본문으로 이동


두깨는 3배 얇게! 성능은 동일하게! 1 Board Camera
듀얼카메라 모듈 검사를
2배 빠르게!
LPMC 800CK

• Product Overview

전체 제품군 보기

• Application 적용사례

인공지능을 이용한 비전 검사 Case Study - 5. X-ray 이미지를 이용한 신발 이물 검사  자료 다운받기 불가능을 가능으로 만드는 기술력, Deep Learning을 이용한 비전 검사 소프트웨어 'NAVI AI' 입니다. "X-ray 장비를 이용하여 취득한 신발 이미지에서 비정형 이물을 100% 검출해 내는 NAVI AI" 1. 컴퓨터 비전과 딥러닝을 이용한 비전 검사는 전혀 다른 기술 입니다. 기존 컴퓨터 비전을 이용한 비전 검사를 위해 영상을 컴퓨터로 가져오게 되면, 영상은 단순한 숫자의 배열로 이루어지게 됩니다. 미세한 차이를 보이는 숫자를 구별하여 뭔가 의미있는 판단을 한다는 것은 까다롭거나 혹은 불가능한 경우가 많았습니다. 하지만 딥러닝은 다릅니다. Deep Learning은 사람의 신경만 구조를 응용하여 검사할 이미지를 학습시키기 때문에 사람이 영상을 보고 판단하는 것과 같은 원리로 영상을 판별합니다. 그래서 사람이 구별할 수 있는 이물이나 차이점은 딥러닝을 이용한 기술로 판별이 가능합니다. 사람이 영상을 보고 판단하는 방식은 영상 속에 들어 있는 숫자의 차이에 집중하는 것이 아니라 영상의 context에 집중하기 때문에 단순하게 숫자의 차이만으로는 구별이 안 되는 특징도 사람은 쉽게 구별이 가능하게 됩니다.  Computer Vision & Deep Learning Technology, it's definitely different! 2. NAVI AI_MARS - NAVI AI Mars는 어떤 비전 검사에 이용할 수 있나요? NAVI AI Mars는 비정형적으로 발생하는 크랙, 결함, 훼손, 얼룩의 위치 검출 등 비전 검사가 가장 까다로운 분야에 응용될 수 있습니다. 금속의 표면/외관 검사는 물론, 태양광 패널의 미세 불량 검출, 직물 검사(실밥, 얼룩, 두꺼움, 끊어짐, 붙음), 불량 부품 검출, LCD 감성 불량 검사, 의료분야 엑스레이/CT/MRI/초음파 검사 등 이제까지 해결하지 못했던 비전 검사의 난제를 해결합니다. Deep Learning 기반의 Semantic Segmentation이 적용되어 불량이 발생한 위치를 화면상으로 정확히 표시합니다. (PC CPU 5ps / 저사양 GPU에서는 수백 fps이상 초고속 동작) - NAVI AI Mars는 비전 검사 시 어떻게 설정하나요? NAVI AI Mars의 설정은 다른 NAVI AI Tool들과 유사합니다. Deep Learning 기반 알고리즘으로 스스로 학습합니다. 고객님은 양품/불량 이미지만 준비하시면 됩니다. - NAVI AI Mars는 어떻게 동작하나요? <학습 과정> 사용자가 양품 / 불량 학습 데이터 입력 NAVI AI가 수백 ~ 수천 여장의 이미지 생성 후 학습 <검사 과정> 사용자가 검사를 위한 이미지 입력 제품이 양품인지 불량인지 출력 + 불량 위치 표시 3. 불가능을 가능으로 만들다. X-ray 이미지를 이용한 신발 이물 검사 검토 과정 비정형 이물 검사, 다들 어떻게 진행하고 계신가요? 비정형이라는 단어를 듣는 순간 많은 비전 업체들이 난색을 표했을 것이라 예상됩니다. 그럼 NAVI AI를 이용한 비정형 이물 검사의 검토 과정을 보여드리겠습니다. "지금부터 제공되는 이미지들은 검토를 의뢰한 회사로부터 홍보 자료 활용을 동의 받았습니다."   