머신비전 기초: 외관검사와 광학 품질관리
머신 비전 기초는 자주 혼동되는 세 가지 용어를 다룹니다: 머신 비전 (기술), 외관 검사 (작업), 광학 품질 관리 (프로세스). 이 기술은 카메라, 렌즈, 조명, 컴퓨팅, 소프트웨어를 결합해 생산 라인의 시각적 결정을 자동화하며, 산업 자동화의 기둥 역할을 합니다. 외관 검사는 그러한 결정 중 하나입니다: 통과 또는 실패, 긁힘 또는 깨끗함, 가득 채워짐 또는 부족 충전. 품질 관리 프로세스는 그 주변의 감사 가능한 래퍼로, 그 아래에서 검사가 ISO 9001 또는 GMP 감사를 위해 문서화됩니다.
머신 비전은 실제로 무엇을 의미하는가?
머신 비전은 카메라, 조명, 컴퓨팅, 소프트웨어를 결합해 생산 라인의 시각적 결정을 자동화하는 시스템의 우산 용어입니다. 결정은 통과 또는 실패 (품질), 이것이 어느 부품인지 (식별), 또는 부품이 정확히 어디에 있는지 (로봇 또는 그리퍼 가이던스)일 수 있습니다.
세 가지 구성 요소가 항상 작동합니다: 이미지 소스 (카메라 + 조명 + 광학), 이미지를 해석하는 알고리즘 (규칙 기반 이미지 처리 또는 신경망), 그리고 결과에 대해 현장이 취하는 조치 (거부, 문서화, 라인 정지, 그리퍼 트리거). 이 부품들이 어떻게 맞물리는지의 전체 그림은 동반 읽기로 산업 이미지 처리 가이드와 머신 비전 검사 가이드를 추천합니다.
외관 검사는 실제로 라인에서 무엇을 하는가?
외관 검사는 사람들이 머신 비전으로 품질을 말할 때 대부분 생각하는 고전적인 작업입니다. 포장 라인의 카메라가 모든 라벨을 확인할 때, 그것은 외관 검사입니다. 사출 성형 기계 내부의 카메라가 플래시나 함유물을 표시할 때, 그것은 외관 검사입니다. 이 용어는 작업을 설명하고 기술이 아닙니다.
실제로 외관 검사는 품질 관리자가 즉시 이해하는 다리 용어입니다. 그들은 수십 년간 수동으로 또는 돋보기로 시각적 점검을 해왔습니다. 동일한 점검을 자동화하는 카메라는 검사 스테이션입니다. 더 깊은 정의는 AI 외관 검사란 무엇인가를 읽으세요.
카메라, 렌즈, 광학: 무엇이 이미지를 형성하는가
어떤 모델이 실행되기 전에, 카메라와 렌즈가 시스템이 얼마나 많은 정보를 가지는지 결정합니다. 세 가지 광학 매개변수가 모든 선택을 안내합니다.
작동 거리는 렌즈와 부품 사이의 간격입니다. 짧은 셋업은 리그를 컴팩트하게 유지하지만 라인이 그 주변을 어떻게 움직이는지 제한합니다. 더 긴 것은 컨베이어, 로봇, 운영자가 동일한 공간을 공유할 때 도움이 됩니다.
시야는 카메라가 한 프레임에 캡처하는 영역입니다. 좁은 프레임은 작은 결함의 픽셀 밀도를 높입니다; 넓은 프레임은 전체 제품을 커버하지만 밀리미터당 디테일이 적습니다. 대부분의 프로젝트는 가장 작은 결함 클래스가 신뢰할 수 있는 이미지 분석을 위한 충분한 픽셀에 여전히 걸칠 때까지 반복합니다.
렌즈 선택은 그 두 매개변수에서 따라옵니다. 고정 초점 거리 렌즈는 더 저렴하고, 더 선명하며, 보정하기 더 쉽습니다. 줌 렌즈는 라인의 제품 믹스가 계속 바뀔 때 유연성을 위해 선명도를 교환합니다. 텔레센트릭 렌즈는 원근 오류를 제거하고 치수 측정, 게이징, 계측을 위한 자연스러운 선택입니다. 여기서 1밀리미터의 시차가 판독을 깨뜨립니다.
