코그넥스 블로그

딥러닝이 기존 머신 비전과 다른 점

cognex deep learning banner

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.

그러나 이 시스템은 공장 자동화 환경 내에서 애플리케이션 측면에서 매우 유연성이 없고 협소합니다. 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.

규칙 기반 머신 비전 시스템은 생산 라인에서, 1분당 수백 개 또는 수천 개의 부품을 검사할 수 있습니다. 그러나 이러한 시각적 데이터의 출력은 여전히 검사 문제 해결을 위해 프로그램에 의존하는 규칙 기반 접근 방식이며 따라서 머신 비전은 다음과 같은 작업에 적합합니다:

  • 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.

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.

실제로 기업들은 전자 기기 화면에서 긁힘, 파편, 기타 결함을 검사하려고 할 수도 있을 것입니다. 이러한 결함은 화면별로 다양한 배경 위에서 크기, 범위, 위치가 모두 다릅니다. 딥러닝을 이용하면 예상되는 변동까지 고려하면서 좋은 부품과 불량 부품의 차이를 판단할 수 있습니다. 또한 다른 종류의 화면과 같은 새로운 대상에 대해서도 새로운 레퍼런스 이미지들만 확보하면 되기 때문에 신경망을 쉽게 학습시킬 수 있습니다.

딥러닝 휴대전화 

이러한 특징으로 인해 딥러닝은 특히 다음 상황에 적합합니다:

  • 룰 기반 알고리즘으로 프로그래밍하기에는 너무 어려운 시각적 애플리케이션 문제 해결
  • 혼란을 초래하는 배경 및 형태가 가변적인 부품 처리
  • 애플리케이션 유지관리 및 작업 현장에서 재학습
  • 핵심 신경망에 대한 재프로그래밍 없이 새로운 사례에 적응

딥러닝은 최종 어셈블리 검사 등과 같이 일반적으로 검사를 수작업으로 수행하는 애플리케이션에 이미 사용되고 있습니다. 한 때 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.

인간은 서로 다르지만 비슷한 물체의 범주화 작업을 잘 수행합니다. 우리는 특정한 물체들 사이에서 서로 다른 부분을 몇 초 내에 이해할 수 있습니다. 이러한 측면에서 딥러닝 툴은 인간이 진화를 통해 발전시켜온 지능의 장점과 일관적이고 반복 가능하며 확장성이 뛰어난 기존의 규칙 기반 머신 비전의 장점을 결합합니다.

공장 자동화를 위한 여정을 시작한 모든 회사들은 이러한 차이점을 이해하는 것이 중요합니다. 공장 자동화 애플리케이션에서 이러한 툴들 중 어느 하나를 활용하는 것이 좋을지 결정해야 할 때 이러한 차이점에 대한 이해가 필요할 것입니다.

기존 머신 비전 시스템은 일관성이 있는 잘 만든 부품에 대해서는 높은 신뢰성으로 작동하는 반면에 예외 사례를 프로그래밍하는 것이 어렵고 결함 라이브러리가 점점 커지는 문제가 발생합니다. 다시 말해 공장 자동화에 필요한 일부 애플리케이션은 규칙 기반 머신 비전에 의존하면 특정 지점부터는 가장 좋은 결과를 얻을 수 없게 됩니다.

복잡한 표면 질감과 부품 외형의 변동으로 인해서 심각한 검사 난제가 초래됩니다. 규칙 기반 머신 비전 시스템은 시각적으로 매우 유사한 부품들 사이의 가변성과 편차를 평가하기가 어렵습니다. 부품의 사용성에 영향을 주는 기능적인 결함은 거의 대부분 불합격으로 처리되지만 미관상의 결함은 생산업체의 필요와 선호도에 따라 불합격 처리되지 않을 수도 있습니다. 가장 문제가 큰 부분은 이러한 결함은 기존의 머신 비전 시스템이 구분하기 어렵다는 사실입니다.

결함 검사 등과 같은 특정한 기존 머신 비전 검사는 조명, 색상 변화, 곡률, 시야각 등 컴퓨터가 분리하기 어려운 여러 변수들 때문에 특히 프로그램하기 어려운 분야로 악명이 높습니다.

이러한 측면은 그 자체로서는 문제라고 볼 수 없지만 기업들이 더 적합한 툴을 이용할 수 있는데도 머신 비전으로 애플리케이션을 해결하려고 시도할 때 문제가 됩니다. 기존 머신 비전 시스템은 일관성이 있는 잘 만든 부품에 대해서는 높은 신뢰성으로 작동하는 반면에 예외 사례를 프로그래밍하는 것이 어렵고 결함 라이브러리가 점점 커지는 문제가 발생합니다. 다시 말해 공장 자동화에 필요한 일부 애플리케이션은 규칙 기반 머신 비전에 의존하면 특정 지점부터는 가장 좋은 결과를 얻을 수 없게 됩니다.

딥러닝 도표

공장 자동화를 위한 여정을 시작한 모든 회사들은 이러한 차이점을 이해하는 것이 중요합니다. 공장 자동화 애플리케이션에서 이러한 툴들 중 어느 하나를 활용하는 것이 좋을지 결정해야 할 때 이러한 차이점에 대한 이해가 필요할 것입니다.

이미 많은 사람들이 알고 있듯이 딥러닝은 공장 자동화를 새로운 차원으로 전환시키고 있지만 작업자 입장에서는 딥러닝 역시 작업을 완료하기 위해 적용할 수 있는 또다른 수단에 불과합니다. 기존의 규칙 기반 머신 비전은 특정한 작업 유형에 적합한 효율적인 툴입니다. 그리고 사람이 인지하는 수준의 시각적 이해와 컴퓨터의 속도와 신뢰성이 모두 필요한 복잡한 상황에 대해서는 딥러닝이 진정한 혁신을 제공하는 선택이 될 것입니다.

생산 활동에서의 딥러닝 기술에 대한 보다 자세한 내용을 무료 전자책, 딥러닝 vs 머신 비전을 통해 확인하십시오.

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