아래와 같은 일련의 과정을 거쳐 학습을 준비합니다. (1) 이미지 수집 - 학습에 사용될 양품 이미지와 불량 이미지를 구분 및 수집 합니다. (2) 결함 표시 - 불량 이미지들 중에서 이물이 들어간 부분을 마스킹해 줍니다. (3) 이미지 데이터 확장 - 양품 이미지 및 마스킹이 된 불량 이미지들을 바탕으로 다양한 조건을 반영한 이미지를 추가 생성합니다. (다양한 조건을 반영한 이미지 생성 기능은 NAVI AI에 자체 내장되어 있습니다.) (4) 영상 학습 - 확장된 이미지를 NAVI AI 학습 툴에 학습 시킵니다.  학습을 위한 준비 과정도 간단하게 끝나는 것을 보실 수 있습니다. 그럼 영상 학습이 끝난 뒤 이물 검출 결과를 보실까요? 기존의 검사는 신발의 이미지를 X-ray 장비를 통하여 취득하면, 작업자가 일일이 확인하는 방식으로 진행되었습니다. ? 비전 검사로는 비정형 이물을 잡아 낼 수 없었기 때문에 작업자가 일일이 X-ray 이미지를 확인하여야 했으며, 작업자의 숙련도에 따라 검출 능력에 편차가 존재했습니다. ? 또한 이물의 위치가 애매하거나 그 크기가 작을 경우에도 작업자가 검출하지 못한 경우가 발생했습니다. ? 학습 후 불량 이미지를 넣어주면 위에 보이는 이미지와 같이 이물들이 검출 되는 것을 알 수 있습니다. ? 비정형 이물은 물론 이물의 위치가 애매하거나 크기가 작은 이물까지도 완벽하게 검출해내는 것을 보실 수 있습니다. ? NAVI AI MARS를 이용한 비전 검사는 비정형 이물 검사에만 특화된 것이 아니라 보안 검사, 식료품 검사 등 다양한 분야에서 활용 될 수 있습니다.? 검사 조건이 까다로워 해결하지 못한 분야가 있으신가요? 라온피플에게 문의해 주시기 바랍니다. 기존에 해결하지 못했던 검사들도 시료 이미지만 전달해 주시면 검사 가능 여부를 확인해 드립니다. 지금 전화주세요!
......
인공지능을 이용한 비전 검사 Case Study - 4. 문자 판독(OCR)  자료 다운받기 진짜가 나타났다. 세상 모든 문자 판독, NAVI AI OCR이 시작합니다. "사람은 읽을 수 있는데... 비싼 돈을 지불한 상용 문자판독(OCR) 프로그램은 그렇지 못해 많이 답답하셨죠?" 기존 문자판독 알고리즘으로는 아무리 개선을 하더라도 한계가 있습니다. 혹시 기존 문자판독 알고리즘의 원리를 알고 계신가요? 기존 문자판독은 위와 같은 과정을 거칩니다. 이미지 획득 후 문자 판독을 위해서 문자를 학습시키는 과정이 필요한데 대부분의 경우 패턴 매칭을 이용하여 문자를 학습 시킵니다. ?문자 학습을 위해서는 기존 이미지에서 Segmentation이라는 과정을 통해 배경과 문자를 분리하는 선행단계가 필요합니다. 물론 문자 판독 시에도 Segmentation 과정을 통해서 문자와 배경을 분리하는 이미지 전처리 과정을 거쳐야 판독이 가능합니다. 기존 방식에서는 Segmentation 과정에서 좋은 결과 이미지를 얻기 위해 조명 조건을 조정한다든지 알고리즘의 개선을 통해서 문자 판독의 판독률을 높였습니다. 하지만 기존 방식으로 판독이 불가능한 경우가 몇 가지 있습니다. 바로 복잡한 배경이나 양각/음각 문자, Dot 문자 등입니다. 양각/음각 문자 및 Dot 문자의 경우 조명 조건 혹은 판독 대상의 상태에 따라 간혹 문자 판독이 가능한 경우도 있긴 합니다. - 기존 OCR의 한계 1. 타이어 옆면 양각/음각 문자 위 타이어 이미지 속의 양각/음각 문자를 판독하기 위해 segmentation 과정을 거쳐 보겠습니다. 첫 번째 과정에서는 주변의 잡음이 심해 배경과 문자가 제대로 분리되지 못했습니다. 