DEEP-LEARNING

브레니(Brenny)
(주)아이디맥스
사람과 같이 문제 해결을 위해 학습하는 나는 브레니(Brenny)라고 해요.
사물도 인식하고 무언가를 분류해보고 묶어보고 신경망을 가동시켜 특징을 추출하죠. 기계가 학습을 하다니... 내가 궁금하지 않나요?

딥러닝 기초

 

딥러닝 기술은 패턴을 예측하고 중요한 사업 결정을 내리기 위해 사용되고 있습니다. 또한 딥러닝 기술은 품질

검사 및 다른 판단 기반 사용을 위해 첨단 생산 방식에서 사용됩니다.


딥러닝은 로봇과 기계가 사람이 하는 일을 하도록 예제를 통해 학습시킵니다. 새로운 저가 하드웨어 생체 구조를

모방해서 인간 두뇌의 신경망을 흉내낼 수 있는 다층 딥 뉴럴 네트워크를 구현할 수 있게 되었습니다. 딥 뉴럴

네트워크는 최초 학습 동안 개발된 핵시적인 로직에서 시작해서 새로운 이미지, 음성, 텍스트를 습득하면서

성능을 지속적으로 개선해 나갈 수 있습니다. 이러한 특징으로 생산 기술은 이미지를 인식하고 트렌드를 구분하며

보다 지능적인 예측과 결정을 가능하게 하는 놀라운 새로운 능력을 확보할 수 있습니다.

 

딥러닝 기술로 부상하고 있는 분야

- 음성 언어, 텍스트, 얼굴 인식

- 모바일 및 웨어러블 기기

- 의료 진단

- 인터넷 보안

 

 


딥 러닝 기반 OCR을 사용하여 모든 조건에서 복잡하고 까다로운 코드 읽기

 

1. 자동차 산업을 위한 딥러닝 OCR

자동차 제조업체와 부품 공급 업체는 일련 번호를 사용하여 공급망을 통해 고가 부품을 추적하고 올바른 어셈블리와 일치하는지 확인합니다. 점이 찍힌 일련번호가 심하게 변형되고 읽을 수 없는 경우 OCR 및 OCV 프로세스 속도가 느려지고 효과적인 추적 가능성이 위협됩니다. 딥 러닝 기반 OCR / OCV 도구는 사전 훈련된 옴니 폰트 라이브러리에 의존하여 가장 읽기 어려운 코드를 즉시 식별하기 때문에 이러한 과제에 잘 부합하고, 잘못 읽은 문자나 응용 프로그램 별 글꼴은 공장에서 쉽게 재교육 할 수 있습니다.

 

2. 전자 산업을 위한 딥 러닝 OCR

집적 회로(IC) 패키지 및 리드 프레임과 같은 전자 부품의 레이저 에칭 코드는 모든 전자 하드웨어 제조업체의 필수 기능입니다. 이러한 코드는 최종 조립 및 장치 테스트를 통해 부가가치의 모든 단계에서 판독되어 하드웨어가 올바르게 조립되고 올바른 구성 요소가 포함되어 있는지 확인되고, 딥 러닝 기반 기술은 OCR / OCV 기술은 변형되고 왜곡 된 문자도 인식하는 사전 훈련 된 옴니 폰트 라이브러리 덕분에 지루한 훈련시간을 건너 뛰는 즉시 사용 가능한 솔루션을 제공합니다.

 

3. 포장 산업을 위한 딥 러닝 OCR

제조업체는 공급망을 통해서 각 포장 상품을 따르는 정보의 추적을 인식하고 확인할 수 있는 신뢰할 수 있는 시스템을 갖추고 있어야 합니다. 이러한 제조업체는 OCR / OCV 장비를 사용하여 영향을 받는 제품을 신속하게 찾아 생산 중단또는 선반에서 제거가 되고, 심지어 대비가 잘되지 않는 문자를 디코딩하는 데 어려움을 겪을 수 있습니다. 딥 러닝 기반 기술을 수용함으로써 제조업체는 식품 안전 및 추적 성 법률을 준수하고 생산에 미치는 영향을 최소화하면서 리콜을 촉진할 수 있습니다.

 

4. 생명 과학 산업을 위한 딥 러닝 OCR

효과적인 OCR 및 OCV는 추적 및 법률을 엄력하게 규제하는 생명 과학에 중요합니다. 안전 이벤트가 발생할 경우 공급망 전체에서 장치 및 의약품을 긴밀하게 관리할 수 있습니다. 생명과학 산업은 마주 칠 가능성이 높은 글꼴을 인식하도록 머신 비전 시스템을 교육하는 데 인식하도록 머신 비전 시스템을 교육하는데 시간을 투자하는 대신 딥 러닝 기반 이미지 분석 소프트웨어를 사용하여 작업을 수행하고 있습니다.

 

VisionPro 딥 러닝은 흉부 X-레이에서 코로나 검출에 대한 조기약속

 

1. 딥 러닝과 의료 영상 결합의 가치

X-레이와 같은 의료 이미지는 코로나 진단을 확인하는 데 중요합니다. 딥러닝 소프트웨어는 수천 개의 의료 이미지를 분석하고 진단을 반박하거나 지원하는 이상 징후를 식별하여 임상의의 업무량을 줄일 수 있습니다. 가장 인기 있는 오픈 소스 딥 러닝 도구는사용하기 어렵고 상당한 프로그래밍 전문 지식이 필요하고, 의사, 방사선 전문의 및 기타 임상의와 같은 의료 종사자가 이러한 도구를 익힐 것 으로 기대하는 것은 실용적이지 않습니다. 전 세계 코로나 바이러스 전염병이 긴급 성을 제공했으며 코로나 흉부 X- 레이의 대규모  데이터 세터인 COVIDX는 연구를 위한 테스트 이미지를 제공했고, VisionPro Deep Learning은 프로그래밍 경험이 필요없는 사용자 친화적인 GUI를 제공합니다.

 

2. COVID 및 딥 러닝 연구 기반 구축

오픈 소스 딥 러닝 패키지를 사용하여 X- 레이를 분석하고 COVID-19 의 징후가 있는 폐를 식별하는 방법을 학습 한 정교한 신경망인 cOVID-Net을 구축했습니다. 개발자는 공장 관리자와 기술자가 딥 러닝을 사용하여 생산 라인의 이미지를 분석하여 품질 관리를 유지하고 결함 및 손상 된 제품을 시장에서 제외할 수 있도록 특별히 설계했습니다. 또한 부품 또는 결함을 분류하고 부품을 찾고 어셈블리를 확인하는 데 사용할 수 있습니다.

 

3. VisionPro 딥러닝이 COVIDX 데이터 세트에서 수행 한 방법

모든 능력에 있어서 딥 러닝 알고리즘은 인간 임상의의 지혜를 완전히 대체할 수 없습니다. 그러나 청진기나 혈압 커프처럼 의료 전문가가 높은 수준에서 업무를 수행하는데 도움이 되는 유용한 도구입니다. 현실세계에서 도구가 잠재적 진단에 대한 권장 사항을 제공할 뿐만 아니라 해당 질병 증상을 감지한 영역도 식별할 수 있고, 이는 방사선 전문의가 Ai 진단을 확인하거나 반박할 수 있도록 영상의 특정 영역에 집중하여 잘못된 이유로 올바른 결정을 내리는 것을 방지하기 때문에 중요합니다.


VisionPro Deep Learning으로 세라믹 벽 결함 검사를 자동화 한 방법

 


1. 딥 러닝 결함 감지에는 소량의 이미지 데이터만 필요

PC 기반 딥 러닝 솔루션 인 VisonPro Deep Learning은 적은 수의 좋은 샘플 이미지를 기반으로 원본

플레이트에서 다양한 외관 결함을 식별합니다. 성형 공정의 소성 단계 후 라인 스캐닝 카메라와 LED 조명이 자동

검사를 위해 외부 이미지를 캡처합니다. VisonPro Deep Learning은 돌출, 움푹 들어간 부분, 색조 또는 원하지

않는 선과 같은 결함을 식별하고, 이러한 이미지를 분석하여 자동화 엔지니어가 허용되거나 허용되지 않는

외관상의 결함을 기반으로 애플리케이션을 더욱 세분화 할 수 있습니다.

 

2. 생산 라인에서 실시간 감지를 위한 높은 처리 속도

성형 공정에서 발생하는 결함을 실시간으로 감지하여 공정 초기 단계에서 불량품을 발견할 수 있고, 품질 관리는

최종 검사 전 단계에서 더 정확하게 수행되어 생산 계획 정확도를 향샹시킵니다. VisionPro Deep Learning은

변형된 부분을 선택적으로 검사하여 빠른 처리 속도로 구별할 수 있습니다.

 

3. 움직이지 않는 재고 감소 성공

이 검사 시스템을 도입함으로써 이전에 예비 생산량의 0.4%를 차지했던 고정 재고가 40% 감소하여 비용이

절감되었고, 최종 공정 이전에 딥 러닝을 통해 육안 검사를 자동화함으로써보다 정확한 품질 관리가 크게

향상되었습니다. 정확한 생산 계획을 가능하게하는 수율을 개선하고 재고를 줄일 수 있습니다.

 

4. 수평적 확장으로 추가 비용 절감

딥러닝 결함 감지 시스템으로 점토 재료 압착 단계 후에 외부 검사가 통합 되었고, 마르기 전에 결하이 발견되면

재료를 재활용하여 폐기물을 제거합니다. 이로 인해 재료비를 크게 절약할 수 있습니다.  


 

VisionPro Deep Learning으로 코로나19 또는 폐렴의 이미지를 식별

 

1. X-rays, CT Scans, and COVID-19

X-레이와 같은 의료 영상은 의사와 방사선 전문의에게 코로나19  실험실 검사가 정확하다는 시각적 증거를 제공

할 수 있습니다. 딥러닝의 신경망은 수천 개의 의료 이미지를 분석하고 진단을 반박하거나 지원하는 이상 징후를

 식별하여 임상의의 업무량을 줄일 수 있습니다. 하지만 가장 인기있는 오픈 소스 딥 러닝 도구는 사용하기 어렵고

상당한 프로그래밍 전문 지식이 필요합니다. 의사, 방사선 전문의 및 기타 임상의와 같은 의료 종사자가 이러한

도구를 익힐 것으로 기대하는 것은 실용적이지 않습니다.

 

2. Study 1 : 뛰어난 VisonPro DL

Cognex의 연구는 오픈 소스 DL 패키지를 사용하여 X-레이를 분석하고 COVID-19의 징후가 있는 폐를 식별하는

방법을 배운 정교한 신경망인 COVID-Net을 구축했습니다. F-점수라고하는 측정은 디지털 rel=noopener noreferrer 이미지의 패턴과 이상을 정확하게 예측하려고 시도하는 딥러닝 시스템의 전체 정확도를 평가합니다.

기본적으로 F-점수는 딥러닝 시스템에서 생성된 올바른 예측의 백분율입니다. 이미진느 정상, 비 COVID-19 폐렴

및 COVID-19의 세가지 범주로 구분되었습니다.

 

3. Study 2 : ViskonPro 딥 러닝, CT 스캔으로 리드 확대

Cognex 논문은  흉부 X-레이를 넘어 CT 스캔에 이르기까지 다양하고, 많은 연구에서 CT 스캔 및 X-레이와 함께

딥 러닝을 사용하여 COVID-19 이미지를 탐지하는 데송공한것으로 나타났지만, 대부분의 딥 러닝 아키텍처는

시스템을 프로그래밍하기 위한 GUI를 제공하지 않기 때문에 광범위한 프로그래밍일 필요합니다. 딥 러닝이나

프로그래밍에 대한 지식이 부족한 방사선 전문의가 이러한 프로그램을 교육하는 것은 물론 사용하기가

어렵습니다. 기존의 DL 연구는 네트워크를 구축하고 모델을 개발하고 알고리즘을 훈련하는 데 수년이 필요할 수

있습니다. VisonPro DL은 그 시간 프렐임을 회기적으로 줄여줍니다.

 

4. 방사선 전문의에게 강력한 진단 도구를 제공하는 딥 러닝

Cognex의 처음 두 연구 결과는 여전히 다른 의료 연구자의 검증이 필요하지만 초기 결과는 유망합니다. 또한

소프트웨어는 아직 의료용으로 승인되지 않았습니다. 모든 능력에 있어서 딥러닝 알고리즘은 인간 임상의의

지혜를 완전히 대체할 수 없습니다. 그러나 청진기나 혈압 커프처럼 의료 전문가가 높은 수준에서 업무를

수행하는 데 도움이 되는 유용한 도구입니다.  

 

배터리 버튼 검사

버튼(또는 동전) 배터리와 원통형 배터리는 전극과 전해질이 들어있는 하우징에 캡을 용접하여 밀봉됩니다.  

레이저 또는 저항 용접과 같은 저열 방법은 배터리 내용물의 손상을 방지하기 위해 일반적으로 사용되지만

씰을 고정하려면 정밀도가 필요합니다. 이 모든 것이 기 존 머신 비전으로 모든 결함을 정확하게 감지하기

렵게 만듭니다. 그리고 이러한 배터리는 대량으로 생산되고 결함이 작고 발견하기 어렵기 때문에 수동 검사에 대해서도 비슷한 과제를 제시합니다.

 

배터리 용접 결함을 식별하기 위해 Cognex Deep Learning의 결함 감지 도구는 적절한 수준의 외관 결함을

포함하여 정상 부품의 전체 변형을 학습하기 위해 적절하게 밀봉된 다양한 배터리에 대해 교육을 받았습니다.

고객 선호도에 따라 3D 레이저 변위 센서인 Cognex DSMax는 타사 소프트웨어 없이도 검사 프로세스에 쉽게

통합 할 수 있습니다. Cognex Deep Learning과 DSMax는 함께 밀봉 핀과 그 용접에 대한 전체 검사를 제공하여

결함이 없고 용접되고 올바르게 배치되었는지 확인할 수 있습니다.  


생산 활동을 위한 머신 러닝 소개

딥러닝은 인공지능의 하위 집합에 해당되며 보다 폭넓은 머신 러닝 분야의 일부입니다. 딥러닝은 프로그래밍하는

특정 작업 중심의 컴퓨터 애플리케이션 대신, 비구조화된 데이터를 받아서 스스로 학습하고, 이 학습 데이터에

기초해서 보다 정확한 결과를 산출합니다. 딥러닝 애플리케이션은 명시적으로 작업을 프로그래밍하지 않고 보다

구체적인 범위의 작업을 학습하고 해결합니다.

 

딥러닝 기술은 패턴을 예측하고 중요한 사업 결정을 내리기 위해 사용되고 있습니다. 또한 딥러닝 기술은 결함

감지 또는 최종 어셈블리 검사 등 품질 검사 및 다른 판단 기반 사용을 위해 첨단 생산 방식에서 사용됩니다.

그럼에도 불구하고 인간은 의사 결정에 쉽게 지치는 것에 비해 컴퓨터는 그렇지 않습니다. 바로 이러한 이유

때문에 머신 비전과 연계된 올바른 애플리케이션 유형에 대해 딥러닝이 구현되는 경우 공장 및 생산 업체들이

다른 신기술의 경우 수익 발생까지 몇 년이 걸리는 시간을 단축할 수 있습니다.

 

 공장 자동화를 위한 딥 러닝

딥러닝은 우리가 모바일 및 웨어러블 장치에서 사용하는 음성, 텍스트 및 얼굴 인식의 기초 기술로 부상했으며

현재 의료 진단에서 인터넷 보안, 패턴 예측 및 확인을 위한 다른 많은 응용 프로그램에서 사용되기 시작했습니다.

이 동일한 기술은 이제 품질 검사 및 기타 판단 기반 사용을 위한 고급 제조 관행으로 마이그레이션되고 있습니다.

 

새롭고 저렴한 하드웨어 덕분에 인간 두뇌의 뉴런 네트워크를 모방하는 생체 영감을 받은 다층 "심층" 신경망을

구현하는 것이 실용적입니다. 이를 통해 제조 기술은 이미지를 인식하고 트렌드를 구별하며 지능적인 에측과

결정을 내릴 수 있는 놀라운 새로운 기능을 제공합니다. 공장 자동화에서 딥 러닝 모델은 기존 머신 비전 시스템을

사용하여 프로그래밍 및 유지 관리가 너무 어려운 비전 애플리케이션을 정확하고 반복적으로 해결할 수 있습니다.

