딥러닝 자동화 솔루션 ‘엣지 러닝’
딥 러닝은 ‘엣지(edge)’에서 이미지를 처리하는 새로운 기술의 도입으로 사용하기가 더 쉬워졌다. 엣지에서의 딥 러닝(이하 ‘엣 지 러닝’)은 일련의 사전 훈련된 알고리즘을 사용하여 장치에서 직접 처리가 이루어지는 딥 러닝의 하위 집합이다.
이 기술은 설정이 간단하여 기존의 딥 러닝 기반 솔루션에 비해 훈련에 소요되는 시간과 이미지가 적다. 사용을 위해 도메인 전문 지식이 필요하지 않은 엣지 러닝은 머신 비전 초보자부터 전문가까지 모두에게 실행 가능한 자동화 솔루션이다.
자동화된 시각 검사는 제조 속도와 정확성을 개선하는 데 필수적이다. 라인 엔지니어는 이러한 이점을 인식하고 육안 검사를 자동화하기 위해 노력하지만, 필요한 수준의 기술 전문 지식과 관련된 광범위한 프로그래밍을 포함한 머신 비전의 추가적인 복잡성으로 인해 방해를 받는 경우가 많다.
기존 머신 비전 사용 경험이 있는 자동화 엔지니어도 시각적 복잡성이나 미묘한 결함 및 변형 의 경우 한계를 인식한다. 이러한 경우 딥 러닝은 훌륭한 솔루션 이지만 효과적인 사용을 위해서는 자동화 엔지니어의 전문 지식 이외의 고급 기술이 필요하다.
엣지 러닝은 자동화를 라인에 쉽게 통합할 수 있는 방법을 찾고 있으며 일반적으로 규칙 기반 머신 비전 도구(rules-based machine vision tools)를 사용하고 있는 딥 러닝 전문 지식이 부족한 전문 자동화 엔지니어를 위한 솔루션이다.
엣지 러닝이란 무엇인가?
엣지 러닝은 공장 자동화에 최적화된 통합 도구 세트를 생성하기 위해 사전 훈련된 딥 러닝 알고리즘 세트 내에 효율적인 규칙 기반 머신 비전을 포함한다. 이 기술은 머신 비전이나 딥 러닝에 대한 전문 지식이 필요하지 않으며, 대신 라인 엔지니어는 필요한 작업에 대한 기존 지식을 사용하여 엣지 러닝을 교육할 수 있다.
하나의 스마트 카메라 기반 솔루션을 사용하여 엣지 러닝을 몇 분 안에 모든 라인에 배포할 수 있다. 이 솔루션은 고품질 비전 하드 웨어, 계산 부하를 줄이기 위해 각 이미지를 전처리하는 머신 비전 도구, 공장 자동화 문제를 해결하도록 사전 훈련된 딥 러닝 네트워크, 산업용 애플리케이션용으로 설계된 간단한 사용자 인터페이스를 통합한다.
엣지 러닝은 범용이 아니라 산업 자동화에 특화되어 있다는 점에서 기존 딥 러닝 프레임워크와 다르다. 또한 애플리케이션 배포의 모든 단계에서 사용 편의성에 중점을 둔다는 점에서 다른 딥 러닝 제품과 다르다. 예를 들어, 엣지 러닝은 개념 증명을 달성하기 위해 더 적은 수의 이미지가 필요하고 이미지 설정 및 획득에 더 적은 시간이 소요되며 전문 프로그래밍이 필요하지 않다.
빠른 분류의 예
엣지 러닝은 시야에서 여러 관심영역(ROI)을 분석하고 각 영역을 여러 범주로 분류할 수 있을 만큼 강력하다. 이를 통해 정교한 어셈블리 검증을 수행할 수 있다.
예를 들어, 엣지 러닝은 고속 라인에서 로봇이 포장한 냉동식판의 네 섹션을 확인하고 분류할 수 있다. 즉, 각 트레이의 하단 중앙 섹션에는 단백질, 왼쪽 상단에는 야채, 상단 중앙에는 디저트 또는 반찬, 오른쪽 상단에는 녹말이 들어 있다. 각 섹션에는 단백질 섹션의 닭고기, 칠면조 또는 미트 로프와 전분 섹션의 쌀, 감자 또는 파스타와 같이 여러 SKU가 포함될 수 있다.
