KR102172361B1 - Device and method for detecting defect - Google Patents
Device and method for detecting defect Download PDFInfo
- Publication number
- KR102172361B1 KR102172361B1 KR1020180152541A KR20180152541A KR102172361B1 KR 102172361 B1 KR102172361 B1 KR 102172361B1 KR 1020180152541 A KR1020180152541 A KR 1020180152541A KR 20180152541 A KR20180152541 A KR 20180152541A KR 102172361 B1 KR102172361 B1 KR 102172361B1
- Authority
- KR
- South Korea
- Prior art keywords
- defect
- location
- unit
- thickness direction
- image
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
실시 예는, 피검사체의 이미지가 입력되는 입력부; 상기 피검사체의 이미지를 이용하여 피검사체의 두께 방향으로 결함 위치 및 길이 방향으로 결함 위치를 추출하는 제1 추출부; 및 상기 피검사체의 두께 방향으로 결함 위치 및 길이 방향으로 결함 위치를 판별 모델에 입력하여 상기 피검사체의 불량을 판단하는 판단부를 포함하고, 상기 판별 모델은 상기 피검사체의 두께 방향으로 결함 위치에 의해 후보 불량 종류후보 불량 종류를 출력하고, 길이 방향으로 결함 위치에 의해 최종 불량 종류를 출력하는 불량 검출 장치를 개시한다. An embodiment includes an input unit for inputting an image of an object to be tested; A first extracting unit for extracting a defect location in a thickness direction and a defect location in a length direction of the test subject by using the image of the test subject; And a determination unit configured to determine a defect of the test object by inputting a defect location in the thickness direction of the test object and a defect location in the length direction into a determination model, wherein the determination model is determined by the defect location in the thickness direction of the test object. Disclosed is a defect detection apparatus that outputs candidate defect types and outputs a final defect type according to defect positions in a longitudinal direction.
Description
실시 예는 불량 검출 장치 및 방법에 관한 것이다.The embodiment relates to a defect detection apparatus and method.
후판의 사용환경이 가혹해지고 수요가의 품질에 대한 요구수준이 높아짐에 따라 출하전 후판의 내부품질에 대해서도 보다 높은 수준의 품질관리가 필요해지고 있다.As the use environment of the heavy plate becomes harsh and the demand level for the quality of the demand price increases, a higher level of quality control is required for the internal quality of the heavy plate before shipment.
후판의 내부품질을 확인하기 위하여 종래부터 사용되어 오던 기술로는 초음파 탐상기술을 들 수 있다. 후판 내부 품질 검사용 초음파 탐상기술은 서로 다른 특성(특히 밀도)를 가지는 매질의 경계내에서 음파가 반사되는 현상을 이용하여 시편의 내부에 후판과 다른 매질, 다른 말로 표현하면 결함이 존재하는지 여부를 검사하는 기술이다.An ultrasonic flaw detection technique has been used conventionally to check the internal quality of the thick plate. The ultrasonic flaw detection technology for quality inspection inside the thick plate uses the phenomenon that sound waves are reflected within the boundary of the medium having different characteristics (especially density) to determine whether a defect exists in a medium different from the thick plate, in other words, inside the specimen. It is a technique to check.
이러한 원리를 후판 내부 품질 검사에 이용하면 다음과 같은 결과를 얻을 수 있다. 즉, 후판내부에 개재물이나 공공(void) 등이 존재할 경우 후판과 상기 개재물이나 공공 등과의 계면에서 음파가 반사되는 현상이 발생한다. 이렇게 반사된 초음파는 탐촉자에 의해 그 위치와 강도 등의 정보와 함께 감지되게 된다.If this principle is used for the quality inspection inside the thick plate, the following results can be obtained. That is, when inclusions or voids exist inside the thick plate, a phenomenon in which sound waves are reflected at the interface between the thick plate and the inclusions or voids occurs. The reflected ultrasonic waves are detected by the transducer along with information such as its location and intensity.
종래에는 상기 2차원 화면은 전적으로 작업자의 육안 및 경험에 의해 결과가 판독되어 합격/불합격 여부와 함께 기록되고 필요할 경우 전공정 또는 후공정으로 그 결과가 송출되도록 하는 것이 고작이었다.Conventionally, the result of the two-dimensional screen was read entirely by the naked eye and experience of the operator, recorded along with the pass/fail status, and, if necessary, the result was transmitted to the pre-process or post-process.
이에, 결과의 정확도와 재현성이 낮다는 문제가 존재하며, 결과를 단순히 합격과 불합격으로 분류하기 때문에 전공정으로 피드백하더라도 적절한 대책을 세우기 어려운 한계가 존재한다.Accordingly, there is a problem that the accuracy and reproducibility of the result is low, and since the result is simply classified as pass or fail, there is a limitation in that it is difficult to establish an appropriate countermeasure even if feedback is fed back to the entire process.
실시 예는 후판의 불량을 용이하게 판단하는 불량 검출 장치 및 방법을 제공한다.The embodiment provides a defect detection apparatus and method for easily determining a defect of a thick plate.
또한, 불량을 타공정에 피드백 내지 피드포워드하여 불량율을 감소하는 불량 검출 장치 및 방법을 제공한다.In addition, there is provided a defect detection apparatus and method for reducing a defect rate by feeding back or feeding a defect to another process.
실시 예에서 해결하고자 하는 과제는 이에 한정되는 것은 아니며, 아래에서 설명하는 과제의 해결수단이나 실시 형태로부터 파악될 수 있는 목적이나 효과도 포함된다고 할 것이다.The problems to be solved in the embodiments are not limited thereto, and the objectives and effects that can be grasped from the solutions or embodiments of the problems described below are also included.
실시예에 따른 불량 검출 장치는 피검사체의 이미지가 입력되는 입력부; 상기 피검사체의 이미지를 이용하여 피검사체의 두께 방향으로 결함 위치 및 길이 방향으로 결함 위치를 추출하는 제1 추출부; 및 상기 피검사체의 두께 방향으로 결함 위치 및 길이 방향으로 결함 위치를 판별 모델에 입력하여 상기 피검사체의 불량을 판단하는 판단부를 포함하고, 상기 판별 모델은 상기 피검사체의 두께 방향으로 결함 위치에 의해 후보 불량 종류후보 불량 종류를 출력하고, 길이 방향으로 결함 위치에 의해 최종 불량 종류를 출력한다.A defect detection apparatus according to an embodiment includes an input unit for inputting an image of a test object; A first extracting unit for extracting a defect location in a thickness direction and a defect location in a length direction of the test subject by using the image of the test subject; And a determination unit configured to determine a defect of the test object by inputting a defect location in the thickness direction of the test object and a defect location in the length direction into a determination model, wherein the determination model is determined by the defect location in the thickness direction of the test object. Candidate defect type Outputs the candidate defect type, and outputs the final defect type by defect location in the longitudinal direction.
