Machine Vision & 자동화기술Metrology | 2024•2 9 83 AUTOMATION SYSTEMS DL은 파괴적인 기술이기 때문에 단순히 트렌드보다는 획기적인 발전이라고 할 수 있다. Yann LeCun이 1980년대에 합성곱 신경망을 개발한 이후로 DL은 빠 르게 발전해 왔다. 초기에는 머신비전에 적용하기에 충 분히 성숙하지 못했다. 지속적인 개발과 개선, 자율주 행 자동차의 적용, 대학에서 진행되는 다수의 강좌를 통해 이미지 처리를 위한 DL은 주목받으며 엄청난 매 력을 얻었다. 이는 고급 CPU 뿐만 아니라 그래픽 처리 장치 GPU 및 현장 프로그래머블 게이트 어레이 FPGA 의 발전으로 인 해 증가하는 계산 능력과 결합되었다. 최근에는 DL 알고 리즘을 놀라운 효율과 속도로 실행하기 위해 특수 목적의 처리 칩이 대거 출시되고 있다. 이러한 칩 중 상당수는 공 장 생산 라인과 같은 엣지 애플리케이션에 포함하기에 적 합하다. 머신비전에서 DL의 미래는 어떻게 될까? 그림 1 참조 장 기적으로는 매우 밝다고 볼 수 있다. 하지만 업계는 머신 비전 초기 및 진입 장벽이 낮은 다른 파괴적인 기술에서 볼 수 있던 패턴을 반복하고 있다. 현재 시장에 진입하는 많은 기업은 실제 현장 경험이 부족하다. 이는 기술적인 트리거다. 고객들은 기술을 운영하는 데 경험이 부족하 다. 시장이 수용할 수 있는 것보다 더 많은 기업이 제품을 제공하고 있다. 기업들이 판매를 위해 경쟁하면서 과장된 주장을 내세우 고 고객들은 흥분하고 있다. 이는 과도한 기대의 절정이 다. 이는 프로젝트 실패와 극심한 회의감에 빠지는 고객 기반을 초래한다. 시간이 지남에 따라 신중하게 적절한 애플리케이션을 선택하고, 신중하게 실행하며 성공하면 서 경쟁 업체들이 사라지는 반면, 기업들은 생산성의 안 정기에 도달한다. DL의 가장 큰 장애는 DL 시스템의 고품질 성능을 보장하 기 위해 포괄적인 학습 이미지 세트를 수집하고 신중하게 레이블링하는 비용을 추정하는 것이다. 핵심적인 질문은 DL이 현재의 머신비전 시스템 프로그래 밍 방법을 대체할 수 있는지 여부다. 지금까지는 대답은 ‘정말로는 아니다’이다. 많은 머신비전 애플리케이션에 사 용할 수 있는 소프트웨어 도구는 이미 머신비전 애플리케 이션 개발 속도를 높인다. DL이 가장 큰 영향을 미칠 곳은 다양한 변형 때문에 프로그래밍하기 어려운 애플리케이 션이다. 예를 들어, 다양한 유형과 변형이 있는 결함 검 출, 음식과 목재 등 자연 제품의 분류 및 평가 등 자연이 큰 변화를 야기하는 경우다. 마지막으로, 대규모 언어 모델 LLM 이 기술 지원 및 애 플리케이션 개발을 가속화하는 방법으로 등장할 것으로 예상된다. 현재 LLMs는 데이터를 날조하는 환각 현상에 취약하다. 이 문제는 LLMs가 기술 지원을 위해 신뢰할 수 있기 전에 해결되어야 한다. 이미지 센서와 카메라 더 많은 메가픽셀을 사용하여 이미지에서 더 많은 디테일 을 추출하는 것, 그리고 카메라 크기를 줄이고 비용을 낮 추기 위해 점점 더 작아지는 픽셀 크기. 이러한 추세는 특 히 이미지 센싱의 소비자 부문에서 강하게 드러나고 있 다. 소비자 제품 설계는 성능 저하를 감수하더라도 저비 용을 최우선으로 한다. 카메라 시야각에 두 배의 픽셀 수를 사용하면 이미지의 픽 셀 수는 4배가 된다. 이러한 증가는 데이터 전송 속도를 높이기 위한 카메라 인터페이스와 적시 결과 제공을 위한 처리 능력에 대한 요구를 증가시킨다. 기본 기능만 필요한 비용 민감한 부분도 있지만, 머신비 전 시장은 대부분 성능을 중요하게 생각한다. 여기서 성 능은 속도일 수도 있고, 낮은 노이즈와 같은 이미지 품질 일 수도 있고, 확장된 카메라 기능일 수도 있다. ▲ 소니 CMOS 이미지센서‘IMX900’