구성되고, 첫 번째 후보의 좌표가 (10, 10) 유사도가 99%이고, 두 번째의 좌표가 (11, 11) 유사도가 95%인 경우, 첫 번째 후보의 유사도가 더 좋기 때문에 클러스터의 대표 좌표는 (10, 10)이 된다.
- 본 논문에서는 먼저 클러스터링 임계치를 정하기 위해 거리에 따른 실험을 진행하였다. 실험결과, Fig.
- 그 첫 번째가 PC에서 마커위치 또는 유니크한 패턴위치를 설정하면 설정한 영역을 n번 회전하여 n개의 특징을 획득하는 과정이고, 두 번째가 광학현미경 카메라를 장착한 FPGA에서 n개의 특징을 이용하여 생산품의 각도 및 위치를 보정하는 과정이다. 본 논문에서는 유니크한 패턴 및 마커, 반복 패턴을 표준패턴으로 정의한다.
- 따라서, 일반 히스토그램에서는 256차원의 히스토그램 벡터가 생성되지만, 프로젝션 히스토그램 방법에서는 행 또는 열크기의 벡터가 생성된다. 본 논문에서는 행과 열 히스토그램 모두를 사용하였다. 예로, Fig.
- 본 제안 방법의 성능 개선은 두 가지 요소에 기인하는데, 하나는 클러스터링에 의한 유사후보 제거이고, 다른 하나는 프로젝션 히스토그램의 고속 계산이다. 먼저, 첫 번째 요인의 효과를 검증하기 위해 클러스터링 적용 전 정확도에 대한 실험을 실시하였고, 실험결과는 Table 1과 같이 후보의 수가 증가하면 에러의 수가 감소하지만 영상처리 시간은 증가한다는 것을 알 수 있다.
- 본 논문에서는 생산품에 각인된 마커, 생산품의 유일한 패턴 그리고 반복된 패턴을 인식하여 생산품의 얼라인을 보정하는 방법을 제안하였다. 본 제안방법에서는 프로젝션 히스토그램을 적용한 적분히스토그램 방법과 클러스터링 기법을 사용하여 표준 패턴의 각도와 위치를 판별하였다.
- 실험 및 검증에 사용할 이미지의 수가 부족한 관계로 본 논문에서는 기본 이미지를 이용하여 실험에 사용할 이미지를 생성하였다. 즉, “3.
- 이러한 맥락으로 본 논문에서는 생산품의 마커 또는 유니크한 패턴을 고속으로 인식하고, Marker 또는 유니크한 패턴의 각도와 위치를 검출하는 방법과 반복된 패턴을 검출하는 방법을 제안한다.
- 이를 개선하기 위한 목적으로 “후보영역 선택 단계”에서 획득한 후보들의 좌료를 이용하여 클러스터링을 진행하였는데, 본 논문에서는 시스템의 특성을 고려하여 LeaderFollower 클러스터링[7]을 응용한 방법을 사용하였다.
- 하지만, 적분히스토그램방법만을 적용하는 경우 회전각도 파악이 불가능하다. 이를 개선하기 위해 본 논문에서는 프로젝션(Projection) 기반 적분히스토그램방법을 사용하여 m개의 후보를 선택한다.
- 하지만 [4]의 방법은 일반 히스토그램을 사용하기 때문에 프로젝션 히스토그램을 사용하는 제안방법에 비해 회전 각도를 제대로 파악하기가 쉽지 않다. 이를 검증하기 위해 본 논문에서는 [4]의 방법과 제안방법의 정확도관련 비교실험을 하였다. 정확도관련 비교실험은 Fig.
대상 데이터
- 본 논문의 실험환경은 Intel i5 2.40GHz, 8G Ram에서 실험을 하였고, 두 가지 관점에서 성능을 평가하였다. 그 첫 번째가 처리속도이고, 두 번째가 정확도이다.
- 그 첫 번째가 처리속도이고, 두 번째가 정확도이다. 실험에 사용한 생산품의 이미지는 총 35종의 이미지를 사용하였다.
- 이 단계에서 m개의 후보를 선택하는 목적은 1개의 후보를 사용할 경우 정확한 생산품의 각도와 위치 (Fig. 8 적색 박스의 좌측 상단 x축과 y축 좌표) 검출이 불가능하여 m개의 가장 유사도가 높은 후보를 사용하고, m은 4장에서 실험으로 선택 하였다.
이론/모형
- · 후보영역 선택 단계 : 본 단계에서는 기본 특징을 이용하여 후보의 위치를 선택하는 단계로 본 논문에서는 기본적으로 템플릿매칭(Template Matching)[3] 방법의 속도를 개선한 적분히스토그램(Integral Histogram)[4] 방법을 적용하였다.
성능/효과
- 20개의 후보를 대상으로 클러스터링을 적용한 결과, 평균 처리시간은 1s 449ms로 클러스터링 적용 전 보다 약 5s 754ms 개선되었고, 에러율은 클러스터링 이전 20개의 후보를 사용한 결과와 동일하다. 즉, 20개의 후보를 이용하여 클러스터링을 적용하는 방법이 클러스터링 적용 전보다 에러율과 처리속도 면에서 좋은 성능을 보인다.
