코그넥스 블로그

딥러닝 분류 툴의 작동 방식

classification deep learning inspections

제품 라인을 따라 사용하기 위해 여러 개의 항목을 식별해 분류해야 할 경우, 복잡한 조립 검증에서 부품과 구성품을 분류가 유용합니다. 또한 분류는 인라인 공정 제어와 지속적인 공정 개선을 위해 필수적이며, 문제로 굳어지기 전에 실수를 잡아내기 위해 필요한 데이터를 제공합니다.

머신비전의 엄청난 진보에도 불구하고, 형상, 크기, 위치가 각기 다른 물체 또는 구성품을 감지하는 일은 전통적으로 사람의 눈과 같은 융통성이 필요합니다. 가장 강력한 컴퓨터 구동식 검사 시스템의 경우에도 혼란스럽고 패턴이 많은 배경과 쉽게 혼동될 수 있고 반사성 글레어와 같은 이미지 품질 문제가 발생할 수 있습니다.

이러한 조건 때문에 비전 알고리즘이 믿을 수 있는 정확도로 물체 또는 관심 영역을 찾기가 매우 어렵습니다. 전혀 불가능하진 않지만 자동화 시스템이 관심 영역을 성공적으로 식별하기 위해 관련 없는 피처를 무시하는 작업이 오랜 시간이 걸리고 어려울 수 있습니다.

이러한 상황에서 복잡한 특징과 물체를 찾기 위해 자동화된 정밀도가 필요할 경우, 프로그래밍에 의존하는 것보다 딥러닝 기반의 툴을 이용해 이미지 예시를 학습하는 것이 유용할 수 있습니다. 이러한 셀프 학습 알고리즘을 이용하면 새로운 기능으로 위치를 찾아 부품을 색상, 질감, 재질, 포장 또는 결함 유형에 따라 분류할 수 있습니다.

딥러닝 기반 분류 툴로 여러 산업을 어떻게 도울 수 있는지 살펴보겠습니다.

자동차 산업을 위한 딥러닝 분류

많은 자동차 분야에서는 바코드 판독과 광학 문자 인식(OCR) 기술로 바코드와 일련 번호를 해독합니다. 하지만 코드 판독 또는 영숫자 문자를 지원하지 않는 환경에서는 제조업체가 시각적 식별에 의존해야 합니다. 이는 예측할 수 없는 위치에 있거나 시각적 변화 및 편차로 인해 식별 문제를 초래할 수 있으며, 부품 개수를 산정하고 제조사에 따라 분류 또는 구분이 필요할 때는 추가로 복잡성이 더해집니다.

분류 자동차 산업

자동차 제조사에서 부품 제조업체로부터 스파크 플러그 배송을 받는 상황을 생각해 봅시다. 이러한 플러그는 여러 자동차 모델에 맞게 디자인되므로 색상과 마킹이 다양합니다. 사전 조립을 위해 서로 다른 색상으로 지정된 트레이에서 생산 라인에 도착하면 자동화 검사 시스템이 해당 부품을 식별, 카운트, 분류해서 해당 데이터를 로봇 조립 단계로 전달해야 합니다. 이를 위해서는 자동화 시스템이 서로 다른 색의 스파크 플러그를 구분할 수 있어야 하며, 중요한 조립 정보를 로봇에 제공하되 트레이의 배경색을 무시하게 되므로 작업의 방해를 가져옵니다.

이처럼 까다로운 분류 문제 때문에 개별 마킹으로 인한 혼동 없이 형태와 치수를 토대로 스파크 플러그의 일반적인 모양을 일반화하여 색상에 따라 분류할 수 있는 딥러닝 기반 툴이 요구됩니다. 이를 위해서 코그넥스 딥러닝과 같은 딥러닝 기반 이미지 분석 툴은 라벨 처리된 트레이닝 이미지를 사용해 스파크 플러그의 모양을 일반화하여 트레이 상에 있는 집합 수를 산정합니다. 그런 다음 색상에 따라 분류하고, 조립을 위해 이 데이터를 로봇으로 전달할 수 있습니다.

