뉴로클이 ‘뉴로티(Neuro-T)’와 ‘뉴로알(Neuro-R)’의 4.0 버전을 출시했다. 이번 버전은 제조 현장의 결함 데이터 및 레이블링 리소스 부족 문제를 해결하는 데에 중점을 두어 개발됐다. 뉴로티는 AI 딥러닝 비전 트레이너로, 비전 검사를 위한 AI 모델을 생성하는 소프트웨어다. 뉴로알은 뉴로티에서 생성한 검사 모델을 실시간으로 제조의 공정 라인에 적용하는 런타임 API이다. 가상 결함 생성 AI 모델: GAN Model · Generation Center 양,불 판정 AI 모델을 생성하기 위해서는 정상, 결함 이미지 데이터가 필요하며, 데이터의 양이 풍부할수록 고성능의 모델을 생성할 수 있다. 특정 산업에서는 결함 데이터의 수집이 어려워 모델 고도화에 난항을 겪는 경우가 있다. GAN Model · Generation Center는 이러한 경우를 해결하기 위해 고안된 기능이다. 유저는 해당 기능을 통해 소수의 결함 이미지를 기반으로 실제와 유사한 가상 결함을 생성할 수 있다. 생성된 가상 결함은 다양한 ‘결함 생성 도구’들을 통해 정상 이미지에 삽입되어, 양, 불 판정 AI 모델을 생성하는 데에 활용될 수 있다. 비지도학습 모델: Anomaly
뉴로클이 오는 20일부터 23일까지 서울 코엑스에서 열리는 ‘제79차 대한영상의학회 학술대회(KCR 2023)’에 참가해 이미지 기반의 AI 의료 연구를 수행할 수 있는 소프트웨어를 선보인다고 밝혔다. 뉴로클은 이번 학술대회에서 AI 딥러닝 이미징 소프트웨어 ‘뉴로티’를 소개할 예정이다. 이미지 기반 AI 의료 연구란, AI가 이미지를 자동 학습 및 분석하여 의료진의 연구를 보조하는 것을 의미한다. 의료진은 뉴로티를 통해 병변의 종류, 세부 위치 및 크기를 손쉽게 파악하고, 해당 데이터를 활용하여 폭넓은 연구를 수행할 수 있다. 뉴로티는 CT, MRI, Ultrasound 등 다양한 형태의 영상을 분석할 수 있으며, 진료과나 병변의 종류에 제한이 없어 그 활용도가 매우 높다. 뉴로티는 현재 영상의학과, 소화기내과, 정형외과, 신경외과, 병리학과, 치주과 등 다양한 진료과에서 활용되며 기술의 우수성과 신뢰성을 인정받고 있다고 뉴로클은 설명했다. 의료진은 노코드 플랫폼인 뉴로티를 통해 AI 의료 연구를 스스로 간편하게 수행할 수 있다. 뉴로티에는 자동으로 최적의 딥러닝 모델 구조와 학습 파라미터를 찾아, 고성능의 모델을 생성하는 ‘오토 딥러닝 알고리즘’이 탑재되
뉴로클이 뉴로티(Neuro-T) & 뉴로알(Neuro-R) 3.2를 출시했다고 밝혔다. 뉴로티는 비전검사 모델 학습 및 생성 소프트웨어다. 사용자는 뉴로티에서 이미지 데이터 전처리, AI 딥러닝 모델 학습 및 생성, 모델의 성능 평가 등을 수행할 수 있다. 뉴로티에서는 이미지 분류, 객체 탐지, 분할 등의 6가지 모델을 제공하며, 사용자는 프로젝트 목적에 따라 적합한 단일 모델을 선택하거나 다중 모델을 연결해 사용할 수 있다. 뉴로알은 ‘비전검사 모델 적용 런타임 API’다. 사용자는 앞서 뉴로티에서 생성한 모델을 뉴로알을 통해 제조 현장에서 실시간으로 적용할 수 있다. 신규 버전인 3.2의 주요 업데이트 사항은 모델 타입 간 레이블링 파일 호환 가능, 뉴로알 Nvidia RTX 40 시리즈 지원, 이미지 데이터 ‘그룹핑’ 제공, 프로젝트 진행상황 제어 툴 도입 등이다. 유저는 분할 모델과 객체 탐지 모델간 레이블링 파일을 자유롭게 호환할 수 있다. 이는 모델 타입 변경 시 기존 레이블링 값을 최대한 활용함으로써 레이블링 리소스를 획기적으로 감소시키는 것을 목적으로 고안됐다. 예를 들어 객체 탐지 모델로 레이블링을 완료한 경우, 해당 모델의 레이블링
