TruAI 기술
AI 기술 기반의 재료 검사를 위한 산업 이미지 분석
산업 이미지 분석을 위한 TruAI™ 딥러닝 기술
정량적 이미지 분석은 많은 재료 과학, 산업 및 품질 보증 분야에서 중요한 단계입니다. 그러나 밝기나 색상에 의존하는 기존 방법을 사용하는 이미지 분할은 샘플의 중요한 정보나 표적을 놓칠 수 있으며, 경험이 없는 사용자가 수행할 때 특히 그렇습니다. 이미지 품질과 대비가 샘플에 따라 다르기 때문에 기존의 임계값 방법을 사용한 이미지 분할은 재현성과 반복성이 부족합니다.
Stream Enterprise v. 2.5.3, PRECIV v. 1.2, 및 CIX100 v. 1.6은 인스턴스 분할을 도입해 TruAI 딥러닝 기술을 더욱 개선하였습니다. 이 기능은 의미론적 분할과 이후의 개체 분할을 한 단계로 병합합니다. 인스턴스 분할은 수동 후처리 단계 또는 매개변수 조정이 필요하지 않도록 까다로운 응용 분야를 한 단계로 해결하여 워크플로를 개선합니다. 신경망 모델이 훈련되면 클릭 한 번으로 새 이미지에 적용하여 즉각적으로 분석 결과를 얻을 수 있습니다.
재료 과학의 딥러닝 이미지 분할 및 인스턴스 분할 예
TruAI 기술은 금속 조직학 분석, 반도체 품질 관리 및 광물학을 포함한 다양한 재료 과학 분야에 유용한 도구입니다. 다음은 몇 가지 일반적인 예입니다.
구리의 매트 상(matte phase) 검출
2개의 상이 있는 구리 샘플로는 매트와 슬래그가 있습니다. 매트는 반짝이는 부분(순동)입니다. 슬래그는 다른 상(칼슘-페라이트 산화물의 혼합물, 철감람석이라고도 함)입니다. 딥러닝 이미지 분할은 매트 상을 적절하게 측정할 수 있지만 기존 임곗값 방법을 사용한 이미지 분할은 슬래그 상의 일부만 검출할 수 있습니다.
웨이퍼 결함 감지
딥러닝 이미지 분할은 이 웨이퍼 샘플의 결함을 적절하게 측정할 수 있습니다. 기존의 임곗값 방법으로 이미지 분할을 사용하면 결함과 구조를 분리하는 것이 불가능합니다.
갈탄회에서 용융 방울 검출
기존 임곗값 방법을 사용한 이미지 분할과 달리 딥러닝 이미지 분할은 이 갈탄회 샘플에서 용융 방울(투명 구체)을 다른 광물과 적절하게 분리하고 검출할 수 있습니다.
산업 현미경 검사에서 딥 러닝의 중요성
재료 검사에서는 종종 현미경 이미지의 데이터가 필요합니다. 정확한 산업 이미지 분석을 위해서는 이미지에서 분석 대상 영역을 추출하기 위한 분할이 중요합니다. 이미지의 형태적 특징을 기반으로 이미지를 분할하려는 경우, 강도값과 색상에 임계값을 적용하는 기존의 접근 방식으로는 고정밀 분할을 달성하기가 매우 어렵습니다. 이 방법은 효과적이기는 하지만 매번 수동으로 계수하고 측정해야 하므로 시간이 오래 걸리며, 샘플의 상태에 영향을 줄 수 있습니다.
반면 TruAI 딥 러닝 기술은 형태학적 특징을 기반으로 매우 효율적이고 정확한 분할이 가능합니다. 신경망은 손으로 라벨을 붙인 이미지에서 분할 결과를 학습한 후, 동일한 방법론을 추가적인 데이터 세트에 적용할 수 있습니다.
딥러닝을 활용한 산업 이미지 분석의 효율성 극대화
Stream Enterprise v. 2.5.3/PRECiV/CIX100 TruAI 솔루션은 산업 이미지 분석에서 효율성을 극대화하는 데 도움이 됩니다.
- 딥러닝을 사용한 정밀한 검출 및 분할로 효율적이고 신뢰할 수 있는 분석 제공
- 강력한 신경망을 손쉽게 훈련, 검토, 편집
- 직관적인 인터페이스를 사용한 효율적인 이미지 라벨링 및 훈련
- 신경망을 간편하게 가져오고 내보냄
- 위치당 1초 미만으로 빠르게 처리(NVIDIA GTX 1060 GPU 기반)
계수 및 측정 솔루션에 분할 방법으로 훈련된 신경망을 적용하면 경험이 부족한 작업자도 측정할 수 있도록 분석을 자동화할 수 있습니다.
