1D(One-Dimensional) 바코드: 선형 바코드로 알려진 머신이 판독 가능한 코드는 병렬 라인의 공백과 폭으로 데이터를 나타냅니다. 사례: Codabar, Code 128, Code 39, EAN, Interleafed 2 of 5, Pharmacode, POSTNET, 및 UPC.
2D(two-dimensional) 바코드: 가로, 세로에 모두 데이터를 저장하는 머신-판독가능 코드 사례: Aztec, Data Matrix, MaxiCode, 및 QR 코드.
3D 비전 시스템: 물체 또는 장면의 3차원 이미지를 캡처하고 처리하는 광학 장치. 이 카메라는 장면을 3D로 매핑함으로써 환경 변화와 분석 대상 객체의 변형을 처리할 수 있습니다. 검사, 공정 제어, 측정 및 로봇 가이드 애플리케이션에 적합합니다.
30도 조명: 대상을 30도 각도로 비춥니다. 조명 종류(30Q, 30T, 30S)의 변화에 따라 조명은 4면, 2면 또는 1면 비춰집니다. 이 조명 기술은 곡면, 평면 및 반광택 부품에서 직접 부품 표시(DPM) 코드를 검증하는 데 이상적입니다. 질감이 있는 배경에 표시된 니들 마킹 코드에도 적합합니다.
45도 조명: 대상을 45도 각도로 비춥니다. 들어오는 빛이 카메라 쪽으로 향하지 않고 반사됩니다. 이 조명 유형은 양극 산화 처리된 표면, 플라스틱 표면 또는 무광택 표면에 부착된 라벨 기반 바코드 및 직접 부품 표시(DPM) 코드를 검증하는 데 사용됩니다.
90도 조명: 빛이 바로 아래로 비추고 반사되어 카메라로 다시 들어옵니다. 이는 광택이 있는 반사 표면에서 직접 부품 표시(DPM) 코드를 검증할 수 있는 유일한 조명 옵션입니다.
알고리즘: 컴퓨터가 목표를 달성할 수 있도록 지원하는 명령 및 계산 집합. 공장 자동화에서 알고리즘은 센서, 스캐너, 디지털 카메라에서 얻은 대규모 데이터 집합을 정리해서 비효율성을 확인하고 품질을 강화시키며 개선 사항을 제안합니다. ‘학습’ 알고리즘은 사람의 개입 없이 생산 공정을 최적화하기 위해서 시행 착오 및 예제별 학습 방식을 사용합니다.
애퍼처: 1D 선형 코드의 경우, 애퍼처는 스캔 라인을 사용하여 막대와 공백을 읽기 위해 코드 길이 전체에 걸쳐 추출하는 샘플 크기를 나타내며, 밀(mil) 단위로 지정됩니다. 2D 코드의 경우, 애퍼처는 그리드 교차점에서 캡처되는 원형 샘플을 지칭합니다. ISO 표준은 정확한 등급 지정을 위해 애퍼처 크기를 규정합니다.
애플리케이션 표준: 바코드 표시 및 등급 분류에 대한 가이드라인을 정하는 기관에서 제정한 규칙으로, 허용되는 심볼로지 유형, 등급 분류 기준, 최소 허용 등급, 애퍼처, x축 범위, 필요한 조명 각도, 그리고 바코드 내 데이터 형식 등이 포함됩니다.
인공지능(AI): 사람에게 어려운 작업을 수행하기 위해 자동화를 이용하는, 인간의 의사 결정 과정과 가장 흡사한 컴퓨팅 기술. AI 알고리즘은 인적 오류를 줄이고 생산 난제를 예상하기 위해 이미지 인식과 자연어 처리와 같은 기술들을 사용할 수 있기 때문에 공장 자동화에서 중추적인 역할을 담당합니다.
AI 환각: AI 시스템이 현실이나 사실 데이터에 근거하지 않은 부정확하거나 오해의 소지가 있는 출력 또는 응답을 생성하는 경우로, AI가 본질적으로 존재하지 않는 데이터를 "상상"하는 것입니다. 이는 일반적으로 정보를 조작하거나 잘못된 연결을 만들 수 있는 언어 또는 이미지 생성기와 같은 생성 모델에서 발생하며, 산업 AI 시스템에서는 이러한 문제가 거의 발생하지 않습니다.
AI 편향: AI 시스템은 머신 러닝 과정에서 발생하는 편향으로 인해 오류를 범하거나 불공정한 결과를 초래할 수 있습니다. 이러한 편향은 왜곡된 훈련 데이터, 결함 있는 알고리즘 또는 데이터 세트의 다양성 부족에서 비롯될 수 있으며, 결과적으로 불공정하거나 차별적인 결과를 낳습니다. 제조 분야에서 AI 편향은 검사 결과를 왜곡하여 머신 비전 시스템을 손상시키고, 결함을 간과하거나 잘못 식별할 가능성을 높여 제품 품질과 작업 효율성을 저해할 수 있습니다. 또한 이는 사회적 불평등을 영속화하고 인종, 성별 또는 기타 요인에 기반한 차별을 강화할 수 있습니다.
