오류 방지 검사(정반/유무 분류)
이 문서는 정반/유무 분류 시나리오에서의 대상 물체 인식 구성 절차를 소개합니다. 이 방식은 대상 물체의 앞뒤 방향이 정확한지, 또는 대상 물체가 존재하는지를 판단하여 누락 장착, 반대 장착 등의 오류를 방지하는 데 사용됩니다.
구성 마법사를 클릭하고 오류 방지 검사 시나리오를 선택한 뒤 정반/유무 분류 방식을 선택하면 이 구성 절차로 들어갈 수 있습니다.
사용 절차
전체 인식 절차는 네 단계로 구성됩니다.
-
이미지 전처리: 입력 이미지를 대상으로 색상 변환, 강화, 노이즈 제거, 형태학 변환 등의 전처리를 수행하여 이미지 품질을 높이고, 대상 물체 특징을 부각시키며 배경 간섭을 줄여 후속 대상 물체 인식을 위한 신뢰할 수 있는 데이터 기반을 제공합니다.
-
포즈 정렬: 인식 영역을 설정하고, 정렬 작업을 통해 인식 대상이 템플릿과 정렬되도록 합니다. 대상 특징에 따라 적절한 보정 방식을 선택하고 파라미터를 유연하게 구성하여 위치 및 각도 편차를 제거함으로써 인식 정확성과 결과 신뢰도를 높입니다.
-
오류 방지 검사: 실제 요구에 따라 정렬된 이미지에서 검사용 목표 영역을 설정하고, 이미지 라벨링과 판정 규칙 구성을 완료하여 대상 물체의 정반/유무 상태를 자동으로 인식하고 분류합니다.
-
일반 설정: 출력 포트를 구성하여 판정 결과와 상태 등 관련 정보를 출력함으로써 생산 라인의 자동화 검사 요구를 충족합니다.
이미지 전처리
대상 물체를 인식하기 전에 입력 이미지 품질에 따라 이미지 색 공간 변환 또는 이미지 전처리를 활성화하고 შესაბამის 파라미터를 조정하여 이미지 특징을 더 선명하게 만들 수 있습니다. 이를 통해 인식 정확도와 효율을 높일 수 있습니다.
이미지 색 공간 변환
이미지 색 공간 변환은 입력 이미지를 한 색 공간에서 다른 색 공간으로 변환할 수 있습니다. 예를 들어 BGR을 회색조 이미지로, BGR을 HSV 등으로 변환할 수 있습니다. 색 공간 변환을 통해 이미지 특징을 더 잘 부각시켜 후속 이미지 처리를 용이하게 할 수 있습니다.
구체적인 파라미터 설명과 조정 사례는 이미지 색 공간 변환을 참조하십시오.
이미지 전처리
이미지 전처리에서는 입력 이미지에 대해 강화, 노이즈 제거, 형태학 변환, 그레이스케일 반전, 가장자리 추출 등의 전처리 작업을 수행할 수 있습니다.
구체적인 파라미터 설명과 조정 사례는 이미지 전처리를 참조하십시오.
포즈 정렬
이미지 전처리를 완료한 후 포즈 정렬 설정을 수행합니다. 인식 영역과 보정 파라미터를 설정하여 현재 이미지에서 인식 대상의 포즈를 템플릿과 일치하도록 보정하고, 후속 인식의 정확성과 신뢰도를 확보합니다.
보정 설정 추가
포즈 정렬 절차에 들어가면 캘리브레이션 파라미터 그룹을 새로 만들어야 합니다. 시스템은 여러 파라미터 그룹 생성을 지원하며, 각 그룹은 인식 영역과 파라미터를 독립적으로 설정할 수 있고 서로 영향을 주지 않습니다.
추가 버튼을 클릭하면 새 파라미터 그룹 창으로 들어갑니다. 파라미터 그룹을 만들 때는 이미지 특징에 따라 적절한 보정 방식을 선택하고 관련 파라미터를 구성해야 합니다.
현재 다음 세 가지 보정 방식을 지원합니다.
