소형 부품 분할을 위한 고정밀 모델 훈련
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 배치된 크랭크 축을 비전 시스템이 인식하고, 로봇이 정확하게 피킹할 수 있도록 가이던스를 제공해야 합니다. 캐스케이딩 모듈을 통해 다음의 세 가지 핵심 프로세스를 구현할 수 있습니다.
-
물체 검출 모듈을 사용하여 트레이의 위치를 포지셔닝합니다.
-
인스턴스 세그먼테이션 모듈을 사용하여 트레이에 배치된 크랭크 축을 분할합니다.
-
물체 검출 모듈을 사용하여 피킹을 위한 크랭크 축의 끝부분(머리 부분)을 포징셔닝합니다.
모델의 정확도를 높이기 위해서는 인식된 물체를 기준으로 데이터 수집 및 정밀한 레이블링이 필수적입니다.
데이터 획득
카메라 2D 파라미터 조정
-
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.
데이터 수집
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.
데이터 필터링
알고리즘 모듈이 인식해야 할 대상을 기준으로 훈련할 데이터를 선택합니다.
-
물체 검출
인식 대상 : 트레이
데이터의 다양성을 확보하기 위해 트레이 색상, 트레이 위치, 트레이 레이어 높이, 주변 조명 조건을 기준으로 이미지를 선택합니다.
-
인스턴스 세그먼테이션
인식 대상 : 크랭크 축
크랭크 축 개수와 트레이 색상에 따라 이미지를 다양한 비율로 나눕니다. 각 트레이에 크랭크 축 100개가 있으므로 크랭크 축의 수량에 따라 이미지를 1:1:1의 비율로 나눌 수 있습니다(0\~20개, 20~50개, 50~100개). 동시에,각 색상이의 트레이가 데이터 세트에 균형 있게 분포되도록 구성합니다.
-
물체 검출
인식 대상 : 크랭크 축의 끝부분(머리 부분)
다양한 각도로 배치된 크랭크 축 이미지를 선택하고, 중복 이미지를 제거한 후 훈련에 사용할 최종 데이터 세트를 구성합니다. 최종 데이터 세트는 100~300장의 이미지로 구성하는 것이 적절합니다.