코그넥스, 딥러닝 기반 스마트 카메라 '인사이트 D900' 활용 사례 소개
코그넥스, 딥러닝 기반 스마트 카메라 '인사이트 D900' 활용 사례 소개
  • 최종엽 기자
  • 승인 2020.05.27 16:39
  • 댓글 0
이 기사를 공유합니다

자동차·전자·패키징 산업 활용 사례, 5월 28일 웨비나 진행 예정

[디지털경제뉴스 최종엽 기자] 코그넥스는 딥러닝 기반 스마트 카메라 '인사이트(In-Sight) D900'의 활용 사례를 소개했다.

기존의 룰 베이스 방식을 이용한 머신비전으로는 복잡한 배경 내 결함, 비정형 긁힘 및 찍힘 등 결함의 정의를 내리기 까다로운 분야의 검사를 진행할 수 없어 육안 검사에 의존해야 했다.

이를 해결하기 위한 솔루션이 바로 인간의 학습 과정을 모델링한 ‘딥러닝’이다. 하지만 기존 머신비전 플랫폼에 딥러닝 솔루션을 추가하는데 드는 비용의 압박으로 인해 도입을 망설이는 제조업체가 많았다.

코그넥스는 이에 따라 올해 4월 ‘인사이트(In-Sight) D900’을 출시해 제조업체에 대안을 제시하고 있다.

인사이트 D900은 딥러닝 기반 산업용 머신비전 스마트 카메라로, 코그넥스의 딥러닝 소프트웨어 ‘인사이트 비디(In-Sight ViDi)’를 내장하고 있어 제조업체의 비용 부담을 낮춰준다.

또한 인사이트 D900은 공정 라인에 PC를 추가로 설치하지 않아도 사용이 가능하며, 내장된 인사이트 비디 소프트웨어가 별도 프로그래밍이 필요 없는 ‘코그넥스 스프레드시트’ 인터페이스를 제공하기 때문에 PC 및 딥러닝 전문 지식이 없는 일반 공정 담당자도 쉽게 사용할 수 있다.

전통적인 비전검사 방식과 딥러닝 기반 검사를 쉽게 결합해 사용할 수 있기 때문에 비정형적인 결함 검사를 포함한 다양한 산업의 복잡함 검사를 자동화 하는데 적합하다.

<그림> 딥러닝 기반 산업용 스마트 카메라인 코그넥스 ‘인사이트 D900’

빠르고 정확한 조립 검사가 가능한 ‘인사이트 비디 체크(ViDi Check)’, 복잡한 결함 감지 분석이 가능한 ‘인사이트 비디 디텍트(ViDi Detect)’, 난이도 높은 OCR을 해결하는 ‘인사이트 비디 리드(ViDi Read)’ 툴로 구성돼 있는 인사이트 D900은 특히 자동차, 전자, 패키징 산업 검사에 유용하게 적용할 수 있다.

다음은 해당 산업 검사에 적용될 수 있는 딥러닝 활용 사례들이다.

◆자동차 산업 분야 = 자동차 부품 제조 및 완성차 조립 공장은 부품 조립부터 출고 전 최종 검사에 이르기까지 대부분의 제작 과정에 딥러닝 솔루션이 결합된 머신비전 및 바코드 판독 기술을 사용하고 있다.

◾부품 결함 탐지: 자동차의 기능 문제를 야기할 수 있는 부품 결함은 운전자의 안전과 직결되어 있기에 정확하게 결함을 탐지해야 한다. 딥러닝 솔루션은 대표적인 '정상' 및 '불량' 이미지를 통해 정상 범위 내의 변동, 녹슨 자국과 사소한 균열 등 허용 가능한 결함을 함께 학습해 금속 표면의 예측이 어렵고 가변적인 결함을 자동으로 감지한다.

◾OCR(광학문자판독): 자동차의 차대번호(VIN) 검사에 딥러닝 솔루션을 적용하면 기존 머신비전 시스템으로 인식하지 못하던 변형된 문제를 쉽고 정확하게 판독할 수 있다.

표면의 광택과 대비로 인한 불분명한 문자까지도 인식 가능하며, 판독 오류가 발생할 경우에는 소프트웨어 모델이 모든 문자를 정확하게 식별할 때까지 누락된 문자만 재교육하면 된다.

전자 산업 분야 = 전자 산업은 빠르게 변화하는 산업 중 하나로, 더욱 더 얇고 가벼운 제품의 개발이 요구된다. 그렇기 때문에 제품의 품질을 저하시키지 않으면서 생산 프로세스를 자동화하는 것이 중요하다.