또한 핵심 알고리즘을 다시 프로그래밍하지 않고도 새로운 예제에 쉽게 적용할 수 있습니다. 이 혁신적인 기술은

인간 육안 검사의 특이성과 유연성을 컴퓨터 시스템의 신뢰성, 일관성 및 속도와 결합합니다.

 

산업 자동화 검사에서 AI, 머신러닝, 딥러닝 사이의 차이점은

 

 

인공지능 - 논리로 작업 프로그래밍하기

AI는 좁은 의미의 AI와 넓은 의미의 AI 두 가지로 분류할 수 있습니다. 넓은 의미의 AI는 인간처럼 행동하고

생각하는 미래적인 개념의 로봇을 의미합니다. 언젠가는 우리가 자각이 있는 로봇을 만나겠지만 이 글의 목적에

따라 우리는 컴퓨터가 살마 같이 특정 작업을 수행할 수 있도록 설계된 컴퓨터 시스템인 좁은 의미의 AI에 집중할

것입니다. AI는 진정한 의미에서 스마트 알고리즘 생성 방식입니다. 초장기에는 AI는 단순히 프로그래밍한 컴퓨터

명령어들의 집합일 뿐이었습니다. 이제 AI는 복잡한 로직 집합에서부터 인간의 프로그래밍을 최소화하면서 참조

예제에 기초해서 결과를 도출하는 셀프 학습이 가능한 알고리즘까지 어떤 것이라도 될 수 있습니다.

 

머신러닝 - 인공 지능의 적용

머신비전은 머신러닝을 가장 잘 사용하는 사례들 중 하나입니다. 카메라로 포착된 이미지 데이터와 분류기, 위치

확인 도구, 광학문자 인식 등 이러한 이미지에 적용된 다양한 알고리즘을 통해 머신 비전 소프트웨어는 부품의

존재 여부, 두 경계선 사이의 폭 측정, 타이어 상의 특정 문자열 파악 등을 수행할 수 있습니다.

 

코그넥스에서는 머신 비전을 검사 난제를 해결하기 위한 전통적 또는 규칙 기반 방식이라고 부릅니다. 기술적인

알고리즘인 이 규칙은 부품의 가장 자리 두 개를 찾고 이 가장자리 사이의 너비를 결정하는 특정 작업을

프로그래밍하기 위해 인간이 사용하는 소프트웨어 도구입니다. 이런 규칙 기반 이 범주에 포함되기는 하지만 

머신러닝이나 AI라고 생각하지 않습니다.  

 

딥러닝 - 차세대 검사 방식으로의 진화

딥러닝 알고리즘은 기술의 지속적인 발전 덕분에 유명해진 최신 인공 지능 하위 집합입니다. 딥러닝은 머신러닝

에서 발전된 기술을 기반으로 하지만 몇 가지 차이가 있습니다. 딥러닝은 컴퓨터 알고리즘으로 작업을 프로그래밍

하는 과정을 인간에게 의존하지 않고 인간의 학습을 흉내낸 예제 기반 접근 방식을 통해서 결과에 도달합니다.

딥러닝 깁나 검사 애플리케이션은 신경망을 활용함으로써 연결을 수행하고 대규모 데이터 집합에서 패턴을

파악합니다.

 

딥러닝 기반 방식으로 알고리즘은 사용자가 제공하는 예제를 받아서 자동으로 검사 중인 부품을 이해합니다.

이 솔루션은 약간의 변동을 감안해서 우수한 부품은 어떻게 생겼는지 학습하는 검사를 생성함으로써 긁힘, 이물질

기타 시각적 결함 등으로 결함이 있어 보이는 물체를 표시할 수 있습니다. 그 후에 사용자는 도구가 학습할 더

많으 데이터를 제공함으로써 솔루션을 개선할 수 있습니다. 딥러닝 애플리케이션이 더 많은 데이터를 확보할 수록

시간 경과에 따라 비정상적인 상황을 더 잘 포착할 수 있습니다.  

 

딥러닝이 기존 머신 비전과 다른점

머신 비전 시스템은 기본적으로, 이미지 획득을 수행하는 특수 광학 장치가 적용되는 산업용 카메라 내부에

보호되는 디지털 센서에 의존합니다. 그 후에 해당 이미지들은 PC로 전송되어 특화된 소프트웨어가 의사 결정을

위해 다양한 특성을 처리, 분석, 측정할 수 있습니다. 기존의 머신비전 시스템은 일관적이고 생산 과정에서 결함이

없는 부품에 대해서는 높은 신뢰도로 작동합니다. 이 기술은 인간이 수행하는 검사보다 비용 측면에서 저렴하게

단계별 필터링과 규칙 기반 알고리즘을 통해 작동합니다.

 

딥러닝은 특정 공장 자동화 난제 해결을 위해 규칙 기반 접근 방식 대신 사례 기반 접근 방식을 사용합니다.

딥러닝은 미리 분류한 예제 집합에 기초해서 컴퓨터에게 어떤 것이 좋은 이미지인지 학습시키기 위해

인공신경망을 활용함으로써 결함 분석, 물체 검색 및 분류, 인쇄된 표식 판독 등과 같은 작업을 수행할 수 있습니다

딥러닝은 최종 어셈블리 검사 등과 같이 일반적으로 검사를 수작업으로 수행하는 애플리케이션에 이미 사용되고

있습니다. 한때 이러한 작업은 자동화가 너무 힘든 분야로 인식되기도 했었습니다. 이제 이러한 작업들은 딥러닝

같은 툴을 이용해서 생산라인에서 바로, 보다 일관적이고 보다 신뢰성이 높으며 보다 빠르게 처리가 가능합니다.

 

머신비전에 적합한 작업

- 유도 : 적절한 어셈블리 공정을 위해 부품의 위치와 방향을 찾고 지정된 허용 오차와 비교한 후 올바른 각도를

보장합니다. 부품에서 다른 머신 비전 툴에 적용할 핵심적인 특징을 찾기 위해 사용할 수도 있습니다.

- 식별 : 바코드(1-D), 데이터 매트릭스 코드(2-D), 직접 부품 마크(DPM), 부품에 인쇄된 문자, 레이블, 패키지를

판독합니다. 또한 색상, 형태, 크기에 따라 물체를 식별합니다.

- 측정 : 물체에서 두 개 이상의 점 또는 기하학적 위치 간의 거리를 계산하고 이러한 측정이 사양을 충족하는지

여부를 결정합니다.

- 검사 : 레이블이 올바로 부착되었는지의 여부, 안전 밀봉, 뚜껑의 존재 유무 등과 같이 제품에서 결함이나

기타 불량을 찾습니다.

 

딥러닝에 적합한 상황

- 룰 기반 알고리즘으로 프로그래밍하기에는 너무 어려운 시각적 애플리케이션 문제해결

- 혼란을 초래하는 배경 및 형태가 가변적인 부품 처리

- 애플리케이션 유지관리 및 작업 현장에서 재학습

- 핵심 신경망에 대한 재프로그래밍 없이 새로운 사례에 적응 

 

머신 비전과 딥러닝이 공장자동화를 실현하는 방법

지난 10여년 동안 기술 발전의 속도는 인류 역사상 유례없는 빠른 속도였으며 향후 몇 년 간 더 큰 혁신이

이루어질 것으로 예상됩니다. 즉, 블록체인, 로봇 공학, 엣지 컴퓨팅, 인공지능(AI), 빅데이터, 3D 프린팅, 센서,

머신 비전, 사물인터넷 등 여러 기술적 혁신이 산업의 최전선에서 거대한 기술적 변화를 이끌 것으로 예상되고

있습니다. 더 우수한 공장자동화를 실현하는 신기술의 중요성을 인지하는 것과 지출하려는 의도 사이의 간극이

결국, 성공하는 회사와 실패하는 회사를 결정할 것입니다. AI 같은 분야에 대한 투자에 소극적인 이유는 아마도

관련 ROI, 역량, 실제 사용 사례에 대한 이해가 부족하기 때문일 것입니다.

 

하지만 AI, 특히 기존의 규칙 기반 머신 비전과 결합된 딥러닝 또는 예제 기반 머신 비전은 제조업 공장과 팀에게

초월적인 힘을 제공할 수 있습니다. 규칙 기반 머신 비전과 딥러닝을 결합하면 조립 로봇이 올바른 부품을

식별하고 나사 누락이나 케이스 방향 오류 등의 차이점을 파악하며, 어떤 부품의 존재 여부 또는 제품의 다른

위치에 조립되었는지 여부를 결정하면서 문제가 있는지 신속하게 파악할 수 있습니다. 하지만 이러한 투자를

극대화하기 위해서는 기존의 머신 비전과 딥러닝의 미묘한 차이점을 이해하고 서로 대체가 아닌, 상호 보완하는

방식을 이해하는 것이 중요합니다.  

 

성공을 위해 딥러닝 검사 애플리케이션의 적절한 학습이 매우 중요한 이유

딥러닝 비전 솔루션은 생산 라인에 설치된 시스템이 필요한 반복 프로세스로 평가됩니다. 또한 기존 머신 비전

시스템과는 달리, 딥러닝용 이미지의 학습 및 검증은 개발 과정 중에 완료되어야 하고 공장 합격/불합격 테스트

까지 기다릴 수 없습니다. 딥러닝은 학습시킬 많은 수의 샘플이 필요하며, 따라서 잘 실행되는 딥러닝 툴을

학습시키기 위해 필요한 대표 이미지세트를 확보할 시간이 필요할 수도 있습니다.

 

다시 말해 딥러닝 기반 애플리케이션의 결과나 출력물은 해당 시스템의 적절한 교육 없이는 예상하지 못한 결과로

나올 수 있으며 생산 업체가 신뢰성이 높은 검사 결과가 필요하기 때문에 바람직하지 않습니다. 공장 자동화의

경우, 애플리케이션 엔지니어는 생산에서 좋은 결과를 얻기 위해서 잘 학습된 딥러닝 기반 애플리케이션에게는

다양한 번위의 결함 및 우수한 부품들을 표현하는 종합적인 학습 이미지들이 필요하다는 사실을 이해할 필요가

있습니다.  

 

다섯단계를 통해 딥러닝 공장 자동화 프로젝트를 시작하는 방법

딥러닝 이미지 분석은 다양한 산업 분야에서 공장 자동화 기회를 제공합니다. 표면 결함 검사에서부터 다양한

부품의 정렬, 최종 어셈블리 검사, 제품 품질 등급 결정, 난이도 높은 텍스트 판독에 이르기까지 딥러닝 대응

비전 시스템은 다양한 새로운 애플리케이션을 처리할 수 있습니다.

 

딥러닝은 예제 기반 알고리즘과 신경망을 이용해서 결함을 분석하고 물체 위치를 찾고 분류하여 인쇄된 표식을 판독합니다. 수많은 예제를 통해서 어떤 것이 좋은 이미지인지 컴퓨터에게 학습시킴으로써 예상되는 변형을 고려하면서 우량 부품과 불량 부품의 차이를 파악하도록 할 수 있습니다.

 

다섯 단계로 딥러닝 구현하기

- 적절한 기대 설정

- 딥러닝의 투자효율성 이해

- 자원 투입 계획 및 필요 마스터

- 초기 파일럿 프로젝트를 통해 소규모로 시작

- 단계별 프로젝트 접근 방식 진행 

 

신경망이 생산 검사를 지원하는 방법

 

인공 신경망이란 무엇일까요?

핵심적인 부분을 보면, 인공 신경망은 인간의 두뇌가 작동하는 방식을 모방하도록 설계된 프로그램입니다. 인공

신경망 내 각 프로그램은 기본적인 연산만 수행할 수 있고, 수많은 노드들을 서로 연결함으로써 전체적인 연산

능력은 각 부분들의 단순합보다 더 증가합니다. 인공 신경망이 시스템 내 한 프로그램에서 다른 프로그램으로

입력 데이터를 전달할 때 인공 신경망은 스스로 학습시키고 마치 인간이 정보를 학습하는 것처럼 해당 데이터를

이용해서 더 똑똑해집니다. 그리고 인공 신경망 내 각 프로그램은 뉴런이라고 부르며 이 뉴런들은 무작위 개수로

다른 뉴런들과 연결됩니다. 뉴러들 사이에서 보다 강력하고 보다 효율적인 연결이 형성될 수 있도록 인공

신경망은 보다 잘 작동합니다. 인공 신경망 내에서 뉴런들 사이의 연결을 형성하는 과정은 학습이라고 합니다.

 

시스템의 학습 방법 3가지

- 지도 학습 :  이 학습 전략은 컴퓨터가 학습할, 레이블을 지정한 데이터 집합이 존재하며 알고리즘이 데이터

집합과 일치하는 원하는 결과를 얻을 때까지 수정되기 때문에 가장 간단합니다.

- 비지도 학습 : 이 전략은 학습할 레이블 적용 데이터가 존재하니 않은 경우 사용됩니다. 인공 신경망이 데이터

집합을 분석하면 비지용 함수가 해당 인공 신경망이 목표에서 얼마나 멀리 떨어져 있는지 알려 줍니다. 그 후

인공 신경망은 알고리즘의 정확성을 개선하기 위해 조정을 수행합니다.

- 강화 학습 : 이 알고리즘에서 인공 신경망은 긍정적인 결과에 대해서는 강화되며 부정적인 결과에 대해서는

벌칙이 적용되어 시간의 경과에 따라 인공 신경망이 이에 따라 학습됩니다.  

 

생산 분야에서의 인공 지능 용어 설명

 

알고리즘 : 컴퓨터가 목적을 달성할 수 있도록 지원하는 명령 및 계산 집합. 공장 자동화에서 알고리즘은 센서,

스캐너, 디지털 카메라에서 얻은 대규모 데이터 집합을 정리해서 비효율성을 확인시키고 품질을 강화시키며 개선

사항을 추천합니다. '학습' 알고리즘은 사람의 개입 없이 생산 공정을 최적화하기 위해 시행 착오 및 예제별 학습

방식을 사용합니다.

 

인공지능(AI) :  사람에게 어려운 작업을 수행하기 위해 자동화를 이용해서 인간의 의사 결정 과정과 가장 흡사한

컴퓨팅 기술. AI 알고리즘은 인간으로 인한 오류를 줄이고 생산 난제를 예쌍하기 위해 이미지 인식과 자연어

처리와 같은 기술을 사용할 수 있기 때문에 공장 자동화에서 충추적인 역할을 담당합니다.

 

딥러닝 : 신경망과 예제 기반 학습 알고리즘을 이용해서 인간의 도움 없이 시간의 경과와 함께 스스로를 개선해

나가는 AI 방법론. 딥러닝 알고리즘은 데이터 처리 능력이 한계가 있는 규칙 기반 알고리즘과 달리 데이터를

점점 더 많이 처리함에 따라 더 효율성이 증가합니다. 공장 자동화에서 딥러닝 알고리즘은 인간의 인지를

흉내내는 방식으로 하지만 훨씬 더 빨리 제품 결함을 표시할 수 있습니다.

 

머신비전 : 물체의 특정한 특징을 파악하는 규칙 기반 알고리즘. 머신 비전 기술은 광학 스캐너와 디지털 카메라의

데이터를 이용해서 생산 라인 상의 부품을 검사하고 유통 센터 내에서 바코드를 스캔합니다. 머신 비전 툴은

사람의 육안보다 훨씬 빠르게 작동하지만 딥러닝은 이러한 툴의 정확성과 효율성을 크게 개선시킵니다.

 

신경망 : 인간의 신경계의 신경 구조에 영향을 받은 알고리즘과 데이터 노드. 신경망은 신경 세포가 정보를 받고

처리하며 다른 신경으로 전송하는 방식을 시물레이션합니다. 신경망 내 수 천 개의 처리 노드는 이미지, 텍스트,

언어 등과 같은 데이터에서 패터을 찾습니다. 이러한 패턴을 이용해서 알고리즘이 작업 성공마다 매번 보다

잘 작동하도록 다음 번에 무엇을 할 것인지 결정합니다.  

