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?

 

 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

어야 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. 비 감독 모드에서의 딥 러닝 기반

이미지 분석은 매우 정확하고 효율적인 검사 모드를 제공합니다.


2. 생명 과학 광학 문자 인식

많은 의료 공급 업체는 추적 성과 안전 규정을 준수하기 위해 자동 식별 기능을 사용합니다. 다양한 글꼴을 인식하도록 사전 학습 된 딥 러닝 기반 도구는 기본적으로 즉시 작동합니다.

빠르고 쉬운 구현 및 제한된 응용 프로그램 조정으로 인해 딥 러닝 기반 OCR은 변형, 왜곡 및 식각이

잘되지 않는 문자가 포함 된 응용 프로그램이나 카메라가 광범위한 알 수 없는 글꼴에 직면할 때

검증 응용 프로그램에서 명백한 선택입니다.


3. 생명 과학 회의 검증

임상 분석기 및 체외 진단 장치와 같은 실험실 자동화 장치는 머신 비전에 의존하여 최적의 테스트 조건을 위해

샘플을 완벽하게 삽입하고 정렬합니다. Cognex 딥 러닝 기반 소프트웨어는 일련의 교육 이미지를 기반으로

다양한 모양과 예측할 수 없고 다양한 위치를 학습할 수 있습니다.

 

4. 생명 과학 분류

원심 분리 및 인덱스 된 적절하게 준비된 샘플은 탁도 및 혈장 색상에 대한 개별 점수를 받아야 하고, 샘플이

분석기 기계에 어떻게 로딩이되는지에 따라, 모양이 다를 수 있고 혈액이 상대적으로 다소 분리된 것처럼 보일

수 있습니다. Cognex Deep Learning은 단일 혈액 약병 내에서 여러 클래스를 정렬하여 테스트 기준을 충족하는 샘플만 식별하고 전달 할 수 있습니다.


딥 러닝이 전자 산업에 대한 검사를 자동화하는 방법

 


1. 결함 감지

조립 된 인쇄 회로 기판(PCB)은 전기가 흐를 수 있도록 부품의 정확한 용좁에 의존합니다. 모든 자동화된 검사

시스템은 열악한 이미지 품질 조건에서 부품 간 변동(예 : 저전력 및 과잉 용접)을 허용해야 됩니다. 이러한

이미지 기반으로 Cognex Deep Learning은 이미지 문제 및 눈부심으로 인해 발생할 수 있는 모양의 변화를

설명하는 용접의 정상적인 모양과 참을 수 없는 결함의 참조 모델을 만들 수 있습니다.


2. 광학 문자 인식

전자 부품 및 모듈에 인쇄 된 영숫자 문자와 마찬가지로 칩에 인쇄 된 일련번호는 변형, 왜곡 및 식각 불량에

취약합니다. 딥 러닝 기반 도구는 사전 훈련 된 라이브러리를 사용하여 프레젠테이션이 변경 될 때에도 캐릭터를 인식하고 검증하므로 테스트 및 검증 중에 누락 된

캐릭터만 시스템에서 재교육해야합니다. 이를 통해 검사 시스템의 정확도가 향상되어 재 훈련으로 인한 가동 중지 시간이 최소화됩니다.


3. 조립 확인

조립 검증은 고려해야 할 여러 가지 구성요소로 인해 자동화하기가 매우 어려운 응용 프로그램입니다. 전형적인 예는 PCB, LED, 마이크로 프로세서 및 기타 표면 실장 장치

용접된 PCB의 최종 조립 검증입니다. 머신 비전 시스템은 관심있는 여러 영역에 대해 교육을 받고 각 개별 구성 요소를 식별하는 방법을 배울수 있지만 조명 대비, 원근 및

방향 변경으로 인한 모양의 변화 또는 눈부심으로 인해 시스템이 혼동 될 수 있습니다. 검사 중에 Cognex Deep Learning은 구성 요소가 존재하고 올바르게 조립되었는지

확인하기 위해 여러 관심 영역을 식별하여 구성 요소를 찾고 계산하고 검사할 수 있습니다.


