제조 및 자동화 애플리케이션을 위한 최신 AI 기술을 선택하는 방법

산업 자동화 분야의 생산 및 실험실 이외의 일상생활에서 인공지능(AI)의 정의는 매우 다양합니다.

"인공 지능"은 머신 비전, 컴퓨터 비전, 머신 러닝, 딥 러닝 등 여러 가지 기술 및 엔지니어링 분야를 포괄하는 과학을 의미합니다. 이러한 기술 조합을 기반으로 하는 시스템이 적절하게 설계되면(애플리케이션 분석에서 최종 검증까지) 공장에 엄청난 가치를 더할 수 있습니다.

제조업에서 인공지능의 부상

스탠퍼드대학교 컴퓨터과학과 교수인 존 매카시(John McCarthy)는 '인공지능의 아버지'로 알려져 있습니다. 인공지능은 “지능형 기계, 특히 지능형 컴퓨터 프로그램을 만드는 과학 및 공학”으로 정의할 수 있습니다. 인간의 유사한 작업을 이해하기 위해 컴퓨터를 사용하는 것에 관한 것이지만 인공 지능은 생물학적으로 인식 가능한 방법에만 국한될 필요는 없습니다.

이 경우 인공 지능은 다양한 산업 분야의 제조업체에 머신 비전 시스템의 자동 검사를 위한 귀중한 도구를 제공할 수 있습니다. 인공지능에는 머신러닝과 딥러닝의 하위 집합이 있습니다. 머신러닝은 기계가 다양한 작업을 개선하기 위해 "학습"할 수 있는 기술을 사용합니다. 그러한 기술 중 하나는 컨볼루션 신경망과 같은 인공 신경망을 사용하여 인간 두뇌의 학습 과정을 시뮬레이션하는 딥 러닝입니다.

머신 러닝의 하위 집합인 딥 러닝과 머신 러닝은 시간이 지남에 따라 모델을 지속적으로 분석하여 "학습"하는 능력으로 인해 산업 자동화 분야에서 인기를 얻었습니다. 딥러닝의 과정은 데이터로부터 시작됩니다. 예를 들어, 머신 비전이 제품 결함을 찾는 데 도움을 주기 위해 제조업체는 "양호한" 이미지와 함께 감지해야 하는 결함이나 특징을 설명하는 이미지를 업로드하여 예비 데이터 세트를 생성합니다. 딥 러닝은 예비 데이터 세트에 공동으로 레이블을 지정하고, 모델을 교육하고, 원본 데이터 세트의 테스트 이미지를 사용하여 결과를 검증하고, 프로덕션 성능을 테스트하고, 새로운 사례나 기능을 다루기 위한 재교육을 통해 이루어집니다.

모든 요소를 고려하고 적절한 단계를 따르면 소프트웨어는 결함 감지, 기능 분류, 어셈블리 검증과 같은 작업을 포함하여 신규 또는 기존 자동 검사 시스템에 딥 러닝 도구를 구현할 때 가치를 제공합니다. 특히 이 소프트웨어는 결함 감지, 기능 분류, 검증 검증 등의 작업과 같은 다양한 애플리케이션에 가치를 제공합니다. AI 기술은 수동 검사가 필요한 주관적인 검사 결정에 도움을 줄 수 있습니다. AI 기술은 특정 기능을 식별하기 어렵게 만드는 복잡성이나 가변성이 높은 시나리오를 식별하는 데 도움이 될 수 있습니다.

향상된 머신 비전 시스템

응용 프로그램에 인공 지능을 적용하는 것은 모든 응용 프로그램에 도움이 되는 것은 아니며 독립적인 기술도 아닙니다. 오히려 AI 기술은 여러 산업에 배포할 수 있는 자동화된 검사 도구 상자의 강력한 도구를 나타내며 제조업체가 솔루션을 선택할 때 다양한 옵션을 제공합니다. PyTorch 또는 TensorFlow와 같은 프레임워크를 사용하여 사내에서 솔루션을 코딩하거나, 기성 솔루션을 구매하거나, 애플리케이션별 AI 지원 제품 또는 시스템을 선택할 수 있습니다.

최종 사용자가 특정 애플리케이션에 얽매이지 않고 자신만의 모델을 구축할 수 있는 기성 AI 솔루션이 시중에 나와 있습니다. 예를 들어 Elementary의 QA 플랫폼은 문제를 식별하고 다양한 제조 프로세스에 대한 새로운 기능을 지속적으로 개선하고 잠금 해제하도록 설계된 고급 분석 기능을 갖춘 이미징 헤드와 기계 학습 소프트웨어를 갖춘 "풀 스택 비전 시스템"을 제공합니다. 이 시스템은 바코드 판독 및 광학 문자 인식과 같은 기존 머신 비전 도구와 머신 러닝 기능을 결합하여 시스템에 외부 검사 기능을 추가합니다. 전반적으로 시스템은 추가적인 탐지 기능을 제공합니다.

