머신 비전의 딥 러닝 장점과 소프트웨어 역할

Matrox

요약

인공지능, 특히 딥 러닝을 통한 머신 러닝은 언어 처리, 추천 엔진을 통한 전자 상거래, 컴퓨터 진단을 통한 의료 지원 등에서 각종 유지보수에 이르기까지 수많은 애플리케이션에서 사용되고 있다. 본문에서는 머신 비전의 딥 러닝 장점과 소프트웨어의 역할을 설명한다.

머신 비전 및 딥 러닝- 과제

머신 비전은 제품의 제조 및 처리에서 발생하는 식별, 검사, 안내 및 측정 작업을 다룬다. 기존의 머신 비전 소프트웨어는 특정 알고리즘과 휴리스틱 기반 방법으로 이러한 작업을 처리했다. 이 방법을 구현하려면 전문 지식, 기술과 경험이 필요하기 때문에 적응하는 능력이 부족한 경우가 있다.

딥 러닝은 업계에서 요구되는 수준의 결과(예: 3σ 또는 최소 99.7%의 프로세스 정확도)를 생성하려면 수집된 샘플 데이터를 기반으로 한 학습 프로세스가 필요하다. 또한 생산량에 악영향을 미칠 수 있는 예기치 않은 상황을 위해 더욱 많은 학습이 필요하다. 아울러 딥 러닝은 주로 데이터를 분류하는 데 사용되고, 머신 비전 작업이 이 접근 방식에 적합하지는 않다는 점을 먼저 인식해야 한다.

딥 러닝이 적합한 분야

딥 러닝은 이미지 또는 해당 픽셀과 같은 데이터를 두 개 이상의 범주로 분류하는 프로세스이다. 딥 러닝은 특히 개체 또는 개체 특성을 인식하는데 적합하다. 예를 들어 위젯 A가 위젯 B와 다른 지 식별하는 등이다. 또한 이 기술은 결함을 감지하고 만료 날짜 및 로트 코드와 같은 텍스트 문자와 기호를 인식하는 데도 유용하다.

딥 러닝은 불균일하거나 질감이 있는 이미지 또는 표시가 정상적인 방식으로 변경되는 위젯 이미지 내에서 불규칙성을 찾는 것과 같은 복잡하고 가변적인 상황에서 탁월하지만(그림 1), 딥 러닝만으로는 위치 정확도와 정밀도가 극도로 높은 패턴을 찾을 수 없다.

딥 러닝을 이용한 분석은 확률 기반 프로세스이므로 정확성이 필요한 작업에 적합하지 않다. 고정밀도 및 고정확도의 정밀 측정은 여전히 기존의 머신 비전 소프트웨어의 영역이다. 특정 알고리즘을 기반으로 하는 바코드 및 2차원 기호의 디코딩도 딥 러닝 기술에 적합한 영역이 아니다(그림 2).

심층 신경망

딥 러닝은 머신 러닝의 최신 표현으로, 지도 학습, 비지도 학습, 강화 학습의 세 가지 유형으로 나뉜다. 딥 러닝 기술은 딥 뉴럴 네트워크를 사용하여 분류 기능을 수행한다. 이러한 신경망은 데이터를 해석하기 위해 인간의 뇌가 감각 입력을 처리하는 방식에서 영감을 얻어 구현했다. 특히 딥 러닝 기술은 컨볼루션 신경망(CNN, convolutional neural network) 또는 인접한 데이터를 활용하여 이미지를 분석한다.

심층 신경망은 여러 계층으로 구성된다(그림 3). 입력 계층은 신경망이 처리해야하는 이미지 속성을 정의한다. 두 개 이상의 추출 기능(예: 모서리와 모서리 등)을 계산할 수 있는 히든 레이어는 점진적으로 복잡해지고 공간을 차지한다. 마지막으로 출력 계층은 분류를 설정하고 추론 또는 예측 결과를 제공한다.

학습 준비

먼저 CNN이 기능을 수행하기 위해 참조 이미지를 사용하여 학습되어야 한다. 학습을 시작하기 전에 사용자는 시간을 내어 신중하게 참조 이미지 세트를 수집하고 준비해야한다. 수집은 카메라, 렌즈 및 배포된 시스템에서 사용할 조명과 동일하거나 거의 동일한 조명으로 시작한다. 휴대폰과 같이 다른 설정을 사용하면 해당 모델이 생성되지 않는다.

참조 이미지 세트 또는 데이터 세트는 애플리케이션 조건을 충분히 반영해야 한다. 그렇게 하지 않으면 예측 결과가 좋지 않다. 데이터 세트의 정확한 크기는 수행하려는 학습 유형에 따라 결정된다. 데이터 세트는 원하는 클래스 당 대략 500개의 이미지로 구성되어야 한다. 애플리케이션이 간단하거나(예: 하나의 일관된 개체와 균일하고 안정적인 배경이 있는 이미지) 다른 조건을 쉽게 합성할 수 있는 특정 인스턴스에서는 적은 수의 데이터 세트로 훈련할 수 있다.

균형 잡힌 데이터 세트를 생성하기 위해 이미지를 획득하는 것은 어려운 일이다. 고전적인 이미지를 합성하여 이러한 부적절함을 극복할 수 있다(그림 4).

