워크스페이스, 스트림, 도구
워크스페이스, 스트림, 도구는 VisionPro Deep Learning를 구성하는 기본 요소입니다.
VisionPro Deep Learning 워크스페이스
워크스페이스는 응용 프로그램을 해결하기 위해 필요한 모든 도구 모음과 이미지 데이터베이스를 담고 있습니다.
- 워크스페이스는 스트림의 모음으로 나누어집니다.
- 각 스트림은 자체적인 트레이닝 이미지(다른 트레이닝 Set) 데이터베이스를 가지며, 도구 모음을 포함하고 별도로 작동합니다
워크스페이스는 특정한 검사 응용 프로그램에 관한 관련된 정보를 모두 담는 기본적인 컨테이너입니다. 구체적으로, 여기에는 다음 그림의 모든 구성 요소가 포함됩니다.
-
Image
검사 응용 프로그램은 이미지의 Set를 기준으로 정의됩니다. 처음에는 매개변수를 정의하고 도구를 트레이닝하기 위해 이용되며, 나중에는 프로세싱에 이용됩니다.
-
검출
이미지는 하나 이상의 Deep Learning 도구에 의해 프로세싱됩니다. 일련의 도구가 있는 경우, 선행 도구의 결과를 이용해 다음 도구에 의해 추가적으로 프로세싱될, 이미지 내의 특정 사각형 뷰를 선택하여 잘라낼 수 있습니다.
-
데이터베이스
Deep Learning 도구는 모두 학습 기반이므로, 라벨이 지정된 이미지의 트레이닝 데이터베이스가 필요합니다. 모든 도구가 동일한 이미지 Set로 트레이닝하기는 하지만, 관심 영역 즉, ROI(뷰) 및 라벨 지정은 도구에 따라 다릅니다.
-
결과
다양한 도구가 수행한 분석의 결과는 마킹이라고 하며, 이는 프로세싱된 이미지/뷰 위에 오버레이로 표시됩니다.
런타임 워크스페이스
런타임 워크스페이스는 이미지나 데이터베이스가 포함되지 않고, 스트림과 도구만을 포함한 구성 파일로 전체적인 워크스페이스의 작은 버전입니다. 이 구성 파일을 라이브러리로 로드해 일부 분석을 수행할 수 있습니다. 런타임 환경에 관한 자세한 내용은 환경 항목을 확인하십시오.
VisionPro Deep Learning 스트림
VisionPro Deep Learning에서 스트림은 트레이닝 이미지의 데이터베이스와 해당 데이터베이스에 작동하는 Deep Learning 도구의 집합으로 정의됩니다. 이를 이용하면, 응용 프로그램에 하나의 워크스페이스만을 갖고, 워크스페이스에 들어오는 데이터 스트림을 변경하기만 하면 됩니다.
모든 워크스페이스에는 도구의 순서를 갖고 있는 하나 이상의 프로세싱 스트림("기본" 스트림)이 있습니다. 특정 검사 응용 프로그램이 동일한 개체에 대해 다수의 다른 뷰를 포함하고 있어 개별적인 프로세싱이 필요하다면, 스트림 개념을 이용해 이러한 일련의 프로세싱을 동일한 워크스페이스 내에서 그룹으로 묶을 수 있습니다.
VisionPro Deep Learning 도구
Cognex VisionPro Deep Learning™에서 설명하는 것처럼, 각 VisionPro Deep Learning 도구는 하나의 심층 신경망입니다. 각 도구는 딥러닝을 이용해 프로그래밍이 어려운 다양한 문제를 해결하는 머신 비전 도구입니다. 각 도구를 1개 이상 생성할 수 있으므로, 단일 프로젝트에서 여러 신경망들을 만들고 트레이닝할 수 있습니다. 예를 들어, 어떤 이미지 세트에서 결함을 찾으려면 여러 Red 분석 도구들을 만들고 각 도구에 서로 다른 신경망 매개변수값들을 설정합니다.
이 도구들은 공통 엔진을 공유하지만, 도구들이 이미지에서 찾는 것은 상이합니다. 구체적으로 각 도구는 단일 점, 개별 영역, 전체 이미지 등 분석의 초점이 다릅니다.
Blue 위치
Blue 위치
는 이미지 내에서 단일 또는 다수 feature를 찾고 로컬라이즈할 때 이용됩니다. 노이즈가 많은 배경 속의 작은 feature부터 대량의 복잡한 개체에 이르기까지, Blue 위치 도구는 주석이 달린 이미지로부터 학습하여 복잡한 feature와 개체를 로컬라이즈하고 식별합니다. Blue 위치 도구를 트레이닝하려면, 대상 feature가 마킹된 이미지를 제공하기만 하면 됩니다.
