The Journal of the Korea Contents Association (한국콘텐츠학회논문지)

The Korea Contents Association (한국콘텐츠학회)
권호 표지
DOI QR코드

DOI QR Code

Detection of the Defected Regions in Manufacturing Process Data using DBSCAN

DBSCAN 기반의 제조 공정 데이터 불량 위치의 검출

  • Received : 2017.04.14
  • Accepted : 2017.05.25
  • Published : 2017.07.28
Download PDF
⟨ Previous Next ⟩

Abstract

Recently, there is an increasing interest in analysis of big data that is coming from manufacturing industry. In this paper, we use PCB (Printed Circuit Board) manufacturing data to provide manufacturers with information on areas with high PCB defect rates, and to visualize them to facilitate production and quality control. We use the K-means and DBSCAN clustering algorithms to derive the high fraction of PCB defects, and compare which of the two algorithms provides more accurate results. Finally, we develop a system of MVC structure to visualize the information about bad clusters obtained through clustering, and visualize the defected areas on actual PCB images.

제조 산업은 국가 경제 성장의 원동력으로 그 중요성이 부각되고 있다. 이에 따라 제조 공정상에서 생성되는 제조 데이터 분석의 중요성 또한 조명 받고 있다. 본 논문에서는 PCB(Printed Circuit Board) 제조 공정에서 발생한 로그 데이터를 분석하여 PCB 상에서 빈번하게 발생하는 고장 영역에 대해서 작업자가 고장 영역을 직접 눈으로 볼 수 있도록 시각화하는 방법을 제안한다. 우선 고장 영역을 파악하기 위해서 PCB 공정 데이터 집합에 K-means, DB-SCAN 클러스터링 알고리즘을 적용하여 군집화 하였고, 두 알고리즘 중 더 정확한 고장 영역을 도출하는지 비교하였다. 또한 MVC(Model-View-Controller) 구조 시스템을 개발하여 실제 PCB 이미지 상에 클러스터링 결과를 출력하는 것으로 실제 고장영역을 눈으로 확인할 수 있도록 시각화하였다.

Keywords

References

  1. 최종우, 이일우, "빅 데이터를 활용한 제조공정 결함 예측에 관한 연구," 한국데이터정보과학회지, 제26권, 제5호, pp.1141-1154, 2015.
  2. K. KOBARA, "Cyber Physical Security for Industrial Control Systems and IoT," IEICE Trans. Inf. & Syst., Vol.99, No.4, pp.787-795, 2016.
  3. A. Puhringer, "사물인터넷(IoT)과 인더스트리 4.0(Industry 4.0)이 기존의 산업용 통신에 미치는 영향," ICN, pp.22-27, 2015.
  4. J. Lee, E. Lapira, B. Behrad, and K. Hung-an, "Recent advances and trends in predictive manufacturing systems in big data environment," Manufacturing Letters, Vol.1, No.1, pp.38-41, 2013. https://doi.org/10.1016/j.mfglet.2013.09.005
  5. S. Gallo, T. Murino, and L. Santillo, "Time manufacturing prediction: preprocess model in neuro fuzzy expert system," Proceeding of The European Symposium on Intelligent Techniques, pp.1-11, 1999.
  6. S. Laschi, M. Franek, and M. Mascini, "Screen printed electrochemical immunosensors for PCB detection," Electroanalysis, Vol.12, Issue.16, pp.1293-1298, 2000. https://doi.org/10.1002/1521-4109(200011)12:16<1293::AID-ELAN1293>3.0.CO;2-5
  7. M. Ester, H. P. Kriegel, J. Sander, and X. Xu, "A density-based algorithm for discovering clusters in large spatial databases with noise," In Kdd, Vol.96, No.34, 1996.
  8. D. Arthur and S. Vassilvitskii, "K-means++: The advantages of careful seeding," In Proceedings of the ACM-SIAM symposium on Discrete algorithms, pp.1027-1035, 2007.
  9. M. M. Deza and E. Deza, Encyclopedia of distances, Springer Berlin Heidelberg, 2009.
  10. C. C. Yang and T. D. Ng, "Analyzing content development and visualizing social interactions in web forum," IEEE International Conference on Intelligence and Security Informatics, pp.25-30, 2008.
  11. K. E. Krause, "Taxicab geometry," The Mathematics Teacher, Vol.66, No.8, pp.695-706, 1973.
  12. G. Chen, S. A. Jaradat, N. Banerjee, T. S. Tanaka, M. S. Ko, and M. Q. Zhang, "Evaluation and comparison of clustering algorithms in analyzing ES cell gene expression data," Statistica Sinica, pp.241-262, 2002.