주식회사 화인스텍

Euresys 프레임그래버를 활용한 이미지 고속 분류

1. Euresys의 어플리케이션 머신비전 솔루션 적용 사례 소개 식품 산업에 있어서 품종과 곡물 검사는 식품 안전성을 보장 및 품질 향상과 생산성 향상에 있어 중요한 역할을 합니다. 농산물 검사는 비전(시각적 정보 처리) 업계에서 특별한 어려움을 겪는 과제입니다. 천연 제품은 본질적으로 표준화되어 있지 않으며, 그 형태, 색상, 숙성도, 수분 등이 제품마다 서로 다르기 때문입니다. 이렇게 표준화하기 어려운 농산물을 비전 시스템을 통해 성공적으로 검사 및 분류를 진행하기 위해 머신 비전 업계는 오래전 부터 여러가지 시도를 통해 식품 생산 업계의 생산성 향상에 기여하고 있습니다. 특히 프레임그래버는 빠르게 이동하는 곡물을 카메라로 이미지를 취득하고, 그 데이터를 PC로 안정적이고 빠르게 전송하는 기능을 제공하기 때문에 상황에 맞는 적절한 사양의 프레임 그래버를 선정해야 하는 머신비전 시스템 중 하나입니다. 특히 고속을 지원하는 프레임그래버를 사용함으로써, 제조업체들은 농산물의 품질을 신속하게 분류하고, 이를 통해 생산 과정에서의 오류를 줄이며, 전반적인 생산 효율성을 향상시킬 수 있습니다. 이번 포스팅에서는 커피, 과일 열매, 견과류 등의 식품 색상 분류기를 전문적으로 생산하는 장비업체가 유레시스 프레임그래버를 장비에 적용하여 성공적으로 커피 열매 분류기를 개발한 사례를 소개해 드리겠습니다. 사례를 설명드리기 전에 프레임그래버에 대한 특징을 먼저 이해해 보겠습니다. 2. 프레임그래버란? 프레임그래버는 “프레임을(Frame)을 잡는다(Grab)”라는 뜻으로 이미지를 획득하기 위해 만들어진 장치입니다. 프레임그래버(Frame Grabber)는 디지털 이미지 처리 및 컴퓨터 비전 시스템에서 사용되는 장치로, 아날로그 또는 디지털카메라로부터 받은 비디오 신호를 컴퓨터가 이해할 수 있는 디지털 형식으로 변환하는 역할을 합니다. 이 장치는 이미지 캡처, 저장 및 처리를 가능케 하여 다양한 응용 분야에서 활용됩니다. 프레임그래버 구조와 역할 프레임그래버의 주요 역할과 특징은 다음과 같습니다: 1. 이미지 캡처 2. 디지털화 3. 저장 및 전송 4. 실시간 이미지 처리 프레임그래버는 아날로그 또는 디지털카메라로부터 입력된 비디오 신호를 디지털 이미지로 캡처합니다. 이는 정지된 이미지 또는 연속적인비디오 흐름일 수 있습니다. 프레임그래버는 아날로그 신호를 디지털 형식으로 변환하여 컴퓨터에서 처리할 수 있도록 합니다. 디지털화된 이미지는 컴퓨터 메모리에 저장됩니다. 디지털 이미지를 저장하거나 다른 시스템으로 전송하는 데 사용됩니다. 이를 통해 이미지 데이터를 장치 간에 공유하거나 나중에 분석 및 처리를 위해 저장할 수 있습니다. 프레임그래버는 이미지를 실시간으로 처리하는 데 사용될 수 있습니다. 이는 실시간 비전 시스템에서 물체 감지, 추적, 측정 등의 작업을 수행하는 데 적용될 수 있습니다. 프레임그래버는 제조, 의료, 자동차, 로봇, 보안 등 다양한 산업 분야에서 컴퓨터 비전 및 이미지 처리 응용에 활용합니다. 또한 프레임그래버는 인터페이스와 깊은 연관성을 가지고 있습니다. 인터페이스란 두 시스템, 장치 또는 프로그램 간에 상호 작용하거나 정보를 교환할 수 있도록 만든 경계 또는 연결점을 의미합니다. 인터페이스는 USB, Camera Link, Coaxpress, GigE 등 데이터 전송량과 케이블 길이에 따라 다양한 구성으로 나눠집니다. Camera Link 인터페이스는 고속 디지털카메라와 컴퓨터 또는 다른 이미지 처리 장치 간에 높은 대역폭의 데이터를 전송하기 위한 표준화된 디지털 인터페이스입니다. 