코그넥스 블로그

딥러닝이 자동차 산업 내 검사를 자동화하는 방법

deep learning for automotive inspections

자동차 제조업체는 기계화, 자동화, 머신비전이 제공하는 생산성 향상을 도입한 최초 산업 중 하나입니다. 현재 거의 모든 자동차 부품, 시스템 및 하부 조립은 머신비전 및 바코드 판독 기술을 이용해 생산되고 있습니다. 인공지능의 놀라운 발전 덕분에 다수의 자동차 및 부품 제조업체들이 지금까지 자동화하기에는 너무 복잡해 수동으로 남겨둔 프로세스를 딥러닝 기반 영상 분석 소프트웨어를 이용해 자동화하려 생각하고 있습니다.

이러한 애플리케이션에는 예측 불가능한 부품의 위치, 혼란스러운 배경에 대한 외관 검사, 머신비전 알고리즘으로 자동화할 수 없는 검사 분류 등이 포함됩니다. 딥러닝 소프트웨어를 이용해 이러한 애플리케이션의 분류를 자동화하면, 제조업체는 결함이나 잘못된 합불 판정을 최소화하여 생산성을 향상시킬 수 있습니다. 이 기술을 사용하여 얻을 수 있는 부수적인 이득으로는 전반적인 품질의 향상 및 잠재적 노동 최소화 등이 있습니다.

자동차 제조업체가 결함 검출, 광학 문자 인식(OCR), 조립 검사 및 분류 향상을 위해 공장에서 딥러닝 이미지 분석을 도입하는 방법에 대해 읽어보십시오.

결함 검출

자동차 제조업체는 약간의 결함만으로도 부품의 성능과 안전성이 훼손될 수 있기에 부품과 부수 조립품의 완전성을 보장해야만 합니다. 그러나 모든 외관상 결함이 성능상 문제를 야기하는 것은 아닙니다.

왕복 기관의 피스톤을 예로 들어보겠습니다. 피스톤 용접 솔기에 있는 긁힘은 그 성능에 부정적인 영향을 미칩니다. 그 외 녹슨 부분이나 피상적인 금과 균열은 단순히 외관상의 결함일 뿐 성능에 영향을 미치지는 않습니다. 결함에 있어 이런 차이는 미묘하게 나타나고(금은 균열과 비슷해 보일 수 있음), 이미지 자체의 문제로 인해 자동화된 검사 시스템으로는 평가하기 어려울 수 있습니다.

금속 용접 표면은 반사광이 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.

딥러닝 결함 검사

다행이도 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 때문에 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.

이와 반대로, 딥러닝 알고리즘은 샘플 이미지를 학습하여 용접 결함에 대한 자체 모델을 생성합니다. 이런 시스템은 초기 트레이닝 이후 흐릿하거나 초점이 어긋난 이미지와 어려운 배경까지 수용 가능하기에 사소한 차이도 인지하고 인식하며, 효율적으로 분류할 수 있게 됩니다. 또한 속도가 빠르다는 이점도 있습니다. 이런 프로그램은 소프트웨어 자체로 사용하거나 스마트 카메라에 내장하여 실행할 수 있으며, 일관된 결과를 빠르게 도출합니다. 딥러닝 시스템은 인간의 지능과 압도적인 일관성과 속도를 제공합니다.

딥러닝 기반 분석은 수많은 결함과 이상적이지 않은 조명에서도 기존 머신비전 검사 대비 간단하고 강력한 대안을 제공합니다. 딥러닝 기반 소프트웨어가 무관한 변수를 인지하고 무시하도록 트레이닝 받은 후엔 동력이 부족하거나 과도한 용접 이미지를 결함으로 특징지을 수 있습니다.

광학 문자 인식(OCR)

반사광, 반사 및 페인트 색상이 남아있는 환경에서 문자를 자동으로 판독하는 경우 검사 시스템이 교란될 수 있습니다. 일반적으로 OCR 및 광학 문자유효성 검사(OCV) 도구는 정확성을 확인하거나 문자를 판독하기 위해 문자를 인식하면서도 사용자가 시스템의 속도 및 판독율을 최적화할 수 있도록 지원합니다.

현재 유통되는 OCR/OCV 도구의 대부분은 깨끗하고 하얀 배경에 인쇄된 검정색 폰트를 빠르고 높은 신뢰성으로 판독할 수 있습니다. 하지만 대부분의 산업 환경에선 이러한 이상적인 조건을 갖추고 있지 않습니다. 고급 알고리즘이 활자와 배경 사이의 대비가 적고, 너비와 높이의 편차가 심한 문자를 학습하고 판독할 수 있기는 하지만, 글자나 숫자가 서로 붙어 있거나, 기울어졌거나 왜곡된 경우에는 여전히 문제가 발생합니다.

또한 형태가 비슷한 경우(예를 들어, 문자 O와 숫자 0), 도구가 해당 폰트에 대해 사전 교육을 받지 않았다면 구분이 어려울 수 있습니다. 반사광, 반사 및 페인트 색상이 남아 있을 때는 어떻게 될까요? 또는 인쇄된 알파벳과 숫자의 모양이 왜곡되어 즉각 인식할 수 없을 때는 어떻게 될까요? 이러한 경우 트레이닝 시 상당한 라벨링이 필요로 하며, 상당한 라벨링 및 트레이닝 후에도 실패할 가능성이 있습니다.

자동차 OCR을 위한 딥러닝

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 문자의 정확한 위치를 찾거나 인식하는데 방해요소가 됩니다. 자동차 제조업체는 어려운 문자 판독 뿐만 아니라 이미지 형성에 어려움을 겪을 때, 기존 머신비전 기반의 OCR 도구에서 레벨업 된 형태 인 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.

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.

자동차 배선 검사

크고 복잡한 조립의 경우, 검사 시스템은 특정 영역을 검사 관심 영역 또는 결함 포함 영역으로 구분할 수 있어야 합니다. 이런 요인으로 인해 규칙 기반의 프로그래밍이 복잡해지고 잦은 오류가 발생하게 됩니다. 딥러닝 기반의 결함 검출, 위치 추적 및 레이아웃 도구는 간단하게 대표 샘플 이미지 세트의 외관상의 변수를 학습하고 검사하는 방식으로 인공지능 기반 모델을 생성하여 이미지에서 대상화된 관심 영역을 식별합니다.

딥러닝 기반 시스템은 이러한 방법으로 자동차 문과 같은 부품의 참조 모델을 만들어 모든 부품이 존재하고, 정확하게 제 위치에 놓여 있으며, 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.

분류

이제 용접 결함 검출 사례로 돌아가 딥러닝이 가져다주는 이점을 자세히 확인해보도록 하겠습니다. 앞서 설명한 것과 같이, 불규칙한 용접이 반드시 성능에 영향을 미치는 것은 아닙니다. 자동화 검사 시스템은 결함 검출과 더불어 용접을 양품 (효과적, 괜찮음) 또는 불량 으로 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.

딥러닝 점화 플러그 검사

딥러닝은 검사 애플리케이션 엔지니어들이 복잡한 자동차 검사의 어려움을 해결하기 위해 사용하는 최신 도구일 뿐입니다. 한 때 인간으로만 검사 가능하다고 생각됐던 일이 딥러닝을 기반으로 한 비전 시스템으로도 가능하게 되었습니다.

세일즈 문의

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...