딥러닝이 다양한 산업의 어셈블리 검사를 혁신하는 방법

대비된 패턴과 반사성 글레어가 존재하는 비정형 및/또는 매우 복잡한 장면은 프로그래밍하기가 너무 힘들 수 있고, 특히 조립 검증 분야에서는 부품마다 다르고 수많은 구성으로 나타날 수 있는 다수의 구성품을 식별해야 합니다. 부품이 일관되고 정확히 제조되었더라도 조립 검증 검사에는 여전히 자동화하기 매우 힘든 부분이 있습니다. 그 이유는, 머신 비전 시스템이 스케일링, 회전, 위치 왜곡으로 인한 부품 외과의 일부 변화를 용인할 수 있다고 하더라도 복잡하고 혼란스러운 표면 텍스처와 열악한 조명 등의 조건은 매우 까다로운 문제이기 때문입니다. 머신비전 시스템은 시각적으로 매우 유사한 부품들 사이의 가변성과 편차를 고려하기가 어렵습니다.

조립 또는 하위 조립에 다수의 편차와 변형이 포함될 경우, 이러한 모든 차이를 인식하여 프로그램하거나 차이를 고려하는 것이 매우 어려운 상황에서는 시스템에 가해지는 압박이 가중됩니다. 이러한 검사를 검사자에게 넘기는 일은 효율적이지 못하고, 확장이 불가능할 뿐 아니라, 피로와 검사자마다 선입견으로 인해 여전히 오류가 발생하게 됩니다.

딥러닝 기반 이미지 분석 툴은 가장 까다로운 조립 검증 검사를 자동화할 수 있는 대안입니다.

자동차 산업을 위한 조립 검증

자동차 제조 산업에 존재하는 수많은 개체와 장면은 예측이 불가능하며, 여러 조립 단계에서 카메라에 다르게 나타납니다. 최종 어셈블리는 완성된 차량에 대한 검증 과정으로 악명이 높습니다. 그 이유는 기존의 머신비전 개발을 정의한 단계별 필터링 및 규칙 기반 알고리즘으로는 한계가 있기 때문입니다.

결함 라이브러리가 증가하고 구성 변경이 확장됨에 따라 이들 알고리즘을 유지하기가 아주 힘들어졌습니다. 최종 조립 검증에서는 매우 제한적인 프로그래밍을 테스트합니다. 그 이유는 조명, 색상, 곡률, 시야각 등 컴퓨터와 카메라를 격리시키기가 매우 어려울 수 있는 다수의 변수가 수반되기 때문입니다. 이 때문에 전통적으로 인간 검사자가 계속해서 자동차 어셈블리의 최종 단계에서 외관 검사를 수행하고 있습니다. 이들 검사자가 다수의 부품과 특징을 식별할 수 있는 스킬을 갖추었다고 하더라도 서로 다른 차량 모델이 조명이 계속 바뀌는 라인으로 이동하게 되면 인간 검사자의 작업이 일관되지 않는 결과를 가져올 수 있습니다.

대신, 딥러닝 소프트웨어는 명명된 색상과 구성 부품으로부터 참조할 수 있는 특징 라이브러리를 정확히 구축해서 완벽히 조립된 자동차 사진 내에서 해당 부품을 찾아 식별할 수 있습니다. 여기서, 한가지 특성을 더 추가해서 최종 어셈블리 검증 확인을 손쉽게 자동화할 수 있습니다. 구성품의 위치를 찾아 확인되면 소프트웨어가 ‘합격’ 또는 ‘불합격’ 결과를 제공할 수 있습니다.

전자 부품 산업을 위한 조립 검증

전자 부품 제조업체는 어셈블리 검증 분야에 필요한 판단 기반의 의사결정을 위해 딥러닝을 채택하고 있습니다. 검사 시스템이 여러 구성품의 존재유무와 올바른 배치를 찾아 확인하도록 트레이닝하는 작업은 시간 소모적인 일입니다. 다른 부품과 매우 가깝거나 접촉해 있는 다수의 소형 구성품의 이미지를 사용한 검사는 사실상 거의 불가능하거나 너무 복잡해서 기존의 머신비전으로는 해결할 수 없습니다.

퓨즈 박스와 같은 전자 하드웨어 부품을 조립할 때는 성능을 저하시키거나 안전 기능을 손상시킬 수 있는 모든 결함, 오염, 기능상의 결점 또는 그 밖의 불규칙성을 검사해야 합니다. 이러한 오류는 퓨즈 박스가 기기로 조립되거나 고객에게 배송되기 전에 발견되어야 합니다. 다행스럽게도 딥러닝 기반 소프트웨어는 이미지의 대비가 낮거나 잘못 캡처된 경우를 포함해 혼동을 주는 상황에서도 효과적으로 작동하도록 최적화되어 있습니다.

퓨즈 박스의 완전한 조립 상태를 검증하기 위해 딥러닝 툴이 먼저, 각 부품 유형 위치를 포함한 이미지를 토대로 다수의 전자 구성품을 식별합니다. 이 입력으로부터 툴의 신경망이 각 구성품의 참조 모델을 구축합니다. 여기에는 보통의 크기, 형태, 표면 특성을 비롯하여 박스에서 일반적인 위치가 포함됩니다. 런타임 중 툴이 구성품을 포함하는 모든 박스 영역을 세그먼테이션하여 구성품의 존재유무와 올바른 유형인지를 정확히 식별합니다.