영역 스캔: 머신 비전에 사용되는 2D 카메라 유형. 세밀한 스틸 이미지를 캡처합니다. 작고 명확한 품목을 검사하는 데 더 적합합니다. 이들은 간단한 단일 목적 센서 또는 보다 완전한 기능을 갖춘 시스템일 수 있습니다.
축 기준 비균일성(Axial Non-uniformity): 모양이 얼마나 "정사각형에서 벗어났는지" 또는 2D 코드의 가로 및 세로 축을 따라 얼마나 편차가 있는지를 나타냅니다.
역전파: 예측된 출력과 실제 출력 간의 오류를 최소화하여 신경망을 훈련시키는 데 사용되는 알고리즘입니다. 이 알고리즘은 입력값을 처리하여 출력값을 생성하는 순방향 과정과, 경사 하강법을 사용하여 오류를 줄이기 위해 네트워크의 가중치(뉴런 간 연결 강도를 결정하는 수치 값)를 조정하는 역방향 과정으로 구성됩니다. 이 과정을 여러 번 반복하면 모델이 학습하고 정확도를 향상시킬 수 있습니다.
막대 너비 증가: 막대 또는 요소 크기가 이상적인 크기에서 벗어나는 정도입니다.
바코드: 정보 제공, 마케팅 및 추적 목적으로 사용되는 데이터를 포함하는 제품, 포장 또는 부품에 적용되는 평행선과 공백(1D) 또는 직사각형, 점 및 기타 기하학적 패턴(2D)으로 구성된 기계 판독 가능한 패턴.
바코드 리더기: 바코드의 데이터 또는 정보를 디코딩하는 장치. 일부 바코드 리더기는 레이저를 이용해서 정보를 디코딩하며(레이저 스캐너) 다른 리더기는 빛이나 카메라를 이용해서 바코드 이미지를 캡처한 후 읽고 디코딩합니다.(이미지 기반 바코드 리더기)
바코드 검증: 1D, 2D 및 DPM 코드의 인쇄 품질 및 가독성을 지정된 표준에 따라 평가하는 프로세스입니다. 바코드 검사기: 바코드 품질 등급을 지정하는 데 사용되는 인라인 또는 오프라인 장치입니다.
편향 완화: AI 및 머신 러닝 모델에서 편향을 줄이거나 제거하는 데 사용되는 기술 및 전략. 여기에는 공정한 결과를 보장하기 위해 훈련 데이터, 알고리즘 및 의사 결정 프로세스에서 편향을 찾고 해결하는 것이 포함됩니다. 일반적인 방법에는 데이터 밸런싱, 알고리즘 조정, 적대적 편향 제거 및 사후 처리 수정이 포함됩니다.
편향 분산 트레이드오프: 최상의 예측 정확도를 달성하기 위해 모델이 편향과 분산을 최소화하는 능력 사이의 균형. 편향이 높으면 모델이 너무 단순해져 데이터의 복잡성을 제대로 반영하지 못하는 과소적합이 발생할 수 있습니다. 반대로 분산이 높으면 모델이 너무 복잡하여 훈련 데이터에서는 성능이 좋지만 미지의 데이터에서는 성능이 저하되는 과대적합이 발생할 수 있습니다. 절충안은 전체 오류를 최소화하기 위해 적절한 수준의 복잡성을 찾는 것입니다.
빅 데이터: 진단 도구를 이용해서 고유한 인사이트를 얻기 위해 여러 출처에서 얻은 대규모 데이터 집합을 하나로 통합하는 기술. 학습 알고리즘이 인간의 의사 결정 방식을 흉내내고 정확한 예측을 하기 위해서는 엄청난 양의 정보가 필요하기 때문에 빅데이터가 AI의 근간을 구성합니다. 자동화된 공장은 빅데이터 분석을 활용해 AI 관련 이니셔티브에 필요한 정보를 얻습니다. 이 기술은 여러 소스에서 방대한 데이터 세트를 통합하고 분석 도구를 사용하여 독창적인 통찰력을 도출합니다. 학습 알고리즘이 인간의 의사 결정 방식을 흉내내고 정확한 예측을 하기 위해서는 엄청난 양의 정보가 필요하기 때문에 빅데이터가 AI의 근간을 구성합니다. 자동화된 공장은 빅데이터 진단을 이용해서 AI 이니셔티브에 정보를 제공합니다.
보정 프로세스: 실제 반사율에 맞게 카메라의 측정을 매핑해 검증 소프트웨어 반사율의 기준선을 설정합니다. 보정 프로세스는 반사율을 조정하고 이러한 레벨을 확인해 가장 정확한 검증 결과를 보장합니다. ISO 표준을 준수하기 위해 검사기의 보정 프로세스가 필수적입니다.
보정 카드: NIST 추적 가능한 심사 카드와 비교하여 등급이 매겨지는 마스터 심볼이 있는 카드입니다. 이러한 기호는 보정 값을 보정하고 확인하는 데 사용할 수 있습니다.