 

알파고가 딥러닝 기반 산업 자동화에 대해 생산업계에 알려준 것들

 

인간의 직관을 흉내내는 딥러닝

알파고는 딥러닝을 통해 바둑을 두는 방법을 학습했습니다. 먼저 이 컴퓨터 시스템에 게임 데이터를 투입해서

기본적인 움직임과 전략을 학습시킨 후  딥러닝을 이용해서 실제 경기 플레이 데이터를 스스로 학습시켰습니다.

알파고는 신경망 두 개로 구동되었는데 하나는 정책 네트워크로 다음 번 수를 선택하고, 다른 하나는 가치 

네트워크로 각 위치에서의 경기 승자를 예측합니다. 경기가 진행되면서 알파고의 신경망은 다음번 수는 물론, 최종

승자를 예측하기 위해 조정 및 업데이트 됩니다. 각 반복마다 시스템의 성취도가 조금씩 개선되고 셀프 플레이

경기의 품질이 증가하면서 신경망이 점점 더 정교해지고 보다 강한 버전의 알파고로 성장합니다.

 

이미 널리 알려진 알파고와의 경기는 보다 우수한 AI 기반 적수에 참패한 것이라고 해석하는 사람들이 많습니다.

그러니 동시에 이 경기로 인해 인간 대 기계의 대결을 상상하는 사람들도 많아졌습니다. 이 경기를 보는 또 다른

시각은 양자가 각각 한번씩 플레이를 하는 방식에서는 중요한 두 번의 결정이 이루이진다는 측면에서, 인공

지능이 인간을 대체하기 보다는 딥러닝과 신경망 같은 도구로 인간을 강화시키는 산업 자동화의 미래라는

시각입니다.

 

공장에서의 딥러닝

인간을 이긴 알파고를 움직이는 기술은 동떨어진 미래의 기술이 아닙니다. 이 기술은 이미 현실 속에서 움직이고

있습니다. 물론 자동차, 소비자용 전자 제품, 생명 과학 등과 같은 산업 전반에서 공장 자동화용 딥러닝 및

신경망에 기초한 수많은 검사 애플리케이션이 이미 존재합니다. 부품 결함이나 이상을 인지하는 능력은 공장

내에서 딥러닝 애플리케이션을 적용하는 완벽한 사례라고 볼 수 있습니다.

 

그리고 알파고가 스스로 성능을 개선하기 위해서 새로운 데이터 스트림을 사용하는 것처럼 공장 자동화 팀은

딥러닝과 연속 데이터 스트림을 활용해서 부품 검사, 최종 확인 어셈블리 공정, 결함 감지, 기타 중요 공장

애플리케이션을 개선할 수 있습니다. 인간은 AI 시스템이 자신을 지원하도록 AI 시스템을 학습시키고 작업을

수행함으로써 생산 분야에서의 다음 번 머신 비전 혁신을 실현하고 있습니다.  

 

생산 능력을 높이는 인공지능

1. 비용 절감 및 간접 비용 절감

제조업체들은 오래된 작업 방식 특히 머신 비전으로 너무 힘든 수작업 검사을 대체하는 위험을 감수하면 간접  

비용 감소 효과를 볼 수 있습니다. 수작업 검사와 관련된 비용에서는, 매년 발생하면서도 공정 단계 변경 및

재교육 비용까지 포함되는 인건비가 대부분을 차지합니다. 사람이 수행하는 검사는 집중력이 유지된다면 종종

자동화된 솔루션보다도 더 우수합니다. 하지만 대부분의 작업자는 겨우 15~20분만 집중할 수 있기 때문에 작업

교체나 생산 라인들 사이에서 차이가 발생합니다. 여러 제조업체들은 AI 프로젝트에 대한 효과를 계산할 때

생산량과 처리량이 얼마나 빨리 향상되는 지 깨닫고 감탄합니다.

 

2. 신속한 구현

인간의 판단 능력을 가지고 있는 복잡한 머신 비전 애플리케이션을 정확하게 프로그래밍하고 유지 보수하는 데

필요한 시간과 노력을 고려해야 합니다. 결함 라이브리, 예외 처리, 필터 설계 등 시간이 지남에 따라 이러한

시간과 노력은 엄청날 수 있습니다. AI는 알고리즘을 코딩하거나 복잡한 규칙을 프로그래밍하는 대신 동일한

시스템이 데이터 세트를 통해 학습하고 이러한 예제에 기초해서 결정을 내리도록 합니다. 몇 명의 우수한 품질

관리 엔지니어와 수 백 장 내시 수 천 장 정도의 학습 이미지만을 통해 몇 주만에 AI 애플리케이션을 구현,

테스트하고, 개선할 수 있습니다.

 

3. 분석 개선 및 업스트림 공정 통제

검사 결과를 문서화하는 AI 솔루션은 사용자에게 확신을 제공할 뿐만 아니라 향후 오류가 발생했을 때에도 나중에

검사 이미지와 의사 결정을 검토할 수 있도록 합니다. 최종 검사 공정 단계를 성공적으로 자동화되면 종종 인라인

검사로 검사 단계를 상향 이전시킬 수 있습니다. 이렇게 하면 불량 부품에 시간을 더 소비하거나 추가 비용이

발생하기 전에 보다 신속하게 결함을 파악함으로써 비용을 절감합니다. 마지막으로 딥러닝 기반 머신 비전은

구체적인 비전 데이터를 공정 레시피, 부품 납품업체, 장비별 차이, 공장 위치 등 다른 지표와의 상호 연관성 파악

등, 전반적인 공정 개선 이니셔티브에 연계할 수도 있습니다.  

 

솔더 저항 검사

마우스 다이오드와 같은 부품을 전기적 연결에 간섭하지 않고 장착하려면 솔더 레지스트를 베어 보드에 깨끗하게

적용해야 합니다. 솔더의 작은 결함조차도 배선 파손, 단락 및 기타 전기 문제를 일으킬 수 있습니다. 이러한 

결함은 반사광으로 인해 크기, 모양이 다양합니다. 이러한 조건에서 상당한 부품 변동을 허용하는 자동 검사를

프로그래밍하는 것은 어렵습니다.  

 

Cognex Deep Learning은 다른 방법이 동일한 조명 조건에서 검사하기 어려울 때 다이오드의 솔더 레지스트를

신속하게 식별합니다. 어셈블리 검증 및 부품 위치 도구는 솔더 레지스트의 대표적인 이미지 세트를 학습하여

"양호" 및 "불량" 솔더의 정상적인 모양을 학습합니다. 런타임 동안 도구 고정물과 위치는 반사광의 변화에도

불구하고 PCB에 저항합니다. 사용자는 감독 모드에서 결함 감지 도구를 사용하여 알려진 "양호한" 땜납과

레이블이 있는 결함이 있는 "나쁜" 땜납의 대표적은 세트에 대해 도구를 교육할 수 있습니다. 추가 예제를

반영하고 모델을 최적화하기 위해 유효성 검사 테스트 중에 학습세트에 추가 이미지를 추가할 수있습니다. 교육

및 검증 단계에서 다양한 매개 변수를 조정하여 결함 있는 솔더가 있는 모든 다이오드를 올바르게 감지하기 위해

모양 변화를 설명할 수 있습니다.  

 

사전 조립 삽입 점검 및 배터리 모듈 성형 검사

사전 조립 삽입 검사 중에는 덮개를 조립하기 전에 전화기의 내용물에 결함이 있는지 검사합니다. 배터리가

하우징에 들어가면 손상 될 수 있습니다. 휴대폰 어셈블리의 혼란스럽고 바쁜 배경으로 인해 배터리를 찾고

검사하기가 어렵습니다. 딥러닝 비전 소프트웨어는 배터리 금속 표면의 결함에 대한 자동 감지 및 특성화를

단순화합니다.

 

Cognex Deep Learning을 통해 제조업체는 휴대폰이 최종 조립되기 전에 배터리의 무결성을 확인하고 외관 및

기능 이상을 구별할 수 있습니다. 엔지니어는 감독 모드에서 결함 감지 도구를 사용하여 "양호한"이미지와

레이블이 있는 결함이 있는 "나쁜" 이미지에 대해 소프트웨어를 교육할 수 있습니다. 이 도구는 이러한 이미지에서

자연스러운 허용 가능한 변형을 포함하여 배터리의 정상적인 모양을 학습합니다. 훈련 된 모델이 기능 이상이

있는 모든 이미지를 올바르게 감지하고 분할 할때까지 훈련 단계 및 검증 기간 동안 매개 변수를 지속적으로

조정할 수 있습니다. 배치되면 결함 감지 도구가 배터리를 식별하고 거부합니다.  

 

딥러닝 공장 자동화 검사를 위한 4가지 툴

 

1. 특징 위치 파악 및 조립 검사

결함 찾기는 머신비전과 딥러닝 소프트웨어의 유일한 역할이 아닙니다. 트레이닝 이미지와 학습 알고리즘을

이용해 특정 구성품을 찾아, 로봇 암이 구성품을 올바르게 정렬하도록 지시하는 등의 작업을 도울 수 있습니다.

이는 반도체, 스마트폰, 제약품과 같은 고정밀 제품에서 필수적입니다. 애플리케이션은 한 위치에서 제품의 수를

스캔하고, 선반 또는 상자가 가득 찰 때까지 같은 제품을 더 추가하도록 로봇에 지시할 수 있고, 패키지의 모든

구성품을 산정해 빠진 품목이 없도록 합니다.

 

2. 결함 감지 및 세그먼테이션

결함 식별은 아마도 생산 환경에서 머신 학습 소프트웨어에 대해 가장 수요가 높은 기능일 것이고, 머신비전

시스템이 한 종류의 결함을 포착하도록 프로그래밍할 수 있지만, 이런 식으로 결함을 식별하는 일은 너무 오랜

시간이 소요됩니다. 결함 감지툴은 양호한 이미지를 시작해서 녹, 흠집, 긁힘, 오정렬과 같은 일반적인 결함의

사진을 포착합니다. 최고 품질의 결함 감지 툴은 양호한 이미지에서 벗어난 모든 결점을 식별하는 옵션도

제공합니다. 드물지만 생산 과정에서 나타나는 이미지는 툴이 자체적인 훈련으로 정확성을 개선하는 데 도움을

줄 수 있습니다.

 

3. 개체 및 장면 분류

개체와 장면을 분류하면 딥러닝 애플리케이션이 결점의 등급을 나눠 사람의 중재 없이 자체 개선을 위한

애플리케이션의 기능을 최적화하는데 도움이 됩니다. 일반적으로 이미지는 특정 특성에 따라 라벨이 지정되며,

특정 매개 변수에 따라 분류됩니다. 이런 식으로, 예를 들어 긁힘이 발생한 제품은 자동으로 페인트 라인으로 다시

이동되고, 흠집이 생긴 부품은 금속 가공 라인으로 보내질 수 있습니다. 최상의 분류 툴은 음영, 형태 또는

크기에서 자연 발생적인 변화에 대한 허용 오차를 정립하고, 각 등급의 필ㅇ에 따라 서로 다은 허용 오차가

나타납니다.

 

4. 텍스트 및 문자 판독

엔진 블록, 구리 튜브와 같은 표면에 있는 단어, 숫자, 텍스트를 일관되게 판독할 수 있지만, 사람과 표준 머신비전

알고리즘으로 불가능합니다. 생산 라인에서 조명이 매우 다를 수 있어 일부 장소에는 그림자가 생기고 다른

곳에서는 글레어가 발생해 공장 내의 실내 조명이 변화함에 따라 일일 처리량이 달라지게 됩니다. 딥러닝

애플리케이션은 글꼴과 서체를 생산 중인 부품에 표기된 글자와 연결시킵니다. 첨단 문자 판독 툴은 공장의

한계를 초월하여 정교한 유통, 물류 및 상거래 시스템에서 효과적인 역할을 담당합니다.

 

딥러닝 소프트웨어에서 살펴볼 또 다른 기능

- 고급 기술적 지식이 필요하지 않은 직관적인 GUI를 사용해 쉽게 익힐 수 있어야 합니다.

- 트레이이닝이 더 적게 필요한 소량의 이미지세트로 시각 검사 생산 환경에 맞게 최적화합니다.

- GPU(그래픽 처리 장치)를 갖춘 Windows PC에 맞게 설계합니다.  

 

커패시터 분류

부품이 각각 약간의 시각적인 차이가 있는 여러 등급에 속하는 경우 전자 부품을 분류하는 것이 특히 어려울 수

있습니다. 커패시터는 제조업체 및 사양에 따라 유형과 크기 및 색상이 다양합니다. 동일한 유형내에서도 패턴에

혼란스러운 변형이었을 수 있습니다. 원통형 모양과 조명은 훨씬 더 복잡해질 수 있습니다. VisionPro ViDi는 단일

이미지 내에서 여러 분류를 자동화하는 딥러닝 기반 대안을 제공합니다.

 

엔지니어는 결함 감지 도구를 사용하여 금과 전기 커패시터가 모두 "양호" 부품으로 분류되는 주석이 달린 이미지

세트에 대해 감독 모드에서 소프트웨어를 교육합니다. 런타임 동안 모델은 모든 전기 및 금 커패시터를 하나의

유형으로 추출하고 분할합니다. 검사의 두번째 부분에서 분류 도구는 각 커패시터의 속성을 학습하는 동시에

동일한 유형 내의 변동을 허용합니다. 이러한 방식으로 시각적으로 비슷하게 보이지만 색상과 표시로 서로 다른

전기 커패시터를 구별할 수 있습니다. 훈련 중에 개발된 모델을 기반으로 Cognex Deep Learning은 런타임 동안

단일 이미지 내에서 커패시터를 정확하게 분류합니다.

 

복잡한 검사를 위한 딥러닝

딥러닝 기반 이미지 분석은 관심이 있는 특징의 위치 파악, 판독, 검사, 분류 등의 활동에서 특징들이 미묘하게

변하거나 편차가 있더라도 이러한 특징에 기초해서 부품의 외형을 개념화하고 일반화하는 능력 측면에서 기존의

머신비전과는 다릅니다.

 

딥러닝 기반 이미지 분석은 본질적으로 복잡한 외형, 즉, 미묘하게 변하지만 허용 가능한 방식으로 생성된 패턴이

있고 공간적인 주기에 기초한 방식을 사용함으로써 사전에 배제 가능한 표면 변화가 있는 표면의 검사에 특히

적합합니다. 딥러닝은 복잡한 표면과 회전하거나 브러시 처리 또는 빛나는 표면이 있는 부품의 긁힘이나 들어간

부분 등과 같은 외형상의 결함을 탁월하게 처리할 수 있습니다.

 

딥러닝 기술은 복잡한 패턴의 자연적인 변화는 허용하는 한편, 변칙, 부품, 특징을 구분해내기 위해 인간의 지능을

흉내내는 신경망을 사용합니다. 딥러닝은 육안으로 봤을 때 매우 비슷한 부품 사이의 진정한 가변성과 편차를

알아내기 위해 노력하는 기존의 머신 비전식 접근방식의 장점을 제공합니다.  

 

변동성이라는 과제

기존의 머신비전 시스템은 일관적이며 규칙적으로 제조된 부품에서 안정적으로 작동했습니다. 머신비전 시스템은

육안 검사보다 비용적인 면에서 효과적인 단계별 필터링과 규칙 기반 알고리즘을 통해 작동합니다. 하지만 예외가

늘어나고 결함 라이브러리의 규모가 확장되면 알고리즘을 다루기가 힘들어집니다. 최종 조립의 검증과 같은

특정한 기존의 머신비전 검사는 머신으로 구분하기 어려운 여러 변수(조명, 색상 변화, 곡률, 시야 등) 때문에

프로그래밍하기가 매우 까다롭습니다.

 

머신비전 시스템은 배율, 회전, 배치 왜곡으로 인한 부품 외관상의 변화는 검사할 수 있지만, 복잡한 표면 텍스처와

이미지 품질 문제가 개입되는 경우 까다로운 검사를 필요로 합니다. 머신비전 시스템은 시각적으로 매우 유사한

부품 간의 변동성과 편차를 감정하는 데 적합하지 않을 때가 있습니다. 본질적인 차이나 이상 현상은 사용자가

이를 이해하고 분류하는 방식에 따라 거부의 원인이 될 수도 있고 그렇지 않을 수도 있습니다. 부품의 유틸리티에

영향을 미치는 부품의 '기능적' 이상은 대부분의 경우 거부의 원인이 되지만, 성형 측면의 이상은 제조업체의 요구

및 선택에 따라 거부 원인이 되지 않을 수도 있습니다. 가장 문제가 되는 점은 기존의 머신비전 시스템으로는

이러한 결함을 구별하기가 어렵다는 것입니다.  

