본문 바로가기

코그넥스/딥러닝

코그넥스/딥러닝
COGNEX(코그넥스) 딥러닝 기반 OCR을 사용하여 어떤 조건에서든 코드를 판독 내용 밝거나 어두운 배경에서 일관되고 손쉽게 판독 가능한 글꼴 세트는 기존의 머신비전으로 충분히 해결할 수 있습니다. 하지만 제조업체가 혼란스러운 배경과 이미징 문제로 인해 머신비전 시스템으로 작업을 처리할 수 없고 분야별 글꼴의 수와 유형을 예측할 수 없을 때에는 새로운 유형의 전용 OCR 솔루션이 필요합니다. 심하게 변형되고, 비뚤어지고, 잘못 에칭된 코드는 일반적으로 문제를 일으키는 원인이 됩니다. 그 밖에 다루기 힘든 코드로는 혼란스러운 배경에 프린트, 에칭, 니들 마킹 또는 양각 처리된 저대비 문자나 코드가 포함되니다. 특징 1. 자동차 산업을 위한 딥러닝 OCR 자동차 제조사를 비롯하여 부품 공급업체는 일련 번호를 사용해 공급망에서 고가치 부품을 추적하며, 정확한 조립과 일치하는지를 확인합니다..
코그넥스/딥러닝
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 이..
코그넥스/딥러닝
COGNEX( 코그넥스) 딥러닝 결함 감지 툴의 작동 방식 1. 자동차 산업을 위한 결함 감지 자동차 부품은 처리하기 힘든 표면으로 되어 있는 경우가 많다. 자동화 감지 시스템에 있어 가장 까다로운 요소는 짜임이 조밀하고, 거칠고, 다공성을 가진 금속 표면과 차실내 좌석과 에어백에 사용되는 직물이 해당됩니다. 에어백 검사에서는 바느질과 솔기에 존재하는 모든결함을 포착하는 것이 필수적이며, 그렇지 못할 경우 엄청난 영향을 미칠 수 있습니다. 각각을 분명하게 조사하는 일은 고된 작업이고 규칙 기반 알고리즘에서 포착하기란 거의 불가능합니다. 따라서 비지도 학습 모드에서 에어백 직물의 정상적인 모양을 트레이닝하여 검사 시스템이 잠재적인 결함을 식별하는 것이 바람직합니다. 딥러닝 기반 툴은 신경망을 활용해 변화할 수 있는 직물의 특성을 개념화하고 일반화하여 모든 변칙을 ..
코그넥스/딥러닝
스마트공장에서 머신비전의 중요성 스마트 팩토리 정의 21세기에 들어서면서 제품의 라이프 사이클이 단축되고 소비자들이 니즈가 다양화되면서 맞춤형 생산이 요구되고 있다. 경제 구조는 제조업에서 정보통신기술(ICT)을 포함한 서비스업 중심으로 옮겨가면서 전통적인 제조업은 혁신이 요구되기 시작했으며, 이로 인해 '스마트 팩토리'가 등장했다. 스마트공장은 제품의 기획부터, 설계, 생산, 유통 및 판매까지 전 생산과정을 정보통신기술(ICT)로 통합해 최소의 비용과 시간으로 고객 맞춤형 제품을 생산하는 첨단 지능형 공장을 의미한다. 스마트공장은 인공지능, 빅데이터, 사물인터넷(loT), 무선통신 등의 기술로 데이터를 연결 · 수집 · 분석하는 유연하고 지능적인 공장이며 컴퓨터와 로봇과 같은 장비를 이용해 생산 과정의 무인화 및 자동화를 추구하는 공..
코그넥스/딥러닝
COGNEX(코그넥스) 산업자동화 검사에서 AI, 머신러닝, 딥러닝 사이의 차이점은? 내용 공장 자동화 검사에서 인공지능(AI)에 대해 이야기할 때 마케팅과 분리하기 어려운 경우가 간혹 있습니다. 여러 가지 측면에서 AI는 이미 우리 일상 생활의 일부락 되었지만, 동시에 다른 여러 측면에서이 기술은 미래적인 개념으로 남아 있습니다. 이메일 클라이언트에 적용된 스팸 필터는 AI를 활용하기 때문에 여러분이 원하지 않는 정크 이메일을 읽지 않아도 됩니다. 다른 한편으로, 스타워즈에서 등장하는 C-3PO 같이 튜링 테스트를 통과할 수 있는 로봇은 여전히 공상과학이나 TV 프로그램에서나 존재합니다. 지난 몇년 동안 AI의 실용성은 연산 능력과 클라우드 스토리지의 급속한 비용 개선은 물론, 이미지, 텍스트, 소프트웨어 트랜잭션 등을 통한 데이터 생산 증가로 인해 폭발적으로 향상되었습니다. 특징 1...
코그넥스/딥러닝