셀 명암 대비: ISO/IEC TR 29158 등급 매개변수는 막대와 공간 사이의 상대 대비 값을 계산하는 "기호 대비"라고 하는 ISO/IEC 15415 매개변수의 DPM 버전입니다.
셀 모듈레이션: ISO/IEC TR 29158 등급 매개변수는 ISO/IEC 15415에서 사용되는 최대 및 최소 반사율의 평균이 아닌 분포의 평균으로 설정된 등급 척도 범위를 사용하여 계산되는 변조의 DPM 버전입니다.
화학적 에칭: 직접 부품 마킹의 한 형태로서, 온도 조절식 에칭 화학물질 배스를 사용한 절삭 가공 방식으로 재료를 제거해 원하는 형태의 객체를 만듭니다.
분류: AI 효율성을 개선하는 분리된 범주로 데이터를 구분하는 활동. 공장 자동화에서 데이터 수집 장치는 생산 환경을 스캔하고 기계 부품이나 전자 부품 같은 특정 물체를 인식합니다. AI 알고리즘은 생산 라인에서 이 물체들을 분류하고 적절한 목적지로 이동시킵니다.
클로킹 패턴: 2D 코드에 포함된 행과 열 수를 제공합니다.
클러스터링: 어떤 것은 유사하고 어떤 것은 다른지 파악하기 위해 데이터 포인트들을 클러스터로 분리하는 활동. 학습 알고리즘은 클러스터를 스캔해서 의미를 해석하고 적절한 활동 과정을 예측합니다. 예를 들어, 클러스터링 알고리즘은 광학 스캐닝 장치에서 얻은 데이터를 처리하여 스캔에서 제품 결함이 감지되었을 때 어떤 조치를 취해야 할지 결정합니다.
컴퓨터 비전: 기계가 세계의 시각적 정보를 해석하고 이해할 수 있도록 합니다. 이미지나 비디오와 같은 시각 데이터를 기반으로 분석하고 결정을 내리도록 컴퓨터를 학습시키는 과정이며, 주로 사물을 찾고 분류하는 데 초점을 맞춥니다. 컴퓨터 비전은 산업용 애플리케이션 외에도 안면 인식, 자율 주행 차량, 의료 영상과 같은 다양한 분야에서 사용됩니다.
적합성 보정 카드: 이 카드에는 ISO/IEC 15415, ISO/IEC 15416, GS1 사양 등과 같은 산업 표준 준수 문서화와 검증 장비의 보고 기능 점검을 위해 사용하는 의도적인 결함이 적용된 테스트 심볼이 포함됩니다.
데이터 정리/스크러빙: 학습 알고리즘의 효율성을 개선하기 위해 결함이 있는 데이터를 제거하는 활동. AI는 정확하고 신뢰도 높으며 일관성이 있는 데이터 출처를 가져야 하는 정교한 데이터 모델을 사용합니다. 불행하게도 데이터 수집은 중복이 있고 정확하지 않으며 시간적으로 유효하지 않거나 때로 유용하지 않은 정보를 생산합니다. 데이터를 정리(또는 스크러빙)하면 위험을 줄이고 AI의 정확도를 높일 수 있습니다.
딥러닝: 복잡하고 고도로 맞춤화된 애플리케이션의 자동화를 위한 AI 기술. 처리는 그래픽 처리 장치(GPU)를 통해 이루어지며, GPU를 통해 사용자는 크고 상세한 이미지 세트(수백에서 수천 개의 이미지)에서 정교한 신경망을 구축할 수 있습니다. 이러한 신경망을 활용하는 딥러닝은 방대한 이미지 세트를 빠르고 효율적으로 분석하여 미묘하고 가변적인 결함을 감지하고 허용되는 변칙과 허용되지 않는 변칙을 구별합니다.
Data Matrix: 대량의 데이터(최대 2,335자의 영숫자 또는 3,116개의 숫자)를 인코딩할 수 있고, 최대 40%까지 손상된 코드도 읽을 수 있는 오류 수정 시스템을 사용하는 2차원 코드입니다. 정사각형 또는 직사각형 패턴으로 배열된 흑백 셀로 구성되어 있으며, 파인더 및 클로킹 패턴이 포함되어 있습니다.
디코딩 가능: 이상적인 크기와 비교해 막대 및 공간 너비의 정확도를 평가합니다. 막대 너비가 증가하거나 왜곡된 바코드는 낮은 디코딩 등급을 받습니다.
디코딩: 표준 참조 디코딩 알고리즘을 사용하여 코드를 읽을 수 있는지 확인합니다.
심도: 이미지에서 선명하게 보이는 가장 가까운 물체와 가장 먼 물체 사이의 거리, 또는 바코드 리더기가 바코드를 성공적으로 디코딩할 수 있는 거리를 나타냅니다.
