DEEP-LEARNING
 | 브레니(Brenny) | 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? |
딥러닝의 정의
딥러닝은 휴대폰과 웨어러블 장치에 사용되는 음성, 텍스트, 안면 인식등에 필수적 기술로 부상하고, 패턴을 예측하여
중요한 비즈니스 결정을 내리기 위해 의학적 진단에서 인터넷 보안에 이르기까지 그 외 다수의 애플리케이션에 사용되기
시작하고 있습니다. 딥러닝 기반 이미지 분석은 육안 검사의 정교함과 유연성을 컴퓨터 시스템의 신뢰성, 일관성, 속도와
결합하고, 딥러닝 기반 소프트웨어는 판단에 기반한 부품 위치 파악, 검사, 분류 및 문자 인식 과제를 육안 검사나 기존
머신 비전 솔루션보다 더욱 효과적으로 수행할 수 있습니다.
딥러닝 기술로 부상하고 있는 분야
- 음성 언어, 텍스트, 얼굴 인식
- 모바일 및 웨어러블 기기
- 의료 진단
- 인터넷 보안
생산능력을 높이는 인공지능
AI로 인한 예상 가능한 내용
비용 절감 및 간접 비용 절감
수작업 검사와 관련된 비용에서는 매년 발생하면서도 공정 단계 변경 및 재교육 비용까지 포함되는 인건비가 대부분 차지를
합니다. 하지만 대부분의 작업자는 겨우 15~20분 만 집중할 수 있기 때문에 작업 교체나 생산 라인들 사이에서 차이가 발생을
하고, 여러 제조업체들은 AI 프로젝트에 대한 효과를 계산할 때 생산량과 처리량이 얼마나 빨리 향상되는지 깨닫고 감탄합니다.
신속한 구현
인간의 판단 능력을 가지고 있는 복잡한 머신 비전 애플리케이션을 정확하게 프로그래밍하고 유지 보수하는 데 필요한 시간과
노력을 고려해야 하고, 결함 라이브러리, 예외 처리, 필터 설계 등 시간이 지남에 따라 이러한 시간과 노력은 엄청날 수 있습니다.
몇 명의 우수한 품질 관리 엔지니어와 수 백 장 내지 수 천 장 정도의 학습 이미지만을 통해 몇 주 만에 AI 애플리케이션을 구현,
테스트하고, 개선할 수 있습니다.
분석 개선 및 업스트림 공정 통제
검사 결과를 문서화하는 AI 솔루션은 최종 검사 공정 단계를 성공적으로 자동화되면 종종 인라인 검사로 검사 단계를 상향
이전시킬 수 있고, 불량 부품에 시간을 더 소비하거나 추가 비용이 발생하기 전에 보다 신속하게 결함을 파악함으로써 비용을
절감합니다. 그리고 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.
생산분야에서의 인공 지능 용어 설명
- 인공지능 : 컴퓨터가 목적을 달성할 수 있도록 지원하는 명령 및 계산 집합. '학습' 알고리즘은 사람의 개입 없이 생산 공정을
최적화 하기 위해서 시행 착오 및 예제별 학습을 사용합니다.
- 딥러닝 : 신경망과 예제 기반 학습 알고리즘을 이용해서 인간의 도움 없이 시간의 경과와 함계 스스로 개선해 나가는 AI
방법론. 딥러닝 알고리즘은 데이터 처리 능력이 한계가 있는 규칙 기반 알고리즘과는 달리 데이터를 점점 더 많이 처리함에 따라
더 효율성이 증가합니다.
- 머신 비전 : 물체의 특정한 특징을 파악하는 규칙 기반 알고리즘. 머신 비전 툴은 사람의 육안보다 훨씬 빠르게 작동하지만
딥러닝은 이러한 툴의 툴의 정확성과 효율성을 크게 개선시킵니다.
- 신경망 : 인간의 신경계의 신경 구조에 영향을 받은 알고리즘과 데이터 노드. 신경망 내 수천 개의 처리 노드는 이미지, 텍스트,
언어 등과 같은 데이터에서 패턴을 찾고, 패턴을 이용해서 알고리즘이 작업 성공마다 매번 보다 잘 작동하도록 결정해줍니다.
