계장기술(PROCON)

특별기고 자동차산업 변화의 중심,딥러닝(Deep Learning)

페이지 정보

작성자 최고관리자 댓글 0건 조회 263회 작성일 19-07-12 11:22

본문

‘딥러닝(Deep Learning)’이란?

컴퓨터가 마치 사람처럼 생각하고 배울 수 있도록 하는 인공지능(AI) 구현 기술 중의 하나인 ‘딥러닝(Deep Learning)’은 인간의 뇌에서 영감을 받은 인공신경망(Artificial Neural Network)을 활용해 사람의 사고방식을 컴퓨터에게 가르치는 기계 학습으로, 스스로 학습한 뒤 결과물을 도출하도록 알고리즘을 구성하는 과정이다. 이 딥러닝은 대규모 인공신경망에 학습 알고리즘과 계속 증가하는 데이터를 공급함으로써 ‘사고’하는 능력과 처리할 데이터를 ‘학습’하는 능력을 지속적으로 개선한다.


딥러닝 기반 솔루션을 도입하는 자동차산업

어셈블리에서 최종 검사에 이르기까지 자동차 내부의 시스템과 구성품 대부분은 머신 비전 및 바코드 판독 기술의 도움으로 제작되며, AI(인공지능)의 발달과 함께 다수의 제조업체 역시 딥러닝 기반 이미지 분석 소프트웨어를 활용하여 복잡한 부품 위치 파악, 성형 검사 및 분류 문제를 해결하고 있다. 그리하여 자동차 부품 제조업체와 자동차 어셈블리 공장에서의 탁월한 품질, 안전, 생산 목표를 달성할 수 있게 된다.


64db53c7f63d55daed3555a8ca9317cd_1562897996_8636.png 

코그넥스의 딥러닝 솔루션 : Cognex ViDi

코그넥스는 업계 최고의 비전 기술 및 딥러닝 기반 기술을 바탕으로 가장 정확한 검사와 가장 높은 판독률을 제공한다. 특히 코그넥스 ViDi™는 최초의 딥러닝 기반 이미지 분석 소프트웨어로 사람과 유사한 지능과 머신 비전의 강력한 성능이 결합된 제품이다. 잘못된 부품 위치, 복잡한 외관 검사, 분류 작업 및 까다로운 OCR 애플리케이션에 적합하여 자동차 생산 공정의 각 단계에서 유용하게 적용되고 있다.

1. 피스톤링 검사
피스톤링 검사에서는 ViDi 레드-분석 툴로 텍스처를 가진 금속 표면 결함의 자동 감지 및 구별을 단순화할 수 있다. 코그넥스 ViDi 제품은 사소한 변형을 판단할 수 있는 인간의 능력에 자동 시스템의 안정성, 일관성과 속도를 결합한 효과적 검사 솔루션을 제공한다. 엔지니어는 코그넥스 ViDi 레드-분석 툴을 지도 학습 모드로 사용하여 대표적인 ‘정상’ 및 ‘불량’ 압축 링 이미지 모음을 사용해 딥러닝 기반 소프트웨어를 학습한다. 검사 담당자는 긴 흠집이 발생한 ‘불량’ 이미지, 그리고 정상 범위 내의 변동, 녹슨 자국과 사소한 균열 등의 허용 가능한 결함을 포함한 ‘정상’ 이미지에 주석을 단다. 이러한 이미지를 토대로 코그넥스 ViDi는 피스톤의 자연스런 형태와 표면 텍스처는 물론 일반적인 흠집의 모습까지 학습한다.
 
2. 실린더 검사
실린더 검사에서는 ViDi 레드-분석 툴로 금속의 기공을 감지한다. 다른 방법을 사용할 경우 같은 조명 조건에서도 검사가 쉽게 이루어지지 않지만, 코그넥스 ViDi는 기공을 빠르게 식별한다. 엔지니어는 몇 분 안에 실린더의 대표적인 ‘정상’ 및 ‘불량’ 이미지로 소프트웨어를 학습할 수 있으며, 관심 영역을 마스킹 필터로 조정하여 샤프트 내의 네거티브 스페이스에 반짝이는 디스크를 제거할 수 있다. 검사 담당자는 레드-분석 툴을 지도 학습 모드로 사용하여 ‘불량’ 라벨이 붙은 이미지의 기공에 주석을 달고 특징점의 크기, 스케일, 종횡비 및 전단 등의 매개변수를 조정하여 모델이 모양의 변동을 감안하도록 지원한다. 딥러닝 기반 소프트웨어는 런타임 도중 각 이미지를 밀리초 단위 내로 검사하여 기공이 있는 이미지는 결함으로, 나머지는 정상으로 구별한다.