 

주택 성형 검사

구성 요소 수준에서든 포장 및 하우징 수준에서든 부품이 다를 경우 외관 검사가 어려울 수 있습니다. 긁힘, 움푹

들어간 곳 및 기타 외관상의 결함은 기능에 영향을 주지 않지만 완성 된 품질과 소비자 인식에 영향을 줍니다.

일부 외관상의 결함은 허용됩니다. 이러한 이유로 제조업체는 특정 결함을 검색하고 경미한 결함과 구별하기 위해

검사 시스템을 교육해야 합니다. 이러한 복잡성에 대한 검사를 규칙 기반 알고리즘으로 프로그래밍하려면 복잡한

결함 라이브러리가 필요합니다. 인적 검사는 더 유연하지만 너무 느리고 신뢰할 수 없으며 일관성이 없습니다.

 

엔지니어는 감독 모드에서 결함 감지 도구를 사용하여 Cognex Deep Learning을 훈련하여 중요하지 않은 이상 및

변형을 허용하면서 스크래치와 같은 특정 결함을 검색할 수 있습니다. 이 도구는 대비가 낮거나 캡처가 잘되지

않는 예를 들어 아래 이미지는 결함 감지 도구가 이어버드의 좋은 이미지와 나쁜 이미지를 모두 분석하는 방법을

소프트웨어는 런타임 동안 심각한 스크래치가 있는 이미지를 결함으로 특성화하여 사소한 외관 결점을 인식하고

무시하는 방법을 배웠습니다.  

 

공장 자동화를 위한 딥 러닝

딥러닝 기반 이미지 분석은 인간의 육안 검사의 특수성과 유연성을 컴퓨터화된 시스템의 신뢰성과 속도와

결합합니다. 딥러닝 모델은 너무 복잡해서 프로그래밍하기 어렵고 종종 기존 머신 비전 방식으로 유지 관리가

불가능한 비전 애플리케이션을 정확하고 반복적으로 해결할 수 있습니다. 딥러닝 모델은 복잡한 패턴에서

자연적인 변화를 용인하면서 허용할 수 없는 결함을 구분할 수 있습니다. 또한 핵심 알고리즘을 다시 프로그래밍

하지않고 새 예제에 쉽게 적용할 수 있습니다.

 

딥러닝 기반 소프트웨어 효율적으로 수행이 가능한 것

- 부품 위치

- 검사

- 분류

- 문자 인식 

 

조립된 PCB 구성 요소의 OCR

PCB에 조립된 대부분의 칩에는 생산 과정을 추적하기 위해 일련의 영숫자 문자가 표시되어 있습니다. 반사광은

저 대비 이미지를 생성하여 머신 비전 시스템이 문자를 찾고 인식하기 어렵게 만듭니다. 전자 부품 및 모듈의

문자를 성공적으로 디코딩하려면 광학 문자 인식(OCR) 시스템이 반사 표면은 물론 변형, 왜곡 및 잘못 에칭 된

문자를 허용해야 합니다.

 

Cognex Deep Learning을 사용하면 이미지 형성 문제에도 불구하고 변형 된 문자를 쉽게 읽을 수 있습니다.

OCR에 대한 이 딥러닝 기반 접근 방식은 과도한 라벨링을 줄여 교육 및 개발 중 시간을 절약하고 어려운 상황에서

문자를 성공적으로 읽습니다. 이 소프트웨어는 엔지니어가 관심 영역과 문자 크기를 설정하기만 하면됩니다.

일단 설정되면 도구의 사전 학습 된 글꼴 라이브러리가 학습없이 문자를 해독하고 문자열을 읽습니다. 문자를

읽기가 매우 어려운 상황에서는 변형된 문자를 사용하여 소프트웨어를 직접 재교육할 수 있습니다.  

 

딥러닝 소프트웨어 사용 이유

업계에서 복잡하고, 시간 소비도 많이 되며, 기존의 규칙 기반 알고리즘을 사용하도록 프로그램을 하기에는 너무

비용이 비싼 제조업의 검사 문제를 해결하기 위해 딥러닝 기술로 선회하는 기업들이 증가하고 있습니다. 딥러닝은

생산업체가 기존의 머신 비전 애플리케이션으로 해결하기 힘든 문제들을 해결하고 보다 우수한 강력함과

신뢰성으로 작업을 처리할 수 있는 가능성을 제공합니다.

 

공장에서 자동화에 최적화된 딥러닝 기반 소프트웨어로 이제 여러 산업 분야의 기업들은 머신 비전의 한계를

극복하고 미래의 산업 자동화를 앞당기는 혁신적인 검사 시스템을 실현할 수 있게 되었습니다. 이러한 새로운

검사 시스템은 시각 검사의 특수성과 유연성을 컴퓨터 시스템의 안정성, 반복성 및 강력함과 결합합니다.

 

딥러닝 소프트웨어로 가능한 작업

- 과거에 프로그래밍 불가능한 애플리케이션을 자동화

- 오류율 감소

- 작동 중단 시간 감소

- 검사 시간 단축

- 처리량 개선 

 

딥러닝 기술의 장점

공장 자동화를 위해 설계된 새로운 세대의 딥러닝 기반 이미지 분석은 생산업체들이 자동화된 검사의 영역을

확대하는 새로운 검사 시스템을 개발할 수 있도록 합니다. Cognex Deep Learning는 실제 산업 이미지 분석에

최적화된, 바로 사용 가능한 딥러닝 기반 기술입니다. Cognex Deep Learning는 소규모 샘플 이미지 집합으로 몇

분 만에 기술자들에게 딥 러닝 기반 모델을 학습시킬 수 있습니다. Cognex Deep Learning는 애플리케이션 구성

후에 빠르고 정확한 결과를 제공하고 공정 제어를 위해 이미지를 저장합니다.

 

Cognex Deep Learning의 특성

- 전형적인 수 천 가지 다른 딥러닝 소프트웨어와는 달리 적은 수의 학습 이미지만으로도 작업 가능

- 컴퓨터에 GPU카드 하나만 있어도 작동 가능한 컴퓨팅 파워

- 머신 빌더 또는 시스템 통합 업체의 개입 없이 공장 현장에서 바로 유지 관리 및 재학습 가능

- 컬러 영상 및 열영상 포함, 거의 모든 문제를 인식하는 고해상도 이미지로 작업 

 

실린더 검사

실린더 블록은 자동차 엔진의 기본 요소입니다. 커다란 실린더는 왕복 엔진의 주요 작동부이며, 압축된 상태에서

위아래로 펌핑되는 피스톤을 고정하도록 설계되어 있습니다. 실린더는 보통 주조 금속으로 제작되며 간혹 윤활

코팅된 라인이나 '슬리브'가 포함되기도 합니다. 실린더는 기계적 마모를 통해 생기는 금속의 사소한 비균질성은

용인되지만 '기공'이라 부르는 금속의 기포가 있어서는 안됩니다. 이러한 결함을 검사하기가 특히 까다로운 이유는

실린더의 표면이 거칠고 깊은 심도로 인해 가장자리 주변의 이미지가 흐리게 표시되기 때문입니다. 실린더의

반사성 표면에서 발생하는 반사광이나 반짝임  또한 검사를 복잡하게 만듭니다. 특징적 모양과 위치의 수많은

사소한 변동과 반짝임, 흐릿함을 허용하는 자동 검사를 프로그래밍하기는 상당히 어려운 일입니다.

 

다른 방법을 사용할 경우 같은 조명 조건에서도 검사가 쉽게 이루어지지 않지만, 코그넥스 ViDi는 기공을 빠르게

식별합니다. 엔지니어는 몇 분 안에 실린더의 대표적인 '정상' 및 '불량' 이미지로 소프트웨어를 학습할 수 있으며,

관심 영역을 마스킹 필터로 조정하여 샤프트 내의 네거티브 스페이스에 반짝이는 디스크를 제거할 수 있습니다.

검사 담당자는 레드-분석 툴을 지도 학습 모드로 사용하여 '불량' 라벨이 붙은 이미지의 기공에 주석을 달고

특징점의 크기, 스케일, 종횡비 및 전단 등의 매개변수를 조정하여 모델이 모양의 변동을 감안하도록 지원합니다.

정상적인 실린더를 묘사하는 '정상' 이미지는 어떤 유형의 사소한 주조 이상현상 및 변동이 용인되는지

소프트웨어가 학습할 수 있도록 도와줍니다. 엔지니어는 시스템을 다시 학습하여 모델이 실린더의 정상적인

외양을 일반화하여 인식하고 비정상 요소를 인식할 수 있을때까지 매개변수를 조정하고 이미지를 더 추가합니다.

딥 러닝 기반 소프트웨어는 런타임 도중 각 이미지를 밀리초 단위 내로 검사하여 기공이 있는 이미지를 결함으로,

나머지를 정상으로 구별합니다.  

 

딥러닝 VS 머신비전 및 인간 검사

머신비전은 속도, 정확도, 반복 가능성 덕분에 구조화된 장면의 정량적 측정에서 우수한 능력을 보입니다. 올바른

카메라 해상도와 광학 장치를 중심으로 구축된 머신 비전 시스템은 우수한 신뢰성과 낮은 에러로 사람의 눈으로

볼 수 없는 매우 작은 개체를 상세하고, 쉽게 검사할 수 있습니다. 생산 라인에서 머신 비전 시스템은 인간의

검사 능력보다 훨씬 뛰어난 수준으로, 분 당 수 백개에서 수 천개에 달하는 부품을 높은 신뢰도와 바복 기능으로

검사할 수 있습니다.

 

전통적인 머신 비전과 달리 인간은 미묘한 외형 및 기능이 상이한 결함을 구분할 수 있을 뿐만 아니라 인지되는

품질에 영향을 주는 부품 외형 상의 변화도 평가할 수 있습니다. 인간은 정보 처리 속도에 한계가 있지만 고유한

개념화와 일반화가 가능한 능력을 가지고 있습니다. 인간은 예제를 통한 학습에서 우수한 능력을 가지고 있고

부품들 사이에서 약간의 비정상적인 부분이 있을 때에도 정말 중요한 부분이 무엇인지 구분할 수 있는 능력이

있습니다. 이러한 특징 때문에 미묘한 결함과 예측할 수 없는 오류가 있는 복잡하고 구조화된 장면의 정성적

해석이 필요한 많은 경우에 인간의 육안이 최선의 선택입니다.

 

인간의 육안검사는 예제 기반 학습이 필요한 상황에서 제어상 허용 가능한 차이를 평가하는데 능숙합니다. 이와는

대조적으로 머신 비전은 컴퓨터화된 시스템만 가능한 속도와 안정성을 제공합니다. 딥러닝 기술은 복잡한 패턴의

자연적인 변화는 허용하는 한편, 변칙, 부품, 특징을 구분해내기 위해 인간의 지능을 흉내내는 중립적 네트워크를

사용합니다. 이렇나 방식으로 딥러닝 기반은 인간의 육안 검사의 유연성을 컴퓨터화된 시스템의 속도와 안정성과

결합합니다.  

 

딥러닝 소프트웨어 작동방식

딥러닝 소프트웨어는 마치 인간이 학습을 하는 것처럼 부품의 알려진 특징, 결함, 범주를 대표하는 레이블이

적용된 이미지 집합으로 학습을 합니다. 지도 학습 기간 중에는 시스템이 명백한 결함을 인지하도록 학습시킵니다.

여러 형태로 발생하는 결함에 대해서 시스템은 비지도 모드에서 허용 가능한 결함이 있는 모습까지 포함해서

물체의 정상적인 모습을 학습시킵니다.

 

소프트웨어는 이러한 대표 이미지에 기초해서 참조 모델을 형성합니다. 이 과장은 지속적인 개선을 위한 반복적

프로세스로서 이 과정 동안 매개변수를 조정하고 모델이 원하는대로 작동하는지 결과를 검사합니다.

소프트웨어는 런타임 중에 새로운 이미지 집합에서 데이터를 추출하고 신경망은 부품의 부분별 구조를 분석하고

비정상적인 부분을 추출하며 분류합니다.  

 

IC 리드 성형 검사

머신비전은 반도체 제조 공정 전반에 걸쳐 품질을 엄격하게 모니터링하고 결함을 포착하는데 사용됩니다.

제조업체는 핀이 긁히거나 꼬이거나 구부러지거나 누락되지 않도록 주의해야합니다. 칩은 오류에 대한 허용

오차가 너무 낮아 가장 표면적인 결함이라도 거부의 원인이 됩니다. 잠재적인 결함 유형이 너무 많기 때문에

검사를 규칙 기반 알고리즘으로 프로그래밍하는 것은 비효율적입니다. 딥 러닝 비전 소프트웨어는 광범위한 결함

라이브러리를 사용하지 않고도 반도체 결함을 제한하고 수율을 개선하는 데 도움이 될 수 있습니다.

 

모든 결함을 명시적으로 검색하는 것은 너무 복잡하고 시간이 많이 걸립니다. Cognex Deep Learning은 "불량"

이미지에 대한 교육 없이도 모든 비정상적인 특징을 식별할 수 있는 간단한 솔루션을 제공합니다. 대신

엔지니어는 결함 감지 도구를 사용하여 감독되지 않은 모드에서 "양호한" 이미지 샘플에 대해 소프트웨어를

교육합니다. Cognex Deep Learning은 칩 리드와 핀의 정상적인 모양과 위치를 학습하고 결함이 있는 모든 기능을

특성화합니다.  

 

차대 번호(VIN) 검사

차대 번호(VIN)는 차량의 고유 식별자로 사용되는 코드이며 여러 문자로 구성되어 있습니다. 차대 번호에는 

문자와 숫자가 포함디며, DPM이 금속판에 에칭 또는 기재되거나 스티커에 인쇄되어 있을 수 있습니다. 자동차

제조업체는 정상적인 이력관리를 위해 차대번호를 찾아 판독해야 합니다. 머신 비전으로 검사 시 반사광, 도장색,

반짝임 등은 비전시스템으로 문자를 찾고 인식하는데 어려움을 유발합니다. 검사 시스템은 이미지 형성에 문제가

되는 반사성 표면을 용인하여 문자를 정상적으로 판독해야 합니다.

 

코그넥스 ViDi 블루-판독 툴을 사용하면 변형된 문자를 쉽게 찾아 판독할 수 있습니다. 소프트웨어를 학습하기

위해 엔지니어는 대표적인 차대번호 문자 모음이 들어있는 이미지의 관심 영역을 정의합니다. 블루-판독 툴의

사전 학습된 모든 문자 인식 기능은 반짝임과 대비로 인한 불분명한 문자까지 인식해 냅니다. 학습 및 검증 동안

소프트웨어의 모델이 모든 문자를 정확하게 식별할 때까지 검사 담당자가 누락된 문자만 다시 라벨링하면 됩니다.

OCR에 대한 이 새로운 딥 러닝 기반 접근 방식은 불필요한 라벨링을 제거하고 노이즈가 매우 심한 배경에서

문자를 정상적으로 판ㄷ고하여 학습 및 개발 시간을 단축해줍니다.  

 

COGNEX 딥러닝 사용 방법

Cognex Deep Learning는 소규모 샘플 이미지 집합으로 몇 분 만에 기술자들에게 딥 러닝 기반 모델을 학습시킬

수 있습니다. Cognex Deep Learning는 애플리케이션 구성 후에 빠르고 정확한 결과를 제공하고 공정 제어를 위해

이미지를 저장합니다. 이러한 특징으로 인해 Cognex Deep Learning는 공장 및 생산 환경에 이상적이며 비전

비전문가도 이용할 수 있습니다.

 

학습하는 동안 엔지니어나 기술자의 업무

- 샘플 이미지 로드

- 중요한 특징 및 결함 지정

- 소프트웨어의 결과 검사

 

적용 중 Cognex Deep Learning

- 검사 이미지에서 데이터 추출

- 이미지 분석 및 해석

- 합격/불합격 결과 산출 

 

트림 최종 조립 검증

최종 조립 검증에 관련된 다양한 트림 구성품은 기존 머신 비전 검사로는 수행하기 어려울 정도로 복잡합니다. 

