In this paper, we present a case study of developing MVIS (Machine Vision Inspection System) designed for exterior quality inspection of stamping dies used in the production of automotive exterior components in a small to medium-sized factory. While the primary processes within the factory, including machining, transportation, and loading, have been automated using PLCs, CNC machines, and robots, the final quality inspection process still relies on manual labor. We implement the MVIS with general- purpose industrial cameras and Python-based open-source libraries and frameworks for rapid and low-cost development. The MVIS can play a major role on improving throughput and lead time of stamping dies. Furthermore, the processed inspection images can be leveraged for future process monitoring and improvement by applying deep learning techniques.

본 논문은 AI와 시각, 컴퓨터비전과 이미지의 관계를 비평적 관점에서 논하고 있다. 초대형 IT기업들은 빠짐없이 AI의 기계학습을 위한 컴퓨터비전의 개발에 앞장서면서 이미지의 입력을 통해 세상의 정보를 데이터베이스의 형태로 집적하고 있다. 컴퓨터비전의 분야는 ‘비전’이라는 단어가 가리키듯 인간의 시각과 컴퓨터의 시각데이터집적과정을 비유하지만, 실제로는 기계적이고 알고리즘화된 인간의 시각과는 전혀 별개의 성질을 갖는다. 기계에 정보를 제공하는 기계학 습을 위한 이미지의 모음인 이미지 데이터셋은 AI의 성능개발에 핵심적인데, 온라인상의 이미지가 무작위로 사용되거나 학습과정에서 사회적 차별이나 편견이 그대로 반영될 가능성이 높은 것 으로 경계가 필요하다. AI와 예술의 접목에서는 주로 생성적 적대 신경망을 사용하여 기존의 미술품을 학습한 후 이와 유사하지만 다른 이미지를 만들어내는 방식이 다용되고 있다. 컴퓨터비전 이 시각과 차이가 있듯, AI 미술이 기존 예술의 일부로 흡수되기 위해서는 새로운 기준들이 필요할 것이다.

PURPOSES : This study aims to develop and evaluate computer vision-based algorithms that classify the road roughness index (IRI) of road specimens with known IRIs. The presented study develops and compares classifier-based and deep learning-based models that can effectively determine pavement roughness grades. METHODS : A set road specimen was developed for various IRIs by generating road profiles with matching standard deviations. In addition, five distinct features from road images, including mean, peak-to-peak, standard variation, and mean absolute deviation, were extracted to develop a classifier-based model. From parametric studies, a support vector machine (SVM) was selected. To further demonstrate that the model is more applicable to real-world problems, with a non-integer road grade, a deep-learning model was developed. The algorithm was proposed by modifying the MNIST database, and the model input parameters were determined to achieve higher precision. RESULTS : The results of the proposed algorithms indicated the potential of using computer vision-based models for classifying road surface roughness. When SVM was adopted, near 100% precision was achieved for the training data, and 98% for the test data. Although the model indicated accurate results, the model was classified based on integer IRIs, which is less practical. Alternatively, a deep-learning model, which can be applied to a non-integer road grade, indicated an accuracy of over 85%. CONCLUSIONS : In this study, both the classifier-based, and deep-learning-based models indicated high precision for estimating road surface roughness grades. However, because the proposed algorithm has only been verified against the road model with fixed integers, optimization and verification of the proposed algorithm need to be performed for a real road condition.

목적 : 인공지능의 기계학습 또는 심층학습을 이용한 연구가 다양한 분야에서 시도되고 있다. 본 연구는 공공 시력데이터를 자동화 수집하고, 수집한 데이터를 기계학습에 적용 및 예측하였다. 다양한 학습모델간 성능을 비교 함으로써, 시과학분야에서 적용 가능한 기계학습 최적화모델을 제시함에 있다. 방법 : 국민건강보험(NHISS) 및 통계포털(KOSIS)에 발표된 국민 시력분포 현황관련 자료를 특정 색인을 포함하 는 자료검색기법인 크롤링(crawling)을 사용하여 검색 및 수집을 자동화하였다. 2011년부터 2018년까지 보고된 모든 자료를 수집하였으며, 데이터 학습을 위해 Linear Regression, LASSO, Ridge, Elastic Net, Huber Regression, LASSO/LARS, Passive Aggressive Regressor 그리고 Pansacregressor 총 8개 모델을 사용하여 각각 데이터 학습 하였다. 결과 : 수집한 데이터를 기반으로 기계학습 모델을 통해 2018년을 예측하였다. 각 모델간 2018년도 실제-예측데 이터 차이를 MAE(Mean Absolute Error)와 RMSE(Root Mean Square Error) 점수로 각각 나타냈다. 학습모델 별 차이 중 MAE 평가결과 모델간 우/좌 Linear Regression(0.22/0.22), LASSO(0.83/0.81), RIDGE(0.31/0.31), Elastic Net(0.86/0.84), Huber Regression(0.14/0.07), LASSO/LARS(0.15/0.14), Passive Aggressive Regressor (0.29/0.18) 그리고 RANSA Regressor(0.22/0.22)를 보였다. RMSE에서 Linear Regression(0.40/0.40), LASSO (1.08/1.06), Ridge(0.54/0.54), Elastic Net(1.19/1.17), Huber Regression(0.20/0.20), LASSO/LARS(0.24/0.23), Passive Aggressive Regressor(0.21/0.58) 그리고 RANSA Regressor(0.40/0.40) 각각 나타냈다. 결론 : 본 연구는 자동화 자료검색 및 수집을 위한 크롤링 기법을 이용하여 데이터를 수집하였다. 이를 기반으 로 고전 선형모델을 기계학습에 적용할 수 있도록 하고, 데이터 학습을 위한 8개 학습모델들 간 성능을 비교하였다.

