머신 비전에서 AI의 기회를 어떻게 식별합니까?

인공지능(AI)은 데이터의 힘을 활용하고 더 현명한 결정을 내리는 데 사용하기 위해 다양한 산업에서 채택되고 있습니다.

이 기사에서는 머신 비전 애플리케이션에서 AI의 기회를 식별하는 방법을 설명합니다.

AI 시스템에 대한 비즈니스 요구 사항

기대 관리

AI 방법에는 특정 사용 사례가 있습니다. 결국 이는 보편적인 해결책이 아니며 모든 문제를 해결할 수는 없습니다. 일부 응용 프로그램은 기존 컴퓨터 비전에 더 적합하고 일부 응용 프로그램은 둘 다 필요할 수 있으며 일부 응용 프로그램은 인공 지능만 필요할 수 있습니다. AI 시스템은 비용과 필요한 초기 리소스 측면에서 비용이 많이 듭니다. 오픈 소스 도구에는 상당한 개발 시간이 필요하며 외부 도구는 비용이 많이 드는 경우가 많습니다. 또한 시스템에서 적절한 성능을 달성하려면 GPU가 필요한 경우가 많습니다. 많은 제조업체에는 GPU나 이에 상응하는 처리 능력이 없는 경우가 많습니다. 따라서 강력한 비즈니스 요구 사항이 있는 AI에 어떤 애플리케이션이 적합한지 결정하는 것이 중요합니다.

시각 시스템 설정의 중요성

AI에 들어가기 전에 시각적 시스템 설정에 대한 탄탄한 기초를 다지는 것이 좋습니다. 그러나 이는 기존 시스템보다 더 나쁜 조건을 처리할 수 있는 AI의 경우 덜 중요합니다. 여기에는 좋은 조명, 카메라 해상도, 초점 거리 등 모든 일반적인 머신 비전 시스템 규칙이 적용됩니다. 이러한 요소 중 어느 하나라도 문제가 없다면 AI를 더 깊이 탐구하기 전에 돌아가서 문제를 해결하는 것이 좋습니다. 최상의 결과를 얻으려면 강력한 비전 시스템 설정을 보장하십시오.

참고 인간 성과

AI 시스템은 인간 성과가 강한 곳에서 가장 성공적입니다. 시스템이 구축되면 운영자는 이미지를 눈으로 쉽게 식별/분류하여 AI에 적합한지 판단할 수 있습니다. 그러나 인간의 성능이 부족하면 AI 모델의 성능이 저하될 가능성이 높습니다. 인간의 성능을 AI 모델이 달성할 수 있는 기준점으로 사용하여 운영자가 이미지를 70%만 정확하게 식별할 수 있다면 AI가 그보다 더 나은 성능을 발휘할 가능성은 거의 없습니다. 따라서 인간의 성능이 애플리케이션에 충분하지 않은 경우 해당 성능 문제를 먼저 해결하고 허용 가능한 수준으로 개선해야 합니다. 운영자가 예상 성능을 달성하면 AI를 고려할 수 있습니다.

시간 및 리소스

이미지를 수집하고 모델을 교육하려면 상당한 노력이 필요합니다. 많은 제조업체의 결함 수준이 매우 낮기 때문에 고품질 이미지를 수집하는 것이 가장 어려운 부분인 경우가 많습니다. 데이터가 없으면 결함이 있는 부품에 대한 모델을 훈련하는 것이 어려울 수 있습니다. 훈련 도구는 훈련하는 데 더 적은 수의 샘플이 필요한 사전 훈련된 모델을 제공하는 데 도움이 됩니다. 훈련은 모델 실행에 이상적인 매개변수를 찾기 위해 여러 단계에 걸쳐 반복되는 프로세스입니다. 모델을 최적화하는 데는 시간과 실험이 필요한 경우가 많습니다. 또한 현장에 새로운 데이터가 나타나면 모델을 다시 훈련하고 배포해야 합니다.

인공 지능 애플리케이션의 예:

머신 비전에서 인공 지능을 적용한 한 가지 예시는 최종 조립 검사이고, 다른 하나는 인쇄 회로 기판 또는 PCB 검사입니다.

