로봇 BORUNTE BRTIRUS0707A
우리는 일반적으로 서로 다른 영역에 속하는 두 가지 요소를 결합했습니다. 기계 시각 시스템 engiAI 자체적인 신경망 학습 시스템과 6축 산업용 로봇을 갖추고 있습니다 BORUNTE BRTIRUS0707A결과는 미리 정해진 프로그램을 따르지 않고, 스스로 판단하여 움직이는 로봇이 탄생합니다 기기가 부품을 인식하고, 실시간으로 해당 부품에 맞춰 조정됩니다.
테스트 과정에서 뛰어난 성능을 보여준 시스템은 다음과 같습니다. 상자 한 개가 테이블 위에 임의의 위치에 놓여 있고, 작업자는 상자를 자유롭게 회전시킵니다 (0도에서 360도까지). 카메라가 위에서 촬영하고, 인공지능(AI)은 회전 각도를 1도 단위까지 정확하게 측정하며, 로봇 팔은 상자의 위치를 따라 움직여 그리퍼를 정확하게 상자 아래에 위치시킵니다. 별도의 지지대, 받침대, 또는 위치 센서 없이 카메라, AI, 그리고 로봇만으로 구성됩니다.
시스템 구성 요소
engiAI는 머신 비전 기술입니다. 인공지능 기반 시스템의 전체적인 작동 과정을 지원합니다. 산업용 카메라(SICK, Hikrobot, GigE Vision, USB) 연결, 실시간 영상에서 검사 영역을 직접 설정, 몇 프레임의 영상 데이터로 학습 데이터셋 생성, GPU(CUDA)를 활용한 YOLO 모델 학습, 그리고 카메라 스트림 속도에 맞춰 실시간 추론 기능을 제공합니다. OUTPUT 모듈은 인식 결과를 실제 동작으로 변환하여 로봇이나 PLC로 TCP 패킷을 전송하거나, 카메라의 디지털 출력을 제어합니다.
Robot1 – 로봇 제어 : HC1 컨트롤러와의 개방형 JSON/TCP 프로토콜을 통한 직접적인 통신, 튜치 펜던트 및 자체 소프트웨어 없이: 각 축의 수동 제어, 저장된 자세, 로봇의 3D 모델 (기본 자세 포함). 핵심은 AI로부터 TCP 명령 수신: 각 축에 대한 명령 이름, 속도, 이동 거리, 반전, 그리고 가장 가까운 경로로 각도 조정을 포함하는 규칙.
프로그램 간의 연결은 일반적인 TCP/IP 방식을 사용합니다. 중요한 점은, 소켓을 열 수 있는 모든 종류의 장비(PLC, 다른 로봇, SCADA 시스템, ERP 시스템 등)를 이 연결 체인에 연결할 수 있다는 것입니다.
작동 방식: 프레임에서 움직임까지
- 프레임. 카메라가 검사 영역의 이미지를 캡처합니다 (우리 부스에서는 SICK, 2048x2048 픽셀).
- 정확합니다. YOLO 모델은 부품의 위치를 분류합니다. 각 회전 각도는 별도의 클래스로 분류됩니다 (전체 원에 대해 0~359도 또는 대칭적인 부품의 경우 0~180도).
- 패킷. OUTPUT 규칙은 명령을 생성합니다 (예: "J6 315") 및 이를 TCP를 통해 전송합니다. 이 규칙은 전체 모델에 대해 단 하나만 정의됩니다: {class}가 인식된 클래스의 이름을 자동으로 전달합니다.
- 축 제어 규칙 Robot1는 축 설정 (역, 이동, 근접 경로)을 적용하고, 지정된 속도로 목표 각도를 제어 장치에 명령합니다.
- 움직임. 축이 회전하면, 그립퍼는 정확하게 부품에 맞춰 위치합니다.
상자 회전에서 축 시작까지 반응 시간은 약 1초이며, 이는 설정에 의해 제어됩니다.
데이터셋이나 머신러닝 엔지니어 없이 학습
제조 분야에서 머신러닝의 가장 흔한 문제점은 수천 장의 이미지를 수집하고 라벨링하는 것입니다. engiAI에서는 이 문제를 해결하기 위해 합성 데이터를 생성합니다. 작업자는 부품의 특정 영역에 대해 단 하나의 이미지만 촬영하면, 프로그램이 자동으로 학습 데이터 세트를 구축합니다.
