3D 로봇 가이던스

현재 최신 버전 (2.6.1)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.

인식 실수를 줄이려면 어떻게 해야 하나요?
  1. 충분한 데이터가 획득되었는지 확인하세요.

  2. 인식해야 할 모든 사물에 렝이블을 지정하고, 레이블 누락이 발생하지 않도록 주의하세요.

샤프트 모델 인식 실수를 줄이려면 어떻게 해야 하나요?
  1. 이미지 품질 향상 : 카메라의 2D 노출 파라미터를 조정합니다.

  2. 레이블 품질 향상 : 훈련에 사용되는 이미지 양을 늘리고, 인식해야 할 모든 샤프트에 정확하게 레이블을 지정하고, 레이블 누락을 방지합니다.

  3. 모델을 다시 훈련합니다.

Mech-DLK를 사용하여 소형 부품에 대한 고품질 인스턴스 세그먼테이션 모듈을 훈련시키려면 어떻게 해야 하나요?

복잡한 시나리오를 세분화하려면 여러 알고리즘을 캐스케이딩하여 사용해야 하며, 모델의 효율성을 보장하려면 각 모듈에 필요한 데이터를 수집하고 정확하게 레이블링하는 것이 필수적입니다. 자세한 내용은 3D 비전 가이던스 크랭크샤프트 로딩 사례를 참조하십시오.

물체의 앞면과 뒷면을 구별하도록 모델을 훈련시키는 방법은 무엇입니까?
  1. 인스턴스 세그먼테이션 모델을 훈련합니다. 이미지에서 인식할 모든 물체를 분할합니다.

  2. 이미지 분류 모델을 훈련합니다. 분할된 물체의 이미지에 "앞" 또는 "뒤"라는 레이블을 지정합니다.

원본 이미지에서 물체의 앞면과 뒷면을 구분할 수 있는 특징이 뚜렷하고 이미지 수량이 충분하다면, 인스턴스 세그먼테이션 모델을 직접 사용하여 "앞면"과 "뒷면" 레이블을 생성하고 분할 및 레이블링할 수 있습니다.

물체 방향을 구별하도록 모델을 훈련하는 방법은 무엇입니까?
  1. 인스턴스 세그먼테이션 모델을 훈련합니다. 이미지에서 인식할 모든 물체를 분할합니다.

  2. 물체 검출 모델을 훈련합니다. 물체의 고유한 패턴이나 텍스트 특징에 레이블을 지정하고, 특징에 따라 로봇의 피킹 포즈를 조정합니다.

이음매가 있는 큰 박스 하나와 밀착 배치된 작은 박스 두 개를 구분하지 못합니다. 이 문제를 어떻게 해결해야 할까요?

대부분의 경우, 인식 결과가 좋지 않은 이미지를 획득하여 모델을 반복(iterate)하고 정확도를 향상시킬 수 있습니다. 그러나 대상 물체의 특징이 매우 유사한 경우, 수동으로도 정확하게 구분하기 어려울 수 있습니다. 이러한 경우 모델을 여러 번 반복(iterate)하더라도 정확도가 보장되지 않을 수 있습니다. 실제 상황에 따라 다음 방법을 사용할 수 있습니다.

  • 모호한 특징을 가려줍니다. 예를 들어, 불투명한 테이프를 큰 박스의 이음새에 붙이면, 두 개의 작은 박스로 잘못 인식되는 것을 방지할 수 있습니다.

  • 모델을 각각 훈련합니다. 각 박스 유형에 대한 이미지를 개별적으로 수집하고 훈련시킨 후, 두 박스가 동시에 나타나지 않도록 합니다.

  • 인식 표준을 통일합니다. 예를 들어, 실제 종류와 상관없이 모든 박스를 작은 박스로 인식하도록 모델을 훈련할 수 있습니다. 그러나 이 방법은 큰 박스를 피킹할 때 실패할 가능성이 있습니다. 반대로, 모든 박스를 큰 박스로 인식하도록 모델을 훈련할 수도 있습니다. 하지만 이 경우에는 로봇이 두 개의 작은 박스를 한 번에 피킹하게 되는 문제가 발생할 수 있습니다.

딥 러닝이 빈 피킹 시나리오에 적합할까요?

네. 딥 러닝은 복잡한 환경에서도 물체를 효과적으로 인식하고 위치를 파악하며, 조명, 시야, 배경의 변화에도 적응할 수 있기 때문입니다. 그러나 훈련 데이터가 실제 적용 시나리오와 크게 다를 경우 모델의 추론 성능에 영향을 미칠 수 있습니다. 또한 딥 러닝 모델을 효과적으로 훈련시키기 위해서는 대량의 데이터가 필요하므로, 소규모 산업 분야에서는 구현이 어려울 수 있습니다.

조명이 균일하고 물체 수가 적은 시나리오에서는 템플릿 매칭이나 특징 기반 머신 비전 방법을 사용할 수 있습니다.이러한 방법은 학습 데이터가 거의 필요 없거나 아예 필요하지 않을 수도 있다는 장점이 있습니다.

어떤 방법을 선택하든, 실제 생산 환경에 배포할 때는 철저한 테스트가 필요합니다. 또한, 환경 조건이 변할 수 있으므로, 모델 성능을 지속적으로 모니터링하고 필요 시 모델을 반복 훈련하거나 재훈련하여 실제 운영 조건에서도 시스템의 안정성을 유지하는 것이 중요합니다.

이 페이지가 도움이 되었습니까?

다음 방법을 통해 피드백을 보내주실 수 있습니다:

저희는 귀하의 개인정보를 소중히 다룹니다.

당사 웹사이트는 최상의 사용자 경험을 제공하기 위해 쿠키를 사용하고 있습니다. "모두 수락"을 클릭하시면 쿠키 사용에 동의하시는 것이며, "모두 거부"를 클릭하시면 이 웹사이트 방문 시 귀하의 정보가 추적되거나 기억되지 않도록 단일 쿠키만 사용됩니다.