Red 분석

Red 분석 도구는 다음과 같은 작업을 수행할 수 있습니다.

• 이상점과 미적 결함 검출

• 목표 영역의 다양한 외관을 학습함으로써 결함이나 관심 영역을 구분

• 개체의 정상적 외관을 학습함으로써, 복잡한 표면의 흠, 미완성 혹은 부적절한 조립, 섬유의 직조 문제까지 식별

도구 유형

머신 비전 문제를 해결하기 위해 Red 분석 도구가 필요하다면 트레이닝 트레이닝이란 도구, 즉 신경망 네트워크가 사용자가 작성한 라벨에 기반하여 Feature(픽셀)를 학습하는 과정입니다. 예를 들어, 도구는 사용자가 표시한 결함/정상 라벨에 기반하여 각 이미지의 결함/정상 픽셀을 학습합니다. 도구를 트레이닝하는 목적은 새로운 이미지가 주어졌을 때 이미지에 결함이 있는지 여부를 정확하게 검사할 수 있도록 충분히 학습하기 위한 것입니다. 트레이닝에서는 가능한 변동을 트레이닝 세트에 모두 포함하고 이미지에 정확한 라벨을 지정하는 것이 매우 중요합니다. 트레이닝 시간은 응용 프로그램, 도구 설정, 네트워크 트레이닝에 이용하는 PC의 GPU에 따라 달라집니다.할 도구의 유형을 선택해야 합니다. 도구 매개변수 사이드바에서 유형 매개변수를 설정함으로써 도구의 유형을 선택할 수 있습니다.

Red 분석 도구는 다음의 유형으로 제공됩니다.

• 탐지 또는 세분화 문제를 해결하는 데 사용되는 표준 유형.

• 이상 탐지 문제를 해결하는 데 사용되는 비지도 유형.

• 이전 VisionPro 딥러닝 소프트웨어 버전의 포커스 모드 도구와의 호환성을 위해 사용되는 레거시 유형.

이러한 도구 유형은 각기 다른 신경망 모델 VisionPro Deep Learning의 각 도구는 신경망입니다. 신경망은 인간 뇌의 생물학적 뉴런이 작동하는 방식을 모방합니다. 신경망은 노드라고 불리는 인공 뉴런이 상호 연결된 층으로 구성되어 있으며, 다수의 층을 가지고 있습니다. 신경망은 이미지 분류와 패턴 인식 등의 작업에서 뛰어난 성능을 발휘합니다. 유형에 해당합니다. 트레이닝 및 프로세싱 시간이 늘어나는 것을 감수하더라도 더 정확한 결과를 원한다면 표준 유형을 사용하십시오. 표준 유형 도구는 이미지에서 패치를 무작위로 검사하는 반면, 레거시 유형 도구는 Feature Feature는 이미지에서 시각적으로 구별할 수 있는 영역입니다. Feature는 대개 응용 프로그램의 관심 대상(결함, 개체, 개체의 특정 구성 요소)을 나타냅니다. 샘플러를 사용하여 유용한 정보가 있는 이미지의 특정 부분에 선택적으로 초점을 맞춥니다. 따라서 도구가 정보를 놓칠 수 있고, 특히 이미지 곳곳에 중요한 세부 사항이 있을 때 그 가능성이 큽니다.

도구 체인에서 유형을 조합하여 사용할 수 있습니다. 예를 들어, 비지도 유형의 도구를 사용해 먼저 시각적 이상을 걸러낸 후, 하나 이상의 표준 유형 하위 도구를 사용해 긁힘, 낮은 명암 대비 얼룩, 질감 변화 변화 시뮬레이션은 특정 변동 유형의 영향을 모방하여 트레이닝된 도구의 부품 및 이미지 변동에 대한 허용 오차를 향상시키는 과정입니다.와 같은 결함을 찾아낼 수 있습니다.

표준 유형

표준 유형 도구는 이미지에서 결함이 있는 영역을 감지할 수 있습니다. 예를 들어, 금속 표면의 균열과 흠집을 찾아낼 수 있습니다. 도구가 트레이닝 이미지에서 결함을 식별할 수 있도록 결함에 라벨을 지정합니다. 트레이닝 후, 도구는 보지 않은 이미지에서도 동일한 종류의 결함을 표시할 수 있습니다.

표준 유형에는 다음과 같은 이점이 있습니다:

• 흠집이나 균열, 틈처럼 선 형태로 된 결함을 효과적으로 감지합니다.

• 특정한 결함 유형을 감지합니다.

• 크기 및 모양 등의 측정 가능한 결함 매개변수를 감지합니다.

• 서로 다른 유형이나 방향을 가진 부품에 대한 허용 오차가 큽니다.

• 트레이닝 중 검증 검증은 도구를 트레이닝하는 과정에서 성능을 평가하는 데 도움이 되는 절차를 의미합니다. 검증은 도구가 트레이닝 단계에서 최종 시험과는 별도로 치르는 모의고사와 같습니다. 예를 들어, 검증은 과적합을 인식하고 도구 트레이닝 시 시간 낭비를 피하는 데 도움이 됩니다. 도구가 과적합되고 있음을 인식하면, 트레이닝을 조기에 중단할 수 있습니다. 이미지 세트를 사용하여 검증 Loss Loss는 검증 Loss를 의미하며, 검증 세트에서 도구의 성과가 어떠한지를 나타내는 지표입니다. Loss는 0과 1 사이의 값일 수 있습니다. VisionPro 딥러닝 응용 프로그램은 검증 세트에서 이미지를 프로세싱할 때 도구에서 발생하는 오류를 기반으로 Loss를 계산합니다. 트레이닝 중 Loss 검사기를 사용하여 실시간으로 Loss를 확인할 수 있습니다.를 모니터링하고 Loss 검사기 기능을 지원합니다.