값을 조정한 두 번째 이미지에서는 문자와 배경이 분리는 되었지만 몇몇 문자들이 완성된 형태를 이루지 못해 완벽한 문자 판독 결과를 가져오기 어렵습니다. - 기존 OCR의 한계 2. 배경에 음영이 있는 곡면 금속 위 음각 문자 위 이미지처럼 배경에 그라데이션효과 처럼 음영이 존재하는 경우는 어떻게 문자와 배경을 분리할 수 있을까요? 밝은 면에 있는 문자를 분리 되었지만 어두운 면에 있는 문자들은 배경과 같이 없어진 것을 확인할 수 있습니다. 어두운 면에 있는 이미지를 확인하기 위해 값을 조정하면 문자는 확인할 수 있지만 잡음이 많이 생깁니다. 문자 형태의 불확실성 및 배경의 잡음으로 인해 문자 학습이 어렵습니다. - 기존 OCR의 한계 3. 거친 배경 위의 Dot 문자 위 이미지 속의 Dot 문자는 여러 스크래치가 있는 거친 표면 위에 존재합니다. 문자를 확인하기 위해 값을 높여주면 배경은 깔끔해 지지만 문자를 명확하게 판독하긴 힘들어 보입니다. Dot 문자의 경우 각각의 점들을 키우고 서로 연결해 주어 하나의 문자 형태를 만드는 과정이 추가적으로 필요한데 위 이미지에서는 몇몇 점들이 사라져 올바른 문자 형태가 될 수 없는 부분들이 확인 됩니다. 문자 부분을 확인하기 위해 값을 조절하면 다시 배경 부분에서 잡음이 생겨 문자 판독에 어려움이 생갑니다. 위와 같은 잡음은 앞 전에 설명 드린 점들의 크기를 키우는 과정에서 점과 함께확장되어 문자와 문자 사이를 연결하여 버립니다. 위 사례들에서도 쉽게 볼 수 있듯이 기존 OCR 알고리즘은 까다로운 조명 조건을 맞추더라도 Segmentation 과정에서 문자와 배경을 완벽하게 분리시키지 못하면 완벽한 판독이 어렵다는 것을 알 수 있습니다. NAVI AI OCR, 어떻게 모든 문자를 다 판독할 수 있나요? 위 자료에서 알 수 있듯이 NAVI AI OCR에서는 Segmentation 과정이 필요 없습니다. 어떻게 Segmentation 과정 없이 문자 학습이 가능할까요? NAVI AI OCR은 사람이 학습하는 방식을 모방한 딥러닝을 통해 문자 학습을 합니다. 패턴매칭 기반의 이전 방식에서는 사람이 Segmentation 후 학습을 직접 시켜 주었지만, 딥러닝 기반의 방식은 일정 영역에 존재하는 문자가 무엇인지 알려주기만 하면 이미지 전체(문자 및 배경 포함)를 학습하여 문자의 Feature를 직접 뽑아냅니다. 사람과 NAVI AI OCR은 위 7개의 다양한 배경 위에 존재하는 문자를 같은 방법으로 인지하고 0인 것을 알아 차립니다. 기존 OCR의 경우 배경과 문자를 분리시켜 주는 과정에서 문자 형태의 불확실성 혹은 배경의 잡음으로 인해 학습 조차도 어려울 수 있지만, 사람이 문자를 학습하는 방식과 똑같은 방법으로 문자를 학습하는 NAVI AI OCR은 이미지 전체를 학습 숫자 0에 대한 공통적인 Feature를 뽑아내 ? 어떤 배경에서도 문자를 정상으로 판독하며 형태가 조금 뒤틀려도 정상적으로 판독하는 강인한 성능을 보여줍니다. 이런 학습 방식의 차이 때문에 기존에 난제로 여겨졌던 복잡한 배경 위의 문자라든지 양각/음각 문자, Dot 문자들도 쉽게 판독이 가능 합니다. "고객사의 시료 보호를 위해 문자 판독 동영상은 2017년 Automation World에서 시연하였던 NAVI AI OCR 데모 동영상으로 대체하겠습니다." 위 이미지들은 동영상 속에서 NAVI AI OCR로 판독했던 것들을 추려놓은 것입니다. 