제조업의 생산 능력을 향상시키는 딥러닝 기술의 장점
Neurala
모든 제조 생산 라인에는 결함 있는 제품과 구성 요소를 식별하기 위한 프로세스가 있다. 일부 제조업체는 여전히 작업자의 수동검사에 의존하거나 일부는 머신 비전을 사용하고 있으며 일부는 인공 지능(AI)을 통합하여 다음 단계로 이동하고 있다. 제품 결함은 회사에 치명적인 결과를 초래할 수 있다. 결과적으로 값 비싼 제품 리콜, 장비 손상, 폐기된 품목 또는 고객 손실을 초래할 수 있다. 또한 회사의 이미지 및 브랜드를 손상시킬 수 있다.
생산성을 높이는 핵심 방법은 제조 공정 초기에 제품 결함을 정확하게 식별하고 잘못 식별된 제품의 수를 최소화하는 것이다. AI가 시각적 검사를 수행할 수 있게 바뀌고 있다. 제조업체의 경우 딥 러닝을 활용하여 이전보다 빠르고 저렴하며 정확한 자동화를 구현할 수 있다. 육안 검사에 AI를 적용하면, 제조업체가 생산 라인 변경 및 이동에 큰 유연성을 제공하여 공장이 고객 요구 및 선호도의 변화에 대응할 수 있도록 지원한다.
모델을 신속하게 생성, 배포하여 새로운 제품 유형과 구성 요소 또는 새로운 패키징 유형에 맞게 조정할 수 있으며 새로운 검사 시스템을 위한 엔지니어링 구축 시간을 최소화하고 시스템을 구현하는데 필요한 라인 정지시간을 최소화할 수 있다. 시간이 지남에 따라 AI 모델은 더욱 정확해지고 지속적인 학습을 통해 많은 결함을 정확히 감지할 수 있다.
다음 그림은 품질 문제 해결에 대한 몇 가지 일반적인 예다.
제조업체는 생산 환경에서 품질 평가의 시각적 검사에 사용할 수 있는 몇 가지 옵션이 있다.
수동 검사
인간의 눈은 놀랍지만 착시 현상으로 인해 정확한 측정을 식별하거나 표면 거칠기와 같은 특성을 판단하지 못할 수 있다. 인간에게는 한계가 있다. 피로를 겪고 훈련과 연습이 필요하며 처리량이 제한되어 있다. 수동 검사만으로 결함 식별 누락과 존재하지 않는 결함을 포함하여 상당한 오류가 발생될 수 있다. 여러 교대 근무를 하는 공장과 같은 대용량 시설의 경우 수동 검사는 비용이 많이 드는 솔루션이 될 수도 있다.
수동 검사 프로세스를 사용하는 제조업체의 가장 큰 과제는 작업을 수행할 작업자를 찾는 것이다. 고령화 및 퇴직 인력으로 인한 제조업의 노동력 부족과 젊은 근로자를 제조분야에 채용하는 데 어려움이 있기 때문이다.
머신 비전
기계 또는 컴퓨터 비전은 인간의 비전을 쉽게 능가한다. 머신 비전 시스템은 사람의 눈으로 보기에는 너무 작은 이미지 세부 사항을 평가하고 높은 신뢰성과 정확성으로 검사할 수 있다. 생산 라인에서 이러한 시스템은 분당 수백 또는 수천 개의 부품을 정확하고 반복적으로 검사하여 인간의 능력을 앞서가고 있다.
머신 비전 시스템은 방향, 부품 존재, 측정 등과 같은 규칙에 대한 적합성을 평가하기 위해 간단한 논리 기반 규칙을 적용할 수 있을 때 가장 잘 운용된다. 그러나 비전 검사 시스템은 표면의 결함, 변형 또는 어셈블리 검증을 수행하거나 인간이 하는 방식으로 변형을 처리할 능력이 없다.