검사원은 와이어 밴드와 금속 하우징 등의 모든 부품이 존재하고 올바르게 조립되었는지 확인합니다. 미묘한 조명

대비로 인해 밴드가 올바른 하우징에 있는지 쉽게 판단하기 어렵습니다. 검사원은 와이어 밴드를 능숙하게 식별할

수 있지만 속도 및 효율성은 떨어집니다. 코그넥스 ViDi느 딥 러닝 기반 이미지 분석을 사용하여 트림의 완성된

모습을 학습합니다. 또한 누락된 밴드를 검사관처럼 정확하게 식별하면서도 자동화 시스템의 속도와 안정성은

유지된다는 차이점이 있습니다.

 

검사 담당자는 지도 학습 모드의 ViDi 레드-분석 툴로 와이어가 누락된 트림의 '불량' 이미지와 와이어가 있는

'정상' 이미지에 대해 시스템을 학습하여 온전한 트림의 참조 모델을 생성합닏. 코그넥스 ViDi는 이 모델을

사용하여 와이어 밴드가 누락된 트림 구성품을 이상 및 결함으로 식별하고 최종 검사 단계에서 불합격시킵니다.  

 

씰링 핀 용접 검사

배터리 셀이 밀봉되면 캡의 작은 구멍을 통해 액체 전해질로 채워집니다. 충전이 완료되면 구멍을 밀봉 핀 또는

덮개 캡으로 덮은 다음 제자리에 용접하여 고정합니다. 밀봉 핀의 적절한 배치는 전통적으로 레이저 또는 기타

3D 변위 센서로 높이를 결정하여 확인되었습니다. 그러나 함몰, 화상, 핀홀 및 파손과 같은 용접 자체의 결함은

가능한 다양한 결함과 배터리 캡의 반사 배경으로 인해 기존 머신 비전을 통해 쉽게 감지되지 않습니다.

 

용접이 완료된 후 Cognex Deep Learning의 결함 감지 도구는 씰링 핀 용접에서 수많은 잠재적 결함을 식별할 수

있습니다. 딥러닝 애플리케이션은 적절한 수준의 외관 결함, 조명 하이라이트 및 그림자를 포함하여 정상적인

부품의 전체 변형을 학습하기 위해 적절하게 밀봉 된 다양한 배터리에 대해 교육되었습니다. 고객 선호도에 따라

3D 레이저 변위 센서인 Cognex DSMax를 타사 소프트웨어 없이도 검사 프로세스에 쉽게 통합할 수 있습니다.

Cognex Deep Learnig과 DSMax는 함께 밀봉 핀과 그 용접에 대한 전체 검사를 제공하여 결함이 없고 용접되고

올바르게 배치되었는지 확인할 수 있습니다.  

 

스폿 용접 검사

 

​견고한 전기 연결을 보장하려면 와이어를 서로 또는 터미널에 스폿 용접해야 합니다. 용접은 서로 다른 두 금속을

함께 녹여 견고한 연결을 형성합니다. 용접부터가 적절하게 녹고, 충분하지만 과도하지 않은 체적이 있고, 모양이

좋으며, 적절하게 배치되는 것이 중요합니다. 제조업체는 다양한 전자 부품에 대한 많은 라인을 보유하는 경향이

있으며 모든 연결이 안전한지 확인해아 합니다. 스폿 용접은 모양, 위치, 색상, 반사율, ​질감 및 표면 표시를

포함하여 모양이 다양하고 불균일하기 때문에 검사는 과잉이라고도 하는 높은 오탐률을 가질 수 있습니다.

불량으로 잘못 표시된 양호한 용접은 수동 검사를 거쳐야 합니다. 이는 라인 속도에 비해 매우 느리지만 여전히

종종 잘못 식별되는 결과를 낳습니다. 부품은 또한 크기, 색상 및 기타 기능이 로트마타 다릅니다. 다양한 변형과

좋은 연결과 나쁜 연결을 구별하기가 어렵기 땜누에 규칙 기반 머신 비전은 실용적이지 않습니다.

 

​사용자는 정상적인 부품의 전체 변형을 학습하기 위해 적절하게 스폿 용접 된 다양한 연결에 대해 Cognex Deep

Learning의 결함 감지 도구를 교육합니다. 도구가 스폿 용접을 스캔할 때 허용 범위를 모든 것을 분석하고

플래그를 지정하는 동시에 오탐을 최소화합니다. 그런 다음 Cognex Deep Learning의 분류 도구는 라벨이 지정된

다양한 용접 결함에 대해 교육하고 불량 형상, 블로우 홀, 균열, 화상 또는 표면 오염과 같은 특정 결함 유형을

분류하는 방법을 학습할 수 있습니다. 그런 다음 이러한 분류 된 결함을 업스트림 공정 제어에 사용하여 시간

경과에 따른 결함을 최소화할 수 있습니다. ​

 

점화 플러그 식별 및 분류

주어진 환경에서 바코드 사용이 불가한 경우 제조업체는 특정한 식별, 카운팅, 분류 등의 애플리케이션을 육안

검사로만 해야 합니다. 외관의 사소한 변동은 자동 검사 시스템으로 하기엔 너무 복잡합니다. 사전 조립을 위해

여러 색상의 트레이로 전달하는 점화 플러그가 이 경우에 해당합니다. 검사 시스템은 여러 색상의 점화 플러그를

정상적으로 식별하고 카운팅하고 분류하는 동시에 트레이의 배경색은 무시해야 합니다. 이 정보는 조립을 위해

비전 가이드 로봇에 전송됩니다.

 

코그넥스 ViDi는 크기, 모양과 표면 특징을 학습하여 점화 플러그의 독특한 특징을 일반화합니다. ViDi 블루-위치

식별 툴의 경우 엔지니어는 트레이 이미지를 사용하여 각 점화 플러그를 식별하고 카운팅하도록 소프트웨어를

학습합니다. ViDi 그린-분류 툴은 딥 러닝 기반 모델을 사용하여 점화 플러그를 로봇과 관련된 특징 즉, 색상으로

분류합니다.  

 

용접 이음매 검사

코그넥스ViDi는 표면 텍스처가 복잡하여 기존 머신 비전 검사를 어렵게 만드는 피스톤 등의 중요 파워트레인

구성품이 온전한지 여부를 검사합니다. 피스톤의 용접 이음매는 변동이 심하므로 비정상 요소를 구별하기가

어렵습니다. 용접의 누락, 과도하거나 부족한 용접과 같은 특정 이상 요소는 선호되지 않는 반면 중첩 이음매 등은

선호되며 안전상의 이유로도 필요합니다. 어두운 이미지 영역때문에 검사는 복잡해집니다. 발생할 수 잇는 수많은

결함 및 조명 조건을 감안했을 때, 딥러닝 기반 분석은 기본 머신 비전 검사와 비교하여 간단하고 강력한 대안을

제시합니다.

 

코그넥스 ViDi를 사용하면 금속 피스톤 용접 이음매의 자동 분석이 단순해집니다. 언제니어는 중첩 이음매를

비롯한 모든 용접 이상현상을 보이는 '불량'이미지, 그리고 이상현상이 전혀 없는 '양호' 샘플에 대해 감독 모드의

레드-분석툴로 소프트웨어를 학습합니다. 이 경우 허용 가능하거나 거부 원인이 될 수 있는 이상현상을 비롯한

모든 이상현상이 결함으로 식별됩니다.  검사의 두 번째 부분에서는 엔지니어가 ViDi 그린-분류 툴을 사용하여

이음매 결함을 유형별로 분류합니다. 지도 학습 모드에서 학습된 모델에 따라 소프트웨어는 구체적인 결함에

대한 정보를 추출하고중첩 이음매를 각각의 클래스로 분리합니다. 레드 툴과 그린-분류 툴을 함께 사용할 경우

자동차 제조업체는 검사 시스템으로 모든 용접 이음매를 식별하고 중첩 이음매를 성공적으로 분류할 수 있다는

확신을 얻게 됩니다. 이러한 정보를 토대로 제조업체는 사용 가능한 중첩 이음매만 선택할 수 있습니다.  

 

피스톤 링 검사

 

 

​피스톤의 압축 링은 왕복 엔진에서 다양한 역할을 수행하며, 연소실을 밀폐시키고 오일을 균일하게 소모하도록

합니다. 압축 링의 결함은 피스톤의 반사성 금속 표면 때문에 감지하기 어렵습니다.  피스톤의 모양은 원통형이라

간혹 흐릿하고 초점이 맞지 않는 이미지를 만들어 냅니다. 금속 표면 텍스처의 정상 범위 내의 변형은 제조 공정의

일부로 받아들여지고 있으며, 녹슨 자국과 흰색 부분, 심지어는 표면 균열과 틈의 변동은 검사에서 통과됩니다.

하지만 긴 흠집은 피스톤 성능에 영향을 미치고 실린더의 압축도를 위협하는 심각한 결함입니다. 검사 시스템은

압축 링 표면의 정상 범위 내의 변형 및 사소한 이상 요소는 용인하지만 동시에 긴 흠집은 빼놓지 않고 식별할 수

있어야 합니다.

 

엔지니어는 코그넥스 ViDi 레드-분석 툴을 지도 학습 모드로 사용하여 대표적인 '정상' 및 '불량' 압축 링 이미지

모음을 사용해 딥 러닝 기반 소프트웨어를 학습합니다. 검사 담당자는 긴 흠집에 발생한 '불량' 이미지, 그리고

정상 범위 내의 번동, 녹슨 자국과 사소한 균열 등의 허용 가능한 결함을 포함한 '정상' 이미지에 주석을 답니다.

이러한 이미지를 토대로 코그넥스 ViDi는 피스톤의 자연스런 형태와 표면 텍스처는 물론 일반적인 흠집의

모습까지 학습합니다. 검증 테스트 도중에 이미지를 학습 세트에 더 추가하여 시스템을 최적화할 수 있습니다.

학습단계와 검증 기간 동안에는 학습된 모델이 긴 흠집이 있는 모든 이미지를 감지하고 분류할 때까지

매개변수를 계속적으로 조정할 수 있습니다.  

 

머신 비전과 딥러닝 중 선택

 

 

​딥 러닝 기반 이미지 분석과 기존의 머신 비전은 각각 뛰어난 분명한 분야가 존재하면서 중복되는 기능들이

있는, 상호 보완적인 기술입니다. 일부 애플리케이션은 두 가지 기술을 모두 적용합니다. 예를 들어 전통적인

비전 기술은 정확하게 관심 영역을 파악하기 위한 가장 좋은 선택이고 딥러닝은 해당 지역을 검사하는 용도로

좋은 선택입니다. 딥러닝 기반 검사 후 결과를 기존 비전 시스템으로 전달해서 결함 크기와 형태를 보다 정확하게

측정할 수도 있습니다.

 

1. 머신비전과 딥러닝 기술 중 선택에 따라 결정되는 요소

- 해결하려는 애플리케이션 유형

- 처리하려는 데이터 크기

- 처리 용량

 

2. 우수한 프로그램이 기술

- 게이지 및 측정

- 정밀도 조정

 

3. 우수한 딥러닝 기반 이미지 분석

- 복잡한 외형 검사

- 질감 및 재질 분류

- 조립 검사

- 변형되거나 가변적인 특징 위치 확인

- 왜곡된 인쇄 포함 난이도가 높은 OCR  

 

카메라 모듈 표면 검사

 

카메라 모듈을 모바일 장치에 설치하기 전에 렌즈에 이물질, 긁힘, 얼룩 또는 먼지가 없는지 표면을 검사해야

합니다. 다른 결함은 모양이 크게 다릅니다. 지문의 얼룩은 렌즈 코팅 아래에 갇힌 먼지 입자와는 상당히 다르며

유리 표면의 흠집처럼 보이지 않습니다. 또한 렌즈의 반사 표면과 렌즈 아래 부분의 굴절 된 이미지는 실제로는

아니지만 원치 않는 이상으로 나타날 수 있습니다. 이러한 배경 이상을 실제 결함과 구별하려면 종종 느리고

비용이 많이 들고 일관성이 없는 수동 검사가 필요합니다. 그러나 전통적인 규칙 기반 머신 비전 시스템은 이러한

광범위한 결함을 일관되게 식별하도록 쉽게 프로그래밍할 수 없습니다.

 

Cognex Deep Learning의 결함 감지 도구는 일반적인 부품의 전체 변형을 학습하기 위해 다양한 무결점 렌즈에

대해 교육을 받았습니다. 비 감독 모드에서는 일련의 렌즈를 스캔하고 허용 가능한 범위를 벗어난 모든 항목에

플래그를 지정하는 동시에 오탐을 최소화합니다. 렌즈 결함은 먼지 및 기타 입자에 의한 오염, 기름이나 지문으로

인한 얼룩, 내부 부품의 정렬 불량과 같은 특정 원인으로 인한 특성을 갖는 경향이 있습니다. 특정 유형의 결함을

식별하거나 결함의 크기를 정확하게 측정ㅇ해야 하는 사용자는 감독 모드를 사용할 수 있습니다. 이 모드에서

사용자는 양품과 불량 부품의 조합에 대해 시스템을 교육하고 결함 영역을 명시적으로 강조 표시하고 결함

유형으로 레이블을 지정합니다. 이 지식은 업스트림 공정 제어에 사용할 수 있습니다. 특정 유형의 스크래치는

기계가 잘못 정렬되어 발생하거나 제조 공정에서 공기 흐름이 좋지 않아 섬유가 증착될 수 있습니다. 문제의 근본

원인을 식별함으로써 제조업체는 신속하게 수정 조치를 취하고 불량 부품 생성을 최소화할 수 있습니다.  

 

USB 커넥터 검사

 

스마트 폰에서 데이터를 충전하고 전송하려면 USB 커넥터가 필요합니다. 이 커넥터는 일반적으로 OEM 제품이며

설치하기 전에 몯느면에서 검사를 받아야 합니다. 커넥터는 전원 및 데이터 접점, 차폐 및 일부 형태의 마운트

커넥터로 구성됩니다. 이러한 USB 커넥터는 화상, 미 성형, 먼지, 스크래치 및 이동을 포함한 다양한 결함을

모든면에서 보여줄 수 있습니다. 커넥터의 작동 끝 부분에서 거의 눈에 띄지 않는 작은 결함은 케이블이 얼마나

잘 연결되는지, 얼마나 단단히 고정되어 있는지, 다시 제거하기 쉬운 지에 큰 영향을 미칠 수 있습니다. 이러한

커넥터는 전화기의 수명 동안 작동해야 합니다.

 

Cognex Deep Learning의 결함 감지 도구는 기능적으로 중요한 모양 변화와 기능적 영향이 없는 모양 변화를

모두 포함하는 이미지 데이터 세트를 학습하고 서로 구별하는 방법을 학습합니다. 훈련 과정에서 허용 가능한

미용적 이상을 무시할 수 있으므로 훈련이 기능을 방해 할 수 있는 결함에만 집중하여 과정을 더 간단하고 빠르게

만듭니다. 라인에 배치할 때 조명 및 부품 표시는 가능한 많은 결함을 포착하는데 중요합니다.  

 

MLCC 검사

 

MLCC(다층 세라믹 커패시터)는 집적 회로 기판에 연결하기 위한 금속 단자가 있는 스택 커패시터 블록으로

구성됩니다. MLCC는 터미네이션 코팅의 균열, 블리스터, 칩, 오염 및 공극을 포함하여 다양한 가능한 제조

결함으로 어려움을 겪습니다. 이러한 커패시터는 상당한 에너지를 저장하므로 고장은 결함이 있는 MLCC에

영향을 미칠뿐만 아니라 인접 부품이나 집적 회로 기판 자체를 손상시킬 수 있습니다. MLCC는 작고 대량으로

제공됩니다. 모양과 위치가 매우 다양한 미묘한 결함이 있을 수 있습니다. 또한 기존 머신 비전의 효과를 제한하는

반짝이는 표면이 있습니다. 결과적으로 수동 검사는 여전히 중요한 역할을 합니다. 자동 광학 검사(AOI) 기계는

모든 커패시터의 6면을 모두 검사 한 다음 사람이 커패시터의 통계적 샘플링의 한면을 검사합니다.