4. 분류

머신 비전에는 분류 기능을 포함하여 고유 한 제한이 있습니다. 검사시스템은 제조업체의 기준에 따라 구성 요소를 정렬하여 다른 기준을 무시하면서 색상과 표시로 전기

커패시터를 구별할 수 있어야 합니다. 딥 러닝 기반 시스템은 단일 이미지에서 여러 유형의 단일 구성 요소를 정확하게 분류하고 정렬할 수 있습니다.

Cognex Deep Learning은 이미지 분석에 인공 지능의 힘을 활용하여 부품 위치, 미용 검사, 분류 및 활용하여

부품 위치, 미용 검사, 분류 및 문자 인식과 관련된 까다로운 전자 응용 분야를 해결합니다.


​딥 러닝 어셈블리 검증 도구를 사용하여 다양한 구성 요소 또는 부품 구성 식별


 

1. 자동차 산업을 위한 조립 검증

자동차 제조 산업의 많은 물체와 장면은 예측할 수 없으며 다양한 조립 단계에서 카메라에 다르게 나타납니다.

기존 머신 비전 개발을 정의하는 단계별 필터링 및 규칙 기반 알고리즘에 도전하기 때문입니다. 조명 조건이

바뀌면 다른 자동차 모델이 선을 따라 이동함에 따라 다양한 부품과 기능을 식별하는데 능숙 할 수 있지만,

사람 검사관은 여전히 일관성이 없을 수 있습니다. 하지만 딥러닝 소프트웨어는 상기 색상 및 구성 요소로부터

참조 가능한 기능의 라이브러리를 안정적으로 구축하여 완전히 조립된 자동차의 사진 내 에세이를 찾아 식별

할 수 있습니다.


2. 전자 산업을 위한 조립 검증

전자 제조업체는 어셈블리 검증 애플리케이션에 필요한 높은 판단 기반 의사 결정을 위해 딥 러닝 수용하고

있습니다. 딥 러닝 기반 소프트웨어는 이미지의 대비가 약하거나 캡처가 잘 되지 않는 경우를 포함하여

이러한 혼란스러운 조건에서 작동하도록 최적화되었습니다. 딥러닝 도구는 일반적인 크기, 모양 및 표면 형상과

상자의 일반적인 위치가 포함되었고, 런타임 동안 도구는 구성 요소가 있는지 여부를 올바르게 식별하기 위해

구성 요소를 포함하는 상자의 모든 영역을 분할합니다.


3. 포장 산업을 위한 조립 검증

식품 구성 요소의 수와 다양한 구성 및 레이아웃은 기존 머신 비전을 사용하요 프로그래밍하기가 어렵고 시간이

많이 걸립니다. 딥러닝 기반 이미지 분석을 통해 각 식품 구성 요소의 약간 가변적인 모양뿐만 아니라 수용 가능한

레이아웃을 학습하여 식품 트레이가 올바르게 조립되었는지 간단하게 확인할 수 있습니다. 런타임 중에 검사 이미지를

다른 지역으로 분할하여 소프트웨어가 음식의 존재를 확인하고 올바른 유형인지 확인할 수 있습니다. 이러한

방식으로, 사용자는 하나의 도구를 사용하여 포장 된 식품 트레이 또는 냉동 식사의 검증을 자동화 할 수

있습니다.

 

4. 소비자 전자 제품 산업을 위한 조립 검증

모바일 장치 패널 또는 모듈을 조립할 때 잔해는 일반적으로 작고, 미묘한 조명 대비, 방향 변경 또는 금속의

눈부심으로 인한 외관의

약간의 변형으로 인해 자동 검사 시스템이 혼동 될 수 있습니다. 모바일 장치 패널에는 많은 부품이 서로

가까이 있기 때문에 검사 시스템이 독립적인 구성 요소로 구별하기가 어려울 수 있습니다. 딥러닝 기반 이미지

분석 소프트웨어는 나사와 같이 잘못 배치된 부품을 식별하기 위해 패널 또는 모듈의 여러 구성 요소가 올바르게

완성 된 모양을 학습 할 수 있습니다.

