• 한국콘텐츠학회논문지
• /
• 제16권7호
• /
• pp.689-699
• /
• 2016

LCD 수요 증가에 따라 LCD 생산 효율성 개선을 위한 검사장비의 중요성이 지속적으로 부각되고 있다. 패턴 검사기는 라인 스캔 카메라와 같은 광학 장비를 통해 미세한 패턴 결함을 빠른 속도로 검출하는 장비이다. 이러한 패턴 검사기는 실시간 검사를 위해 패턴 내에서 단일 기준값을 사용하여 픽셀 단위의 결함 여부를 판단하고 있다. 하지만 패턴 내 각 영역별 특징을 반영하여 서로 다른 기준값을 적용하는 적응적 이진화를 이용하는 경우 결함 검출 성능을 크게 향상시킬 수 있다. 이러한 적응적 이진화를 적용하기 위해서는 특정 검사 대상 픽셀이 어떠한 영역에 속하는지에 대한 정보를 필요로 한다. 이를 위해 본 논문에서는 각각의 검사 대상 픽셀이 어떠한 영역에 속하는지를 판단하는 영역 매칭 알고리즘을 제안한다. 제안된 알고리즘은 머신 비전의 실시간성을 고려한 패턴 정합에 기반을 둔 알고리즘으로 실제 시스템에 적용될 수 있도록 GPGPU를 이용하여 구현된다. 모의실험을 통해 제안된 방법이 실제 시스템이 요구하는 처리 속도를 만족시킬 수 있을 뿐만 아니라 결함 검출의 성능을 개선할 수 있음을 보인다.

• 전기전자학회논문지
• /
• 제25권3호
• /
• pp.493-500
• /
• 2021

본 논문에서는 다각형 용기의 품질 향상을 위한 딥러닝 구조 개발을 제안한다. 딥러닝 구조는 convolution 층, bottleneck 층, fully connect 층, softmax 층 등으로 구성된다. Convolution 층은 입력 이미지 또는 이전 층의 특징 이미지를 여러 특징 필터와 convolution 3x3 연산하여 특징 이미지를 얻어 내는 층이다. Bottleneck 층은 convolution 층을 통해 추출된 특징 이미지상의 특징들 중에서 최적의 특징들만 선별하여 convolution 1x1 ReLU로 채널을 감소시키고convolution 3x3 ReLU를 실시한다. Bottleneck 층을 거친 후에 수행되는 global average pooling 연산과정은 convolution 층을 통해 추출된 특징 이미지의 특징들 중에서 최적의 특징들만 선별하여 특징 이미지의 크기를 감소시킨다. Fully connect 층은 6개의 fully connect layer를 거쳐 출력 데이터가 산출된다. Softmax 층은 입력층 노드의 값과 연산을 진행하려는 목표 노드 사이의 가중치와 곱을 하여 합하고 활성화 함수를 통해 0~1 사이의 값으로 변환한다. 학습이 완료된 후에 인식 과정에서는 학습 과정과 마찬가지로 카메라를 이용한 이미지 획득, 측정 위치 검출, 딥러닝을 활용한 비원형 유리병 분류 등을 수행하여 비원형 유리병을 분류한다. 제안된 다각형 용기의 품질 향상을 위한 딥러닝 구조의 성능을 평가하기 위하여 공인시험기관에서 실험한 결과, 양품/불량 판별 정확도 99%로 세계최고 수준과 동일한 수준으로 산출되었다. 검사 소요 시간은 평균 1.7초로 비원형 머신비전 시스템을 사용하는 생산 공정의 가동 시간 기준 내로 산출되었다. 따라서 본 본문에서 제안한 다각형 용기의 품질 향상을 위한 딥러닝 구조의 성능의 그 효용성이 입증되었다.