3. 용접 이음매 검사
용접 이음매 검사에서는 ViDi 레드-분석 및 그린-분류 툴로 용접 이음매 결함에 대한 자동 검사 및 분류를 단순화한다. 엔지니어는 중첩 이음매를 비롯한 모든 용접 이상현상을 보이는 ‘불량’ 이미지, 그리고 이상현상이 전혀 없는 ‘양호’ 샘플에 대해 감독 모드의 레드-분석 툴로 소프트웨어를 학습한다. 이 경우 허용 가능하거나 거부 원인이 될 수 있는 이상현상을 비롯한 모든 이상현상들이 결함으로 식별된다. 검사의 두 번째 부분에서는 엔지니어가 ViDi 그린-분류 툴을 사용하여 이음매 결함을 유형별로 분류한다. 레드 툴과 그린-분류 툴을 함께 사용할 경우 자동차 제조업체는 검사 시스템으로 모든 용접 이음매를 식별하고 중첩 이음매를 성공적으로 분류할 수 있으며, 이러한 정보를 토대로 사용 가능한 중첩 이음매만 선택할 수 있다.

64db53c7f63d55daed3555a8ca9317cd_1562898036_1617.png


4. 점화 플러그 식별 및 분류
점화 플러그 식별 및 분류에서는 키팅/사전 조립 검증과 관련된 부품을 ViDi 블루와 그린으로 식별, 카운팅, 분류한다. 코그넥스 ViDi는 크기, 모양과 표면 특징을 학습하여 점화 플러그의 독특한 특징을 일반화한다. ViDi 블루-위치 식별 툴의 경우 엔지니어는 트레이 이미지를 사용하여 각 점화 플러그를 식별하고, 카운팅 하도록 소프트웨어를 학습한다. ViDi 그린-분류 툴은 딥러닝 기반 모델을 사용하여 점화 플러그를 로봇과 관련된 특징, 즉 색상으로 분류한다.

5. 에어백 검사
에어백 검사에서는 ViDi 레드-분석으로 직물의 성형 결함을 검사한다. 엔지니어는 비지도 학습 모드의 ViDi 레드-분석 툴로 ‘정상’ 에어백 이미지만으로 소프트웨어를 학습하여 에어백의 참조 모델을 구성한다. 모델은 직조 패턴, 직물 특성과 색상을 비롯한 에어백 직물의 정상적인 모습을 학습하고 정상적인 모습에서 벗어나는 모든 특징은 이상 특징으로 구별된다. 따라서, 코그넥스 ViDi는 구멍, 찢어짐과 비정상적인 박음질 패턴 등의 모든 이상현상을 일관성 있고 안정적으로 감지할 수 있다. 또한 직물의 결함 영역을 빠르게 식별하고 보고할 수 있고, 이때 방대한 규모의 결함 라이브러리가 필요하지 않다는 장점이 있다.


64db53c7f63d55daed3555a8ca9317cd_1562898063_9196.png 

6. 트림 최종 조립 검증
트림 최종 조립 검증에서는 ViDi 레드-분석 툴을 이용해 복잡한 배경에서도 각 부품의 존재 여부 및 배치를 확인한다. 검사 담당자는 지도 학습 모드의 ViDi 레드-분석 툴로 와이어가 누락된 트림의 ‘불량‘ 이미지와 와이어가 있는 ‘정상’ 이미지에 대해 시스템을 학습하여 온전한 트림의 참조 모델을 생성한다. 코그넥스 ViDi는 이 모델을 사용하여 와이어 밴드가 누락된 트림 구성품은 이상 및 결함으로 식별하고 최종 검사 단계에서 불합격시킨다.
 
7. 차대번호(VIN) 검사
차대번호(VIN) 검사에서는 ViDi 블루-판독 툴로 변형된 문자를 인식한다. 코그넥스 ViDi 블루-판독 툴을 사용하면 변형된 문자를 쉽게 찾아 판독할 수 있다. 소프트웨어를 학습하기 위해 엔지니어는 대표적인 차대 번호 문자 모음이 들어 있는 이미지의 관심 영역을 정의한다. 블루-판독 툴의 사전 학습된 모든 문자 인식 기능은 반짝임과 대비로 인한 불분명한 문자까지 인식해 낸다. 학습 및 검증 동안 소프트웨어의 모델이 모든 문자를 정확하게 식별할 때까지 검사 담당자가 누락된 문자만 다시 라벨링하면 된다. OCR에 대한 이 새로운 딥러닝 기반 접근 방식은 불필요한 라벨링을 제거하고, 노이즈가 매우 심한 배경에서 문자를 정상적으로 판독하여 학습 및 개발 시간을 단축해준다.

64db53c7f63d55daed3555a8ca9317cd_1562898082_5044.png
 

딥러닝, 자동차산업 경쟁의 핵심을 바꾼다

자동차산업은 세계를 강타하고 있는 4차 산업혁명의 영향을 가장 많이 받고 있는 분야이다. 이미 5G와 사물인터넷(IoT)이 자동차산업에 스며들고 있으며, 딥러닝 기반의 자율주행 자동차 연구도 활발하다. 이러한 트렌드와 함께 특히나 정밀성이 중요한 자동차산업에서 제품 완성도에 대한 일반 고객의 기대치는 더욱 높아지고 있다. 딥러닝 기반 솔루션을 활용해 정확한 품질검사로 생산 비용을 절감하고, 제품 성능을 개선하여 제품과 기업에 대한 고객 신뢰도를 높일 수 있다. 세계시장에서의 기업 경쟁력 강화와 성장을 위해 딥러닝 기술 도입과 시스템 구축에 적극 나설 시점이다.

64db53c7f63d55daed3555a8ca9317cd_1562898101_3805.png 

www.cognex.com