-
보정 비활성화: 원본 입력 이미지를 직접 사용해 인식하며, 어떤 포즈 정렬 처리도 수행하지 않습니다. 인식 대상의 이미지 내 위치가 비교적 고정되어 있고 보정 정밀도 요구가 높지 않은 시나리오에 적합합니다.
-
2D 정렬: 평행 이동과 회전 연산을 통해 인식 대상의 포즈를 템플릿과 정렬합니다. 이 방식은 인식 대상의 가장자리 윤곽을 추출하고, 가장자리 매칭 알고리즘을 사용해 정밀 정렬을 구현합니다. 인식 대상 위치가 고정되지 않았고 뚜렷한 고정 윤곽을 가진 시나리오에 적합합니다. 구체적인 구성은 2D 정렬을 참조하십시오.
-
2D Blob 정렬: 이미지의 밝고 어두운 영역(즉 Blob)을 검출하는 데 사용됩니다. Blob의 기하 특징(예: 면적, 무게중심 등)에 따라 목표 Blob을 선별하고, 그 최소 외접 회전 사각형을 계산합니다. 이후 이미지 포즈를 조정하여 목표 Blob의 무게중심이 이미지 중심점과 일치하고, 그 최소 외접 회전 사각형의 주축이 이미지 좌표축과 정렬되도록 합니다. 구체적인 구성은 2D Blob 정렬을 참조하십시오.
파라미터 그룹 생성이 완료되면 그룹 이름을 마우스 오른쪽 버튼으로 클릭하거나, 오른쪽의 기능 버튼을 직접 클릭하여 이름 변경, 삭제, 복제 생성 등의 작업을 수행할 수 있습니다.
2D 정렬
2D 정렬은 평행 이동과 회전 연산을 통해 입력 이미지의 인식 대상을 템플릿과 정렬하는 보정 방식입니다. 인식 대상 위치 불일치로 인한 인식 오차를 제거하여 인식 안정성을 높일 수 있습니다. 이 방식을 선택한 후에는 인식 영역 설정, 템플릿 설정, 인식 파라미터 튜닝을 차례로 완료해야 합니다.
인식 영역 설정
정렬의 유효 범위를 설정하는 데 사용됩니다. 박스를 지정할 때는 인식 대상을 완전히 덮고 주변에 적절한 여유를 남겨, 정렬 작업의 안정성과 후속 인식의 정확성을 확보해야 합니다. 실제 요구에 따라 전체를 인식 영역으로 사용 또는 사용자 정의 인식 영역을 선택할 수 있습니다. 사용자 정의를 선택한 후에는 "박스 지정" 버튼을 클릭해 인식 영역을 수동으로 지정해야 합니다.
-
전체를 인식 영역으로 사용: 전체 이미지를 대상으로 인식하며, 일반적으로 인식 대상 분포 범위가 넓은 시나리오에 적합합니다.
-
사용자 정의 인식 영역: 지정한 영역만 인식하며, 일반적으로 이미지의 특정 부분만 주목하거나 배경, 지그 등 관련 없는 영역을 제외하고 싶은 시나리오에 적합합니다. 이를 통해 인식 효율과 정확도를 높일 수 있습니다.
대상 물체 인식
대상 물체 템플릿 설정
인식 영역을 설정한 후에는 템플릿을 선택하거나 편집하여 후속 인식 대상의 위치 지정과 매칭에 사용합니다. 편집 버튼을 클릭하면 2D 매칭 템플릿 편집기로 들어갑니다.
대표성이 있고 안정적인 가장자리 특징을 이미지에서 선택해 템플릿을 생성해야, 시스템이 이후 템플릿 특징과 일치하는 인식 대상을 자동으로 이미지에서 검색하고 위치를 지정할 수 있으며, 매칭 결과의 유일성과 정확성을 보장할 수 있습니다. 자세한 설명은 2D 매칭 템플릿 편집기를 참조하십시오.
| 템플릿 편집을 완료할 때마다 업데이트를 클릭하여 최신 구성을 적용해야 합니다. |
인식 파라미터 조정
템플릿을 선택한 뒤 스텝 실행을 클릭하여 템플릿 매칭 결과와 인식 효과를 확인할 수 있습니다.