포장 산업을 위한 조립 검증

포장된 냉동육의 올바른 조립 검증 작업을 생각해 보십시오. 여러 식품 트레이의 포장은 바깥에서 볼 때 유사하게 보일 수 있지만, 안에는 서로 다른 물품이 혼합되어 있을 수 있습니다. 반대로, 모든 포장물에 동일한 식품 구성이 존재할 수 있지만 배치 또는 일부 크기가 변화할 수 있습니다.

기존의 머신비전을 사용해서 식품 성분의 수와 다양한 구성 및 배치를 프로그램하는 작업은 까다롭고 오랜 시간이 걸립니다. 왜냐하면 특히 단 하나의 툴을 사용해 단일 이미지 내의 여러 특징을 자동으로 찾아 식별하기가 어렵기 때문입니다. 최종 포장 조립 검증 분야에 수반되는 매우 복합적인 장면들도 예외 및 결함 라이브러리가 증가함에 따라 통제하기가 어려울 수 있습니다.

딥러닝 기반 이미지 분석은 각 식품 성분 외관의 아주 적은 차이뿐 아니라 허용되는 배치를 학습함으로써 식품 트레이가 올바로 조립되었는지 간단하게 검증합니다. 개별 구성품의 정상적인 모양을 기준으로 트레이닝한 후, 소프트웨어가 위치를 식별할 다양한 식품의 전체 데이터베이스를 구축합니다. 실행 시간 중, 검사 이미지를 서로 다른 영역으로 분할해 소프트웨어가 식품의 존재유무를 검사하고 올바른 유형인지를 검증할 수 있습니다.

포장 배치가 상이한 상황에서는 소프트웨어의 유연성 덕분으로 사용자가 여러 구성을 트레이닝할 수 있습니다. 구성이 바뀌면 개별 구성품을 찾아 올바른 유형인지를 확인하도록 딥러닝 소프트웨어를 조정할 수 있습니다. 이러한 방식으로 사용자는 단 하나의 툴로 포장 식품 트레이의 검증을 자동화할 수 있습니다.

소비자용 전자제품 산업을 위한 조립 검증

모바일 기기 패널 또는 모듈을 조립하는 동안 느슨해진 나사와 같이 외부 물질이 라인에서 인접한 모듈의 하우징에 떨어지는 일이 금시초문은 아닙니다. 최종 조립 중 장애나 손상을 초래하지 않도록 모든 포함물을 감지하는 일이 대단히 중요합니다. 이물질은 일반적으로 크기가 작고, 미묘한 조명 대비, 방향의 변화, 금속 표면 위의 반사 등 외형 상의 약간의 변형으로 인해 자동 검사 시스템이 혼동을 일으킬 수도 있습니다.

동시에 이러한 유형의 조건 때문에 검사 시스템이 예상된 구성품이 올바른 하우징 안에 있는지 검증하기가 어려울 수 있습니다. 마지막으로, 모바일 기기 패널에는 다수의 부품이 조밀하게 들어 있기 때문에 검사 시스템이 개별 부품을 구분하기가 까다로울 수 있습니다.

이러한 모든 변수를 규칙 기반 알고리즘으로 프로그래밍하는 작업은 시간 소모적이며, 오류가 발생하기 쉽고 현장에서 유지관리가 까다롭다는 점은 두말할 필요가 없습니다. 다행스럽게도 딥러닝 기반 이미지 분석 소프트웨어는 패널 또는 모듈의 여러 부품에 대해 정확히 완성된 모양을 학습하여 나사처럼 잘못 배치된 부품을 식별할 수 있습니다. 이물질이 존재하거나 구성품이 누락된 “불량” 상태의 모듈 이미지를 비롯하여, 모듈이 올바로 조립된 알려진 “양호”한 상태의 이미지를 기준으로 트레이닝하여, Cognex 딥러닝과 같은 툴은 까다로운 조건에서도 효과적으로 이용할 수 있는 모바일 기기 패널의 참조 모델을 생성합니다. 또한 인간 검사자처럼 정확하면서 자동화 시스템의 속도와 신뢰성으로 결함 있는 패널을 식별해낼 수 있습니다.

전통적으로 어셈블리 검증 분야는 인간 검사자의 몫이었습니다. 그러나 안정적으로, 그리고 반복적으로 분당 수백 또는 수천 개의 부품을 검사해야 하는 생산 라인에서는 인간의 검사 능력만으로는 부족합니다. 이제 딥러닝 기반 툴이 그 공백을 채울 수 있습니다.

Cognex 딥러닝은 소프트웨어 개발 없이 라벨링된 이미지를 토대로 훈련하여 크기, 형태, 표면 특성이 다양한 부품을 정확히 찾아 식별할 수 있습니다. 이 문제가 극복되면 올바른 구성품이 존재하는지, 정확한 배치 또는 구성으로 배열되었는지를 확인하는 작업이 간편해지며, 기존의 비전 시스템과 달리 추가적인 로직 구축이 필요하지 않습니다.