제조 분야의 인공 지능은 최신 유행어입니다. AI 기반 결함 감지 솔루션을 설명할 때 종종 딥 러닝 및 컴퓨터 비전을 기반으로 하는 시각적 검사 기술에 관한 것입니다.

육안 검사에서 딥 러닝이란 무엇입니까?

딥 러닝은 인공 신경망으로 구동되는 기계 학습 기술의 한 측면입니다. 딥 러닝 기술의 작동 원리는 기계에게 예를 통해 학습하도록 가르치는 것입니다. 특정 데이터 유형의 레이블이 지정된 예가 있는 신경망을 제공하면 해당 예 사이의 공통 패턴을 추출한 다음 이를 수학 방정식으로 변환할 수 있습니다. 이것은 미래의 정보를 분류하는 데 도움이 됩니다.

육안 검사 기술을 통해 딥 러닝 알고리즘을 통합하면 컴퓨터 시스템을 실행하는 동안 사람의 육안 검사를 모방하는 부품, 이상 및 문자를 구별할 수 있습니다. 

그렇다면 정확히 무엇을 의미합니까? 예를 들어 보겠습니다.

자동차 제조용 시각적 검사 소프트웨어를 만들려면 딥 러닝 기반 알고리즘을 개발하고 감지해야 하는 결함의 예를 사용하여 교육해야 합니다. 충분한 데이터가 있으면 신경망은 추가 지침 없이 결국 결함을 감지합니다.

딥 러닝 기반 시각적 검사 시스템은 본질적으로 복잡한 결함을 감지하는 데 능숙합니다. 그들은 복잡한 표면과 외관상의 결함을 다루고 부품의 표면을 일반화하고 개념화합니다.

AI 육안 검사 시스템 통합 방법

1. 문제 진술

육안 검사 개발은 종종 비즈니스 및 기술 분석으로 시작됩니다. 여기서 목표는 시스템이 감지해야 하는 결함의 종류를 결정하는 것입니다.

기타 중요한 질문은 다음과 같습니다.

• 육안 검사 시스템 환경은 무엇입니까?
• 검사는 실시간이어야 합니까 아니면 연기되어야 합니까? 
• 육안 검사 시스템은 결함을 얼마나 철저하게 감지해야 하며 유형별로 구분해야 합니까?
• 육안 검사 기능을 통합하는 기존 소프트웨어가 있습니까? 아니면 처음부터 개발해야 합니까?
• 시스템은 감지된 결함에 대해 사용자에게 어떻게 알려야 합니까?
• 육안 검사 시스템은 결함 감지 통계를 기록해야 합니까?
• 그리고 핵심 질문: "좋은" 제품과 "나쁜" 제품의 이미지와 다양한 유형의 결함을 포함하여 딥 러닝 모델 개발을 위한 데이터가 존재합니까?

데이터 과학 엔지니어는 받은 답변을 기반으로 최적의 기술 솔루션과 흐름을 선택하여 진행합니다.

2. 데이터 수집 및 준비

데이터 과학 엔지니어는 딥 러닝 모델 개발이 시작되기 전에 미래 모델을 훈련하는 데 필요한 데이터를 수집하고 준비해야 합니다. 제조 프로세스의 경우 IoT 데이터 분석을 구현하는 것이 중요합니다. 육안 검사 모델을 논의할 때 데이터는 종종 비디오 기록이며, 여기서 육안 검사 모델에 의해 처리되는 이미지에는 비디오 프레임이 포함됩니다. 데이터 수집에는 여러 가지 옵션이 있지만 가장 일반적인 것은 다음과 같습니다.

1. 클라이언트가 제공한 기존 영상 녹화
2. 정의된 목적에 해당하는 오픈 소스 비디오 기록 촬영
3. 딥 러닝 모델 요구 사항에 따라 처음부터 데이터 수집

여기서 가장 중요한 매개변수는 비디오 기록의 품질입니다. 더 높은 품질의 데이터는 더 정확한 결과로 이어질 것입니다. 

데이터를 수집한 후에는 모델링을 위해 데이터를 준비하고, 정리하고, 이상 항목을 확인하고, 관련성을 확인합니다.