높은 대역폭을 제공하여 이미지를 빠르게 전송하고, 데이터의 안정성을 보장합니다. 이번 챕터에서 솔루션으로 적용된 Camera Link 인터페이스는 고속 디지털 비디오 전송을 위한 표준 인터페이스로 주로 사용됩니다. 프레임그래버와 인터페이스 3. Euresys의 프레임 그래버를 통한 커피 열매의 고속 분류 | Euresys 프레임그래버 솔루션 과정 Xeltron 사의 건식 제품 분류기는 높은 정확도로 품질 기준이 까다로운 고객에게 높은 평가를 받아왔지만, 시간 당 처리량이 충분하지 않고 고객의 요구 사항을 충족시키기에는 무리가 있다는 문제에 직면하고 있었습니다. 식품 산업의 농산물 검사에서 농산물을 더 효율성 있게 분류하기 위해서는 빠르게 움직이는 농산물을 스캔할 수 있는 고해상도 카메라와, 고해상도 컬러 이미지를 빠르게 전달할 수 있는 인터페이스, 마지막으로 고속으로 실시간 이미지 처리할 수 있는 프레임그래이버의 역할이 중요하게 작용합니다. 이 회사는 더 많은 처리량과 효율성을 달성하기 위해 Euresys의 Grablink Duo 보드를 선택했습니다. 이 보드를 통해 커피 열매가 이동하는 통로의 양쪽에 설치된 두 대의 라인스캔 카메라가 콩이 일렬로 연속적으로 나아가는 방향에서 캡처한 이미지를 신속하게 전송하여, 곡물 분류 작업을 빠르고 정확하게 수행할 수 있었습니다. 유레시스 Grablink Duo는 하나의 전체 구성 또는 두 개의 기본 구성 Camera Link 카메라를 지원하며, 두 개의 Camera Link 포트를 내장하고 있습니다. 뿐만 아니라, PCIe Gen 2 x 4 버스를 통해 이 회사가 독자적으로 개발한 중앙 처리 장치를 활용하여 뛰어난 이미지 데이터 처리 성능을 제공하며, 높은 이미지 데이터 처리량을 확보했습니다. "최적화된 머신비전 시스템 설정 덕분에 이 회사는 해당 분류기의 성능을 시간당 4미터톤, 최대 16톤의 처리량에서 95~98%의 커피 열매 분류 정확도를 달성했습니다." 이 회사가 Euresys의 프레임그래버를 활용하여 불량 베리나 콩 및 이물질을 흐름에서 제거하는 모습을 아래서 확인할 수 있습니다. ACEPTADO - 통과 / RECHAZO- 미통과 | Euresys Grablink Duo 주요 기능과 사양 Euresys의 Grablink Duo 프레임그래버의 성능과 사양에 대해 살펴보겠습니다. Grablink Duo - Euresys Grablink Duo 프레임그래버의 주요 사양 - Euresys Grablink Duo의 주요 사양 | 두 개의 독립적인 Camera Link Base 구성 카메라 또는 한 개의 Camera Link Base, Medium, Full, 72비트 또는 80비트 카메라 · 현재 시판되는 수백 가지 Camera Link 카메라와 호환 · PoCL*, Power over Camera Link 지원 · ECCO*: Camera Link 케이블 길이 연장 · PCIe Gen 2 x4 버스* · 다기능 디지털 IO(Input/Output) 라인 20개 · eGrabber 드라이버 및 Memento 이벤트 로깅 도구와 호환 * ECCO: Camera Link 케이블 길이를 연장하는 데 사용되는 장비로, Camera Link 표준에서 사용되는 디지털 영상 인터페이스의 신호를 증폭하고 전송 거리를 연장하는 역할 * PoCL: 이는 카메라와 카메라를 제어하기 위한 인터페이스인 Camera Link 케이블을 통해 전원을 제공하는 기술 *PCIe Gen 2 x 4 버스는 컴퓨터와 이미지 취득 보드 간의 데이터 통신을 담당하는 인터페이스입니다. 