- 처리시간을 개선하기 위해 클러스터링을 적용한 경우, 약 5s 754ms 속도 개선을 얻을 수 있었고, 프로젝션 히스토그램의 고속 계산으로 일반 템플릿매칭보다 평균 3s 95ms 속도 개선을 얻을 수 있었다. 또한, 본 제안 방법은 프로젝션 히스토그램을 사용하기 때문에 일반 히스토그램을 사용하는 방법에 비해 회전 각도를 보다 잘 검출할 수 있었다.
- 본 제안 방법의 성능 개선은 두 가지 요소에 기인하는데, 하나는 클러스터링에 의한 유사후보 제거이고, 다른 하나는 프로젝션 히스토그램의 고속 계산이다. 먼저, 첫 번째 요인의 효과를 검증하기 위해 클러스터링 적용 전 정확도에 대한 실험을 실시하였고, 실험결과는 Table 1과 같이 후보의 수가 증가하면 에러의 수가 감소하지만 영상처리 시간은 증가한다는 것을 알 수 있다. 생산 현장에서 사용할 경우 에러가 발생하면 제품에 대한 불량으로 처리된다는 점을 고려하면 20개의 후보를 사용하는 것이 당연하지만 처리시간이 오래 걸려 생산성이 저하된다는 문제점이 발생한다.
- 본 논문에서 제안한 방법을 통해 나름 성능 개선을 할 수 있었다. 하지만 실제 현장에 적용하기 위해서는 추가의 속도 개선이 필요하다.
- 본 논문에서는 먼저 클러스터링 임계치를 정하기 위해 거리에 따른 실험을 진행하였다. 실험결과, Fig. 11과 같이 x, y축의 거리가 각 4 픽셀 이상인 경우 처리속도는 거의 동일하지만 x, y축의 거리가 각 2 픽셀인 경우 4 픽셀 이상인 경우 보다 처리속도가 늘어난 것을 알 수 있다. 이는 클러스터링의 거리를 정하는 거리 값이 후보의 수에 영향을 주기 때문이라 할 수 있고, 본 논문에서는 클러스터링의 거리 임계값을 4 이상의 값으로 설정하였다.
- 일반 템플릿매칭의 경우 평균 4s 544ms의 처리속도를 보이고, 제안방법의 경우 평균 1s 449ms의 처리속도를 보였다. 약 3s 95ms 성능 향상을 보였다. 특히, 이미지 16, 17, 19, 20, 21, 22 그리고 28의 경우 평균 5s 233ms성능이 향상된 것을 알 수 있는데, 이는 해당 이미지에 유니크한 패턴이 여러 개 존재하는 경우로, 이러한 경우 제안방법이 일반 템플릿매칭보다 더 좋은 성능을 보임을 알 수 있다.
- 12와 같다. 일반 템플릿매칭의 경우 평균 4s 544ms의 처리속도를 보이고, 제안방법의 경우 평균 1s 449ms의 처리속도를 보였다. 약 3s 95ms 성능 향상을 보였다.
- 20개의 후보를 대상으로 클러스터링을 적용한 결과, 평균 처리시간은 1s 449ms로 클러스터링 적용 전 보다 약 5s 754ms 개선되었고, 에러율은 클러스터링 이전 20개의 후보를 사용한 결과와 동일하다. 즉, 20개의 후보를 이용하여 클러스터링을 적용하는 방법이 클러스터링 적용 전보다 에러율과 처리속도 면에서 좋은 성능을 보인다.
- 본 제안방법의 성능 개선은 두 가지 요소에 기인하는데, 하나는 클러스터링에 의한 유사후보 제거이고, 다른 하나는 프로젝션 히스토그램의 고속 계산이다. 처리시간을 개선하기 위해 클러스터링을 적용한 경우, 약 5s 754ms 속도 개선을 얻을 수 있었고, 프로젝션 히스토그램의 고속 계산으로 일반 템플릿매칭보다 평균 3s 95ms 속도 개선을 얻을 수 있었다. 또한, 본 제안 방법은 프로젝션 히스토그램을 사용하기 때문에 일반 히스토그램을 사용하는 방법에 비해 회전 각도를 보다 잘 검출할 수 있었다.
- 약 3s 95ms 성능 향상을 보였다. 특히, 이미지 16, 17, 19, 20, 21, 22 그리고 28의 경우 평균 5s 233ms성능이 향상된 것을 알 수 있는데, 이는 해당 이미지에 유니크한 패턴이 여러 개 존재하는 경우로, 이러한 경우 제안방법이 일반 템플릿매칭보다 더 좋은 성능을 보임을 알 수 있다.
후속연구
- 소프트웨어만으로는 현장에 필요한 속도를 얻기에는 한계가 있을 것으로 보인다. 향후, 본 논문에서 제안한 방법을 FPGA로 구현하여 추가의 속도 개선을 얻고자 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.