산업 자동화에서 AI의 힘

완전 지능 로봇 시스템에 대한 가장 진보된 접근 방식

AI(인공 지능)는 점점 더 많은 비즈니스 프로세스와 산업 응용 프로그램의 자동화를 가능하게 합니다. 스마트 자동화의 범위와 속도는 AI의 발전에 직접적으로 의존하므로 최근 몇 년 동안 엄청난 도약을 경험했습니다. 강력한 3D 머신 비전과 결합된 AI를 통해 로봇은 모든 유형의 물체를 인식, 현지화 및 처리할 수 있으므로 너무 위험하거나 단조롭거나 사람에게 요구되는 작업을 자동화할 수 있습니다.

그러나 산업 자동화에서 AI는 무엇을 의미하며 어떻게 작동하며 현대화, 혁신 및 생산성 향상을 위해 노력하는 공장과 기업에 어떤 가능성을 열어줄까요? 먼저 AI의 시작과 점진적인 발전을 살펴보겠습니다.

최초의 아키텍처에서 합성곱 신경망까지

AI라는 용어 의사결정 트리를 통한 간단한 통계에서 합성곱 신경망과 같은 신경망 또는 강화 학습과 같은 고급 접근 방식에 이르기까지 다양한 기계 기능과 프로세스를 나타낼 수 있습니다.

AI 개발의 역사에는 여러 가지 접근 방식이 있었지만 일반화 능력 덕분에 신경망이 가장 유망하고 흥미로운 것으로 입증되었습니다.

1990년대와 2000년대 초반에 신경망은 필기 숫자 읽기를 포함한 문자 인식의 첫 번째 성공적인 응용 프로그램 덕분에 큰 주목을 받았습니다. 은행 수표 및 편지 우편번호. 이러한 신경망은 소위 MNIST 데이터세트로 훈련되었습니다. (Modified National Institute of Standards and Technology를 의미합니다. )는 이미지 처리 시스템 교육을 위한 머신 러닝 및 머신 비전에 사용되는 0부터 9까지의 손글씨 숫자 모음입니다. MNIST 데이터 세트는 벤치마킹 분류 알고리즘의 기반 역할을 했으며 오늘날에도 교육 및 테스트 목적으로 여전히 사용되고 있습니다.

이러한 고전적인 신경망은 거의 모든 것을 배울 수 있지만 완전히 연결된 오래된 아키텍처를 나타냅니다. 교육에는 많은 시간과 노력이 필요 . 이는 한 레이어의 모든 뉴런이 다음 레이어의 뉴런에 완전히 연결되어 있기 때문입니다. 즉, 이미지 크기에 따라 학습해야 할 매개변수가 엄청나게 많아집니다. 시간이 지남에 따라 컴퓨터의 성능이 향상되었지만 여전히 작은 이미지 인식을 훈련하는 데는 매우 오랜 시간이 걸립니다.

AI 발전의 전환점 컨볼루션 신경망(CNN)의 도입으로 표시되었습니다. . CNN은 주로 이미지 분류 또는 패턴 인식을 포함한 시각적 이미지 분석에 사용됩니다. , 많은 최신 머신 비전 시스템의 중추를 형성합니다. 또 다른 주요 응용 분야는 자연어 처리입니다.

CNN은 매우 느슨하게 말해서 뇌의 시각 피질 시스템에서 영감을 받았습니다. CNN의 주요 아이디어는 완전히 연결된 네트워크의 경우처럼 모든 뉴런을 서로 연결하는 것이 아니라 픽셀과 같은 인접 입력이 관련 정보를 전달하기 때문에 근접성을 생성하기 위해 인접 뉴런과만 연결하는 것입니다. 즉, CNN은 여러 레이어를 가질 수 있으며 한 레이어의 뉴런은 공간적으로 가까운 다음 레이어의 뉴런에만 연결됩니다. . 이는 복잡성, 네트워크의 뉴런 수, 결과적으로 학습할 매개변수 수를 줄입니다. 덕분에 CNN은 학습 속도가 더 빠르고 더 적은 샘플이 필요하며 더 큰 이미지에도 적용할 수 있습니다.

"컨볼루션"이라는 용어 CNN이 패턴을 감지하는 필터링 프로세스를 나타냅니다. 개별 레이어가 컨볼루션 , 즉 결합 , 입력하고 결과를 다음 레이어로 전달합니다.

GPU(Graphic Processing Unit)의 발전으로 CNN 개발의 진전도 가속화되었습니다. 그들의 성능과 계산 능력은 지난 몇 년 동안 엄청나게 향상되어 CNN 교육을 위한 새로운 가능성을 열었습니다.

종종 "AI의 대부"라고 불리는 AI 분야에서 가장 인정받는 리더 중 한 명은 Geoffrey Hinton입니다. . 그는 실험 심리학과 인공 지능 학위를 가지고 있습니다. 이 조합은 그에게 인공 신경망 훈련 방법에 대한 훌륭한 통찰력을 제공했습니다.

2012년 그의 학생 Alex Krizhevsky 인간의 뇌가 물체를 인식하는 방식을 모방할 수 있는 CNN을 만들었을 때 AI의 또 다른 전환점이 되었습니다. CNN의 이름은 AlexNet 입니다. 역사상 처음으로 기계가 사람과 같은 물체를 식별할 수 있게 되었습니다.

이 돌파구는 컨볼루션 신경망을 대중화했으며 CNN을 사용할 수 있는 광범위한 응용 분야를 보여주었습니다.

