머신 비전, IoT와 결합하다

Pleora

최근 가장 뛰어난 기술 중 하나는 가정 모니터링 시스템, 웨어러블 기기, 커넥티드 카(connected cars) 및 원격 헬스 케어를 통해 소비자의 삶에 들어간 ‘IoT(Internet of Things, 사물 인터넷)’이다. 이러한 발전은 대부분 네트워킹 기능의 확장과 저렴한 장치의 가용성으로 인해 이루어졌다. 이에 비해 비전 시장에서는 여전히 IoT 채택이 주요 과제로 남아 있다.

검사 시스템 내에 점점 더 많은 수의 이미징 및 데이터 장치가 고급 센서 기능과 결합되어 비전 시장에서 대역폭이 점점 커지고 있다. IoT 채택에 있어 비용 또한 중요한 장벽이다. 특히 검사 시스템에 머신 러닝을 통합하기위한 혁신적인 방안을 고려할 때 더욱 그렇다.

IoT와 AI를 향한 진화

IoT는 머신 비전에 새로운 비용과 프로세스 이점을 가져와줄 것이며 AI(인공지능, artificial intelligence)와 머신 러닝을 검사 시스템에 통합하는 길을 열었다. 낮은 대역폭의 메시지 또는 비콘 데이터(beacon data)를 공유하기 위해 경량 통신 프로토콜(Bluetooth, MQTT 및 Zigbee) 사용이 소비자 IoT 장치를 크게 확산시켰다. 이러한 프로토콜은 지연이 수용되거나 또는 알아챌 수 없는 애플리케이션에서 '충분히 좋은' 연결성을 제공한다. 예를 들어 집에 도착했을 때 에어컨이 시작되는 데 몇 초가 걸리는지 알 수 없다.

이에 비해 이미징은 지연 시간이 짧고 압축되지 않은 데이터를 사용하여 실시간 결정을 내린다. 불량한 데이터 품질 또는 제공은 고가의 생산 중단 또는 2차 검사로 이어질 수 있으며, 브랜드에 치명적인 피해를 주는 제품 리콜로 이어질 수 있다. 전통적으로 이것은 분석을 위해 데이터를 중앙 프로세서로 다시 전송하는 카메라 또는 센서에 의존해왔다.

서로 다른 형식으로 데이터를 출력하는 초 분광 및 3D 센서를 포함하여 수많은 이미지 및 데이터 소스를 통합하는 새로운 IoT 애플리케이션을 앞두고 이러한 접근 방식은 대역폭 문제가 야기된다.

대역폭 위기를 해결하기 위해 설계자들은 검사 네트워크의 가장자리에서 데이터를 처리하고 의사 결정을 수행하는 스마트 장치를 조사하고 있다. 이러한 장치는 기존 검사 네트워크에 직접 통합되는 스마트 게이트웨이 장치 또는 기존 카메라를 우회하는 소형 센서 및 내장 처리 보드의 형태를 취할 수 있다. 스마트 게이트웨이 장치를 사용하면 이미지와 데이터를 호스트 PC의 머신 러닝 교육 소프트웨어에 업로드하여 AI 모델을 자동으로 생성할 수 있다.

그런 다음 이 모델을 프로덕션 환경의 게이트웨이에 배치할 수 있다. 스마트 게이트웨이는 데이터를 수신 및 처리하고 결정한 다음 다른 장치 및 로컬 또는 클라우드 기반 처리로 데이터를 보낸다. 로컬 의사 결정은 중앙 프로세서로 다시 전송되는 데 필요한 데이터의 양을 크게 줄인다. 이를 통해 대역폭 요구량을 줄이면서 보다 복잡한 분석 작업을 위해 중앙 집중식 처리 성능을 유지할 수 있다. 소형 장치는 또한 네트워크 내의 다양한 지점에 지능을 배치할 수 있다.

