http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
머신러닝을 이용한 압출 제품의 표면 결함 모니터링시스템
조춘묵(C. M. Jo),김진구(J. G. Kim),이세형(S. H. Lee),김병희(B. H. Kim),서영호(Y. H. Seo),곽호택(H. T. Kwak),박용재(Y. J. Park) Korean Society for Precision Engineering 2021 한국정밀공학회 학술발표대회 논문집 Vol.2021 No.11월
4 차 산업혁명 및 스마트 팩토리 시장의 공장자동화에 대한 다양한 기술들이 연구되고 산업현장에 적용되고 있다. 머신러닝 종류 중 하나인 R-CNN (Region Based Convolution Neural Networks) 기반의 알고리즘이 적용된 사례로 Faster R-CNN 을 이용한 탄화수소 누출 감지, 유해물질 검출 등이 있다. 본 연구에서 다루고자 하는 대상은 압출 공정을 통하여 생산되는 Teflon Tube 이다. Teflon Tube 가 생산될 때, 다양한 이유로 압출 공정의 전형적인 외관 결함(그을음, 이물질, 스크래치 등)이 Teflon Tube 의 표면에 발생한다. 이러한 결함은 육안으로 확인하여 검사하고 있다. 이 검사 방법은 작업자 간의 검사 편차로 Teflon Tube 에 발생한 결함을 효과적으로 검출하지 못하는 한계가 있다. 따라서 본 연구에서는 객체 검출 알고리즘을 이용하여 Teflon Tube 의 품질 모니터링 시스템을 개발하고자 한다. Teflon Tube 종류 중 하나인 PFA (PerFluoroAlkoxy) Tube 에 인위적인 결함(그을음, 이물질)을 발생시켜 USB Camera를 통해 촬영한 이미지를 머신러닝 데이터 세트로 사용하였다. LabelImg Tool 로 수집한 결함 데이터를 라벨링하였고, 객체 검출 알고리즘으로는 YOLOv5 (You Only Look Once Version 5)로 PFA Tube 의 결함을 학습시켰다. 학습된 YOLOv5 모델을 이용하여 결함에 대한 객체 검출과 약 0.9 이상의 Precision 및 Recall 값을 확인하였다. 더 나아가 Kfold Cross Validation 과 mAP (Mean Average Precision)등의 평가지표를 활용하여 학습된 모델의 정확도 평가를 진행할 예정이다. 또한, 본 연구의 품질 모니터링 시스템을 실제 현장에 적용하기 위해 산업 현장에서 결함 검출에 영향을 미칠 수 있는 노이즈(빛, 그림자 등)를 최소화할 수 있는 하드웨어를 개발 중에 있다.