데이터 세트는 학습 전에 최소 2개, 바람직하게는 3개의 하위 집합으로 분할해야하기 때문에 많은 이미지로 구성되는 것이 이상적이다.

첫 번째 하위 집합인 trainset은 실제로 모델을 학습하는 데 사용되며 수학적 가중치 조정이 포함된다. devset은 두 번째 하위 집합이며 분류 결과와 예상되는 분류 결과 간의 차이를 추적하여 학습 프로세스를 모니터링하는 데 사용된다.

세 번째 하위 집합은 testset이라고 하며, 훈련된 모델의 성능을 독립적으로 평가하기 위해 맨 끝에 사용된다. Testset이 사용되지 않으면 devset가 평가 역할을 맡게 된다. 모든 경우에 데이터 세트는 주제 자체의 모양과 잠재적인 변화와 환경(조명의 차이)을 포함한 모든 변화를 예상해야 한다.

특정 클래스에 대해 원치 않는 편향으로 이어질 수 있는 모호성을 도입하지 않도록 주의해야 한다. 예를 들어 표준을 충족하는 위젯의 이미지는 특정 조명으로 촬영되는 반면, 표준에 실패한 위젯의 이미지는 다른 조명으로 촬영한다. 이 예에서 학습이 완료되고 딥 러닝 시스템이 배포되면 후자의 조명과 함께 나타나는 위젯의 이미지를 시스템에서 잘못 분류할 가능성이 있다. 이 예는 열악한 CNN 학습의 단점을 보여준다.

일단 획득한 참조 이미지는 원하는 클래스별로 하나씩 신중하게 그룹으로 분류해야 한다. 각 이미지는 클래스에 따라 레이블을 지정해야 한다. 성공적인 학습을 위해 효과적인 라벨링이 필요하다(그림 5). 데이터 세트의 레이블링은 효과적인 학습에 매우 중요하므로 품질 관리 기술자등 전문가가 수행해야한다.

모델 학습 및 평가

모델 학습 프로세스는 위 세 가지 방식 중 하나로 진행하며 전이 학습(transfer learning)을 통한 미세 조정을 통해 개선된다. 사용되는 방식은 목표 뿐만 아니라 이미지의 양에 따라 다르다. 학습 데이터 세트의 크기가 제한적일 때 특히 특징 추출 부분을 학습해야 한다. 미세 조정은 예상치 못한 조건 또는 경계선 케이스의 참조 이미지를 획득해야 한다.

모델을 처음부터 학습하려면 수많은 하이퍼 파라미터를 설정하고 조정해야 한다. 이들 중 일부는 학습이 시작되기 전에 설정된다. 이는 상용 소프트웨어에서 제공하는 기본 설정을 사용하면 해결된다. 나머지 하이퍼 파라미터의 조정은 반복적인 프로세스를 통해 자동화되며 분류 오류를 최소화하기 위해 수학적 가중치를 변경하면 된다(그림 6 참조). 컴퓨터의 그래픽 처리 장치(GPU)가 제공하는 대규모 병렬 처리 도움을 받는다.

최적의 모델이 생성되면 배포 전에 속도, 정확성, 견고성을 평가해야 한다. 모델은 클래스별로 전달되고 분류 결과를 요약한 표로 결과가 생성된다. 여기서 견고성은 각 클래스에 대한 분류 점수에 의해 결정된다(그림 7).

최적의 조합

이제 딥 러닝에 대한 이해를 통해 기존 소프트웨어를 대체하는 것이 아니라는 것이 분명해졌다. 따라서 기존 도구와 딥 러닝 도구를 포함한 소프트웨어를 선택하는 것이 비전 시스템을 개발에 필요하다.

딥 러닝은 기계 학습 전문가가 필요 없을 만큼 충분히 성숙한 기술이지만 딥 러닝을 사용하려면 세심한 준비 작업과 심층적인 응용 지식이 수반돼야 한다. 그리고 사용자 친화적인 그래픽 인터페이스를 갖춘 머신 비전 소프트웨어는 학습 데이터 세트 준비, 학습 프로세스 모니터링 또는 학습 결과 분석 등 생산성을 보장하는 데 중요하다.

Matrox Imaging 소프트웨어

Matrox Imaging은 머신 비전 도구와 딥 러닝을 기반으로 하는 이미지 분류 도구를 포함한 소프트웨어 개발 패키지를 제공한다. Matrox Imaging Library(MIL) X는 프로그램 코드를 작성하여 애플리케이션을 생성하는 소프트웨어 개발 키트이다.

Matrox Design Assistant X는 플로우 차트를 구성하고 애플리케이션을 생성하는 통합 개발 환경이다(그림 8). 두 소프트웨어 패키지에는 MIL CoPilot 대화형 환경(그림 6)의 이미지 분류 모델이 포함되어 있으며, 프로그램 코드 생성 기능도 있다.

두 소프트웨어 사용자는 Matrox Vision Academy 온라인 포털 액세스 권한을 가지며 이미지 분류 소프트웨어 비디오 모음을 볼 수 있다.

자료 제공: Matrox(www.matrox.com)