[첨단 헬로티]
AI Vision Inspection
현재 산업용 비전 검사의 경우에 Rule Based 기반의 Computer Vision을 적용할 수 있는 분야는 자동화가 어느 정도 이루어졌다.
그러나 여전히 육안 검사는 많은 비중을 차지하고 있다. 육안 검사가 이루어지는 대부분의 공정은 비정형 불량 패턴에 대하여 양품과 불량을 판정하는 Case로서, Deep Learning 육안으로만 가능했던 이 같은 비정형 불량 패턴을 검사할 수 있는 매우 효율적인 도구로 활용될 수 있다.
딥러닝 검사 도입 시의 어려움
Deep Learning Networks가 아무리 좋은 성능을 가졌다 하더라도 학습 이미지가 불충분하다면 좋은 성능을 기대하기 어렵다.
따라서, Deep Learning은 양품과 불량 이미지를 최대한 많이 확보하여 학습을 해야 한다. 그러나, 양품에 비해 불량 이미지 확보는 쉽지 않고, 보안 문제로 이미지를 반출할 수 없는 경우도 많다. 이 때문에 적은 량의 시료로 Deep Learning 정확도를 높일 수 있는 방법이 절실하게 요구되는 것이다.
한편, Deep Learning 개발자들이 산업용 데이터를 보고도 양품과 불량을 구분하지 못하는 경우가 종종 있다. 환자 스스로가 MRI 사진을 보고 해석할 수 없는 것과 유사하다고 할 수 있다. 개발자가 아닌 현장의 작업자들은 Deep Learning에 대한 지식이 없기 때문에 Deep Learning을 적용하기 힘든 것이다.
적은 수의 학습 이미지로도 높은 정확도를 낼 수 있는 방법이 있다면 어떨까?
현장의 작업자들이 딥러닝을 쉽게 이용할 수 있는 쉬운 방법이 있다면 어떨까?
Deep Learning 도입의 어려움을 해결하는 ‘NAVI AI’
라온피플의 Deep Learning 비전 검사 소프트웨어 ‘NAVI AI’을 적용하면, 모든 것이 간단하게 해결된다. 적은 수의 학습 이미지만으로도 현장에서 작업자가 Deep Learning Tool을 이용하여 이미지를 쉽게 학습하는 것이 가능하기 때문이다.
NAVI AI Trainer는 간단한 Windows 설치 파일 형태로 제공하기 때문에 사용자가 프로그램을 사용하여 쉽게 Training 할 수 있고, Training 완료 이후에 바로 이미지를 넣어 통계적인 결과도 확인할 수 있는 효율적인 프로세스를 제공한다.
NAVI AI Trainer는 학습 이미지가 충분하지 않은 경우의 해결책도 제공한다. 예를 들어, 불량 이미지는 적으면서 양품 이미지가 많은 경우에 학습에 필요한 불량 이미지를 원하는 만큼 생성시킬 수 있다.
‘NAVI AI’는 산업용 비전 검사의 현장에서 발생될 수 있는 다양한 불량 이미지를 자동으로 생성한다. ‘NAVI AI’의 15가지 Image Augmentation 기능을 이용하면 학습에 필요한 충분한 데이터를 쉽게 만들어 낼 수 있다.
산업 현장을 생각하는 ‘NAVI AI’
‘NAVI AI’는 2017년 출시 이후 많은 고객들의 의견을 수렴하여 산업 현장의 어려움을 해결할 수 있는 방향으로 진화되었다.
첫째, ‘NAVI AI’는 새로운 유형의 불량에 대한 유연한 해결책을 제시한다. Deep Learning 검사 시 Score 값 이외에 Confidence 값을 추가로 제공하는데, 이 Confidence 값을 통해 신뢰도 측정이 가능해진다.
신뢰도가 낮은 유형을 Unknown Defect로 분류할 수 있기 때문에 새로운 불량 유형이 기존의 데이터와 섞이지 않고 분류되고, 분류된 데이터로 쉽게 추가 학습을 진행함으로써 유지보수가 편리하고 시간도 크게 절약할 수 있다.