복잡한 배경이 위의 양각문자로 새겨진 신용카드부터 Dot 문자, 금속 위의 양각문자까지 지금껏 난제로만 여겨졌던 부분들을 빠른 속도로 판독하는 것을 확인할 수 있습니다. <NAVI AI OCR 데모 영상> 아래 동영상은 너무 빠른 판독 속도로 인해서 제대로 판독이 되고 있는지 확인하고 싶으신 고객님들을 위해 5배 정도 느린 속도로 재생한 영상입니다. NAVI AI를 이용한 비전 검토 과정은 매우 간단합니다. 시료 이미지만 전달해 주시면 검토 결과 확인이 가능합니다. 복잡한 배경 위에 문자를 판독해야 하나요? 음각/양각 문자 판독이 필요하신가요? Dot 문자 판독이 되지 않아 애를 먹었습니까? 고민하지 마시고 이제 라온피플에게 문의해 주시기 바랍니다. NAVI AI가 만들어 내는 물품 분류의 새로운 패러다임. 지금 전화주세요!
......
인공지능을 이용한 비전 검사 Case Study - 3. 물품 분류  자료 다운받기 어떤 형태든, 어떤 방향이든 사람의 기준으로 대상을 분류하는 NAVI AI "물품 분류의 패러다임이 바뀝니다." 혹시 기술적인 문제로 작업 공정이 복잡해 지진 않으셨나요? 라인을 최소화 하여 제품을 분류하는 것이 가장 효율적이지만 비전 기술이 따라주지 못해 생산량이 적은 제품들도 라인을 개별 관리하고 계신가요? 물품 분류를 위해 비전 검사를 검토하셨다가 포기하신 많은 업체들의 고민 사항 중 하나는 제약 사항이 너무 많다는 것일 겁니다. 왜냐하면 물품은 일정한 형태와 방향을 유지하면서 들어와야 비전으로 검사를 진행할 수 있기 때문입니다. 이제 NAVI AI를 만나보세요. 물품 분류의 패러다임을 바꿉니다. NAVI AI, 무엇이 더 좋아진거죠? 1. 비전 검사를 위해 추가 되어야만 했던 공정이 없어짐으로 전체 작업 공정이 줄어듭니다. 2. 비전으로 분류가 불가능 했던 것들도 이제 가능해 집니다. 1. 비전 검사를 위해 추가 되어야만 했던 공정이 없어짐으로 전체 작업 공정이 줄어듭니다. > 어떻게 공정이 줄어든다는 거죠? 기존 컴퓨터 비전을 이용한 머신 비전 검사에서 물품을 분류하기 위해 가장 범용적으로 쓰였던 Tool은 Pattern Matching 입니다. Pattern Matching을 수행하기 위해서는 분류해야 하는 대상의 한 면이 동일하게 들어와야 합니다. 자동화 시설을 갖추고 검사를 하기 위해서는 기존 라인에서 대상이 동일한 면이 위로 들어오게끔 추가적인 공정이 필요한 경우가 많았습니다. 이러한 추가 공정을 없애줌으로써 전체적인 공정을 줄여줍니다. 어떤 비전을 도입하느냐에 따라 작업 공정이 줄어들 수도 있습니다. NAVI AI를 도입하시면 완벽한 물품 분류뿐만이 아니라 작업 공정 또한 줄여드립니다. 2. 비전으로 분류가 불가능 했던 것들도 이제 가능해 집니다. 제품의 외관이 비슷한 경우, 다시 말해 비전 알고리즘으로는 특징점을 추출해내는 것이 어려운 제품은 한 라인에서 비전으로는 분류가 불가했습니다. 하지만 이젠 비전을 통해 분류가 가능해 집니다. NAVI AI는 컴퓨터가 학습을 통하여 영상 속에 들어 있는 context를 스스로 파악합니다. 단순 비교가 아니라, 영상 속에 내재하는 깊은 feature를 추출해내기 때문에 비슷한 외관의 제품들도 분류가 가능합니다. 형태가 변형된 제품도 분류해 내는 비전 검사, 들어보신적 있나요? 아래 이미지를 보시면 현미녹차/둥글레차/메밀차 시료가 정상적인 형태인 것과 구겨진 형태로 놓여있는 것을 보실 수 있습니다. 아래와 같이 제품의 형태가 조금 변형 되어도 비전으로 쉽게 구분이 가능할까요? NAVI AI라면 가능합니다. 구겨진 형태의 제품 조차도 강인한 성능으로 분류합니다. "고객사의 시료 보호를 위해 물품 분류 실제 검토 장면은 2017년 Automation World에서 시연하였던 제품 분류 데모 동영상으로 대체하겠습니다." 