여기서 "Gen 2"는 PCI Express의 두 번째 세대를 나타내며, "x 4"는 4개의 데이터 전송 레인을 의미합니다. * Memento 이벤트 로그 툴: Euresys에서 제공하는 소프트웨어로 사용자 애플리케이션과 관련된 사건(순간,활동)들을 기록하는 이벤트(사건) 기록 도구 - Euresys Grablink Duo 기술 특징 - 1. Grablink Duo는 두 개의 Camera Link 포트를 탑재한 이미지 취득 보드 Grablink Duo는 두 개의 Camera Link 포트를 탑재한 이미지 취득 보드입니다. 이 두 포트는 각각 한 개에서 두 개까지의 기본 구성 Camera Link 카메라를 지원합니다. 즉, 한 장치에서 하나에서 두개의 Camera Link 카메라를 사용하는 경우를 의미합니다. 두 대의 카메라를 사용하면 이미지를 취득하고 처리하는 것에 여러 가지 장점을 줍니다. 두 대의 카메라가 서로 다른 영역을 촬영하므로, 전체적으로 더 넓은 영역의 이미지를 취득할 수 있습니다. 또한 각 카메라가 독립적으로 작동하므로, 각 카메라가 고해상도 이미지를 촬영할하여 두 이미지를 합치면 전체적으로 고해상도의 이미지를 얻을 수 있습니다. 마지막으로 두 대의 카메라를 사용하면 두 시각에서의 관찰이 가능하기 때문에 이는 3D 이미지 생성 또는 물체의 위치 및 궤적 분석과 같은 응용에서 중요할 수 있습니다. 2. eGrabber 드라이버 및 Memento 이벤트 로깅 도구와 호환 eGrabber (좌)Driver (우)Memento eGrabber는 이미지 취득 소프트웨어로 eGrabber Driver와 eGrabber Memento는 eGrabber 소프트웨어의 라이브러리입니다. eGrabber Memento가 사용자의 애플리케이션 적용에 대한 사건들을 기록하는 도구라면 eGrabber Driver는 eGrabber 드라이버는 Coaxlink 및 Grablink Duo 프레임그래버에서 이미지 취득하기 위해 사용하기 쉬운 프로그래밍 인터페이스를 제공하는 클래스 라이브러리입니다. 이 기능을 통해 사용자들은 Coaxlink 및 Grablink Duo 프레임그래버에서 이미지를 보다 효과적으로 취득하고, eGrabber 드라이버를 활용하여 간편한 프로그래밍 인터페이스를 통해 손쉽게 이미지 처리 애플리케이션을 개발합니다. Grablink Duo 프레임그래버는 이 회사가 마주한 조건, 즉 콩이 일렬로 연속적으로 나아가는 방향에 양쪽에 라인 스캔 카메라를 두 개 설치하여 이미지를 더 빠르게 획득하고 처리하여 높은 정확도를 달성하는 데 적합한 솔루션이었습니다. 4. Conclusion | Collaboration key to success 회사 관계자는 Euresys의 프레임그래버를 도입하여 개발한 모델을 통해 대량 구매자의 품질 및 비용 요구 사항을 충족하고, 이를 통해 고객이 수확량을 극대화하는 데 기여할 수 있게 되었습니다. 그들은 Euresys의 프레임그래버를 도입한 뿐만 아니라 제품의 설치, 설정, 문제 해결 등에 대한 기술적인 도움을 포함하여 제품을 도입하고 사용하는 과정에서 Euresys로부터 제공되는 기술적인 지원 및 도움에 대해 만족하고 있다고 전했습니다. " 고객의 요구 사항을 충족하기 위한 프로젝트 성공의 키는 긴밀한 협업입니다. " Mordor Intelligence의 앞으로의 보고서에 따르면, 커피 시장은 2028년에 예상치로 158.89억 달러에 도달할 것으로 전망되며, 예상 연평균 성장률(CAGR)은 4.72%로 나타납니다. 