 

​딥러닝 결함 감지로 자동차 및 기타 산업의 검사를 자동화하는 방법


1. ​자동차 산업의 결함 감지

​자동화된 탐지 시스템에서 가장 혼란스러운 부분은 금속 표면(거친 질감, 거칠고 다공성) 및 내부 시트와 에어백에

사용되는 직물입니다. 규칙 기반 알고리즘에서 각 항목을 명시적으로 검색하는 것은 지루하고 거의 불가능하지만,

검사 시스템이 에어백 직물의 정상적인 외관에 대해 감독없이 훈련함으로써 잠재적 결함을 식별하는 것이

유용하게 됩니다. 새로운 딥 러닝 기반 접근 방식은 육안 검사 성능을 자동차 직물의 자동 품질 관리에 제공합니다.

 

2. 전자 산업의 결함 감지

OLED 디스플레이 제조 외에도 전자 산업의 어느 곳에서도 반도체보다 염격하 품질 관리 및 결함 감지가

중요합니다. 이 모드에서 이소프트웨어의 신경망은 눈부신 금속 배경으로 인해 감지 된 변형을 포함하여

칩의 정상적인 모양을 개념화하고 일반화하여 구성 요소가 없거나 손상되었거나 마모 된 부품에 결함을

표시합니다.

 

3. 포장 산업의 결함 감지

식음료 및 소비자 제품에서 패키지는 판금이므로 광택이 있는 플라스틱 또는 광택이 있는 세라믹 재료로

만들어 질 가능성이 높습니다. 이러한 조건에서 기존 머신 비전 시스템은 이미지 간의 약간의 차이를

인식하기 어려울 수 있습니다. 딥러닝 기반 신경망은 눈부심을 넘어서 볼 수 있도록 설계되었고, 정상적인

표면 결함을 보고 실제 결함을 포착하는 가장 좋은 방법입니다. 이러한 방식으로 효과적인 결함 감지 솔루션을

제공하며 인간의 작은 변화를 인식하는 능력과 자동화된 컴퓨터 시스템의 신뢰성, 일관성 및 속도를 결합합니다.

 

4. 생명과학 산업의 결함 감지

CAD 덕분에 종양과 같은 생물학적 이상을 찾기 위해서는 전통적으로 인간의 판단이 필요합니다. 방사선

전문의가 신체의 정상적이고 건강한 외모에서 약간의 편차를 보이는 것보다는 특정 이상을 식별하는데

관심이 적을 수 있습니다. 딥 러닝 기반 소프트웨어 도구는 배경이 혼란스럽고 대비가 좋지 않은 경우에도

특정 장기 또는 특정 척추와 같은 관심 영역을 찾을 수 있습니다. 그리고 흠집, 찌그러짐, 오판 또는 정렬

오류에 관계없이 물체의 이상적인 모양과 자연스럽고 견딜 수 는 변형을 학습하여 간단하게 식별 할 수

있습니다.

 

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.

 

알파고가 딥러닝 기반 산업 자동화에 대해 생산업계에 알려준 것들

 

1. 인간의 직관을 흉내내는 딥러닝

알파고는 딥러닝을 통해 바둑을 두는 방법을 학습했습니다. 먼저 이 컴퓨터 시스템에 게임 데이터를 투입해서 기본적인 움직임과 전략을 학습시긴 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.  각 반복마다 시스템의 성취도가 조금씩 개선되고 셀프 프레이 경기의 품질이 증가하면서 신경망이 점점 더 정교해지고 보다 강한 버전의 알파고로 성장합니다.

 

2. 공장에서의 딥러닝

인간을 이긴 알파고를 움직이는 기술은 동떨어진 미래의 기술이 아닙니다. 이 기술은 이미 현실 속에서 움직이고 있고, 자동차, 소비자용 전자제품, 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 있고, 인간은 Ai 시스템이 자신을 지원하도록 Ai 시스템을 학습시키고 작업을 수행함으로써 생산 분야에서의 다음 번 머신 비전 혁신을 실현하고 있습니다.