- 광학문자 인식(OCR) : 인쇄된 숫자, 문자, 글잘르 의미 있는 디지털 데이터로 전환. AI 기술은 OCR 정확도를 큰 수준으로
개선함으로써 구부러짐, 찢어짐, 손상, 비닐 포장재로 가려진 상황에서 레이블 스캔을 수행할 수 있습니다.
다섯 단계를 통해 딥러닝 공장 자동화 프로젝트를 시작하는 방법
딥러닝 이미지 분석은 다양한 산업 분야에서 공장 자동화 기회를 제공을 하고, 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.
다섯 단계로 딥러닝 구현하기
1. 적절한 기대 설정
2. 딥러닝의 투자 효율성 이해
3. 자원 투입 계획 및 필요 마스터
4. 초기 파일럿 프로젝트를 통해 소규모로 시작
5. 단계별 프로젝트 접근 방식 진행
딥러닝으로 패키징 솔루션을 자동화하는 방법
딥러닝이 패키지 업체와 제조업체를 위해 나열한 장점
패키징 결함 감지
주름, 찢어짐, 손상, 휨, 기포, 인쇄 오류 등 라벨 결함은 기존의 머신비전으로 잘 처리할 수 있고, 딥러닝 기술을 이용하면 일일이
검사 모델을 프로그래밍하지 않아도 됩니다. 그리고 딥러닝은 정상적인 범위를 벗어나는 결함을 포함하여 캔의 표면에서 발생할
수 있는 모든 결함 영역을 검출하고 리포트할 수 있습니다.
패키징 광학 문자 인식(OCR)
코그넥스의 딥러닝 OCR 툴로 날짜/로트 코드에서 일반 텍스트를 감지하고 읽으며, 일련의 숫자와 문자에 심한 변형, 기울어짐이
발생하거나 금속 재질에서 식각이 불량한 경우에도 올바른지 검사할 수 있고, 프로그래밍을 하지 않고서도 대부분의 알파벳과
숫자로 이루어진 텍스트를 바로 판독할 수 있습니다.
패키징 조립 검사
고유하고 가변적인 식별 가능한 문자로 개별 항목들의 위치를 파악하려면 크기, 형태, 색상, 표면 특성에 따라 각 항목의 구분
가능한 특성을 생성하는 딥러닝 기반 시스템이 이상적이고, 딥러닝 소프트웨어는 검사 제품에 대한 전체 데이터베이스를 빠르게
구축하도록 학습시킬 수 있습니다. 그리고 패키지가 올바르게 조립되었는지 검사하기 위한 검사는 사분면이나 한 줄씩 영역별로
처리 가능합니다.
패키징 분류
코그넥스의 분류 툴은 기존의 위치 및 카운팅용 머신 비전 툴과 쉽게 결합할 수 있고, 조립 용품 검사에서 다양한 제품 유형을
다루고, 일반화 기능을 구별하기 위해 인공지능이 필요한 경우 딥러닝 기반 위치 및 카운팅 룰을 사용합니다. 이 패키지의
차이점을 바탕으로 제품을 파악하고, 일부 불량이 포함되어 학습이 되면 시스템이 이 범주를 합격 또는 불합격으로 분류하도록
학습 될 수 있습니다.
In-Sight D900이 더 많은 인라인 검사를 자동화해야하는 3가지 이유
1. 응용 프로그램을 쉽게 구축 및 배포
In-Sight D900의 딥 러닝 작업은 직관적인 In-Sight 스프레드 시트 인터페이스를 활용하여 프로그래밍없이
딥 러닝 응용 프로그램을 빠르게 설정하고 실행할 수 있는 In-Sight ViDi 소프트웨어로 구축되었고, In-Sight ViDi는또한 다른 딥 러닝 솔루션 보다 훨씬
작은 이미지 세트와 짧은 교육 및 검증 기간이 필요합니다.
2. 강력한 스마트 카메라 비전 시스템에 내장
VisionPro ViDi 또는 일부 오픈 소스 프레임 워크, PC에서 실행되고 GigE 카메라 연결되어 있는 딥 러닝 소프트웨어가 필요했고, D900에는 생산 라인 속도에서 복잡한
딥 러닝 응용 프로그램을 해결하도록 특별히 설계된 추론 엔진 코 프로세서가 내장되어 있기 때문입니다.