뒤틀림, 찌그러짐 깊이, 또는 쌓인 부품 카운팅 같은 3차원 특징의 경우, 3D 카메라가 2D 이미지 위에 깊이 채널을 추가합니다. 레이저 라인, 구조광 또는 스테레오 쌍은 렌즈만으로는 회복할 수 없는 높이 맵을 시스템에 제공합니다.
광학은 또한 광학 문자 인식의 한계를 설정합니다. 날짜 코드의 OCR은 각 문자가 캡처된 이미지에서 약 20픽셀에 걸칠 때만 작동합니다. 렌즈가 그것을 제공할 수 없으면, 어떤 모델도 판독을 구하지 못합니다.
머신 비전의 네 가지 알고리즘 클래스란?
모든 머신 비전 프로젝트는 네 가지 알고리즘 클래스 중 하나에 해당합니다. 어느 것이 맞는지 아는 것은 수집해야 할 데이터와 구축할 조명 셋업을 바꿉니다.
첫 번째 클래스는 규칙 기반 이미지 처리로, 고전적 측정, 에지 감지, OCR, 블롭 분석을 다룹니다. 결정론적이고, 빠르며, 수십 년간 문서화되었고, 기하학과 조명이 안정적일 때 치수 측정, 존재/부재, 코드 판독에 대한 올바른 선택으로 남아 있습니다.
두 번째 클래스는 딥러닝 분류로, 신경망이 각 부품을 통과, 긁힘, 또는 찌그러짐 같은 여러 카테고리 중 하나로 분류합니다. 결함이 시각적으로 일관되고 각 클래스에 대한 라벨 예시가 존재할 때 잘 작동합니다. 여기가 현대 인공지능이 가장 보상받는 곳인데, 이미지 대비가 모델 정확도를 주도하기 때문입니다.
세 번째 클래스는 이상 감지입니다. 모델은 좋은 부품이 어떻게 보이는지 배우고, 누구도 본 적 없는 결함 유형이라도 일치하지 않는 모든 것을 표시합니다. 결함이 드물거나, 다양하거나, 반복되지 않을 때 올바른 선택입니다.
네 번째 클래스는 객체 감지와 분할을 다룹니다. 모델은 각 특징이 이미지 내 어디에 있는지 픽셀 단위로 위치를 잡습니다. 팀은 트레이의 부품 카운팅, 배치 내 개별 셀 분리, 또는 특정 항목을 집기 위한 로봇 안내에 사용합니다.
첫 번째 프로젝트가 출시될지 결정하는 네 가지 요인은?
첫 번째 요인은 조명이며, 머신 비전 프로젝트가 작동하는지에 대한 단일 최대 예측 인자입니다. 조명은 결함을 보이게 하거나 보이지 않게 만들고, 어떤 알고리즘도 이미지에 결코 존재하지 않은 대비를 회복하지 않습니다. 모델을 만지기 전에 조명 시험 일주일을 예산화하세요.
두 번째 요인은 데이터입니다. 고전 알고리즘은 신중하게 선택된 매개변수를 필요로 하는 반면, 현대 AI는 보통 pilot을 위해 50에서 500개의 라벨 이미지의 예시를 필요로 합니다. 올바른 숫자는 결함의 다양성에 달려 있고, 더 많은 클래스는 더 많은 이미지를 의미합니다.
세 번째 요인은 통합입니다. PLC, MES, 제어 시스템, 또는 거부 플랩과 통신할 수 없는 머신 비전 스테이션은 비싼 장식입니다. 재시도, 결함 상태, 운영자 HMI를 포함해 검사 결과가 라인에 어떻게 도달하는지 일찍 계획하세요.
네 번째 요인은 유지보수입니다. 모든 라인은 시간이 지나면서 변하므로, 모델은 표류하고, 조명은 노화하며, 카메라는 먼지를 모읍니다. 오늘 작동하는 스테이션은 누군가 소유하지 않는 한 6개월 후에 작동하는 스테이션이 아닙니다. 지속적인 관리를 위해 구축 비용의 연간 10~20%를 예산화하세요.
어떤 머신 비전 응용이 가장 빨리 출시되는가?