COGNEX(코그넥스) 딥러닝이 기존 머신 비전과 다른 점 내용 머신 비전 시스템은 기본적으로, 이미지 획득을 수행하는 특수 광학 장치가 적용되는 산업용 카메라 내부에 보호되는 디지털 센서에 의존합니다. 그 후에 해당 이미지들은 PC로 전송되어 특화된 소프트웨어가 의사 결정을 위해 다양한 특성을 처리, 분석, 측정할 수 있습니다. 딥러닝은 특정 공장 자동화에 난제 해결을 위해 규칙 기반 접근 장식 대신 사례 기반 접근 방식을 사용합니다. 딥러닝은 미리 분류한 예제 합에 기초해서 컴퓨터에게 어떤 것이 좋은 이미지인지 학습시키기 위해 인공신경망을 활용함으로써 결함 분석, 물체 검색 및 분류, 인쇄된 표식 판독 등과 같은 작업을 수행할 수 있습니다. 딥러닝은 최종 어셈블리 검사 등과 같이 일반적으로 검사를 수작업으로 수행하는 애플리케이션에서 이미 사용되고 있습니다. ..
코그넥스/딥러닝
COGNEX(코그넥스) 의료 영상이 딥러닝의 다음 번 개척지인 이유 내용 방사선 X 레이, 초음파, NMR 등을 포함하는 의료 영상은 전통적으로 비정상적인 부분을 감지하기 위해서는 유연한 인간의 육안에 의존했습니다. 지금까지 컴퓨터는 반짝이면서 빛나는 부분 등으로 인한 복잡한 배경과 이미지 품질 때문에 정확한 분석이 불가능한 것으로 인식되어 왔습니다. 따라서 기존의 머신 비전 알고리즘으로 비구조적인 장면에서 비정상적인 부분을 식별하기 위해 물체나 관심 지역을 정밀하게 찾는 작업은 특히 매우 어려웠습니다. 자동화된 시스템이 관련 없는 특징들을 무시하면서 관심 지역을 성공적으로 식별하는 일은 가능하다고 해도 시간이 많이 소비되고 어려운 작업이었습니다. 그러나 이제는 딥러닝 기반 이미지 분석으로 높은 신뢰성과 반복 가능성, 안정성으로 생물학적 이상 검색을 자동화할 수 있습니다..
코그넥스/딥러닝
COGNEX(코그넥스) 생산능력을 높이는 인공지능 내용 수 십년 동안 머신 비전을 이용하는 자동화는 생산업체들이 마진을 증가시키는 가장 보편적인 방법 중 하나였습니다. 현재 인공지능(AI) 기술을 이용하는 자동화는 사업 활동을 개선하고 새로운 고객을 확보하기 위한 제조업의 역량을 새로운 차원으로 전환시키고 있습니다. 공급망 관리, 품질 테스트 및 검사, 장비 예측 유지관리 등 다양한 분야에 AI를 활용할 수 있습니다. AI는 제조업체들이 전반적인 운영에 대해 생각하는 방식을 재조명할 수 있는 진정한 힘을 가지고 있습니다. 그러나 이러한 판도를 바꾸는 기술이 발전하고 사용자 친화적이 되더라도, 많은 제조업체들은 여전히 비용, 착수 시간, 필요한 전문 지식 및 결과의 신뢰성에 어려움이 있을 것으로 인식하여 이 기술을 완전히 활용하는데 있어 어려움을 겪고 있..
코그넥스/딥러닝
COGNEX(코그넥스) 생산 분야에서의 인공 지능 용어 설명 공장자동화를 위한 인공지능과 관련된 자주 등장하는 용어 1. 알고리즘 : 컴퓨터가 목적을 달성할 수 있도록 지원하는 명령 및 계산 집합. 공장 자동화에서 일고리즘은 센서, 스캐너, 디지털 카메라에서 얻은 대규모 데이터 집합을 정리해서 비효율성을 확인시키고 품질을 강화하시키며 개선 사항을 추천합니다. '학습' 알고리즘은 사람의 개입 없이 생산 공정을 최적화하기 위해서 시행 착오 및 예제별 학습 방식을 사용합니다. 2. 인공지능(AI) : 사람에게 어려운 작업을 수행하기 위해 자동화를 이용해서 인간의 의사 결정 과정과 가장 흡사한 컴퓨팅 기술. AI 알고리즘은 인간으로 인한 오류를 줄이고 생산 난제를 예상하기 위해 이미지 인식과 자연어 처리와 같은 기술들을 사용할 수 있기 때문에 공장 자동화에서 중추적인 역..
코그넥스/딥러닝
COGNEX(코그넥스) 알파고가 딥러닝 기반 산업 자동화에 대해 생산업계에 알려준 것들 인간의 직관을 흉내내는 딥러닝 알파고는 딥러닝을 통해 바둑을 두는 방법을 학습했습니다. 먼저 이 컴퓨터 시스템에 게임 데이터를 투입해서 기본적인 움직임과 전략을 학습시킨 후 딥러닝을 이용해서 실제 경기 플레이 데이터를 스스로 학습시켰습니다. 알파고는 신경망 두 개로 구동되었는데 하나는 정책 네트워크로 다음 번 수를 선택하고, 다른 하나는 가치 네트워크로 각 위치에서의 경기 승자를 예측합니다. 경기가 진행되면서 알파고의 신경망은 다음번 수는 물론, 최종 승자를 예측하기 위해 조정 및 업데이트됩니다. 각 반복마다 시스템의 성취도가 조금씩 개선되고 셀프 플레이 경기의 품질이 증가하면서 신경망이 점점 더 정교해지고 보다 강한 버전의 알파고로 성장합니다. 이미 널리 알려진 이 알파고와의 경기는 보다 우수한 AI ..

티스토리툴바