3. 가장 까다로운 인라인 검사 자동화 및 확장
ViDi Detect, ViDi Read 및 ViDi Check의 세가지 새로운 검사 도구를 통해 딥러닝 솔루션은 광범위한 응용 분야에 사용될 수 있고, 또한 이미지 내에서 복잡한 피처와
객체를 찾거나 사용자 정의 레이아웃 내 위치에 따라 부품 및 키트가 올바르게 조립되었는지 확인이
가능합니다. 그리고 코드가 삼하게 변형되거나, 비뚤어지거나, 에칭이 잘되지 않거나, 끔찍한 조명에서
반사 표면에 상관없이 딥 러닝으로 처리할 수 있습니다.
딥 러닝이 자동차 산업의 검사를 자동화 하는 방법
1. 결함 감지
자동차 제조업체는 작은 결함이 부품의 기능과 안전성을 손상시킬수 있는 부품 및 하위 조립품의 무결성을
보장할 인센티브가 있습니다. 그리고 딥 러닝의 발전으로 수동 검사 없이 용접과 같은 금속 표면의 예측할 수
없고, 가변적인 결함을 자동으로 감지하고 특성화 할 수 있습니다. 소프트웨어 전용 또는 온보드 스마트카메라로 실행할 수 있응 프로그램은 빠르고 일관되었고,
시스템이 런타임 동안 훈련된 후, 관련없는 변형을 인식하고 무시하는 법을 배운 딥 러닝 기반 소프트웨어는 저젼력 및 과잉 용접 이미지를 걸함으로 특성화 할 수 있습니다.
2. 광학 문자 인식
OCR 및 OCV(광학 문자 확인) 도구는 문자를 읽거나 정확성을 확인하기 위해 문자를 인식하고 사용자에게
속도 및 읽기 속도에 맞게 시스템을 최적화할 수 있는 옵션을 제공합니다. 환경조건과 인쇄 왜곡은 머신 비전
시스템이 문자를 찾아 인식하기 어렵게 할 수 있으며, 직접 부품 표시(DPM), 에칭 또는 금속판에 새겨지거나
스티커에 인쇄될 수 있고, 딥 러닝 모델은 누락된 문자에 대한 추가 예제만으로 재교육을 받으면 시간을 절약하고 실패율을 줄일 수 있습니다.
3. 조립 확인
크고 복잡한 어셈블리의 경우 검사 시스템은 특정 영역을 검사 대상 영역으로 분류하거나 결함을 포함할 수
있어야 하고, 딥 러닝 기반 결함 감지, 위치 및 레이아웃 도구는 AI 기반 모델을 개발하여 대표 샘프로 이미지
세트에서 모양의 가능한변형을 학습하여 이미지에서 대상 관심 영역을 식별하고 완전성을 검사할 수 있습니다.
딥 러닝 기반 시스템은 자동차 도어와 같은 어셈블리의 신뢰할 수 있는 참조 모델을 작성하고 모든 구성 요소가
존재하고 위치에 올바르게 배치되었으면 완전히 조립되었는지 신속하고 확실하게 확인할 수 있습니다.
4. 분류
머신 비전의 고유한 제한으로 이미지를 분류할 수 없습니다. AI는 실제로 주요 시각적 차별화 요소를 학습하여
동일한 부분의 이미지를 하위 범주로 분류 할 수 있습니다. 사람의 검사로만 가능했던 것은 이제 딥 러닝 기술을 활용하는 비전 시스템을 통해 수행할 수 있습니다.
딥 러닝이 생명 과학 산업에 대한 검사를 자동화 하는 방법
1. 생명 과학 결함 탐지
딥 러닝 기반 이미지 분석을 적용하여 이전에 사람의 검사가 필요했던 임상 및 연구 현미경 응용 프로그램이 다시
개발되고 있습니다. 광범위한 프로그래밍 없이도 가능한 모든 예외 사항을 식별하도록 검사 시스템을 가르치는 것은 사실상 불가능하며,
그럼에도 불구하고 허위 식별 또는 거부 가능성이 높습니다.