포장의 라벨과 인쇄 검사는 가장 일반적인 시작점 중 하나입니다. 양은 많고, 규칙은 명확하며, 건물 안에 이미 많은 참조 이미지가 있습니다. ROI는 종종 첫 번째 라인이 실행되는 몇 주 내에 입증됩니다.
병, 파우치, 블리스터의 실링 및 충전 점검은 또 다른 빠르게 출시되는 패밀리입니다. 카테고리별 playbook은 식품 포장과 의약품 포장에 대한 우리의 심층 탐구를 참조하세요.
사출 성형 및 스탬핑 부품의 표면 결함도 빠르게 출시됩니다. 결함 클래스는 잘 이해되고, 기하학은 안정적이며, 부품은 조명하기 쉽습니다. 이것은 현장에서 가장 어려운 문제로 시작하고 싶지 않은 중소기업에게 좋은 첫 번째 프로젝트가 됩니다.
어디서 시작할까
매일 실행되는 라인을, 운영자가 한 문장으로 설명할 수 있는 결함 클래스로 선택하세요. 작은 조명 리그를 구축하고 200개의 이미지를 캡처하세요. 자신의 이미지를 본 후에만 규칙 기반과 학습된 접근 방식 사이에서 결정하세요. 기술별로 더 넓은 개요는 머신 비전 시스템 가이드도 읽으세요.
머신 비전 기초에 관한 자주 묻는 질문
머신 비전과 외관 검사의 차이는 무엇인가요?
머신 비전은 카메라, 조명, 컴퓨팅, 소프트웨어의 기술 스택입니다. 외관 검사는 그 위에서 실행할 수 있는 한 작업으로, 즉 부품을 보고 품질 점검을 통과하는지 결정하는 것입니다. 로봇 가이던스나 식별 같은 다른 작업은 동일한 하드웨어를 공유하지만 다른 문제를 해결합니다.
첫 번째 머신 비전 프로젝트는 실제로 무엇이 필요한가요?
이 순서로 세 가지: 운영자가 한 문장으로 설명할 수 있는 결함 클래스, 결함을 보이게 만드는 안정적인 조명 셋업, 그리고 50에서 500개의 라벨 이미지. 알고리즘 선택과 통합은 자신의 데이터를 본 후에 오는 것이지, 그 전이 아닙니다.
규칙 기반 접근 방식이 여전히 AI를 이기는 때는 언제인가요?
검사가 치수적이고, 기하학이 빡빡하고, 조명이 안정적이며, 결함 분류가 닫혀 있을 때. 코드 판독, 존재/부재, 마이크로미터 수준 측정은 고전적인 머신 비전을 위한 자연스러운 기반으로 남아 있습니다. AI는 결함 세트가 열려 있거나, 다양하거나, 미묘한 텍스처 변화에 의존할 때 인계받습니다.
핵심 포인트
머신 비전, 외관 검사, 품질 관리 프로세스는 교환 가능하지 않습니다. 각각 기술, 작업, 절차를 명명하며, 작동하는 라인은 일반적으로 세 가지 모두를 함께 사용합니다.
현대 시스템은 네 가지 알고리즘 클래스에 걸쳐 나뉩니다: 규칙 기반 알고리즘, 딥러닝 분류, 이상 감지, 그리고 객체 감지 또는 분할. 각각이 다른 결함 패턴에 맞습니다.
조명은 프로젝트 성공의 단일 최대 예측 인자입니다. 결함이 보이지 않는 이미지를 어떤 알고리즘도 구하지 않으므로, 모델 작업 전에 조명 시험 시간을 예산화하세요.
PLC, MES, 거부 경로로의 통합을 첫날부터 계획하세요. 자신의 결과에 따라 행동할 수 없는 standalone 검사 스테이션은 제어가 아니라 대시보드가 됩니다.
유지보수는 프로젝트의 일부이지, 그 후가 아닙니다. 모델은 표류하고, 조명은 노화하며, 카메라는 먼지를 모읍니다. 지속적인 관리를 위해 구축 비용의 연간 10~20%를 예산화하세요.
지금 시작하기
당신의 라인에서 Enao Vision이 어떻게 작동하는지 보고 싶나요? 이미 가지고 있는 iPhone으로 무료로 시작할 수 있고, 또는 생산 현장에 AI를 가져오는 다른 품질 및 운영 팀과 노트를 비교하려면 커뮤니티에 참여하세요.