상기 판단부는, 학습 이미지를 획득하는 데이터 획득부; 상기 학습 이미지로부터 두께 방향으로 결함 위치 및 길이 방향으로 결함 위치를 추출하는 제2 추출부; 상기 제2 추출부로부터 추출된 두께 방향으로 결함 위치 및 길이 방향으로 결함 위치에 대하여 기계 학습을 통해 피검사체의 불량 종류를 판단하는 판별 모델을 생성하는 학습부; 및 상기 제1 추출부로부터 추출된 결함 위치를 상기 판별 모델에 입력하여 상기 피검사체의 불량 종류를 판단하는 처리부;를 포함할 수 있다.The determination unit may include a data acquisition unit for acquiring a learning image; A second extraction unit for extracting a defect location in a thickness direction and a defect location in a length direction from the learning image; A learning unit for generating a discrimination model for determining a defect type of the test object through machine learning for the defect location in the thickness direction and the defect location in the length direction extracted from the second extraction unit; And a processing unit configured to determine a defect type of the test object by inputting the defect location extracted from the first extraction unit into the determination model.
상기 제2 추출부에서 추출된 상기 두께 방향으로 결함 위치는 피검사체의 두께를 4등분하는 제1 내지 제3 가상선과 결함의 대응 위치로 분리될 수 있다.The defect location in the thickness direction extracted by the second extraction unit may be divided into first to third virtual lines that divide the thickness of the test object into quarters and a corresponding location of the defect.
상기 판별 모델은, 상기 제2 추출부로부터 추출된 두께 방향으로 결함 위치 및 길이 방향으로 결함 위치를 입력 데이터로 사용하고, 불량 종류를 출력 데이터로 사용할 수 있다.In the discrimination model, a defect location in a thickness direction and a defect location in a length direction extracted from the second extraction unit may be used as input data, and a defect type may be used as output data.
상기 판별 모델은 CNNs(convolutional neural networks), DNN(Deep Neural Network), RNN(Recurrent Neural Network) 및 BRDNN(Bidirectional Recurrent Deep Neural Network) 중 적어도 하나를 포함할 수 있다.The discrimination model may include at least one of convolutional neural networks (CNNs), deep neural networks (DNNs), recurrent neural networks (RNNs), and bidirectional recurrent deep neural networks (BRDNNs).
상기 피검사체는 후판이고, 상기 이미지는 탐상 이미지일 수 있다.The test object is a thick plate, and the image may be a flaw image.
실시 예에 따르면, 후판의 탐상 이미지를 통해 용이하게 불량 여부 및 불량 종류를 판단할 수 있다.According to an embodiment, it is possible to easily determine whether or not a defect is defective and the type of defect through a flaw detection image of the thick plate.
또한, 불량 종류에 따라 타공정 예컨대, 제강, 연주, 후판 공정에 용이하게 피드백 등을 제공할 수 있다.In addition, it is possible to easily provide feedback to other processes, such as steelmaking, performance, and thick plate processes, depending on the type of defect.
또한, 제조 경비 저감 및 불량율을 감소시킬 수 있다.In addition, it is possible to reduce the manufacturing cost and the defective rate.
본 발명의 다양하면서도 유익한 장점과 효과는 상술한 내용에 한정되지 않으며, 본 발명의 구체적인 실시형태를 설명하는 과정에서 보다 쉽게 이해될 수 있을 것이다.Various and beneficial advantages and effects of the present invention are not limited to the above-described contents, and may be more easily understood in the course of describing specific embodiments of the present invention.
도 1은 본 발명의 실시예에 따른 불량 검출 장치의 블록도이고,
도 2는 후판의 탐상 이미지를 얻는 탐상 이미지 장치의 개념도이고,
도 3은 실시예에 따른 후판의 사시도이고,
도 4는 실시예에 따른 판단부의 동작을 설명하는 도면이고,
도 5 내지 도 9는 후판의 불량 종류 별 결함의 위치를 나타낸 이미지이고,
도 10는 본 발명의 실시예에 따른 불량 검출 방법의 흐름도이다.1 is a block diagram of a defect detection apparatus according to an embodiment of the present invention,
2 is a conceptual diagram of a flaw detection imaging device for obtaining a flaw detection image of a thick plate,
3 is a perspective view of a rear plate according to the embodiment,
4 is a diagram illustrating an operation of a determination unit according to an embodiment,
5 to 9 are images showing the locations of defects for each defect type of the thick plate,
10 is a flowchart of a defect detection method according to an embodiment of the present invention.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. The present invention is intended to illustrate and describe specific embodiments in the drawings, as various changes may be made and various embodiments may be provided. However, this is not intended to limit the present invention to a specific embodiment, it is to be understood to include all changes, equivalents, and substitutes included in the spirit and scope of the present invention.
제2, 제1 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제2 구성요소는 제1 구성요소로 명명될 수 있고, 유사하게 제1 구성요소도 제2 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다. Terms including ordinal numbers, such as second and first, may be used to describe various elements, but the elements are not limited by the terms. These terms are used only for the purpose of distinguishing one component from another component. For example, without departing from the scope of the present invention, a second component may be referred to as a first component, and similarly, a first component may be referred to as a second component. The term and/or includes a combination of a plurality of related listed items or any of a plurality of related listed items.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. When a component is referred to as being "connected" or "connected" to another component, it is understood that it may be directly connected or connected to the other component, but other components may exist in the middle. Should be. On the other hand, when a component is referred to as being "directly connected" or "directly connected" to another component, it should be understood that there is no other component in the middle.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terms used in the present application are only used to describe specific embodiments, and are not intended to limit the present invention. Singular expressions include plural expressions unless the context clearly indicates otherwise. In the present application, terms such as "comprise" or "have" are intended to designate the presence of features, numbers, steps, actions, components, parts, or combinations thereof described in the specification, but one or more other features. It is to be understood that the presence or addition of elements or numbers, steps, actions, components, parts, or combinations thereof, does not preclude in advance.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless otherwise defined, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which the present invention belongs. Terms as defined in a commonly used dictionary should be interpreted as having a meaning consistent with the meaning in the context of the related technology, and should not be interpreted as an ideal or excessively formal meaning unless explicitly defined in this application. Does not.
이하, 첨부된 도면을 참조하여 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 대응하는 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.Hereinafter, embodiments will be described in detail with reference to the accompanying drawings, but the same reference numerals are assigned to the same or corresponding components regardless of the reference numerals, and redundant descriptions thereof will be omitted.
도 1은 본 발명의 실시예에 따른 불량 검출 장치의 블록도이고, 도 2는 후판의 탐상 이미지를 얻는 탐상 이미지 장치의 개념도이고, 도 3은 실시예에 따른 후판의 사시도이고, 도 4는 실시예에 따른 판단부의 동작을 설명하는 도면이다.1 is a block diagram of a defect detection apparatus according to an embodiment of the present invention, FIG. 2 is a conceptual diagram of a flaw detection image device for obtaining a flaw detection image of a thick plate, FIG. 3 is a perspective view of a thick plate according to an embodiment, and FIG. 4 is an implementation It is a diagram explaining the operation of the determination unit according to an example.