인식 효과가 이상적이지 않다면 인식 대상의 특징과 요구에 따라 다른 파라미터를 조정하여 최적화할 수 있습니다.
구체적인 파라미터 설명은 2D 정렬을 참조하십시오.
이후 다음을 클릭하여 오류 방지 검사 절차로 이동합니다.
2D Blob 정렬
2D Blob 정렬은 Blob 기반 보정 방식입니다. 이 방식은 이미지에서 모든 Blob을 검출하고, 그중 기하 특징이 가장 두드러진 Blob을 선별한 뒤 이미지 포즈를 조정하여 목표 Blob의 무게중심이 이미지 중심점과 일치하고, 최소 외접 회전 사각형의 주축이 이미지 좌표축과 정렬되도록 합니다. 2D Blob 정렬을 선택한 후에는 인식 영역 설정과 인식 파라미터 튜닝을 차례로 완료해야 합니다.
인식 영역 설정
정렬의 유효 범위를 설정하는 데 사용됩니다. 박스를 지정할 때는 인식 대상을 완전히 덮고 주변에 적절한 여유를 남겨, 정렬 작업의 안정성과 후속 인식의 정확성을 확보해야 합니다. 실제 요구에 따라 사용자 정의할 수 있습니다.
시스템은 직사각형과 원형 두 가지 박스 지정 모드를 지원하며, 여러 영역을 혼합하여 추가할 수도 있습니다. 즉 하나의 이미지 안에 여러 개의 직사각형 또는 원형 인식 영역이 동시에 존재할 수 있어, 복잡한 시나리오의 인식 요구를 충족할 수 있습니다.
대상 물체 인식
인식 영역 설정을 마친 후에는 인식 대상의 특징과 요구에 따라 다른 파라미터를 조정하여 인식 효과를 최적화할 수 있습니다.
구체적인 파라미터 설명과 조정 권장은 2D Blob 정렬을 참조하십시오.
파라미터 조정 사례를 통해 각 파라미터의 사용 방법을 더 자세히 이해할 수도 있습니다.
오류 방지 검사
이미지를 정렬한 후 정반/유무 판정 절차로 들어갑니다. 목표 영역을 설정하고, 이미지 라벨링 및 판정 규칙 구성을 수행하여 대상 물체의 정반/유무 상태를 자동으로 인식하고 분류합니다.
이미지 획득
모델 학습에 사용할 이미지 데이터를 취득합니다.
-
현재 스텝의 입력 포트에 이미지 데이터가 연결되어 있는지 확인합니다.
-
도구에 진입하면 카메라가 자동으로 한 장의 이미지 데이터를 취득하여 모델 학습에 사용합니다. 이미지 획득 버튼을 클릭해 새로운 이미지 데이터를 취득하여 모델을 학습시킬 수도 있습니다.
|
이미지를 취득할 때는 다음과 같은 생산 현장의 대표 변화를 포함하는 것이 좋습니다.
다양한 이미지는 모델이 실제 환경에 적응하는 데 도움이 되며 판정 정확도를 높여 줍니다. |
목표 영역 설정
이미지를 취득한 후에는 후속 라벨링과 학습을 위해 목표 영역(ROI)을 설정해야 합니다.
-
편집 버튼을 클릭하여 목표 영역 설정 화면으로 들어갑니다.
-
목표 영역을 설정합니다.
"직사각형" 또는 "원형" 박스 지정 도구를 선택하여 시각화 영역에서 드래그해 ROI를 그립니다. 목표 물체의 실제 위치와 형태에 맞춰 목표 영역을 정확히 박스 지정하고, 관련 없는 배경이 포함되지 않도록 하십시오.
-
목표 영역을 박스 지정할 때 핵심 특징만 포함하는 영역만 선택해도 됩니다.
