이미지 분석을 사용하여 결함 검색

소개

이미지 분류는 인공 지능의 중요한 영역입니다. 업계에서 이미 사용 중인 이미지 분류의 한 가지 애플리케이션은 제조 중 어셈블리 라인의 품질 문제 검색입니다. 일반적인 프로덕션 라인에서 구성 요소는 한 스테이션에서 다른 스테이션으로 어셈블리 라인을 내려가고, 끝에 도달하면 검사자가 개입하여 문제(수동 또는 오류가 발생하기 쉬운 프로세스)를 검색합니다. AI 기반 이미지 분류를 사용하면 사람의 개입이 감소하고 이미지가 성공 또는 실패로 자동으로 분류됩니다. 그러면 유효성 검사 프로세스에서 운영자(사람)의 효율성뿐 아니라 전반적인 제조 프로세스의 품질도 향상됩니다.

데이터 준비

이미지 분류 솔루션을 위해 데이터를 준비하는 경우 성공을 나타낼 이미지 집합과 실패를 나타낼 이미지 집합, 이렇게 두 가지 이미지 집합이 모델 학습에 필요합니다. 이러한 이미지는 Kaggle 등의 제네릭 데이터 세트에서 선택되거나, 비즈니스에 맞게 사용자 지정될 수 있습니다. 동일한 유형의 이미지를 사용하는 것이 좋습니다. 예를 들어 동일한 크기 해상도에서 유사한 크기의 JPG 파일 집합을 사용할 수 있습니다. 데이터를 준비하려면 이미지를 학습 및 유효성 검사 집합으로 나누어야 합니다.

구축 및 학습

동일한 유형의 구성된 이미지 집합이 준비되면 데이터를 분석 엔진으로 읽어옵니다. 신경망과 전이 학습은 AI 솔루션에서 이미지 데이터를 처리하는 좋은 방법입니다. 전이 학습을 통해 이미지 분류 방법을 이미 알고 있는 학습된 모델을 사용할 수 있습니다. 기존 모델이 사람 또는 고양이 검색 등의 특정 작업을 잘 수행할 수도 있습니다. 하지만 기존 모델이 학습된 작업은 해결하려는 특정 시나리오와 다를 가능성이 큽니다. 일반적으로 기존 모델을 다시 학습하는 것이 처음부터 시작하는 것보다 훨씬 더 빠르므로 전이 학습을 통해 프로세스를 훨씬 단축할 수 있습니다. 최종적으로, 이미지 분류에서 신경망과 보조 모델이 쌍으로 연결되어 최종 예측을 제공하는 경우가 있습니다. 예를 들어, 숨겨진 레이어 50개가 있는 나선형 신경망 아키텍처를 사용하여 이미지를 처리합니다. 강화된 결정 트리와 쌍으로 연결하여 이미지를 성공 또는 실패로 분류합니다.

배포

학습된 이미지 분류 모델이 준비되면 REST 엔드포인트과 함께 웹 서비스로 모델을 배포할 수 있습니다. Analytics 대시보드와 경고는 정보와 예측을 위해 웹 서비스를 호출할 수 있습니다. 이미지 처리를 위한 계산 비용이 높기 때문에 많은 유사한 솔루션은 필요할 때 크기를 조정할 수 있는 클라우드 기반 클러스터 배포를 사용합니다. Azure Machine Learning 등의 서비스가 이를 지원하고, Azure Kubernetes 클러스터에 쉽게 배포되는 REST 엔드포인트를 만들 수 있습니다.

고객은 AI로 놀라운 일을 함