먼저, 도 1을 참조하면, 본 발명의 실시예에 따른 불량 검출 장치(100)는 입력부(110), 제1 추출부(120), 판단부(130), 출력부(140)를 포함한다.First, referring to FIG. 1, a
입력부(110)는 탐상 이미지 장치로부터 피검사체의 탐상 이미지를 수신할 수 있다. 실시예로, 피검사체는 후판일 수 있으므로, 입력부(110)는 후판의 탐상 이미지를 수신할 수 있다. 이하 후판으로 설명한다. 그리고 탐상 이미지는 길이, 폭 및 두께 방향을 기준으로 결함의 위치가 표시된 이미지일 수 있다.The
도 2를 참조하면, 탐상 이미지 장치는 피검사체(3)의 하부에서 일정 거리 이격되어 피검사체(3)로 매질을 분사하는 노즐 케이스(2)와, 노즐 케이스(2) 내부에 설치되어 피검사체(3)로 초음파를 송수신하는 초음파 센서(1)를 포함할 수 있다.Referring to FIG. 2, the flaw detection imaging device is installed inside the
구체적으로, 탐상 이미지 장치는 피검사체(3)로 입사된 초음파가 피검사체(3)에서 반사되어 되돌아오는 반사파가 수신할 수 있다. 그리고 탐상 이미지 장치는 수신된 반사파의 수신 시간차에 기초하여 피검사체(3)에서 결함의 위치를 검출할 수 있다. 이 때, 도 5 내지 도 9에서 후술하는 바와 같이 피검사체(3)인 후판에서 결함은 복수 개일 수 있으며, 수신 시간차에 따라 다양한 색상으로 나타날 수 있다. 예컨대, 설정된 수신 시간차의 범위에 따라 탐상 이미지 상에 노란색, 초록색, 빨간색 등으로 결함이 나타날 수 있다.Specifically, in the flaw detection imaging apparatus, a reflected wave incident on the
다시 도 1을 참조하면, 제1 추출부(120)는 입력된 후판의 탐상 이미지로부터 결함의 위치(이하 결함 위치에 대응함)를 추출할 수 있다. 이 때, 실시예에서 결함의 위치는 후판의 길이, 두께에 의해 분류될 수 있다. 이러한 결함의 위치는 후판의 불량을 구분할 수 있는 특징일 수 있다.Referring back to FIG. 1, the
이 때, 도 3을 참조하면, 후판에서 후판의 이동 방향으로의 거리를 '길이'라 하고, 후판의 이동 방향에 수직한 방향이고 절단이 이루어지는 방향으로 거리를 '두께'라 하고, 이동 방향 및 절단이 이루어지는 방향에 모두 수직한 방향으로 거리를 '폭'이라 한다.At this time, referring to FIG. 3, the distance from the rear plate in the moving direction of the rear plate is referred to as'length', the distance in the direction perpendicular to the moving direction of the rear plate and in the direction in which cutting is made is referred to as'thickness', and the moving direction and The distance in the direction perpendicular to the direction in which the cutting is made is called the'width'.
다시 도 1을 참조하여 설명하면, 제1 추출부(120)는 후판의 이미지에서 두께 방향으로 결함의 위치와 길이 방향으로 결함의 위치를 산출할 수 있다. Referring again to FIG. 1, the
판단부(130)는 추출된 탐상 이미지의 결함 위치로부터 피검사체인 후판의 불량 종류를 판단할 수 있다. 이 때, 판단부(130)는 불량 후판의 탐상 이미지로부터 학습된 판별 모델에 의해 판단을 수행할 수 있다. 여기서, 불량 후판의 탐상 이미지는 판별 모델의 학습 데이터인 학습 이미지일 수 있으며, 이하 불량 후판의 탐상 이미지 또는 불량 후판의 이미지로 설명한다. 또한, 불량 종류는 편석, 헤드/테일(Head/Tail), 적색점, 절단면 및 개재물을 포함할 수 있다.The
구체적으로, 판단부(130)는 데이터 획득부(131), 제2 추출부(132), 학습부(133) 및 처리부(134)를 포함할 수 있다.Specifically, the
데이터 획득부(131)는 불량 종류를 판단하기 위해 필요한 데이터를 획득할 수 있다. 실시예로, 데이터 획득부(131)는 불량 후판의 탐상 이미지를 획득할 수 있다. The
제2 추출부(132)는 불량 후판의 탐상 이미지로부터 불량 종류를 판단하기 위한 학습에 획득된 데이터가 이용될 수 있도록, 탐상 이미지로부터 불량 종류 별 탐상 이미지 상의 결함 위치를 추출할 수 있다. The
그리고 결함의 위치는 후판의 길이, 두께에 의해 분류될 수 있다. 구체적으로, 제2 추출부(132)는 결함의 위치를 불량 후판의 길이 방향, 두께 방향 별로 분류할 수 있다. 이 때, 결함의 위치는 상술한 바와 같이 후판의 불량 종류를 판단할 수 있는 특징일 수 있다. And the location of the defect can be classified by the length and thickness of the thick plate. Specifically, the
그리고 학습부(133)는 제2 추출부(132)에서 추출된 상기 특징(결함 위치)을 입력으로 기계 학습을 통해 불량 종류를 판단하는 판별 모델을 생성할 수 있다. 즉, 판별 모델은 결함의 위치를 기계 학습의 입력 데이터로 사용하고, 기계 학습을 통해 출력된 데이터로 사용할 수 있다.In addition, the
실시예로, 입력 데이터는 결함 위치로, 두께 방향으로 결함의 위치와 길이 방향으로 결함의 위치로 분류될 수 있다. 구체적으로, 결함의 위치는 두께 또는 길이 방향으로 비율이 가장 큰 영역으로 설정될 수 있다. 또한, 결함은 상술하는 바와 같이 탐상 이미지에서 수신 시간차에 따라 다양한 색상으로 표시될 수 있으나, 불량 종류에 따라 설정되는 색상으로 표시될 수 있다. 예컨대, 결함은 수신 시간차가 가장 늦은 색상의 영역으로 선택될 수 있다. 또한, 입력 데이터에서 결함의 위치는 탐상 이미지의 각 픽셀의 좌표로 표시될 수 있으며, 상술한 색상은 R, G, B 값에 의해 선택될 수 있다. 예컨대, 채도, 명도 등에 의해 선택될 수 있다.In an embodiment, the input data may be classified as a defect location, a defect location in a thickness direction and a defect location in a length direction. Specifically, the location of the defect may be set to an area having the largest ratio in the thickness or length direction. In addition, as described above, defects may be displayed in various colors according to a reception time difference in the flaw detection image, but may be displayed in a color set according to the type of defect. For example, the defect may be selected as an area of a color having the latest reception time difference. In addition, the location of the defect in the input data may be indicated by the coordinates of each pixel of the flaw detection image, and the above-described color may be selected by values of R, G, and B. For example, it may be selected by saturation, brightness, or the like.