위 동영상에서는 다양한 제품들을 빠르게 분류하는 것을 확인하실 수 있습니다. 위 동영상에서는 비슷한 형태의 세 종류의 제품이 형태가 바뀌어도 강인하게 종류를 구별해 내는 것을 확인할 수 있습니다. 동영상 속에는 빠져 있지만 뒷면, 옆면으로 제품이 들어와도 당연히 구별해 냅니다. 검토 과정 또한 매우 간단합니다. 시료 이미지만 전달해 주시면 검토 결과 확인이 가능합니다. 물품 분류, 고민하지 마시고 이제 라온피플에게 문의해 주시기 바랍니다. NAVI AI가 만들어 내는 물품 분류의 새로운 패러다임. 지금 전화주세요!
......
인공지능을 이용한 비전 검사 Case Study - 2. 태양광 패널 검사  자료 다운받기 복잡한 배경 속에서도크랙이나 이물을 검출해 내는 NAVI AI "더 깊은 신경망으로 어려운 검사들도 쉽게 할 수 있습니다." 딥러닝 기술을 적용한 비전검사, 어디까지 가능할까요? 이전 웨이퍼 검사 블로그 자료에서 말씀 드렸듯이 비정형 크랙 및 이물 검사는 컴퓨터 비전 기술을 이용한 검사 방법으로는 접근하기 어려운 까다로운 문제입니다. 하지만 딥러닝을 적용한 비전 검사 기술로 까다로운 비정형 크랙 및 이물 검사를 쉽게 해결할 수 있었습니다. 그럼 딥러닝 기술을 적용한 비전 검사(앞으로 NAVI AI라 지칭)에서도 비정형 크랙 및 이물을 검사를 할 때 시료에 따른 검사 난이도가 존재할까요? 네, 물론 존재합니다. 아래 그림은 웨이퍼 표면 / 직물 / 태양광 패널 이미지 입니다. 아래 세 개의 이미지 중에서 검사하기 가장 까다로운 시료는 무엇일까요? ① 웨이퍼 표면 웨이퍼 표면부터 살펴보면 얼룩이나 크랙을 검출하는데 있어 배경이 단조롭기 때문에 NAVI AI로 쉽게 학습 및 검사가 가능합니다. ② 직물 직물 검사의 경우 다양한 불량 유형들이 존재합니다. 대표적인 불량 유형으로는 이색, 이염, 오염, 무나염, 침투, 스파팅, 시와, 핀트, 풀번짐 등을 있습니다. 직물의 경우 복잡한 보이긴 하지만 정형화된 패턴이 존재하기 때문에 NAVI AI로 검사하는데문제가 없습니다. 아래 그림에서 볼 수 있듯이 복잡해 보이는 직물도 확대해서 보면 정형화된 패턴이 존재하고 NAVI AI는 사람이 사물을 구분하는 방식으로 차이를 검출하기 때문에 배경과 다양한 불량 부분을 쉽게 구별해 낼 수 있습니다. ③ 태양광 패널 그럼 마지막 태양광 패널은 어떨까요? 이미지에서 확인할 수 있듯이 패널 표면 배경이 비정형적인 형태이기 때문에 NAVI AI가 좀더 효율적으로 결함을 검출하기 위해서 앞의 두 검사보다 더 깊은 신경망이 필요하고, 이를 학습하기 위해서는 전문가의 기술적인 지원이 필요합니다. 역시, 라온피플은 다릅니다. 딥러닝이라는 단어에서 알 수 있듯이 딥러닝을 이용한 비전 검사는 신경망의 깊이가 깊어질수록 더욱 복잡한 패턴에 대한 분석을 할 수 있습니다. 태양광 패널의 경우 좀 더 깊은 신경망을 통하여 정형화 되지 않은 배경에서 이물과 크랙을 검출하며 배경과 유사한 크랙 또한 검출합니다. NAVI AI는 NAVI AI의 개발자들이 검사대상에 최적화 된 신경망을 구성하여 각 대상에 맞는 최적화된 신경망을 통해 이미지를 학습합니다. 이처럼 라온피플의 NAVI AI는 인공지능의 망의 깊이를 조절하여 효율적인 학습을 가능하게 하며최적의 검사 결과를 이끌어 냅니다. 