 

머신비전과 딥러닝 중 선택

 

 

 

 

 

 

 

1. 머신비전과 딥러닝 기술 중 선택에 따른 요소

- 해결하려는 애플리케이션 유형

- 처리하려는 데이터 크기

- 처리 용량

 

2. 전통적인 규칙 기반 프로그램이 기술

- 게이지 및 측정

- 정밀도 조정

 

3. 딥러닝 기반 이미지 분석

- 복잡한 외형 검사

- 질감 및 재질 분류

- 조립 검사

- 변형되거나 가변적인 특징 위치 확인

- 왜곡된 인쇄 포함 난이도가 높은 OCR 

 

공장자동화를 위한 딥 러닝

 

내용

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

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

불가능한 비전 애플리케이션을 정확하고 반복적으로 해결할 수 있고, 딥러닝 모델은 복잡한 패턴에서 자연적인

변화를 용인하면서 허용할 수 없는 결함을 구분할 수 있습니다.

 

딥러닝 기반 소프트웨어로 효율적으로 수행할 수 있는 것

- 부품 위치

- 검사

- 분류

- 문자 인식 

 

딥러닝 소프트웨어 사용 이유

내용

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

너무 비용이 비산 제조업의 검사 문제를 해결하기 위해 딥 러닝 기술로 선회하는 기업들이 증가하고있고,

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

강력함과 신리성으로 작업을 처리할 수 있는 가능성을 제공합니다.  이러한 검사 시스템은 시각 검사의

특수성과 유연성을 컴퓨터 시스템의 안정성, 반복성 및 강력함과 결합합니다.

 

딥러닝 소프트웨어 사용하면 가능한 작업

- 과거에 프로그래밍 불가능한 애플리케이션을 자동화

- 오류율 감소

- 작동 중단 시간 감소

- 검사 시간 단축

- 처리량 개선 

 

딥러닝 소프트웨어 작동 방식

 

내용

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

적용된 이미지 집합으로 학습을 하고, 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 참조모델을 형성하고, 지속적인 개선을 위한 반복적 프로세스로서

이 과정 동안 매개 변수를 조정하고 모델이 원하는대로 작동하는지 결과를 검사합니다. 소프트웨어는 런타임 중

에 새로운 이미지 집합에서 데이터를 추출하고 신경망은 부품의 부분별 구조를 분석하고 비정상적인 부분을

추출하며 분류합니다.  

 

COGNEX 딥러닝 기술의 장점

공장자동화를 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 학습

시킬수 있고, 애플리케이션 구성 후에 빠르고 정확한 결과를 제공하고 공정 제어를 위해 이미지를 저장합니다.

 

Cognex Deep Learning 의 특성

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

- 컴퓨터에 GPU 카드 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 

 

COGNEX 딥러닝 사용 방법

 

 

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

수 있고, 애플리케이션 구성 후에 빠르고 정확한 결과를 제공하고 공정 제어를 위해 이미지를 저장합니다.

이러한 특징으로 인해 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

 

딥러닝에 적용하는것

- 검사 이미지에서 데이터 추출

- 이미지 분석 및 해석

- 합격/불합격 결과 산출 

 

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, 미묘하게변하지만 허용 가능한 방식으로 생셩된 패턴이

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

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

부분 등과 같은 외형상의 결함을 탁월하게 처리할 수 있습니다.  

 

딥러닝 VS. 머신 비전 및 인간 검사

 

 

수십년 동안 머신 비전 시스템은 컴퓨터가 제조된 제품에서 결함, 오염, 기능상 흠집, 기타 불규칙성을 검사하도록

지시해왔고, 인간의 육안 검사는 예제 기반 학습이 필요한 상황에서 제어 상 허용 가능한 차이를 평가하는데

능숙합니다. 이와는 대조적으로 머신비전은 컴퓨터화된 시스템만 가능한 속도와 안정성을 제공합니다.

 

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

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

볼 수 없는 매우 작은 개체를 상세하고 쉽게 검사할 수 있습니다.

 

인간은 정보 처리 속도에 한계가 있지만 고유한 개념화와 일반화가 가능한 능력을 가지고 있고, 예제를 통한

학습에서 우수한 능력을 가지고 부품들 사이에서 약간의 비정상적인 부분이 있을 때에도 정말 주용한 부분이

무엇인지 구분할 수 있는 능력이 있습니다.  

 

머신비전의 과제

기존의 머신비전 시스템은 일관적이고 생산 과정에서 결함이 없는 부품에 대해서는 높은 신뢰도로 작동합니다.