또한, 학습부(133)에서 판별 모델은 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, CNNs(convolutional neural networks), DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 판별 모델로서 사용될 수 있다.In addition, the discrimination model in the
도 4를 참조하면, 이러한 판별 모델은 상술한 바와 같이 불량 후판의 탐상 이미지를 이용하여 학습된 모델일 수 있다. 즉, 판별 모델은 탐상 이미지의 각 특징(특징 1, 특징 2, ??)이 신경망(Neural Network)에 입력(예로, 입력 노드)되고, 신경망에 포함되는 적어도 하나의 층(layer)을 통해 불량 종류를 각각의 출력(fc1, fc, ??)을 출력하도록(예로, 출력 노드) 이루어질 수 있다. Referring to FIG. 4, such a discrimination model may be a model trained using a flaw image of a defective thick plate as described above. In other words, the discriminant model is each feature (feature 1,
또한, 이러한 판별 모델은 예컨대 특징을 입력으로 하는 지도 학습(supervised learning)을 통하여, 학습이 이루어질 수 있다. 그리고 복수개의 불량 후판의 탐상 이미지와 각 이미지에 해당하는 매핑 정보(예를 들면, 탐사 이미지의 특징들)를 이용하여 학습할 수 있다.In addition, such a discrimination model may be learned, for example, through supervised learning using features as inputs. In addition, it is possible to learn by using the flaw detection images of a plurality of defective thick plates and mapping information corresponding to each image (eg, features of the exploration image).
실시예로, 판별 모델은 두께 방향으로 결함 위치에 의해 후보 불량 종류를 출력할 수 있다. 즉, 판별 모델은 1차 적으로 후판의 이미지에서 두께 방향으로 결함 위치를 특징으로 후보 불량 종류를 산출할 수 있다. In an embodiment, the discrimination model may output candidate defect types based on defect locations in the thickness direction. That is, the discriminant model can calculate the candidate defect type primarily by characterizing the defect location in the thickness direction in the image of the thick plate.
먼저, 두께 방향으로 결함의 위치는 4개의 영역으로 분리하는 3개의 가상선을 기준으로 설정될 수 있다. 예컨대, 3개의 가상선은 후판의 두께를 4등분하는 제1 가상선(L1), 제2 가상선(L2), 및 제3 가상선(L3)을 포함할 수 있다(도 5 참조). 이 때, 제2 가상선(L2)은 제1 가상선(L1)과 제3 가상선(L3) 사이에 위치할 수 있다. 그리고 두께 방향으로 결함의 위치는 제1 가상선(L1) 및 제3 가상선(L3)에 인접한 경우와 제2 가상선(L2)에 인접한 경우로 분리될 수 있다.First, the position of the defect in the thickness direction may be set based on three virtual lines dividing into four regions. For example, the three imaginary lines may include a first imaginary line L1, a second imaginary line L2, and a third imaginary line L3 that divide the thickness of the thick plate into quarters (see FIG. 5). In this case, the second virtual line L2 may be positioned between the first virtual line L1 and the third virtual line L3. In addition, the location of the defect in the thickness direction may be divided into a case adjacent to the first virtual line L1 and the third virtual line L3 and a case adjacent to the second virtual line L2.
이에 따라, 후보 불량 종류로 불량 종류 중 일부를 출력할 수 있다. 이러한 구성에 의하여, 실시예에 따른 불량 검출 장치는 후판의 두께 방향으로 결함 위치에 의한 공정상 오류를 먼저 용이하게 검출할 수 있다. 구체적으로, 판별 모델에 두께 방향으로 결함의 위치를 1차 특징으로 입력함으로써 후판의 초기 주편 및 말기 주편 중 어느 부분에 집중되는지를 우선적으로 출력할 수 있다. 예컨대, 판별 모델은 불량 종류에서 편석 또는 개재물을 출력할 수 있다. 이로써, 병렬적으로 배치된 복수 개의 특징에 의해 불량 종류를 판별하는 것보다 보다 빠르고 정확하게 최종적으로 불량 종류를 판별할 수 있다.Accordingly, some of the defect types may be output as the candidate defect types. With this configuration, the defect detection apparatus according to the embodiment can first easily detect a process error due to a defect location in the thickness direction of the thick plate. Specifically, by inputting the location of the defect in the thickness direction into the discrimination model as a primary feature, it is possible to preferentially output which part of the steel plate is concentrated in the initial cast iron and the late cast iron. For example, the discrimination model may output segregation or inclusions in the type of defect. Accordingly, it is possible to determine the defect type faster and more accurately than to determine the defect type by a plurality of features arranged in parallel.
이후에, 판별 모델은 길이 방향으로 결함의 위치가 2차 특징으로 입력될 수 있다. 실시예로, 길이 발향으로 결함 위치는 길이 방향을 따라 소정의 폭 내에서 나란히 배치되는 경우, 길이 방향으로 양단에 배치되는 경우, 길이 방향으로 전체에 분산 배치되는 경우 및 일부 영역에만 배치되는 경우로 분리될 수 있다.Thereafter, in the discrimination model, the location of the defect in the longitudinal direction may be input as a secondary feature. In an embodiment, the defect locations in the longitudinal direction are arranged side by side within a predetermined width along the length direction, when arranged at both ends in the length direction, when distributed throughout the length direction, and when arranged only in some areas. Can be separated.
상술한 바와 같이, 판별 모델은 1차 특징에 의해 후보 불량 종류를 출력한 다음 상기 2차 특징을 이용하여 후보 불량 종류의 하위 결과를 최종 불량 종류로 출력할 수 있다. 예컨대, 후보 불량 종류가 편석인 경우 최종 불량 종류는 편석 불량, 헤드/테일 불량으로 판별될 수 있고, 후보 불량 종류가 개재물인 경우 최종 불량 종류는 적색점 불량, 절단면 불량, 개재물 불량으로 판별될 수 있다.As described above, the discrimination model may output the candidate defect type based on the primary characteristic, and then output the lower result of the candidate defect type as the final defect type by using the secondary characteristic. For example, when the candidate defect type is segregation, the final defect type may be identified as segregation defect, head/tail defect, and when the candidate defect type is inclusion, the final defect type may be determined as red dot defect, cut surface defect, and inclusion defect. have.
즉, 실시예에 따른 불량 검출 장치는 결함의 위치에 따른 불량 종류를 단계적으로 분리하고 이를 기계학습으로 학습하여 정확도 및 속도를 개선할 수 있다.That is, the defect detection apparatus according to the embodiment may improve accuracy and speed by separating defect types according to the location of defects in stages and learning them through machine learning.
상술한 입력 데이터로서 두께 방향으로 결함의 위치와 길이 방향으로 결함의 위치에 대응하는 불량 종류는 이하 도 5 내지 도 9에서 후술한다.As the above-described input data, the location of the defect in the thickness direction and the type of defect corresponding to the location of the defect in the length direction will be described later with reference to FIGS. 5 to 9.
