딥러닝을 이용한 제품 포장 검사 자동화의 단계적 접근 방법
▲ 인공지능은 지능형 로봇 포장 라인의 동력이다. 컴퓨터 비전과 자연어 처리 같은 딥러닝 기법이 AI의 동력이다.
제품 패키징의 품질 관리를 위한 AI 기반 자동화
제품 패키징 라인은 품질을 완벽하게 하고, 불량품을 최소화하며, 처리량을 개선하고, 리콜 위험을 최소화하기 위해 자체 맞춤형 검사 시스템을 필요로 한다. 대형 업체들이 업계를 통합함에 따라, 그들의 제품 라인은 점점 더 복잡해지고 있으며, 그 결과 자동화된 검사 기술의 필요성이 대두되고 있다.
인공지능(AI)을 제조 및 물류 분야에 도입하면 많은 이점이 있다. 조기 도입자들은 상당한 운영 비용 절감 및 리콜 감소라는 하드 코스트(hard cost) 혜택을 누릴 수 있다. 소프트 코스트(soft cost) 혜택은 약속된 배송 날짜를 더 잘 준수하고 소매업체의 예상 배송량을 초과 달성하여 더 눈에 잘 띄는 진열대를 확보함으로써 더 나은 고객 경험을 제공하는 형태로 실현될 것이다.
딥 러닝, 특히 컴퓨터 비전과 자연어 처리는 제품 포장 과정에서 결함을 식별하도록 설계될 수 있다. 이러한 딥 러닝 모델은 패키 지에 라벨이 부착되어 있는지, 라벨이 정확하고, 똑바르고, 읽을수 있는지를 확인할 수 있다.
음료, 식품, 소비재, 물류 등의 산업에서 사용되는 병, 캔, 케이스, 상자 등의 포장재는 사람이 효율적이고 정확하게 검사하기 어려운 경우가 많다. 패턴이 복잡하거나 반사광으로 인해 예측할 수없는 결함이 있는 다양한 표면을 검사해야 하는 응용 분야의 경우, 제조업체는 일반적으로 검사자의 판단에 의존해 왔다. 그러나 인간 검사자들은 현대 소비재 패키징 산업에 있어 매우 큰 단점을 가지고 있는데, 그것은 확장성이 없다는 것이다.
자동화에 저항하면서도 높은 품질과 처리량을 요구하는 응용 프로그램의 경우, 딥러닝 기술은 패키징 산업에서 응용 프로그램 엔지니어들이 사용할 수 있는 효과적인 새로운 도구이다. 딥러닝 기술은 종이, 유리, 플라스틱, 세라믹을 포함한 모든 종류의 패키징 표면과 그 표면의 라벨을 처리할 수 있다.
인쇄된 라벨의 특정 결함이나 포장재의 절단 영역이든, 딥러닝 알고리즘은 대상 영역의 다양한 모양을 학습함으로써 이러한 모든 관심 영역을 식별할 수있다. 그런 다음 딥러닝은 복잡한 물체나 특징을 찾아서 세고, 변칙을 감지하고, 해당 물체나 심지어 전체 장면을 분류할 수 있다. 또한 광학 문자 인식(OCR) 라이브러리를 사용하여 영숫자를 인식하고 검증할 수 있다.
더 많은 패키징 성공 사례가 없는 이유는?
패키징 라인을 운영하는 모든 회사에서 이 기술을 활용해야 하는 것처럼 들리지만, 많은 회사들이 제대로 활용하지 못하고 있다. 그이유 중 하나는 생산 현장에서 실행되는 딥러닝 모델의 훈련, 배치, 모니터링에 필요한 방대한 양의 데이터 과학 지식 때문이다.
경험이 풍부한 데이터 과학 회사와 협력하여 비즈니스 프로세스와 데이터의 뉘앙스를 배우는 것보다 더 좋은 방법은 없다. 기성 품은 포장 라인의 여러 부분을 해결하기 위해 특정 알고리즘을 훈련하는 것과 같은 수준의 맞춤화와 정확성을 제공할 수 없다. 데이터는 고유한 것이 될 것이고, 자동화를 통해 제공되는 비용 절감을 진정으로 활용하려면 프로젝트를 소프트웨어 구매가 아닌 개발로 취급해야 한다.
