AI 비전 카드¶

AI 비전 스튜디오에서 학습한 모델을 프리모블록에서 사용해 자동화를 만드는 카드들입니다.

무엇을 하는 단계인가요?¶

기본 색깔 확인 카드는 미리 정해진 색상만 인식합니다. AI 비전 카드는 사용자가 직접 학습시킨 모델 로 더 다양한 물체·상태·라벨을 분류·카운팅·조건 분기할 수 있습니다.

사전 준비 필요 — AI 모델 학습

AI 비전 카드를 사용하려면 먼저 AI 비전 스튜디오 에서 분류 모델을 학습시켜야 합니다 (이 메뉴얼 범위 밖, Phase 3 학습 영역).

학습 흐름 요약:

카메라로 분류할 물체별 이미지 수집 (예: 빨간 사과 / 파란 사과 / 노란 사과)
AI 비전 스튜디오에서 모델 학습 (KNN / SVM / 결정트리 등)
모델 저장
프리모블록에서 모델명 지정하여 카드 사용

AI 비전 스튜디오 자세한 사용법은 별도 학습 자료에서 다룹니다.

카드 종류¶

모델 선택

AI 모델 선택

사용할 학습된 모델 지정
판별

AI 판별

카메라 촬영 → 모델로 분류
조건 분기

AI 조건 · AI 신뢰도 조건

판별 결과로 흐름 분기
카운팅

AI 카운팅

클래스별 누적 개수 세기

카드 사용법¶

AI 모델 선택¶

흐름 시작 부분에서 사용할 모델을 지정합니다.

파라미터: 모델 이름 (AI 비전 스튜디오에서 저장한 모델명)
위치: 보통 흐름의 첫 부분 (모든 AI 카드에 적용됨)

AI 판별¶

카메라로 촬영하고 선택된 모델로 분류합니다.

파라미터: AI 모델 (선택 시 [AI 모델 선택] 카드로 지정한 것 사용)
자동 변수 저장:
- {ai_class} — 판별된 클래스 이름 (예: apple_red)
- {ai_confidence} — 신뢰도 (0~100%)

AI 조건 (블록형)¶

판별 결과가 특정 클래스이면 안의 카드들을 실행합니다.

파라미터: 클래스 이름 (학습한 클래스명과 일치)
블록 구조: AI 조건 블록 안의 카드들이 클래스 일치 시 실행

AI 조건 (apple_red)
  ├─ [실행할 카드들]
  └─ ...

AI 신뢰도 조건 (블록형)¶

판별 신뢰도가 N% 이상이면 안의 카드들을 실행합니다.

파라미터: 최소 신뢰도 (%, 기본 70)
사용: 신뢰도가 낮은 결과를 거를 때

AI 카운팅¶

특정 클래스로 판별된 횟수를 변수에 누적합니다.

파라미터:
- 클래스 이름
- 저장 변수명 (기본 count)
사용: 클래스별 통계, 분류 개수 추적

사용 예시¶

예시 1 — 단순 AI 판별 + 메시지

시작
  ↓
AI 모델 선택 (apple_classifier)
  ↓
LOOP 무한 반복
  ├─ 컨베이어 켜기
  ├─ 센서 감지 대기 (IR1)
  ├─ 컨베이어 끄기
  ├─ AI 판별                              ← {ai_class} 자동 저장
  └─ 메시지 보내기 ("판별: {ai_class} ({ai_confidence}%)")
LOOP 끝
  ↓
종료

예시 2 — AI 모델로 색상별 분류

시작
  ↓
AI 모델 선택 (apple_classifier)
  ↓
LOOP 무한 반복
  ├─ 컨베이어 켜기
  ├─ 센서 감지 대기 (IR1)
  ├─ 컨베이어 끄기
  ├─ AI 판별
  │
  ├─ AI 조건 (apple_red)
  │  └─ 나만의 블록 실행 (sort_red)
  ├─ AI 조건 (apple_blue)
  │  └─ 나만의 블록 실행 (sort_blue)
  └─ AI 조건 (apple_yellow)
     └─ 나만의 블록 실행 (sort_yellow)
LOOP 끝

