COGNEX(코그넥스) 딥러닝 조립 검증 툴로 다양한 구성품 또는 부품 구성을 확인

내용

첨단 알고리즘이 아주 감지하기 힘든 특징 또는 마킹으로 시각적으로 유사하게 보이는 부품들을

구분할 수 있게 되면서 머신비전은 획기적인 도약을 이루었습니다. 검사의 특수성과 정확성,

프로그래밍 및 트레이닝에 대한 사전 투자 사이에는 절충이 존재합니다. 컴퓨터가 단일 부품에서

수백, 수천 가지의 가능한 변형을 구분하도록 트레이닝하기 위한 선형 규칙 개발에는 예상대로

엄청난 양의 시간이 집중되어야 합니다.

 

대비된 패턴과 반사성 글레어가 존재하는 비정형 및 또는 매우 복잡한 장면은 프로그래밍하기가 너무 힘들 수 있고,

조립 검증 된 분야에서는 부품마다 다르고 수많은 구성으로 나타날 수 있는 다수의 구성품을 식별해야 합니다. 부품이 일관되고 정확히 제조되었더라도조립 검증 검사에는 여전히 자동화하기 매우 힘든 부분이 있습니다. 그 이유는,

머신비전 시스템이 스케일링, 회전, 위치 왜곡으로 인한 부품 외관의 일부 변화를 용인할 수 있다록 복잡하고 혼란스러운

표면 질감과 열악한 조명 등의 조건은 매우 까다로운 문제이기 때문입니다.

 

특징

1. 자동차 산업을 위한 조립 검증

결함 라이브러리가 증가하고 구성 변경이 확장됨에 따라 이들 알고리즘을 유지하기가 아주 힘들어졌습니다. 최종 조립 검증에서는 매우 제한적인 프로그래밍을 테스트합니다. 그 이유는 조명, 색상, 곡률, 시야각 등 컴퓨터와 격리시키기가 매우 어려울 수 있는 다수의 변수가 수반되기 때문입니다.

이 때문에 전통적으로 인간 검사자가 계속해서 자동차 조립의 최종 단계에서 외관 검사를 수행하고 있습니다. 이들 검사자가 다수의 부품과 특징을 식별할 수 있는 스킬을 갖추었다고 하더라도 서로 다른 차량 모델이 조명이 계속 바뀌는

라인으로 이동하게 되면 인간 검사자의 작업이 일관되지 않는 결과를 가져 올 수 있습니다.

 

대신, 딥러닝 소프트웨어는 명명된 색상과 구성품으로부터 참조할 수 있는 특징 라이브러리를 정확히 구축해서 완벽히

조립된 자동차 사진 내에서 해당 부품을 찾아 식별할 수 있습니다. 여기서, 한가지 특성을 더 추가해서 최종 조립 검증 확인을 손쉽게 자동화할 수 있습니다.

 

2. 전자 부품 산업을 위한 조립 검증

퓨즈 박스처럼 조립할 전자제품 하드웨어의 경우 성능을 저하시키거나 안전 기능을 손상시킬 수 있는 모든 결함, 오염물, 기능상의 결점 똔느 그 밖의 불규칙성을 검사해야 합니다. 이러한 오류는 퓨즈 박스가 기기로 조립되거나 고객에게 배송되기 전에 발견되어야 합니다. 다행스럽게도 딥러닝 기반 소프트웨어는 이미지의 대비가 낮거나 잘못 캡처된 경우를

포함해 혼동을 주는 상황에서도 효과적으로 작동하도록 최적화되어 있습니다.

 

퓨즈 박스의 완전한 조립 상태를 검증하기 위해 딥러닝 툴이 먼저, 각 부품 유형 위치를 포함한 이미지를 토대로 다수의 전자 구성품을 식별합니다. 이 입력으로부터 툴의 신경망이 각 구성품의 참조 모델을 구축합니다. 여기에는 보통의 크기,

형태, 표면 특성을 비롯하여 박스에서 일반적인 위치가 포함됩니다. 런타임 중 툴이 구성품을 포함하는 모든 박스 영역을

세그먼테이션하여 구성품의 존재유무와 올바른 유형인지를 정확히 식별합니다.

 

3. 포장 산업을 위한 조립 검증

기존의 머신비전을 사용해서 식품 성분의 수와 다양한 구성 및 배치를 프로그램하는 작업은 까다롭고 오랜 시간이 걸립니다. 왜냐하면 특히 단 하나의 툴을 사용해 단일 이미지 내의 여러 특징을 자동으로 찾아 식별하기가 어렵기 때문입니다. 최종 포장 조립 검증 분야에 수반되는 매우 복합적인 장면들도 예외 및 결함 라이브러리가 증가함에 따라

통제하기가 어려울 수 있습니다.

 

딥러닝 기반 이미지 분석은 각 식품 성분 외관의 아주 적은 차이뿐 아니라 허용되는 배치를 학습함으로써 식품 트레이가

올바르게 조립되었는지 간단하게 검증합니다. 개별 구성품의 정상적인 모양을 기준으로 트레이닝한 후, 소프트웨어가

위치를 식별할 다양한 식품의 전체 데이터베이스를 구축합니다. 런타임 중, 검사 이미지를 서로 다른 영역으로 분할해

소프트웨어가 식품의 존재유무를 검사하고 올바른 유형인지 검증할 수 있습니다.

 

4. 소비자용 전자제품 산업을 위한 조립 검증

모바일 기기 패널에는 다수의 부품이 조밀하게 들어 있기 때문에 검사 시스템이 개별 부품을 구분하기가 까다로울 수

있습니다. 이러한 유형의 조건 때문에 검사 시스템이 예상된 구성품이 올바른 하우징 안에 있는지 검증하기가 어려울 수

있습니다.

 

이러한 모든 변수 규칙 기반 알고리즘으로 프로그래밍하는 작업은 시간 소모적이며, 오류가 발생하기 쉽고 현장에서

유지관리가 까다롭다는 점은 두말할 필요가 없습니다. 다행스럽게도 딥러닝 기반 이미지 분석 소프트웨어는 패널 또는

모듈의 여러 부품에 대해 정확히 완성된 모양을 학습하여 나사처럼 잘못 배치된 부품을 식별할 수 있습니다. 또한 인간

검사자처럼 정확하면서 자동화 시스템의 속도와 신뢰성으로 결함 있는 패널을 식별해낼 수 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