직접 부품 표시(DPM): 일련 번호, 부품 번호, 날짜 코드 및 바코드를 포함한 제품 정보를 부품에 영구적으로 표시하는 프로세스입니다. 이는 부품을 전체 수명 주기 동안 추적할 수 있도록 하기 위한 것입니다. 예로는 화학적 에칭, 니들 마킹 및 레이저 마킹이 있습니다.
판별형 AI: 주어진 데이터를 기반으로 결과를 예측하는 AI 모델. 이러한 결과는 이미지가 검사 작업에 "좋은"지 "나쁜"지 여부와 같은 분류이거나 텍스트 단락이 긍정적인지 부정적인지 식별하는 것일 수 있습니다. 예측은 무한정으로 이루어지는 것이 아닙니다. AI 모델은 무엇을 예측해야 하는지 알고 있기 때문에 이러한 접근 방식은 머신 비전 애플리케이션에서 일반적입니다.
돔 조명: 빛을 다양한 각도에서 균일하게 비추므로, 미러 개체에서도 섬광이 발생하지 않습니다. 광택이 있고, 구부러지거나, 울퉁불퉁한 표면을 검사하는 데 가장 자주 사용됩니다. 또한 곡선형 또는 질감이 있는 부품에 인쇄된 DPM 코드를 검증하는 데 사용할 수 있습니다. 효과적인 돔 조명을 위해서는 대상에 근접해야 합니다.
니들 마킹: 탄화물 또는 다이아몬드 스타일러스가 빠르게 작동하여 재료 표면에 일련의 작은 점들을 찍는 직접 부품 표시 방법입니다. 스타일러스는 표면을 따라 이동하며 영숫자, 기계 판독 가능 코드 및 로고를 포함한 다양한 마크를 형성합니다.
엣지 대비: 인접한 막대와 공간 간의 차이를 측정합니다.
엣지 카운팅: 1D 코드의 가장자리 수를 계산하는 합격 또는 불합격 매개변수입니다.
엣지러닝: 사용 편의성을 고려하여 설계된 AI 기술로, 사전 학습된 알고리즘을 통해 디바이스 내에서 또는 "엣지에서" 데이터를 처리합니다. 간단한 설정이 가능하여 기존의 딥러닝 솔루션보다 적은 양의 이미지 세트(5~10개의 이미지)를 사용하고 학습시간도 단축할 수 있습니다. 해당 분야의 전문 지식이 필요하지 않으며, 비전 전문가가 아니더라도 Edge Learning 툴을 학습하고 단 몇 분 안에 검사 결과를 생성할 수 있습니다.
요소: 선형 바코드 내의 개별 막대 또는 공간입니다.
윤리적 AI: 공정성, 투명성, 책임성 및 인권 존중을 우선시하는 AI 시스템 개발. 이는 AI 기술이 해악이나 차별을 초래하지 않고 책임감 있게 활용되도록 보장하고, 개인정보 보호와 다양성을 존중하면서 사회에 이익이 되는 의사결정을 촉진합니다. 제조 분야에서 윤리적 AI는 자동화 및 AI 기반 프로세스가 편견을 최소화하고 포용성을 증진하면서 더욱 안전하고 효율적인 생산을 촉진하도록 보장합니다.
설명 가능한 AI(XAI): 운영자가 자동화 기술이 생산에 미치는 영향을 신뢰하고 이해할 수 있도록 의사 결정 과정을 명확히 설명하도록 설계된 AI 시스템. AI 모델이 결론에 도달하는 과정을 투명하게 공개함으로써, XAI는 제조업체가 잠재적인 문제를 발견하고 효율성을 개선하며 핵심 공정에서 책임성을 유지하는 데 도움을 줍니다. 이를 통해 자동화 시스템에 대한 신뢰도를 높이고, 보다 신뢰할 수 있고 정보에 입각한 분석을 보장할 수 있습니다.
통합 학습: 데이터가 여러 장치 또는 노드(스마트폰, IoT 장치, 엣지 장치 등)에 분산된 분산 데이터에서 머신 러닝 모델을 훈련시키는 기술입니다. 데이터를 중앙 집중화하고 단일 위치에서 모델을 학습시키는 대신, 각 장치에서 모델을 로컬로 학습시키고 업데이트를 집계하여 중앙 서버와 공유합니다.
시야각: 카메라가 지원하는 전체 이미지 크기 또는 촬영 영역입니다.
파인더 패턴: “로케이터” 또는 “L” 패턴이라고도 하는 이 패턴은 2D 코드의 왼쪽 및 하단 라인을 연결하고 판독자가 기계 판독 가능 코드의 위치를 파악하고 방향을 결정하는 데 도움을 줍니다.
고정 패턴 손상: 코드의 파인더 패턴, 클로킹 패턴 또는 여백에 발생하는 오류.
생성형 AI: 기존 데이터에서 패턴을 학습하여 텍스트, 이미지, 음악, 오디오 및 비디오와 같은 새로운 콘텐츠를 생성하는 데 중점을 둔 AI의 하위 분야입니다. 이러한 모델들은 딥러닝 및 신경망과 같은 기술을 사용하여 학습된 데이터를 기반으로 독창적인 결과물을 생성합니다. 분류 또는 예측에 자주 사용되는 산업용 AI와 달리 생성형 AI는 인간이 만든 콘텐츠를 모방할 수 있는 새롭고 창의적인 콘텐츠를 제작하는 데 중점을 둡니다.
