SaigeVision

Image Inspection Toolkit

Download Whitepaper

SaigeVision®은 딥러닝 기반 머신비전 외관 검사 솔루션입니다. 제조업의 최적화된 딥러닝 알고리즘을 활용하여 기존 자동화가 불가능 했던 검사 영역에서도 자동화를 실현 할 수 있게 도와줍니다. 간편한 사용자 인터페이스와 스스로 알아서 학습하는 딥러닝 특성으로 별도의 코딩 지식 또는 머신비전 지식 없이도 손쉽게 사용할 수 있습니다. 자체 개발한 제조업에 최적화된 딥러닝 알고리즘을 활용하여 소량의 학습 데이터로 더 빠르고 더 정확한 검사가 가능합니다.

Features

Fast

학습속도: optimal transfer learning, focus training 등 최신 학습 알고리즘을 개발하여 학습시간을 대폭 감소하였습니다.
검사속도: advanced model compression 및 각종 코드 최적화 방법을 통해 업계 최고의 검사속도를 자랑하고 있습니다.

Flexible

학습 프로그램: 직관적인 버튼 클릭 방식의 학습 프로그램은 코딩 및 머신비전 지식이 필요없이 누구나 사용 가능 합니다.
검사 프로그램: C++/C# 라이브러리로 제공 가능하며 각 기업의 상황에 맞게 바로 사용할 수 있게 제작 하였습니다.

Accurate

제조산업의 결함 데이터 부족 및 관리 어려움 문제를 극복하기 위해 최신 데이터 메니지먼트 기술, 데이터 증강(Augmentation) 기술을 사용할 뿐만 아니라 자체 개발한 Image Generation 기술, Auto-labelling 기술을 사용하여 데이터 문제를 해결하여 미검률 및 과검률울 업계 최저 수준으로 줄였습니다.

Main Functions

  • Classification

    빠른 속도로 사용자가 지정한 항목(예:정상/불량)으로 각 이미지를 분류합니다.

  • Detection

    박스형태로 이미지 내의 물체 또는 결함을 식별해 냅니다.

  • Segmentation

    픽셀 단위로 정밀하게 물체 또는 결함의 형태를 찾아 냅니다.

  • Image Generation

    정상 이미지를 사용하여 실제와 유사한 가상 결함 이미지를 생성합니다.

Specifications

요구사항

최소 요구사항

권장 요구사항

운영시스템

Windows 7 64-bit / Windows 10 64-bit

CPU

Intel Core i5

Intel Core i7

개발환경

Visual Studio 2013

Visual Studio 2013

RAM

16GB

32GB

GPU

NVIDIA GeForce RTX 3060, 3070

NVIDIA GeForce RTX 3080, 3090

HDD

 

SSD

Key Features

1. Optimal Transfer Learning과 Directed Attention Learning

  • Transfer learning 알고리즘은 기존 다량의 학습 데이터로 학습된 높은 성능의 딥러닝 모델에서 적절한 weight를 추가하여 새로운 딥러닝 네트워크를 생성하는 기술입니다. SaigeVision®의 Optimal Transfer Learning은 제조업 검사에 최적화된 weight를 설정하여 딥러닝 모델의 학습 시간을 대폭 축소하였고 소량의 데이터로 다량의 데이터로 학습한 결과와 비슷한 성능이 나오게합니다.
  • 이미지에는 검사에 영향을 많이 주는 영역과 배경과 같이 검사 결과에 영향을 주지 않는 영역이 있습니다. SaigeVsion®의 Directed Attention Learning 기술은 딥러닝이 이미지를 분석할때 검사에 영향을 많이 주는 영역을 더 집중적으로 볼 수 있도록 도와줍니다.

2. 가상 결함 이미지 생성 기술

  • 결함 데이터 부족 문제
    딥러닝 특성상 학습 데이터가 많을 수록, 다양할 수록 더 좋은 성능의 딥러닝 모델이 만들어 집니다. 그러나 실제 제조산업에서는 결함 제품의 생산률이 매우 낮고 또 매우 낮아야 하기 때문에 딥러닝에 필요한 다양하고 많은 결함 데이터를 수집하기 어렵습니다.
  • 가상의 결함 이미지 생성
    가상의 이미지를 생성하는 것은 생각보다 쉽지 않습니다. 현재 많이 사용하는 기술로는 실제 결함 이미를 회전, 좌우 또는 상하 반전, Blur 및 왜곡 추가로 가상의 결함 이미지를 생성하는건데 이는 실제 딥러닝 모델의 성능 개선에 많은 도움을 주지 못 합니다.
  • GAN 기반 이미지 생성 기술
    SaigeVision®은 기존 GAN 기술에 자체 개발한 알고리즘을 사용하여 정상 이미지 위에 원하는 위치 및 크기를 설정하면 학습된 결함의 특성 및 주변 환경을 모두 고려하여 결함을 생성합니다. 이렇게 생성된 가상 결함 이미지를 딥러닝 학습에 활용하면 미검율을 대폭 감소 시킬 수 있습니다.

