머신 비전 프로세스의 장점과 AI 기능을 결합한 ‘하이브리드 AI’
Pleora
본문에서는 머신 비전 프로세스의 장점과 AI 기능을 결합한 새로운 접근 방식 ‘하이브리드 AI’를 소개한다.
AI 머신러닝, 딥 러닝은 무엇인가
AI는 지능적인 방식으로 문제를 해결하고 작업을 완료하는 등 광범위하게 정의된다. AI는 언어 처리, 음성 인식 및 전자 상거래와 같은 응용 프로그램 등에서 사용되고 있다. 온라인으로 제품을 구매할 때 플랫폼에는 ‘추천’ 기능이 있다. 이는 AI가 하는 역할이지만 개발자는 먼저 각 기능을 엔지니어링 해야 한다. 고객 A가 제품 XY를 구매하는 경우 제품 Z도 좋아할 수 있기 때문이다. 이와같이 머신 비전 애플리케이션에서 결함이나 문제를 식별하기 위해서는 하드 코딩된 엔지니어링이 필요하다.
머신 러닝은 기계가 사람의 개입없이 문제를 해결하는 방법을 학습하는 AI 분야이다. 딥 러닝은 인간의 뇌가 작동하는 방식에서 영감을 받은 인공 뉴런으로, 신경망을 지칭하는 머신 러닝의 한 분야이다. 이 신경망은 많은 데이터와 관련 기능을 학습하는 네트워크가 특징이다. 신경망은 인간처럼 데이터를 수집할 때 성능을 향상시키고 자신을 가르칠 수 있다. 신경망은 결정을 하기 위해 모든 데이터를 분석하고 예측한다.
네트워크가 많은 결정을 내릴수록 검증 및 확인을 통해 스스로 수정 방법을 배운다. 시간이 지남에 따라 능력과 예측 기술은 향상된다. AI의 최종 목표는 자율성이다. 기계가 바로 완전히 자율적일 수는 없지만 학습을 통해 인간의 개입없이 의사를 결정하고 처리할 수 있는 기능을 개발하는 것이다. 예를 들어 검사 애플리케이션의 AI목표는 오류를 학습해 결함 제품을 스스로 식별할 수 있는 지점까지 학습하는 것이다.
물체 분류, 감지 및 세분화와 같은 머신 비전 기능에 대해 많은 연구가 진행되고 있다. 전통적인 비전 프로세스에 AI 기술을 추가함으로써 제조업체는 인적 자본 및 제품 관리 측면에서 품질검사 오류와 비용을 크게 줄일 수 있다. 특히 대규모 제조업체의 경우 제품 라인이 중단되면 시간과 비용이 많이 발생하는 2차 수동 검사를 해야 한다.
솔루션을 제공하는 하이브리드 AI
하이브리드 AI의 이점을 이해하기 위해, 기존의 비전 검사 애플리케이션을 고려하면서 사용자 및 통합자 문제를 다시 살펴본다. 새로운 하이브리드 AI 접근 방식은 알고리즘 개발과 에지 처리를 통합하여 사용자에게 유연한 end-to-end 솔루션을 제공한다.
AI 알고리즘 개발 및 교육
컴퓨터 비전 애플리케이션에서 개발자는 작업 알고리즘을 수동으로 조정한다. 제품 A와 B가 오류로 간주되는 항목에 대해 다른 임계값이 있는 경우 사용자 정의가 필요하다. 부정확성은 생산을 중단하고 값비싼 2차 육안검사를 해야만 하는 결과를 가져온다. 결국 결함이 있거나 품질이 떨어지는 제품을 시장에 출시하는 오류를 범할 수 있다.
마찬가지로 AI 알고리즘 교육에는 이미지 입력, 라벨 결함, 미세 조정 감지 및 모델 최적화를 위한 여러 단계와 전용 코딩이 필요하다. 최근에 기업들은 플러그 앤 플레이 머신 러닝 품질검사 애플리케이션을 개발하기 위해 직관적인 드래그 앤 드롭 방식으로 코드 없는 소프트웨어 플랫폼을 개발하고 있다. 사용자는 전문기술이나 외부 컨설팅 없이도 며칠, 몇 분 만에 고급 컴퓨터 비전, AI, 머신 러닝 및 딥 러닝 기능을 설계하고 투입할 수 있다.
AI 플러그인은 비전 및 AI 프로그래밍을 위한 블록 기반 도구를 사용하여 웹 브라우저에서 개발할 수 있다. 플랫폼을 통해 표준 기능(예: 감지, 임계 값, 측정, 패턴 일치 및 바코드 판독)과 딥 러닝 분류 및 객체 감지 기술을 컴퓨터 비전 플러그인을 설계할 수 있다. 대부분의 사용자는 며칠이 아닌 몇 시간 만에 AI 알고리즘을 개발할 수 있다.
이 플랫폼은 개발자가 Python을 사용하여 플러그인을 코딩 및 테스트하고, 컴퓨터 비전 및 AI 플러그인을 사용자 정의하고, 모든 유형의 AI 모델을 실행하기 위한 플러그인을 생성할 수 있는 유연성을 제공한다. 또한 사용자는 품질검사 및 하이퍼 스펙트럼 이미징을 위한 플러그인 AI 기술을 통해 고급기능을 쉽게 적용할 수 있다.
엣지 프로세싱
하이브리드 접근 방식은 에지 처리 및 임베디드 기술을 활용하여 기존 인프라와 함께 AI 기능을 원활하게 추가한다. 플러그인은 카메라와 호스트 PC 사이의 중간 장치 역할을 하는 임베디드 플랫폼으로 전송된다. 임베디드 장치는 기존 애플리케이션을 위해 이미지를 획득하고 필요한 AI 기술을 적용한다. 처리된 데이터는 GigE Vision을 통해 검사 애플리케이션으로 전송되어 마치 카메라에 직접 연결된 것처럼 수신한다. 또한 임베디드 장치는 이미지를 소프트웨어 플랫폼으로 다시 전송할 수 있다.
사용자는 오프라인 검사를 투입하여 프로세스를 자동화하는 하이브리드 방식을 시작할 수 있다. 예를 들어 AI는 분석을 위해 이미지 또는 제품에 플래그를 지정하여 수동 프로세스를 향상시킬 수 있다. 이 장치는 기존 처리 도구와 병행된 플러그인 기술로 이미징 데이터를 처리하여 보조 검사 도구로 사용할 수도 있다. 오류 알람 또는 결함이 감지되면, 임베디드 장치에서 2차 검사 결과를 확인할 수 있다.
수집된 데이터로 시스템을 지속적으로 교육하고 결과에 대한 신뢰를 구축하는 동안 사용자는 점차 AI 기반 검사 모델로 전환할 수 있다. 시간이 지남에 따라 사용자는 효율성 높은 분석기반 검사 데이터를 사용할 수 있게 된다. 예방적 유지보수를 위해 데이터를 사용하여 기계 성능을 모니터링하고 클라우드 기능을 활용하여 전 세계 시설에서 데이터를 공유하며 검사 프로세스를 개선할 수 있다.
하이브리드 AI는 어디까지 사용되고 있는가
소비재
하이브리드 AI는 소비재, 자동차, 식음료, 인쇄 및 포장 등의 시장에서 효율성, 품질 및 수익을 개선하는 데 사용되고 있다. AI는 기존의 머신 비전 품질 검사를 개선하여 2차 육안검사 알람 및 생산 오류를 줄인다. 여기에는 결함 상품에 대한 선별 검사와 제품 브랜드 검사 등이 포함된다.
자동차
엔진, 드라이브, 제동 및 전기 시스템을 포함한 자동차의 주요시스템 구성 요소를 검사하는 데 사용된다. 오류 교정, 치수 검증 등 기존 비전과 사람 검사를 조합하는 자동자 표면 품질 프로세스가 포함된다.
음식 및 음료
식품 검사시 초 분광 이미징을 채택하여 이물질을 감지하고 제품이 품질 표준을 충족하는지 확인해, 비용이 많이 드는 육안 검사를 줄인다. 하이브리드 AI는 하이퍼 스펙트럼 이미징 소스에서 이미지 수집을 자동 처리하고 GigE Vision을 통해 처리된 데이터를 검사 및 분석 플랫폼으로 전송함으로써 애플리케이션과 기존 머신 비전 소프트웨어 간의 격차를 해소한다.
인쇄 및 포장
인쇄 및 라벨링 오류 감지에서 계산 및 분류까지 자동화한다. 라인 정지시간이 없이 임계값에 맞춰 단기 포장검사를 학습한다. 예를 들어 하이브리드 AI는 배송 비용을 줄이고 누락된 부품과 라벨링 오류를 식별하여 고객 만족도를 높이고 낭비를 줄여준다.
자료 제공: Pleora(www.pleora.com)