Mike Bruchanski는 다음과 같이 말했습니다. "인공 지능은 마법이 아니며 모든 것을 할 수는 없지만 자동화된 탐지 시스템에 강력하고 새로운 기능을 추가할 수 있습니다. 알갱이에서 명백한 덩어리를 찾는 것과 같은 이상 탐지는 기술 기반 A입니다. 품질 관리를 위해 머신 비전 시스템과 함께 작동할 수 있는 머신 러닝 비전 도구의 명확한 예입니다." Elementary 비전 시스템의 일반적인 검사 애플리케이션에는 소비자 제품 포장(라벨, 캡 및 액세서리 포함)이 포함된다고 Brushanski는 말했습니다. 부품 및 어셈블리, 식품 및 음료 제품(종종 고유한 어셈블리 검사 버전이 포함됨).

그는 다음과 같이 말했습니다. “예를 들어 미리 포장된 아침 샌드위치를 검사할 때 치즈가 올바른 위치에 있는지 전혀 없는지 소프트웨어가 이해할 수 있는 패턴을 설정하는 것은 어려울 수 있지만 우리의 기계 학습 도구 비전 시스템은 쌓인 샌드위치를 보고 빠른 결정을 내릴 수 있습니다. 당사의 플랫폼은 의료 기기 조립 검사에서 유사한 접근 방식을 제공하는 동시에 규제 라벨 식별부터 용접 부위의 찌그러짐, 공백 또는 균열 검사까지 다양한 자동차 검사를 수행합니다. ”

로봇공학 채택이 증가하고 있습니다

특정 작업을 간소화하고 단순화하려는 목표로 최근 몇 년 동안 다양한 응용 분야별 인공 지능 제품이 등장했습니다. 어떤 경우에는 전체 시스템을 몇 시간 내에 가동하고 실행해야 할 수도 있습니다. Rapid Robotics의 RMO(Rapid Machine Operator)는 이러한 시스템의 대표적인 예입니다. 각 RMO는 일반적인 기계 운영자 작업을 처리하도록 설계되었으며 6축 로봇 팔, 3D 깊이 센서, 그리퍼, 엣지 컴퓨팅 및 인공 지능 처리를 위한 컨트롤 박스를 포함합니다. 회사에 따르면 rmo에는 사전 훈련된 인공지능 알고리즘이 탑재되어 있습니다.

RapidRobotics의 제품 담당 부사장인 Juan Aparicio는 다음과 같이 말했습니다. "각 RMO는 고객의 고유한 생산 요구 사항을 충족하도록 설계되었습니다. 이러한 모듈식 작업 셀을 통해 제조업체는 자동화를 신속하고 비용 효과적으로 확장할 수 있으며

Aparicio는 말했습니다." 인공 지능의 발전으로 인해 로봇 자동화를 그 어느 때보다 더 쉽고 효율적으로 배포할 수 있게 되었습니다.

“우리 분야에서 AI의 가장 중요한 가치 제안 중 하나는 자동화 인재의 다양성입니다. 우리의 작업을 통해 우리는 자동화가 확실히 그렇지 않다는 것을 알게 되었습니다.

연구자들을 놀랍게도 최근 MIT의 미래 업무 보고서에 따르면 인공지능 기반 로봇은 중소 제조업체에 거의 존재하지 않는 것으로 나타났습니다. 품질 검사, 자율 이동 등 배포 기회가 많다고 덧붙였습니다. 로봇, 조립 및 생성 설계.

로봇 분야에서 Photoneo는 자동화 솔루션에 인공 지능 방법을 사용하여 혼합된 유형의 품목을 식별, 선택 및 분류합니다. 이 회사는 대형 개체 데이터세트에 대해 훈련된 CNN을 사용하여 다양한 모양, 크기, 색상 또는 재료의 항목을 식별합니다. 소프트웨어가 이전에 본 적이 없는 객체를 발견하면 이전에 접했거나 훈련받은 유사한 객체를 기반으로 객체를 식별하고 분류할 수 있습니다. 또한 고객이 모델 성능을 저하시킬 수 있는 이상 항목이나 사용자 정의 항목을 선택해야 하는 경우 특정 데이터 세트에 대해 소프트웨어를 교육할 수 있습니다.

Photoneo PR 전문가 Andrea Pufflerova는 "고객은 다양한 모양, 크기, 색상 또는 재료의 품목을 식별, 선택 및 분류할 수 있는 로봇 품목 피킹 시스템을 요구하는 경우가 많습니다."라고 말했습니다. 이러한 솔루션에 인공 지능을 통합하면 고객이 현지화할 수 있습니다. 과일이나 생선과 같은 유기농 제품을 포함한 혼합 물체 유형을 처리합니다.

