주요 요점
다음은 성공적인 전략 계획을 수립하고 제조 공정에서 딥러닝을 구현하기 위한 필수 단계입니다.
- 여러 부서가 참여하는 팀을 구성하여 목표를 세우고 딥러닝의 잠재력을 평가하십시오.
- ROI를 입증하기 위해 현실적인 목표를 가진 “등대” 프로젝트를 선정하십시오.
- 딥러닝은 복잡한 변형과 결함을 처리하는 등 기존 시스템이 실패하는 부분에서 탁월합니다.
- 양호한 부품과 결함이 있는 부품을 효과적으로 구별할 수 있도록 라벨이 지정된 데이터셋으로 시스템을 훈련하십시오.
딥러닝은 이러한 시나리오에 도움이 될 수 있지만 성공적인 구현과 최종 결과는 필요한 조치를 미리 취하는 데 달려 있습니다. 일반적으로 딥러닝 프로젝트에는 계획, 데이터 수집 및 검증 자료 라벨링, 최적화 및 공장 출하 테스트의 네 단계가 포함됩니다. 여기서는 1단계인 계획 단계에 들어가는 내용을 살펴봅니다.
팀 모으기, 목표 파악
기업이 딥러닝 솔루션을 구현하기로 결정하는 경우, 여러 이해관계자로 구성된 팀을 구성하여 현재 프로세스를 살펴보고 새로운 목표를 정의하며 딥러닝이 이러한 목표를 달성하는 데 도움이 될 수 있는지 여부를 판단해야 합니다. 이 팀은 공장 관리, 자동화, QA 및 시스템 통합 업체/머신 제작 업체로 구성되어야 합니다. 목표는 명확하게 정의되고, 일관성이 있으며, 팀 구성원 모두가 상호 동의해야 합니다. 여기에는 결함/결함 제품 유출 감소(언더킬), 폐기물 감소(과잉) 또는 결함/결함 제품이나 부품 감소를 통한 비용 절감, 또는 양품/불량품 판별을 넘어 추가적인 결함 분류 기능 제공 등이 포함될 수 있습니다.
협업팀이 앞으로 나아가기로 결정하면, 다음 단계 중 하나는 경영진에게 자원 투입을 정당화하는 데 사용할 수 있는 "등대" 프로젝트를 선정하는 것입니다. 이 프로젝트에는 비현실적인 목표가 포함되어서는 안 됩니다. 너무 쉽거나 어렵지 않은 프로젝트여야 하며, 향후 딥러닝 배포가 실행 가능할 수 있음을 경영진에게 알릴 수 있도록 확실한 성과를 낼 수 있어야 합니다.
프로젝트 선정 및 진행
일부 제조업체의 경우, 기존 머신 비전 솔루션이 너무 많은 오탐지 또는 거짓 양품을 생성했거나 너무 많은 제품 변화 또는 환경 변화로 인해 시스템이 제대로 작동하지 않았을 수 있습니다. 예를 들어, 자동차 전자제품 검사에서 단자 스팟 용접 애플리케이션은 규칙 기반 시스템에 문제를 일으킬 수 있습니다.
단자 스팟 용접은 헤어핀, 와이어-패드 및 와이어-와이어 등을 포함한 다양한 용접 유형을 생성하며, 이러한 용접 방식은 반사 표면을 가진 약간씩 다른 3D 금속 돌출부를 만들어냅니다. 머신 비전 시스템이 터미널 스팟 용접 이미지를 캡처할 때 최적의 부품이라 하더라도 반사, 그림자, 색상 영역 및 표면 질감이 포함되는 경우가 많습니다. 이러한 영향은 균열, 긁힘, 화상, 과도하거나 누락된 용접과 같은 실제 결함과 유사한 경우가 많습니다. 이러한 자연적인 변동성은 기존의 머신 비전 시스템이 용접부를 정확하게 검사하고 양품과 불량품을 구분하는 데 어려움을 초래하기 때문에 문제를 야기합니다.
딥러닝 기반 검사시스템은 내부 전문가가 평가하고 라벨을 지정한 데이터세트에 대해 훈련됩니다. 이는 소프트웨어가 양호한 부품과 불량 부품을 구별하고 결함이 있는 제품의 문제 유형을 식별하는 데 도움이 됩니다. 이러한 기능을 갖춘 딥러닝 소프트웨어는 수동 검사 및 전기 테스트에 대한 실질적인 대안을 제공하며, 규칙 기반 알고리즘이 수행할 수 없는 부분을 보완합니다.
이 블로그 시리즈의 2부에서는 데이터 수집 및 검증 자료에 대해 살펴보겠습니다. 3부를 읽어보면 딥 러닝 배포 최적화와 4부 공장 인수 테스트에 대해 배울 수 있습니다.