3. 딥러닝 모델 개발

딥 러닝 모델 개발 접근 방식의 선택은 작업의 복잡성, 필요한 배달 시간 및 예산 제한에 따라 다릅니다. 몇 가지 접근 방식이 있습니다.

딥러닝 모델 개발 서비스(예: Google Cloud ML Engine, Amazon ML 등) 사용

이러한 유형의 접근 방식은 결함 감지 기능에 대한 요구 사항이 주어진 서비스에서 제공하는 템플릿과 일치할 때 의미가 있습니다. 이러한 서비스는 처음부터 모델을 개발할 필요가 없으므로 시간과 예산을 모두 절약할 수 있습니다. 관련 작업에 따라 데이터를 업로드하고 모델 옵션을 설정해야 합니다. 

캐치 뭔데? 이러한 유형의 모델은 사용자 정의할 수 없습니다. 모델의 기능은 주어진 서비스에서 제공하는 옵션으로 제한됩니다.

사전 훈련된 모델 사용

사전 훈련된 모델은 우리가 수행하고자 하는 것과 유사한 작업을 수행하는 이미 생성된 딥 러닝 모델입니다. 데이터를 기반으로 훈련된 모델을 사용하므로 처음부터 모델을 만들 필요가 없습니다.

사전 훈련된 모델은 모든 작업을 100% 준수하지 않을 수 있지만 상당한 시간과 비용 절감을 제공합니다. 이전에 대규모 데이터 세트에 대해 훈련된 모델을 사용하면 문제에 따라 이러한 솔루션을 사용자 지정할 수 있습니다. 

처음부터 딥 러닝 모델 개발

이 방법은 복잡하고 안전한 육안 검사 시스템에 이상적입니다. 접근 방식은 시간과 노력이 많이 들지만 결과는 그만한 가치가 있습니다. 

맞춤형 시각적 검사 모델을 개발할 때 데이터 과학자는 하나 이상의 컴퓨터 비전 알고리즘을 사용합니다. 여기에는 이미지 분류, 객체 감지 및 인스턴스 분할이 포함됩니다.

많은 요인이 딥 러닝 알고리즘의 선택에 영향을 미칩니다. 여기에는 다음이 포함됩니다.

• 사업 목표
• 물체/결함의 크기 
• 조명 조건
• 검사할 제품 수
• 결함 유형
• 이미지의 해상도

결함 범주의 예:

건물의 품질 평가를 위한 육안 검사 모델을 개발 중이라고 가정해 보겠습니다. 주요 초점은 벽의 결함을 감지하는 것입니다. 정확한 육안 검사 결과를 얻으려면 광범위한 데이터 세트가 필요합니다. 결함 범주는 벗겨진 페인트 및 곰팡이에서 벽 균열에 이르기까지 매우 다양할 수 있기 때문입니다. 여기서 최적의 접근 방식은 인스턴스 분할 기반 모델을 처음부터 개발하는 것입니다. 사전 훈련된 모델 접근 방식도 경우에 따라 실행 가능합니다.

또 다른 예는 고점도의 부모 용액과 같은 제품의 입자와 기포를 구별하려는 제약 제조를 위한 육안 검사입니다. 거품의 존재는 여기에서 유일한 결함 범주이므로 필요한 데이터 세트는 위의 예처럼 광범위하지 않습니다. 최적의 딥 러닝 모델 개발 접근 방식은 처음부터 개발하는 것보다 모델 개발 서비스를 사용하는 것일 수 있습니다.

4. 훈련 및 평가

육안 검사 모델을 개발한 후 다음 단계는 이를 훈련시키는 것입니다. 이 단계에서 데이터 과학자는 모델의 성능과 결과 정확도를 검증하고 평가합니다. 테스트 데이터 세트는 여기에서 유용합니다. 육안 검사 시스템은 구식이거나 배포 후 처리하려는 것과 유사한 일련의 비디오 기록일 수 있습니다.

5. 배포 및 개선

육안 검사 모델을 배포할 때 소프트웨어 및 하드웨어 시스템 아키텍처가 모델 용량에 어떻게 대응하는지 고려하는 것이 중요합니다.

