캐스케이딩 모듈 사용 사례 - 소형 작업물 분할을 위한 고정확도 모델 훈련

현재 최신 버전 (2.6.2)에 대한 매뉴얼을 보고 계십니다. 다른 버전에 액세스하려면 페이지 오른쪽 상단 모서리에 있는 '버전 전환' 버튼을 클릭하세요.

■ 현재 사용하고 있는 제품의 버전이 확실하지 않은 경우에는 언제든지 당사 기술 지원팀에 문의하시기 바랍니다.

이 섹션에서는 크랭크 축 로딩 사례를 통해, 시야가 넓고 부품 크기가 작은 상황에서 캐스케이딩 모듈을 활용한 고정밀 딥 러닝 모델의 훈련 방법을 소개합니다.

훈련 프로세스

크랭크 축 자동 로딩 공정에서는 트레이에 무작위로 적재된 크랭크축을 비전 시스템이 정확히 인식하고, 로봇이 이를 정밀하게 피킹할 수 있도록 가이던스를 제공해야 합니다. 이때 캐스케이딩 모듈을 활용하면 아래의 세 가지 핵심 프로세스를 효과적으로 구현할 수 있습니다.

모델의 정확도를 높이기 위해서는 인식된 물체를 기준으로 데이터 수집 및 정밀한 레이블링이 필수적입니다.

고해상도 : 고해상도 카메라를 사용하는 것이 좋습니다. 이 프로젝트에서 LSR L-V4 카메라는 12MP의 고해상도 모드를 사용합니다.
노출 모드 :주변 조명 변화와 트레이 색상의 다양성을 고려하여, 자동 노출 모드를 사용하고 자동 노출 ROI를 트레이를 포함하도록 조정하는 것이 권장됩니다.
그레이스케일 값 : 고반사 재질인 크랭크 축은 배경에 따라 과다 노출이 발생할 수 있으므로, 적절한 그레이스케일 파라미터 값을 조정하는 것이 좋습니다.

수집한 데이터는 실제 작업 환경을 충분히 반영하고, 다양한 상황을 대표할 수 있어야 합니다. 다음 항목들을 고려하여 데이터를 수집하는 것이 중요합니다.

레이어 높이 : 최상단, 중간, 최하단 등 다양한 레이어 높이에서 이미지를 수집합니다.
트레이 색상 : 트레이의 색상별로 이미지를 수집합니다.
조명 조건 : 아침, 저녁 등 조도 변화가 있는 다양한 환경에서 이미지를 수집하며, 특히 물체가 반사되는 상황을 포함해야 합니다.
크랭크 축 개수 : 트레이에 가득 찬 상태부터 거의 비어 있는 상태까지 다양한 수량 조건을 포함해 데이터를 수집합니다. 특히, 20개 미만의 크랭크 축이 담긴 트레이에 중점을 둡니다.