컴퓨터 비전, 자연어 처리, 그리고 다른 딥러닝 기술은 성능을 높게 유지하기 위해 시간이 지남에 따라 모니터링하고 조정 해야 한다. 개발 및 배포의 모든 단계에서 필요한 복잡 성을 이해하지 못하면 AI 개발에 실패할 위험이 높다.
품질 활용 사례 로드맵
머신 러닝과 인공지능, 특히 컴퓨터 비전과 자연어 처리 기술의 발전은 제품을 패키징하는 모든 회사에 자동화 효율성과 정확성 향상을 위한 큰 기회를 제공한 다. 데이터에서 놀라울 정도로 미묘한 차이를 포착하기 위해서는 이러한 고급 알고리즘을 설계하고 배포 하는 데 상당한 전문 지식이 필요하다. 이 기사에서는 ‘Mosaic’이 이 문제를 해결하는 AI 기반 접근 방식을 자세히 설명하고, 개선이 필요한 특정 프로세스 지점과 이를 해결하는 데 가장 적합한 모델 유형에 대해 살펴보기로 한다.
• 라벨 정확성 및 검증
• 제품 또는 포장 결함 감지
• 로트 배치 및 유통 관리
라벨 정확성 & 검증
어떤 제작 회사든 카탈로그에 정확한 제품 포장 정보를 제공해야 한다. 이런 종류의 정보를 사용 가능한 데이터로 수동 변환하는 것은 엄청나게 시간이 많이 걸리고 오류가 발생하기 쉽다. 수백만 개의 제품에 대한 제품 사양을 업데이트하는 품질 팀을 생각해 보자. 그리고 그 반대로, 패키지를 진실의 원천으로 사용하는 대신 마스터 데이터 세트와 비교하여 패키징 정보의 정확성을 확인하는 품질 검사를 생각해 보자.
이 팀은 매우 정확해야 한다는 압박을 받고 있을 뿐만 아니라, 유통업체의 요구에 부응할 수 있는 프로세스를 구현해야 한다. 이러한 회사들은 제품 사양(예: 수량, 포장 크기, 성분, 알레르기 유발 물질 또는 독성 경고)이 정확하지 않을 경우 엄격한 재정적 처벌과 소송 위험에 직면하게 된다. 여러 나라에 제품을 공급하는 회사에서 여러 언어와 이미지를 통합해야 할 경우, 이문제는 규모가 커지는 경향이 있다.
제품 사양 정보를 사용 가능한 데이터로 수동 변환하는 데는 많은 시간이 걸린다. 품질 관리 팀이 포장에 있는 제품 정보를 찾아서 이 정보를 기록하는 데 사용되는 스키마(schema)의 전용 데이터 필드에 입력해야 하므로 상당한 인적 개입이 필요하다. 아래 이미지에서 처리해야 하는 정보의 양을 살펴보자.
딥 러닝은 이 과정을 자동화하는 데 도움이 되는 핵심적인 이미지 처리 기능을 제공할 수 있다. 딥 뉴럴 네트워크(Deep neural network)는 테이블, 단락, 이미지 등을 포함하는 이미지에서 관심 영역을 식별하도록 훈련될 수 있다. 컨볼루션 신경망(CNN)과 같은 감독형 딥러닝 모델은 최첨단 성능을 제공할 수 있다. 그러나 이 접근 방식은 신경망이 추출하도록 훈련할 정보의 예시 이미지에 라벨을 붙인 대규모 훈련 세트와 모델 훈련 및 조정을 위한 그래픽 처리 장치(GPU)와 같은 상당한 컴퓨팅 리소스를 필요로 한다.
또는, 감독 학습 딥러닝 모델을 훈련할 수 있는 훈련 데이터가 충분하지 않은 경우, 비지도 학습 특징 추출 방법을 사용하여 이미지에서 기본적인 구조적 요소를 감지할 수 있으며, 이를 활용하여 더 큰 물체를 식별할 수 있다. 예를 들어, 호프 라인 변환을 사용하여 선을 형성하는 픽셀을 식별할 수 있다. 또한 평행선과 수직선 세트를 식별함으로써 구조화된 정보를 포함하는 테이블 이나 상자를 식별할 수 있다.