- 특정 간격(예: 0.1°)으로 전체 프레임 위 영역의 창을 회전시켜, 실제 배경과 디테일이 프레임에 포함되도록 합니다. 사진은 자동으로 대각선 영역의 사각형으로 확장됩니다.
- 주어진 범위 내에서 밝기와 대비의 변화와 반사 이미지를 생성합니다.
- 프레임을 클래스(0~359)로 분류하고 학습 및 검증 데이터로 분할합니다.
하나의 이미지를 통해 수백 개의 학습 파일이 생성됩니다. 그런 다음 "AI 모델 훈련" 버튼을 누르면 모델이 작동 준비가 됩니다. 전체 프로세스("세부 사항 표시 → 훈련 → 로봇 작동")는 운영자가 수행하며, 외부 머신러닝 엔지니어는 참여하지 않습니다.
데이터 흐름은 로봇을 손상시키지 않아야 합니다.
인공 신경망은 10배 이상의 속도로 인식 작업을 수행하며, 이러한 정보를 즉시 움직임으로 전달하는 것은 불가능합니다. 이는 서보 모터가 과도한 방향 전환으로 인해 고장으로 이어질 수 있기 때문입니다. 이 시스템은 실제 로봇을 기반으로 설계된 다단계 보호 기능을 제공합니다.
- 죽음의 영역 – 315와 312 사이의 간격이 완전히 분리되어, 두 클래스 사이의 축 이동이 전혀 일어나지 않습니다.
- 안정성 유지 – 새로운 기능은 지정된 시간 동안 작동해야 합니다: 인공 신경망의 단일 오류는 시스템을 먼 노선으로 작동시키지 않습니다.
- 부드러운 재지정 – 만약 목표가 변경되면, 로봇은 이전의 오래된 지점을 통과하지 않고, 제어 시스템의 제동, 컨트롤러 큐의 정리, 그리고 마지막 목표로 즉시 이동합니다. 중간 명령은 무시되며, 현재 목표만 중요합니다.
- 움직임 간의 딜레이 – 컨트롤러로 전송되는 명령의 빈도를 제한하는 엄격한 제약 조건입니다.
- 자동 복구 – 시스템 오류 발생 시, 컨트롤러가 자동으로 초기화되고, 목표가 다시 설정됩니다. 두 프로그램 모두 파일 로그를 지속적으로 기록합니다.
이것이 일반적인 로봇-조작기보다 어떤 점이 더 나은가?
일반적인 산업용 로봇은 엄격하게 기록된 경로를 반복합니다. 로봇이 특정 부품에 대해 "알고 있는" 모든 정보는 주변의 기계에 의해 제공됩니다. 따라서 주요 비용 항목과 자동화의 주요 제한 요인이 발생합니다. AI 기반의 시각 시스템은 이러한 요소를 단계별로 해결합니다.
비용 및 기간
- 기계적인 위치 고정 장비가 필요하지 않습니다 – 베이스, 지지대, 진동 방지 챔버, 정렬 스테이션 등. 부품은 원하는 대로 위치할 수 있으며, 로봇은 자동으로 위치를 조정합니다. 하나의 부품에 필요한 장비는 종종 로봇 자체와 동일한 비용이 듭니다. 따라서 이러한 장비는 거의 필요하지 않습니다.
- 새 제품(시계)에 대한 재설정은 '주'가 아닌 '개별 제품'에 맞춰 진행됩니다. 카메라 세부 사항, 모델 훈련, 규칙 설정(선이 작동) 등이 완료되었습니다. 통합 전문가의 현장 방문이나 생산 중단이 필요하지 않습니다.
- 소규모 생산은 수익성이 높아집니다. 전통적인 자동화는 대량 생산에서만 경제적입니다. 설정을 거의 무료로 할 수 있다면, 하루 동안 생산하는 소규모 배치도 자동화하는 것이 유리합니다.
- 하나의 도구로 세 가지 기능을 수행: 로봇 제어, 품질 검사 및 불량 판별 기능을 하나의 프로그램과 하나의 카메라를 사용하여 수행합니다.
유연성과 품질
- 실제 세계에 대한 적응력. 컨베이어가 움직여서 부품이 삐뚤어지고, 다른 색상의 부품이 도착했습니다. 기존의 셀은 정상적으로 작동하고, AI 셀도 계속 작동합니다. 이 셀은 부품 자체를 보고, 좌표를 확인하는 것이 아니라.
