자동차•전자•패키징 산업에 머신비전 카메라 활용하기
자동차•전자•패키징 산업에 머신비전 카메라 활용하기
  • 김종율 기자
  • 승인 2020.06.01 11:08
  • 댓글 0
이 기사를 공유합니다

결함 탐지 및 까다로운 OCR(광학문자판독), 조립 검증 등 자동차•전자•패키징 등의 산업에 딥러닝 기반의 스마트 카메라를 활용한다면?

기존의 룰 베이스(Rule-Base) 방식을 이용한 머신비전으로는 배경 내 결함, 비정형 긁힘과 찍힘 같은 결함을 발견하기는 어렵다. 그래서 육안 검사에 의존해야 했다. 이를 해결하기 위한 솔루션이 바로 인간의 학습 과정을 모델링한 ‘딥러닝’이다.

그러나 머신비전 플랫폼에 딥러닝 솔루션을 추가하는데 드는 비용이 문제다. 이에 코그넥스는 ‘인사이트(In-Sight) D900’을 출시해 제조업체에 대안을 제시하고 있다.

인사이트 D900은 세계 최초로 러닝 기반의 업용 머신비전 스마트 카메라로, 코그넥스의 딥러닝 소프트웨어 ‘인사이트 비디(In-Sight ViDi)’를 내장하고 있다. 그래서 제조업체들의 비용 부담을 낮춰준다.

또한 인사이트 D900은 공정 라인에 PC를 추가로 설치하지 않아도 사용할 수 있고, 내장된 인사이트 비디 소프트웨어가 별도 프로그래밍이 필요 없는 ‘코그넥스 스프레드시트’ 인터페이스를 제공하기 때문에 기존의 전통적 비전검사 방식인 In-Sight 시스템 사용자는 물론 PC 및 딥러닝 전문 지식이 없는 일반 공정 담당자도 쉽게 사용할 수 있다.

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

[그림1. 세계 최초의 딥러닝 기반 산업용 스마트 카메라인 코그넥스 ‘인사이트(In-Sight) D900’]

빠르고 정확한 조립 검사가 가능한 ‘In-Sight ViDi Check’, 복잡한 결함 감지 분석이 가능한 ‘In-Sight ViDi Detect’, 난이도 높은 OCR(광학문자판독)을 해결하는 ‘In-Sight ViDi Read’ 툴로 구성되어 있는 인사이트 D900은 특히 자동차, 전자, 패키징 산업의 검사에 유용하게 적용할 수 있다. 다음은 해당 산업 검사에 적용될 수 있는 딥러닝 활용 사례들이다.


자동차 산업 분야 - 자동차 내부 시스템 및 구성품 제작 과정
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.

①부품 결함 탐지 – 피스톤링
자동차의 부품 결함은 운전자의 안전과 직결되어 있다. 그래서 정확하게 결함을 탐지해야 한다. 딥러닝 솔루션은 대표적인 '정상' 및 '불량' 이미지를 통해 정상 범위 내 변동, 녹슨 자국과 사소한 균열 등 허용 가능한 결함을 함께 학습하여 금속 표면에 대한 가변적인 결함을 자동으로 감지한다.

[그림2. 딥러닝 솔루션을 통한 피스톤링 결함 검사]

②OCR(광학문자판독) – 차대번호
자동차의 차대번호(VIN) 검사에 딥러닝 솔루션을 적용하면 기존 머신비전 시스템으로 인식하지 못하던 변형된 문제를 판독할 수 있다. 표면의 광택과 대비로 인한 불분명한 문자까지도 인식하며, 판독 오류가 발생할 경우에는 소프트웨어 모델이 모든 문자를 식별할 때까지 누락된 문자만 재교육하면 된다.

[그림3. 딥러닝 솔루션을 통한 차대번호 인식]


전자 산업 분야: - 품질 개선과 생산 공정 자동화 위해 까다로운 개별 판독 검사 수행
전자 산업은 빠르게 변화하고 있다. 그래서 제품의 품질을 저하시키지 않으면서 생산 프로세스를 자동화하는 것은 상당히 어렵다. 육안으로 검사를 진행하는 경우가 많은 것도 이 때문이다. 육안 검사는 기존 방식보다 신뢰성은 높지만 작업자의 컨디션에 의해 품질이 좌우될 수 있다. 종종 일관성이 떨어지는 이유이다. 딥러닝 솔루션을 품질 개선과 생산 공정의 자동화에 사용하면 이러한 문제를 해결할 수 있다.

①조립 검증 – PCB 최종 조립
PCB(Printed Circuit Board) 최종 조립 검증에서 구성 요소의 누락이나 잘못된 배치는 PCB의 성능과 수명을 손상시키지만, PCB에는 부품이 너무 밀접하게 붙어 있어 기존 머신비전 시스템으로 개별 부품을 구별하는 것은 쉽지 않다. 코그넥스의 딥러닝 솔루션은 PCB 참조 모델을 구축하여 일반화된 크기와 형태 및 특징에 따라 개별 구성요소를 식별하고 위치를 예측한다.

[그림4. 딥러닝 솔루션을 통한 PCB 조립 검증]

②분류 – 커패시터 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 내 허용 가능한 변동을 포함한 속성을 학습하여 검사를 진행하고 있다.

[그림5. 딥러닝 솔루션을 통한 커패시터 분류]

패키징 산업 분야 - 포장 결함으로 인한 고객 불만을 최소화할 수 있도록 제품 검사 진행
포장 상태의 결함은 제품의 품질과 안전성은 물론 브랜드 가치에 대한 소비자의 인식에 부정적 영향을 미친다. 패키징 제조업체는 제품에 손상을 주지 않는 딥러닝 기반 솔루션으로 제품의 캡 또는 구성품 검사를 진행하여 브랜드 충성도를 유지 하는데 도움을 줄 수 있다.

①캡 검사

[그림6. 박스 밀봉 전 캡이 올바르게 닫혀 있는지 검사]

소비재 제조업체는 딥러닝 솔루션으로 배송을 위한 박스를 닫기 전, 전제품의 병뚜껑이 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.

②구성품 검사

[그림7. 구성품 식별 및 분류 검사]

다양한 형태의 물품에 대한 식별, 개수 파악, 분류를 위해 딥러닝 기반의 이미지 분석 솔루션을 활용한다. 이 솔루션은 학습 이미지에 기초해 크기, 형태, 표면의 특징 등을 물품에서 구분하는 작업을 일반화 하며, 검사를 통해 올바른 물품이 키트에 포함 될 수 있도록 한다.

제조업체들은 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 하락까지 이어질 수 있기 때문이다.

그래서 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 기업에 유용하다.


주요기사
이슈포토