이러한 성장은 주로 인증된 커피 제품에 대한 수요 증가에 기인하며, 주요 플레이어들인 유명한 커피 브랜드, 제조업체, 유통업체 등에 의해 주도될 것으로 예상됩니다. 이러한 변화 과정에서 Euresys의 제품을 선택한 이 회사의 더 빠르고 더 정확한 제품 분류기 개발은 더 많은 파트너와 연결할 수 있는 기회를 제공할 것입니다. 마찬가지로 Euresys의 Grablink 프레임그래버 역시 빠른 디지털카메라를 통해 안정적이고 신뢰할 수 있는 이미지를 포착하는 신뢰도 높은 산업용 솔루션으로 다양한 산업에서 협력의 손을 제공할 것입니다. Grablink 프레임그래버 적용가능한 어플리케이션 Grablink 프레임그래버 적용가능한 어플리케이션 1. 전자제품 제조 산업용 머신비전 AOI(자동 광학 검사) 기계, 3D SPI(솔더 페이스트 검사) 기계, 3D 리드/볼 검사/ 플랫 패널 디스플레이 검사 / 태양 전지 검사용 2. 일반 제조 산업용 머신비전 유리 검사 및 직물 검사용 라인 스캔 이미지 캡처 3. 인쇄 산업용 머신비전 패키지 또는 레이블 인쇄 성장하는 산업에서 시장을 주도하기 위한 핵심 전략 중 하나는 지속적인 혁신을 제시하는 것입니다. 목표 달성을 위한 다양한 방법 중 협력의 파트너십을 찾는 것은 특히 중요한 전략입니다. 화인스텍은 제조업체 및 다양한 산업에서 파트너로서 적용 가능한 솔루션을 언제든지 제공할 준비가 되어있습니다. Euresys의 Grablink 프레임그래버에 대한 자세한 사양은 화인스텍 홈페이지를 통해서 확인 바랍니다. 출처: Seleccionadora Para Café Cereza/Uva en Costa Rica

2024.01.15

화인스텍 2024 딥러닝 기반의 머신비전 융합 트렌드

1. 2024 머신비전과 딥러닝 규모와 시장 방향 최근 AI 기술이 발전함에 따라 제조업계에서의 머신비전도 새로운 솔루션의 전환이 시작되어 가고 있습니다. Bizwit Research & Consulting LLP의 보고서에 따르면 세계의 딥러닝 시장은 2022~2029년에는 33.5% 이상의 성장률을 보일 것이라고 전했습니다. 딥러닝은 인간의 두뇌를 이루는 생물학적 신경망을 모방해 만든 컴퓨팅 시스템으로 대량의 정보를 수집, 분석 및 해석하여 데이터를 처리하여 다양한 산업과 업무에서 정확성, 신뢰성, 비용 절감, 생산성 등의 향상에 기여합니다. 정교한 작업이 가능한 AI 딥러닝은 소매업, 의료, 자동차, 농업, 보안, 로봇, 항공우주, 제조산업에서 다양한 솔루션을 제공합니다. 제조 산업에서 AI 기술은 2022년에서 2023년까지의 연 평균 47.8%의 성장성을 지속하고 있습니다. (자료 제공=VMR) 위 이미지에서 시장조사기관 VMR(Verified Market Research)이 최근 발표한 ‘글로벌 빅 데이터 시장’ 연구 보고서에서 제공한 자료에서 보이는 것처럼 제조업계에서 딥러닝 도입으로 인한 자동화는 이제는 선택이 아니라 필수입니다. 따라서, 머신비전 업계에서도 검사 자동화에 있어서는 룰(rule) 기반에서 딥러닝 기반을 통한 솔루션으로 부각되면서 딥러닝 기반 시스템으로 빠르게 전환되어 가고 있습니다. 2. 룰 기반에서 딥 러닝(Deep Learning) 시스템의 새로운 전환 | 룰 기반(Rule Based Learning) 시스템 VS 딥 러닝(Deep Learning) 기반 시스템 딥 러닝(Deep Learning) 이전의 머신비전은 주로 ‘룰 베이스(Rule base)’ 기반으로, 양품과 불량품 데이터를 각각 대량으로 확보한 뒤 머신비전 카메라로 촬영한 제품 사진과 비교해 양품과 불량품을 검사했습니다. 