 

MLCC는 AOI 기계에 의해 검사된 후 COI 기계에 의해 검사되어 생산에서 제외되는 오탐과 좋은 부품의 양을

줄입니다. 이 기계는 수동 검사에 비해 더 나은 속도, 정확성 및 공정 개선 데이터를 제공합니다. 분류도구는

가능한 광범위한 결함을 분류하는 방법과 일반 부품의 전체 변형을 학습합니다. 교육을 받으면 모든 MLCC 부품을

스캔하고 허용범위를 벗어난 부분을 즉시 표시하거나 이전에 결함으로 표시되었던 양호한 부품을 식별할 수

있습니다. 분류된 결함은 시간 경과에 따른 부품 결함을 최소화하기 위해 업스트림 프로세스 제어에도 사용할 수

있습니다.  

 

딥러닝랩은 무엇을 만들까?

 

 

1. 머신비전이란?

카메라를 통해 획득한 영상으로부터 정보를 얻고 이를 활요해 산업 과정을 자동화하는 기술을 말합니다. 쉽게

설명하자면, 산업 현장에서 사람의 눈과 두뇌가 하는 일을 대체하는 기술입니다. 산업을 가속화하고 소인화하기 

위해 꼭 필요한 기술입니다.

 

머신비전에서 가장 중요한 과정 중 하나는 영상 데이터로부터 우리가 필요한 정보를 추출하는 것입니다. 그러기

위해서는 영상에서 원하는 사물을 찾고, 인식하고, 분류하는 알고리즘이 필요합니다. 하지만 수많은 픽셀과 복잡한

색상 값으로 표현된 영상 데이터에는 규칙기반 알고리즘을 적용하기가 쉽지 않습니다.

 

2. 딥러닝 도입

- 데이터 수집/관리 : 딥러닝 모델의 성능을 높은 수준으로 이끌어내려면 많은 데이터가 필요합니다. 하지만 많은

데이터를 수집하고 전처리하는 작업은 그 수가 많아질수록 난이도가 기하급수적으로 증가합니다.

- 데이터 레이블링 : 수집된 데이터는 도메인 지식을 가진 인력을 동원해 정확히 레이블링되어야 합니다. 데이터가

많아지고 복잡할수록 레이블링하고 관리하는 일 자체는 엄청난 인력을 요구하고, 경우에 따라서는 전용 툴의

개발이 불가피해집니다.

- 모델 설계와 실험 : 전문 인력을 통해 딥러닝 실험을 수행할 수 있도록 환경을 구축하고, 방법론에 대한 연구와

실험을 반복해야 합니다.

- 모델 비교와 분석 : 학습한 모델들을 관리하고 성능을 비교하거나, 모델의 성능 향상을 위해 추가적인 분석을

할 때에도 관련 지식을 가진 전문 인력이 필요합니다.

- 제품의 적용 : 기존 머신비전 시스템에 새로운 딥러닝을 도입할 수 있도록 환경을 구축해야 하며, 사용하는

환경에 맞게 소프트웨어적인 최적화가 필요합니다.

 

3. 간단하지만 강력한 SDK

일반적인 머신비전 라이브러리 정도로 추상화된 API를 제공합니다. 이 간단한 API를 사용해 학습된 모델을

불러오는 것만으로 엔지니어는 고성능의 영상인식 시스템을 구현할 수 있습니다. 딥러닝을 적용하기 위해 수많은

라이브러리나 프레임워크를 별도로 설치하고 관리할 필요가 사라지게 됩니다.  

 

딥러닝이란 무엇일까?

딥러닝은 기존 선형의 모델과 같이 '얕은' 러닝 모델의 경우, 반드시 사람에 의해 사전에 정의된 요인 하에서 

최적의 성능을 발휘하는 가중치를 찾아야만 했습니다. 반명 심층 신경망의 경우, 원본 데이터로부터 최적의 

성능을 발휘하는 데 사용될 수 있는 요인 표현 방법을 스스로 학습하고, 이를 기반으로 최적의 성능을 발휘하는

가중치를 더욱 효과적으로 찾을 수 있습니다.  


딥러닝 모델의 요인 표현 학습 능력으로 인한 요인 추출의 자동화는 머신러닝계에 거대한 변화를 가져오게

되었습니다. 가장 먼저, 기존에 '어려운 문제'라고 인식되어 오던 머신러닝 문제들에 대한 해결 성능이 극대화된

것을 들 수 있습니다. 이러한 변화가 가장 먼저 단적으로 드러난 분야가 이미지 인식 분야입니다.

 

딥러닝 기술이 적용되면서, 이러한 수고를 대폭 줄일 수 있게 되었고, 딥러닝 모델만이 가지는 자동화된 요인 추출

능력으로 인해, 제품의 자동화를 구현하는데 필요한 최적의 규칙 혹은 요인이 무엇일지를 알아서 빠르게 찾아낼

수 있기 때문에 이에, 대해 사람이 고맨해야 할 필요가 상당 부분 줄어들었습니다. 즉, 한 종류의 딥러닝 모델만

가지고도 다양한 제품에 대하여 손쉽고 신속하게 커스터마이징을 수행하는 것이 가능해졌다는 것입니다.  

 

인쇄 회로 기판 조립 확인

 최종 조립 확인 과정에서 2D 및 3D 머신 비전 시스템은 전통적으로 PCB에서 LED, 마이크로 프로세서 및 기타

표면 실장 장치의 존재와 올바른 배치를 검사합니다. 잘못 배치되거나 누락된 구성 요소는 PCB의 성능과 수명에

영형을 미칠 수 있습니다. 이러한 오류는 PCB가 장치에 조립되거나 고객에게 배송되기 전에 포착되어야 합니다.

그러나 미묘한 조명 대비, 원근 및 방향의 변화 또는 금속 표면의 눈부심으로 인한 외관의 약간의 변화 또는

금속 표면의 눈부심으로 인한 외관의 약간의 변화는 자동 검사 시스템을 혼동시킬 수 있습니다. 서로 가까이 있는

부품은 머신비전 시스템이 독립적인 구성 요소로 구별하기 어렵습니다. 이러한 검사를 규칙 기반 알고리즘으로

프로그래밍하는 것은 시간이 많이 걸리고 오류가 발생하기 쉬우며 현장 엔지니어가 유지 관리하기 어렵습니다.

인간 검사관은 이러한 구성 요소를 식별할 수 있지만 고속 처리 요구 사항을 충족할 수 없습니다.

 

Cognex Deep Learning은 PCB 어셈블리를 검증하기 위해 사람의 검사에 필적하는 현장에서 유지 보수 가능한

솔루션을 제공합니다. 어셈블리 확인 및 부품 위치 도구는 주석이 달린 "양호한" 이미지에서 구성 요소를 식별하는

방법을 학습하여 정상적인 모양의 참조 모델을 만듭니다. 이 도구는 크기, 모양 및 표면 기능을 기반으로 구성

요소의 구별되는 기능을 일반화하고 보드에서의 일반적인 위치뿐만 아니라 정상적인 모양을 학습합니다. 런타임

중에 도구는 보드의 모든 관련 영역을 분석하여 모양이 변하더라도 구성 요소를 식별하고 계산합니다. 이러한

방식으로 검사는 구성 요소가 있는지 여부를 확인하고 보드가 올바르게 조립되었는지 여부를 알 수 있습니다.  

 

딥러닝이 자동차 산업 내 검사를 자동화하는 방법

 

1. 결함 검출

금속 용접 표면은 반상광이 있어 카메라를 교란시킬 수 있습니다. 이러한 이유로 인해 많은 제조업체들이 표면이

거친 금속 용접에 자동 검사 장비를 도입하기 보단 인간 검사원을 고용하고 있습니다. 작업이 느리고 피로에

취약할 수 있지만, 외관상 미묘한 결함을 정확하게 인지하고, 특징짓는데 훨씬 적합합니다.

 

다행히도 딥러닝의 발전으로 수동으로 검사를 하지 않고도 용접과 같은 금속 표면에서 예측 불가능한 다양한

결함을 자동으로 검사 및 분류할 수 있게 되었습니다. 강력한 새 소프트웨어는 이런 결함을 확인만 하는 것이

아니라 분류까지 할 수 있기 땜누에 인간의 눈과 뇌와 훨씬 가까워졌다고 할 수 있습니다. 이런 유형의 검사를

프로그래밍하기 위해서는 복잡한 알고리즘과 광범위한 결함 라이브러리가 필요하며, 그렇다 하더라도 검사를

할 때는 오류가 발생하기 마련입니다. 딥러닝 기반 분석은 수많은 결함과 이상적이지 않은 조명에서도 기존

머신비전 검사 대비 간단하고 강력한 대안을 제공하빈다. 딥러닝 기반 소프트웨어가 무관한 변수를 인지하고

무시하도록 트레이닝 받은 후엔 동력이 부족하거나 과도한 용접 이미지를 결함으로 특징 지을 수 있습니다.

 

2. 광학 문자 인식(OCR)

차량의 VIN 코드의 경우, 제조업체는 다양한 표면에 인쇄되어 있을 수 있는 일련의 문자와 숫자를 빠르게 판독할

수 있어야만 합니다. 환경적 조건뿐만 아니라 인쇄 왜곡 또한 머신비전 시스템이 철판이나 스티커에 식각, 기입

또는 직접 부품 표시(DPM)된 문자이 정확한 위치를 찾거나 인식하는데 방해요소가 됩니다. 자동차 제조업체는

어려운 문자 판독 뿐만 아니라 이미지 형성에 어려움을 겪을 때, 기존 머신비전 기반의 OCR 도구에서 레벨업

형태인 딥러닝 기반의 OCR로 눈을 돌리게 되었습니다.

 

코그넥스의 딥러닝 기반 OCR 툴은 독특하게도 사전 트레이닝 및 다중 글꼴 도구를 사용하여 인쇄 왜곡, 고대비 및

저대비 환경 또는 반사로 인해 모호한 경우에도 문자를 인식할 수 있게 합니다. 오판독을 한 경우, 딥러닝 모델은

오판독한 글자를 다시 트레이닝 시키기만 하면 되기 때문에 시간을 절약하고, 오류율을 줄일 수 있습니다.

 

3. 조립 검사

불완전하거나 잘못 조립된 경우 다양한 이유로 인해 검사하기 어려울 수 있습니다. 여러 부품을 한꺼번에

검사하기 위해선 고통스러운 알고리즘 개발이 요구되며, 이러한 배경은 패턴과 배경으로 인해 시각적으로 복잡할

수 있습니다. 이런 경우, 자동화된 시스템은 성능에는 영향을 미치지 않는 아주 작은 변수를 확인하여 정상적인

배경만을 학습할 수 있어야 합니다.

 

딥러닝 기반 시스템은 이러한 방법으로 자동차 문과 같은 부품의 참조 모델을 만들어 모든 부품이 존재하고,

정확하게 제 위치에 놓여있으며, 완벽하게 조립되었는지 확인합니다. 비록 인간 검사원이 이런 유형의 판단에 더욱

능숙하기는 하지만, 딥러닝은 이런 업무를 컴퓨터의 속도로 빠르고 정확하며 규모 있게 수행할 수 있도록 합니다.

 

4. 분류

자동화 검사 시스템은 결함 검출과 더불어 용접을 양품 또는 불량으로 정확하게 분류할 수 있어야 합니다.

제조업체가 생산 방식을 변경하거나 발생 가능한 결함 유형을 처음부터 제한하기 위해선 생산 라인에서 거절

사유가 되는 다양한 결함 중 한 가지 유형만이 지나치게 많은 건 아닌지 파악할 수 있도록 데이터가 필요합니다.

 

머신비전의 본질적 한계로 인해 이미지 분류가 불가능합니다. 하지만, 신경망이 발전하면서 인공지능 기반의

프로그램으로 이제 이미지 기반의 분류가 가능하게 되었습니다. 인공지능은 핵심적인 외관상의 차이점을

학습하여 동일한 부품의 이미지를 하위 카테고리로 분류합니다. 각 이미지 클래스의 라벨링 된 대표 이미지

세트가 트레이닝 되고 나면, 딥러닝 모델은 실시간 이미지 간의 차이점을 학습하여 이들을 점화 플러그 등 유형

별로 분류합니다.  

 

딥러닝으로 패키징 솔루션을 자동화하는 방법

 

1. 패키징 결함 감지

주름, 찢어짐, 손상, 휨, 기포, 인쇄 오류 등 라벨 결함은 기존의 머신비전으로 잘 처리할 수 있습니다. 대비가 높은

이미지 처리 및 표면 추출 기술은 결함이 곡면에 있거나 조명 조건이 낮은 상태에 있는 경우에도 해당 결함을

포착할 수 있습니다. 그러나 전형적인 머신비전에서는 알루미늄과 일반적인 금속 표면의 반사 또는 예측이 어려운

불규칙적인 특성으로 인해 생기는 결함의 일부는 무시해야 하는 혼란을 초래할 수 있습니다. 이렇게 까다로운

표면 검사에는 긴 긁힘과 좁게 움푹 들어간 부분과 같이 수많은 형태와 유형의 결함이 있으며, 이러한 경우

잠재적인 모든 결함 유형을 명시적으로 검사하는 것이 불가능할 수도 있습니다.

 

최신 딥러닝 기반 기술을 이용하여 난이도 높은 모든 유형의 금속 패키징 표면을 정확하고 반복적으로 검사할 수

있습니다. 코그넥스의 딥러닝 기술을 이용하면 일일이 검사 모델을 프로그래밍하지 않아도 됩니다. 딥러닝

알고리즘은 양품의 샘플을 참조하여 스스로 학습망을 생성합니다. 이 학습 단계가 끝나면 검사 준비가 완료되고,

정상적인 범위를 벗어나는 결하을 포함하여 캔의 표면에서 발생할 수 있는 모든 결함 영역을 검출하고 리포트할

수 있습니다.

 

2. 패키징 광학 문자 인식 (OCR)

보통 기존 머신비전은 출하 전 제품의 코드를 판독 가능하고 정확한지 쉽게 인식/검사할 수 있지만, 특정 표면으로

인해 난이도가 높아지면 이 과정이 너무 어려워질 수 있습니다. 이 경우, 금속 음료병과 같이 반사도가 높은 재질

상에 인쇄된 번지거나 기울어진 코드는 육안 검사자가 읽을 수 있을지는 몰라도 머신비전 검사 시스템에서는

판독률이 높지 않습니다. 이 경우 패키지 업체는 육안 수준의 판단과 컴퓨터화된 시스템의 속도와 안정성을

동시에 제공하는 검사 시스템이 필요합니다.

 

3. 패키징 조립 검사

검사를 위해 제조 업체들은 각 항목들이 존재하고 올바른지, 적절한 구성으로 배치되어 있는지, 외부 패키지와

조화되는지 등을 찾고 검사하는 매우 유연성이 좊은 검사 시스템이 필요합니다. 이를 위해 검사 시스템은 단일

영상 내에서 여러 관심 영역을 찾고 분할할 수 있어야 합니다.

 

고유하고 가변적인 식별 가능한 문자로 개별 항목들의 위치를 파악하려면 크기, 형태, 색상, 표면 특성에 따라 각

항목의 구분 가능한 특성을 생성하는 딥러닝 기반 시스템이 이상적입니다. 코그넥스 딥러닝 소프트웨어는 검사

제품에 대한 전체 데이터베이스를 빠르게 구축하도록 학습시킬 수 있습니다.

 

4. 패키징 분류

딥러닝 깁나 분류는 라벨이 적용된 이미지 모음을 기반으로 다양한 범주를 구분하여 작동하고, 이 패키지의

차이점을 바탕으로 제품을 파악합니다. 이러한 범주 중 일부에 불량이 포함되어 학습이 되면 시스템이 이 범주를

합격 또는 불합격으로 분류하도록 학습될 수 있습니다.

 

딥러닝 기반 소프트웨어는 편차 및 변동과 같은 뉘앙스를 평가할 수 있고, 심지어 높은 신뢰도로 정확하게

판단하여 최고의 품질을 우회하는 인간과 같은 지능을 사용합니다. 그리고 보다 복잡하고 이전에는 프로그래밍이

불가능했던 자동화 난제를 해결할 수 있다는 것입니다.  