이 기술은 인간 검사보다 비용 측면에서 저렴하게 단계별 필터링과 규칙 기반 일고리즈을 통해 작동하고, 예외적

상황과 결함 라이브러리가 증가하면서 알고리즘 프로그래밍이 어려워집니다.

 

머신 비전 시스템으로 외형상 변화 허용 정도

- 배율

- 회전

- Pose 왜곡

 

그럼에도 머신비전 시스템은 시각적으로 매우 유사한 부품들 사이의 가변성과 편차를 평가하기가 어렵고, 부품의

사용성에 영향을 주는 기능적인 결함은 거의 대부분 불합격으로 처리되지만 미관상의 결함은 생산업체의 필요와

선호도에 따라 불합격 처리되지 않을 수도 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.


실리더 검사를 자동화하는 방법

실린더는 보통 주조 금속으로 제작되며 간혹 윤활 코팅된 라인이나 '슬리브'가 포함되기도 하고, 실린더 벽은

피스톤의 압축 링과 접촉하므로 견고해야 합니다. 실린더의 반사성 표며에서 발생하는 반사광이나 반짝임 또한

검사를 복잡하게 만들고, 특징적 모양과 위치의 수많은 사소한 변동과 반짝임, 흐릿함을 허용하는 자동 검사를

프로그래밍하기는 상당히 어려운 일입니다.

 

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

소프트웨어가 학습할 수 있도록 도와주고, 엔지니어는 시스템을 학습하여 모델이 실린더의 정상적인 외양을

일반화하여 인식하고 비정상 요소를 인식할 있을 때까지 매개변수를 조정하고 이미지를 더 추가합니다. 딥 러닝

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

나머지를 정상으로 구별합니다.

 

차대 번호(VIN) 검사 

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

정상적인 이력관리를 위해 차대 번호를 찾아 판독해야합니다. 머신 비전으로 검사 시 반사광, 도장색, 반짝임

등은 비전시스템으로 문자를 찾고 인식하는데 어려움을 유발하고, 검사 시스템은 이미지 형성에 문제가 되는

반사성 표면을 요인하여 문자를 정상적으로 판독해야 합니다.

 

소프트웨어를 학습하기 위해 엔지니어는 대표적인 차대 번호를 문자 모음이 들어있는 이미지의 관심 영역을

정의하고, 학습 및 검증 동안 소프트웨어의 모델이 모든 문자를 정확하게 식별할 때까지 검사 담당자가 누락된

문자만 다시 라벨링하면 됩니다. 블루-판독 툴의 사전 학습된 모든 문자 인식 기능은 반짞임과 대비로 인한

불분명한 문자까지 인식하고, OCR에 대한 이 새로운 딥 러닝 기반 접근 방식은 불필요한 라벨링을 제거하고

노이즈가 매우 심한 배경에서 문자를 정상적으로 판독하여 학습 및 개발 시간을 단축해 줍니다.

 

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.  

 

점화 플로그 식별 및 분류

 

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

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

위해 여러 색상의 트레일 전달디는 점화 플러그가 이 경우에 해당합니다. 검사 시스템은 여러 색상의 점화 플러그

를 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.   

 

IC 리드 화장품 검사

머신 비전은 반도체 제조 공정 전반에 걸쳐 품질을 엄격하게 모니터링하고 결함을 포착하는 데 사용됩니다.

제조업체는 핀이 긁히거나 꼬이거나 구부러지거나 누락되지 않도록 주의해야 하고, 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 개선하는데 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 제공하고, 대신 엔지니어는

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

Cognex Deep Learning은 칩 리드 및 핀의 정상적인 모양과 위치를 학습하고 결함이 있는 모든 기능을

특성화합니다.  

 

컬러 이미징과 딥 러닝으로 가능한 다섯 가지 검사

 

 

1. 이물질 감지

구운 짠 탕콩을 운반하는 컨베이어에서 공장이 원하는 마지막 것은 원치 않는 이물질일 검사 단계를 통해 몰래

빠져나가는 것입니다. 그리고 검사 중에 검사관 장갑의 작은 조각이 벗겨질 경우 발생할 수 있습니다. 그 작은

보라색 라텍스 장갑은 흑백 이미징 비전 시스템으로 땅콩 더미에서 거의 발견할 수 없습니다.