둘째, NAVI AI는 실제 현장에서 하나의 제품이 여러 고객에게 제공될 경우의 품질 등급이 나누어지는 경우를 대비한 해결책을 제시한다. 미검과 과검에 대한 비율 조절이 가능하기 때문이다. NAVI AI Mercury를 이용하여 비정형 양불 판정 어플리케이션을 수행하는 경우에는 사용자는 Score/Confidence의 숫자를 변경하여 미검과 과검의 비율을 조정할 수 있다. NAVI AI Mars를 이용하여 비정형 불량 위치를 추적하는 경우에는 Segmentation의 Threshold뿐 아니라 Blob의 Intensity / Size을 Filtering 시켜 조절하는 것도 가능하다.
셋째, ‘NAVI AI’는 실제 광학 환경이 다양하게 변하는 복잡한 환경에 대한 해법도 제시한다. ‘NAVI AI’는 한 시료에 대한 멀티 조명과 멀티 Focus 이미지를 입력 받는 경우에 3채널 이상의 입력을 받을 수 있는 입력 Layer와 네트워크를 제공한다. 사용자 입장에서는 편리한 UI를 조작하는 것만으로 복합적인 광학 환경에서의 검사를 수행할 수 있게 된다.
넷째, ‘NAVI AI’는 라온피플에서 독자 개발한 알고리즘을 사용하여 모델을 최적화하여 경량화하였다. 무거운 Open Source Deep Learning 네트워크로는 몇 초에 한 번씩 검사될 수 있는 고화소 이미지를 NAVI AI는 초당 수십 번 이상을 검사할 수 있다.
다섯째, 산업용 분야에서 검증된 Pre-Train 모델을 통해 Deep Learning 학습이 오버 피팅되지 않고 올바른 방향으로 진행되고, 학습 시간도 크게 줄어든다. 사용자는 Deep Learning을 굳이 알 필요없이 ‘NAVI AI’에서 제공하는 Deep Learning 모델을 선택하여 사용하기만 하면 된다.
끝으로, ‘NAVI AI’는 Library 형태도 제공하기 때문에 기존의 비전 시스템에 유기적으로 연동하여 사용 가능하다. 멀티 GPU/CPU 모드와 C++/C#/Python 인터페이스를 사용할 수 있으며, Window 버전 뿐만 아니라 Linux 버전도 제공하기 때문에 대규모 시스템에 ‘NAVI AI’를 이식하는 것도 가능하다.
[비고] Open Source Deep Learning 프레임워크의 한계
최근 Deep Learning이 화두가 되면서 비전 검사를 위한 Deep Learning을 자체 개발하는 추세가 증가하는 추세다.
초기에는 Open Source Deep Learning 프레임워크를 연구하게 되는데 실제 상용화 수준까지 진입하지 못하고 시간만 낭비하는 경우가 빈번하다.
기존의 Open Source는 일반적인 자연 영상의 정확도에 초점이 맞춰져 있다. 산업용 영상은 자연계의 영상과는 다르게 대부분의 패턴이 복잡하지 않기 때문에 보다 정확도가 높은 프레임워크를 사용하더라도 결과가 비슷하거나 심지어는 더 나쁘게 나오기도 한다.
또한, 공개된 Deep Learning 네트워크는 정확도라는 학술적 목표에 초점이 맞춰져 있어서 하드웨어 Resource에 대한 고려가 적다.
이로 인해 산업용 비전 검사에 적용하는 경우에는 너무 느려 사용할 수 없는 경우가 대부분이다.
나아가 Deep Learning 대회에서 높은 성능을 보인 Deep Learning 알고리즘은 256 x 256(0.06 Mega) 사이즈 정도의 크기에서 검증된 수준으로 이미지 사이즈가 수 Mega에서 수십 Mega까지 증가될 수 있는 산업용 비전 검사에 적용할 경우 메모리 부족 현상이 발생하기도 한다..
이 외에도, Linux 환경에서 구축하고 직접 프레임워크를 설치해야 하며, 컴퓨터 비전을 전공하는 사람에게도 낯선 Python 프로그램 언어를 숙지해야 하는 어려움도 감수해야 한다. 더욱이 카메라와 같은 비전 시스템과의 연동이 어려워 복잡한 모델을 사용할 경우에는 테스트 시간이 매우 장기화될 수 밖에 없는 문제도 발생하게 된다.
(주)라온피플