❶ 최종 조립 검사:

배경

부품/제품 또는 구성 요소의 최종 검사는 일반적으로 작업자, 기존 머신 비전 시스템 또는 둘 다에 의해 수행됩니다. Teledyne 카메라는 여기서 예시 제품으로 강조됩니다. 최종 검사에서는 구부러진 핀, 표면의 긁힘, 커넥터의 올바른 배치, 스티커 정렬, 텍스트의 올바른 인쇄, 메커니즘 사이의 거리 등을 확인할 수 있습니다. 기본적으로 빌드 프로세스 중에 발생하는 모든 예외를 찾아야 합니다. 하지만 빠르게 조회해야 하는 기준 목록은 매우 길어집니다. 기존의 규칙 기반 시스템은 모든 특수 상황을 처리하는 데 어려움을 겪고 있으며 새로운 운영자를 교육하는 것도 어렵습니다.

AI가 필요한 이유

일반적으로 "통과"를 결정하기에는 규칙이 너무 많습니다. 이로 인해 기존 머신 비전 시스템이 좋은 성능을 달성하기가 어렵습니다. 대안은 수동 검사가 많은 회사에서 시간이 많이 걸리고 신규 운영자가 모호한 판단을 내리기가 어렵다는 것입니다. 기존의 규칙 기반 시스템은 적절한 성능을 발휘하지 못하는 경우가 많으며 제조업체는 운영자의 판단에 의존하여 도움을 줍니다. 조명 조건이 다를 수 있을 뿐만 아니라 결함 위치, 모양 및 질감에도 큰 차이가 있을 수 있습니다. 종종 간단한 "좋음/나쁨" 정성적 결과가 필요한 전부입니다. 그러나 원하는 경우 기존 규칙 기반 알고리즘과 결합할 수도 있습니다.

혜택

AI를 사용하면 설정이 훨씬 쉬워집니다. 모델을 교육하기 위해 많은 수의 이미지를 수집한 후 시스템을 실행하려면 일반적으로 규칙 기반 시스템보다 개발 작업이 훨씬 적습니다. 특히 AI 도구를 사용하는 경우 더욱 그렇습니다. 일반적으로 GPU를 사용하는 적절한 시스템을 사용하면 검사가 밀리초 단위로 훨씬 빨라집니다. 좋은 데이터가 제공된다면 AI 시스템은 인간보다 더 안정적으로 작동해야 하며 검사 절차를 표준화하는 좋은 방법입니다. 알고리즘은 일반적으로 여러 운영자가 제공하는 데이터를 기반으로 교육되므로 인적 오류를 줄일 수 있습니다. 이는 단일 작업자로 인해 발생할 수 있는 인간의 편견이나 피로를 완화하는 데 도움이 됩니다. 이 예에서 AI는 제조업체가 초기 오류를 줄이고 검사 품질과 처리량을 향상시키는 데 도움이 될 수 있습니다.

❷PCB 검사:

Background

PCB 제조업체는 회로 기판에 결함이 있는지 검사해야 합니다. 납땜 접합 불량, 단락 또는 기타 이상일 수 있습니다. 일반적으로 AOI(자동 광학 검사) 기계가 사용됩니다. 그러나 결함은 매우 다양하기 때문에 모든 극단적인 경우를 처리하기는 어렵습니다. 그리고 규칙 기반 시스템의 성능은 충분히 정확하지 않으며 제조업체는 운영자에게 시간과 비용이 많이 드는 수동 검사를 수행하도록 요청할 것입니다.

AI가 필요한 이유

기존 AOI 시스템은 결함을 식별하는 데 어려움이 있습니다. 이는 오버슈트하거나 성능이 저하되어 결함이 있는 PCB가 통과되거나 양호한 PCB가 실패하게 됩니다. 다른 상황과 마찬가지로 "좋은 보드"를 결정하기에는 규칙이 너무 많습니다. 애플리케이션에 따라 여기에서 AI를 사용하여 단락, 개방, 부품 결함, 용접 결함 등과 같이 크기와 모양이 매우 다양한 결함을 분류할 수 있습니다.

이점

제조업체는 인공지능을 통해 검사의 정확성과 품질을 향상시킬 수 있습니다. 이는 검사를 통과한 결함 있는 PCB의 수를 줄이는 데 도움이 됩니다. 또한 수동 지원 검사의 시간과 인건비를 절약하고 작업자가 완료하는 데 더 오랜 시간이 걸리는 작업을 자동화하여 처리량을 높입니다.

위 내용은 머신 비전에서 AI의 기회를 어떻게 식별합니까?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!