COGNEX(코그넥스) 딥러닝이 자동차 산업 내 검사를 자동화하는 방법

내용

애플리케이션에는 예측 불가능한 부푸의 위치, 혼란스러운 배경에 대한 외관 검사, 머신비전 알고리즘으로 자동화할 수 없는 검사 분류 등이 포함됩니다. 딥러닝 소프트웨어를 이용해 이러한 애플리케이션의 분류를 자동화하면, 제조업체는 결함이나 잘못된 합불 판정을 최소화하여 생산성을 향상시킬 수 있습니다. 이 기술을 사용하여 얻을 수 있는 부수적인 이득으로 전반적인 품질의 향상 및 잠재적 노동 최소화 등이 있습니다.

 

특징

1. 결함 검출

금속 용접 표면은 반사광이 있어 카메라를 교란시킬 수 있습니다. 이러한 이유로 인해 많은 제조업체들이 표면이 거친 금속 용접에 자동 검사 장비를 도입하기 보단 인간 검사원을 고용하고 있습니다. 작업이 느리고 피로에 취약할 수 있지만 외관 상 미묘한 결함을 정확하게 인지하고, 특정짓는데 훨씬 적합합니다.

 

다행히도 딥러닝의 발전으로 수동으로 검사를 하지 않고도 용접과 같은 금속 표면에서 예측 불가능한 다양한 결함을

자동으로 검사 및 분류할 수 있게 되었습니다. 강력한 새 소프트웨어는 이러한 결함을 확인만 하는 것이 아니라

분류까지 할 수 있기 때문에 인간의 눈과 뇌와 훨씬 가까워졌다고 할 수 있습니다. 이런 유형의 검사를 프로그래밍하기

위래서는 복잡한 알고리즘과 광범위한 결함 라이브러리가 필요하며, 그렇다 하더라도 검사를 할 때는 오류가 발생하기

마련입니다.

 

2. 광학 문자 인식(OCR)

반사광, 반사 및 페인트 색상이 남아있는 환경에서 문자를 자동으로 판독하는 경우 검사 시스템이 교란될 수 있습니다.

일반적으로 OCR 및 광학 문자유효성 검사(OCV) 도구는 정확성을 확인하거나 문자를 판독하기 위해 문자를 인식하면서도 사용자가 시스템의 속도 및 판독율을 최적화할 수 있도록 지원합니다.

 

차량의 VIN 코드의 경우, 제조업체는 다양한 표면에 인쇄되어 있을 수 있는 일련의 문자와 숫자를 빠르게 판독할 수

있어야만 합니다. 환경적 조건뿐만 아니라 인쇄 왜곡 또는 머신비전 시스템이 철판이나 스티커에 식각, 기입 또는 직접

부품 표시(DPM)된 문자의 정확한 위치를 찾거나 인식하는데 방해요소가 됩니다. 자동차 제조업체는 어려운 문자 판독

뿐만 아니라 이미지 형성에 어려움을 겪을 때, 기존 머신비전 기반의 OCR 도구에서 레벨업 된 형태인 딥러닝 기반의

OCR로 눈을 돌리게 되었습니다.

 

코그넥스 딥러닝 기반 OCR 툴은 독특하게도 사전 트레이닝 및 다중 글꼴 도구를 사용하여 인쇄 왜곡, 고대비 및 저대비 환경 또는 반사로 인해 모호한 경우에도 문자를 인식할 수 있게 합니다. 오판독을 한 경우, 딥러닝 모델은 오판독한

글자를 다시 트레이닝 시키기만 하면 되기 때문에 시간을 절약하고, 오류율을 줄일 수 있습니다.

 

3. 조립 검사

크고 복잡한 조립의 경우, 검사 시스템은 특정 영역을 검사 관심 영역 또는 결함 포함 영역으로 구분할 수 있어야 합니다

이런 요인으로 인해 규칙 기반의 프로그래밍이 복잡해지고 잦은 오류가 발생하게 됩니다. 딥러닝 기반의 결함 검출, 위치

추적 및 레이아웃 도구는 간단하게 대표 샘플 이미지 세트의 외관상의 변수를 학습하고 검사하는 방식으로 인공지능

기반 모델을 생성하여 이미지에서 대상화된 관심 영역을 식별합니다.

 

딥러닝 기반 시스템은 이러한 방법으로 자동차 문과 같은 부품의 참조 모델을 만들어 모든 부품이 존재하고, 정확하게

제 위치에 놓여 있으며, 완벽하게 조립되었는지 확인합니다. 비록 인간 검사원이 이런 유형의 판단에 더욱 능숙하기는

하지만, 딥러닝은 이런 업무를 컴퓨터으 속도로 빠르고 정확하며 규모 있게 수행할 수 있도록 합니다.

 

4. 분류

자동화 검사 시스템은 결함 검출과 더불어 용접 양품(효과적, 괜찮음) 또는 불량으로 정확하게 분류할수 있어야 합니다.

제조업체가 생산 방식을 변경하거나 발생 가능한 결함 유형을 처음부터 제한하기 위해선 생산 라인에서 거절 사유가

되는 다양한 결함 중 한 가지 유형만이 지나치게 많은 건 아닌지 파악할 수 있도록 데이터가 필요합니다.

 

머신비전의 본질적 한계로 인해 이미지 분류가 불가능합니다. 하지만, 신경망이 발전하면서 인공지능 기반의 프로그램으로 이제 이미지 기반의 분류가 가능하게 되었습니다. 인공지능은 핵심적인 외관상의 차이점을 학습하여 동일한 부품의

이미지를 하위 카테고리로 분류합니다. 각 이미지 클래스의 라벨링 된 대표 이미지 세트가 트레이닝 되고 나면, 딥러닝

모델은 실시간 이미지 간의 차이점을 학습하여 이들을 점화 플러그 등 유형 별로 분류합니다.

 

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