고속 이송 강 코일 표면 결함 검사 시스템 개발에 관한 연구 = A Study on Development of High Speed Feeding Steel Strip Surface Defect Inspection System

국문 초록 (Abstract)

본 연구의 목표는 강 코일 표면 결함 검사 시스템 개발에 필요한 조명과 광학 시스템의 단위 요소기술, 고속 전처리기법, 염상처리기법, 결함 분류 소프트웨어(defect classifier), 결함 검사와 데이터 관리 소프트웨어, 테트워크 구축둥을 포함한 전체 시스템의 개발에 목표를 두고 연구를 진행하였다.
결함 검사와 분류 실험을 위한 실험 장비를 두 가지 타입으로 제작하였다. 첫 번째는 회전식(m금on type) 검사장비로 고속(250n#fin)으로 회전하는 테이블 위에 6개의 철판 시편을 놓을 수 있다. 두 번째는 컨베어식(conveyortype)으로 널은 띠 형태로 용접된 강 코일 철판이 고속(300n『fin)으로 이송한다. 조명은 노이즈 발생이 적은 장파장의 적외선(infrared) LED와 백색LED를 사용하였다. 카메라는 pogressive 타입의 Area CCD 카메라(6401r480,6013s)를 사용하였고, Frame Grabber(Matrox meteora/nc4)fl 의해 컴퓨터에디지틸 이미지(bitmap)로 저장한다.
전처리는 결함이 없는 기준이미지와의 차연산을 통하여 실시간 조명 효과를제거하였고, 한편 백그라운드 노이즈 맵을 생성한 후 원 영상과의 차연산을하여 배경 효과를 제거하였다. 이진화는 단일 임계화, 히스토그램, 적웅적 이진화 둥 다얌한 방법을 시도하였다. 이진화된 영상을 미디언 필터링 연산에의하여 잡음을 제거하고 침식(emsion)연산을 통하여 결함영역을 축소하였다. 끊어진 결함염역들을 연결하기 위하여 팽창(dilation)연산을 4회 실시하여 결함영역을 확대하였으며, 최종적으로 결함영역들을 라벨링하여 결함의 특징 간49개를 추출하였다.
결함분류 실험을 위하여 포스코의 열연 및 냉연공정의 결함데이터를 사용하였으며, 제공된 결함별 약 800개의 특징 데이터를 통계적인 기법을 사용하여50개 미만의 적정한 특징종류를 선정하여 결함분류에 사용하였다. 개발된 결함 분류기(defect classifier)는 총 3가지로 kNN과 단일 신경망은 85%의 분류율 성능을 보였으며, 트리구쪼 신경망은 90%의 분류율 성능을 보였다 결함검사(클라이언트)와 데이터관리(서버)를 위한 GUI소프트웨어를 VisualC..(MFC)을 이용하여 구축하였다. 클라이언트와 서버 간에 데이터 통신은TCP/IP 네트워크로 구축하였다.

다국어 초록 (Multilingual Abstract)

In this paper, we proposed a development of a real-time surface defect inspection system on steel strip. The developed system consists of image acquisition(optic), image processing , defect calssification and defect data management(data base/networking).
The image acquisition system has stroboscopic IR LED illuminator, area CCD camera and digitizer. For real-time image preprocessing, we proposed two methods that the first is a difference operation with reference image without defects and the second is a background noise map generation. Next, contrast stretching applied to enhanced the the image. To segment and label the defects, thresholding, median filtering, morphology and labeling operations applied. Finally, 49 geometrical and gray-level features are extracted from the labeled defect.
For the defect classification, we developed 3 types of classifier which are k nearest neighbor(kNN), single-structured neural network(SNN), tree-structured neural network(TNN). The kNN used 4113 POSCO defect samples of hot-rolled and the two types of neural networks used 3241 defect samples of cold-rolled. The developed classifiers demonstrate about 85%(kNN, SNN), 90%(TNN) classifying performances which are considered very plausible results.

목차 (Table of Contents)

• Ⅰ. 서론 = 1
• 1.1 연구 배경 = 1
• 1.2 연구 현황 = 3
• 1.3 연구 내용 = 5
• Ⅱ. 시스템 구성 = 6
• 2.1 실험장비 설계 및 제작 = 7
• 2.2 구동 및 제어 = 9
• 2.3 광학 및 영상 획득 = 10
• 2.4 동기화(Synchronization) = 15
• 2.5 네트워킹(Networking) = 17
• Ⅲ. 영상 처리 = 19
• 3.1 이미지 전처리(Image Preprocessing) = 21
• 3.1.1 백그라운드 노이즈 맵 생성(Back-ground noise map generation) = 22
• 3.1.2 기준 이미지 생성(Reference image generation) = 23
• 3.1.3 대비 확장(Contrast Stretching) = =25
• 3.2 이진화(Tresholding) = 26
• 3.2.1 히스토그램을 이용한 이진화 = 27
• 3.2.2 적응적 이진화(Adaptive Thresholding) = 30
• 3.3 잡음제거 및 모폴로지(Morphology) 연산 = 31
• 3.3.1 미디언 필터(Median Filter) = 31
• 3.3.2 침식(Erosion), 팽창(Dilation) 연산 = 32
• 3.4 라벨링(Labeling) = 33
• 3.5 특징 추출(Feature Extraction) = 35
• 3.5.1 기하학적 특징(Geometric Feature) = 36
• 3.5.2 명암값 특징(Intensity feature) = 44
• Ⅳ. 결함 분류 = 48
• 4.1 결함 선정(Defect Selection) = 50
• 4.2 특징 선정(Feature Selection) = 54
• 4.3 k 최근접 이웃범(k Nearest Neighbor Method) = 56
• 4.4 신경망(Neural Network) = 60
• Ⅴ. 실험 및 결과 = 71
• 5.1 이미지 전처리 = 71
• 5.2 이진화 = 76
• 5.3 잡음제거 및 모폴로지 연산 = 77
• 5.4 라벨링 = 80
• 5.5 결함 분류 = 82
• 5.6 연산시간측정 = 98
• Ⅵ. 결론 = 99
• 참고문헌 = 101
• Abstract = 104
• 감사의 글 = 105