-
여러 ROI를 수동으로 박스 지정해야 한다면, 먼저 하나의 ROI를 그린 뒤 복사/붙여넣기로 다른 ROI를 생성하는 것을 권장합니다. 이렇게 하면 각 목표 영역의 크기를 일관되게 유지하여 모델 학습 안정성과 판정 정확도를 높일 수 있습니다.
-
-
마스킹 영역을 설정합니다(선택 사항).
목표 영역 안에 반사광, 그림자 또는 고정 배경 등 관련 없는 간섭이 있을 경우, 마스킹 영역을 설정하여 이를 제외함으로써 모델 학습과 분류 판정 결과에 영향을 주지 않도록 할 수 있습니다.
마스킹 영역 설정 버튼을 클릭하고 "다각형" 박스 지정 도구를 사용하여 시각화 영역에 마스킹 영역을 그립니다. 마우스 왼쪽 버튼 클릭으로 다각형 꼭짓점을 추가하고, 마우스 오른쪽 버튼을 두 번 클릭해 다각형을 닫아 박스 지정을 완료합니다.
-
설정을 마친 후 저장 후 사용을 클릭하여 목표 영역 구성을 적용합니다.
|
목표 영역과 마스킹 영역의 마스크가 완전히 겹칠 때는 맨 위에 있는 레이어만 편집할 수 있습니다.
|
이미지 라벨링
이미지를 취득하고 목표 영역을 설정한 후에는, 모델이 서로 다른 클래스의 특징을 학습할 수 있도록 이미지에 라벨을 지정해야 합니다.
-
편집 버튼을 클릭하여 이미지 라벨링 절차로 들어갑니다.
-
시각화 영역에서 이미 박스 지정된 목표 ROI를 선택한 뒤, 오른쪽 라벨링 클래스 옵션에서 OK 또는 NG 클래스의 이미지 라벨링 버튼을 클릭하여 단일 목표의 라벨링을 완료합니다.
이 도구는 고정된 OK와 NG 클래스를 사용해 라벨링합니다. 현장에서는 실제 요구에 따라 그 업무 의미를 정의할 수 있습니다. 예를 들어 "정면" 또는 "있음"은 OK 클래스로, "반면" 또는 "없음"은 NG 클래스로 라벨링할 수 있습니다.
-
현재 이미지의 모든 목표가 OK와 NG 클래스를 모두 포함한다면 바로 라벨링을 마칠 수 있으며, 새 이미지를 취득할 필요가 없습니다. 특정 클래스가 포함되지 않았거나 이미지에 하나의 목표만 있다면 이미지 획득 버튼을 클릭해 새 이미지를 취득하고, 누락된 클래스를 보충하면서 위 라벨링 단계를 반복해야 합니다. OK 클래스는 최소 한 사례를, NG 클래스에 여러 상황이 포함된다면 각 상황마다 최소 한 사례를 라벨링하는 것을 권장합니다.
-
모델 인식 정확도를 보장하려면 학습 데이터에 대상 물체의 OK와 NG 두 클래스에 대한 다양한 이미지를 포함하고, 여러 촬영 조건(예: 위치 편차, 오염, 스크래치, 변형, 색조 또는 배경 차이)을 충분히 포함하는 것이 좋습니다. 라벨링이 충분할수록 모델의 적응 능력이 강해집니다.
-
클래스가 모호한 이미지는 라벨링하지 않는 것이 좋습니다. 그렇지 않으면 모델 학습 효과에 영향을 줄 수 있습니다.
-
실제 생산 시나리오에서 조명이나 목표 물체 각도에 불확실성이 있다면, 고급 설정에서 "밝기 변화 적응" 또는 "회전 변화 적응" 옵션을 켤 수 있습니다. 시스템은 이미 라벨링된 이미지에 가벼운 회전과 밝기 조정을 자동 적용하여, 다양한 조건의 가상 이미지를 더 생성해 모델 학습에 사용합니다. 이를 통해 학습 내용을 확장하고 모델의 일반화 성능을 높일 수 있습니다.
-
-
라벨링을 마친 뒤 저장 후 사용을 클릭하여 라벨링 결과를 저장합니다.