Blue 읽기
Blue 읽기
는 광학 문자 판독(OCR)을 수행하기 위해 이용됩니다. Blue 읽기 도구는 주석이 달린 이미지로부터 학습하여, 깔끔하게 인쇄된 문자부터 노이즈가 많은 배경 속의 심하게 왜곡된 문자에 이르기까지, 문자를 식별하고 읽을 수 있습니다. Blue 읽기 도구를 트레이닝하려면, 대상 문자가 마킹된 이미지를 제공하기만 하면 됩니다.
Red 분석
Red 분석 도구
는 두 가지 유형의 결함 검출 작업을 수행합니다.
-
이상점/결함 검출(비지도 모드)
-
세분화(지도 모드)
두 가지 상이한 작동 모드가 있는 것은 두 가지 유형의 결함 검출 방식 사이에 있을 수 있는 미묘한 차이 때문입니다. 이상점/결함 검출 작업 시, Red 분석 도구 Focused 비지도 모드는 정상인, 결함이 없는 뷰들만을 가지고 학습되며, 그 후에 테스트 데이터 세트에 있는 새 뷰들이 결함을 가지고 있는 정도를 판단합니다. 이는 비지도 학습 또는 비지도 학습이며, 이는 모든 정상(결함이 없는) 뷰들이 "양호" 라벨을 가진 이미지로 인식되므로 따로 라벨링을 할 필요가 없기 때문입니다. 세분화 작업을 위해, Red 분석 도구 Focused 지도 모드와 Red 분석 도구 High Detail 모드은 정상 또는 결함이 있는 뷰들을 가지고 트레이닝되며, 그 후에 테스트 데이터 세트에 있는 새 뷰들에 결함이 있는지 없는지 또 결함이 있는 뷰라면 결함 위치가 어디인지를 결정합니다. 이는 지도 학습 또는 지도 학습이며, 이는 학습되는 뷰들이 "양호" 또는 "불량"으로 라벨링되기 때문입니다.
두 모드는 성능과 요구 사항 측면에서 상호보완적이며, 조합하여 사용할 수 있습니다. 예를 들어, 비지도(Red 분석 도구 Focused 비지도 모드) 도구를 이용해 먼저 시각적 anomaly(이상점, 변칙)를 필터링하고 이어서 1개 이상의 지도(Red 분석 도구 Focused 지도 모드, Red 분석 도구 High Detail 모드) 도구를 이용해 긁힘, 대비가 크지 않은 자국, 텍스처 변경 등 구체적이며 시각적으로 판별이 어려운 결함을 찾을 수 있습니다.
| 과제 | Unsupervised(비지도) 모드 | Supervised(지도) 모드 |
|---|---|---|
| 예기치 않은 결함 찾기 | 가능함 | 어려움 |
| 결함 샘플 필요 | 아니오 | 예 |
| 부품 구성 및 변형에 대한 민감도 | 강함 | 약함 |
| 긁힘, 갈라짐, 틈 등 긴 형태의 결함 검출 | 어려움 | 쉬움 |
| 특정 결함 유형 검출 | 아니오 | 가능 |
| 측정 가능한 결함 매개변수(위치 및 강도 다음) | 없음 | 크기, 모양 |
Red 분석에는 2가지 아키텍처가 존재합니다.
-
Focused
-
High Detail
각 모드는 다른 아키텍처를 사용하고, 그 때문에 도구 매개변수에 일부 다른 점들이 있습니다. High Detail과 Focused는 서로 다른 아키텍처를 사용하기 때문에 도구 매개변수에서도 차이가 있습니다. 그리고 아키텍처 차이로 인해, 결과 및 트레이닝/프로세싱 소요 시간도 서로 다릅니다.
Green 분류
Green 분류
도구는 빠르고 정확한 이미지 분류로 잘 알려져있으며 다양한 분야의 고객들이 도입하여 난해한 이미지 분류 문제를 해결하고 있습니다. Green 분류 도구는 이미지 내의 개체 혹은 전체 장면을 식별하고 분류하기 위해 이용합니다. 또한, 개체를 정렬하거나 추가 분석을 위해 연결할 때도 이용합니다. Green 분류 도구가 학습되고 나면, 이미지에 태그를 할당하고 이를 이용해 이미지에 클래스를 할당합니다. 태그는 라벨로 나타나며, 할당된 클래스에 대해 도구가 갖고 있는 확실성이 백분율로 주어집니다.
이 도구의 분류 기능을 이용할 수 있는 방법은 몇 가지가 있습니다.