그럼 Deep Learning을 이용해 태양광 패널을 검사하는 비전 검사 소프트웨어 NAVI AI의 이야기, 만나보러 가실까요? NAVI AI를 이용한 비전 검사 태양광 패널은 크게 3가기 종류로 나뉩니다. - Monocrystalline Silicon Solar Cells - Polycrystalline Silicon Solar Cells - Thin-Film Solar Cells (TFSC) 이번 블로그 자료에서 설명할 태양광 패널은 Polycrystalline Silicon Solar Cells 이며 업체 측에서 요구한 검사는 총 3가지였습니다. 1. Align이 맞지 않거나 깨진 패널 2. 오염된 패널 3. 미세 크랙이 존재하는 패널 위 세가지 검사에 대해서 지금부터 설명하도록 하겠습니다. 1. Align이 맞지 않거나 깨진 패널 Align이 맞지 않거나 깨진 패널은 기존의 비전 검사로도 쉽게 검출이 가능한 부분입니다. 굳이 딥러닝을 이용하지 않더라도 기존 비전 검사 소프트웨어 NAVI를 통해서도 쉽게 검사가 가능했습니다. 딥러닝을 통하지 않고도 간단하게 해결할 수 있는 비전 검사는 라온피플 홈페이지를 참고해 주시면 됩니다. <NAVI 에 사용되는 다양한 Vision Tool> 2. 오염된 패널 오염된 패널 검사는 기존에 작성되었던 웨이퍼 검사와 유사한 검사 입니다. 자세한 내용은 웨이퍼 검사 블로그 자료를 참고하시면 됩니다. [비전 솔루션] 라온피플, 인공지능을 이용한 비전 검사 Case Study - 1. 웨이퍼 표면 검사 3. 복잡한 배경에 미세 크랙이 존재하는 패널 태양광 패널을 확대해 보면 아래 이미지와 같이 복잡한 배경이 산재해 있는 것을 확인할 수 있습니다. "라온피플은 고객사의 시료 보호를 위해 노력합니다. 아래 이미지들은 위키피디아의 태양광 패널 이미지 중 Polycrystalline Silicon Solar Cells 이미지를 사용하였습니다. 실제 검토한 시료 이미지와는 다를 수 있습니다." 그럼 태양광 패널의 크랙은 어떤 형태로 존재하는지 아래 이미지를 통해 확인해 보겠습니다. 위 이미지에서 크랙을 찾으셨나요? 총 3가지의 크랙이 존재하는데 1~2개 정도는 찾으시는 분이 있어도 세 가지의 크랙을 모두 다 찾으시는 분은 없을 것 같습니다. 다들 몇 개의 크랙을 찾으셨나요? 아래 보시는 것과 같이 예제로 가져온 태양광 패널 이미지에는 총 3개의 크랙이 존재합니다. 태양광 패널의 크랙 위치는 표시해 두었습니다. 크랙이 잘 보이시나요? 아래 이미지는 NAVI AI를 통해 크랙을 검출한 이미지를 확대해 놓은 것입니다. 빨간색으로 마스킹 된 부분이 크랙입니다. 1번 크랙의 경우 좌우로 길게 뻗어 있고 크기도 커서 다른 크랙에 비해 상대적으로 검출이 쉬운 편입니다. 2번 크랙의 경우 경계에 걸쳐 있어 육안으로도 구분이 잘 가지 않지만 NAVI AI는 완벽하게 검출해 내는 것을 확인하실 수 있습니다. 3번 크랙은 오른쪽 부분의 배경과 비슷한 형태를 띄고 있지만 정상적으로 검출하는 것을 볼 수 있습니다. NAVI AI는 Polycrystalline Silicon Solar Cells 외에도 Monocrystalline Silicon Solar Cells, Thin-Film Solar Cells (TFSC) 등 다양한 종류의 태양광 패널 검사가 가능합니다. 태양광 패널이 끝이 아닙니다. 복잡한 배경으로 인해 검출이 불가능했던 다양한 검사 대상들을 NAVI AI가 해결해 드리겠습니다. 검사해야 할 대상의 표면이 복잡한 배경으로 가득 차있나요? 기존에 해결하지 못했던 복잡한 배경을 가진 검사 대상도 시료 이미지만 전달해 주시면 검사 가능 여부를 확인해 드립니다. 지금 전화주세요!
......