경사 하강법: 머신 러닝에서 모델의 매개변수를 조정하여 비용 함수를 최소화하는 데 사용되는 기본적인 최적화 알고리즘입니다. 비용 함수의 기울기 또는 경사를 계산하고 오차가 감소하는 방향으로 이동하여 궁극적으로 최적의 해에 수렴합니다.
그리드 기준 비균일성: 코드 그리드에서 가장 큰 편차, 즉 x축과 y축이 90도 각도를 이루지 않는 정도를 측정합니다.
글로벌 표준 1(GS1): 비즈니스 커뮤니케이션, 특히 바코드에 대한 글로벌 표준을 개발합니다.
전역 임계값: 어두운 부분에서 밝은 부분까지 눈금의 지점으로, 셀이 밝은 쪽에 가까운지, 어두운 쪽에 가까운지를 결정합니다.
이미지 인식: AI를 이용한 디지털 이미지 내용 분석. 이미지 인식 알고리즘은 수 백 만개 픽셀을 스캔한 후 엣지러닝이나 딥러닝을 적용해서 사람, 장소, 물건 등을 구분합니다. 이 기술은 자동화된 공장의 생산성을 크게 개선할 수 있는 바코드 스캔 및 자동화된 검사를 실현합니다. 참고: 머신 비전.
인라인 바코드 검증기: ISO 규격을 준수하는 장치로, 생산 라인의 고정 위치에 설치되어 바코드 품질을 자동으로 평가합니다.
국제전기기술위원회(IEC): 전기기술의 모든 분야에 대한 국제 표준을 제정하는 기구이며, 일부 품질 표준에 대해서는 국제표준화기구(ISO)와 협력 관계를 유지합니다.
국제 표준화 기구(ISO): 각국의 국가 표준 조직 대표로 구성된 표준설정기구. 수백 가지 ISO 표준이 존재하며 이중 일부는 바코드와 관련이 있습니다. 즉, 데이터를 어떻게 바코드에 넣고 어떻게 디코딩하며 바코드 크기는 어떻게 설정하는가 등에 대한 표준이 존재합니다. 품질과 관련된 ISO 표준은 세 개가 있습니다. 1D 바코드용 ISO/IEC 15416, 2D 라벨 기반 바코드용 ISO/IEC 15415, 2D DPM 코드용 ISO/IEC TR 29158.
사물인터넷(IoT): 머신 및 인간의 활동을 통해 실시간으로 인텔리전스를 수집하는 인터넷에 연결된 센서 네트워크. 연결 장치로는 스마트폰, 웨어러블, 비디오 카메라, 교통 모니터, 기계 및 생산 라인에 적용된 센서 등이 있습니다. IoT 센서는 머신 러닝을 구현하기 위해 필요한 방대한 규모의 데이터를 생성합니다.
ISO/IEC 15416: 1D 바코드에 대한 바코드 검증 표준. 이 표준은 코드 전체에 걸쳐 10개의 개별 스캔 라인을 추출하고, 각 라인에서 가장 낮은 등급을 받은 매개변수를 기준으로 각 라인에 등급을 부여하도록 요구합니다. 공식 등급은 개별 라인 스캔 등급 전체 평균으로 결정됩니다.
ISO/IEC 15415: 2D 레이블 기반 코드에 대한 바코드 검증 표준. 이 표준은 이미지 및 데이터 관련 8가지의 다양한 매개변수에 따라 등급을 매깁니다. 가장 낮은 개별 등급이 해당 코드에 대한 종합 등급이 됩니다.
ISO/IEC TR 29158: 직접 부품 표시(DPM) 코드에 대한 바코드 검증 표준. 이 표준은 ISO/IEC 15415에 정의된 기호 품질 등급 평가 방법론의 확장입니다. 또한 대체 조명 조건, 몇 가지 새로운 매개변수, 측정 방법의 수정, 특정 매개변수의 등급 평가 및 등급 평가 결과 보고에 대한 내용을 포함합니다.
대규모 언어 모델(LLM): 방대한 양의 텍스트 데이터로 학습된 고급 머신 러닝 모델은 높은 숙련도로 인간의 언어를 이해하고, 생성하고, 조작합니다. 딥러닝과 신경망을 사용하여 자연어 패턴을 모방하는 텍스트를 예측하고 생성하여 번역, 요약 및 콘텐츠 생성과 같은 작업을 자동화할 수 있습니다. OpenAI의 GPT와 같은 LLM은 자연어 처리 애플리케이션을 향상시켜 제조 및 그 외 분야에서 효율성과 혁신을 촉진합니다.
레이저 마킹: 레이저 빔을 이용하여 물체의 표면을 조각, 제거, 염색, 열처리 및 발포시켜 라벨을 더하는 직접 부품 표시 방법입니다.