- 품질 검사는 무료입니다. 동일한 모델이지만, 로봇이 오류를 감지하는 방식과 동일하게, 찢어진 상자, 훼손된 라벨, 잘못된 조립 등을 감지하여 동일한 기준으로 폐기합니다.
- 어떤 축이든 AI에 따라 설정 가능합니다. 각 축에 대해 별도로 규칙을 설정할 수 있습니다. 오늘 하루는 그리퍼를 사용하여 한 번 회전시키는 방식이 적용되고, 내일은 여러 축을 동시에 사용하여 완전한 위치 정렬이 가능합니다.
- 지속적인 피드백. 로봇은 단순히 명령을 수행하는 것이 아니라, 카메라에 보이는 실제 상황에 반응하여 움직이는 방식으로 작동합니다. 모든 결정 사항을 기록하는 시스템과 함께 사용됩니다.
개방성과 확장성
- 로봇 브랜드에 대한 독립성. 통신 방식은 개방형 TCP/IP: 현재는 BORUNTE를 사용하지만, 앞으로는 동일한 방식으로 다른 로봇, 회전 테이블 또는 PLC를 제어할 수 있습니다.
- 현장 맞춤형 추가 훈련 이 모델은 "업데이트"가 아닙니다: 새로운 부품이나 결함이 발생하면, 공장 내에서 실제 조명 환경을 사용하여 하루 만에 추가 훈련을 진행했습니다.
- 셀 복제는 프로그램과 모델 파일의 복사, 즉 재구축이 아닌 통합 프로젝트의 복제입니다.
- 투명성. 두 프로그램의 로그와 데이터베이스 내의 작동 로그를 통해 모든 기록, 즉 각 프레임 및 축의 움직임까지 확인할 수 있습니다. 이는 품질 통계, 배치별 품질 지표 및 예측 유지 보수를 위한 기반 데이터입니다.
적용 가능한 분야
- 포장 및 물류: 상자 배치, 혼합된 팔레트 포장 및 개별 포장, 컨베이어를 이용한 임의로 놓인 물품 수집.
- 품질 관리 및 불량 검출: 하나의 카메라가 검사를 수행하고, 동시에 실행 메커니즘을 제어합니다.
- 기계 (CNC, 프레스) 장비의 경우: 원자재를 대량으로 또는 판에 올려놓아, 진동 방지 트레이 없이 사용.
- 조립 단계: 부품의 위치 지정, 각 단계별 정확한 설치 확인.
- 식품 생산 및 농업: 이는 기계적 기반이 불가능한 다양한 유형의 시설을 의미합니다.
- 재활용 및 분류: "카탈로그에 없는" 물품은 기존 자동화 시스템으로는 처리하기 어려운 영역입니다.
다음 단계
- 단계 및 외부 트리거: 단계별 기술 프로그램 (모든 축의 좌표 및 각 단계별 속도), 인터페이스에서 단계 추가 및 삭제, 시각, PLC 또는 운영자의 TCP 신호를 통해 단계 실행;
- 그립퍼 (전신 자세): 한 축의 끝에서 시작하여 여러 축을 동시에 사용하여 부품의 위치와 방향을 설정합니다.
- 다중 카메라 셀 및 여러 로봇의 동기화
- 흐름 기반 자동 학습: 시스템은 복잡한 데이터를 자동으로 수집하고 새로운 학습 데이터 세트로 제공합니다.
기술 스택
.NET 9 (WinForms) · YOLO 분류, ONNX, CUDA · SICK/Hikrobot/GigE Vision/DirectShow 카메라 · 로봇 BORUNTE BRTIRUS0707A (HC1 컨트롤러, 개방형 JSON/TCP 프로토콜) · SQLite · TCP/IP를 통한 모든 장비와의 통합.
이 프로젝트는 핵심을 보여줍니다. "쓸데없는" 로봇 기술에 진입 장벽이 낮아졌습니다. ML 엔지니어 팀이나 수개월간의 통합 작업이 필요하지 않습니다. 단 하나의 부품 사진, 학습 버튼, 그리고 개방형 프로토콜만 있으면 됩니다. 로봇은 공장 내에서 가장 비싸고 유연성이 떨어지는 장비가 아닌, 단 몇 시간 만에 재교육할 수 있는 다재다능한 작업 도구로 변모합니다.