Benefits

Benefit 1.

검사 정확도 향상

가상으로 생성된 결함 데이터를 딥러닝 학습에 추가하면 정확도가 향상 될 수 있습니다. 실제 배터리 생산 라인에서 SaiegVision® Image Generation으로 생성한 가상 결함 이미지를 추가하여 학습을 진행한 결과 미검률이 77% 이상 감소 했습니다.
*미검: 결함 이미지를 정상 이미지로 잘 못 판정
Benefit 2.

신제품 생산라인에 빠른 도입

신제품의 경우 초기에 충분한 데이터를 수집하기 어렵습니다. 하지만 저희 Image Genenration 기능을 사용하면 기존 제품에서 학습한 결함의 특성을 활용하여 신제품의 가상 결함 데이터를 생성할 수 있습니다. 이렇게 생성된 가상 결함 데이터를 활용하면 결함 데이터가 없는 신제품의 초기 생산 단계에도 빠르게 딥러닝 검사 시스템을 도입할 수 있게 됩니다.

Image Generation을 활용한
신제품 생산에 딥러닝 검사를 도입하는 방법

  • 신제품과 유사한 제품을 활용하여
    ImageGeneration 학습 진행

  • 학습된 ImageGeneration을 사용하여
    신제품의 가상 결함 이미지 생성

  • 생성된 신제품의 가상 결함 이미지를 사용하여 딥러닝 검사 모델 학습 진행

  • 학습된 딥러닝 검사 모델을 사용하여 신제품의 실시간 검사 진행

  • 실제 결함과 매우 유사한 가상 결함 이미지
    SaigeVision®은 Generative Adversarial Networks(GAN)를 활용하여 전문가도 구분하기 어려운 수준의 높은 퀄리티의 가상 결함 이미지를 생성합니다. 또한, 지정된 영역 내에서 자동으로 임의의 크기와 종류로 다량의 가상 결함을 생성하여 학습에 상용할 수 있게 도와줍니다.
  • 안정적이고 강력한 GAN 학습 알고리즘
    GAN은 나온지 오래된 알고리즘이지만 이를 실제 산업에서 사용하기는 매우 어렵습니다. 학습 시간도 다른 네트워크에 비해 많이 걸리고, 작은 변화에도 민감하게 반응 합니다. SaigeVision® Image Generation에 사용된 GAN 기술은 저희가 자체 개발한 제조 산업에 최적화된 네트워크로서 제조 산업에서 사용하기 힘들었던 기존 문제점을 해결하고 업계 최고의 성능을 보이고 있습니다.
  • 신제품 생산라인에 빠르게 적용 가능
    딥러닝은 학습에 사용된 데이터의 양과 질에 따라 성능이 좌우됩니다. 다량의 좋은 데이터를 사용해야 좋은 검사 성능을 발휘할 수 있습니다. 그러나 생산 초기 과정에서는 이러한 데이터를 수집하기 매우 어렵습니다. SaigeVision®의 Image Generation을 사용하면 기존 생산하던 제품에서 결함의 특성을 학습하여 새로운 제품의 이미지에 가상 결함을 생성하고 학습에 활용하여 신제품의 초기 생산라인에서의 고성능 검사가 가능해집니다.

3. Auto-Labeling 기술

  • 데이터 수집을 위해 검사 전문가가 취득한 이미지에 결함 라벨링을 진행해야 합니다. 이러한 작업은 시간이 오래 걸린뿐만 아니라 반복적인 과정에서 종종 실수를 하기 마련입니다. 그리고 전문가 각각의 기준이 다를 수 있어 데이터의 일관성이 부족해 딥러닝 학습에 어려움을 줄 수 있습니다. 이에 저희 Auto-Labeling 기술은 정상 이미지로 학습을 진행하고 딥러닝 네트워크가 정상 이미지의 특성을 분석하여 정상이 아닐거 같은 이미지를 일차적으로 분류하여 라벨 작업자의 작업량을 현저하게 줄여 줄 수 있습니다.