코그넥스 블로그

신경망이 생산 검사를 지원하는 방법

neural network banner

이메일 내 자동 텍스트 생성, 음성 인식, 의료 영상 분석, 흑백 사진 컬러화, 개인화된 온라인 광고, 전략 게임 플레이, 얼굴 인식 스마트폰 잠금 해제 등은 인공 지능이 우리의 일상 생활을 얼마나 편리하게, 좀 더 재미있게 바꿀 수 있는지에 대한 사례이기도 하며 많은 사람들이 인공 지능이 가져다 줄 영향에 대해 약간은 공포를 느끼기도 하면서 많은 논쟁 거리를 낳고 있습니다. 그리고 생산분야에서 공장 자동화를 위해 인공 지능이 복잡하고 어려운 검사 애플리케이션에 대해 추진하고 있는 새로운 접근 방식 역시 큰 차이가 없습니다. 

이 AI 기반 애플리케이션은 인공 신경망의 적용에 기초하는 딥러닝으로 작동됩니다.

인공 신경망은 1944년 University of Chicago에서 연구원으로 활동하다가 1952년 MIT로 자리를 옮기면서 최초의 인지 과학 학과로 언급되는 학과를 설립한 Warren McCullough와 Walter Pitts가 최초로 제안했습니다.

인공 신경망이란 무엇일까요? 

핵심적인 부분을 보면, 인공 신경망은 인간의 두뇌가 작동하는 방식을 모방하도록 설계된 컴퓨터 프로그램입니다. 인공 신경망 내 각 프로그램은 기본적인 연산만 수행할 수 있습니다. 하지만 수많은 노드들을 서로 연결함으로써 전체적인 연산 능력은 각 부분들의 단순합보다 더 증가합니다. 인공 신경망이 시스템 내 한 프로그램에서 다른 프로그램으로 입력 데이터를 전달할 때 인공 신경망은 스스로를 학습시키고 마치 인간이 정보를 학습하는 것처럼 해당 데이터를 이용해서 점점 더 똑똑해 집니다. 

인공 신경망은 컴퓨터가 특정 작업, 예를 들면 다양한 사진 속에서 특정 얼굴을 인지하거나 참고 강아지 사진들을 통해 어떤 것이 강아지인지, 아닌지를 판단하는 작업을 수행하는 방법을 배우는 방법이 되었습니다. 

“인공 신경망은 딥러닝을 가능하게 하는 요소입니다.” 코그넥스의 딥러닝 부문 제품 마케팅 매니저인 Bob Ochiai는 이렇게 말합니다. “인공 신경망과 딥러닝은 대부분의 설정에서 사람들을 위해 보다 효율적으로 우리가 작업할 수 있도록 지원하고 구체적이고 복잡한 애플리케이션을 해결할 수 있도록 보다 스마트한 애플리케이션 개발을 지원하는 도구일 뿐입니다.”  

인공 신경망 내 각 프로그램은 뉴런이라고 부르며 이 뉴런들은 무작위 개수로 지정된 다른 뉴런들과 연결됩니다. 뉴런들 사이에서 보다 강력하고 보다 효율적인 연결이 형성될 수록 인공 신경망은 보다 잘 작동합니다. 인공 신경망 내에서 뉴런들 사이의 연결을 형성하는 과정은 학습이라고 합니다.  

 딥러닝 인공 신경망

 데이터가 인공 신경망의 각 레이어를 통과하면서 시스템은 풀어야 할 특정한 작업에 대해 보다 정확한 출력을 학습하고 정제합니다. 예를 들어 공장 자동화 설정에서는 인공 신경망을 이용해서 복잡한 결함 감지를 수행하거나 규칙 기반 프로그래밍을 작성하기에는 너무 숫자가 많은 다른 제품의 불규칙성을 파악할 수 있습니다.

 시스템의 학습 방법은 세 가지가 있습니다:

  • 지도 학습: 이 학습 전략은 컴퓨터가 학습할, 레이블을 지정한 데이터 집합이 존재하며 알고리즘이 데이터 집합과 일치하는 원하는 결과를 얻을 때까지 수정되기 때문에 가장 간단합니다.
  • 비지도 학습: 이 전략은 학습할 레이블 적용 데이터가 존재하지 않는 경우 사용됩니다. 인공 신경망이 데이터 집합을 분석하면 비용 함수가 해당 인공 신경망이 목표에서 얼마나 멀리 떨어져 있는지 알려 줍니다. 그 후 인공 신경망은 알고리즘의 정확성을 개선하기 위해 조정을 수행합니다.
  • 강화 학습: 이 알고리즘에서 인공 신경망은 긍정적인 결과에 대해서는 강화되며 부정적인 결과에 대해서는 벌칙이 적용되어 시간의 경과에 따라 인공 신경망이 이에 따라 학습됩니다. 

생산 검사에 대한 인공 신경망의 영향

자동차 부품 회사가 자사에서 생산하는 범퍼에서 긁힘을 확인하려고 한다고 가정해 봅시다. 그런데 범퍼 위에 잠재적으로 긁힘이 생길 위치를 파악할 수 있는 방법은 존재하지 않습니다. 긁힘을 찾아서 식별하는 작업은 긁힘이 깊을 수도 있고 얕을 수도 있고 길 수도, 짧을 수도 있으며 표면 위의 어느 곳이라도 발생할 수 있기 때문에 머신 비전 애플리케이션으로는 효율적으로 프로그래밍할 수 없습니다.  

물론, 이러한 가변적인 특성이 복잡해지는 문제를 해결하기 위해 좋은 범퍼는 어떻게 생겼는지 파악하도록 애플리케이션을 학습시키고 이러한 매개변수 범위에 벗어나는 범퍼는 불량으로 표시하는 기능은 있었습니다.  

“인공 신경망으로 구현되는 딥러닝 이미지 분석은 기업들이 정말 복잡하거나 기존의 머신 비전으로는 어려운 검사를 보다 쉽게 자동화할 수 있도록 합니다.” Ochiai는 이렇게 말했습니다. “여전히 사람들이 대부분 수행하는 어셈블리 검사를 생각해 봅시다. 자동화 전략에서 생산업체들이 이 기술의 도움을 받을 수 있는 또다른 분야는 결함 감지 분야입니다” 

인공 신경망의 유용성은 강력한 패턴 인식 능력에 기인합니다. 하지만 Ochiai가 언급했듯이 인공 신경망은 모델을 성공적으로 학습시키기 위해서는 고품질의 레이블 적용 학습 데이터가 필요합니다. 더욱 더 어려운 점은 이 기술이 아주 많은 레퍼런스 이미지 데이터를 필요로 한다는 사실입니다. 

인공 신경망과 딥러닝이 복잡한 생산 검사 난제를 해결하는 방법에 대해 자세한 정보가 필요하다면 딥러닝 vs 머신비전 가이드를 다운로드 받아서 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