그러나 룰 기반은 기존 DB 기준을 넘어서는 불량에 대해 제대로 인식하지 못하는 미검 상황이 다수 발생합니다. 룰 베이스는 DB 안에서 이뤄지는 시스템이라면 딥 러닝(Deep Learning) 기반의 시스템은 양품과 불량품의 특징에 관한 데이터를 다층적으로 학습하여 DB에 등록되지 않은 데이터라도 미리 추출한 특징으로 기반으로 하여 합리적으로 불량 여부를 판단할 수 있는 기능을 제공합니다. 동시에 추가로 수집된 데이터를 스스로 학습하여 정확성과 생산성을 스스로 향상시킵니다. 현재 머신비전 분야는 ML·DL 등을 포함한 기술과 빅데이터 및 5G 같은 다양한 ICT 기술이 접목되면서 검사 정확도를 높이고 있으며, 공정 효율 개선에도 실질적인 도움을 주고 있습니다. Business Research insight의 머신비전 시장의 딥 러닝 보고서에 따르면 2022부터 2028년까지의 머신 비전 딥 러닝 시장 규모는 연평균 54.4%의 성장률(CAGR)을 나타낼 것이라고 예상했습니다. 이러한 추세에 따라 제조업계에서는 딥 러닝(Deep Learning)을 활용하여 높은 해상도, 실시간 처리, 효율적인 학습 알고리즘을 통해 새로운 유형의 불량 탐지의 정확성을 높여 산업 내에서 경쟁력을 유지하고 신기술에 대한 요구를 해결할 수 있는 기대감이 점점 더 커지고 있습니다. 3. 딥러닝과 머신비전의 융합 활용 사례 딥러닝은 인간의 두뇌를 이루는 생물학적 신경망을 모방해 만든 컴퓨팅 시스템입니다. 머신비전업계에서 딥러닝은 CNN*(컨볼루션 신경망)과 딥 피드 포워드*(deep, feed-forward) 방식의 인공 신경망으로, 이미지를 분석하는 데 가장 널리 적용되고 있습니다. 컨볼루션 신경망(CNN)은 부품 분류, 검출, 결함 감지 등을 효과적으로 수행하기 때문에 제조업에서는 이 기술을 활용하여 자동적이고 정확한 제품 검사, 결함 감지, 및 품질 향상을 위한 머신 비전 시스템을 구축할 수 있습니다. *CNN(컨볼루션 신경망)은 주로 이미지 인식 및 패턴 인식에 사용되는 딥러닝의 한 유형으로 이미지 처리 작업에 특화되어 있다. *딥 피드 포워드(deep feedforward)는 깊이(depth)가 깊다는 딥과 정보가 한 방향으로만 흐르는(feed-forward)라는 뜻의 구조로 이 신경망이 여러 층으로 구성되어 있고 정보가 깊다는 의미. 그리고 더 나아가 딥 러닝 기술을 활용하여 이미지 분석 및 검사 분야에서 혁신적인 솔루션을 제공하는 기업들이 존재합니다. 그 예로 Eurerys가 딥 러닝 기술로 실시간으로 부품을 분류하고 결함을 탐지하는 기술을 제조 업계에 제공함으로써 생산 효율성을 향상하고 품질 표준을 유지하는 데 기여해왔습니다. | 딥 러닝과 머신 비전의 융합 적용사례: Euresys – Open eVision 라이브러리 “머신비전 산업에서 대표적인 이미지 분석 라이브러리” Euresys는 이미지 및 비디오 수집 구성 요소, 프레임 그래버, FPGA IP 코어 및 이미지 처리 소프트웨어를 설계하고 제공하는 선도적이고 혁신적인 하이테크 기업입니다 Euresys는 Open eVision은 머신 비전 검사 애플리케이션을 독립적인 이미지로 처리하고 분석하는 라이브러리입니다. - 프레임 그래버, GigE 비전 및 USB3 비전 카메라를 포함한 모든 이미지 소스 호환 - Deep Learning 및 3D 같은 최신 기술 지원 - 정확한 서브 픽셀 측정 및 보정 - 64-bit libraries for C++ and .NET (C#, VB.NET, C++/CLI) under Windows (x86-64) - Linux(x86-64 또는 ARMv8-A)용 64비트 라이브러리 Open eVision 기술은 딥 러닝 기술을 활용하여 안정적이면서도 변화하는 환경에 대응하여 다양한 조건이나 요구에 유연하게 대처하는 머신 비전 검사를 제공합니다. 