간단한 클릭과 드래그로 가장자리 러닝을 위해 각 영역을 정의하고 식사 트레이의 고정기능에 고정할 수 있다. 그 후, 트레이의 각 섹션을 소수의 이미지, 종종 각 가능한 클래스에 대해 2개로 분류하도록 훈련한다. 훈련 후 몇 분 안에 엣지 러닝은 다양한 섹션을 고속으로 정확하게 분류한다.
예를 들어 새 등급 또는 동일한 등급 내의 새로운 품종과 같이 더 많은 변형이 도입되면 새 카테고리의 몇가지 이미지로 도구를 업데이트할 수 있다. 냉동식판에 적합한 방식은 인쇄 회로 기판(PCB) 및 기타 복잡한 조립품에도 적용된다.
엣지 러닝 VS 딥 러닝
딥 러닝은 인간 두뇌의 상호 연결된 뉴런이 이미지를 이해하기 위해 연결을 강화하고 약화시키는 방식을 시뮬레이션 한다. 딥 러닝에서는 수백 개의 신경망 계층이 유사한 객체의 대규모 이미지 세트에 노출된다. 딥 러닝은 새 이미지에 노출될 때마다 이러한 레이어 내부 및 레이어 사이의 연결을 약간 수정함으로써 명시적인 교육없이 이러한 개체를 안정적으로 식별하고 결함을 감지하는 방법을 훈련한다.
딥 러닝: 사용 사례
기존의 딥 러닝은 크고 매우 상세한 이미지 세트를 처리할 수 있는 기능을 제공하므로 복잡하거나 고도로 맞춤화된 애플리케이션에 이상적이다. 이러한 애플리케이션은 상당한 변형을 일으키기 때문에 고급 계산 능력과 강력한 교육 기능이 필요하다. 이러한 변화를 설명하고 모든 잠재적 결과를 캡처하려면 수백 또는 수천개의 이미지로 번호가 매겨진 이미지 세트를 훈련에 사용해야 한다.
기존의 딥 러닝을 통해 사용자는 이러한 이미지 세트를 빠르고 효율적으로 분석하여 정교한 작업을 자동화하는 효과적인 솔루션을 제공할 수 있다. 본격적인 딥 러닝 제품과 오픈 소스 프레임워크는 복잡한 애플리케이션을 처리하도록 잘 설계되어 있지만 대부분의 공장 자동화 애플리케이션은 훨씬 덜 복잡하므로 엣지 러닝에 더 적합하다.
▲ 엣지 러닝 최적화를 위해 특정 관심 영역 분석
엣지 러닝: 사용 사례
공장 자동화 요구 사항 및 사용 사례에 대한 지식을 처음부터 신경망 연결에 내장함으로써 공장 자동화의 문제에 딥 러닝의 힘을 적용할 수 있다. 이 사전 교육은 특히 적절한 기존 머신 비전 도구에서 지원하는 경우 많은 계산 부하를 없애준다. 그 결과 생산 현장에 상주하는 가볍고 빠른 비전 도구 세트인 엣지 러닝이 생성되어 라인 엔지니어가 업무의 일부로 매일 사용한다.
엣지 러닝 도구는 클래스당 5~10개의 이미지를 사용하여 몇 초 만에 교육할 수 있다. 수백에서 수천 개의 이미지를 사용하여 몇 시간에서 며칠의 교육이 필요할 수 있는 다른 딥 러닝 솔루션과 비교가 된다. 엣지 러닝을 통해 사용을 간소화함으로써 제조업체는 민첩성을 유지하면서 변화에 쉽게 적응할 수 있는 동시에 빠르게 성장할 수 있다.
임베디드 비전 시스템에서 실행되도록 엣지 러닝 네트워크를 최적화하기 위해 특정 관심 영역만 분석하는 방식으로 이미지를 축소하거나 고정한다. 이렇게 축소된 이미지를 라인 엔지니어의 눈으로 구별한다면 엣지 러닝 도구도 똑같이 작동할 것이라고 확 신할 수 있다.
그럼에도 불구하고 이 최적화는 절충점에서 나온다는 점에 유의하는 것이 중요하다. 이는 기존의 딥 러닝 솔루션으로 더 잘 해결되는 매우 발전된 고정밀 결함 감지 애플리케이션에서 엣지 러닝의 사용을 제한한다.