컨볼루션 신경망 교육

객체 인식에서 CNN이 불변성이라는 속성을 갖는 것이 중요합니다. . 이는 입력 패턴을 해석하고 개체가 이미지의 위치와 방법에 관계없이 개체를 분류할 수 있는 변환, 관점, 크기 또는 조명에 대해 변하지 않음을 의미합니다. 이를 달성하기 위해 CNN은 일정량의 예제에 대해 교육을 받아야 합니다. 데이터 세트에서 관련 데이터의 양을 늘리는 모범 사례 중 하나는 데이터 확대입니다. .

Augmentation은 입력 데이터, 즉 원본 이미지를 수정하여 약간 변경된 다른 버전을 생성하는 방법입니다. 확대 기술에는 가로 또는 세로 뒤집기, 회전, 크기 조정, 자르기, X 또는 Y 방향으로 이미지 이동 등이 포함됩니다.

변경된 데이터에 대해 CNN을 훈련하면 뉴런이 그러한 증가에 면역이 되고 무관한 패턴을 학습하지 못하게 됩니다. 따라서 뒤집힌 앵무새는 여전히 앵무새로 인식됩니다.

여기서 매우 편리한 것은 소위 전이 학습입니다. . 훈련 데이터의 양을 없애기 위해 이미 훈련된 기존 네트워크를 사용하고 새로운 종류의 객체 인식을 위해 일부 필터를 적용할 수 있습니다. 예를 들어 개 인식을 위해 훈련된 네트워크는 일부 필터를 유지하고 특정 부분만 수정하여 고양이 인식에도 사용할 수 있습니다. 이것은 네트워크가 고양이 인식에 적응할 것임을 의미합니다.

모듈형 합성곱 신경망의 이점

CNN의 큰 가치는 아키텍처와 개별 모듈이 단일 이미지 블록을 본다는 사실에 있습니다. 모듈을 동시에 교육할 필요가 없으며 쉽게 결합할 수 있습니다. 이러한 잘 훈련된 모듈을 결합하여 분할에 사용할 수 있는 복잡한 아키텍처를 생성했습니다. .

이미지에 있는 것만 인식할 수 있는 AlexNet과 달리 이 복잡한 CNN은 개체 분할을 수행하고 이미지에서 개체의 위치를 ​​정의할 수 있습니다. .

This modularity enables one to use various input channels, which means that if the CNN was used for black &white data, it can also be used for color data, and if it was used for color data, it can be extended by depth information. Adding additional information boosts the CNN’s performance , which includes increased accuracy and better recognition of objects and their positions.

From object recognition to smart automation solutions

Based on the above features and characteristics of convolutional neural networks, Photoneo took CNNs as a basis for its advanced robotic intelligence systems and automation solutions .

Photoneo’s CNN works with black &white data, color data, as well as depth information. The algorithms are trained on a large dataset of objects and if they come across new types of items, they can quickly generalize, that is, recognize and classify objects which it has not “seen” before.

Let’s take the concept of a box, for instance. The algorithms were trained on a large dataset of boxes so they understand that a box has a certain amount of faces, edges, and vertices. This principle will also work for boxes that the algorithms have not come across before, even squeezed or damaged ones. The greatest value of AI lies in the fact that it can generalize concepts that it was trained on without further retraining.

This enables Photoneo systems to recognize items of various shapes, sizes, colors, or materials – a robotic ability used for the localization and handling of mixed objects, including organic items such as fruit or fish, sorting of parcels, unloading of pallets laden with boxes, and many other industrial applications.

It might also happen that the algorithms come across objects with features that are fundamentally different from those the algorithms were trained on. This might confuse the CNN and cause a decrease in its performance. What can be done to solve this problem is either to prevent it by expecting exotic objects or to have a good retraining system. In the latter case, the performance will be temporarily lower but the CNN will be retrained to reach full performance rather quickly.

In case a customer needs to pick unusual items or non-commercial products such as industrial components, the CNN can be trained on a specific dataset containing these exotic items .

When it comes to the realization of a customer project, the customer receives Photoneo’s CNN for pilot testing and a feasibility study to ensure that the network can be used for that particular application. This CNN can then be improved and further trained on images from the pilot phase of the project, which will provide greater variability.

The greatest challenge in AI-powered object recognition and picking

The greatest challenge could also be described as the last puzzle piece that was missing in the range of pickable objects. This last piece was bags .

The difficulty lies in the nature of bags since they are extremely deformable and full of wrinkles, folds, and other irregularities. Despite the challenges that bags pose to AI, Photoneo developed a system that is able to recognize and pick bags, may they be full, half-empty, colored, transparent, or semi-transparent. This task is often challenging even for the human eye, which may find it difficult to recognize boundaries between bags that are chaotically placed in a container, especially if they are transparent.

However, good recognition and localization of bags are only part of the precondition for successful object picking. The other part relates to the mechanical side of an application – the robot gripper. The fact that bags are full of folds and wrinkles increases the risk that they will fall off the gripper. This risk can be prevented by using an appropriate vacuum gripper with feedback.

Future developments of AI

Despite significant advancements that have been made in AI in recent years, the field still offers a vast space for new achievements. For instance, so-called reinforcement learning receives great attention as it seems to be very promising in suggesting complex movements, for instance allowing a robot to adjust the position of an item before grasping it.

Reinforcement learning is not only able to cope with object recognition but also with mechanical problems of an application. This means that it not only enables a system to recognize items but also assess the individual steps of a robot action on the basis of rewards and punishments and “calculate” the chance of success or failure . In other words, AI algorithms are trained to make a sequence of decisions that will lead to actions maximizing the total reward. An example of the power of reinforcement learning is mastering and winning the board game of Go.

Despite its immense potential, reinforcement learning is closely linked to the environment it is set in and to the limitations it may pose. For example, the deployed gripper and its functionalities and limitations will always influence a system’s overall performance.

AI is the main driver of emerging technologies and its developments will be very dependent on a number of factors, including market demands, customer expectations, competition, and many others.