예를 들어, 스마트 게이트웨이는 품질 검사 라인에 직접 통합되어 기존 카메라에서 데이터를 수신하고 결정을 내릴 수 있다. 그런 다음 원시 비디오 데이터 대신 더 낮은 대역폭으로 처리된 데이터를 나머지 시스템과 공유할 수 있다. 스마트 게이트웨이는 연결된 모든 장치의 데이터 스트림을 GigE Vision으로 변환하여 애플리케이션 전체에서 사용할 수 있도록 균일한 데이터 세트를 제공한다. 즉, 초 분광 및 3D와 같은 고급 검사기능을 기존 검사 시스템에 통합할 수 있다.

스마트 게이트웨이 접근 방식은 비싸게 설치된 카메라와 처리 시스템을 업그레이드하는 것에 비해, 엣지 처리를 구현하는 경제적인 접근 방식을 제공한다. 또한 기존 AI 검사 라인에 예비 AI 기능을 추가할 수 있는 빠른 길을 제공한다. 기존의 컴퓨터 비전 분석은 알려진 데이터 세트로 조정되면 결함이나 매칭 패턴을 찾는 데 탁월하다.

이에 비해 AI는 훈련이 가능하며 더 넓은 데이터 세트에 액세스할수록 더 많은 수의 물체 또는 결함을 찾고 식별하고 세그먼트화 할 수 있다. 새로운 AI 알고리즘을 스마트 프레임 그래버에 추가하여 카메라와 AI 처리 비디오 스트림을 장치에서 기존 머신 비전 소프트웨어로 전송함으로써 보다 정교한 분석을 수행할 수 있다. 내장된 스마트 장치를 통해 센서 수준에서 보다 정교한 처리가 가능하다.

이를 위한 핵심은 실시간 이미지 분석에 필요한 처리 능력을 갖춘 저가의 소형 임베디드 보드를 도입하는 것이다. 임베디드 스마트 장치는 '픽 앤 플레이스' 시스템의 엣지 감지와 같은 반복적이고 자동화된 로봇 프로세스에 이상적이다. 스마트 게이트웨이와 마찬가지로 임베디드 스마트 장치는 AI를 비전 애플리케이션에 통합하기위한 간단한 경로를 제공한다. 여러 스마트 장치와 로컬 및 클라우드 기반의 프로세스 간에 데이터를 공유할 수 있는 능력으로서, AI 기술은 컴퓨터 모델을 교육하여 개체 및 결함 식별을 돕는다. 또한 자체 학습 검사 시스템으로의 마이그레이션을 지원한다.

연결성 문제 해결

2006년 GigE Vision 표준의 도입은 머신 비전 시스템 설계자에게 새로운 수준의 제품 상호 운용성 및 네트워킹 연결성을 제공하는 게임 체인저였다. IoT와 AI를 고려하는 오늘날의 디자이너들도 비슷한 과제에 직면해 있으며, 점점 더 많은 수의 이미징 및 비 이미징 센서와 기존 검사를 떠나 데이터에 대한 새로운 이용을 다루고 있다. GigE Vision은 보다 정교한 분석으로 나아가는 길을 제공하고 있다

산업용 IoT는 다양한 유형의 센서와 엣지 프로세싱을 활용하여 검사 속도와 품질을 향상시킬 수 있는 성능을 보장한다. 그러나 고화질 검사를 지원하는 3D, 초 분광 및 적외선 성능에는 각각 고유한 인터페이스와 데이터 형식이 있다. 즉, 설계자는 고급 센서 기능 또는 장치 간 네트워킹을 활용하기 위해 '혼합 및 일치'검사 시스템을 쉽게 만들 수 없다. 고 대역폭 센서와 증가된 데이터 소스도 대역폭 문제를 야기시킨다.

이미징 또는 데이터 센서를 GigE Vision 장치로 변환하는 새로운 소프트웨어 기술은 각 센서가 공통 언어를 사용하도록 보장한다. 이를 통해 네트워크를 통해 로컬 또는 클라우드 처리로 장치 간 원활한 통신이 가능하다. 또한 엣지 프로세싱은 전송해야 하는 데이터의 양을 크게 줄여 실시간 비전 애플리케이션을 위한 무선 전송을 실현한다.