라인 스캔: 웹 제조와 같은 연속 애플리케이션 분야에 사용됩니다. 스캔 영역을 지나가는 물체의 움직임을 포착하여 넓지만 매우 얇은 이미지를 생성합니다. 소프트웨어를 사용하여 이미지를 한 줄씩 재구성합니다. 이러한 용도에서는 표준 2D 카메라보다 속도가 빠릅니다.
머신 러닝: 사람이 프로그래밍을 하지 않고서도 결과를 개선할 수 있는 컴퓨팅 프로세스. 머신 러닝 알고리즘은 컴퓨터가 학습 결과를 생성하기 위해 수 백만번에 걸쳐서 합격 사례를 찾고 불합격 사례를 피하도록 학습시킵니다. 예를 들어 이미지 인식은 이미지를 수 백만 장 분석해서 디지털 사진에서 다양한 물체들을 구분합니다. 참고: 훈련 데이터.
머신 비전: 산업 현장에서 컴퓨터 비전을 적용하여 카메라, 센서 및 소프트웨어를 활용해 제조 라인의 제품을 검사, 측정하고 관련 결정을 내립니다. AI는 이미지 기반 분석을 가능하게 하여 기존의 규칙 기반 머신 비전을 개선합니다. 여기서 시스템은 이미지를 참조 데이터베이스와 비교하여 결함이나 이상을 식별합니다. 이 프로세스는 복잡한 육안 검사를 자동화하여 제품 품질을 개선하고 오류를 줄이며 비용을 절감합니다. AI 내의 두 가지 주요 기술인 엣지 러닝과 딥러닝은 규칙 기반 알고리즘으로 프로그래밍하기에는 너무 복잡하고 시간 소모적인 가변적인 작업을 자동화하는 것을 더욱 간소화하는 데 도움이 됩니다.
머신 비전 시스템: 산업용 기계가 "볼 수 있도록" 해주는 솔루션입니다. 이 시스템은 카메라와 이미지 처리 소프트웨어를 사용하여 2차원 이미지를 캡처하고 분석하여 검사, 측정 및 식별과 같은 생산 작업을 수행합니다.
mil: 1/1000인치(0.001”).
최소 반사: 1D 바코드의 경우, 이 매개변수는 코드의 막대가 공간에서 반사되는 빛의 필요 비율을 충족할 만큼 충분히 어두운지 여부를 확인합니다. DPM 코드의 경우 원본 이미지의 밝기를 측정합니다. ISO/IEC TR 29158 표준은 검증 소프트웨어가 검증 프로세스를 수행하기 전에 이미지를 자동으로 밝게 조정하도록 요구합니다. 조정 전 부호의 밝기가 5% 이하이면 해당 부호는 불합격하게 됩니다.
최소 x-축: 바코드 검사기의 카메라 해상도 제한을 나타냅니다. 검사기를 선택할 때 최소 x축 치수는 인쇄 또는 표시된 가장 작은 코드의 가장 작은 막대 또는 모듈 크기보다 작아야 합니다.
모듈레이션: 모듈의 반사율 변화량을 기준으로 한 등급. 등급을 결정하기 위해 다단계 프로세스가 사용됩니다.
모듈형 비전 터널: 분류, 인바운드 입고 및 아웃바운드 물류와 같은 물류 작업의 속도와 효율성을 높이도록 설계된 유연한 스캐닝 터널입니다. 이 제품들은 1면부터 6면까지의 바코드를 읽을 수 있고, 다양한 속도와 패키지 간격에 맞춰 확장 가능하며, 안정적인 판독 속도와 혼합 기호론 디코딩을 지원하는 DataMan 이미지 기반 바코드 리더기를 특징으로 합니다.
멀티모달 AI: 텍스트, 이미지, 오디오 및 비디오와 같은 여러 데이터 유형을 동시에 처리하고 통합하여 보다 정확하고 상황에 맞는 통찰력을 제공하는 AI 시스템입니다. 이러한 입력을 결합함으로써 제조 분야의 자동화된 검사와 같은 애플리케이션을 개선하며, 시각적 데이터와 텍스트 데이터 모두 결함 감지 개선에 일조합니다. 이러한 기능은 AI가 복잡한 환경을 더욱 효과적으로 해석할 수 있도록 하여 산업 및 자동화 작업 전반에 걸쳐 효율성, 정확성 및 적응성을 향상시킵니다.
자연어 처리(NLP): AI의 한 분야로서, 컴퓨터가 인간의 언어를 이해하고, 해석하고, 생성하고, 반응할 수 있도록 합니다. NLP는 언어학과 머신 러닝을 결합하여 감정 분석, 언어 번역 및 자동화된 텍스트 처리와 같은 애플리케이션을 지원합니다. 이 시스템은 음성 인식 제어 시스템을 통해 효율성을 향상시켜 작업자가 음성 명령을 통해 기계와 상호 작용할 수 있도록 합니다. 또한 유지관리 로그 및 보고서 분석을 자동화하여 예방 유지보수를 위한 패턴을 찾아내고 가동 중지 시간을 줄입니다. NLP는 조달 주문 및 배송 데이터를 처리하여 공급망 관리를 최적화하고, 더 스마트한 의사 결정과 작업 효율성 향상을 이끌어낼 수 있습니다.
