| 1 |
1
객체 이미지를 획득하는 이미지 센서부;입력된 RGB 이미지를 그레이스케일로 변환하고 그레이 모폴로지(Gray Morpholog) 연산을 하고 이미지 최적화를 하는 이미지 전처리부;이미지 전처리부로부터 최적화 이미지를 받아 객체 탐지를 하는 CNN 딥러닝부;객체의 위치를 추정하기 위해서 특징 맵에서 정보를 얻어 객체를 검출하여 결함을 판단하는 결함 판별부;결함 판별부에서의 검사 결과를 외부로 전송하는 검사 결과 전송부;를 포함하는 것을 특징으로 하는 비정형 결함 검출을 위한 CNN 기반 머신 비전 시스템
|
| 2 |
2
제 1 항에 있어서, 결함 판별부에서 결함 판별이 이루어진 누적 이미지 데이터를 저장하는 누적 이미지 데이터 저장부와,누적 이미지 데이터 학습을 하여 가중치 데이터를 CNN 딥러닝 알고리즘에 반영하는 누적 이미지 데이터 학습부를 더 포함하는 것을 특징으로 하는 비정형 결함 검출을 위한 CNN 기반 머신 비전 시스템
|
| 3 |
3
제 1 항에 있어서, 이미지 센서부는,주변광을 차단하는 사이드 패널, 객체에 빛을 조사하기 위한 조명, 객체를 이미지화 하기 위한 이미지 센서를 포함하는 것을 특징으로 하는 비정형 결함 검출을 위한 CNN 기반 머신 비전 시스템
|
| 4 |
4
제 3 항에 있어서, 이미지 센서로 사용되는 카메라를 촬영 시 위에서 아래로 픽셀을 한 줄씩 스캔하며 촬영을 하는 롤링 셔터(Rolling Shutter) 방식의 카메라를 사용하고,간접 조명 방식으로 빛을 고르게 분산시켜 균일하게 조사되도록 하기 위하여 타원형 돔 형상의 패널을 구비하는 것을 특징으로 하는 비정형 결함 검출을 위한 CNN 기반 머신 비전 시스템
|
| 5 |
5
제 1 항에 있어서, 이미지 전처리부는,입력된 RGB 이미지를 그레이스케일로 변환하는 그레이 스케일 변환부와,그레이 모폴로지(Gray Morpholog) 연산을 하는 그레이 모폴로지 연산부와, 밝기 조정을 하여 이미지 최적화를 하는 이미지 농도 최적화부를 포함하는 것을 특징으로 하는 비정형 결함 검출을 위한 CNN 기반 머신 비전 시스템
|
| 6 |
6
제 1 항에 있어서, CNN 딥러닝부는,각각의 결함을 정상 표면에 인위적으로 생성한 뒤 학습데이터 수를 늘리기 위해 imgaug 라이브러리를 이용하여 이미지 스케일의 축소 및 확대, 위치 이동, 회전, 대칭 변화를 주는 이미지 증강(Image Augmentation) 과정을 진행하는 것을 특징으로 하는 비정형 결함 검출을 위한 CNN 기반 머신 비전 시스템
|
| 7 |
7
제 6 항에 있어서, CNN 딥러닝부는,특징 맵 크기를 키워나가면서 특징추출을 하는 동시에 손실된 위치 정보들을 skip connection으로 보충해서 스케일 변화에 강인한 특성을 갖는 1-Stage 방식의 객체 검출 알고리즘인 YOLOv3를 기반으로 하는 것을 특징으로 하는 비정형 결함 검출을 위한 CNN 기반 머신 비전 시스템
|
| 8 |
8
제 7 항에 있어서, 특징추출을 위한 백본 네트워크(Backbone Network)로 Darknet-53을 사용하고, 3×3 컨볼류션과 1×1 컨볼류션으로 이루어진 블록을 연속해서 쌓아가고,MaxPooling 대신에 컨볼루션의 stride를 2로 취해주어 피쳐맵의 해상도를 줄여나가고,skip connection을 활용하여 Residual 값을 전달하고 마지막 레이어에서 Average Pooling과 Fully Connected Layer를 통과한 뒤, Softmax를 거쳐 분류 결과를 출력하는 것을 특징으로 하는 비정형 결함 검출을 위한 CNN 기반 머신 비전 시스템
|
| 9 |
9
이미지 센서를 이용하여 객체 이미지를 획득하는 단계;입력된 RGB 이미지를 그레이스케일로 변환하고 그레이 모폴로지(Gray Morpholog) 연산을 하는 단계;그레이 모폴로지 연산이 수행된 이미지를 밝기 조정을 하여 이미지 최적화 작업을 거쳐 객체 탐지 딥러닝 네트워크 입력단으로 전송하는 단계;객체의 위치를 추정하기 위해서 특징 맵에서 정보를 얻어 객체를 검출하여 결함을 판단하는 단계;검사 결과를 출력하고, 누적 이미지 데이터를 저장하고 누적 이미지 데이터 학습을 하여 가중치 데이터를 CNN 딥러닝 알고리즘에 반영하는 단계;를 포함하는 것을 특징으로 하는 비정형 결함 검출을 위한 CNN 기반 머신 비전 시스템의 제어 방법
|
| 10 |
10
제 9 항에 있어서, 특징 맵에서 정보를 얻어 객체를 검출하여 결함을 판단하는 단계에서,객체 탐지 딥러닝 네트워크가 각각의 결함을 정상 표면에 인위적으로 생성한 뒤 학습데이터 수를 늘리기 위해 imgaug 라이브러리를 이용하여 이미지 스케일의 축소 및 확대, 위치 이동, 회전, 대칭 변화를 주는 이미지 증강(Image Augmentation) 과정을 진행하는 것을 특징으로 하는 비정형 결함 검출을 위한 CNN 기반 머신 비전 시스템의 제어 방법
|
| 11 |
11
제 10 항에 있어서, 객체 탐지 딥러닝 네트워크는,특징 맵 크기를 키워나가면서 특징추출을 하는 동시에 손실된 위치 정보들을 skip connection으로 보충해서 스케일 변화에 강인한 특성을 갖는 1-Stage 방식의 객체 검출 알고리즘인 YOLOv3를 기반으로 하는 것을 특징으로 하는 비정형 결함 검출을 위한 CNN 기반 머신 비전 시스템의 제어 방법
|
| 12 |
12
제 11 항에 있어서, 특징추출을 위한 백본 네트워크(Backbone Network)로 Darknet-53을 사용하고, 3×3 컨볼류션과 1×1 컨볼류션으로 이루어진 블록을 연속해서 쌓아가고,MaxPooling 대신에 컨볼루션의 stride를 2로 취해주어 피쳐맵의 해상도를 줄여나가고,skip connection을 활용하여 Residual 값을 전달하고 마지막 레이어에서 Average Pooling과 Fully Connected Layer를 통과한 뒤, Softmax를 거쳐 분류 결과를 출력하는 것을 특징으로 하는 비정형 결함 검출을 위한 CNN 기반 머신 비전 시스템의 제어 방법
|
