빅 데이터로부터 품질 좋은 데이터 활용-머신 비전에 AI를 액세스

Landing AI

소개

인공 지능(AI, Artificial intelligence)은 의심의 여지 없는 미래의 기술이다. 실리콘 밸리의 거대 기술 회사들은 매일 수집하는 방대한 양의 데이터에서 학습할 수 있는 복잡한 알고리즘을 개발하였다. Google에서의 검색이든 Netflix에서 보는 영화 및 시리즈이든 상관없다. 이들 기업은 머신 러닝 분야를 발전시켰을 뿐만 아니라 AI의 성능 증명에 도움을 주었다.

딥 러닝과 같은 AI 기술은 정확하고 효과적이며 유연한 자동 검사 프로세스에 대한 엄청난 잠재력을 제공한다. 그러나 머신 비전 시스템의 AI 채택은 예상만큼 빨리 이루어지지 않았다. 딥 러닝의 이점을 제대로 누리려면 제조업체는 패러다임을 코드 중심 개발에서 데이터 중심 접근 방식으로 전환해야 한다.

규칙 기반 머신 비전(rules-based machine vision)이 부족한 격차를 메움으로써 딥 러닝 소프트웨어는 자동화된 검사 시스템을 효율성과 기능의 새로운 시대로 이끌 수 있다.

머신 비전 시너지

규칙 기반 머신 비전 시스템은 지난 수십 년 동안 서로 다른 검사 작업을 자동화하는 데 도움이 되어 제조 프로세스를 늦추지 않으면서도 품질을 개선하고 효율성을 높였다.

이러한 성공의 주요 이유 중 하나는 고도로 자동화된 공장에서 표준화된 제품의 대량 생산이 머신 비전 구현을 위한 이상적인 조건을 제공한다는 것이다. 제조된 제품이 표준화되고 제조 프로세스가 통제된 환경에서 구현되어 자동화된 머신 비전 검사가 실행 가능한 옵션이 된다. 특히, 생산 라인의 속도, 물체의 모양, 식별할 결함 유형 및 조명 조건은 각 생산 실행 동안 일관되게 유지된다.

그러나 규칙 기반 머신 비전은 제품이나 프로세스에 더 많은 가변성이 포함될 때 한계에 도달한다. 예를 들어 과일, 채소, 목재와 같은 유기농 제품의 가공은 본질적으로 표준화되지 않았다. 일부 생산 공정에서는 주변 조명의 변화로 인해 제품 결함이 하루 중 다른 시간에 획득한 이미지에서 다르게 보일 수 있다.

다른 경우에는 긁힘과 같은 외관상의 결함이 얼룩, 먼지 또는 기타 표면 오염 물질과 구별하기 어려울 수 있다. 딥 러닝은 이러한 각 애플리케이션을 개선하여 머신 비전 솔루션을 보다 유연하고 변화에 적응할 수 있도록 한다.

어려움

규칙 기반 알고리즘을 사용하여 결함을 수치상으로 정의하는 기존 머신 비전 시스템 설계와 달리 AI 솔루션(딥 러닝 머신 비전 솔루션이라고도 함)은 작업자가 전문적으로 태그를 지정한다.

본질적으로 딥 러닝 소프트웨어는 인간 교사의 지시에 따라 인간 또는 기존 머신 비전 솔루션이 제공하는 것보다 훨씬 더 많은 시각적 신호를 고려하여 좋은 것과 나쁜 것을 학습한다. 결과적으로 딥 러닝 머신 비전 솔루션은 기존 머신 비전 솔루션보다 더 많은 애플리케이션을 더 빠른 속도로 사용할 수 있다.

AI는 제조 분야에서 많은 가능성을 제공하지만 머신 비전 전문가는 실제로 딥 러닝을 구현하는 데 있어 많은 장애물에 직면한다. 규모는 하나의 과제이다. Google과 같은 AI 개척자는 수십억 명의 사용자를 보유하고 있으며 모두 유사한 작업(예: 키워드 검색 또는 YouTube에서 동영상 시청)을 하고 있다. 그들의 AI는 엄청난 양의 데이터에 의해 공급되며 데이터 유형은 동질적이다. 그러나 머신 비전의 경우 인쇄 회로 기판 검사에서 과일 분류, 병 채우기 수준 제어에 이르기까지 적용 범위가 다양하기 때문에 동질적이지 않다.

데이터는 이질적이며 이러한 다양성은 각 애플리케이션 세그먼트가 더 작다는 것을 의미한다. 또한 현대 제조에서는 결함이 있는 제품의 비율이 낮다. 대부분은 사양을 수정하도록 제작되었다. 따라서 문제를 정의하는 데 사용할 수 있는 특정 결함의 이미지 수(예: 병뚜껑 누락)는 제한될 수 있다. 데이터가 부족하면 기존 생산 라인의 품질 보증 시스템이나 시뮬레이션을 통해 딥 러닝 모델을 개선하기 위해 추가 결함 데이터를 획득해야 하므로 효과적이지 않은 딥 러닝 머신 비전 솔루션이나 개발 시간이 많이 필요한 시스템이 될 수 있다.

이러한 허용 가능한 결함 데이터 세트의 부족과 숙련된 AI 설계자의 부족으로 인해 프로토타이핑에서 실제 시리즈 생산에 이르는 검사 시스템의 개발 및 검증이 느려질 수 있다. 이러한 여러 이유로, 산업용 머신 비전 애플리케이션에서 AI의 채택은 예상만큼 빠르지 않았으며, 많은 제조업체가 이러한 움직임을 주저하고 있다. 제조 기업에 대한 딥 러닝의 잠재적 이점이 의심스럽기 때문이 아니라 성공에 대한 장벽이 너무 높아 보이기 때문이다.

