COGNEX(코그넥스) 딥러닝 분류 툴의 작동 방식

1. 자동차 산업을 위한 딥러닝 분류

많은 자동차 분야에서는 바코드 판독과 광학 문자 인식(OCR)기술로 바코드와 일련번호를 해독합니다. 하지만 코드 판독 또는 영숫자 문자를 지원하지 않는 환경에서는 제조업체가 시각적 식별에 의존해야 합니다. 이는 예측할 수 없는 위치에 있거나 시각적 변화 및 편차로 인해 식별 문제를 초래할 수 있으며, 부품 개수를 산정하고 제조사에 따라 분류 또는 구분이 필요할 때는 추가로 복잡성이 더해집니다.

 

이처럼 까다로운 분류 문제 때문에 개별 마킹으로 인한 혼동 없이 형태와 치수를 토대로 스파크 플러그의 일반적인

모양을 일반화하여 색상에 따라 분류할 수 있는 딥러닝 기반 툴이 요구됩니다. 이를 위해서 코그넥스 딥러닝과 같은

딥러닝 기반 이미지 분석 툴은 라벨 처리된 트레이닝 이미지를 사용해 스파크 플러그의 모양을 일반화하여 트레이 상에

있는 집합 수를 산정합니다. 그런 다음 색상에 따라 분류하고, 조립을 위해 이 데이터를 로봇으로 전달할 수 있습니다.

 

2. 전자 부품 산업을 위한 딥러닝 분류

지극히 엄격한 한도에 운영하는 전자 하드웨어 제조업체의 경우, 생산 공정 초기에는 구성품의 모든 표면 결함을

꼼꼼하게 검사하여 분류할 수 있어야 합니다. 이들 구성품의 금속 표면에서는 반사성 글레어가 나타나 외관상으로

카메라에 부품의 모양을 변화시키기 때문에 검사 시스템에 혼동을 줄 수 있습니다. 타격, 긁힘, 얼룩과 같이 조립 중

구성품에 발생하는 일반적인 결함은 거칠고, 질감이 있거나, 반사성 표면으로 인해 생산의 조기 단계에서 발견하기가

종종 어렵습니다. 뿐만 아니라 이러한 결함은 특정 조명 조건에서만 눈에 보이므로 균일하지 않은 조명을 가해 국소적인

대비의 변화를 줄 때 분명해지는 경우가 있습니다.

 

한가지 공통적인 분야로는 품질 관리를 위한 표면 결함 분류가 포함됩니다. 딥러닝은 일반적인 특성에 따라 각각의 결함

유형을 자체 등급 또는 유형으로 분류할 수 있습니다. 이를 위해서 딥러닝 기반 검사 시스템에는 구성품의 금속 표면에

관한 상황별 정보가 통합되어 있어 표면 결함의 형상, 크기, 질감에 대해 믿을 수 있는 모델을 형성할 수 있습니다.

결과적으로 타격과 긁힘과 같은 결함은 정상적인 표면 질감과는 차이가 나는 텍스처 영역으로 나타나므로 변칙 또는

실패 또는 불량 이미지로 플래그가 지정됩니다. 여기에서부터 공통 특성을 가진 모든 불량 이미지가 타격, 얼룩, 흠,

긁힘과 같은 일반적인 측면에 따라 분류합니다.

 

3. 포장 산업을 위한 딥러닝 분류

바코드를 사용하지 않고 모양을 토대로 한 포장 식별은 도전적인 작업입니다. 이러한 경우, 검사 시스템이 제품 또는

묵음 모양의 일반적이고 예상되는 변화 뿐 아니라 균일하지 않은 조명으로 인한 국소적인 대비의 변화로 포장물의

모양이 바뀌는 방식까지 꼼꼼하게 확인할 수 있어야 합니다.  

 

같은 팩이 해당 캐디에 서로 다르게 준비될 수 있는 멀티팩 식음료 및 소비재의 경우, 검사 시스템이 알아채기 어려운

포장의 차이를 즉시 인식할 수 있어야 합니다. 하지만 특정 조명에서는 감지하기가 어려워 결과적으로 두 개의 별도

포장물 등급이 나타나게 됩니다. 딥러닝 기반 이미지 분석은 대신, 사람과 같은 접근방식을 따라 두 포장물 등급 간을

구분합니다. 팩의 두 등급 모두에 대한 라벨 이미지를 기준으로, 시스템이 추가 포장이 구분 기준임을 인식할 수 있고

그에 따라 포장물을 분류할 수 있습니다.

 

4. 생명 과학 산업을 위한 딥러닝 분류

암세포는 변수가 존재하고 예측할 수 없는 형태를 갖습니다. 사실, 단일 암세포 유형의 여러 크기와 형태는 공통적인

특성을 공유하는 것보다 차이가 더 많습니다. 딥러닝 기반의 결함 감지 툴은 셀 수 없이 무수히 많고 다양한 암세포

형태를 학습하여 이 문제를 극복하였으며, 건강한 세포의 자연스럽고 정상적인 변이를 감안하면서 변칙으로 나타내는

모든 세포를 정확히 지적할 수 있습니다. 하지만 세포의 분화 정도를 평가할 때 딥러닝 기반 툴은 특정 형태학에 따라

모든 변칙 이미지를 분류할 수 있습니다. 이것은 본질적인 프로그래밍 제한을 가진 머신비전이 처리할 수 없는 작업입니다.

 

분류 측면에서, 등급은 각 산업에 따라 고유한 결함 유형, 크기, 형태, 색상, 여러 형태학에 따라 차이가 날 수 있습니다.

딥러닝 기반 산업용 이미지 분석 소프트웨어는 제조업체의 자동화 검사에 힘을 실어줄 뿐 아니라, 이전에는 불가능했던

분류, 정렬, 등급 지정 작업을 프로그래밍 없이 가능하게 해줍니다. 동일 등급 내에서 차이를 용인하면서 시각적으로

유사하지만 다른 제품 간을 구분하고 허용가능한 변이와 실제 결함 간을 구분하는 검사의 자동화가 있습니다.

 

COGNEX 제품 적용 솔루션 참조 : www.xvision.co.kr
머신비전 관련 문의처 ☞ (주)아이디맥스 02-838-1170

공장 자동화를 위한 인공지능 딥러닝 : www.newbrain.co.kr 기술영업문의 : sales@idmax.co.kr

자동인식전문기업 IDMAX : www.idmax.co.kr 기술영업문의 : sales@idmax.co.kr