 

2. 키팅 검증

주사기, 붕대 및 기타 소모품이 들어있는 의료용 파우치와 같은 조립된 키트에는 실제와 매우 비슷한 모양의 물건

이 들어있을 가능성이 높습니다. 의요용 키트에 독감 예방 주사, 아드레날린 등과같은 다른 의약품이 들어있는 주

사기가 포함되어 있는 경우 주사기 자체에 색상 코드를 지정하여 차이점을 나타낼 수 있습니다. 흑백 비전 시스템

은 이러한 중요한 차이점을 동일하게 취급하고, 색상 이미지만이 비슷하게 보이지만 다른 부품이 키트내에 제대로

 포함되도록하는데 도움이 될 수 있습니다.  

 

3. 후방 보조 주차 센서 검사

대부분의 자동차에는 표준 안전 장비의 일부로 운전자가 주차하거나 후진할 수 있도록 카메라가 장착되어 있습니

다. 카메라는 범퍼에 센서가 내장되어 작동하며 제조업체는 해당 센서가 범퍼와 정확히 일치하는 색상인지 확인해

아 합니다. 많은 자동차 제조업체는 동일한 센서 색상의 다양한 음영을 포함하여 25가지 이상의 다양한 센서 색상

을 보유하고 있고, 여러가지 이유로 까다로운 검사이지만 딥러닝과 컬러 이미징이 절대적으로 필요한 검사입니다.

 

4. 흰색 병 검사

소비재 제품이든 식음료 산업이든 관계없이 제조업체는 제품이 들어있는 병과 같은 색상의 액체 제품을 검사해야

할 가능성이 있습니다. 컬러 이미지를 사용하지 않고 검사 액체가 용기에 섞여서 흘러 나온 것을 인식하지 못할 수

 있습니다.

 

5. 냉동피자

냉동 피자 품종을 컨베이어에서 검사할 때 흑백 이미지로 안히 올바른 토핑이 추가되었는지, 특히 원하지 않는 토

핑이 실수로 잘못된 피자에 추가되었는지 확인하기가 어렵습니다. 컬리 이미징은 냉동 피자 검사관이 페퍼로니가

 실제로 페퍼로니이고 고추, 양파, 살라미 또는 기타 원치 않는 토핑이 아닌지 확인하는 데 필수적입니다.

 

 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 수있지만, 속도 및

효율성은 떨어집니다. 코그넥스 ViDi는 딥 러닝 기반 이미지 분석을 사용하여 트림의 완성된 모습을 학습합니다. 또한

누락된 밴드를 검사관 처럼 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 생성합니다. 코그넥스 ViDi는 이 모델을 사용하여 와이어

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

 

USB 커넥터 검사

 

 

 

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

필요하고, 일반적으로 OEM 제품이며 설치를 위해 확인하기 전에 모든 면을 검사해야 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 단ㄷ나히 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 외관 변화와 기능적 영향이 없는 변화를 모두

포함하는 이미지 데이터 세트를 학습하고 서로 구별하는 방법을 학습합니다. 훈련과정에서 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 한 많은 결함을 포착하는데 중요합니다.


에어백 검사

자동차 제조업체는 안전에 중요한 모든 구성품을 수시로 확인하여 품질을 보장하고 보증 비용과 리콜을 줄여야

하고, 이는 에어백의 경우에 특히 더 중요하며, 오작동으로 이어질 수 있는 구멍, 찢어짐과 이음매 및 박음질

문제를 검사해야 합니다. 이러한 유형의 품질 문제는 수동 검사 시 자주 누락되거나 감지하기 어려울 수 있습니다.

게다가 에어백의 복잡한 직물 표면 때문에 기존 머신 비전 시스템으로 프로그래망하기도 쉽기 않습니다. 모든
결함을 명확하게 찾기가 너무 복잡하고 많은 시간이 소요되는 만큼 코그넥스 ViDi제품은 '불량' 이미지에 대한

학습 없이 모든 이상 특징을 식별할 수 있는 간단한 솔루션을 제공합니다.