- 이미지 내의 개체를 부품 A, 부품 B, 부품 C 등으로 단순히 분류하는 데 이용할 수 있습니다. 나아가, 다른 도구가 다운스트림에서 검사를 수행하기 이전에 이용하는 연결 도구로도 이용할 수 있습니다. 예를 들어, Green 분류 도구가 부품 B라고 판정하면, Red 분석 도구가 추가적인 검사를 실시하고, 부품 C라면, Blue 위치 도구가 feature 수를 세도록 할 수 있을 것입니다.
- Red 분석 도구의 다운스트림에서 찾아낸 결함의 종류를 분류하는데 사용될 수도 있고, Blue 위치 도구의 뒤에서 특정한 뷰를 생성한 모델 유형을 분류하는 데 사용될 수도 있습니다.
이 도구를 사용하려면, 사용자는 학습 이미지 세트를 제공하고 적절한 라벨로 이미지를 태그해야 합니다. 이미지에 라벨이 지정되면, 해당 도구를 학습합니다. 이어서 학습에 이용되지 않은 이미지를 이용해 도구를 검증합니다.
Green 분류에는 3가지 아키텍처가 존재합니다.
-
Focused
-
High Detail
-
High Detail Quick
각 모드는 다른 아키텍처를 사용하고, 그 때문에 도구 매개변수에 일부 다른 점들이 있습니다. High Detail과 Focused는 서로 다른 아키텍처를 사용하기 때문에 도구 매개변수에서도 차이가 있습니다. 그리고 아키텍처 차이로 인해, 결과 및 트레이닝/프로세싱 소요 시간도 서로 다릅니다. High Detail Quick 모드는 기본적으로 High Detail 모드와 유사한 아키텍처를 가지지만 트레이닝 시 validation 단계가 없으며 High Detail 모드보다 더 빠르게 결과를 제공합니다.
VisionPro Deep Learning 도구 활용 기본 단계
VisionPro Deep Learning에서 도구를 활용하기 위한 공통적인 기본 단계입니다
-
이미지를 수집하여 VisionPro Deep Learning으로 불러오십시오.
-
사용자 머신 비전 문제를 해결할 수 있는 도구를 선택하십시오.
-
각 이미지를 하나씩 보면서 주의 깊게 결함/feature/클래스에 라벨을 지정합니다.
-
이미지들을 트레이닝에 사용되는 트레이닝 세트와, 트레이닝에 사용되지 않는 테스트 세트로 분리합니다.
-
도구 매개변수를 수정합니다.
-
도구를 트레이닝하고 결과를 검증합니다.
-
테스트 이미지 세트를 사용해 도구 결과를 검토합니다.
-
도구를 내보내고 런타임 환경에 배포합니다.
아키텍처 상세 정보: Focused
Focused VisionPro Deep Learning 도구들은 특정 영역별로 중요한 이미지 픽셀 정보를 샘플링하는 feature 샘플러를 사용합니다. 샘플러 사용 시 샘플링 크기와 밀도는 사용자가 정의합니다. 그리고 나서 이들은 이 정보를 사용해 사용자가 생성한 라벨과 주어진 비전 문제를 해결하는 데 핵심적인 feature를 학습합니다. 일반적으로, Focused 도구들은 High Detail 도구들보다 더 빠르지만 덜 정확합니다.
Focused 아키텍처 기반인 VisionPro Deep Learning 도구들:
아키텍처 상세 정보: High Detail
High Detail VisionPro Deep Learning 도구들은 이미지의 뷰 전체에서 이미지 픽셀을 샘플링하며, 따라서 이미지 픽셀 정보를 획득하기 위해서 특정 영역에 기반한 샘플러를 사용하지 않습니다. Focused 도구들과 마찬가지로, 이들은 이 정보를 사용해 사용자가 생성한 라벨과 주어진 비전 문제를 해결하는 데 핵심적인 feature를 학습합니다. 일반적으로, High Detail 도구들은 Focused 도구들보다 더 느리지만 더 정확합니다.
VisionPro Deep Learning 아키텍처 기반인 High Detail 도구들:
아키텍처 상세 정보: High Detail Quick
High Detail과 마찬가지로, High Detail Quick VisionPro Deep Learning 도구들은 이미지의 뷰 전체에서 이미지 픽셀을 샘플링하며, 따라서 이미지 픽셀 정보를 획득하기 위해서 특정 영역에 기반한 샘플러를 사용하지 않습니다. 하지만, High Detail Quick 도구들은 High Detail 도구보다 정확도가 약간 떨어지는 대신 속도에 최적화된 트레이닝 알고리즘을 탑재해 High Detail 도구들보다 일반적으로 훨씬 더 빠릅니다.
High Detail Quick 아키텍처 기반인 VisionPro Deep Learning 도구들: