Industrial Physical AI
for Smart Factory
Unified Intelligence for Smart Factories
AI 검사 소프트웨어
영상처리, 데이터 분석, 머신러닝 추론 등을 수행하는
AI 검사 소프트웨어
→ 기존 PC 환경에 withAI(s/w)만 도입해도, 한층 강화된 결함 검출 능력을 확보할 수 있습니다.
핵심가치
실시간 불량 검출 하드웨어 Edge Device
AI 기반 추론(검사)을 위한 On-Device. Align, 1D&2D Code, OCR 전용 Device.
적용분야
-
의료 & 제약
- 초음파 영상 진단
- 배양 세포 검사 - Live, Dead, Debris 구분
- 약재 종류/등급 분류
- 주사 수액 내 이물질, 인쇄 검사
- 검체통 종류별 분류
- 알약 깨짐, 스크래치, 색, 모양 검사
-
소재 & 부품
- 금속 보빈 찍힘, 스크래치 검사
- 전선 단면의 케이블 색 검사
- 캡슐 내용물의 기포, 터짐 검사
- 웨이퍼 스크래치, 얼룩 검사
- 납 도포 검사 (미납, 과납, 소납, 쇼트)
- 고무링 유색 이물, 뜯김, 엣지 검사
-
디스플레이 & 2차 전지
- 압흔 이물 검사
- 엣지 크랙, 깨짐 검사
- 리드 버, 오픈, 쇼트 불량 검사
- 얼룩 (점, 선, 물결, 조개) 검사
- 핸드폰 스크래치, 카메라 및 지문센서 스크래치, 깨짐 외관 검사
-
물류 & 유통
- 이동중인 박스 분류
- 완제품 조립을 위한 나사 분류 및 정렬
- 농산물 자동 분류
- 소비자 주문 상품 검사 및 출하, 반품상품 비교 검사
- 포장지, 용기 등 OCR 판독
-
식품 & 포장재
- 화장품 용기 깨짐, 스크래치, 이물 검사
- 포장지내 유통 기한 인쇄 검사
- 캔, 병, 통조림 인쇄 및 파손 검사
- 식품 내 오염, 이물질 검사
-
로봇틱스 자율주행
- AMR (Autonomous Mobile Robots)
- 위지 측정 및 동시 지도 생성 방식
- 장애물 인식을 통한 경로 생성, 물체 회피, 충돌 방지
- Segmentation을 이용한 주행 가능 지역 예측
- 강화학습기반 멀티로봇 및 장애물 회피, 이상 탐지
- 카메라 감지와 DDS 결합 센서로 실시간 공동 작업 인식
withAI 2.0 VLM은 객체 검출 기반 AI를 넘어, 작업자, 지게차, 설비, 장애물 등의 관계와 이동 상황을 함께 분석하여
공장의 상황을 판단할 수 있는 산업용 Vision Intelligence를 제공합니다.