예시 3 — 신뢰도 기반 품질 관리

AI 판별
  ↓
AI 신뢰도 조건 (90)                    ← 신뢰도 90% 이상만
  ├─ 메시지 보내기 ("정상: {ai_class}")
  └─ [정상 처리 카드들]

아니면
  ├─ 효과음 (오류)
  └─ 메시지 보내기 ("재검사 필요: {ai_class} ({ai_confidence}%)")
만약 끝

예시 4 — 클래스별 카운팅 (생산량 통계)

시작
  ↓
AI 모델 선택 (apple_classifier)
  ↓
카운터 초기화 (red_count)
카운터 초기화 (blue_count)
  ↓
LOOP 무한 반복
  ├─ [센서 + 카메라 흐름]
  ├─ AI 판별
  ├─ AI 카운팅 (apple_red, red_count)
  └─ AI 카운팅 (apple_blue, blue_count)
LOOP 끝
  ↓
메시지 보내기 ("빨강: {red_count}개, 파랑: {blue_count}개")

자주 발생하는 문제¶

AI 판별 카드 실행 시 오류 (모델 없음)

AI 비전 스튜디오에서 모델이 학습·저장됐는지 확인
[AI 모델 선택] 카드의 모델명이 정확한지 (대소문자·공백 구분)
모델이 다른 PC 에서 학습된 거라면 현재 PC 에 동일하게 있는지 확인

판별 결과가 항상 같은 클래스

학습 데이터 부족 — AI 비전 스튜디오에서 클래스별 이미지를 더 추가해서 재학습
카메라 위치 불일치 — 학습 시점과 실행 시점의 카메라 위치·각도·조명이 같아야 함
신뢰도 확인 — {ai_confidence} 가 낮으면 학습 부족

신뢰도가 항상 매우 낮음

학습 데이터의 양·다양성 부족
학습 시점과 실행 시점의 조명 조건 차이 — [카메라 조명 (보통)] 활용
AI 비전 스튜디오에서 다른 알고리즘 (KNN/SVM/결정트리) 시도

AI 카드와 색깔 확인 카드 차이

색깔 확인 (센서 카드) — 미리 정해진 색상만 (학습 불필요)
AI 판별 — 사용자 학습 모델 (모든 분류 가능, 사전 학습 필요)

단순 색상 분류는 [색깔 확인] 이 더 간편합니다.

강사 팁¶

AI 비전 스튜디오 학습 후 메뉴얼 활용

학생이 AI 비전 스튜디오에서 모델 학습을 완료한 후 이 페이지를 보게 하세요. 학습 없이 카드만 익히면 의미가 약합니다.

신뢰도 표시로 모델 품질 체감

{ai_confidence} 변수를 메시지에 항상 포함시키면 학생이 모델의 정확도를 시각적으로 확인할 수 있습니다 — 학습 데이터를 더 추가해야 할지 판단 가능.

단순 → 복잡 학습 단계

색깔 확인 (정해진 9가지 색상) — 가장 단순
AI 판별 (학생 학습 모델) — 응용
AI 신뢰도 조건 + 카운팅 — 통계·품질 관리

이 순서로 점진 확장 권장.

모델 학습 환경과 실행 환경 일치

같은 카메라·조명·배경에서 학습한 모델은 환경이 바뀌면 정확도가 급락합니다. 수업 환경 변화 시 재학습 권장.

다음 단계¶

AI 비전 카드까지 익혔다면 프리모블록의 모든 카드를 다룬 셈입니다. 첫 프로그램 만들기 → 의 통합 예제를 확장해 AI 모델까지 활용하는 자동화로 발전시켜 보세요.

이 페이지에 빠진 내용이나 잘못된 부분을 발견하시면 페이지 하단 📮 피드백 보내기 를 활용해 주세요.