보다 나은 데이터, 보다 나은 결과

AI는 공장 현장 애플리케이션의 특성에 적응할 수 있다. Landing AI의 CEO인 Andrew Ng 박사에 따르면 AI 산업은 주로 방대한 양의 데이터를 수집하는 데 주력해 왔다. 그러나 그는 "빅 데이터" 접근 방식에서 "품질 데이터" 접근 방식으로 전환하는 것이 제조 분야에서 보다 광범위한 AI 배포에 대한 장벽을 낮추는 패러다임 변화가 될 수 있다고 덧붙였다.

실제로 데이터 중심 AI 설계 접근 방식은 설계자가 특정 값을 변경하거나 샘플링에 사용된 통계적 방법을 변경한 결과 AI/딥 러닝 모델을 수정하려고 하기보다 AI 모델을 훈련하는 데 사용되는 데이터의 품질에 중점을 둔다.

Ng는 제조업체가 이미지 수에만 초점을 맞추는 것보다 결함 이미지를 올바르게 분류하고 등급을 매기고 레이블을 지정하는 데 집중할 것을 제안한다. AI 이론에 따르면 데이터의 10%만 잘못 표기되어도 제조업체는 특정 수준의 정확도를 달성하기 위해 새로운 데이터가 1.88배 필요하다. 데이터의 30%가 잘못된 레이블이 지정되면 제조업체는 깨끗한 데이터가 있는 상황에 비해 8.4배 많은 데이터가 필요하다.

따라서 머신 러닝 작업을 준수하는 데이터 중심 AI/딥 러닝 설계 플랫폼이 상당한 시간과 에너지를 절약하는 동시에 시스템 최적화에 대한 책임을 양질의 데이터를 제공해야 하는 고객에게 되돌릴 수 있다는 것이 빠르게 명백해진다.

사람을 염두에 둔 AI 설계 환경

Landing AI의 LandingLens 딥 러닝 소프트웨어와 같은 새로운 MLOps 설계 환경은 프로그래머가 아닌 사람들도 딥 러닝 시스템 설계를 사용할 수 있도록 하는 동시에 매우 효과적인 데이터 중심 머신 비전 설계를 최적화할 수 있는 도구를 제공한다.

이 소프트웨어의 도구는 학습 데이터의 정확성과 품질을 극대화하기 위해 공장 라인에 있는 전문가의 지식을 활용하는 것을 목표로 AI 프로그래머가 아닌 제조 전문가를 위해 설계되었다.

샘플 이미지를 획득한 후, 첫 번째 단계는 결함의 존재와 위치를 식별하여 이미지에 레이블을 지정하는 것이다. 두 기준 모두 중요하다. 그러나 이러한 선택의 기준은 모호할 수 있다. 예를 들어, 금속 표면의 찌그러짐이 부적합이라면 작은 흠집은 어떨까?

전문가마다 의견이 다를 수 있으며, 이는 글로벌 기업은 고사하고 같은 시설 내에서도 다를 수 있다. 효과적인 딥 러닝 설계 환경은 레이블이 지정된 데이터에서 이상값을 자동으로 식별하는 방법을 제공하여 품질 검사자 간에 합의를 구축하고 최종 시스템 성능을 개선하는 데 도움이 된다. 이를 종종 "결함 책자(defect book)"라고 하며, 모든 참가자가 목표에 동의하고 성공이 어떤 모습일지 보장하는 결함 제품을 구성하는 가장 좋은 예를 포함한다.

사내 지식 활용

최적의 레이블이 지정된 훈련 데이터를 사용하면 데이터양이 제한되어 있더라도 딥 러닝 기반 머신 비전 시스템을 안정적으로 훈련할 수 있다. 이 데이터 기반 접근 방식에는 다음과 같은 다른 이점이 있다.

• 외부 데이터 과학자가 아닌 제조 전문가의 사내 지식을 바탕으로 머신 러닝 알고리즘을 조정한다.

• 데이터는 해당 분야 전문가에 의해 수집, 등급화 및 레이블 지정되기 때문에 시스템은 애플리케이션의 특정 요구 사항에 맞게 조정된다.

• 이 데이터 중심 접근 방식은 결과 모델이 제품을 자동으로 검사하는 데 효과가 있게 하여 개발 실험실에서 생산 라인으로 이동할 때 시스템을 최적화하는 데 필요한 시간을 줄인다.

• 마지막으로, 데이터 중심 프로세스는 오늘날의 제조 문제를 해결하기 위해 위탁된 머신 비전 솔루션을 훈련할 뿐만 아니라, 기존 생산 라인에 새로운 제품을 도입하는 것을 단순화하고 시스템 통합자가 최종 제품의 품질에 영향을 미치는 새 장비 또는 노후 장비와 같은 변화하는 조건에 생산을 적응시키는 데 도움이 된다.

머신 비전은 거의 모든 산업 분야에서 구현된다. 이 유틸리티로 인해 각 애플리케이션과 각 비전 시스템은 고유하며 데이터 수집에서 데이터 품질, 지원에 이르기까지 고유한 문제에 직면해 있다. 각각의 경우, 양보다 데이터 품질에 초점을 맞추면 제조 산업이 현재와 미래의 검사 시스템에 대한 딥 러닝의 이점을 얻을 수 있다.

자료 제공: LandingAI(www.Landing.AI)