딥러닝 기반 OCR을 사용하여 어떤 조건에서든 복잡하고 까다로운 코드를 판독

Deep learning ocr tool

사전 트레이닝된 광학 문자 인식(OCR) 및 검증(OCV) 툴로 절약할 수 있는 시간을 상상해 보십시오. 고생스러운 트레이닝과 교육을 없앰으로써 이 툴은 효과적인 기능을 수행합니다. 반사성 글레어, 불량 에칭, 그 밖의 결함 원인으로 인해 인식할 수 없는 글꼴이 나타난 경우, 공장에서 바로 문제가 있는 잘못 판독된 문자에 대해서만 툴을 다시 트레이닝할 수 있습니다. 이것이 바로 딥러닝 기반 OCR 및 OCV 툴이 약속하는 기능으로, 사전 트레이닝된 전체 글꼴 라이브러리가 포함되어 있고 응용 분야에 따라 필요한 글꼴에 때해서만 트레이닝하면 됩니다.

밝거나 어두운 배경에서 일관되고 손쉽게 판독 가능한 글꼴 세트는 기존의 머신비전으로도 충분히 해결할 수 있습니다. 하지만 제조업체가 혼란스러운 배경과 이미징 문제로 인해 머신비전 시스템으로 작업을 처리할 수 없고 분야별 글꼴의 수와 유형을 예측할 수 없을 때에는 새로운 유형의 전용 OCR 솔루션이 필요합니다. 심하게 변형되고, 비뚤어지고, 잘못 에칭된 코드는 일반적으로 문제를 일으키는 원인이 됩니다. 그 밖에 다루기 힘든 코드로는 혼란스러운 배경에 프린트, 에칭, 니들 마킹 또는 양각 처리된 저대비 문자나 코드가 포함됩니다.

딥러닝 기반 소프트웨어가 어떻게 이처럼 복잡한 OCR/OCV 검사 분야에 대해 매우 간편하고, 정확한 대안을 제시하는지 살펴보겠습니다.

딥러닝 OCR 가이드

자동차 산업을 위한 딥러닝 OCR

자동차 제조사를 비롯하여 부품 공급업체는 일련 번호를 사용해 공급망에서 고가치 부품을 추적하며, 정확한 조립과 일치하는지를 확인합니다. 많은 부품에는 10자릿수의 니들 마킹 일련 번호가 포함되므로, 테스트 중 오류가 발생하면 그 원인을 추적할 수 있습니다.

엔진 블록의 OCR

제품 리콜이 발생한 경우, 영향을 받는 부품을 시장에서 신속히 철회할 수 있습니다. 전형적인 가독성 문제 이외에, 캐스팅 또는 샌딩 공정 중 일련 번호의 일부가 마모될 수 있습니다. 예를 들어, 눈부신 금속 표면이 때때로 자동화 검사 시스템의 카메라에 혼동을 줄 수 있습니다. 니들 마킹 일련 번호가 극도로 변형되고 알아볼 수 없게 되면 OCR 및 OV 공정 속도가 느려지고 효과적인 이력 추적이 저해됩니다.

딥러닝 기반 OCR/OCV 툴은 사전 트레이닝된 전체 글꼴 라이브러리를 이용하기 때문에 가장 판독하기 어려운 코드라도 즉시 식별할 수 있으므로 이러한 문제를 손쉽게 해결합니다. 코그넥스 딥러닝은 분야에 따른 조정만 수행하면 됩니다. 즉, 각 코드의 개별 문자나 숫자를 식별하기 위해 알고리즘을 트레이닝하는 대신, 비전 전문가가 아닌 트레이닝 엔지니어가 관심 영역(보통 잘못 판독된 문자가 있는 영역)을 정의하고 문자 크기를 설정한 후 이미지에 라벨을 부착하기만 하면 됩니다. 공장에서 바로 잘못 판독된 문자나 분야별 글꼴을 쉽게 다시 트레이닝할 수 있습니다.

전자 부품 산업을 위한 딥러닝 OCR

집적회로(IC) 패키지 및 리드 프레임과 같은 전자 부품에 레이저 에칭된 코드는 모든 전자제품 하드웨어 제조업체에게 있어 필수적인 기능에 해당합니다. 이러한 바코드와 일련 번호에는 부품의 제조 시기와 위치, 로트 번호, 검사 데이터에 관한 정보가 포함됩니다. 또한 구성품이 칩에 장착되어 모듈에 조립될 때 필수 정보인 납땜 온도와 플럭스 밀도에 관한 정보가 인코딩될 수도 있습니다.

회로판의 OCR.

이들 코드는 하드웨어가 올바로 조립되고 정확한 구성품이 포함되었는지를 보장하기 위해 최종 조립과 기기 테스트가 완료되는 순간까지 매 단계에서 판독됩니다. PCB 보드에서 대부분 반도체의 작은 크기와 공간 제약을 고려할 때, 제조업체의 식별 시스템은 전속력으로 가동되는 생산을 맞추고 고가치 구성품의 이력 추적을 위해서는 내구성이 상당히 튼튼해야 합니다. 이 점은 완성 장비 제조사에게도 마찬가지입니다. 즉, 1.1 mm x 1.4 mm만큼 작은 슬라이더 헤드의 측면에 레이저로 새겨진 코드를 판독해야 합니다. 예상대로, 레이저 마킹 코드는 생산 중 손상되어 판독하기 어려워질 수 있습니다.