 

IN-SIGHT D900으로 인라인 검사를 자동화할 수 있는 3가지 이유

 

1. 구축 및 배포가 쉬운 애플리케이션

In-Sight D900은 직관적인 In-Sight ViDi 소프트웨어가 내장되어 있어, 프로그래밍 없이도 딥러닝 애플리케이션을

신속하게 설정하고 실행할 수 있습니다. In-Sight 사용자에게 있어 이는 이미 익숙한 프로그래밍 환경입니다.

In-Sight를 처음 사용하는 사용자에게 스프레드시트 완벽한 I/O 및 통신 기능 세트를 제공해 애플리케이션 개발을

단순화하고 공장 통합을 최적화할 수 있도록 돕습니다. 또한 작업 시 코그넥스의 전통적인 룰 베이스 기반 비전 툴

에 딥러닝 툴을 결합할 수 있도록 하여 보다 빠른 배포를 가능하게 합니다.

 

In-Sight ViDi 역시 다른 딥러닝 솔루션에 비해 훨씬 적은 양의 이미지 세트를 요구하며, 트레이닝 및 검증 시간이

짧습니다. 그 결과 In-Sight D900를 통한 애플리케이션 설치, 학습 및 배포가 빠르고 쉽습니다.

 

2. 뛰어난 성능의 스마트 카메라 비전 시스템에 딥러닝이 내장되어 있습니다.

공장 자동화 검사에 답러닝을 적용하기 위해선 VisionPro ViDi 또는 오픈 소스 프레임워크와 같은 딥러닝

소프트웨어를 PC에서 실행한 후 GigE카메라에 연결해야 했기에, 검사 라인에 딥러닝 솔루션을 추가하기가

까다로웠습니다.

 

애플리케이션 생성 후 딥러닝 모델이 학습되면 PC없이도 검사 라인 상의 In-Sight D900에 바로 배포됩니다. 그

이유는 생산 라인 속도에 맞춰 복잡한 딥러닝 애플리케이션을 해결하기 위해 특별히 설계된 인터페이스 엔진이

D900에 내장되어 있기 때문입니다. 또한, 다른 In-Sight 비전 시스템과 마찬가지로 모듈화 성능이 뛰어나며 IP67

등급을 보장하고, 애플리케이션 요구 사항을 충족시킬 수 있도록 교체 가능한 조명, 렌즈, 필터, 커버 등을

제공합니다.

 

3. 가장 까다로운 인라인 검사 자동화 및 확장 가능

In-Sight ViDi 소프트웨어가 내장된 In-Sight D900 비전 시스템은 결함 감지, 까다로운 OCR 및 조립 검증 시 특히

그 진가를 발휘합니다. ViDi Detect, ViDi Read 및 ViDi Check라는 3가지 신규 검사 툴을 장착한 이 딥러닝

솔루션은 다양한 애플리케이션에 사용될 수 있습니다. 예를 들어, 육안으로 결함 여부를 판단하기 어려운 복잡한

부품 및 표면에는 ViDi Detech 툴이 이상적입니다.

 

한 장의 이미지에서 복잡한 특징과 물체를 정확하게 감지하고, 제품의 위치를 토대로 사용자가 정의한 레이아웃

안에서 부품과 키트가 올바르게 조립되었는지 확인합니다. OCR의 경우, 조명과 대비 환경이 훌륭하다면

머신비전으로도 코드를 잘 판독할 수 있다는 것을 알고 있습니다. 반면, 딥러닝은 가장 열악한 환경에서도

대부분의 코드를 판독할 수 있습니다. 코드 형태가 잘못되었거나, 왜곡되었거나, 잘못 새겨져 있거나, 표면이

반사되는 열악한 조명 환경에서도 딥러닝으로 코드를 판독할 수 있습니다.  

 

딥러닝 조립 검증 툴로 다양한 구성품 또는 부품 구성을 확인


 

1. 자동차 산업을 위한 조립 검증

자동차 제조 산업에 존재하는 수많은 개체와 장면은 예측이 불가능하며, 여러 조립 단계에서 카메라에 다르게

나타납니다. 최종 조립 검증에서는 매우 제한적인 프로그래밍을 테스트합니다. 그 이유는 조명, 색상, 곡률,

시야각 등 컴퓨터와 카메라를 격리시키가 매우 어려울 수 있는 다수의 변수가 수반되기 때문입니다. 이 때문에

전통적으로 인간 검사자가 계속해서 자동차 조립의 최종 단계에서 외관 검사를 수행하고 있습니다. 이들 검사자가

다수의 부품과 특징을 식별할 수 있는 스킬을 갖추었다고 하더라도 서로 다른 차량 모델이 조명이 계속 바뀌는

라인으로 이동하게 되면 인간 검사자의 작업이 일관되지 않는 결고를 가져올 수 있습니다.

 

대신, 딥러닝 소프트웨어는 명명된 색상과 구성품으로부터 참조할 수 있는 특징 라이브러리를 정확히 구축해서

완벽히 조립된 자동차 사진 내에서 해당 부품을 찾아 식별할 수 있습니다. 그리고 더 추가해서 조립 검증을 확인을

손쉽게 자동화할 수 있습니다.

 

2. 전자 부품 산업을 위한 조립 검증

퓨즈 박스처럼 조립할 전자제품 하드웨어의 경우 성능을 저하시키거나 안전 기능을 손상시킬 수 있는 모든 결함,

오염물, 기능상의 결점 또는 그 밖의 불규칙성을 검사해야 합니다. 이러한 오류는 퓨즈 박스가 기기로 조립되거나

고객에게 배송되기 전에 발견되어야 합니다. 다행스럽게도 딥러닝 기반 소프트웨어는 이미지의 대비가 낮거나

잘못 캡처된 경우를 포함해 혼동을 주는 상황에서도 효과적으로 작동하도록 최적화되어 있습니다.

 

퓨즈 밗의 완전한 조립 상태를 검증하기 위해 딥러닝 툴이 먼저, 각 부품 유형 위치를 포함한 이미지를 토대로

다수의 전자 구성품을 식별합니다. 이 입력으로부터 툴의 신경망이 각 구성품의 참조 모델을 구축합니다.

여기에는 보통의 크기, 형태, 표면 특성을 비롯하여 박스에서 일반적인 위치가 포함됩니다. 런타임 중 툴이

구성품을 포함하는 모든 박스 영역을 세그먼테이션하여 구성품의 존재유무와 올바른 유형인지를 정확히

식별합니다.

 

3. 포장 산업을 위한 조립 검증

딥러닝 기반 이미지 분석은 각 식품 성분 외관의 아주 적은 차이뿐 아니라 허용되는 배치를 학습함으로써 식품

트레이가 올바르게 조립되었는지 간단하게 검증합니다. 개별 구성품의 정상적인 모양을 기준으로 트레이닝한 후,

소프트웨어가 위치를 식별할 다양한 식품의 전체 데이터베이스를 구축합니다. 런타임 중, 검사 이미지를 서로 다른

영역으로 분할해 소프트웨어가 식품의 존재유무를 검사하고 올바른 유형인지를 구성할 수 있습니다.

 

포장 배치가 상이한 사황에서는 소프트웨어의 유연성 덕분으로 사용자가 여러 구성을 트레이닝할 수 있습니다.

구성이 바뀌면 개별 구성품을 찾아 올바른 유형인지를 확인하도록 딥러닝 소프트웨어를 조정할 수 있습니다.

이러한 방식으로 사용자는 단 하나의 툴로 포장 식품 트레이의 검증을 자동화할 수 있습니다.

 

4. 소비자용 전자제품 산업을 위한 조립 검증

이러한 모든 변수를 규칙 기반 알고리즘으로 프로그래밍하는 작업은 시간 소모적이며, 오류가 발생하기 쉽고

현장에서 유지관리가 까다롭다는 점은 두말할 필요가 없습니다. 다행스럽게도 딥러닝 기반 이미지 분석

소프트웨어는 패널 또는 모듈의 여러 부품에 대해 정확히 완성된 모양을 학습하여 나사처럼 잘못 배치된 부품을

식별할 수 있습니다.

 

이물질이 존재하거나 구성품이 누락된 불량 상태의 모듈 이미지를 비롯하여, 모듈이 올바르게 조립된 알려진

양호한 상태의 이미지를 기준으로 트레이닝하여, 코그넥스 딥러닝과 같은 툴은 까다로운 조건에서도 효과적으로

이용할 수 있는 모바일 기기 패널의 참조 모델을 생성합니다. 또한 인간 검사자처럼 정확하면서 자동화 시스템의

속도와 신뢰성으로 결함 있는 패널을 식별해낼 수 있습니다.

 

제조의 미래 : Cognex 딥러닝을 만나보기

매일 Cognex 딥 러닝 솔루션은 제조업체가 머신 비전으로 가능한 것의 한계를 뛰어 넘는 데 도움이 됩니다.

인간의 인지에서 영감을 받은 딥 러닝 기술은 제조 장비가 이미지 인식하고 새로운 방식으로 환경을 인식할 수

있는 능력을 제공합니다. 인간의 눈의 유연성과 컴퓨터의 속도와 견고성을 갖춘 딥 러닝 기반 비전 알고리즘은

한때 개발하는데 몇 달이 걸렸던 공장 애플리케이션을 해결할 수 있습니다. 여기에는 미묘한 방식으로 다양한

질감 패턴에 대한 외관 검사와 같이 프로그래밍하기에 너무 복잡하거나 유지 관리하기 어려운 응용 프로그램이

포함됩니다. Cognex는 공장을 위해 특별히 설계된 최초의 딥 러닝 기반 이미지 분석 소프트웨어인 Cognex Deep

Learning을 통해 이 머신 비전 혁신의 선두에 서있습니다.

 

소프트웨어는 이미지 세트에서 직접 학습하여 부품의 정상적인 모양을 개념화합니다. 검사 중에는 조건이

변하더라도 문자를 읽고, 부품을 찾고, 검사하고, 분류하고, 정렬하도록 프로그래밍하지 않고 논리를 적용합니다.

이를 통해 기계는 가장 정교한 자동화 문제에 대한 솔루션을 몇 분 만에 개발하고 밀리 초 만에 의사 결정을 내릴

수 있습니다. 하루에 10억개가 넘는 이미지를 캡처하고 업계 최고의 기술 및 비전 전문가와 함께 Cognex는 머신

비전 및 딥 러닝 기술의 길을 계속 선도하여 제조의 생산성, 견고성, 지능화를 지원합니다.  

 

조립 자동화를 위한 머신비전

 

사람이 공장 라인을 직접 관리하던 시절은 지났습니다. 오늘날에는 많은 머신이 제조, 조립 및 자제 관리 작업을

자동화하고 있습니다. 정밀한 정렬 및 식별 알고리즘과 가이드 기능을 갖춘 머신비전 시스템 덕분에 수동으로는

제작할 수 없었던 최신 소형 구성품을 제조하는 일이 가능해졌습니다. 생산 라인의 머신비전 시스템은 분당 

수백에서 수천 개의 부품을 안정적이고 반복적인 방식으로 검사할 수 있기 때문에 검사 능력 면에서 인간보다  

훨씬 뛰어납니다.

 

지난 수십 년 동안, 머신비전 시스템은 제조된 제품에서 결함, 오염, 기능상 결점, 기타 이상 현상을 감지하는

검사를 수행하도록 컴퓨터를 트레이닝했습니다. 머신비전은 속도, 정확성, 반복성을 제공하기 때문에 구조화된

장면의 양적 측정에서 탁월한 성능을 보입니다. 적합한 카메라 해상도와 광학 장치를 갖춘 머신비전 시스템은

너무 작아서 육안으로는 확인할 수 없는 물체의 세세한 부분까지 쉽게 검사할 수 있으며 검사 신뢰성은 높이면서

오류는 줄여줍니다.  

 

딥러닝을 통해 생명 과학 산업에서 검사 자동화를 구현하는 방법

 

 1. 생명 과학 결함 감지

코그넥스의 비정형 세포 감지 분야에서 엔지니어는 암과 같이 가능한 비정형 세포의 샘플 이미지를 사용해

소프트웨어를 트레이닝하여 세포 또는 세포 군집의 정상적인 모양을 개념화하여 일반화합니다. 이러한

슬라이드는 건강한 세포의 양호한 예로 라벨이 부착되고, 유사분열과 같이 정상적이고 건강한 세포 변이로

간주됩니다. 그런 다음, 런타임 동안 모든 변형은 변칙으로 플래그가 지정되며 세포 손상의 전형적인 예가 될 수

있습니다. 이 분야에는 한가지 단계가 더 필요합니다.

 

일반적으로 병리학자와 같은 검사자는 확실히나 진단을 얻기 위해서 이러한 샘플의 하위 세트를 리뷰해야 합니다.

하지만 코그넥스의 딥러닝 기반 소프트웨어는 하위세트의 표적 영역에서 알고리즘을 다시 실행할 수 있고,

지도학습 모드에서 다시 트레이닝하여 양호(내성, 손상없음) 및 불량 (병적, 손상) 세포 간을 구분할 수 있습니다.

 

2. 생명 과학 광학 문자 인식

많은 의료 공급업체는 이력 추적과 안전 규정을 준수하기 위해 자동 식별 기능을 이용하고 있습니다. 사람이 판독

가능한 재질에 존재하는 경우, 자동 검사 시스템의 카메라에서 쉽게 변형된 것으로 나타날 수 있습니다. 반사성

글레어 및 반사 역시 시스템에 혼동을 주어 코드의 본래 외관을 방해하거나 변경할 수 있습니다.

 

이러한 시각적 변화가 없더라도, 광학 문자 검증(OCV)에서와 같이 검사 시스템이 어떤 글꼴 스타일이 나타날지

예측할 수 없는 경우에는 비전 시스템이 서로 다른 글꼴을 인식하도록 트레이닝하는 데는 엄청난 시간이 소요될

수 있습니다. 이 때문에 전체 글꼴을 포함하여 사전 트레이닝된 라이브러리가 쓸모가 있습니다. 다양한 글꼴을

인식하도록 사전 트레이닝된 딥러닝 기반 툴은 획기적인 역할을 수행합니다. 미리 이미지 기반 트레이닝이

필요하지 않고, 누락된 문자가 발생했을 때에만 최소한의 트레이닝을 통해 ㅗ델의 논리를 재정의하면 됩니다.

 

3. 생명 과학 조립 검증

사전 조립 검증으로 알려진 혈액, 소변, 조직 등 검사 검체의 올바른 집합은 오염, 잘못된 섞임, 잘못된 라벨 진단,

속도 저하, 고가의 장비 파손 등을 초래할 수 있는 가능한 오류를 줄이는 데 필수적입니다. 이러한 검사 중 자동화

시스템이 잘못 정렬되거나 누락된 검사 튜브, 제거되지 않은 마개, 분석기의 랙에 정착된 관련 없는 용기 등이

없는지 확인해야 합니다. 장비의 랙이 완전하고 올바르게 채워졌는지 확인하는 작업은 여러 가지 요인을 관리하는

일이 수반됩니다. 검체 및 시약 튜브와 용기가 제조업체마다 형태, 크기, 치수가 다르기 때문에 검사 장비가 데크

위에 검체 위치를 예측하는 것이 불가능할 수 있습니다.

 

이 툴은 검체 및 시약의 크기, 형태, 표면 특징에 기초해서 부품에서 구분 가능한 특징을 일반화하고 정상적인 외형

및 데크의 랙이나 마이크로플레이트 상의 일반적인 위치를 학습합니다. 이런 식으로 딥러닝은 이전에는

프로그래밍하기 어려웠던 분야를 빠르고 정확하며, 배포하기 쉬운 방식으로 자동화하고 해결할 수 있습니다.

 

4. 생명 과학 분류

통과 등급을 가진 검체만 검사에 사용이 가능합니다. 따라서 검사 시스템이 반드시 양호 (즉, 확실히 분리된 상태)

한 적혈구 상의 모양을 일반화하고 개념화할 수 있어야 합니다. 이 기능은 혈장 색, 탁도, 연막 용적과 같은 요인을

토대로 하며, 이 모든 기준이 검체 처리에 사용됩니다.

 

딥러닝은 단일 이미지에서 여러 개의 개체를 지능적으로 분류, 정렬 및 등급을 매길 수 있는 유일한 자동화

툴입니다. 단일 혈액 바이알 내에서 여러 개의 클래스를 분류해서 검사 기준을 충족하는 검체만을 식별해 통과

시킬 수 있습니다.  