논문에서는 머신비전을 이용하여 컨베이어 시스템에서 이동하는 객체를 계수하는 알고리즘을 제안하였다. 영상처리를 이용한 객체 계수 시스템은 유동인구나 교통량 파악 등의 다양한 산업현장에서 사용되고 있으며, 주로 템플릿 매칭이나 기계학습의 방 법으로 검출하여 추적 후 계수한다. 하지만 빠르게 움직이는 컨베이어 벨트위의 물체를 검출하기 위해서는 연산에 소요되는 시간이 짧 아야 하므로 영역기반의 방법으로 영상처리를 하였다. 본 연구에서는 모양과 크기, 그리고 색깔이 비슷한 전복 치패를 계수하였다. 컨 베이어 시스템은 한 방향으로 동작하는 특성을 이용하여 첫 번째 영역에서 치패를 검출하여 정보를 얻은 것을 기반으로 다음 프레임 에서의 물체의 위치 범위를 계속적으로 변화하여 치패를 검출하고 각각의 획득한 정보를 비교하여 계수하였다. 치패가 간격을 두고 이 동 시에는 정확하게 계수됨을 확인하였으며, 치패가 붙어서 오는 경우에는 크기정보를 이용하여 계수하여 중복되거나 누락됨을 방지 하였다. 본 논문에서 제안한 알고리즘은 컨베이어 시스템 위에서 움직이는 다양한 객체 계수 제어에 적용할 수 있을 것이다.

대립종자의 자동정렬파종기의 씨눈위치 자동판정장치를 개발하기 위한 연구로서 수행된 이 연구는 기계 시각을 이용하여 대립종자의 씨눈 위치가 공급 방향을 기준으로 앞 또는 뒤쪽 어느 쪽에 위치해 있는지를 검출하기 위함이다. 참박, 특토좌, 흑종에 대한 씨눈위치를 판정하기 위하여 종자의 공급자세에 따른 판정정도를 조사하였다. 참박의 경우 공급자세가 30˚ 경우에는 77.8%의 정확도를 나타냈지만, 0˚와 15˚때는 100% 검출 정확도를 나타내었다. 특토좌의 경우 공급자세 30˚에서 89.5%, 0˚와 15˚에서는 100%의 판정 정확도가 나타났다. 흑종의 경우에 있어서는 공급자세 30˚에서 94.4%이었고 나머지는 100%의 정확도를 나타냈다. 따라서 정렬파종장치의 공급부에서 종자가 공급될 때 기계적인 메카니즘으로 30˚ 이상 기울어지는 것을 방지할 수 있고 15˚까지 기울어진다 해도 씨눈위치를 판정할 수 있기 때문에 향후 파종장치의 한 부분으로서 사용할 수 있을 것으로 판단되었다.

본 연구는 육묘용 로봇 이식기를 개발하기 위한 목적으로 수행되었으며 그 결과는 다음과 같다. 1. 기계시각에 의한 결주 및 불량묘 판별은 72공 플러그묘판의 경우 98.8%, 128공의 플러그묘판의 경우 94.9%, 잎의 방향을 고려한 경우 72공의 플러그묘판의 경우 93.5%, 128공의 경우 91.0%의 정확도를 나타내었다. 2. 로봇 이식기의 기구부와 구동부를 개발하였고, 이를 제어하기 위한 제어기를 개발하였으며, 머니플레이터의 위치제어 정확도는 ± 1mm로 나타났다. 3. 잎의 방향을 고려하지 않은 이식방법에서의 이식성공률은 72공 플러그묘판의 경우 95.5%, 128공의 플러그묘판의 경우 94.5%로 나타났으며, 잎의 방향을 고려한 이식방법에서의 이식성공률은 72공의 경우 96.0%, 128공의 경우 95.0%로 나타났다.