소프트웨어 

시각적 검사 기반 소프트웨어의 구조는 데이터 전송을 위한 웹 솔루션과 신경망 처리를 위한 Python 프레임워크의 조합을 기반으로 합니다. 

여기서 핵심 매개변수는 데이터 저장입니다. 데이터를 저장하는 일반적인 방법에는 로컬 서버, 클라우드 스트리밍 서비스 또는 서버리스 아키텍처의 세 가지가 있습니다. 

육안 검사 시스템에는 비디오 기록 저장이 포함됩니다. 데이터 스토리지 솔루션의 선택은 종종 딥 러닝 모델 기능에 따라 다릅니다. 예를 들어, 육안 검사 시스템이 대규모 데이터 세트를 사용하는 경우 최적의 선택은 클라우드 스트리밍 서비스일 수 있습니다.

하드웨어

산업 및 자동화 프로세스에 따라 육안 검사 시스템을 통합하는 데 필요한 장치에는 다음이 포함될 수 있습니다.

• 카메라: 주요 카메라 옵션은 실시간 비디오 스트리밍입니다. IP와 CCTV를 예로 들 수 있습니다.
• 게이트웨이 : 전용 하드웨어 기기와 소프트웨어 프로그램 모두 육안 검사 시스템에 적합합니다.
• CPU/GPU: 실시간 결과가 필요한 경우 CPU보다 GPU가 더 나은 선택이 될 것입니다. GPU는 이미지 기반 딥 러닝 모델에서 더 빠른 처리 속도를 자랑하기 때문입니다. 육안 검사 모델을 운영하기 위해 CPU를 최적화하는 것은 가능하지만 훈련용으로는 불가능합니다. 최적의 GPU의 예는 다음과 같습니다. 제트 슨 나노. 
• 광도계 (선택): 육안검사 시스템 환경의 조명 조건에 따라 광도계가 필요할 수 있습니다.
• 색도계 (선택 사항): 광원의 색상과 휘도를 감지할 때 이미징 색도계는 지속적으로 높은 공간 해상도를 가지므로 자세한 육안 검사가 가능합니다. 
• 열화상 카메라 (선택사항): 증기/수도관 및 설비의 자동화 검사의 경우 열화상 카메라 데이터를 보유하는 것이 좋습니다. 열화상 카메라 데이터는 열/증기/누수 감지에 유용한 정보를 제공합니다. 열화상 카메라 데이터는 단열 검사에도 유용합니다.
• 드론 (선택): 요즘은 드론 없이 접근하기 어려운 구역(건물 내부, 가스 파이프라인, 탱커 육안 검사, 로켓/셔틀 검사)에 대한 자동화된 검사를 상상하기 어렵습니다. 드론에는 실시간 결함 감지를 수행할 수 있는 고해상도 카메라가 장착될 수 있습니다.

딥 러닝 모델은 배포 후 개선될 수 있습니다. 딥 러닝 접근 방식은 새로운 데이터의 반복적인 수집과 모델 재교육을 통해 신경망의 정확도를 높일 수 있습니다. 그 결과 작동 중 데이터를 증가시켜 학습하는 "더 똑똑한" 시각적 검사 모델이 탄생했습니다.

육안 검사 사용 사례

의료

COVID-19와의 싸움에서 이제 대부분의 공항과 국경을 넘는 곳에서 승객의 질병 징후를 확인할 수 있습니다.

바이두, 중국의 대형 기술 회사는 AI 기반의 대규모 육안 검사 시스템을 개발했습니다. 이 시스템은 컴퓨터 비전 기반 카메라와 승객의 온도를 예측하는 적외선 센서로 구성됩니다. 기술, 운영 베이징의 칭허 기차역, 분당 최대 200명을 검색할 수 있습니다. AI 알고리즘은 37.3도 이상의 체온을 가진 사람을 감지합니다.

또 다른 실제 사례는 Alibaba 회사. 이 시스템은 96%의 정확도로 흉부 CT 스캔에서 코로나바이러스를 감지할 수 있습니다. 5,000건의 COVID-19 사례 데이터에 액세스하여 시스템은 20초 만에 테스트를 수행합니다. 또한 일반 바이러스성 폐렴과 코로나바이러스를 구별할 수 있습니다.