예컨대, 학습부(133)는 결함 위치의 입력 데이터를 사용하여 불량 종류의 출력 데이터를 도출하기 위해, 가중치(weights, W1, ?? Wm), 바이어스(bias)를 계산하는 판별 모델을 포함할 수도 있다.For example, the
한편, 데이터 획득부(131), 제2 추출부(132), 학습부(133) 및 처리부(134) 중 적어도 하나는 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. Meanwhile, at least one of the
예를 들어, 데이터 획득부(131), 제2 추출부(132), 학습부(133) 및 처리부(134) 중 적어도 하나는 인공 신경망을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예를 들어, CPU 또는 application processor) 또는 특정 기능을 위한 IP의 일부로 제작되어 전술한 각종 불량 검출 장치에 탑재될 수도 있다.For example, at least one of the
처리부(134)는 상술한 제1 추출부(120)의 특징을 판별 모델에 입력하여 후판의 불량 종류를 판단할 수 있다. The
그리고 처리부(134)는 분류된 결과를 이용하여 기존의 특징 추출 모델의 업데이트 필요 여부를 판단할 수 있다. 업데이트가 필요하다고 판단된 경우에는 사용자 데이터를 이용하여 재 학습될 수 있다.Further, the
처리부(134)는 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.The
출력부(140)는 처리부(134)에서 판단된 후판의 불량 종류를 출력할 수 있다. 예컨대, 출력부(140)는 후판의 탐상 이미지로부터 대응하는 후판이 편석, 헤드/테일(Head/Tail), 적색점, 절단면 및 개재물 중 어느 하나인지를 출력할 수 있다.The
이 때, 출력부(140)는 상술한 후판의 불량을 사용자 등에게 제공할 수 있다. 예컨대, 출력부(140)는 디스플레이 장치로서 액정 표시 장치(Liquid Crystal Display, LCD), 유기 전기 발광 다이오드(Organic Light Emitting Display, OLED) 또는 플라즈마 표시 패널(Plasma Display Panel, PDP) 등으로 구현될 수 있으나, 이에 한정되는 것은 아니다.In this case, the
이에 따라, 사용자는 출력부(140)로부터 불량 종류를 용이하게 인지하여 해당 불량을 야기한 공정의 오류를 용이하게 진단할 수 있다.Accordingly, the user can easily recognize the type of defect from the
도 5 내지 도 9는 후판의 불량 종류 별 결함의 위치를 나타낸 이미지이다. 그리고 도 5 내지 도 9 각각에서 (a)는 길이 및 폭을 기준으로 나타낸 이미지이고, (b)는 두께 및 폭을 기준으로 나타낸 이미지이다.5 to 9 are images showing the locations of defects for each type of defect of the thick plate. In each of FIGS. 5 to 9, (a) is an image shown based on length and width, and (b) is an image shown based on thickness and width.
먼저, 도 5를 참조하면, 후판의 불량이 편석인 경우에는 두께 방향으로 결함 위치가 제2 가상선(L2)에 인접하게 위치함을 알 수 있다. 그리고 길이 방향으로 결함 위치가 전체적으로 분산하여 배치될 수 있다. 이 때, 전체적으로 분산하여 배치된다는 것은 이미지에서 분할된 각 영역에서 결함의 개수가 소정의 개수를 초과하거나, 인접한 결함 간의 평균 이격 거리가 소정의 값 이하인 경우로 정의될 수 있다. 이에 따라, 실시예에 따른 불량 검출 장치는 후판이 편석인지 여부를 용이하게 판단할 수 있다. 그리고 이러한 편석은 초기주편에 집중되고 황화망간(MnS)층이 존재하며, 초기 압하구간을 단축하는 경우에 편석이 저하될 수 있다. 이에, 실시예에 따른 불량 검출 장치는 편석 및 초기 압하 구간의 단축을 출력으로 사용자에게 제공할 수 있다.First, referring to FIG. 5, when the defect of the thick plate is segregation, it can be seen that the defect location is located adjacent to the second virtual line L2 in the thickness direction. In addition, defect locations may be entirely distributed and disposed in the longitudinal direction. In this case, the dispersive arrangement as a whole may be defined as a case where the number of defects in each area divided in the image exceeds a predetermined number or an average separation distance between adjacent defects is less than a predetermined value. Accordingly, the apparatus for detecting a defect according to the embodiment can easily determine whether the thick plate is segregated. In addition, such segregation is concentrated in the initial cast, a manganese sulfide (MnS) layer is present, and segregation may be reduced when the initial reduction section is shortened. Accordingly, the defect detection apparatus according to the embodiment may provide the user with output of the segregation and shortening of the initial reduction section.
도 6을 참조하면, 후판의 불량이 개재물인 경우에는 두께 방향으로 결함 위치가 제1 가상선(L1) 및 제3 가상선(L3)에 인접하게 위치함을 알 수 있다. 그리고 길이 방향으로 결함 위치가 전체적으로 분산하여 배치될 수 있다.Referring to FIG. 6, when the defect of the thick plate is an inclusion, it can be seen that the defect location is located adjacent to the first virtual line L1 and the third virtual line L3 in the thickness direction. In addition, defect locations may be entirely distributed and disposed in the longitudinal direction.
이에 따라, 실시예에 따른 불량 검출 장치는 후판이 개재물인지 여부를 용이하게 판단할 수 있으며, 불량 종류를 개재물로 출력할 수 있다. 또한, 실시예에 따른 불량 검출 장치는 주조 말기에 조업자의 개입을 최소화하도록 사용자 등에게 피드백하여 개재물을 감소할 수 있다.Accordingly, the defect detection apparatus according to the embodiment can easily determine whether the thick plate is an inclusion, and can output a defect type as an inclusion. In addition, the defect detection apparatus according to the embodiment may reduce inclusions by feeding back to a user or the like to minimize operator intervention at the end of casting.
도 7을 참조하면, 후판의 불량이 적색점인 경우에는 두께 방향으로 결함 위치가 제1 가상선(L1) 및 제3 가상선(L3)에 인접하게 위치함을 알 수 있다. 그리고 길이 방향으로 결함 위치가 일부 영역에 배치될 수 있다. 이 때, 일부 영역에 배치된다는 것은 이미지에서 결함의 개수가 소정의 개수보다 작은 경우일 수 있다.Referring to FIG. 7, when the defect of the thick plate is a red dot, it can be seen that the defect location is located adjacent to the first virtual line L1 and the third virtual line L3 in the thickness direction. In addition, the defect location may be disposed in a partial area in the longitudinal direction. In this case, the fact that the image is disposed in a partial area may be a case where the number of defects in the image is smaller than a predetermined number.
이에 따라, 실시예에 따른 불량 검출 장치는 후판이 적색점인지 여부를 용이하게 판단할 수 있으며, 불량 종류를 적색점으로 출력하여 사용자 등에게 제공할 수 있다.Accordingly, the defect detection apparatus according to the embodiment can easily determine whether the rear plate has a red dot, and can output a defect type as a red dot and provide it to a user or the like.
