닫기

일반뉴스

배너

라온피플, 딥러닝 알고리즘을 활용한 비전 검사 솔루션 ‘NAVI AI 3.0 버전’ 출시

URL복사
[마감임박!! 무료] 생성형AI, 디지털트원, 제조AI, SaaS, 클라우드로 생산성 높이고, 비용절감 방안 제시.. AI자율제조혁신포럼 개최 (3/27~29, 코엑스3층 컨퍼런스룸 317~318호)

[헬로티]


인공지능 비전 전문 기업인 라온피플이 이미 다양한 산업분야에서 활용되며 그 기술력이 검증받고 있는 'NAVI AI 비전검사 솔루션의 3.0 버전'을 출시했다고 17일 밝혔다.


라온피플은 “새로운 버전에도 라온피플이 가지고 있는 우수한 기술력 중의 하나인 딥러닝 알고리즘을 활용하여 이미지를 학습하고 분석해서 검출이 어려운 불량도 검사해 낼 수 있도록 빠른 속도를 가지면서도 낮은 오류로 공정의 효율성과 검사의 정확성을 높여준다.”고 전했다.


NAVI AI 3.0 버전은 멀티라벨(Multi Label) 기능, 패치 트레인(Patch Train) 등 산업에 특화된 딥러닝 기술을 지원하고, 기존 2.0 버전에 비해 빠른 학습 및 검사 속도를 제공한다. 또한 다양한 플랫폼을 지원하며 딥러닝 결과를 분석할 수 있는 Heatmap을 제공한다. 특히 딥러닝에 대한 지식이 없어도 제조업에 적용할 수 있도록 직관적인 UI 및 구성 등 사용자 편의성도 업그레이드 됐다.

 

NAVI AI 3.0 버전의 개발을 주도한 추연학 이사는 “국내는 물론 해외에서도 인정받고 있는 NAVI AI의 후속 버전을 고객이 더 원하고 있었다. 다양한 현장 경험 및 고객 요구사항을 통해 솔루션에 대한 고객의 사용 편의성 및 높은 정확성에 중점을 두고 개발하였다. 이번 NAVI AI 3.0을 통해 제조업의 생산성 향상과 비용절감을 위한 고객의 고민거리가 해결되길 바란다.”고 밝혔다.  



NAVI AI 3.0 버전의 주요 특징


 멀티 라벨(Multi Label)

Multi label 기능은 한 장의 이미지 속 여러 유형의 불량을 한번에 학습한다. 즉 검출 대상에 따라 라벨 추가하면 라벨 별 검출을 확인하게 된다. 


 멀티채널(Multi Channel)

Multi Channel은 여러 방식으로 촬영한 이미지를 한번에 처리하는 학습 방법이다. 즉, 딥러닝 내부에서 앙상블 조건을 자동 생성하고 최적의 학습과 검사를 실행하게 된다. 


 패치트레인(Patch Train)

기존의 방식으로는 대용량 이미지(100M이상의 해상도를 가지는 이미지)의 학습할 방법이 없는 부분을 해결하기 위해 디펙트(defect)가 있는 특정 영역을 잘라 트레인(Train)하는 방식을 제공하여 대용량 이미지 학습이 가능하도록 제공한다.


 배치트레인(Batch Train)

Batch Train은 최대 10개의 저장된 설정 파일을 순차적으로 학습하는 기능이다. 최적화된 모델을 효율적으로 찾는 방법이다. 설정 값을 저장하고 클릭 한 번하면, 일괄 학습이 진행된다.


 학습 속도 향상

학습 속도 향상을 위해 GPU 메모리 사용량 감소, Use In memory data 동작, 강화된 Augmentation 기능을 통해 학습 속도를 향상시켰다.


 NAVI AI SDK 1.3 성능 향상

최신 GPU에 최적화 시키고, 최신 딥러닝 모델의 아이디어 적용했다. 라온피플은 TensorRT/ OpenVINO 등을 이용하여 데이터 양자화 및 네트워크 퓨전 기법을 통해 2-3배 정도 검사 속도를 향상을 가져 왔다고 전했다.


 Tensor RT/Open VINO 지원

TensorRT 지원으로 기존에 모델에 비해 약 2-3배 가량 메모리 사용량이 줄어들게 되고, 검사 속도 역시 2-3배 가량 향상된다. 또한 Pre-optimize Tool을 제공하여 Loading 속도가 향상된다.


OpenVINO 지원으로 Intel CPU/GPU/Movidius에 최적화 되어 nVidia GPU 없이 딥러닝 검사가 가능하다.


 Heatmap 기능

딥러닝 알고리즘이 어떤 부분을 분석해서 결과를 도출했는지 확인할 수 있는 기능으로 즉 학습이 원하는 방향으로 잘되었는지 확인이 가능하다.


 Confidence값

Classification 문제에서 단순히 학습된 class에 대한 정규화 된 확률 값 만을 전달해 주어 새로운 유형의 Class가 올 경우 처리 하지 못하는 문제가 있다.  이를 해결하기 위해 학습에 사용한 이미지들과 얼마나 유사 한지를 수치화 시켜 Confidence값으로 제공하여 Unknown class에 대한 신뢰성을 확인할 수 있도록 제공한다.










배너









주요파트너/추천기업