의약 용기의 다중 카메라 인라인 검사 시스템에서의 품질 검사를 위한 딥러닝 네트워크 개발

이태윤; 윤석문; 이승호

추천

검색

질문

자료유형: 학술저널

저자정보: 이태윤 (Hanbat National University) 윤석문 (yandy) 이승호 (Hanbat National University)

저널정보: 한국전기전자학회 전기전자학회논문지 전기전자학회논문지 제28권 제3호

발행연도: 2024.9

수록면: 474 - 478 (5page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

본 논문에서는 의약 용기의 다중카메라 인라인 검사 시스템에서의 품질 검사를 위한 딥러닝 네트워크를 제안한다. 제안하는 딥러닝 네트워크는 현장에서 생산되는 의약 용기의 데이터를 사용하여 의약 용기에 특화된 딥러닝 네트워크로 더욱 정확하게 품질을 검사한다. 또한, 인라인 검사가 가능한 딥러닝 네트워크를 사용하여 품질 검사의 속도를 증대시킬 수 있다. 다중카메라 인라인 검사 시스템에서의 품질 검사를 위한 딥러닝 네트워크의 개발은 3단계로 나뉜다. 첫 번째로 실제 의약 용기 생산 현장에서 1개의 이물검사용 line 카메라, 3개의 치수검사용 area 카메라를 통해 얻은 약 10,000장의 이미지로 데이터셋을 구축한다. 두 번째로 의약 용기 데이터 전처리에서는 이물 검사, 치수검사의 용도에 맞게 불량이 일어날 수 있는 곳에 ROI를 지정하여 데이터를 전처리한다. 세 번째로 전처리된 데이터를 이용하여 딥러닝 네트워크를 학습한다. 딥러닝 네트워크는 적은 채널 수를 적용하여 linear layer를 사용하지 않아 판정 속도를 향상하고, PReLU와 residual learning를 적용하여 정확도를 향상한다. 이를 통해 4개의 카메라에서 구축한 데이터셋에 맞는 4개의 딥러닝 모듈을 제작한다. 제안된 의약 용기의 다중카메라 인라인 검사 시스템에서의 품질 검사를 위한 딥러닝 네트워크의 성능을 평가하기 위하여 공인시험기관에서 실험한 결과는, 딥러닝 모듈의 판별 정확도가 99.4%로 세계 최고 수준인 95%보다 우수한 성적을 달성하였고, 평균 판별 속도가 0.947초로 측정되어 세계 최고 수준인 1초보다 우수한 성적을 달성하였다. 따라서, 본 논문에서 제안한 의약 용기의 다중카메라 인라인 검사 시스템에서의 품질 검사를 위한 딥러닝 네트워크의 효용성이 입증되었다.

In this paper, we proposes a deep learning network for quality inspection in a multi-camera inline inspection system for pharmaceutical containers. The proposed deep learning network is specifically designed for pharmaceutical containers by using data produced in real manufacturing environments, leading to more accurate quality inspection. Additionally, the use of an inline-capable deep learning network allows for an increase in inspection speed. The development of the deep learning network for quality inspection in the multi-camera inline inspection system consists of three steps. First, a dataset of approximately 10,000 images is constructed from the production site using one line camera for foreign substance inspection and three area cameras for dimensional inspection. Second, the pharmaceutical container data is preprocessed by designating regions of interest (ROI) in areas where defects are likely to occur, tailored for foreign substance and dimensional inspections. Third, the preprocessed data is used to train the deep learning network. The network improves inference speed by reducing the number of channels and eliminating the use of linear layers, while accuracy is enhanced by applying PReLU and residual learning. This results in the creation of four deep learning modules tailored to the dataset built from the four cameras. The performance of the proposed deep learning network for quality inspection in the multi-camera inline inspection system for pharmaceutical containers was evaluated through experiments conducted by a certified testing agency. The results show that the deep learning modules achieved a classification accuracy of 99.4%, exceeding the world-class level of 95%, and an average classification speed of 0.947 seconds, which is superior to the world-class level of 1 second. Therefore, the effectiveness of the proposed deep learning network for quality inspection in a multi-camera inline inspection system for pharmaceutical containers has been demonstrated.

#Deep Learning #Inspection System #Image Processing #Defect Inspection #PReLU #Residual Learning

참고문헌 (0)

참고문헌 신청

참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이승호

소속기관 한밭대학교

주요연구분야 공학 > 전기전자공학 > 전자공학 TOP 0.5% 복합학 > 기술정책

논문수 138 이용수 11,099

최근 본 자료

전체보기

UCI(KEPA) : I410-151-25-02-092379951

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

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (0)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

최근 본 자료

댓글(0)