▲ 딥 러닝에 비해 엣지 러닝을 사용할 때의 세 가지 장점
엣지 러닝은 어떻게 작동하는가?
딥 러닝에는 정교한 처리와 방대한 연산 리소스가 필요하다. 하드웨어 엣지 러닝은 많은 정교한 하드웨어를 소형 폼 팩터에 담았다. 조명, 자동 초점 렌즈 및 강력한 센서가 통합된 스마트 카메라에서 완전히 실행된다. 조명은 대비를 최대화하고 어두운 영역을 최소화하며 필요한 디테일을 끌어내는 데 필요하므로 고품질 초기 이미지의 핵심이다.
고속 자동 초점 렌즈는 거리가 변경되더라도 관심 대상에 항상 초점이 맞도록 한다. 관심 영역 (ROI)이 변경되면 렌즈가 즉시 초점을 조정할 수 있다. 액체 자동 초점 렌즈는 동급의 기계식 렌즈 보다 작고 가벼워 카메라의 크기와 무게를 줄이는 동시에 생산 라인의 충격과 진동에 강하다. 크고 성능이 뛰어난 센서는 더 높은 해상도와 넓은 시야(FOV)를 제공한다. 이러한 모든 하드웨어 기능은 엣지 러닝을 가능하게 한다.
머신 비전 도구
규칙 기반 비전 도구는 위치, 측정 및 방향과 같은 다양한 특수 작업에서 매우 효과적이다. 엣지 러닝을 위해 공장 자동화 요구 사항에 특정한 방식으로 결합되어 비전 도구를 연결하거나 복잡한 논리 시퀀스를 고안할 필요가 없다.
이러한 도구는 모든 이미지의 빠른 전처리를 제공하고 밀도, 가장자리 및 제조 결함 감지 및 분석과 관련하여 경험에 의해 입증 된 기타 기능 정보를 추출한다. 이미지의 관련 부분을 식별하고 명확히 함으로써 이러한 도구는 딥 러닝의 계산 부하를 줄인다.
딥 러닝 성능
지난 몇 년 동안 딥 러닝은 공장 자동화를 변화시켰다. 인간 프로그래머가 만든 규칙을 사용하는 대신, 예제를 통해 신경망을 구축하고 허용 가능한 부분과 허용되지 않는 부분의 레이블이 지정된예에서 효과적인 통과/실패 임계값을 구성한다. 인간이 배우는 방식을 효과적으로 모방한다.
이러한 딥 러닝 기능에는 많은 컴퓨팅 요구 사항이 있다. 반면에 엣지 러닝은 공장 자동화 이미지에 특정 구조적 콘텐츠가 있다는 사실을 이용하므로 해당 도메인 지식으로 알고리즘을 사전 훈련한다. 처음부터 시작하지 않으면 보다 적은 계산 집약적인 애플리케이션이 된다.
엣지 러닝 사용
적용: 엣지 러닝은 전적으로 카메라에서 작동하므로 공간을 소비하고 지연을 일으키며 IT 개입이 필요한 PC에서 처리하기 위해 데이터를 가져올 필요가 없으므로 전체적으로 더 비싼 솔루션이 된다. 크기가 작기 때문에 다른 많은 장비가 있는 라인에도 쉽게 맞고 위치의 필요에 따라 보정할 수 있는 정교한 자체 조명을 제 공한다.
훈련: 엣지 러닝 훈련은 라인에서 신입 직원을 교육하는 것과 유사하다. 엣지 러닝 사용자가 알아야 할 것은 비전 시스템이나 딥 러닝이 작동하는 방식이 아니라 해결해야하는 분류 문제가 무엇인지이다. 예를 들어 허용되는 부분과 허용되지 않는 부분을 OK/NG로 분류하는 것과 같이 간단하다면 사용자는 어떤 부분이 허용되고 어떤 것이 허용되지 않는지 알아야 한다.
여기에는 인간이 감지하기 어려운 결함을 드러내는 라인 테스트에서 파생된 쉽게 드러나지 않는 지식이 포함될 수 있다. 엣지 러닝은 부품의 어떤 변형이 중요한지, 어떤 변형이 순전히 외관상이고 기능에 영향을 미치지 않는지 판단하는 데 특히 효과적이다.