그녀는 이렇게 덧붙였습니다. “여기에는 유연하고 변형 가능하며 주름과 불규칙성이 가득한 가방과 같이 식별하기 어려운 품목도 포함될 수 있습니다. ”

포괄적인 맞춤형 솔루션

운영에 AI 소프트웨어를 배포하려는 기업은 한 단계 더 나아가 Prolucid와 같은 기업이 데이터 수집 및 라벨링, 모델 교육 및 배포 지원을 포함하여 맞춤형 기계 학습 모델을 구축하고 통합할 수 있습니다. Prolucid CEO Darcy Bachert는 다음과 같이 설명합니다. “시스템 통합업체로서 우리는 고급 컴퓨터 비전과 AI 기반 모델을 적용하여 복잡한 제조 검사 애플리케이션은 물론 원자력 및 의료를 포함한 다양한 비제조 고객을 지원하는 데 중점을 두고 있습니다. “우리의 일반적인 접근 방식은 컴퓨터 비전이나 기타 기존 도구를 사용하여 가능한 가장 간단한 방법으로 문제를 해결하는 것입니다. 이것이 적합하지 않은 애플리케이션을 발견하면 AI를 옵션으로 보고 이상 탐지 또는 기능 분류와 같은 특정 사용 사례에 적합한 기성 모델을 찾는 것부터 시작합니다. "

Bachert는 전체 Python 생태계뿐만 아니라 관련 사용 사례를 위해 설계된 사전 훈련된 모델과 함께 제공되는 TensorFlow와 같은 오픈 소스 플랫폼이 제조 및 기타 부문에서 인공 지능을 채택하는 데 상당히 긍정적인 영향을 미쳤다고 언급했습니다.

그는 다음과 같이 설명했습니다. “모델을 처음부터 개발하는 것은 시간이 많이 소요될 수 있으며 이는 종종 제조 고객에게 비현실적입니다. "그러나 사전 훈련된 버전을 활용할 수 있다면 초기 투자가 크게 단순화됩니다."

제조 분야 AI의 미래를 내다봅니다.

제조 분야 AI의 미래에는 자동화에 고급 분석이 포함될 가능성이 높습니다. 결함 동향을 조기에 식별하여 궁극적으로 발생을 방지합니다. 예를 들어, 기계 학습은 하루 중 특정 시간대에 회사에서 결함이 더 많이 발생하는 시기 또는 프린터의 잉크가 부족하여 날짜 코드 라벨이 희미해지기 시작하는 시기를 식별할 수 있습니다. Bruchanski에 따르면 이 기술은 프로세스가 언제 나빠지는지 파악하고 조정을 위해 시스템이나 운영자에게 명령을 보냅니다.

그는 다음과 같이 말했습니다. "미래에는 기계 학습이 결함을 감지하고, 오류의 근원에서 추세를 식별하고, 이 데이터를 제조업체에 제공하여 궁극적으로 결함 없는 환경을 달성하는 데 도움을 줌으로써 프로세스를 최적화하는 데 도움이 될 수 있습니다.

Pufflerova." 모델 기반 접근 방식과 AI 기반 접근 방식을 결합한 하이브리드 AI 모델의 개발은 산업 응용 분야에도 잠재력을 제공한다고 믿습니다.

그녀는 다음과 같이 말했습니다. “오늘날 제한된 예시 세트에서 합리적으로 잘 작동하도록 시스템을 훈련시키는 것만으로는 충분하지 않을 수 있습니다. 또한 기존 블랙박스 기계 학습이나 딥 러닝 접근 방식과 비교할 때 하이브리드는 내부 표현을 이해해야 합니다. AI 모델은 더 빠르고 간단한 학습과 더 나은 해석 가능성을 제공합니다.”

Aparicio에게 인력의 미래를 이야기하지 않고 로봇 자동화를 이야기하는 것은 어렵습니다.

그는 “AI와 자동화가 인간의 역할을 쓸모없게 만드는 한, 로봇 공학 혁신은 변화를 가져올 것이지만 궁극적으로 인간에게는 더 많은 기회를 가져올 것입니다.”라고 말했습니다. “예를 들어 로봇을 배포하려면 항상 엔지니어의 참여가 필요합니다. 다양한 통합 프로세스를 조정하고, 하드웨어와 소프트웨어를 혼합하고, 안정적인 시스템을 설계합니다."

소프트웨어가 로봇 훈련 및 지원을 위한 기본 도구가 되면서 이러한 역할은 IT에 더욱 통합될 가능성이 높습니다. 이러한 기술이 발전하는 속도를 고려하여 기업은 수직적으로 통합된 솔루션 제공업체와 협력하기로 결정할 수 있으며, 이를 통해 공급업체가 로봇 함대를 관리하는 동안 비즈니스 성장에 더 집중할 수 있습니다. Bachert는 이 시나리오에서 로봇 인력이 분산된 팀에서 중앙 집중식 접근 방식으로 전환되어 서비스형 로봇 기업이 규모의 경제와 중앙 집중식 교육을 활용할 수 있게 될 것이라고 설명했습니다.

AI의 빠른 채택을 방해하는 장벽을 극복하는 데 있어 Bachette는 AI가 산업 자동화에 사용할 수 있는 또 다른 도구일 뿐이라는 결론을 내렸습니다. 그러나 그는 "오픈 소스 커뮤니티가 계속 성장하고 더 많은 사전 훈련된 모델을 사용할 수 있게 되면 이러한 기술을 실제 애플리케이션에 적용하는 장벽이 낮아질 것입니다. 이러한 채택을 위해서는 최종 고객이 자신의 교육에 투자해야 합니다. 인공 지능에는 단순한 컴퓨터 비전이나 검사 애플리케이션