DEEP-LEARNING

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

배터리 탭 확인

파우치 배터리 전극은 금속 탭으로 외부 회오에 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 납땜 하기 전에 결함이 없어야 합니다. 그러나 부적절한 납땜은 또한 화상,

타격 및 볼 누락과 같은 결함으로 이어지고, 불량한 납땜은 연결이 감소하거나 누락되고 성능이 저하됩니다.

탭 및 탭 솔더 결함을 모두 식별하기 위해 Cognex Deep Learning의 결함 감지 도구는 허용 가능한 수준의 외관

결함을 포함하여 정상 부품의 전체 변형을 학습하기 위해 다양한 손상되지 않은 탭과 적절하게 솔더링 된 탭에

대해 교육을 받았습니다. 배터리 탭 연결을 통해 스캔 할 때 허용 범위를 벗어난 탭 또는 탭 연결을 통해 스캔

할 때 허용 범위를 벗어난 탭 또는 탭 땜납을 분석하고 플래그를 지정하면서 순전히 외관상의 결함으로 인한

오탐을 최소화합니다. 그런 다음 이러한 분류 된 결함을 업스트림 공정 제어에 사용하여 시간 경과에 따른 결함을

최소화 할 수 있습니다.  

성형 결함 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 결함이 있는지 검사해야 하고, 이러한 결함은 일반적으로 기능적이지

않지만 제품 외관에 부정적인 영향을 미칩니다. 하우징의 변식이나 로봇 팔의 충격으로 인한 움푹 들어간 부분과

같이 비교적 드물게 발생하는 결함도 포장 전에 잡아야 합니다. 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. 승인 및 거부 기준이 모든 사례에

대한 시장 요구 사항을 충족하도록 훈련 단계 중에 매개 변수를 조정할 수 있습니다. Cognex Deep Learning과

결합 된 특수 조명 및 적절한 부품 프리젠테이션을 활용하여 화면, 밴드, 뒷면을 검사하고 스마트폰 어디에서나

움푹 들어간 부분, 긁힘 및 변색의 조합을 감지합니다.  

인쇄기로 회판 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 누락 된 구성요소는 PCB의 성능과 수명에

영향을 미칠 수 있습니다. 이러한 오류는 PCB가 장치에 조립디거나 고객에서 배송되기 전에 포착되어야 합니다.

이러한 검사를 규칙 기반 알고리즘으로 프로그래밍하는 것은 시간이 많이 걸리고 오류가 발생하기 쉬우며 현장

엔지니어가 유지관리하기 어렵습니다. 인간 검사관은 이러한 구성 요소를 식별할 수 있지만 고속 처리 요구사항을

충족 할 수 없습니다.

Cognex Deep Learning은 PCB 조립을 검증하기 위해 사람의 검사에 필적하는 현장에서 유지 관리할 수 있는

솔루션을 제공합니다. 이 도구는 크기, 모양 및 표면 기능을 기준으로 구성 요소의 구별되는 기능을 일반화하고

보드에서이 일반적인 위치 뿐만 아니라 정상적인 모양을 학습합니다. 이러한 방식으로 검사는 구성 요소가 있는지

여부를 확인하고 보드가 올바르게 조립되었는지 여부를 알 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.  

스마트 팩토리에서의 머신 비전

1. 빅데이터

Industry 4.0 기능은 원 데이터를 실질적이고 측정 가능한 성능 개선으로 추진할 수 있는 실천 가능한 정보와

인사이트로 전환할 것입니다. 공정 개선 추세를 발견하기 위해 생산 공정 중 획득된 '빅 데이터'의 분석과 클라우드

컴퓨팅, 딥러닝 기술을 통해 이러한 목표를 달성하게 될 것입니다. 현재는 데이터를 수집해도연결되지 않거나

고립된 상태로 유지되는 경우가 많습니다. 미래에는 이러한 데이터를 공유하고 사전 대응적으로 활용하며 머신

비전과 같은 풍부한 데이터를 기초로 한느 기술이 주도할 가능성이 높습니다.