 

컬러 이미징 및 딥러닝으로 가능한 5가지 검사

 

 1. 이물질 입자 감지

땅콩 업체는 컨베이어 벨트를 타고 움직이는 꿀을 발라 구운 짭짤한 맛의 땅콩이 회사의 품질 기준을 충족하는지

검사해야 합니다. 공장에서 가장 피하고 싶은 상황은 검수자의 장갑 조각이 찢어져 작은 조각이 제품 사이에

떨어지는 것처럼 검사 단계에서 의도치 않은 이물질이 첨가되는 상황입니다. 흑백 이미징 비전 시스템으로는

산더미처럼 쌓인 땅콩 속에서 이 작은 자주색 라텍스 장갑 조각을 찾아내기란 거의 불가능합니다.

 

2. 키트 구성품 검증

주사기, 밴드, 기타 소모품이 들어 있는 구급함처럼 조립된 키트에는 실제로는 전혀 다르지만 비슷하게 보이는

물체가 들어있습니다. 의료용 키트에 독감주사, 아드레날린 등 서로 다른 약물이 들어 있는 주사기가 포함된 경우,

주사기 자체에 컬러 코드를 붙여 차이를 나타낼 수 있습니다. 흑백 비전 시스템은 이처럼 중요한 차이를 똑같은

요소로 처리하게 됩니다. 컬러 이미징만이 비슷하지만 다른 부품이 키트 안에 올바르게 들어가 있는지를 확인하는

데 도움이 됩니다.

 

3. 후방 주차 지원 센서 감지

대부분 자동차에는 운전자의 주차 또는 후진을 돕기 위해 표준 안전 장비의 일환으로 카메라가 탑재외더 있습니다

이러한 센서는 범퍼에 내장된 센서를 통해 작동하며, 제조업체는 해당 센서를 범퍼와 정확히 일치하는 같은

컬러로 지정해야 합니다. 많은 자동차 제조사에서는 같은 센서 컬러의 서로 다른 음영을 포함해 25가지 이상의

센서 컬러를 갖추고 있습니다. 여러 가지 이유로 까다로운 검사가 되지만, 절대적으로 필요한 한가지는 바로

딥러닝과 컬러 이미징입니다.  

 

4. 흰색 용기의 흰색 이물질 검사

소비자 패키지 제품 또는 식음료 산업에서는 제조사가 병에 같은 컬러의 액체가 들어 있는 액상 제품을 검사해야

하는 경우가 있습니다. 컬러 이미지를 사용하지 않고는 액체가 컨테이너 안에 섞이기 때문에 검사 시스템이

액체가 쏟아졌는지를 확인할 수 없습니다.

 

5. 냉동 피자

컨베이어에서 냉동 피자 종류를 검사할 때 흑백 이미지로는 올바른 토핑이 추가되었는지, 특히 실수로 잘못된

피자에 원치 않는 토핑이 추가된 경우는 확인하기가 어렵습니다. 따라서 페퍼로니 피자가 레드 페퍼, 양파, 살라미

또는 그 밖의 원치 않는 토핑이 아니라 진짜 페퍼로니만 들어 있는지 확인하기 위해서 냉동 피자 검사에 있어

컬러 이미징일 필수적입니다.

 

기존의 머신비전 대 딥러닝, 무엇을 선택할 것인가

기존의 머신비전과 딥러닝 중 무엇을 선택해야 할지는 해결하려는 애플리케이션의 유형, 처리되는 데이터의 양,

처리 능력에 따라 결정됩니다. 실제로 딥러닝은 수많은 이점에도 불구하고 다수의 애플리케이션에 적합한

솔루션이 아닙니다. 기존의 규칙 기반 프로그래밍 기술은 계측과 측정 그리고 정밀한 정렬을 수행해야 하는 경우

더 효과적입니다. 경우에 따라서는 기존의 비전으로 관심 영역을 정밀하게 고정하고 딥러닝으로 해당 영역을

검사하도록 하는 것이 최고의 선택일 수 있습니다. 그런 다음 딥러닝 기반 검사 결과를 기존의 비전에 다시

전달하여 결함의 크기와 모양을 정확하게 측정할 수 있습니다.

 

딥러닝은 규칙 기반 방식을 보완하며, 효과적인 검사를 구성하는 데 있어 높은 수준의 비전 전문성에 대한 필요를

줄여줍니다. 이로써 비전 전문성이 요구되었던 기존의 애플리케이션을 비전 전문가 없이도 해결 가능한 과제로

전환하였습니다. 딥러닝은 규칙 기반 알고리즘을 개발하고 스크립트를 작성하는 애플리케이션 개발자의 논리적

부담을 시스템 트레이닝 엔지니어에게 이양합니다. 또한 검수자를 배제하고는 시도된 적이 없는 애플리케이션을

해결하기 위한 새로운 가능성을 열어줍니다. 이렇게 딥러닝은 머신비전을 더 쉽게 사용할 수 있게 해주며

컴퓨터와 카메라로 정확히 검사할 수 있는 범위를 넓혀줍니다.  

 

육안 검사의 장점

기존의 머신비전과 달리 인간은 성형 및 기능 측면의 미묘한 결점을 구분하고, 품질에 영향을 미칠 수 있는 부품

외형의 변동을 감지하는 데 능숙합니다. 정보를 처리하는 속도는 제한적이지만 인간은 예시를 통해 학습하는

능력이 뛰어나며 이는 부품 간의 사소한 이상 현상을 감지할 때 매우 중요합니다. 따라서 복잡하고 구조화되지

않는 장면, 특히 미묘한 결함과 예측 불가능한 결점의 정성적 해석이 필요한 경우에는 대부분 육안 검사가 최고의

선택입니다.

 

예를 들어 인간은 변형되었거나 판독이 어려운 문자, 복잡한 표면, 성형 결함을 다루는 경우에 정확성이 높습니다.

이러한 다수의 애플리케이션에서 복잡성을 감정할 때 인간이 머신보다 훨씬 뛰어납니다.  

 

배터리 탭 확인

 

파우치 배터리 전극은 금속 탭으로 외부 회로에 연결됩니다. 이 금속 호일 탭은 다양한 금속으로 만들어지며 얇고

부드러우며 쉽게 손상될 수 있습니다. 일반적인 결함에는 스크래치, 범프, 구멍 및 먼지가 포함됩니다. 손상된 탭은

연결을 줄이거나 방해하므로 전극에 납땜하기 전에 결함이 없어야 합니다. 그러나 부적절한 납땜은 또한 화상,

타격 및 볼 누락과 같은 결함으로 이어집니다. 불량한 땜납은 연결이 감소하거나 누락되고 성능이 저하됩니다.

 

탭 및 탭 솔더 결함을 모두 식별하기 위해 Cognex Deep Learning의 결함 감지 도구는 다양한 손상되지 않은

탭과 적절하게 솔더링 된 탭을 학습하여 허용 가능한 수준의 외관 결함을 포함하여 정상 부품의 전체 변형을

학습합니다. 배터리 탭 연결을 통해 스캔할 때 허용 범위를 벗어난 탭 또는 탭 땜납을 분석하고 플래그를

지정하면서 순전히 왼관상의 결함으로 인한 오탐을 최소화합니다. 대비와 배경의 변화에도 불구하고 이러한

구분을 합니다. 그런 다음 Cognex Deep Learning의 분류 도구는 라벨이 지정된 다양한 탭 및 탭 솔더 결함에 대해

학습하고 탭의 스크래치, 구멍 및 범프 또는 솔더의 볼이 타거나 부딪히거나 누락된 것과 같은 특정 결함 유형을

분류하는 방법을 배울 수 있습니다. 그런 다음 이러한 분류 된 결함을 업스트림 프로세스 제어에 사용하여 시간

경과에 따른 결함을 최소화할 수 있습니다.  

 

셩형 결함의 분석

 

스마트 폰을 완전히 조립 한 후 포장을 진행하기 전에 하우징과 커버 유리의 여러 위치에 있을 수 있는 긁힘, 균열,

칩, 움푹 들어간 곳, 정렬 불량, 변색 및 기타 결함 일반적으로 작동하지 않지만 제품 외관에 부정적인 영향을 미칩니다. 기존의 규칙 기반 비전 애플리케이션은 미리 정의 되 영억의 긁힘 또는 화면 모서리에 나타나는 경향이 있는

균열과 같은 다양한 일반적인 결함에 대해 교육할 수 있지만 가능한 결함의 범위는 매우 커서 어디서나 나타날 수

있습니다.하우징의 변색이나 로봇 암의 충격으로 인한 움푹 들어간 곳과 같이 비교적 드물게 발생하는 결함도

포장 전에 잡아야합니다. 전화기가 생산되는 속도를 감안할 때 사람의 검사는 효율성이 낮고 일관성이 없습니다.

 

Cognex 딥 러닝은 허용할 수 없는 광범위한 결함을 보여주는 이미지 세트와 허용 가능한 범위 내에 있는 외관상의

변화를 보여주는 이미지 세트를 학습하고 이를 분류하는 방법을 학습합니다. 교육 단계에서 매개 변수를 조정하여

승인 및 거부 기준이 모든 사례에 대한 시장 요구 사항을 충족하는지 확인할 수 있습니다. 훈련된 이미지 분석

도구는 Cognex Deep Learning과 결합 된 특수 조명 및 적절한 부품 표시를 활용하여 화면, 밴드, 뒷면을 검사하고

스마트폰 어디에서나 함몰, 스크래치 및 변색의 조합을 감지합니다. 이러한 철저하고 정확한 검사를 통해 외관상

결함이 없는 제품만 포장 단계로 넘어갈 수 있습니다.  

 

의료 영상이 딥러닝의 다음 번 개척지인 이유

방사선 X레이, 초음파, NMR 등을 포함하는 의료 영상은 전통적으로 비정상적인 부분을 감지하기 위해서는 

유연한 인간의 육안에 의존했습니다. 지금까지 컴퓨터는 반짝이면서 빛나는 부분 등으로 인한 복잡한 배경과 

이미지 품질 문제 때문에 정확한 분석이 불가능한 것으로 인식되어 왔습니다. 따라서 기존의 머신 비전

알고리즘으로 비구조적인 장면에서 비정상적인 부분을 식별하기 위해 물체나 관심 지역을 정밀하게 찾는 작업은

특히 매우 어려웠습니다. 자동화된 시스템이 관련없는 특징들을 무시하면서 관심 지역을 성공적으로 식별하는

일은 가능하다고 해도 시간이 많이 소비되고 어려운 작업이었습니다.

 

Cognex Deep Learning는 종양처럼 신체의 정상 형상에서 벗어난 모든 경우를 파악하거나 특정한 이상을

파악하는 상황에서 모두 컴퓨터화된 시스템의 속도와 강력함을 인간 검사자의 육안을 통한 유연성과 특정할 수

있습니다. 위치 설정 툴을 통해 배경이 시각적으로 잘 구분되지 않고 명암 대비가 낮은 경우에도 특정 장기와 같은

관심 영역(ROI)을 특정할 수 있습니다.

 

위치 설정 툴은 구별되는 특징을 학습함으로써 특정 장기의 위치를 파악할 수 있습니다. 위치 설정 툴을

학습시키기 위해서는 대상 특징이 표시된 이미지를 제공하기만 하면 됩니다. 마찬가지로 코그넥스 딥러닝 결함

감지 툴과 같은 딥러닝 기반 결함 감지 및 분할 툴로도 의료용 이미지에서 기형을 파악하는데 도움을 얻을 수

있습니다. 결함 감지 툴은 샘플 이미지 바탕으로 장기의 정상 형태와 특정 이상 유형에 대한 참조 모델을

개발합니다. 대상 지역의 정상적인 생리적 특성에서 벗어난 모든 이상은 방사선 전문의가 컴퓨터 지원을 통한

분석(CAD)을 수행할 수 있도록 표시됩니다.  

 

딥러닝을 통해 전자 부품 산업에서 검사 자동화를 구현하는 방법

 

1. 결함 검출

자동화 검사 시스템은 까다로운 이미지 품질 조건 하에 과도한 돋음이나 언더컷 된 용접과 같이 두드러지는

부품간의 변화를 수용할 수 있어야 합니다. 딥러닝 기반 솔루션은 너무 시간 소모적고 경우에 따라서는 검사가

불가능할 수도 있는 룰 베이스 프로그래밍 없이도 관심 영역을 고정시켜 부품간 변화를 포함한 용접을 검사할

수 있습니다.

 

결함 검출을 위한 코그넥스의 딥러닝 툴은 양품(또는 통과) 및 불량(실패)으로 라벨링 된 표본 이미지 세트를

트레이닝한 후 다양한 종류의 용접 결함을 식별할 수 있게 됩니다. 코그넥스 딥러닝은 이러한 이미지를 토대로

정상적인 용접 모양의 기준 모델뿐 아니라, 이미지나 반사광으로 인한 외관상의 변형을 포함해 허용되지 않는

결함의 모델을 구축할 수 있습니다.

 

2. 광학 문자 인식(OCR)

모든 문자열을 한 번에 트레이닝하고, 잘못 표기된 문자는 제거하며, 동일 문자를 여러 번 트레이닝한 후 트레이닝

된 글꼴을 새로운 애플리케이션에 로딩하거나 저장할 수 있는 최상의 툴이라 하더라도 트레이닝에 오랜 시간이

소요되거나, 여전히 변형된 문자를 식별하는데 문제가 있을 수 있습니다.

 

딥러닝 기반 툴은 사전에 트레이닝된 라이브러리를 사용해 문자를 인식하고 검증하므로, 변화가 발생하더라도

테스트 및 검증 단계에서 시스템에 누락된 문자만 다시 트레이닝하면 됩니다. 따라서 검사 시스템이 보다 높은

정확도를 제공하고 재트리이닝으로 인한 가동 중단을 최소화할 수 있습니다.

 

3. 조립 검증

머신비전 시스템은 여러 관심 영역을 토대로 트레이닝을 거쳐 개별 구성품을 식별하도록 학습할 수 있지만, 조명

대비, 원근 및 방향의 변화, 반사광으로 인한 외관의 변화로 시스템에 혼동이 발생할 수 있습니다. 특히 구성품이

서로 가깝고 조밀하게 채워진 PCB는 머신비전 시스템으로 개별 부품을 구분하기가 어려워 검사가 자칫 실패할

수도 있습니다. 인간 검사자는 구성품을 구분할 수 있지만, 고속 처리량 요구 조건을 충족할 수는 없습니다.

 

이러한 검사를 룰 베이스 알고리즘으로 프로그래밍하는 작업은 시간 소모적이며, 오류가 발생하기 쉽고 현장에서

유지관리가 까다롭다는 점은 두말할 필요가 없습니다. 다행히도 딥러닝 기반 비전 시스템은 컴퓨터의 속도와

강력한 성능 면에서 추가적인 이점을 제공하는 한편, 인간 검사자가 가진 유연성, 분별력, 판단 기반의 견줄 만한

성능을 갖추고 있습니다.

 

4. 분류

전자 커패시터는 유형(세라믹 및 전기)을 비롯해 크기(대/소), 색상(골드, 골드 이외)별로 종류가 다양한 구성품의

좋은 예입니다. 커패시터를 분류해야 하는 제조업체는 여러 개의 분류를 포함한 단일 이미지를 감지하는 까다로운

작업에 직면하였습니다. 예를 들어, 블랙 마킹이 있는 골드 세라믹 커패시터, 블루 마킹이 있는 골드 전기

커패시터가 있습니다. 검사 시스템이 제조업체의 기준에 따라 구성품을 분류해 색상과 마킹을 기준으로 전기

커패시터를 구분하고 나머지 기준은 무시해야 합니다.

 

이 작업을 자동으로 처리하기 위해 검사 애플리케이션 엔지니어는 딥러닝을 솔루션으로 모색해야 합니다. 감시

모드에서 작동하는 딥러닝 기반 소프트웨어는 선택적 특성 그룹을 검출하고 각 커패시터의 개별 특성간을

구분하면서 같은 유형 내의 추가적인 변형은 무시하도록 트레이닝할 수 있습니다. 딥러닝 기반 기스템은 단일

이미지 내의 구성품 하나에 대한 여러 유형을 정확히 분류하여 정렬할 수 있으며, 이는 머신비전보다 훨씬 큰

이점을 선사합니다.