도 8을 참조하면, 후판의 불량이 헤드/테일(head/tail)인 경우에는 두께 방향으로 결함 위치가 제2 가상선(L2)에 인접하게 위치함을 알 수 있다. 그리고 길이 방향으로 결함 위치가 양단에 배치될 수 있다. 즉, 결함이 길이 방향으로 분할된 복수 개의 영역에서 외곽부에 배치된 영역에서 결함의 개수가 중심부에 배치된 영역에서 결함의 개수보다 클 수 있다. Referring to FIG. 8, when the defect of the rear plate is a head/tail, it can be seen that the defect location is located adjacent to the second virtual line L2 in the thickness direction. In addition, defect locations may be disposed at both ends in the longitudinal direction. That is, the number of defects in an area disposed at the outer portion of a plurality of areas in which defects are divided in the length direction may be greater than the number of defects in an area disposed at the center.
이에 따라, 실시예에 따른 불량 검출 장치는 후판이 헤드/테일인지 여부를 용이하게 판단할 수 있으며, 불량 종류를 헤드/테일으로 출력하여 사용자 등에게 제공할 수 있다. 또한, 불량 검출 장치는 기계 절단시 전단 응력(Shear Stress)에 의한 헤드/테일 발생을 주의하라고 피드백하여, 헤드/테일의 발생을 감소시킬 수 있다.Accordingly, the defect detection apparatus according to the embodiment may easily determine whether the rear plate is a head/tail, and may output a defect type as a head/tail and provide it to a user or the like. In addition, the defect detection device feeds back to be careful about the occurrence of the head/tail due to shear stress when cutting the machine, so that the occurrence of the head/tail can be reduced.
도 9를 참조하면, 후판의 불량이 절단면인 경우에는 두께 방향으로 결함 위치가 제1 가상선(L1) 및 제3 가상선(L3)에 인접하게 위치함을 알 수 있다. 그리고 길이 방향으로 결함 위치가 길이 방향을 따라 소정의 폭 내에서 나란히 배치될 수 있다. Referring to FIG. 9, when the defect of the thick plate is a cut surface, it can be seen that the defect location is located adjacent to the first virtual line L1 and the third virtual line L3 in the thickness direction. In addition, defect locations in the longitudinal direction may be arranged side by side within a predetermined width along the longitudinal direction.
이에 따라, 실시예에 따른 불량 검출 장치는 후판이 절단면인지 여부를 용이하게 판단할 수 있으며, 불량 종류를 절단면으로 출력하여 사용자 등에게 제공할 수 있다. Accordingly, the defect detection apparatus according to the embodiment may easily determine whether the thick plate is a cut surface, and may output the type of defect as the cut surface and provide it to a user or the like.
도 10는 본 발명의 실시예에 따른 불량 검출 방법의 흐름도이다.10 is a flowchart of a defect detection method according to an embodiment of the present invention.
도 10을 참조하면, 본 발명의 실시예에 따른 불량 검출 방법은 불량 후판의 탐상 이미지의 특징을 추출하는 단계(S210), 판별 모델 생성하는 단계(S220), 후판의 탐상 이미지 입력하는 단계(S230), 후판의 탐상 이미지에서 결함의 위치에 대응하는 특징을 추출하는 단계(S240), 후판의 결함 종류를 판단하는 단계(S250)를 포함한다.Referring to FIG. 10, the defect detection method according to an embodiment of the present invention includes extracting features of a flaw detection image of a defective thick plate (S210), generating a discrimination model (S220), and inputting a flaw scan image of the thick plate (S230). ), extracting a feature corresponding to the location of the defect from the flaw detection image of the thick plate (S240), and determining the type of defect of the thick plate (S250).
불량 후판의 탐상 이미지의 특징을 추출하는 단계(S210)에서는 후판의 불량 별 후판의 탐상 이미지로부터 결함의 위치를 추출할 수 있다. 이러한 내용은 상술한 판단부에서 데이터 획득부를 통해 불량 후판의 탐상 이미지를 획득하고, 제2 추출부를 통해 획득된 불량 후판의 탐상 이미지로부터 특징을 추출하는 내용이 동일하게 적용될 수 있다.In the step of extracting the features of the flaw detection image of the defective thick plate (S210), the location of the defect may be extracted from the flaw scan image of the thick plate for each defect of the thick plate. The same may be applied to the above-described determination unit obtaining a flaw detection image of the defective thick plate through the data acquisition unit and extracting a feature from the flaw detection image of the defective thick plate obtained through the second extraction unit.
판별 모델 생성하는 단계(S220)는 불량 후판의 탐상 이미지로부터 추출된 결함을 입력 데이터로, 불량 종류를 출력 데이터로하는 인공 신경망(Atificial Neural Network)을 기반의 모델을 생성할 수 있다. 예컨대, 판별 모델은 CNNs(convolutional neural networks), DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델으로 구현될 수 있다. 그리고 이러한 내용은 상술한 학습부에서 수행될 수 있다.In the step of generating the discriminant model (S220 ), a model based on an artificial neural network in which the defect extracted from the flaw detection image of the defective plate is used as input data and the defect type is output data may be generated. For example, the discrimination model may be implemented as a model such as convolutional neural networks (CNNs), deep neural networks (DNN), recurrent neural networks (RNNs), and bidirectional recurrent deep neural networks (BRDNNs). And this content can be performed by the above-described learning unit.
그리고 판별 모델은 상술한 바와 같이 후판의 두께 방향으로 결함 위치에 의한 후보 불량 종류를 통해 도출하고 길이 방향으로 결함 위치를 통해 최종 불량 종류를 출력하게 구성될 수 있다.As described above, the discrimination model may be configured to derive the candidate defect types based on the defect location in the thickness direction of the thick plate and output the final defect type through the defect location in the length direction.
그리고 후판의 탐상 이미지 입력하는 단계(S230)는 불량 검사를 받고자하는 피검사체에 대한 탐상 이미지를 입력할 수 있다. 이러한 내용은 상술한 입력부를 통해 수행될 수 있다. In the step of inputting a flaw detection image of the thick plate (S230), a flaw scan image of a test object to be subjected to a defect test may be input. This content can be performed through the above-described input unit.
그리고 후판의 탐상 이미지에서 결함의 위치에 대응하는 특징을 추출하는 단계(S240)는 입력부를 통해 입력된 후판의 탐상 이미지에서 결함의 위치를 입력되는 특징으로 추출할 수 있다. 보다 구체적으로, 상술한 바와 같이, 추출된 특징인 입력 데이터는 두께 방향으로 결함의 위치와 길이 방향으로 결함의 위치를 포함할 수 있다. In the step S240 of extracting a feature corresponding to the location of the defect from the flaw detection image of the thick plate (S240), the location of the defect may be extracted as an input feature from the flaw detection image of the thick plate input through the input unit. More specifically, as described above, the extracted feature input data may include the location of the defect in the thickness direction and the location of the defect in the length direction.