• 다중 클래스 세분화를 지원하므로, 사용자는 도구가 식별할 수 있도록 다양한 결함 클래스를 생성할 수 있습니다. 예를 들어, '블롭'이라고 불리는 결함 클래스와 '스크래치'라고 불리는 또 다른 결함 클래스를 가질 수 있습니다.

• NVIDIA Tensor RT를 통해 런타임 프로세싱 속도 최적화를 지원합니다.

• Robust 모드를 지원합니다. 이 모드를 선택하면 도구를 다시 트레이닝하지 않고 다양한 생산 라인과 신규 제품에 사용할 수 있습니다. 이 모드는 도구가 생산 라인의 변화 및 유사한 종류의 결함이 있는 제품 변형에 적응할 수 있도록 합니다.

  참고: Robust 모드에서는 이미지 크기가 커질수록 프로세싱 시간이 증가합니다.

표준 유형 도구는 다음 기능을 지원합니다.

모드	NVIDIA Tensor RT 속도 최적화	이상치 점수	다중 클래스 세분화
고속	예	아니오	예
정확	예	아니오	예
Robust	아니오	아니오	예

표준 유형의 도구를 트레이닝 할 때는 다음 사항을 유념하십시오.

• "양호한" 이미지를 사용하면 도구는 결함이 없는 부품을 무시하도록 트레이닝됩니다.

• 런타임 시 예상되는 모든 결함이 있는 이미지와 결함이 없는 이미지를 포함한 트레이닝 이미지 세트 구체적인 응용 프로그램에 쓰이는 이미지의 모음. 트레이닝 이미지 세트는 런타임 시스템의 조명, 광학, 기계적 특성을 활용하여 일관되게 얻은 특정 부품 또는 공정의 이미지를 나타냅니다. 트레이닝 이미지 세트에는 정상적인 작동 시 예상되는 이미지 외관 범위를 대표하는 이미지가 포함되어 있습니다.를 준비하는 것이 좋습니다. 이 도구는 학습한 트레이닝 이미지 세트의 결함만 찾아냅니다. 예를 들어, 얼룩이 어떻게 생겼는지만 도구에 트레이닝시킨다면, 도구는 스크래치를 찾지 못할 것입니다.

비지도 유형

"양호" 부품을 보여주는 이미지를 이용하여 비지도 유형의 도구가 결함을 인식하도록 트레이닝합니다. 즉 비지도 유형의 도구는 양호한 부품의 외관을 트레이닝하고 이를 바탕으로 불량 부품을 인식합니다.

비지도 유형에는 다음과 같은 이점이 있습니다:

• 신뢰성 있게 예기치 않은 결함을 찾습니다.

• 트레이닝에 양호한 부품의 이미지만 있으면 됩니다.

비지도 유형에는 다음과 같은 문제가 있습니다.

• 유형이나 방향이 다른 부품에 민감하게 반응합니다. 이러한 편차로 인해 특정 결함을 찾지 못할 수 있습니다.

• 긁힘, 금이 간 곳, 틈새 등 선 모양의 결함을 발견할 가능성이 낮습니다.

• 결함 유형을 감지할 수 없습니다.

• 측정할 수 있는 결함 매개변수(예: 크기나 형태)를 감지할 수 없습니다.

최상의 결과를 얻기 위해 결함이 있는 이미지를 트레이닝 이미지 세트에 포함시키십시오. 비지도 유형 도구는 트레이닝 단계에서 "불량"으로 라벨링된 이미지는 무시하지만, 이러한 이미지는 도구의 성능을 테스트하고 검증하는 데 유용합니다. 결함 부품의 이미지는 도구가 결함을 얼마나 정확하게 찾는지 확인하는 데 도움이 됩니다.

비지도 유형 도구는 샘플링 영역에 연결된 기능 샘플러로 픽셀을 샘플링합니다. 도구 매개변수 사이드바에 있는 샘플링 매개변수를 사용하여 샘플링 영역을 정의합니다. 샘플링 영역에 결함 픽셀이 포함되어 있지 않다면, 네트워크는 아무런 응답을 생성하지 않을 것입니다.

레거시 유형

레거시 유형 도구는 표준 유형 도구보다 덜 발전된 버전입니다.

• 레거시 유형 도구는 표준 유형 도구보다 프로세싱 속도가 빠를 수 있지만, 세분화 성능은 떨어집니다.

• 다중 클래스 세분화를 지원하므로, 사용자는 도구가 식별할 수 있도록 다양한 결함 클래스를 생성할 수 있습니다. 예를 들어, '블롭'이라고 불리는 결함 클래스와 '스크래치'라고 불리는 또 다른 결함 클래스를 가질 수 있습니다.

레거시 유형 도구는 샘플링 영역에 연결된 기능 샘플러를 사용하여 픽셀을 샘플링합니다. 도구 매개변수 사이드바에 있는 샘플링 매개변수를 사용하여 샘플링 영역을 정의합니다. 샘플링 영역에 결함 픽셀이 포함되어 있지 않다면, 네트워크는 아무런 응답을 생성하지 않을 것입니다.