특히 딥 러닝 기술을 활용한 라이브러리인 Deep Learning Bundle은 새로운 보조 세분화 도구를 통하여 픽셀 단위의 완벽한 주석을 얻는 빠르고 효율적인 방법을 제시합니다. 이는 보조 세분화 도구를 통해 이미지를 작은 부분으로 분할하여 각 부분의 특성을 분석한 후에 이미지의 각 픽셀에 주석을 달아 물체나 특징을 픽셀 수준에서 정확하게 식별하고 기록하여 작업을 신속하고 효율적으로 동작하는 방법을 제공한다는 의미입니다. Euresys의 Deep Learning Bundle은 특히 머신 비전 애플리케이션의 이미지 분석을 위해 맞춤화, 매개변수에 최적화된 기술입니다. 또한, Deep Learning Bundle은 데이터 증강(Data Augmentation) 기능을 활용하여 딥 러닝 신경망을 학시키는 방식으로 작동합니다. 다시 말해, 프로그램 가능한 한계 내에서 기존의 기준 이미지를 수정(예: 이동, 회전, 확대)하여 추가로 기준 이미지를 생성하는 '데이터 증강'을 구현합니다. 이로써 Deep Learning Bundle은 클래스 당 겨우 100개의 학습 이미지로도 효과적으로 작동할 수 있습니다. 데이터 증강(Data Augmentation) 따라서, Deep Learning Bundle은 Open eVision 라이브러리의 핵심 부분으로 데이터 증강과 보조 세분화 도구를 통해 이미지 주석을 신속하고 정확하게 수행하여 기술적 효율성과 성능을 향상시켜 머신 비전 검사 분야에서 안정적이고 유연한 솔루션을 제공합니다. 특히, Deep Learning Bundle은 분류(EasyClassify), 분할(EasySegment), 로컬라이제이션(EasyLocate)과 같은 다양한 딥 러닝 솔루션을 통해 Open eVision 라이브러리의 핵심 부분으로서 기술적인 효율성과 성능을 높이고 있습니다. | Deep Learning Bundle이 제공하는 세가지 특징 및 적용사례 Deep Learning Bundle은 Open eVision 라이브러리의 일부이며 딥 러닝 라이브러리는 딥 러닝이 솔루션을 제공하는 세 가지 특정 기능, 즉 분류(EasyClassify), 분할(EasySegment), 로컬라이제이션(EasyLocate)에 대응하는 소프트웨어 도구로 구성되어 있습니다. 1) Euresys Deep Learning Bundle의 분류 라이브러리: EasyClassify EasyClassify는 이미지 분류를 위한 Deep Learning의 분류 도구로, 불량 감지 및 제품 인식과 같은 작업에 사용됩니다. 이 도구는 소프트웨어 사용자가 초기에 머신비전 시스템을 통해 취득한 이미지에 라벨링 작업을 하면 그 후 EasyClassify가 딥 러닝 기술을 활용하여 주어진 이미지가 특정 클래스에 속할 확률을 계산하고, 이를 클래스로 할당합니다. 즉, 이미지가 학된 각 클래스에 속할 가능성을 확률로 제시해 줍니다. 사용자는 어떤 부품이 양호하고 어떤 부품이 불량하며 어떤 부품이 어떤 클래스에 속하는지만 알려주면 됩니다. 