인공지능을 이용한 비전 검사 Case Study - 1. 웨이퍼 표면 검사  자료 다운받기 라온피플, Deep Learning을 이용한 비전 검사 소프트웨어로 웨이퍼 표면 검사의 새로운 장을 열다. "웨이퍼 표면 위 비정형 크랙이나 이물 등을 100% 검출해 내는 비전 검사 소프트웨어 NAVI AI" 포기 하긴 아직 이릅니다. 비정형 크랙 및 이물 검사는 컴퓨터 비전 기술을 이용한 기존 비전 검사 방법으로는 접근하기 까다로운 문제였습니다. 이물을 검출하기 위해 threshold 값을 낮추면 이물 외의 부분들도 검출이 되는 과검출이 발생하고, 값을 늘리면 미세한 이물은 검출이 안 되는 미검출 상황이 발생하게 됩니다. 그래서 개별적인 상황에만 한정된 특별한 레시피 등을 사용해왔으며, 환경이 바뀔 때마다 작업자의 고된 노동을 통해 그 환경에 맞춰주는 작업을 해야만 했습니다. 이것마저도 때로는 실패하는 경우도 있었습니다. 육안으로는 검출할 수 있는 비정형 크랙 및 이물도 컴퓨터 비전으로는 검사가 매우 까다롭거나 불가능한 경우가 많습니다. 이는 비전 검사를 위하여 영상을 컴퓨터로 끌어올리게 되면, 영상은 단순한 숫자의 배열에 불과하기 때문에 미세한 차이를 보이는 숫자를 구별하여 뭔가 의미 있는 판단을 한다는 것은 여간 까다로운 작업이 아니기 때문입니다. 라온피플은 딥러닝 기술을 적용한인공지능을 이용하여 휴먼 비전에 도전합니다. Deep Learning은 사람의 신경망 구조를 응용하여 검사할 이미지를 학습시킵니다. 사람이 영상을 보고 판단하는 방식은 영상 속에 들어 있는 숫자의 차이에 집중하는 것이 아니라 영상의 context에 집중을 합니다. 단순하게 숫자의 차이만으로는 구별이 안되는 특징도, 사람은 이런 방식으로 보기 때문에 구별이 가능하게 됩니다. 이처럼 사람이 인지하는 방식을 모방한 딥러닝 기술은 기존 컴퓨터 비전 기술과는 완전히 다른 기술입니다. 개별 숫자를 보는 것이 아니라, 컴퓨터가 학습을 통하여 영상 속에 들어 있는 context를 스스로 파악합니다. 단순 비교가 아니라, 영상 속에 내재하는 깊은 feature를 추출해내기 때문에, 모양이 바뀌거나 조명 환경이 달라지더라도 강건하게 인지를 할 수 있게 됩니다. 이 과정에서 사람이 할 일은 양불(pass/fail) 판정이 가능한 영상을 준비하여학습 버튼만 눌러주면 됩니다. 나머지는 인공지능이 다 알아서 합니다. 참고로, 영상의 숫자가 많으면 많을수록 학습 데이타가 많아지기 때문에 결과가 좋아지기는 하지만, 라온피플은 특별한 데이타 자가 증식 기술을 보유하고 있기 때문에 소량의 학습 영상만으로도 충분합니다. 이처럼 인공지능 기술의 실력 차이에 따라서 결과에 차이가 나는 것도 사실입니다.(^^) 이제 인공지능을 탑재한 라온피플의 비전 검사 소프트웨어 NAVI AI를 통해서 쉽게 웨이퍼 표면의 이물 및 크랙 검사가 가능합니다. 기존 컴퓨터 비전으로 풀지 못한 비정형 크랙 및 이물 검사까지 완벽하게 라온피플이 해결했습니다. Deep Learning을 이용한 비전 검사 소프트웨어 NAVI AI의 이야기, 지금 시작합니다. 1. NAVI AI를 이용한 검토 과정 및 비전 검사 모 반도체 업체로부터 360장의 불량 웨이퍼 이미지와 3장의 양품 웨이퍼 이미지를 전달 받았습니다. 이 중에서 양품 이미지 3장과 불량 웨이퍼 이미지 90장을 무작위로 추출한 뒤 NAVI ImageGen™(샘플 이미지로부터 실제 환경 변화를 반영한 다양한 테스트 이미지를 생성하는 Tool)을 이용하여 학습을 위한 수많은 테스트 이미지를 만들었습니다. NAVI AI를 이용한 검사 가능 여부 검토는 90장의 불량 웨이퍼 이미지와 3장의 양품 웨이퍼 이미지를 Training 시키는 것으로 시작됩니다. 