주요 대상과 관심 영역을 식별한 후에는 광학 문자 인식(OCR)를 사용하여각 영역의 텍스트를 디지털화할 수 있다. OCR은 텍스트 이미지를 디지털 문서로 변환하는 과정을 자동화하여 텍스트의 자동 구문 분석을 가능하게 한다. OCR은 원본 포장 이미지에서 텍스트를 추출하는 데 유용하지만, 표와 원본 텍스트의 키워드와 구문을 일치시켜 관심 있는 정보를 찾고, 추출하고, 종합하기 위해서는 추가적인 텍스트 처리 알고리즘이 필요하다. 그런 다음, 승인 기준에 맞게 결과를 정리하고 구조화하기 위해 후처리가 필요 하다.
결함 탐지
컴퓨터 비전 모델링은 제품·패키지가 라인에서 이동할 때 어떤 모습이어야 하는지 학습하는 데 매우 능숙하다. 딥러닝 모델은 수천 개의 허용된 제품·패키지 예시 이미지와 수천 개의 거부된 제품·패키지 예시 이미지로 훈련되어야 한다. 모든 AI 시스템의 진정한 기술은 데이터에 가장 잘 맞는 알고리즘 또는 알고리즘 세트를 선택하고 조정하는 데 있으며, 과적합 및 과소적합과 같은 오류를 주의 깊게 관찰해야 한다.
데이터 과학자, 자동화 엔지니어, 포장 품질 팀이 협력하여 프로 세스 초기에 컴퓨터 비전 모델을 훈련시켜 제품이나 포장이 수용 가능한지 판단하는 요소를 학습한다. 데이터와 의사 결정에 미묘한 차이가 있는 경우, 그 차이를 조기에 파악해야 한다. 그렇지 않으면 모델이 이러한 세부 사항을 파악하지 못하게 된다.
적절하게 훈련된 모델은 주름, 찢어짐, 찢어진 부분, 뒤틀림, 기포, 색상, 인쇄 오류를 쉽게 감지할 수 있어야 한다. 고대비 이미징 및표면 추출 기술은 조명이 불량하거나 표면 상태가 좋지 않은 경우 에도 결함을 포착할 수 있다.
모델이 결함을 정확하게 식별할 수있게 되면, 잠재적 결함을 알려주는 확장 가능한 커뮤니케이션 메커니즘이 필요하다. 이를 위해서는 알고리즘 개발과는 다른 분석적 지식이 필요하다. 효과적인 경고 시스템을 개발하기 위해서는 MLOps와 애자일 소프트웨어 방법론의 실제 적용 사례를 이해하는 것이 필수적이다.
로트 배치 및 유통 관리
완전한 로봇 창고는 오늘날 혁명적인 개념이며 여러 분야에서 판도를 바꾸는 요소이다. 딥 러닝과 프로세스의 올바른 자동화 사이에는 긴밀한 통합이 이루어지고 있다. 로봇 프로세스 자동화 (RPA) 봇 공급업체 중 몇몇 업체는 제조 분야, 특히 포장에 추가할 수 있는 이점에 집중하는 경향이 있는 것으로 보인다. 이 과정 에서 중요한 첫 번째 단계 중 하나는 완성된 출하를 정확하게 식별하고 올바른 유통 구역으로 이동시키는 것이다.
컴퓨터 비전과 NLP는 생산 라인을 떠나는 로트를 정확하게 식별 하고 프로세스의 다음 단계를 자동화할 수 있다. 사람이 생산된각 실행을 자세히 살펴보는 데 시간을 소비하는 대신, 위에 설명한 것과 동일한 기술을 사용하여 유통 및 창고에 대한 통찰력을 생성하고 전달할 수 있다. 배송이 주요 고객에게 늦게 도착할 위험이 있을 수 있다. 딥러닝은 현재 운영 조건에 따라 우선순위를 지정해야 하는 많은 것을 자동으로 표시할 수 있다.
최신 AI 창고 시스템의 경우, 포장이 핵심적인 역할을 한다. AI 도구는 모든 데이터 포인트에서 데이터를 수집하고 패키징 업데이 트를 추천하는 데 사용할 수 있다. 할당량을 초과 달성하기 위해 서는 기업의 생산성이 비즈니스 전략의 중요한 측면임을 확인해야 한다. AI는 실시간으로 이벤트를 식별하고 일정 관리에서 안전에 이르기까지 최적의 조치를 추천함으로써 이를 가능하게 한다.
AI를 활용하여 더 스마트한 창고 프로세스를 구축하는 기업은 이전에 과도한 재고 비용과 높은 벌금에 지출했던 현금을 더 생산적인 비즈니스 성장 기회에 사용할 수 있게 된다.
자료제공: Mosaic Data Science(mosaicdatascience.com)
