이 부분에서는 딥 러닝 슈퍼 모델 패키지를 사용하여 상자/마대를 인식하는 방법을 소개합니다.
1. 슈퍼 모델 패키지 획득
2. Mech-Vision에서 슈퍼 모델 패키지 배포
3. 인식 효과 확인
4. Mech-DLK에서 슈퍼 모델 파인튜닝(선택 가능)
주의 사향: 인식 효과가 이상적이지 않은 경우에 Mech-DLK에서 슈퍼 모델을 파인튜닝 해야 합니다.
용어 설명: 슈퍼 모델 패키지는 상자나 마대를 인식하기 위해 Mech-Mind에서 제공하는 범용 모델입니다. 인식 효과가 좋지 않은 경우 Mech-DLK를 사용하여 모델에 대해 파인튜닝을 수행할 수 있습니다.
최종 인식 효과는 아래 그림과 같으며, 왼쪽 사진은 상자와 마대의 2D 맵이고, 오른쪽 사진은 딥 러닝 인식 효과를 보여주는 그림입니다.
슈퍼 모델 패키지 획득
Mech-Vision이 상자/마대를 인식하려면 슈퍼 모델 패키지를 사용해서 추론을 수행해야 하므로 상자/마대 인식을 위해 슈퍼 모델 패키지를 획득해야 합니다.
아래 그림과 같이 다운로드 센터에서 실제 수요에 따라 필요한 소프트웨어 또는 버전을 선택하며 Mech-Vision용 슈퍼 모델 패키지를 찾아 다운로드 하십시오.
주의 사항:
- 인식 정확도: CPU 모델 패키지에 비해 GPU 모델 패키지는 보다 정확한 대상 물체의 윤곽선을 인식할 수 있습니다.
- 계산 속도: 실험실 테스트 조건(Intel Core 12th i5-12400 vs NVIDIA GTX 1050Ti)에서 CPU 모델 패키지의 추론 속도는 기본적으로 GPU 모델 패키지의 추론 속도와 동일합니다.
Mech-Vision에서 슈퍼 모델 패키지 배포
슈퍼 모델 패키지 도입
슈퍼 모델 패키지를 딥 러닝 모델 패키지 관리 도구로 도입하십시오.
슈퍼 모델 패키지를 사용하여 추론하기
딥 러닝 슈퍼 모델 패키지 추론에서 도입한 슈퍼 모델 패키지를 사용하여 상자/마대의 이미지에 대해 추론하십시오.
설명: 슈퍼 모델 패키지 추론은 이미지 분류, 인스턴스 세그먼테이션 등과 같은 다양한 작업을 수행하기 위해 데이터에 대한 추론을 수행하는 훈련된 딥 러닝 모델을 의미합니다.
인식 효과 확인
슈퍼 모델 패키지 추론이 완료되면 Mech-Vision에서 인식 결과를 확인할 수 있습니다.
상자 인식 효과
상자의 인식 효과는 아래 표에 나와 있습니다. (클릭하면 더 큰 이미지를 볼 수 있습니다.) 이미지 속의 숫자는 믿음도, 즉 인식 성능을 평가하는 점수를 나타냅니다. 컬러 마스크 가장자리 윤곽은 인식된 상자의 가장자리 윤곽입니다. 상자 인식 결과의 가장자리 윤곽은 높은 수준의 적합성을 달성할 수 있습니다.
마대 인식 효과
마대의 인식 효과는 아래 표에 나와 있습니다. (클릭하면 더 큰 이미지를 볼 수 있습니다.) 이미지 속의 숫자는 믿음도, 즉 인식 성능을 평가하는 점수를 나타냅니다. 컬러 마스크 가장자리 윤곽은 인식된 마대의 가장자리 윤곽입니다. 마대 인식 결과의 가장자리 윤곽은 높은 수준의 적합성을 달성할 수 있습니다.
Mech-DLK에서 슈퍼 모델 파인튜닝
상자/마대의 인식 효과가 이상적이면 슈퍼 모델의 파인튜닝이 필요하지 않습니다.
상자/마대의 인식 효과가 이상적이지 않으면 Mech-DLK에서 슈퍼 모델에 대해 파인튜닝을 수행해야 합니다.
슈퍼 모델 획득
Mech-DLK는 슈퍼 모델 패키지를 직접 파인튜닝을 할 수 없기 때문에 모델 패키지에 해당하는 슈퍼 모델을 획득해야 합니다.
아래 그림과 같이 다운로드 센터에서 실제 수요에 따라 필요한 소프트웨어 또는 버전을 선택하며 Mech-DLK용 슈퍼 모델을 찾아 다운로드 하십시오.
슈퍼 모델 파인튜닝
Mech-DLK소프트웨어를 시작하고 “인스턴스 세그먼테이션” 모듈을 선택하십시오. 상세한 작업 설명은 사용자 매뉴얼내용을 참조하십시오.
슈퍼 모델의 파인튜닝 과정이 완료된 후 슈퍼 모델을 모델 패키지로 도출한 다음 모델 패키지 추론을 위해 다시 Mech-Vision으로 도입할 수 있습니다.
인식 과정 중 자주 묻는 질문
잘못된 인식을 어떻게 피할 수 있습니까？
- 현장 조명의 안정성을 유지하며 이미지 노출 과다, 노출 부족 또는 그림자가 있는 경우를 피하십시오. 그렇지 않으면 이미지 속의 마대의 가장자리가 뚜렷하지 않으므로 딥 러닝 효과에 악영향을 미칠 수 있습니다.
- 이미지 노출 과다 또는 노출 부족 현상이 없도록 카메라의 화이트 밸런스를 조정하십시오.
- 잘못된 인식을 방지하기 위해 작업 영역 주변에 불필요한 상자나 마대를 놓지 마십시오.
- ROI를 올바르게 설정하십시오.
올바른 ROI를 어떻게 설정합니까?
파렛트 크기가 가장 큰 경우(Full pallet, 풀 파렛트)를 기준으로 ROI를 설정하려면 ROI에 파렛트의 가장 높은 영역과 가장 낮은 영역을 포함해야 하며, ROI 범위는 가득 차 있을 때의 파렛트 범위보다 더 크도록 해야 합니다. 또한 ROI에 다른 불필요한 포인트 클라우드를 포함하지 않도록 주의해야 합니다.
위의 작업을 완료한 후에도 딥 러닝 인식의 안정성이 향상되지 않으면 이러한 유형의 상자 또는 마대에 대해 슈퍼 모델(Super model)을 반복하거나 이러한 유형의 상자 또는 마대의 데이터를 사용하여 슈퍼 모델에 대해 파인튜닝(Fine tuning)을 수행해야 합니다. 상세한 작업 설명은 슈퍼 모델 반복 내용을 참조하십시오.