결함의 위치는 두께 또는 길이 방향으로 비율이 가장 큰 영역으로 설정될 수 있다. 또한, 결함은 상술하는 바와 같이 탐상 이미지에서 수신 시간차에 따라 다양한 색상으로 표시될 수 있으나, 불량 종류에 따라 설정되는 색상으로 표시될 수 있다. 예컨대, 결함은 수신 시간차가 가장 늦은 색상의 영역으로 선택될 수 있다. 또한, 입력 데이터에서 결함의 위치는 탐상 이미지의 각 픽셀의 좌표로 표시될 수 있으며, 상술한 색상은 R, G, B에 의해 선택될 수 있다.The location of the defect may be set to an area having the largest ratio in the thickness or length direction. In addition, as described above, defects may be displayed in various colors according to a reception time difference in the flaw detection image, but may be displayed in a color set according to the type of defect. For example, the defect may be selected as an area of a color having the latest reception time difference. In addition, the location of the defect in the input data may be indicated by the coordinates of each pixel of the flaw detection image, and the above-described color may be selected by R, G, and B.
그리고 상술한 바와 같이 두께 방향으로 결함 위치에 의해 후보 불량 종류를 도출할 수 있다. 마찬가지로 두께 방향으로 결함의 위치는 4개의 영역으로 분리하는 3개의 가상선을 기준으로 설정될 수 있다. 예컨대, 3개의 가상선은 후판의 두께를 4등분하는 제1 가상선(L1), 제2 가상선(L2), 및 제3 가상선(L3)을 포함할 수 있다(도 5 참조). 이 때, 제2 가상선(L2)은 제1 가상선(L1)과 제3 가상선(L3) 사이에 위치할 수 있다. 그리고 두께 방향으로 결함의 위치는 제1 가상선(L1) 및 제3 가상선(L3)에 인접한 경우와 제2 가상선(L2)에 인접한 경우로 분리될 수 있다.And, as described above, a candidate defect type can be derived by the defect location in the thickness direction. Likewise, the position of the defect in the thickness direction may be set based on three virtual lines dividing into four regions. For example, the three imaginary lines may include a first imaginary line L1, a second imaginary line L2, and a third imaginary line L3 that divide the thickness of the thick plate into quarters (see FIG. 5). In this case, the second virtual line L2 may be positioned between the first virtual line L1 and the third virtual line L3. In addition, the location of the defect in the thickness direction may be divided into a case adjacent to the first virtual line L1 and the third virtual line L3 and a case adjacent to the second virtual line L2.
후보 불량 종류가 출력된 이후에, 판별 모델은 최종적으로 길이 방향으로 결함 위치를 입력으로 최종 불량 종류를 출력할 수 있다. 그리고 길이 방향으로 결함의 위치는 길이 방향을 따라 소정의 폭 내에서 나란히 배치되는 경우, 길이 방향으로 양단에 배치되는 경우, 길이 방향으로 전체에 분산 배치되는 경우 및 일부 영역에만 배치되는 경우로 분리될 수 있다.After the candidate defect type is output, the discrimination model may finally input the defect location in the longitudinal direction to output the final defect type. In addition, the locations of defects in the longitudinal direction can be separated into cases where they are arranged side by side within a predetermined width along the length direction, when they are arranged at both ends in the length direction, when they are distributed throughout the length direction, and when they are arranged only in some areas. I can.
다음으로, 후판의 결함 종류를 판단하는 단계(S250)는 입력된 후판의 이미지의 특징을 입력으로 상기 학습된 인공 신경망을 기반으로 결정된 불량 종류를 판단하고, 판단된 불량 종류를 출력할 수 있다. 이러한 내용은 상술한 처리부와 출력부에 의해 수행될 수 있다.Next, in the step of determining the type of defect of the thick plate (S250), the type of defect determined based on the learned artificial neural network may be determined based on the learned characteristics of the image of the rear plate, and the determined type of defect may be output. This can be performed by the processing unit and the output unit described above.
본 실시예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field-programmable gate array) 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.The term'~ unit' used in this embodiment refers to software or hardware components such as field-programmable gate array (FPGA) or ASIC, and'~ unit' performs certain roles. However,'~ part' is not limited to software or hardware. The'~ unit' may be configured to be in an addressable storage medium, or may be configured to reproduce one or more processors. Thus, as an example,'~ unit' refers to components such as software components, object-oriented software components, class components and task components, processes, functions, properties, and procedures. , Subroutines, segments of program code, drivers, firmware, microcode, circuitry, data, database, data structures, tables, arrays, and variables. The components and functions provided in the'~ units' may be combined into a smaller number of elements and'~ units', or may be further divided into additional elements and'~ units'. In addition, components and'~ units' may be implemented to play one or more CPUs in a device or a security multimedia card.
이상에서 실시예를 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 실시예에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.The embodiments have been described above, but these are only examples and do not limit the present invention, and those of ordinary skill in the field to which the present invention belongs are not illustrated above within the scope not departing from the essential characteristics of the present embodiment It will be seen that various modifications and applications are possible. For example, each component specifically shown in the embodiment can be modified and implemented. And differences related to these modifications and applications should be construed as being included in the scope of the present invention defined in the appended claims.
Claims (6)
상기 피검사체의 이미지를 이용하여 피검사체의 두께 방향으로 결함 위치 및 길이 방향으로 결함 위치를 추출하는 제1 추출부; 및
상기 피검사체의 두께 방향으로 결함 위치 및 길이 방향으로 결함 위치를 판별 모델에 입력하여 상기 피검사체의 불량을 판단하는 판단부를 포함하고,
상기 판별 모델은 상기 피검사체의 두께 방향으로 결함 위치에 의해 후보 불량 종류를 출력하고, 길이 방향으로 결함 위치에 의해 최종 불량 종류를 출력하고,
상기 판단부는,
학습 이미지를 획득하는 데이터 획득부; 및
상기 학습 이미지로부터 두께 방향으로 결함 위치 및 길이 방향으로 결함 위치를 추출하는 제2 추출부;를 포함하고,
상기 제2 추출부에서 추출된 상기 두께 방향으로 결함 위치는 피검사체의 두께를 4등분하는 제1 내지 제3 가상선과 결함의 대응 위치로 분리되고,
상기 판단부는 상기 제1 내지 제3 가상선 중 적어도 하나와의 인접 위치에 따라
상기 후보 불량 종류로 편석이나 개재물로 판별하고 상기 판별된 후보 불량 종류와 상기 길이 방향으로 결함 위치를 이용하여 상기 최종 불량 종류를 출력하는 불량 검출 장치.