머신 비전과 AI를 함께
머신 비전 시스템은 부품의 일부 변형을 처리할 수 있지만 복잡한 표면 텍스처 및 이미지 품질 문제로 인해 심각한 검사 문제가 발생한다. 예를 들어, 머신 비전 시스템만으로는 시각적으로 매우 유사한 이미지 간의 편차를 식별하는 데 어려움을 겪을 수 있다.
그러나 머신 비전과 AI를 결합하면 시스템이 제품 및 부품 유형, 검사중인 결함 또는 물체의 위치, 금속 또는 플라스틱의 표면 스크래치 또는 움푹 들어간 곳, 용접 품질을 포함하여 복잡한 부품 및 가변성을 처리할 수 있다. 검사 대상 물체의 환경에 조명이나 반사, 색상 등의 변화가 포함된 경우 다양한 이미지에 대한 교육을 통해 이러한 검사를 자동화할 수 있는 딥 러닝이 더 적합하다.
Neurala 비전의 장점
AI 소프트웨어 딥 러닝 기술을 사용하면 시각적 검사 시스템이 인간 또는 머신 비전 프로세스를 능가할 수 있다. 과거에는 산업 검사를 위해 AI가 배포되었을 때 일반적으로 많은 돈, 시간 및 전문가 등의 리소스를 투자해야만 했다.
Neurala의 비전 AI는 특허 받은 Lifelong-DNN ™ 기술로 구동돼 결함이 있고 허용되지 않는 부품을 묘사하는 이미지를 수집하는 데 시간이 적게 걸리고 어려운 작업이 필요하지 않다. 오늘날 제조업체는 보다 세밀한 결함을 나타내는 이미지를 찾는 데 오랜 시간과 많은 작업이 필요하다.
Neurala의 기술을 사용하여 모델을 구축하면 좋은 부품의 이미지만 사용, 시스템은 모든 종류의 결함을 식별하는 방법으로 학습한다. 또한 추가 데이터가 캡처되고 결함이 식별되면 소프트웨어가 이를 학습하고, 시간이 지남에 따라 정확도가 높아진다. 또한 특정 유형의 결함을 분류하도록 모델을 추가로 학습시킬 수 있다.
Neurala의 기술을 사용하면 소형 단일 보드 컴퓨터에서 대규모 서버에 이르기까지 다양한 운영 체제, CPU, GPU 및 NPU에서 실행되는 에지에 직접 배포할 수 있다. 데이터를 클라우드로 보낼 필요없이 데이터 프라이버시와 보호가 유지된다.
다른 솔루션에 비해 Neurala의 시각 검사의 장점
Neurala의 접근 방식의 장점
- 신속한 프로토 타이핑- 라인에 설치하지 않고도 검사 요구 사항을 테스트할 수 있다.
- 모델 구축에 필요한 데이터 감소- 허용 가능한 부품의 이미지만 모델 개발에 사용할 수 있다.
- 시간이 지남에 따라 성능 향상- 추가 데이터가 캡처 되고 결함이 감지되면 시스템의 정확도가 향상될 수 있다.
- 빠른 교육- 사용하기 쉬운 소프트웨어 플랫폼, 간단하고 직관적인 인터페이스를 제공한다.
- 비용 효율적- 하드웨어 및 카메라를 포함한 기존의 육안 검사 설정을 사용할 수 있다.
- 생산 라인 유연성 활성화- 신제품에 대한 기존 프로세스를 쉽게 변경 또는 수정할 수 있다.
- 데이터 보안- 클라우드 기술에 의존하지 않으므로 데이터 보안이 유지된다.
- AI 전문가의 필요성 감소- 직원은 플랫폼에서 모델을 구축하도록 쉽게 교육을 받을 수 있다.
- 신속한 ROI- 신속한 배포 및 검사 비용을 절감할 수 있다.
Neurala의 입증된 컨셉
Vision AI를 검사 프로세스에 적용 시, Neurala는 모델의 신속한 프로토타이핑을 위한 Brain Builder 소프트웨어를 무료로 제공한다. Brain Builder 소프트웨어 플랫폼을 사용하면 컨셉을 개발하고 그 결과에 확신을 가질 수 있게 된다.
자료 제공: Neurala(www.neurala.com)