이러한 상황에서 딥러닝 기반 OCR/OCV 기술은 획기적인 솔루션을 선사합니다. 변형되거나 비뚤어진 문자도 인식하는 사전 트레이닝된 전체 글꼴 라이브러리 덕분에 오랜 시간이 걸리는 트레이닝이 전혀 필요하지 않습니다. 엔지니어는 분야에 따른 조정을 신속히 수행하고 잘못 판독된 코드만 다시 트레이닝하면 됩니다. 판독 불가 상황이 줄어들고 기계 가동 시간을 최대한으로 올릴 수 있기 때문에 생산성 이점도 즉각 얻을 수 있습니다.

포장 산업을 위한 딥러닝 OCR

제조업체는 정보를 인식하고 검증해 포장된 각 물품이 공급망의 흐름을 올바로 따라고 있음을 보장하기 위한 믿을 수 있는 시스템을 갖추고 있어야 합니다. 전체 포장물의 이력 추적을 보장하기 위한 노력에서, 식음료 및 소비재 제조업체들은 간혹 까다로운 코드 문제에 직면합니다.

 알루미늄 캔의 OCR

유력한 원인은 라벨 기반 포장 코드에 인쇄된 저대비 문자 또는 용기 뚜껑처럼 사출성형 부품에서 변형되고 올록볼록한 문자 때문입니다. 이들 코드는 멀티팩 포장을 확인하는 데 사용될 수 있는데, 내용물, 원산지, 제조일에 관한 정보가 들어 있는 날짜/로트 코드를 포함할 가능성이 더 많습니다. 이러한 경우 제조업체는 OCR/OCV 장비를 이용해 영향을 받는 제품을 빠르게 찾아 생산 또는 선반에서 제거할 수 있습니다. 기존의 OCR/OCV 기술은 다양한 글꼴을 학습하기 위해 사전 트레이닝이 필요하며, 심지어는 대비가 낮은 문자를 해독하기가 까다로울 수 있습니다.

딥러닝 기반 OCR/OCV 기술은 이 같은 제한이 없고, 대부분의 저대비 문자와 숫자를 자동으로 판독할 수 있습니다. 제조업체들이 딥러닝 기반 기술을 채택하면 식품 안전 및 이력 추적에 관한 법률을 준수하고 생산에 미치는 영향을 최소화한 상태로 리콜 문제를 신속히 처리할 수 있습니다.

생명 과학 산업을 위한 딥러닝 OCR

효과적인 OCR 및 OCV는 종추적 관련 법률의 규제가 매우 엄격한 생명 과학 분야에서 필수적입니다. 규제 준수를 위해 제조업체와 병원은 매번 취급하고 사용할 때마다 의료 장비, 수술 기구, 환자의 병원 ID 팔찌에 있는 코드를 스캔해야 합니다. 이를 통해 안전 사고가 발생했을 때 공급망 전체에서 장비와 약품을 엄격히 관리할 수 있습니다.

생명 과학을 위한 딥러닝 OCR

장비의 수가 많고, 너무나 많은 사람들이 제품을 사용하기 때문에 코드가 변형되고 왜곡될 수 있습니다. 이미징 품질 또한 수준 이하로 떨어져 카메라에 비춰지는 코드 모양이 바뀔 수 있습니다. 발생할 수 있는 글꼴 모음을 인식하도록 머신비전 시스템을 트레이닝하는 데 시간을 투자하는 대신, 생명 과학 산업은 이를 위해 딥러닝 기반 이미지 분석 소프트웨어로 눈을 돌리고 있습니다.

딥러닝 기반 OCR 툴은 판독하기 까다로운 기질에 인쇄된 코드, 금속 부품의 니들 마킹 코드처럼 변형하기 쉬운 코드, 사출성형 제품에 양각으로 새겨진 문자, 포장의 레이저 기반 코드, 전자 부품의 레이저 에칭 코드 등에 효과적이고 배포하기 쉬운 솔루션입니다. 코그넥스 딥러닝의 OCR/OCV 기술은 대부분의 영숫자 문자를 획기적으로 인식하며, 간단한 사전 트레이닝만으로 관심 영역 및 문자 크기를 설정할 수 있습니다. 이 시스템은 공장에서 바로 잘못 판독된 문자를 빠르게 다시 트레이닝할 수 있으므로 제조업체가 생산 속도를 늦출 필요가 없습니다.

딥러닝이 OCR 및 OCV와 같은 공장 자동화 애플리케이션을 어떻게 획기적으로 향상시키는지를 알아보려면 무료 백서, 공장 자동화를 위한 딥러닝을 다운로드하십시오.

추가 게시물 -

제품 지원 및 교육 신청

MyCognex 가입