신경망: 인간의 신경계의 신경 구조에 영향을 받은 알고리즘과 데이터 노드. 신경망은 신경 세포가 정보를 받고 처리하며 다른 신경으로 전달하는 방식을 시뮬레이션합니다. 신경망 내 수 천 개의 처리 노드는 이미지, 텍스트, 언어 등과 같은 데이터에서 패턴을 찾습니다. 이러한 패턴을 이용해서 알고리즘이 작업 성공마다 매번 보다 잘 작동하도록 다음 번에 무엇을 할 것인지 결정합니다.
오프라인 바코드 검사기: ISO 규격을 준수하는 휴대형 또는 데스크톱 장치로, 바코드 품질을 수동으로 평가하는 데 사용되며, 종종 배치 샘플 테스트에 활용됩니다.
광학 문자 인식(OCR): 인쇄된 숫자, 문자, 글자를 의미 있는 디지털 데이터로 전환. AI 기술은 OCR 정확도를 큰 수준으로 개선함으로써 라벨이 구부러거나, 찢어지거나, 손상, 비닐 포장재로 가려진 상황에서도 스캔을 수행할 수 있습니다.
과적합: 머신 러닝 모델이 지나치게 복잡해져, 데이터의 기본 패턴뿐만 아니라 노이즈 또는 무작위 변동까지 학습하는 현상입니다. 결과적으로, 이 모델은 훈련 데이터에서는 매��� 뛰어난 성능을 보이지만, 훈련 데이터에서 일반화하는 대신 훈련 데이터를 암기하는 데 그쳐 새롭고 이전에 보지 못한 데이터에서는 성능이 저조합니다. 이는 모델이 실제 데이터에 대해 정확한 예측을 할 수 있는 능력을 저하시킵니다.
유무 확인: 특정 부품, 물체 또는 특징이 이미지에 있는지 여부를 판단하는 프로세스입니다. 픽셀 카운트, 패턴 및 가장자리 유무 확인 도구와 같은 다양한 소프트웨어 도구를 사용하여 픽셀 수, 패턴인식 또는 선형 에지 특징을 기반으로 부품을 찾습니다.
여백: 바코드 주위의 비어있는 공간은 인접한 그래픽이나 형상, 텍스처로부터 바코드를 구분할 수 있도록 해준다. 개별 바코드 사양은 여백의 크기를 정의합니다.
반사 마진: 모듈레이션 및 반사 마진은 대개 동일하며, 일부 모듈의 색상이 잘못된 것으로 판단되어 오류 수정이 사용되는 경우에만 차이가 발생합니다.
정규화: 과적합을 방지하여 모델 정확도를 향상시키는 머신 러닝 기법입니다. 이는 모델 복잡성에 페널티를 부여함으로써, 새로운 데이터에서 더 나은 성능을 보이는 더 단순한 모델을 장려합니다. 일반적인 정규화 유형으로는 Lasso, Ridge, Elastic Net 등이 있으며, 각각은 더욱 안정적인 모델을 구축하는 데 도움이 됩니다.
강화 학습: 에이전트가 환경과 상호작용하여 누적 보상을 최대화하는 의사결정을 내리는 방법을 학습하는 머신 러닝 유형입니다. 에이전트는 소프트웨어 프로그램 또는 물리적 로봇이 될 수 있으며, 행동에 따라 보상 또는 처벌을 통해 피드백을 받습니다. 시행착오를 통해 전략을 개선하고 시간이 지남에 따라 성능을 개선합니다. 이 접근 방식은 로봇 공학, 게임 또는 자율 주행 차량과 같은 순차적 의사 결정 시나리오에서 특히 효과적입니다.
로봇 공정 자동화(RPA): 생산 자동화, 생산성 향상을 자동화하고 지루하고 반복적인 작업을 사람이 하지 않아도 되도록 하는 장치, 소프트웨어, 공정. RPA 장치에는 자동차 부품 용접이나 마이크로프로세서 조립과 같은 작업을 수행하는 로봇 팔이 포함됩니다. RPA 소프트웨어에는 이전에 사람이 입력해야 했던 공정을 자동화하는 알고리즘과 애플리케이션이 포함될 수 있습니다.
스캔 반사율 프로파일(SRP): 선형 바코드의 너비를 따라 변화하는 반사율 값을 나타냅니다. 이는 사용되는 품질 매개변수를 측정하고 등급을 매기는 기초가 됩니다.
감정 분석: 글이 긍정적인지, 부정적인지, 중립적인지를 컴퓨터를 이용하여 판단하는 프로세스입니다. 규칙 기반, 자동, 혼합 방식 등 다양한 자연어 처리 알고리즘을 사용하여 표현된 분위기나 사고방식을 기준으로 텍스트를 분류합니다.
