The machines are watching: Quality control and defect detection with AI - Manufacturing AUTOMATION
Years ago, quality control started off as a human being examining a product on an assembly line. Over time, we have progressed to machine vision, and more
www.automationmag.com
Manufacturing Automation은 제조 산업의 여러 이슈 및 기술을 다루는 페이지다.
해당 기사에서 AI 비전에 대한 현재 제조업체들과 AI 제공 회사의 생각을 다루었다.
가볍고 기술적이지 않은 내용으로 몇가지 주요 문장만 아래 소개한다.
1. 왜 AI비전의 산업 현장 적용이 늦어지는가 ?
according to Hugues Foltz, executive vice-president of Vooban,
it’s not as widely used as it could be. “AI is not being used enough,” he says.
“Instead, we see a lot of old vision systems that are not using AI at all.”
Vooban의 Vp인 Foltz에 따르면 AI는 아직 잘 이용되고 있지 않다고 한다.
그는 "AI는 충분히 이용되고 있지 않다", "대신 아직 이전 버전의 비전 시스템이
사용되고 AI는 사용되지 않고 있다."라고 말한다.
(여기서 Vooban은 캐나다의 AI회사이다.)
Foltz argues that older machine vision technologies are underperforming
and are nowhere near as accurate as modern AI systems.
Part of the problem, Foltz explains, is that AI is misunderstood,
and is still a bit of a mystery.
“The other part of the problem is that there aren’t a lot of companies
that can implement these solutions,” he adds.
Foltz는 구형 비전 기술은 기능이 낮고 AI만큼 정확하지 않다고 한다.
AI를 도입하기에 문제는 AI에 대한 이해도가 낮고 여전히 미스테리
하기 때문이라고 설명한다.
또다른 문제는 이러한 솔루션을 시행할 수 있는 회사가 얼마 되지
않기 때문이다.
In order to effectively harness the power of AI,
you first need a human being who can fine-tune the right algorithms.
Foltz says that these complex algorithms
are the domain of AI scientists, which may be hard to find.
AI를 효과적으로 활용하기 위해 먼저 적합한 알고리즘을
파인튜닝 해줄 사람이 있어야 한다. 이 때 복잡한 알고리즘은 AI과학자의
영역이다.
2. AI비전 적용은 생각보다 쉽다.
While writing and fine-tuning advanced algorithms sounds complicated (and it is),
according to Foltz, it doesn’t have to be time-consuming.
In fact, he says that putting AI in place for quality control and
defect detection doesn’t take long at all.
어려운 알고리즘을 파인튜닝 하는게 복잡하게 들리겠지만 그것을 하는데
많은 시간이 소비 되지 않는다. 사실 AI를 품질 관리와 불량 검사에 적용
하는것은 얼마 걸리지 않는다.
“We can normally do a proof of concept within three or four weeks, maximum,
if it’s something complex. The proof of concept demonstrates that
we can see with accuracy what we are looking for, and in some simple use cases,
that can even be done in a few days.”
만약 복잡한 문제라면 우리는 일반적으로 컨셉을 보이는데 최대3~4주 소요된다.
우리는 우리가 찾는것에 대해 정확하게 볼 수 있으며, 간단한 사례는 며칠 내에 볼수 있다.
“Success depends on many things and starts with data,” she says.
“However, in most cases, the data is already there. Companies have been gathering it,
but not doing much with it until now.
성공은 많은 요소에 달려있지만 Data로 부터 시작된다. 그러나 대부분 이미 데이터를
갖고 있다. 회사들은 이미 데이터를 모으고 있지만 적절히 사용하고 있지 않다.
“Cameras are common, they’re not expensive, and they already have a small processor
in them that can run the algorithms.”
The fact that cameras are small and relatively inexpensive means that
manufacturers can place them at various points in the production process in order to spot defects.
In other words, rather than simply analyzing the final product,
AI can be employed in conjunction with multiple cameras to spot defects at strategic points
in the production process.
“We call this segmentation,” Foltz explains.
AI비전 장비 관련, 카메라는 일반적으로 비싸지 않다.
그리고 그 카메라들에는 이미 작은 프로세서가 장착되어
알고리즘을 돌릴 수 있다. 카메라가 비싸지 않다는 것은 제조사가 불량을 감지 하기 위해
카메라를 다양한 위치에 장착할 수 있다는 것을 의미한다. 다시 말해 단순히 최종 제품을
분석하는 것보다 AI는 여러 카레라를 조합하여 생산 프로세스의 전략적 포인트를
찾아낸다. 이것을 우리는 세그멘테이션 이라고 한다.
2. AI비전의 한계
“AI can be incredibly beneficial in manufacturing, but it does have limitations
and may not be suitable for all applications or processes,”
she explains. “Some key considerations include the complexity of the task.
AI excels at repetitive and predictable tasks, but may struggle with complex,
non-routine tasks that require human intuition and decision-making.”
AI는 제조에서 놀랍도록 이익을 준다, 그러나 한계가 있고 모든 공정에 적합하지는 않다.
복잡한 일에 있어 주요하게 고려해야 할 점은, AI는 반복적이고 예측이 가능한 것에
훌륭히 동작한다. 그러나 복잡하고 규칙이 없는것에는 동작이 어려워 사람의 직감과
결정을 필요로 한다.