- 수동 임계값 설정이 필요하지 않음
- 기존의 임계값 설정이 실패할 경우 특히 유용함
- 복잡한 작업에서도 정량적 이미지 분석을 통해 신뢰할 수 있고 반복 가능한 결과 도출
Evident가 현미경에 딥러닝 기술을 어떻게 활용하는지 알아보려면 아래 비디오를 확인하세요.
Stream Enterprise v. 2.5.3/PRECiV/CIX100 소프트웨어에 활용된 딥러닝의 작동 원리
TruAI 딥러닝 워크플로는 단순합니다.
Stream Enterprise v. 2.5.3/PRECiV/CIX100 TruAI 솔루션은 여러 개의 CNN(Convolutional Neural Network, 콘볼루션 신경망) 단계를 조합하여 개별 픽셀을 클래스(U-Net 아키텍처)에 할당합니다. 이미지 처리 결과의 품질은 훈련의 질에 따라 다릅니다. 신경망은 이미 처리되었거나 적어도 측정할 값(실제 값)을 포함하고 있는 이미지로 훈련해야 합니다.
신경망 훈련을 위한 실제 값은 다음 중 하나를 사용하여 Stream Enterprise v. 2.5.3/PRECiV/CIX100 TruAI 솔루션으로 생성됩니다.
- Stream Enterprise v. 2.5.3/PRECiV/CIX100 계수 및 측정 솔루션의 전통적인 이미지 처리 기술
- 수작업 라벨링
딥러닝으로 분석하려는 모든 문제에 원시 데이터 및 실제 값을 포함한 이미지 세트를 제공해야 합니다.
생성된 모델(추론)은 계수 및 측정 솔루션의 분할 방법으로 사용됩니다.
신경망 훈련
표준 네트워크를 훈련시키려면 약 30분 동안 25,000번의 반복을 수행해야 합니다. 훈련의 질은 유사도 곡선을 통해 확인할 수 있습니다. 1에 가까울수록 추론이 더 좋은 것입니다.
신경망 분할
Stream Enterprise v. 2.5.3/PRECiV/CIX100 TruAI 솔루션은 의미론적 분할 방법을 사용하여 이미지 안의 개체를 검출합니다. 여기에서 이미지의 각 픽셀은 해당 클래스로 라벨이 지정됩니다. 결과는 확률 레이어로 표현될 수 있습니다. 즉, 각 픽셀은 주어진 클래스와 일치할 확률을 갖습니다. 클래스가 하나만 정의된 경우, 결과적 추론을 입자 검출에 사용할 수 있습니다.
딥러닝은 Stream Enterprise v. 2.5.3/PRECiV/CIX100 계수 및 측정 솔루션에서 검출을 용이하게 합니다. 신경망 분할은 전통적인 수학적 방법을 사용하여 크기별 분류가 수행되는 동안 측정할 개체를 검출합니다.
이 딥러닝 솔루션은 재료 과학 분야와 국제 표준의 일반 입자 검출 방법을 긴밀하게 따릅니다.
Stream Enterprise v. 2.5.3/PRECiV/CIX100 소프트웨어의 신경망 훈련 옵션
Stream Enterprise v. 2.5.3/PRECiV/CIX100에서 신경망을 훈련하려면 다음 중 하나를 수행할 수 있습니다.
직접 신경망 훈련시키기
Enterprise v. 2.5.3/PRECiV/CIX100 딥러닝 솔루션(Stream Essentials, Motion, Desktop 및 PRECIV Core, Pro, Desktop에서 사용 가능)을 사용하여 신경망을 훈련시킵니다. 또한 계수 및 측정 솔루션과 강력한 PC도 필요합니다. PC 권장 사항은 Evident에 문의하십시오. 이 접근법은 산업 분야의 산업 표준 절차를 따르는 대학, 연구 기관 또는 시설에 이상적인 방식입니다.
Evident 서비스로 신경망 훈련시키기
이 서비스는 산업용 실험실, 품질 관리, 테스트 실험실 또는 반복적인 작업을 수행하는 고객에게 이상적입니다. Stream Enterprise v. 2.5.3/PRECiV/CIX100 계수 및 측정 솔루션이 필요합니다.