2. 생산 라인 최적화

제조사들은 로봇, 머신 비전 시스템 원재료 투입, 기타 생산 라인의 측면이 서로 직접 통신을 수행하게 됨으로써

상당한 유연성을 누리게 될 것입니다. 단일 라인에서 보다 다양한 부품 유형 생산, 또는 맞춤화된 제품에 대해서도

특정 제품의 소규모 생산, 보다 높은 비용 효율성 등 수많은 장점을 얻을 수 있을 것입니다.

3. 생산 데이터의 통신

생산 시스템의 통신 네트워크는 시장에서의 입력을 스캔하고 이 정보르 생산 매개변수 세부 조정을 위해

활용합니다. 예를 들어 특정한 지역에서 예상되는 알러지 사례 비율이 높다는 사실을 확인한 제약 회사의

시스템은 생산 라인이 생산량을 증가하도록 요청하고 원재료 추가 주문을 수행할 수 있을 것입니다.  

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

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

어렵게 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.  

INDUWTRY 4.0과 머신 비전

인더스트리 4.0이란 제조 분야에 대변혁을 일으킬 첨단 자동화, 머신 비전, 빅 데이터, 클라우드 컴퓨팅, 기계 학습

분야의 새로운 혁신 기술을 의미합니다. 인더스트리 4.0은 생산성 증대, 폐기물 감소, 제품 품질 개선, 제조 공정의

유연성 향상, 운영 비용 절감 외에 숨낳은 이점을 작업 현장에 제공할 수 있다는 엄청난 잠재력을 입증하고

있습니다.

Industry 4.0은 부품 및 서브 어셈블리 파악 및 추적을 위한 데이터를 생산자를 위해 수집하는 센서 등과 같은

사이버 피지컬 시스템(CPS)의 활용 증가와 특별한 관계가 있습니다. 데이터 수집 프로세스로 기기들이 자동으로

정보를 교환할 뿐만 아니라 상호 독립적으로 제어와 상호 작용을 수행할 수 있도록 합니다. 머신 비전은 Indystry

4.0에서 자동화 시스템의 중요한 부분입니다. 데이터 분석 역량이 발전함으로써 비전 장비를 통해 액세스 가능한

대용량 데이터를 활용해서 결함이 있는 제품을 파악하고 표시하며 어떤 결함인지 이해함으로써 Indystry 4.0 공장

내에 빠르고 효과적인 개입이 가능합니다.  

MLCC 검사

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

구성됩니다. MLCC는 작고 대량으로 제공되고, 모양과 위치가 매우 다양한 미묘한 결함을 가질 수 있습니다. 또한

기존 머신 비전의 효과를 제한하는 반짝이는 표면이 있습니다. 자동 광학 검사(AOI) 기계는 모든 커패시터의 6면을

모두 검사 한 다음 사람이 커패시터의 통계적 샘플링의 한면을 검사합니다. 그러나 AOI 기계는 과잉 살상 률이 높은 반면 수동 검사는 일반적인 사용에 비해 너무 느립니다. 전체 프로세스는 비용이 많이 들고 느리고 오류가

발생하기 쉬우며 프로세스 개선에 도움이 될 수 있는 유용한 데이터를 생성하지 않습니다.

MLCC는 AOI 기계에 의해 검사 된 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. Cognex Deep

Learning의 분류 도구는 무결정 및 결함이 있는 다양한 MLCC의 라벨이 지정된 이미지에 대해 학습됩니다.

분류 도구는 가능한 광범위한 결함을 분류하는 방법과 일반 부품의 전체 변형을 학습합니다. 분류 된 결함은 시간

경과에 따른 부품 결함을 최소화하기 위해 업스트림 공정 제어에도 사용할 수 있습니다.  