이 학습 프로세스 후에 EasyClassify 라이브러리가 이미지를 분류합니다. EasyClassify는 결함을 명확하게 규정하기 어려울 때 기존 머신 비전보다 더 성능이 뛰어납니다. 예를 들면, 다양한 스케일 및 위치에서 복잡한 모양과 텍스처에 따라 분류가 달라지는 경우가 여기에 해당합니다. 2) Euresys Deep Learning Bundle의 분할 라이브러리: EasySegment EasySegment은 개체 및 결함을 쉽게 분할할 수 있도록 설계된 Deep Learning Bundle의 분할 도구입니다. 이를 활용하여 결함이 포함된 부품을 식별하고 그 결함이 이미지의 어떤 위치에 있는지 정확하게 구분합니다. Euresys-EasySegment EasySegment는 이미지의 정상 및 비정상 결함을 감지하고, 결함이 없는 “우수한” 이미지만을 학습하는 무감독(비지도 학습) 모드와 결함 이미지를 분할하고 더 나은 분할과 "결함 감지"를 위해 결함 모델도 학습하는 감독(지도 학습) 모드가 존재합니다. EasySegment의 무감독(비지도 학습)과 감독(지도 학습) 적용 사례: 무감독 모드를 활용한 샘플 데이터 세트: 패브릭 결함 감지 무감독(비지도 학습) 모드: “패브릭” 샘플 데이터 세트는 어떻게 EasySegment의 무감독 모드를 사용하여 소수의 양호한 샘플만 학습하고 어떤 종류의 결함이 예상되는지 알려주지 않은 상태로 패브릭에서 결함을 감지 및 분할할 수 있는지를 보여줍니다. 감독 모드를 활용한 샘플 데이터 세트: 커피 이물질 감지 및 분할 감독(지도 학습) 모드: “커피” 샘플 데이터 세트는 어떻게 EasySegment의 감독 모드를 사용하여 이물질의 색상과 질감이 커피와 매우 유사한 경우에도생산 라인에서 이물질을 효율적으로 감지 및 분할할 수 있는지를 보여줍니다. 정리하자면, EasySegment의 무감독 모드는 양호한 샘플의 이미지만 학습하기 때문에, 결함의 유형을 알고 있지 않은 경우나, 결함 샘플이 준비되지 않는 경우에도 검사를 수행할 수 있습니다. 반면, EasySegment 감독 모드는 무감독 모드보다 더 나은 정확도를 달성하고 더 복잡한 결함을 분할할 수 있습니다. 또한 EasySegment를 무감독 모드로 돌려서 얻은 결과를 확인하고, 그 결과를 실제 데이터와 비교해서 필요한 부분을 가져와서 감독 모드를 위해 필요한 주석을 더 쉽게 달거나 편리하게 활용할 수 있습니다. 3) Euresys Deep Learning Bundle의 현지화 및 분류 라이브러리: EasyLocate EasyLocate는 딥 러닝 번들의 일부로, 사물의 위치를 찾아내고 식별하는 도구입니다. 주로 이미지에서 물체, 제품 또는 결함을 찾아내고 그것들을 구분하는 데 사용됩니다. 특히 EasyLocate는 이미지에 겹쳐 있는 물체를 식별할 수 있는 능력을 갖추고 있어, 해당 물체들의 개별적인 개수를 계산하는 데에도 활용될 수 있습니다. EasyLocate는 축 정렬 바운딩 박스와, 관심점 총 두 가지 방법을 사용하여 사물의 위치를 찾아낼 수 있습니다. 축 정렬 바운딩 박스를 이용한 샘플 데이터 첫 번째로는 “축 정렬 바운딩 박스” 방법으로 다양한 개체 및 크기에 정확한 주석 및 위치를 지정합니다. 이미지 속에서 찾은 각 개체(또는 결함)를 둘러싼 축 정렬 바운딩 박스를 만든 후 각각의 틀에 어떤 종류의 물체나 결함인지에 관한 클래스 레이블을 각 바운딩 박스에 할당합니다 위의 샘플 데이터처럼 "전자 부품" 데이터 세트는 EasyLocate 바운딩 박스가 열악한 조명 조건에서도 비닐봉지 안에 대량으로 보관된 다양한 종류의 전자 부품을 안정적으로 감지하고 계산할 수 있는 방법을 보여줍니다. 