제조업 품질 관리의 새로운 패러다임 제시 딥러닝 비전 기술이 제품의 품질 검사에서 나아가 결함을 발생시키는 공정을 검사할 수 있다면 어떨까? 결함 발생의 원인이 되는 공정을 찾아내어 불량률을 낮추고 제조 공정의 생산성을 향상할 수는 없을까? 세이지리서치에서는 공장 내 수많은 공정을 모니터링하며 불량 발생의 원인이 되는 생산 시설, 설비의 이상 동작을 실시간으로 감지하는 영상 이상 감지 기술 기반의 공정 모니터링 솔루션 ‘SaigeVIMS(Video Intelligent Monitoring System)’을 개발하여 상용화하였다. 이번 애픞리케이션 노트에서는 세이지리서치가 업계 최초로 개발한 영상 이상 감지 기술 기반의 공정 모니터링 솔루션에 포함된 인공지능 기술을 소개한다. 영상 이상 감지 기술 제조업에서는 불량 제품의 검사도 중요하지만, 제품 불량률을 0%에 가깝게 만드는 것이 궁극적인 목표다. 불량률을 줄이기 위해서는 지속해서 공정을 모니터링하여 불량 발생의 원인을 파악하고 그 공정을 개선해야 한다. 세이지리서치는 지능형 영상 모니터링을 통한 공정 개선을 위해, 업계 최초로 AI 기반 영상 분석 기술을 활용하여 실시간으로 공정의 이상 동작을 감지할 수 있
딥러닝이란 컴퓨터가 스스로 외부 데이터를 조합, 분석하여 학습하는 기술로, 빅데이터, 계산능력(Computational Power), 알고리즘 3가지 요소에 의해 발전해왔다. 그리고 이러한 딥러닝 모델 성능 향상은 인공지능(AI)이 획기적으로 도약하게 된 계기가 되었다. 제조 현장에서 AI(인공지능) 적용은 설계 지능화, SCM 지능화, 검사 지능화, 예지보전, 공정 지능화를 가져왔다. 그러나 AI 적용시 발생하는 여러 이슈도 있었다. 그 해결 방안은 무엇인지, 제조 기업을 위한 디지털 제조 혁신 세미나에서 한국생산기술연구원 윤종필 수석연구원이 발표한 내용을 정리했다. 데이터란? 데이터는 일반적으로 딥러닝 입력 데이터와 정답 데이터로 구성된다. 입력 데이터는 의사 결정을 내리기 위한 정보로서 센싱, 음성, 텍스트, 진동, 온도 데이터가 여기에 해당된다. 정답 데이터는 내가 인공지능 학습을 시켰을 때 원하는 것, 풀고자 하는 것, 바라는 것이 출력됐으면 좋겠다 하는 데이터를 말한다. 따라서 딥러닝이 잘 풀 수 있도록 충분한 양의 입력 데이터와 정확한 정답 데이터를 확보하는 것이 중요하다. 딥러닝은 우리가 만든 정답 데이터대로 학습하기 때문이다. 그렇다면 생산
머신비전과 AI가 접목된 딥러닝 비전 시장은 확장되고 있지만, 실제로 보편화됐다고 말하기는 힘들다. 실제 생산 현장에 적용하기 어려운 부분이 존재하기 때문이다. 학습시키기 위한 과정, 복잡한 레이블링 과정 등은 사용자가 딥러닝 도입을 주저하게 만드는 요소 중 하나다. 생산성 향상을 위해서 딥러닝 도입은 필수적인데, 코그넥스 박상준 전무는 인더스트리솔루션 인사이트 웨비나 AI 비전 활용 가이드에서 고객의 고민을 해결하기 위해 코그넥스의 딥러닝과 엣지 러닝 솔루션을 소개한다. 현장에서 생산성 향상을 위해 딥러닝 기술 적용 사례가 많이 늘어났다. 하지만 박 전무는 실제 딥러닝이 보편화됐다고 말하기엔 문제점이 있다고 지적한다. 실제 생산 현장에 적용하기 어려운 부분들이 존재한다는 것이다. 딥러닝은 학습 베이스가 토대가 되는데, 학습 과정에서 오는 여러 가지 어려움들이 존재해 실제 양산 현장에서 사용하기 어려운 부분이 있다는 것이다. 딥러닝은 이미지를 모으고, 레이블링을 거쳐 학습을 최적화하는 과정을 거쳐야 한다. 이런 과정들에 많은 시간이 소요된다. 일반 유저가 최적화 시키기엔 어려움이 존재하는 것이다. 또한 양산 단계로 넘어가면, 라인 바이 라인 변화