모델 학습 및 검증
-
모델을 학습합니다.
라벨링을 마친 뒤 학습 버튼을 클릭해 모델 학습을 시작하고, 학습 완료 안내가 표시될 때까지 기다립니다.
-
모델 효과를 검증합니다.
검증 버튼을 클릭해 검증 화면으로 들어갑니다. 이 화면에서 다음 파라미터를 확인하거나 설정하고, 모델의 인식 결과가 기대에 부합하는지 관찰할 수 있습니다.
파라미터 설명 검증 결과
파라미터 설명: 분류 판정 결과를 표시합니다. 인식 결과에 따라 OK 또는 NG 클래스로 표시됩니다.
소요 시간
파라미터 설명: 단일 추론의 소요 시간(ms)을 표시합니다.
신뢰도 임계값
파라미터 설명: 모델이 OK 클래스로 판정하기 위한 최소 신뢰도 기준입니다. 이 값보다 낮은 이미지는 NG 클래스로 판정됩니다.
기본값: 0.5
조정 설명: 기본값 사용을 권장합니다.
판정 설정
파라미터 설명: 이미지에 여러 목표 영역이 있을 때, "모두 OK"를 선택하면 모든 목표 영역이 OK 클래스로 인식될 때만 검증 결과가 OK로 표시됩니다. "하나 이상 OK"를 선택하면 임의의 목표 영역 하나라도 OK 클래스로 인식되면 검증 결과가 OK로 표시됩니다.
값 목록: 모두 OK, 하나 이상 OK
기본값: 모두 OK
조정 설명: 실제 요구에 따라 적절한 판정 설정을 선택하십시오.
히트맵
파라미터 설명: 활성화하면 이미지 위에 모델이 주목한 영역의 시각화 히트맵이 겹쳐 표시됩니다. 색이 진할수록(또는 더 따뜻할수록) 모델이 해당 영역의 특징에 더 많이 주목했음을 의미합니다.
기본값: 꺼짐.
조정 설명: 일반적으로 히트맵은 목표 영역 내부의 특징 위치, 예를 들면 가장자리, 결함 또는 텍스처 등에 집중되어야 합니다. 이를 통해 모델의 주목 포인트를 보조적으로 판단할 수 있습니다.
히트맵 분포가 지나치게 분산되거나 관련 없는 영역에 집중되어 있다면, 모델이 유효한 특징을 올바르게 학습하지 못했을 수 있습니다. 이 경우 앞 단계로 돌아가 더 다양한 학습 이미지를 보충한 후 모델을 다시 학습하는 것을 권장합니다.
-
추가 학습(선택 사항).
판정 결과가 기대에 미치지 못하면 "추가 학습" 기능을 통해 검증 과정에서 잘못 인식되었거나 커버되지 않은 이미지를 보충할 수 있습니다.
-
추가 학습을 클릭해 이미지 라벨링 절차로 들어갑니다.
-
시각화 영역에서 판정이 잘못된 이미지를 선택하거나 새 이미지를 다시 취득하여 라벨링합니다.
-
라벨링을 완료한 후 저장 후 사용을 클릭하면, 시스템이 새로운 라벨링 데이터를 기반으로 다시 학습과 검증을 수행합니다.
-
"학습 → 검증 → 추가 학습"을 반복 수행하여 모델 효과가 기대에 부합할 때까지 개선할 수 있습니다.
추가 학습은 기존 모델을 기반으로 한 증분 학습이므로 처음부터 다시 시작할 필요가 없습니다.
추가 학습 후에도 효과가 개선되지 않으면 라벨링 정확성을 점검하거나, 취득 단계로 돌아가 더 많은 대표 이미지를 보충하는 것을 권장합니다.
-
-
모델을 저장하고 적용합니다.
검증이 완료되면 저장 후 사용 버튼을 클릭하여 모델 구성을 저장합니다.
이로써 모델 구성이 완료됩니다. 다음을 클릭하여 일반 설정 절차로 이동합니다.