기존 93장의 이미지를 바탕으로 만들어진 수많은 양품/불량 웨이퍼 이미지를 NAVI AI에 학습 시킵니다. 학습이 완료된 학습모델을 불러온 뒤 NAVI AI 에서 검사 버튼을 누르면 검사가 시작됩니다. 2. 검출 결과 웨이퍼 표면의 이물질 및 크랙을 100% 검출해 냅니다. 쉽게 만들어진 결과에 신뢰가 가지 않으신가요? 걱정하지 마세요. 학습에 사용되지 않은 270장의 이미지를 포함한 총 360장의 불량 웨이퍼 이미지 테스트 결과 100% 인식률로 불량 유무를 판별해 냈습니다. "라온피플은 고객사의 시료 보호를 위해 노력합니다. 아래 이미지들은 이해를 돕기 위해 가상으로 제작한 이미지이며 실제 웨이퍼 이미지와는 다를 수 있습니다." 아래 왼쪽에 있는 비정형 크랙 및 이물이 있는 웨이퍼를 검사할 때, 오른쪽 이미지와 같이 크랙 및 이물이 있는 부분이 빨간색으로 마스킹 처리가 되면서 불량 판정을 내려 줍니다. <좌-검사 이미지, 우-검사 후 이물 및 크랙이 표시된 이미지>   위 이미지에서 찾은 불량은 총 4개 였습니다. <4개의 이물이 검출된 불량 웨이퍼>   이외에도 다양한 종류의 불량 웨이퍼들을 100% 인식률로 판별하였습니다. 또한 이물 및 크랙의 허용 가능 범위를 설정할 수도 있습니다. 위 이미지에서 4번과 같이 눈에 띄지 않는 이물을 양품으로 판정하고 싶으시다면 간단하게 threshold 값 조정을 통해서 이물의 허용 가능 범위를 설정할 수 있습니다. < 좌- threshold 값 10, 중간- threshold 값 15, 우- threshold 값 25>   위 이미지에서 볼 수 있듯이 간단하게 threshold 값을 조정하여 주시면 이물 및 크랙의 사이즈를 선택하여 양불 판정을 진행할 수 있습니다. threshold 값이 10인 좌측 이미지에서는 모든 이물을 찾아내었고, 15로 늘리자 가장 작은 크기의 이물이 검출 되지 않는 것을 확인하실 수 있습니다. 마지막으로 threshold 값을 25로 설정했을 땐 크기가 큰 이물 및 스크래치 2개만 검출됩니다. 인공지능의 하나인 Deep Learning을 이용하여 비전 검사를 진행할 경우 기존에 검사하지 못한 부분들 까지도 커버하는 강인한 검사 능력을 보여줍니다. 웨이퍼 표면 검사 시 과검출/미검출로 고생하셨던 많은 고객님들의 고민! 이제 라온피플을 덜어드리겠습니다. 검사하고 싶은 시료가 있으신가요? 라온피플에게 문의해 주시기 바랍니다. 기존에 해결하지 못했던 비정형 크랙 및 이물 검사에 대해서도 시료 이미지만 전달해 주시면 검사 가능 여부를 확인해 드립니다. 지금 전화주세요!
......
전체 적용사례 보기

• Resources 기술 자료실


• Vision Selector

- 비전 솔루션 구성을 위한 컴포넌트들을 고객의 조건에 맞춰 선택할 수 있게 도와드립니다.


• [BLOG] Product

[BLOG] Product 포스트 더보기

• [BLOG] Academy

[BLOG] Academy 포스트 더보기

• [BLOG] Company

[BLOG] Company 포스트 더보기


라온피플(주)
주소 : (우)13511 경기도 성남시 분당구 판교로 723, 분당테크노파크 B동 402-3
대표전화 : 1899-3058 , 팩스 : 031-707-7052, 전자우편 : sales@laonpeople.com, 웹사이트 : http://www.laonpeople.com Copyright © Laon People. All Rights Reserved.