엣지 러닝은 OK/NG로의 이진 분류에 국한되지 않고 여러 범주로 분류할 수 있다. 구성 요소나 구성에 따라 부품을 3개 또는 4개의 서로 다른 범주로 분류해야 하는 경우 마찬가지로 쉽게 설정할 수 있다. 엣지 러닝은 또한 이미지의 여러 관심 영역(ROI)에 주의를 기울일 수 있다. 물론 앞에서 언급한 냉동 식사 트레이예에서 와 같이 여러 ROI와 여러 범주를 함께 처리할 수 있다.
▲ Multi-Class Classification - 엣지 러닝 도구는 블리스터 팩의 알약에 대해 다중 클래스 분류를 수행하여 각 섹션을 좋은 쌍, 누락된 알약 또는 일치하지 않는 알약으로 분류한다.
▲ Multi-ROI Assembly Verification - 엣지 러닝 도구는 필요한 모든 구성 요소가 응급 처치 키트에 있는지 확인하기 위해 세 가지 다른 영역을 확인한다.
애플리케이션
엣지 러닝은 공장 자동화를 단순화하고 다양한 복잡성의 작업을 해결하는 다양한 산업에서 유용하다.
전자제품: 많은 인쇄 회로 기판(PCB)에는 상태를 표시하는 LED 표시등이 포함되어 있다. 이 애플리케이션의 목표는 어떤 표시기가 전원 켜짐(PWR) 상태, 전송(TX) 상태 또는 꺼짐(OFF) 상태를 나타내는지 식별하는 것이었다. 기존 머신 비전을 사용하여 이러 한 결정을 내리는 일반적인 방법은 픽셀 수 도구를 사용하는 것이다.
여기에는 머신 비전 프로그래밍 경험이 필요한 복잡한 프로세스인 각 조건의 특정 위치에서 밝기 임계값을 설정하는 작업이 포함된다. 엣지 러닝은 OFF, PWR 및 TX 조건의 레이블이 지정된 작은 이미지 세트에서 훈련되었다. 이 간단한 교육 후 엣지 러닝은 PCB를 세 가지 다른 상태로 안정적으로 분류했다.
의료/제약: 유리 바이알은 미리 정해진 수준까지 약물로 자동으로 채워진다. 캡을 씌우기 전에 레벨이 적절한 공차 내에 있는지 확인해야 한다. 유리 바이알과 그 내용물의 투명하고 반사되는 특성으로 인해 기존 머신 비전이 레벨을 일관되게 감지하기가 어렵다.
엣지 러닝은 이미지의 반사, 굴절 또는 기타 혼란스러운 가변 부분으로 인해 혼동되지 않고 채우기 수준을 식별하도록 훈련되었다. 너무 높거나 낮은 충전물은 NG로 분류되었고 적절한 허용 오차 내에 있는 충전물만 OK로 분류되었다.
포장: 청량 음료 및 주스 병은 스크류 캡으로 채워지고 밀봉된다. 회전식 캐퍼가 캡을 잘못 끼우거나 캡핑 과정에서 손상되면 오염이나 누출을 허용하는 틈이 생길 수 있다. 캡이 거의 밀봉될 수 있지만 완전히 밀봉되지는 않는 속도와 다양한 방식으로 인해 기존 머신 비전에 적용하기가 까다롭다.
엣지 러닝에는 양호로 레이블이 지정된 일련의 이미지와 육안으로는 거의 인지할 수 없는 약간의 틈이 있는 캡을 보여주는 일련의 이미지가 제공되었다. 라인 속도에서 완전히 밀봉된 캡만 OK로 분류되었고 다른 모든 캡은 NG로 분류되었다.
엣지 러닝은 모두에게 딥 러닝의 이점을 제공한다
엣지 러닝은 사용하기 매우 쉬우면서도 기존의 머신 비전보다 더 많은 기능을 제공하는 판도를 바꾸는 기술이다. 고급 머신 비전이나 딥 러닝 교육 없이도 라인 엔지니어가 일상 업무 중에 강력한 기능을 쉽게 배포하고 사용할 수 있다. 기존 머신 비전 도구에 대한 지식이 많은 자동화 엔지니어는 기존 지식을 활용하여 정교하고 강력한 공장 자동화 프로세스를 개발하는 데 엣지 러닝의 힘을 사용할 수 있다.
자료제공: Cognex(www.cognex.com)
