Multi-channel deep-learning based auto defect detection using 3D feature fused optical system : 3D 특징 융합 광학시스템을 이용한 다중 채널 딥러닝 기반 자동 결함 탐지 시스템 :

이종혁

추천

검색

자료유형: 학위논문

저자정보: 이종혁 (경북대학교, 경북대학교 대학원)

지도교수: 김민영.

발행연도: 2019

저작권: 경북대학교 논문은 저작권에 의해 보호받습니다.

이용수10

이 논문의 연구 히스토리 (2)

2019

Multi-channel deep-learning based auto defect detection using 3D feature fused optical system : 3D 특징 융합 광학시스템을 이용한 다중 채널 딥러닝 기반 자동 결함 탐지 시스템

이종혁 전자공학부 2019.01 학위논문

2018

특징 융합 조명영상을 이용한 다중 채널 딥러닝 기반의 자동 결함 탐지 시스템

이종혁 , 김병학 , 이현기 외 1명 한국통신학회 학술대회논문집 2018.06 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

제조업 분야에서 제품의 품질 향상을 위하여 제품의 결함을 발견하는 작업은 매우 중요하다. 자동화 시스템 개발로 인하여 영상처리 및 인공지능을 이용한 결함검사 시스템이 많이 발전되고 이에 따라 결함 검사를 위한 조명 시스템 또한 발전하고 있지만, 표면의 빛 반사가 심한 주조물의 경우 조명에 따라 결함 정확도 저하와 같은 문제점이 발생되고 있다. 본 논문에서는 이러한 문제들을 해결하기 위해 phtometric stereo 기법의 조명 시스템을 설계하여 획득한 데이터를 인공지능에 적용한 자동 결함 탐지 시스템을 제안한다.

#Deep learning #Optical system #Machine vision #defect detection

Ⅰ. Introduction····················································· 1
1.1 Research background···································· 1
1.2 Defect detection system································ 4
1.3 Research purpose and summary···················· 8
Ⅱ. Imaging System················································9
2.1 Photometric stereo·········································9
2.2 Overview of Photometric stereo···················10
2.3 Optical system configuration························11
Ⅲ. Defect detection deep-learning model···········13
3.1 Overview of Neural Network························13
3.2 CNN-based defect detection model·············16
3.2.1 CNN model···············································16
3.2.2 YOLO model·············································19
3.3 Proposed defect detection model·················21
3.3.1 Proposed model·······································21
3.3.2 Performance enhancement model···········23
Ⅳ. Experiments and Results································25
4.1 Experiment environment and setting···········25
4.1.1 Definition of surface defects ···················25
4.1.2 Ground truth dataset ······························26
4.1.3 Experiment environment ·························28
4.2 Defect detection result·································33
4.2.1 Definition of performance metric············38
4.2.2 Quantitative measurement······················41
Ⅴ. Conclusion and Future work··························47
R e f e r e n c e s··················································49
A b s t r a c t ·······················································54

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)