 

엔지니어는 비지도학습 모드의 ViDi 레드-분석 툴로 '정상'에어백 이미지만으로 소프트웨어를 학습하여 에어백의 참조 모델을

구성합니다. 모델은 직조 패턴, 직물 특성과 색상을 비롯한 에어백 직물의 정상적인 모습을 학습합니다. 모델의 정상적인

모습에서 벗어나는 모든 특징은 이상 특징으로 구별됩니다. 따라서 코그넥스 ViDi는 구멍, 찢어짐과 비정상적인 박음질

패턴 등의 모든 이상현상을 일관성 있게 안정적으로 감지할 수 있습니다. 직물의 결함 영역을 빠르게 식별하고 보고하는데,

이때 방대한 규모의 결함 라이브러리는 필요하지 않습니다.

 

용접 이음매 검사

 


코그넥스 ViDi는 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 이미지영역때문에 검사는 더욱 복잡해집니다. 발생할 수 있는

수많은 결함 및 조명 조건을 감안했을 때, 딥 러닝 기반 분석은 기존 머신 비전 검사와 비교하여 간단하고 강력한

대안을 제사합니다.

 

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

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

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

모든 이상현상이 결함으로 식별되고, ViDi 그린-분류 툴은 지도 학습 모드에서 학습된 모델에 따라 소프트웨어는

구체적인 결함에 대한 정보를 추출하고 중첩 이음매를 각각의 클래스로 분리합니다.

 

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. 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 가지 도구를 사용하여 Cognex Deep Learning을 교육하여 중요하지 않은 이상

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

잘되지 않는 이미지 작업에 최적화 되어 있습니다. 소프트웨어는 런타임 동안 심각한 스크래치가 있는 이미지를

결함으로 특성화하여 사소한 외관 결점을 인식하고 무시하는 방법을 배웠습니다. ​ 

 

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 손상될 수 있습니다. 휴대폰 어셈블리의 혼란스럽고 바쁜 배경으로 인해 배터리를 찾고

검사하기가 어렵고, 딥 러닝 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. 일단 배치되면 결함 감지

도구가 결함이 있는 배터리를 식별하고 거부합니다.  


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 이미질르 만들어 내고, 금속 표면 텍스처의 정상 범위 내의 변형은 제조 공정의

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

검사 시스템은 압축 링 표면의 정상 범위 내의 변형 및 사소한 이상의 요소는 용인하지만 동시에 긴 흠집은 빼놓지

않고 식별할 수 있어야 합니다.

 

코그넥스 ViDi 제품은 사소한 변형을 판단할 수 있는 인간의 능력에 자동 시스템의 안정성, 일관성과 속도를

결합한 효과적인 검사 솔루션을 제공합니다. 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 흠집이 발생한 '불량' 이미지, 그리고 정상 범위 내의 변동, 녹슨 자국과 사소한 균열 등의 허용 가능한 결함을 포함한

'정상' 이미지에 주석을 답니다. 학습 단계와 검증 기간 동안에는 학습된 모델이 긴 흠집이 있는 모든 이미지를

정확하게 감지하고 분류할 때까지 매개변수를 계속적으로 조정할 수 있습니다.


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 유형(세라믹 및 전기) 과 크기 및 색상이 다양합니다. 동일한 유형

내에서도 패턴에 혼란스러운 변형이 있을 수 있습니다. 원통형 모양과 조명은 훨씬 더 복잡해질 수 있습니다.

VisionPro ViDi는 단일 이미지 내에서 여러 분류를 자동화하는 딥 러닝 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. 이러한 방식으로 시각적으로 비슷하게 보이지만 색상과 표시로 서로 다른 전기

커패시터를 구별할 수 있습니다. 훈련 중에 개발 된 모델을 기반으로 Cognex Deep Learning은 런타임 동안 단일

이미지 내에서 커패시터를 정확하게 분류합니다.


​조립된 PCB 구성 요소의 OCR

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

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

문자를 성공적으로 디코딩하려면 광학문자 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 딥 러닝 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 읽고, 문자를 읽기가

매우 어려운 상황에서는 변형 된 문자를 사용하여 소프트웨어를 직접 재교육할 수 있습니다.