earticle

영어

Mass production in factories has made it more difficult for humans to detect defects directly. As defect detection is essential in quality control, the demand for automated defect detection is increasing. Accordingly, research that can improve productivity and reduce costs through automated defect detection using computer vision technology is attracting attention. In this study, template matching and deep learning model ResNet34 were used to detect errors on the cap and valve position in a factory that produces parts in an air conditioning system. As a result of the experiment, when deep learning was used, it showed higher accuracy than template matching, and all defective data could be detected in the top image, and a detection rate of more than 99% was recorded in the side image. These results show the possibility that automated defect detection technology can be utilized as an efficient means of production management.

한국어

공장에서의 대량 생산으로 사람이 직접 결함을 발견하는 것은 더욱 힘들어졌다. 결함 발견은 품질 관리 에서 필수적이므로 자동화된 결함 감지의 수요가 증가하고 있다. 이에 따라 컴퓨터 비전 기술을 이용하여 자동화 된 결함 발견으로 생산성을 향상하고 비용을 절감할 수 있는 연구가 관심을 받고 있다. 본 연구에서는 공기조화장치 내 부품을 생산하는 공장에서 캡과 밸브 위치에 대한 에러 검출을 하기 위해 템플릿 매칭과 딥러닝 모델 ResNet34 을 사용하였다. 실험 결과 딥러닝을 이용한 경우 템플릿 매칭보다 더 높은 정확도를 보였으며 top 이미지에서는 모든 불량 데이터를 검출할 수 있었고 side 이미지에서도 99% 이상의 불량 데이터 검출률을 기록하였다. 이러한 결과는 자동화된 결함 탐지 기술이 생산 관리의 효율적인 수단으로 활용될 수 있다는 가능성을 보여준다.