An input unit for inputting an image of the test subject;
A first extracting unit for extracting a defect location in a thickness direction and a defect location in a length direction of the test subject by using the image of the test subject; And
And a determination unit for determining a defect of the test subject by inputting a defect location in a thickness direction of the test object and a defect location in a length direction into a determination model,
The discrimination model outputs a candidate defect type according to a defect location in the thickness direction of the test object, and outputs a final defect type according to the defect location in the length direction,
The determination unit,
A data acquisition unit that acquires a training image; And
Includes; a second extraction unit for extracting the defect location in the thickness direction and the defect location in the length direction from the learning image,
The defect location in the thickness direction extracted from the second extraction unit is divided into first to third virtual lines that divide the thickness of the test object into four and a corresponding location of the defect,
The determination unit according to a location adjacent to at least one of the first to third virtual lines
A defect detection device that determines the candidate defect type as segregation or inclusion and outputs the final defect type using the determined candidate defect type and the defect location in the longitudinal direction.
상기 판단부는,
상기 제2 추출부로부터 추출된 두께 방향으로 결함 위치 및 길이 방향으로 결함 위치에 대하여 기계 학습을 통해 피검사체의 불량 종류를 판단하는 판별 모델을 생성하는 학습부; 및
상기 제1 추출부로부터 추출된 두께 방향으로 결함 위치 및 길이 방향으로 결함 위치를 상기 판별 모델에 입력하여 상기 피검사체의 최종 불량 종류를 판단하는 처리부;를 더 포함하는 불량 검출 장치.
The method of claim 1,
The determination unit,
A learning unit for generating a discrimination model for determining a defect type of the test object through machine learning with respect to the defect location in the thickness direction and the defect location in the length direction extracted from the second extraction unit; And
A processing unit configured to input the defect location in the thickness direction and the defect location in the length direction extracted from the first extraction unit into the determination model to determine a final defect type of the test object.
상기 판별 모델은,
상기 제2 추출부로부터 추출된 두께 방향으로 결함 위치 및 길이 방향으로 결함 위치를 입력 데이터로 사용하고, 불량 종류를 출력 데이터로 사용하는 불량 검출 장치.
The method of claim 2,
The discrimination model,
A defect detection device that uses a defect location in a thickness direction and a defect location in a length direction extracted from the second extraction unit as input data, and uses a defect type as output data.
상기 판별 모델은 CNNs(convolutional neural networks), DNN(Deep Neural Network), RNN(Recurrent Neural Network) 및 BRDNN(Bidirectional Recurrent Deep Neural Network) 중 적어도 하나를 포함하는 불량 검출 장치.
The method of claim 2,
The determination model is a defect detection apparatus including at least one of convolutional neural networks (CNNs), deep neural networks (DNN), recurrent neural networks (RNNs), and bidirectional recurrent deep neural networks (BRDNNs).
상기 피검사체는 후판이고,
상기 이미지는 탐상 이미지인 불량 검출 장치.The method of claim 1,
The subject is a thick plate,
The image is a flaw detection device.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180152541A KR102172361B1 (en) | 2018-11-30 | 2018-11-30 | Device and method for detecting defect |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180152541A KR102172361B1 (en) | 2018-11-30 | 2018-11-30 | Device and method for detecting defect |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200071819A KR20200071819A (en) | 2020-06-22 |
| KR102172361B1 true KR102172361B1 (en) | 2020-10-30 |
Family
ID=71142446
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180152541A KR102172361B1 (en) | 2018-11-30 | 2018-11-30 | Device and method for detecting defect |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102172361B1 (en) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000146926A (en) * | 1998-11-13 | 2000-05-26 | Sumitomo Metal Ind Ltd | Method for discriminating defective kind |
| KR100711494B1 (en) * | 2005-12-23 | 2007-04-24 | 주식회사 포스코 | Method for classifying pattern of ultrasonic test of thick plate |
| KR101736613B1 (en) * | 2015-12-07 | 2017-05-17 | 주식회사 포스코 | Apparatus and Method for thick steel plate Defect inspection |
| JP2018506168A (en) * | 2014-12-03 | 2018-03-01 | ケーエルエー−テンカー コーポレイション | Automatic defect classification without sampling and feature selection |
-
2018
- 2018-11-30 KR KR1020180152541A patent/KR102172361B1/en active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000146926A (en) * | 1998-11-13 | 2000-05-26 | Sumitomo Metal Ind Ltd | Method for discriminating defective kind |
| KR100711494B1 (en) * | 2005-12-23 | 2007-04-24 | 주식회사 포스코 | Method for classifying pattern of ultrasonic test of thick plate |
| JP2018506168A (en) * | 2014-12-03 | 2018-03-01 | ケーエルエー−テンカー コーポレイション | Automatic defect classification without sampling and feature selection |
| KR101736613B1 (en) * | 2015-12-07 | 2017-05-17 | 주식회사 포스코 | Apparatus and Method for thick steel plate Defect inspection |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200071819A (en) | 2020-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9297788B2 (en) | Determination assist system of ultrasonic testing, determination assist method of ultrasonic testing, determination assist program of ultrasonic testing, and computer-readable storage medium for storing determination assist program of ultrasonic testing | |
| TWI557650B (en) | System and method for identifying defects in a material | |
| CN108520274A (en) | High reflecting surface defect inspection method based on image procossing and neural network classification | |
| US10748274B2 (en) | Detecting portions of interest in images | |
| JP7059883B2 (en) | Learning device, image generator, learning method, and learning program | |
| US20210031507A1 (en) | Identifying differences between images | |
| JP2021196711A (en) | Information processing device, determination method, and information processing program | |
| CN112308855A (en) | Rail damage recognition model generation device, damage detection device and system | |
| US20220076404A1 (en) | Defect management apparatus, method and non-transitory computer readable medium | |
| US20230221286A1 (en) | Inspection device, inspection method, and inspection program | |
| CN113554645B (en) | Industrial anomaly detection method and device based on WGAN | |
| KR102172361B1 (en) | Device and method for detecting defect | |
| JP4131400B2 (en) | Casting internal defect inspection support apparatus and method | |
| JP6725067B2 (en) | Digital image processing to remove unwanted parts | |
| KR101689980B1 (en) | Pattern inspection apparatus and pattern inspection method | |
| JP7215108B2 (en) | Detecting parts of interest in images or matrix data | |
| JP4738243B2 (en) | Ultrasonic flaw detection system | |
| JPWO2020158630A1 (en) | Detector, learner, computer program, detection method and learner generation method | |
| US20230037495A1 (en) | Method and device for ultrasonic inspection of composite parts, in particular made from carbon fiber reinforced plastics, device and computer program | |
| JP7142825B1 (en) | Image judgment method and image judgment system | |
| KR101534618B1 (en) | Method of enhancing reliability of seepage detection and seepage detecting apparatus using the same | |
| US20240020812A1 (en) | Method for determining a state of at least one floor element, associated system and assembly | |
| JP2022074488A (en) | Defect determination device and defect determination method | |
| Medak et al. | Rapid defect detection by merging ultrasound B-scans from different scanning angles | |
| JP2021072048A (en) | Image processing system and image processing method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |