Industry 4.0 엣지 프로세싱과 스마트 장치 역할

Pleora

임베디드 비전

비전 검사 및 자동화 시장에서 센서의 네트워킹 발전과 기계의 인공지능(AI) 결합이 사물인터넷(IoT) 발전에 기여하고 있다. 종전에는 실시간 이미징 분석 및 의사 결정을 위해선 카메라 또는 센서가 압축되지 않은 데이터를 중앙 프로세서로 다시 전송했다. 이 접근 방식은 높은 대역폭으로 인해 센서가 전송 병목 현상과 과도한 데이터 처리로 설계에서부터 문제가 됐다.

검사 네트워크에서 처리 및 의사 결정을 수행하는 스마트 센서의 진화는 이러한 문제를 극복하는 데 도움이 된다. 스마트 장치는 데이터를 수신 및 처리하고 결정한 다음 다른 장치와 로컬 또는 클라우드로 보낸다.

로컬의 의사 결정은 중앙 프로세서로 다시 전송하는 데 필요한 데이터양을 크게 줄인다. 이렇게 하면 대역폭 요구가 감소하는 동시에 중앙 집중식 처리 능력이 유지된다. 엣지에서 의사 결정을 내리면 시스템은 실시간 고 대역폭 데이터를 공유 할 수 있으며 궁극적으로 보다 효율적이고 확장 가능한 시스템을 개발할 수 있다.

이러한 장치는 기존 검사 네트워크에 직접 통합되는 스마트 프레임그래버의 형태이거나 기존 카메라를 우회하는 소형 센서 및 임베디드 프로세싱 보드 형태이다. 예를 들면 스마트 외부 프레임그래버를 품질 검사 라인에 직접 통합하여 기존 카메라에서 데이터를 수신하고 결정을 내릴 수 있다. 이는 고가의 카메라 및 처리 시스템을 업그레이드하는 것과 비교하여 엣지 처리를 구현하는 경제적인 접근 방식이다.

임베디드 스마트 장치를 사용하면 센서에서 보다 정교한 처리가 가능하다. 이를 위해 실시간 이미지 분석에 필요한 처리 능력을 갖춘 저렴한 소형 임베디드 보드를 도입하는 것이다. 스마트 프레임그래버와 마찬가지로 임베디드 이미징은 AI를 비전 애플리케이션에 통합하는 직접적인 경로를 제공한다.

여러 스마트 장치 간에 데이터를 공유하고 로컬 및 클라우드 기반 처리를 통해 AI 기술을 사용하면 컴퓨터 모델이 객체 결함을 식별하도록 교육하는 동시에자가 학습 로봇 시스템으로 통합할 수 있다.

엣지 처리를 네트워크에 통합하는 또 다른 비용 효율적인 접근 방식은 소프트웨어를 이용하는 것이다. 이미징 또는 데이터 센서를 GigE Vision 장치로 변환하는 소프트웨어 기술을 사용하여 각  센서가 공통 언어를 사용하도록 한다. 이를 통해 네트워크를 통한 장치 간 원활한 통신과 로컬 또는 클라우드로 돌아갈 수 있다.

예를 들어 3D 프린지 검사 애플리케이션에서 로봇 팔의 센서는 제조 공정 중 표면 결함과 불연속성을 식별하는 데 사용된다. 이러한 3D 센서는 소형이고 저전력이며, 추가 하드웨어를 위한 공간이 필요없는 모바일 검사 시스템이다. 소프트웨어를 사용하면 이러한 장치가 ‘가상 GigE 센서’로 표시되어 원활하게 통합된 네트워크를 만들 수 있다. 설계자는 기존 머신 비전을 이 센서를 통해 이미지 전송을 GigE Vision으로 변환할 수 있다.

궁극적으로 AI를 위한 완전한 데이터 세트를 제공하기 위해 애플리케이션 내의 모든 센서 출력을 완전히 통합하는 것은 분명한 가치가 있다.

AI 기능 추가

비전 검사 애플리케이션을 위해 AI에 많은 관심이 갖지만 몇 가지 요인으로 인해 도입하기엔 여전히 부담이 된다. 우선, 이 새로운 기능은 기존 카메라와 처리 시스템에 원활하게 맞아야 한다. 또한 알고리즘 교육은 외부 전문 지식을 필요로 하는 길고 복잡하며 비용이 많이 드는 프로세스라는 우려가 있다.

이러한 문제를 극복하기 위해 시스템 설계자와 사용자는 기존 비전 호환 이미징 소스를 사용하면서 기계 학습 기능의 AI를 제공하는 진화적인 접근 방식의 하드웨어 솔루션을 활용할 수 있다. AI에 대한 ‘플러그인’ 접근 방식을 통해 사용자와 통합자는 추가적인 프로그래밍 지식이 없이도 기계 학습 기능을 배포할 수 있다. 대신 이미지와 데이터가 호스트 PC의 소프트웨어에 업로드가 되어 하드웨어 솔루션에 AI 모델이 자동으로 생성된다.

예를 들어, 제약 시장에서 기계 학습 하이퍼 스펙트럼 이미징을 사용하여 알약 성분의 미묘한 변화를 감지하여 규격을 벗어난 제품을 선별할 수 있다. 종전에는 이 프로세스에 대한 알고리즘을 작성하는 것은 노동 집약적이었다.

반면 플러그인 접근 방식을 사용하면 이미지와 데이터가 호스트 PC의 소프트웨어에 업로드 되어 하드웨어 플랫폼에 배포되는 신경망을 생성한다. 더 복잡한 또는 맞춤형 검사 애플리케이션의 경우 설계자는 플랫폼의 처리 유연성을 활용하여 오픈 소스 또는 맞춤형 알고리즘을 사용할 수 있다.

사물 인터넷과 클라우드

IoT를 비전 시장에 도입하는 데 클라우드와 데이터 세트에 대한 액세스는 중요한 부분이다. 기존의 생산 데이터는 공장 시설의 한계로 인해 제한되었다. 이제는 클라우드 기반 데이터 분석으로 진화하고 있으며, 여기에서 글로벌의 광범위한 데이터 세트를 사용하여 인더스트리 4.0의 검사 프로세스로 개선할 수 있다.

규칙 기반 프로그래밍에 의존하는 대신 수집된 데이터에서 추출된 알고리즘을 사용하여 의사 결정을 내리도록 비전 시스템을 학습할 수 있다. 새로운 데이터 세트에서 학습한 확장 가능한 클라우드 기반 접근 방식을 통해 알고리즘을 지속적으로 업데이트하고 개선하여 효율성을 높일 수 있다.

이 데이터를 제공하는 것은 머신 러닝, AI 등 심층적인 정보를 활용하여 처리 및 분석을 개선하는 비전 애플리케이션을 위한 딥 러닝의 첫 번째 단계이다. 비전 시스템은 실시간 데이터에 무제한 원격 액세스 할 수 있다. 사물을 식별하는 것 외에도 비전 시스템은 패턴을 예측 및 이해하고, 다음 작업이 무엇인지 알고, 자체 프로그래밍 할 수 있다. 공유 데이터의 개념은 비전 산업에서 새로운 개념이지만 기계 학습 IoT 시스템 프로세스를 지속적으로 업데이트하고 개선할 수 있도록 보장한다.

결론

스마트 장치와 엣지 프로세싱은 인더스트리 4.0시대에 비전의 자산이다. 이러한 소형, 경량, 저비용 장치를 통해 클라우드 기반 AI 기능은 산업 자동화 시장에서 앞으로 두드러지게 활약할 것이다.

자료 제공: Pleora(www.pleora.com)