항공

보잉에 따르면 70조 2.6억 달러 규모의 항공 우주 서비스 시장의 2018%가 품질 및 유지 보수에 전념하고 있습니다. XNUMX년 에어버스는 새로운 자동화, 드론 기반 항공기 검사 시스템 육안 검사를 가속화하고 용이하게 합니다. 이러한 개발은 항공기 가동 중지 시간을 줄이는 동시에 검사 보고서의 품질을 향상시킵니다.

자동차

Toyota는 최근 운전자가 속도를 줄이려고 해도 자동차가 가속되어 미국에서 1.3명이 사망하는 결함으로 인해 6억 달러에 합의했습니다. 코그넥스 비디, 자동차 제조업체는 품질 문제를 훨씬 더 정확하게 분석 및 식별하고 문제가 발생하기 전에 해결할 수 있습니다.

컴퓨터 장비 제조

더 작은 회로 기판 설계에 대한 수요가 증가하고 있습니다. Fujitsu Laboratories는 AI 지원 인식 시스템 전자 산업을 위해. 그들은 품질, 비용 및 배송 면에서 상당한 진전을 보고했습니다.

직물

자동화된 시각적 검사 및 딥 러닝 접근 방식의 구현은 이제 질감, 짜임새, 스티칭 및 색상 일치 문제를 감지할 수 있습니다.

예를 들어, Datacolor의 AI 시스템 과거 육안 검사의 이력 데이터를 고려하여 샘플에 더 가깝게 일치하는 맞춤형 허용 오차를 생성할 수 있습니다.

앞서 언급한 총괄 관리자의 인용문으로 결론을 내리겠습니다. "제안된 기술이 최고인지 여부는 나에게 아무런 차이가 없지만, 그것이 내 문제를 얼마나 잘 해결할 수 있는지는 중요합니다."

태양 전지 패널

태양 전지판은 먼지와 미세 균열이 있는 것으로 알려져 있습니다. 제조 중과 설치 전후에 태양광 패널을 자동으로 검사하는 것은 오작동하는 태양광 패널의 배송을 방지하고 태양광 발전소에서 손상된 패널을 빠르게 감지하는 데 좋은 아이디어입니다. 예를 들어 DJI 엔터프라이즈 드론을 사용하다 태양광 패널 검사용.

파이프 라인 검사

가스 및 석유 파이프라인은 길이가 긴 것으로 알려져 있습니다. 2014년의 최신 데이터에 따르면 전 세계 2,175,000개국에서 총 3,500,000마일(120km) 미만의 파이프라인이 있습니다. 가스 및 오일 누출은 화학적 오염, 폭발 및 화재로 인해 자연에 막대한 피해를 줄 수 있습니다.

컴퓨터 비전 기술을 사용한 위성 및 무인 항공기 검사는 가스/오일 누출을 조기에 감지하고 위치를 파악하는 데 좋은 도구입니다. 최근 DroneDeploy 신고 약 180마일의 파이프라인을 매핑했습니다.

AI 육안 검사: 핵심 사항

1. 개념: Al 육안 검사는 전통적인 컴퓨터 비전 방식과 인간의 시각을 기반으로 합니다.
2. 선택: 딥 러닝 모델 개발 접근 방식은 작업, 배달 시간 및 예산 제한에 따라 다릅니다.
3. 암호알고리즘: 딥 러닝 알고리즘은 컴퓨터 시스템을 실행하면서 사람의 분석을 모방하여 결함을 감지합니다.
4. 아키텍처: 소프트웨어 및 하드웨어는 딥러닝 모델 용량에 해당해야 합니다.
5. 주요 질문: 육안 검사를 시작할 때 주요 질문은 "시스템에서 어떤 결함을 감지해야합니까?"입니다.
6. 개량: 배포 후 딥 러닝 모델은 데이터 축적을 통해 "스마트"해집니다.

PlatoAi. Web3 재창조. 데이터 인텔리전스 증폭.
액세스하려면 여기를 클릭하십시오.

출처: https://www.iotforall.com/ai-visual-inspection-for-defect-detection-in-manufacturing