검색 상세

딥러닝과 이미지 전처리 기반 MLCC 불량 판정 시스템 개발

Development of MLCC Defect Detection System Based on Deep Learning and Image Preprocessing

초록 (요약문)

MLCC는 전자 회로에서 일시적으로 전하를 충전하고 필요한 전류가 흐르도록 정류를 하며 노이즈(Noise)를 제거하는 핵심 범용 부품이다. 제조 공정 중 포장을 위한 테이핑 공정에서 실링된 투명 테이프를 통해 MLCC가 촬영되고 설비의 카메라 셋업이 상이하게 설치되는 문제로 인해 이미지가 선명하게 촬영되지 않는 경우가 발생한다. 본 논문에서는 딥러닝을 활용하여 포장된 상태의 블러 상태의 MLCC 외관 이미지의 분류 정확도를 확인하고 샤프닝 필터, 스무딩 필터를 이용한 디블러링 처리를 거쳐 이미지 품질을 향상시킨 후 동일한 딥러닝 네트워크 모델에 적용하였을 때 전후 분류 성능의 변화에 대한 검증을 진행하였다. 본 연구에서는 MLCC 테이핑 공정 이미지 데이터를 대상으로 분류함에 있어 VGG-16 딥러닝 모델이 적절하다는 것을 발견하였다. 또한 포장을 위해 테이핑으로 실링되어 있는 블러 상태의 이미지의 품질 향상을 위한 전처리를 방법론으로 제안하였고 샤프닝 필터와 스무딩 필터를 적용한 전처리된 이미지를 대상으로 양품, 불량 클래스 별로 분류를 하는 딥러닝 네트워크 모델을 학습 및 비교했다. 기존의 전처리를 하지 않은 이미지 데이터를 딥러닝 학습시킨 모델 성능과 비교하여 전처리를 한 데이터를 학습시킨 데이터의 딥러닝 분류 성능이 향상된 것을 확인했다. VGG-16 네트워크는 정밀도(Precision) 99.2%로 1.3% 향상, 재현도(Recall)는 98.8%로 2.1% 향상, 정확도(Accuracy) 99.2%로 1.9% 향상, F1-Score 99.0%로 1.7% 향상함으로 분류 성능의 개선을 확인했으며 제안한 이미지 전처리와 딥러닝 네트워크 분류 방법으로 성능 지표의 변화를 산출함으로써 본 연구의 타당성을 입증하였다.

more

초록 (요약문)

MLCC is a key general-purpose component that temporarily charges electric charges in electronic circuits, rectifies them so that the necessary current flows, and removes noise. The MLCC is packaged through a taping process, which is the last process of the manufacturing process. In some cases, the image is not clearly photographed due to the problem that the MLCC is photographed through the transparent tape sealed for packaging and the camera setup of the facility is installed differently. In this paper, the classification accuracy of the MLCC appearance image in the blur state in the packaged state was checked using deep learning, the image quality was improved through deburring processing using a sharpening filter and a smoothing filter, and the change in the post-war classification performance was verified when applied to the same deep learning network model. In this study, it was found that the VGG-16 deep learning model was appropriate in classifying MLCC taping process image data as a target. In addition, pre-processing to improve the quality of blurred images sealed with taping for packaging was proposed as a methodology, and deep learning network models that classify pre-processed images with sharpening filters and smoothing filters by good and bad classes were learned and compared. Compared to the model performance of deep learning of image data that has not been preprocessed. it was confirmed that the deep learning classification performance of data that has been preprocessed has improved. The VGG-16 network improved 1.3% with 99.2% Precision, 2.1% with 98.8% Recall, 1.9% with 99.2% accuracy, and 1.7% with 99.0% F1-Score. The validity of this study was proved by calculating changes in performance indicators through image preprocessing and deep learning network classification methods.

more