-
산업 현장 “상황 이해(Scene Understanding)” 기반 판단
- 객체 의미 이해 : 사람, 지게차, 설비, 팔레트, 적재물, 장애물 등 현장 객체를 의미 단위로 구분
- 관계/맥락 판단 : “사람이 로봇 이동 경로에 있는가? ”, “지게차가 접근 중인가?”처럼 객체 간 관계를 해석
- 상태 /행동 추정 : 정지/이동/접근/이탈, 위험 구역 침입 등 행동 패턴을 판단
- 위험도 분류 : 안전거리 미확보, 충돌 가능성, 작업자 접근 등 상황을 정상/주의/위험 등으로 분류
-
3D + VLM + Physical AI 통합으로 “판단, 동작” 연결
- 3D로 정확한 공간 정보 확보 거리/방향/높이/충돌 여유 공간 등 물리 정보 산출
- VLM으로 의미 기반 의사결정 “사람 접근”, “지게차 경로 겹침”, “장애물 종류/위험도” 판단
- Physical AI로 실행 로직 강화 회피/감속/정지, 우회 경로 선택, 안전 정지 기준 튜닝 등 현장 동작 정책 적용
- Self-Supervised 보정 센서/카메라/설비 변화로 인한 오차를 자동 보정하여 재티칭 부담 감소
-
Edge 기반 실시간 적용 (현장에서 바로 동작)
- 실시간 처리 : 네트워크 지연 없이 현장에서 즉시 판단
- 현장 독립 운영 : 서버/클라우드 의존을 줄여 라인 안정성을 확보
- 모니터링 & 튜닝 용이 : 모바일/태블릿으로 설정 변경 후 즉시 결과 확인
- 공장의 상황을 Setup Agency와 Operational Twin에 Structured Format으로 전송
- 운영 확장성 : 여러 Edge-Device에 동일 정책/모델을 배포해 다 라인/다 공정에 동일 기준 적용
산업 현장 “상황 이해(Scene Understanding)” 기반 판단
- 객체 의미 이해 : 사람, 지게차, 설비, 팔레트, 적재물, 장애물 등 현장 객체를 의미 단위로 구분
- 관계/맥락 판단 : “사람이 로봇 이동 경로에 있는가? ”, “지게차가 접근 중인가?”처럼 객체 간 관계를 해석
- 상태 /행동 추정 : 정지/이동/접근/이탈, 위험 구역 침입 등 행동 패턴을 판단
- 위험도 분류 : 안전거리 미확보, 충돌 가능성, 작업자 접근 등 상황을 정상/주의/위험 등으로 분류
3D + VLM + Physical AI 통합으로 “판단, 동작” 연결
- 3D로 정확한 공간 정보 확보 거리/방향/높이/충돌 여유 공간 등 물리 정보 산출
- VLM으로 의미 기반 의사결정 “사람 접근”, “지게차 경로 겹침”, “장애물 종류/위험도” 판단
- Physical AI로 실행 로직 강화 회피/감속/정지, 우회 경로 선택, 안전 정지 기준 튜닝 등 현장 동작 정책 적용
- Self-Supervised 보정 센서/카메라/설비 변화로 인한 오차를 자동 보정하여 재티칭 부담 감소
Edge 기반 실시간 적용 (현장에서 바로 동작)
- 실시간 처리 : 네트워크 지연 없이 현장에서 즉시 판단
- 현장 독립 운영 : 서버/클라우드 의존을 줄여 라인 안정성을 확보
- 모니터링 & 튜닝 용이 : 모바일/태블릿으로 설정 변경 후 즉시 결과 확인
- 공장의 상황을 Setup Agency와 Operational Twin에 Structured Format으로 전송
- 운영 확장성 : 여러 Edge-Device에 동일 정책/모델을 배포해 다 라인/다 공정에 동일 기준 적용
제품사양
| 구분 | 권장 사양 | ||
|---|---|---|---|
| Train PC | CPU | Intel i7 이상 | |
| RAM | 32GB | ||
| CUDA Compute Capability | 3.5 | ||
| GPU | GeForce RTX 4090 (24GB 이상) | ||
| OS | Windows 10 x64, Windows 11 x64 | ||
| Inference PC | CPU | Intel i7 이상 | |
| RAM | 16GB 이상 | 32GB 이상 | |
| GPU | Geforce RTX 4070 (12GB 이상) | Geforce RTX 4080 (16GB 이상) | |
| OS | Windows 10 x64, Windows 11 x64 | ||
| 개발 환경 | Visual Studio 2017 이상 | ||
| 구분 | Target Image | 추론 시간 (RTX 4080) | 최적화 추론 시간 (RTX 4080) | |
|---|---|---|---|---|
| Detection | Lite | 2048 x 1536 | 79ms | 10ms |
| LiteX | 90ms | 11ms | ||
| Pro | 150ms | 28ms | ||
| Segmentation | Lite | 2048 x 1536 | 98ms | 13ms |
| LiteX | 105ms | 15ms | ||
| Pro | 165ms | 33ms | ||
| Classification | Lite | 200 x 200 | 6.3ms | 1.8ms |
| LiteX | 7ms | 1.9ms | ||
| Pro | 8.2ms | 2.1ms | ||
-