전자 부품 산업을 위한 딥러닝 분류

지극히 엄격한 한도 하에 운영되는 전자 하드웨어 제조업체의 경우, 생산 공정 초기에서 구성품의 모든 표면 결함을 꼼꼼하게 검사하여 분류할 수 있어야 합니다. 이들 구성품의 금속 표면에서는 반사성 글레어가 나타나 외관상으로 카메라에 부품의 모양을 변화시키기 때문에 검사 시스템에 혼동을 줄 수 있습니다.

분류 전자 부품 산업

타격, 긁힘, 얼룩과 같이 조립 중 구성품에 발생하는 일반적인 결함은 거칠고, 질감이 있거나, 반사성 표면으로 인해 생산의 조기 단계에서 발견하기가 종종 어렵습니다. 뿐만 아니라 이러한 결함은 특정 조명 조건에서만 눈에 보이므로 균일하지 않은 조명을 가해 국소적인 대비의 변화를 줄 때 분명해지는 경우가 있습니다.

동시에 정상적인 변형과 자연적으로 발생하지만 재질의 표면에서는 대수롭지 않은 변칙음 검사 시스템이 허용할 수 있어야 합니다. 전자 부품 제조업체는 딥러닝 기반 툴을 채택하여 표준 및 비특수 조명을 사용해 어떤 방향에서든 전형적인 결함을 감지하고, 반사성 글레어와 사소한 변칙은 허용하면서, 일반적인 틍성에 따라 결함을 분류하고 구분할 수 있습니다.

한 가지 공통적인 분야로는 품질 관리를 위한 표면 결함 분류가 포함됩니다. 딥러닝은 일반적인 특성에 따라 각각의 결함 유형을 자체 등급 또는 유형으로 분류할 수 있습니다. 예를 들어, 한 모델은 금속 표면에 일반적으로 나타나는 형태에 따라 타격 을 얼룩, 흠, 긁힘 과 구분하여 분류할 수 있습니다. 심지어는 각각의 타격이 서로 약간씩 다르기 때문에 제조업체는 딥러닝을 이용해 타격의 공통 특성을 개념화하고 일반화해서 올바로 식별할 수 있어야 합니다.

이를 위해서 딥러닝 기반 검사 시스템에는 구성품의 금속 표면에 관한 상황별 정보가 통합되어 있어 표면 결함의 형상, 크기, 질감에 대해 믿을 수 있는 모델을 형성할 수 있습니다. 결과적으로 타격과 긁힘과 같은 결함은 정상적인 표면 질감과는 차이가 나는 텍스처 영역으로 나타나므로 변칙 또는 실패 또는 불량 이미지로 플래그가 지정됩니다. 여기에서부터 공통 특성을 가진 모든 불량 이미지가 타격, 얼룩, 흠, 긁힘과 같은 일반적인 측면에 따라 분류됩니다.

특정 결함 유형이 기능상의 손상을 초래하지 않고 제조업체에서 허용되는 것으로 간주될 경우, 시스템이 해당 등급을 허용하도록 결정하고 다음 생산 단계로 통과시킬 수 있습니다.

포장 산업을 위한 딥러닝 분류

바코드를 사용하지 않고 모양을 토대로 한 포장 식별은 도전적인 작업입니다. 이러한 경우, 검사 시스템이 제품 또는 묵음 모양의 일반적이고 예상되는 변화 뿐 아니라 균일하지 않은 조명으로 인한 국소적인 대비의 변화로 포장물의 모양이 바뀌는 방식까지 꼼꼼하게 확인할 수 있어야 합니다.

분류 소비재 포장 산업

같은 팩이 해당 캐디에 서로 다르게 준비될 수 있는 멀티팩 식음료 및 소비재의 경우, 검사 시스템이 알아채기 어려운 포장의 차이를 즉시 인식할 수 있어야 합니다. 하지만 특정 조명에서는 감지하기가 어려워 결과적으로 두 개의 별도 포장물 등급이 나타나게 됩니다.