기호 대비: 코드에서 가장 연한 공백의 최대 반사율과 가장 진한 막대의 최소 반사율 간의 차이를 측정하는 등급 값입니다.
구조화된 데이터: 기계가 데이터의 의미를 이해하고 정확하게 처리하는 데 도움이 되는 프레임워크 중 하나. 구조화된 데이터는 열, 행, 스프레드시트의 셀 등과 같이 일관적인 형식으로 저장됩니다.
비정형 데이터: 기계가 데이터의 의미와 처리 방법을 이해하는 데 도움이 되는 또 하나의 프레임워크입니다. 비구조화 데이터는 워드프로세서 파일 내의 텍스트, 비디오 내의 픽셀과 같은 것들을 의미합니다. AI 알고리즘은 공장 자동화 시스템이 두 가지 유형의 데이터 모두에서 지식을 추출할 수 있도록 합니다.
지도 학습: 라벨이 지정된 데이터를 사용하여 모델을 학습시키는 머신 러닝 유형으로, 각 입력값은 올바른 출력값과 쌍을 이룹니다. 모델은 훈련 과정에서 데이터의 패턴을 찾아 입력값을 올바른 출력값에 매핑하는 방법을 학습합니다. 학습이 완료되면, 모델은 학습된 패턴을 기반으로 새롭고 이전에 보지 못한 데이터에 대한 예측을 수행할 수 있습니다.
군집 지능: 군집 내 개개인의 능력을 초월하는 지능을 얻기 위해 함께 작업하는 알고리즘 집단. 벌, 물고기, 새, 기타 다른 사회적 생물의 행동을 모델링한 군집 지능 시스템은 간단하고 특정한 작업을 개별 머신 러닝 알고리즘에 할당합니다. 이 알고리즘들이 협력하도록 함으로써 단일 알고리즘이 생성할 수 있는 것보다 훨씬 정교한 학습 결과를 얻을 수 있습니다. 참고: 신경망.
토큰화: 자연어 처리(NLP)의 기본 과정으로, 텍스트 스트림을 토큰이라고 하는 더 작은 단위로 분해하는 것을 말합니다. 이러한 토큰은 개별 문자에서 전체 단어 또는 구문에 이르기까지 다양하므로 기계가 인간의 언어를 분석하고 이해하기가 더 쉬워집니다.
추적 가능성: 공급망을 통해 품목의 이력, 용도 또는 위치를 추적하고 확인하는 기능. 제품의 원산지, 포함된 재료 및 제조 방법과 같이 제조 공정에 대한 정보를 수집합니다.
훈련 데이터: AI 알고리즘에서 학습을 추진시키는 디지털 정보. AI 및 신경망 알고리즘은 좋은 데이터와 나쁜 데이터의 차이를 알아야 합니다. 학습 데이터는 이러한 차이를 알 수 있도록 합니다. 예를 들어, 자동화된 공장에서 디지털 이미지는 알고리즘이 결함이 있는 기계 부품을 찾고 완성 제품에서 제거하도록 지원하는 학습 데이터를 제공합니다.
전이 학습: 한 작업에 대해 학습된 모델을 다른 작업의 기반으로 재활용하는 머신 러닝 기법입니다. 이 방법은 두 번째 작업이 첫 번째 작업과 관련이 있거나, 두 번째 작업에 대한 데이터가 제한적일 때 가장 잘 작동합니다. 첫 번째 작업에서 학습한 특징을 활용함으로써 모델은 새로운 작업에 더욱 효율적으로 적응할 수 있습니다.
과소적합: 머신 러닝 모델이 데이터에 내재된 패턴을 포착하기에는 너무 단순한 경우를 말합니다. 이는 일반적으로 모델이 충분히 복잡하지 않거나 사용하는 기능이 너무 제한적일 때 발생합니다. 이로 인해 학습 데이터와 미사용 데이터 모두에서 성능이 저하되어 모델의 일반화 및 정확한 예측 수행 능력이 저하됩니다. 이는 AI 모델을 구축할 때 피해야 할 문제 중 하나로, 모델의 일반화 능력과 정확한 예측 능력을 제한합니다.
오류 수정 미사용: 추가로 잘못된 모듈에 사용할 수 있는 오차 보정 비율.
비지도 학습: 결과값이 라벨링되지 않은 데이터로 모델을 훈련시키는 머신 러닝 접근 방식입니다. 목표는 모델이 데이터 내에서 패턴, 관계 또는 구조를 자율적으로 식별하는 것입니다. 일반적으로 클러스터링, 이상 감지 또는 대규모 데이터 세트에서 숨겨진 통찰력 발견에 사용됩니다.
검증: 바코드 데이터 형식이 애플리케이션 요구 사항에 따라 올바른지 확인하여 바코드 데이터를 수신하는 컴퓨터 시스템이 해당 데이터의 의미를 정확하게 해석할 수 있도록 합니다.
X-축: 모든 바코드에서 가장 좁은 막대 또는 가장 작은 모듈의 크기. 일반적으로 mil 단위로 표시됩니다.