그러나 제품 자체가 복잡하고 빠르게 변화하기 때문에 매번 발생하는 프로그래밍 재설정 비용은 공장 자동화의 큰 벽으로 작용해 육안으로 검사를 진행하는 경우가 많다.

육안 검사는 기존 방식보다 신뢰성은 높으나, 작업자의 컨디션에 의해 품질이 좌우될 가능성이 있어 종종 일관성이 떨어지는 문제가 발생한다. 딥러닝 솔루션을 품질 개선과 생산 공정의 자동화에 사용하면 이러한 문제를 해결할 수 있다.

◾조립 검증: PCB(Printed Circuit Board) 최종 조립 검증에서 구성 요소의 누락이나 잘못된 배치는 PCB의 성능과 수명을 손상시킬 수 있다. 하지만 부품이 너무 밀접하게 붙어 있어 기존 머신비전 시스템으로 개별 부품을 구별하는 것은 쉽지 않았다.

코그넥스의 딥러닝 솔루션은 PCB 참조 모델을 구축해 일반화된 크기와 형태 및 특징에 따라 개별 구성요소를 식별하고 위치를 예측한다.

◾분류: 전자 부품의 분류는 부품이 여러 종류와 등급으로 나뉘어져 있어 판독이 어렵다. 실제 전자회로에서 전기를 일시적으로 저장하는 장치인 커패시터(Capacitor) 분류의 경우, 코그넥스는 딥러닝 기반 솔루션으로 제조사, 사양, 종류(세라믹/전기), 크기 및 색상에 따라 커패시터를 분류할 수 있도록 동일한 유형 내의 허용 가능한 변동을 포함한 속성을 학습하여 검사를 진행한다.

◆패키징 산업 분야 = 포장 상태의 결함은 제품의 품질, 안전성은 물론 브랜드 가치에 대한 소비자의 인식에 부정적 영향을 미칠 수 있다. 패키징 제조업체는 제품에 손상을 주지 않는 딥러닝 기반 솔루션으로 제품의 캡 또는 구성품 검사를 진행 하여 브랜드 충성도를 유지 하는데 도움을 줄 수 있다.

◾캡 검사: 소비재 제조업체는 딥러닝 솔루션으로 배송을 위한 박스를 닫기 전, 전제품의 병 뚜껑이 올바르게 닫혀 있는지 확인한다. 뚜껑이 제대로 닫히지 않은 경우 해당 병이 든 상자를 바로 격리해 배송 중 누출을 방지하고, 결함으로 인한 배송 시간의 지연을 미연에 막을 수 있다.

◾구성품 검사: 다양한 형태의 물품에 대한 식별, 개수 파악, 분류를 위해 코그넥스 딥러닝 기반 이미지 분석 솔루션을 활용한다. 학습 이미지에 기초해 크기, 형태, 표면 특징 등을 물품에서 구분하는 작업을 일반화 하며, 검사를 통해 올바른 물품이 키트에 포함 될 수 있도록 한다.

제조업체는 고객 충성도에 직결되는 품질 향상을 위해 그 어떤 공정보다도 품질 보증 프로세스를 최우선시 하고 있다. 만약 품질 보증 단계에서 문제가 생길 경우, 재작업이나 제품 리콜 등과 같은 비용 발생은 물론 고객 충성도 하락으로까지 이어질 수 있기 때문이다.

이미지를 획득할 수 있는 카메라와 획득 이미지를 바로 판정할 수 있는 딥러닝 소프트웨어가 하나로 결합된 인사이트 D900은 비전 시스템과 소프트웨어 도입 및 유지에 비용 부담을 느끼고 있던 기업에게 최적이다.

인사이트 D900은 또한 기존 머신비전 인라인 검사에도 비교적 간편하게 통합, 설치 가능하도록 설계돼 있어 높은 구축 용이성을 제공한다.

한편 코그넥스코리아는 5월 28일 오전 10시 ‘자동차 산업을 위한 딥러닝 스마트 카메라 인사이트 D900’을 주제로 실시간 웨비나를 진행한다.

이날 웨비나에서는 ▲딥러닝 기술 및 업계 동향 ▲자동차 산업군 자동화를 위한 인사이트 D900 소개 ▲자동차 산업 내 딥러닝 적용 사례 등의 발표를 진행한다.

특히 OCR(광학문자판독), 결함 감지, 비정형적 판독 검사 등 현재 자동차 산업에서 적용되고 있는 다양한 딥러닝 활용 사례를 중점적으로 소개할 예정이다.



댓글삭제
삭제한 댓글은 다시 복구할 수 없습니다.
그래도 삭제하시겠습니까?
댓글 0
댓글쓰기
계정을 선택하시면 로그인·계정인증을 통해
댓글을 남기실 수 있습니다.