Inference Time Segmentation (Pro) 38.02ms Segmentation (Lite) 37.10ms Semantic Segmentation 36.30ms Detection (Pro) 34.56ms Detection (Lite) 26.50ms Classification (Lite) 2.44ms Specification CPU 12-core Arm® Cortex®-A78AE v8.2 64-bit CPU 3MB L2 + 6MB L3 GPU 2048-core NVIDIA Ampere architecture GPU with 64 Tensor Cores, 275TOPs Memory 64GB 256-bit LPDDR5 204.8GB/s Storage 1 x M.2. key M 2280 for SSD / 64GB eMMC Networking 1 x GbE RJ-45 USB 4x USB 3.2 Gen 2 Type-A / 2x USB 3.2 Gen2 Type-C IO 40-pin header (UART, SPI, I2S, I2C, CAN, PWM, GPIO) Power 15W - 60W Dimension 110mm x 110mm x 71.65mm Camera 4x 2D cameras, 2x 3D cameras AI Model fully compatible with withAI 2.0 3D supports Physical AI models, semantic segmentation, point-cloud/3D processing, pre-processing. -
Inference Time Segmentation (Pro) 78.01ms Segmentation (Lite) 73.24ms Semantic Segmentation 57.71ms Detection (Pro) 69.27ms Detection (Lite) 54.15ms Classification (Lite) 2.99ms Specification CPU 6-core Arm® Cortex®-A78AE v8.2 64-bit CPU 1.5MB L2 + 4MB L3 GPU 1024-core NVIDIA Ampere architecture GPU with 32 Tensor Cores, 67TOPs Memory 8GB 128-bit LPDDR5 102.4GB/s Storage 1 x M.2. key M 2280 for SSD Networking 1 x GbE RJ-45 USB 4x USB 3.2 Gen 1 Type-A IO 40-pin header (UART, SPI, I2S, I2C, CAN, PWM, GPIO) Power 15W - 25W Dimension 151mm x 98.5mm x 73mm Camera 2x 2D cameras, 2x 3D cameras AI Model fully compatible with withAI 2.0 3D supports Physical AI models, semantic segmentation, point-cloud/3D processing, pre-processing. -
Inference Time Segmentation (Pro) 62.81ms Segmentation (Lite) 60.32ms Semantic Segmentation 49.12ms Detection (Pro) 58.46ms Detection (Lite) 46.87ms Classification (Lite) 2.85ms Specification CPU 8-core Arm® Cortex®-A78AE v8.2 64-bit CPU 2MB L2 + 4MB L3 GPU 1024-core NVIDIA Ampere architecture GPU with 32 Tensor Cores, 157TOPs Memory 16GB 128-bit LPDDR5 102.4GB/s Storage 1 x M.2. key M 2280 for SSD Networking 1 x GbE RJ-45 USB 4x USB 3.2 Gen 1 Type-A IO 40-pin header (UART, SPI, I2S, I2C, CAN, PWM, GPIO) Power 10W - 40W Dimension 151mm x 98.5mm x 73mm Camera 2x 2D cameras, 2x 3D cameras AI Model fully compatible with withAI 2.0 3D supports Physical AI models, semantic segmentation, point-cloud/3D processing, pre-processing.
Operational Twin
The Brain of the Factory
-
1. 우리가 만드는 Brain은 무엇인가?
- Operational Twin은 공장의 상태를 실시간으로 이해하고, 다음 행동을 추천하는 운영 지능 플랫폼입니다.
-
2. 기술 구조
- Real-time Line Monitoring
- Event-based Setup Log Engine
- Guide LLM : Recommendation Engine
- Structured Situation Modeling
- Data-driven Continuous Learning
-
3. Why V-ONE Tech Brain?
- Inspection + Robot + Line Data 통합
- 20년간 축적된 현장 셋업/운영 데이터로 학습된 기초 모델 사용
- Setup Agency 기반 현장 운영 데이터 축적
- 동일 라인 재수주 시 성능 향상
- 운영 중 학습하는 Guide LLM 구조