Industry 4.0 : 머신비전, 스마트 팩토리, 산업용 사물 인터넷

제조업계에서 가장 많이 논의되는 주제 중 하나는 인더스트리 4.0입니다. 산업 자동화, loT 장치, 딥 러닝 및 

데이터 교환에서 광범위하게 정의된 새로운 혁신 그룹인 Industry 4.0은 공장 현장에서 무수한 이점을 제공할

것입니다.  '산업용 사물 인터넷'이 그들에게 의미하는 바에 대해 생산자와 관련 유통업체마다 관점이 다릅니다.

Indystry 4.0의 제안된 잠재력

- 생산성 향상

- 낭비 감소

- 제품 품질 개선

- 제조 유연성 향상

- 운영 비용 감소

데이터 분석 기능이 스마트 공장에서 다음과 같은 용도

- 결함이 있는 제품 식별 및 신고

- 그들의 결함 이해

- 빠르고 효과적인 개입 가능 

조립 자동화를 위한 머신 비전

사람이 공장 라인을 직접 관리하던 시절은 지났습니다. 오늘날에는 많은 머신이 제조, 조립 및 자재 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.

머신비전 시스템은 제조된 제품에서 결함, 오염, 기능상 결점, 기타 이상 현상을 감지하는 검사를 수행하도록

컴퓨터를 트레이닝했습니다. 머신비전은 속도, 정확성, 반복성을 제공하기 때문에 구조화된 자면의 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.  

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 대사

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. 딥러닝은 규칙 기반 알고리즘을 개발하고 스크립트를 작성하는 애플리케이션 개발자의 논리적

부담을 시스템 트레이닝 엔지니어에게 이양합니다. 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 미칠수 있는 부품

외형의 변동을 감지하는 데 능숙합니다. 정보를 처리하는 속도는 제한적이지만 인간은 개념화와 일반화라는

특별한 능력을 가지고 있습니다. 인간은 예시를 통해 학습하는 능력이 뛰어나며 이는 부품 간의 사소한 이상

현상을 감지할 때 매우 중요합니다. 따라서 복잡하고 구조화되지 않은 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.  

제조의 미래 : Cognex 딥 러닝을 만나기

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

인간의 인지에서 영감을 받은 딥 러닝 기술은 제조 장비에 이미지를 인식하고 개로운 방식으로 환경을 인식 할

수 있는 기능을 제공합니다. 여기에는 미묘한 방식으로 다양한 질감 패턴에 대한 외관 검사와 같이 프로그래밍

하기 너무 복잡하거나 유지 관리하기 어려운 애플리케이션이 포함됩니다. Cognex는 공장을 위해 특별히 설계된

최초의 딥 러닝 기반 이미지 분석 소프트웨어 인 Cognex Deep Learning을 통해 이 머신 비전 혁신의 선두에서

있습니다.

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

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

기계는 몇 분 만에 가장 정교한 자동화 문제에 대한 솔루션을 개발하고 밀리 초 만에 의사결정을 내릴 수 있습니다

하루에 10억개가 넘느 이미지를 캡처하고 업계 최고으 기술 및 비전 전문가와 함께 Cognex는 머신 비전 및

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

의료 영상이 딥러닝의 다음 번 개척지인 이유

방사선 x 레이, 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.

이제는 딥러닝 기반 이미지 분석으로 높은 신뢰성과 반복 가능성, 안정성으로 생물학적 이상 검색을 자동화할 수

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

이상을 파악하는 상황에서 모두 컴퓨터화된 시스템의 속도와 강력함을 인간 검사자의 욱안을 통한 유연성과

결합합니다. 결함 감지 툴은 학습 이미지를 통해 장기의 정상 형태 및 특정 유형의 기형에 대한 참조 모델을

만들어 해당 부위가 생리적으로 일반적인 형태로부터 벗어난 부분을 결함으로 표시해줍니다.

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

학습하기 위해서는 대상 특징이 표시된 이미지를 제공하기만 하면 됩니다. 코그넥스 딥러닝 결함 감지 툴과 같은

딥러닝 기반의 결함 감지 및 분할 툴로도 의료용 이미지에서 기형을 파악하는 데 도움을 얻을 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.