이 접근법은 이미 3D 검사 시장에서 채택되고 있다. 설계자는 소프트웨어를 사용하여 표면 결함을 식별하는 데 사용되는 기존 센서를 가상 GigE Vision 장치로 변환한다. 이 3D 센서는 콤팩트하고 저전력이다. 또한 종종 모바일 검사 시스템의 일부이며 추가 하드웨어를 위한 공간이 없다. 소프트웨어 접근 방식을 통해 이러한 장치는 “가상 GigE 센서” 로 표시되어 완벽하게 통합된 네트워크를 만들 수 있다.

오늘날 디자이너들은 기존 머신 비전 프로세싱을 분석에 사용하기 위해 이러한 센서의 이미지 피드를 GigE Vision으로 변환하고 있다. 앞으로는 애플리케이션 내의 모든 센서의 출력을 완전히 통합하여 분석하고 궁극적으로는 AI에 대한 완전한 데이터 세트를 제공하는 데 뚜렷한 가치를 둔다.

머신 비전과 클라우드

클라우드와 더 넓은 데이터 세트에 대한 액세스는 IoT를 비전 시장에 도입하는 데 중요한 역할을 한다. 전통적으로는 생산 데이터는 시설에만 국한되어 있었다. 이제는 클라우드 기반의 데이터 분석으로 진화되어, 다수의 글로벌 시설에서 광범위한 데이터 세트를 사용하여 검사 프로세스를 개선할 수 있다. 규칙 기반 프로그래밍에 의존하는 대신, 비전 시스템은 수집된 데이터에서 추출한 알고리즘을 사용하여 결정을 내릴 수 있게 훈련된다. 새로운 데이터 세트에서 학습할 수 있는 확장 가능한 클라우드 기반 접근방식을 통해 AI 및 기계 학습 처리 알고리즘을 지속적으로 업데이트하고 개선하여 효율성을 높일 수 있다.

이 데이터를 제공하는 것은 머신 러닝, AI 및 궁극적으로 심층적인 정보를 활용하여 처리 및 분석을 개선하는 비전 애플리케이션을 위한 딥 러닝을 향한 첫 단계이다. 기존의 규칙 기반 검사는 알려진 변수 세트를 기반으로 결함을 식별하는 데 탁월하다.

이에 비해 머신 러닝기반 시스템은 결함이 변경될 때 검사 문제를 보다 효과적으로 해결할 수 있다(예: 크기, 위치 또는 검사된 장치에서 서로 다른 재료에 따라 흠집을 식별하고 분류하는 등). 새로운 참조 데이터 세트를 사용하여, 다양한 유형의 장치에서 긁힘을 식별하거나 다른 고객의 요구 사항에 따라 합격/불합격 공차를 쉽게 식별할 수 있도록 시스템을 쉽게 훈련시킬 수 있다.

부품식별에 사용되는 로봇 비전 시스템은 객체 식별 이외에도 패턴을 이해하고 다음 조치가 무엇인지 파악하고 실행하기 위해 자체적으로 프로그래밍하기 위해 검증된 데이터 세트를 사용할 수 있다.

잠정적인 AI 기능 통합과 대역폭이 효율적인 장치를 향한 점진적 기술 이동을 통하여 IoT는 이제 비전 산업에 현실이 될 것이다.

첫 번째 주요 단계는 스마트 장치를 사용하여 네트워크 가장자리로 프로세싱을 가져오는 것이다. 이러한 장치는 기존 또는 새로운 비전 시스템에 비용이나 복잡성을 추가하지 않고도 데이터를 통신하고 공유할 수 있어야한다. 마지막으로, 공유 데이터의 개념은 프로세스를 지속적으로 업데이트하고 개선할 수 있도록 하는 것이 핵심이다.

자료 제공: Pleora(www.pleora.com)