관심점을 이용한 샘플 데이터 두 번째는 관심점 방법으로 크기가 유사한 개체에 대한 빠른 단일 포인트로 주석 및 위치를 지정합니다. 즉, 이미지 속에서 크기가 비슷한 물체들을 예측하고 각 위치에 클래스 레이블을 할당하여 신속하게 하나의 지점으로 표시합니다. 단, 이 방법은 이미지의 모든 개체(또는 결함)의 크기가 비슷해야 합니다. 왼쪽의 샘플 데이터에서 보여지는 것처럼 “세라믹 커패시터 데이터 시트”는 EasyLocate 관심점이 서로 겹치거나 접촉하는 많은 세라믹 커패시터를 안정적으로 감지하고 정확하게 계산할 수 있는 방법을 보여줍니다. EasyLocate 관심점을 사용하면 한 번의 클릭으로 개체에 주석을 추가할 수 있으므로 주석 처리가 더 빨라집니다. 현재 Euresys의 Deep Learning Bundle의 EasyClassify / EasySegment / EasyLocate 툴은 표식 검사나 LED 검사가 필요한 전자제품 제조 산업에서 활용하고 있으며 일반 제조 산업용에서도 존재 여부 검사, 표면 분석, 어셈블리 검사, 레이블 인쇄 기계의 코드 품질 검증 등에 머신 비전 솔루션을 제공하고 있습니다. 앞으로 자동화 산업에서 성공적인 어플리케이션 구현에 있어 이미지 데이터 관리의 중요성은 더욱 강조될 것 입니다. 4. 딥 러닝 머신비전 솔루션, 제조산업의 자동화를 혁신하다 | Conclusion 머신 비전은 많은 이점을 제공하지만 이미지 품질에 영향을 미치는 일관되지 않은 조명 조건 및 실시간 처리에 대한 강력한 계산 능력과 같은 도전에 직면하고 있습니다. 또한 다양한 장치와의 상호 운용성 및 통합을 보장하기 위한 계속된 개발이 필요합니다. 따라서 인공 지능과 머신 비전의 융합은 머신 비전 업계에서 운영 효율성에서 중요한 전환을 의미합니다. 이차전지 제조과정에서는 2.5D 알고리즘과 LED 광학계 조명을 적용하여 영상처리 및 전처리 알고리즘이 강조되고 있습니다. 제조 산업이 계속해서 디지털 혁신을 수용함에 따라 비전 검사에서 딥 러닝의 역할이 진화하고 있습니다. 이러한 발전으로 제품 품질, 운영 효율성, 그리고 전반적인 경쟁력이 향상될 것으로 예상됩니다. 머신 비전을 적용한 다양한 솔루션은 산업 자동화와 스마트 제조 분야에서 주요 요소로 인식되어 제품 품질 향상과 생산 공정 효율화에 기여하고 있습니다. 뿐만 아니라 이차전지, 제약, 의료, 바이오 분야에서도 딥 러닝을 활용한 머신 비전 솔루션이 도입되고 있습니다. 마지막으로 식품 검사 및 분류를 위한 머신 비전은 특히 두드러지게 늘어나고 있습니다. 특히 패키징 공정에서는 딥 러닝을 기반으로 한 솔루션을 활용하여 제품 결합 여부를 확인하고 제품 누출을 방지하며 배송 지연을 예방할 수 있습니다. 물류 자동화의 핵심 기술인 AGV(무인운송로봇) 및 AMR(자율이동로봇)과 같은 로봇에도 머신 비전 솔루션이 도입되어, 로봇이 물건을 감지하고 이동하는 데 도움이 됩니다. 그러므로 머신 비전 자동화에 대한 딥 러닝 기술의 활용은 로봇 공학, 자율 주행 차량, 그리고 스마트 제조 분야에서 계속해서 증가할 것으로 전망됩니다. Euresys의 Deep Learning Bundle에 관한 자세한 내용을 알고 싶으시다면 화인스텍 홈페이지에서 확인해보시기를 바랍니다! 참고 자료: 유레시스 홈페이지 지티티코리아(https://www.gttkorea.com) 인더스트리뉴(https://www.industrynews.co.kr/news/articleView.html?idxno=49846)

2024.01.08