예를 들어, 동일한 바코드 라벨이 붙은 똑같은 화장지 롤 4개가 들어 있는 화장지 두 팩은 캐디에 서로 다르게 포개질 수 있습니다. 몇몇 4개 팩이 따로따로 포개지거나, 또 어떤 경우는 배송을 위해 다른 팩과 합포장될 수도 있습니다. 머신비전 검사 시스템이 이 미묘한 차이를 포착하기 위해서는 방대한 선택 기준을 사용한 프로그래밍이 필요하며 감지 알고리즘을 세심히 조정 및 최적화해야 합니다.

딥러닝 기반 이미지 분석은 대신, 사람과 같은 접근방식을 따라 두 포장물 등급 간을 구분합니다. 팩의 두 등급 모두에 대한 라벨 이미지를 기준으로, 시스템이 추가 포장이 구분 기준임을 인식할 수 있고 그에 다라 포장물을 분류할 수 있습니다.

생명 과학 산업을 위한 딥러닝 분류

암세포는 변수가 존재하고 예측할 수 없는 형태를 갖습니다. 사실, 단일 암세포 유형의 여러 크기와 형태는 공통적인 특성을 공유하는 것보다 차이가 더 많습니다. 병리학자가 유방암 세포를 만들어내는 것이 무엇인지를 정확히 지적하기란 사실상 거의 불가능합니다. 백문이 불여일견 이라는 속담은 좌절스러울 정도로 세포 병리학에 잘 들어 맞는 말입니다.

분류 생명 과학 산업

딥러닝 기반의 결함 감지 툴은 셀 수 없이 무수히 많고 다양한 암세포 형태를 학습하여 이 문제를 극복하였으며, 건강한 세포의 자연스럽고 정상적인 변이를 감안하면서 변칙으로 나타나는 모든 세포를 정확히 지적할 수 있습니다. 하지만 세포의 분화 정도를 평가할 때 딥러닝 기반 툴은 특정 형태학에 따라 모든 변칙 이미지를 분류할 수 있습니다. 이것은 본질적인 프로그래밍 제한을 가진 머신비전이 처리할 수 없는 작업입니다.

예를 들어, 전립선 암세포는 1-5 등급에서 글리슨(Gleason) 패턴 또는 선상 구조 정도에 따라 등급이 지정됩니다. 1 점은 고르고 균일함을, 5 점은 불규칙하고 다른 것과 구분됨을 나타냅니다. 딥러닝 기반 툴은 선상 차이에 따라 1-5 등급의 세포 조직이 어떤 모양인지를 보여주는 모델을 통합하여 검사를 자동화하는 데 도움을 주며, 그러한 모양을 기준으로 분류 툴이 모든 검체를 분류할 수 있습니다. 코그넥스 딥러닝과 같은 툴은 단일 이미지 내에서 여러 관심 영역에 초점을 맞춰 한 장면에 여러 개의 영역이 포함되는 경우라도 이 기능을 수행할 수 있습니다.

분류 측면에서, 등급 은 각 산업에 따라 고유한 결함 유형, 크기, 형태, 색상, 여러 형태학에 따라 차이가 날 수 있습니다. 딥러닝 기반 산업용 이미지 분석 소프트웨어는 제조업체의 자동화 검사에 힘을 실어줄 뿐 아니라 이전에는 불가능했던 분류, 정렬, 등급 지정 작업을 프로그래밍 없이 가능하게 해줍니다. 동일 등급 내에서 차이를 용인하면서 시각적으로는 유사하지만 다른 제품 간을 구분하고, 허용가능한 변이와 실제 결함 간을 구분하는 검사의 자동화가 마침내 실현됩니다.

코그넥스 딥러닝과 같은 딥러닝 기반 솔루션은 기존의 머신비전의 기능을 확장하여 시각적 특성에 따라 부품을 분류하고 정렬할 뿐 아니라 조립 속도를 높이고 품질과 처리량에 영향을 주기 전에 생산 오류를 잡아낼 수 있게 해줍니다.

추가 게시물 -

제품 지원 및 교육 신청

MyCognex 가입

질문이 있으십니까?

전 세계 어디에서든 코그넥스 담당자들이 여러분의 비전과 산업용 바코드 판독 관련 문제를 지원합니다.

연락처
Loading...