.svg)
AI 솔루션 문의하기
부품 검사를 위한 비전 AI를 학습시키려면 정상 부품은 물론 불량 부품의 이미지도 함께 필요합니다. 문제는 실제 생산 현장에서 불량품은 전체 물량 가운데 극히 일부만 발생하기 때문에 학습에 쓸 수 있는 불량 샘플을 충분히 모으기가 어렵다는 점입니다. 불량 유형이 다양할수록 이 문제는 더 커지는데 어떤 결함은 수천 개 가운데 한두 개꼴로만 나타나 그 유형의 샘플을 확보하는 데만 오랜 시간이 걸릴 수 있습니다. 기존 방식대로 유형별로 충분한 불량 샘플을 모아 학습시키는 접근은 이러한 희소성 앞에서 한계를 드러내 왔습니다.
학습데이터 최소화 비전 AI는 정상 부품의 특징을 소수의 샘플로 익힌 뒤 그 특징에서 벗어나는 부분을 결함으로 판단하는 방식으로 설계됩니다. 불량 샘플을 대량으로 모으는 대신 정상 상태가 어떤 모습인지를 먼저 정의하고 그 기준에서 벗어나는 형태나 색상 표면 상태를 결함 후보로 짚어내기 때문에 처음 보는 유형의 결함이라도 정상 기준과 다르다는 사실만으로 걸러낼 수 있는 여지가 생깁니다. 이는 결함 유형마다 별도의 학습 데이터를 쌓아야 했던 기존 접근과는 근본적으로 다른 방향의 설계입니다.
물류센터에서 검사하는 부품은 여러 공급업체로부터 들어오는 경우가 많아 같은 용도의 부품이라도 제조사에 따라 미세한 형태 차이가 있을 수 있습니다. 한 공급업체의 정상 범위를 다른 공급업체의 부품에 그대로 적용하면 정상 부품을 결함으로 잘못 판정하는 상황이 생길 수 있습니다. 공급업체별로 정상 기준을 구분해 관리하고 신규 공급업체가 추가될 때는 소수의 샘플만으로 그 업체의 기준을 새로 정의할 수 있도록 구성한다면 공급망이 다변화된 상황에서도 검사 정확도를 유지하는 데 도움이 될 수 있습니다. 같은 부품이라도 공급업체 표기를 함께 기록해 두어야 이후 결과를 해석할 때 혼선을 줄일 수 있습니다.
검사를 운영하다 보면 이전에 정의하지 않았던 새로운 형태의 결함이 발견되는 경우가 있습니다. 기존 방식이라면 이 새로운 유형에 해당하는 샘플을 다시 모아 처음부터 재학습을 진행해야 했습니다. 정상 기준에서 벗어난다는 사실만으로 결함 후보를 짚어내는 구조는 새로운 유형의 결함이 나타나도 별도의 재학습 없이 이상 신호로 포착할 수 있다는 점에서 대응 속도의 차이를 만듭니다. 다만 새로 발견된 결함 유형은 이후의 검사 정확도를 높이기 위해 별도로 기록하고 주기적으로 검토하는 절차와 함께 운영되어야 합니다.
정상과 결함 사이의 경계에 걸쳐 있는 애매한 사례는 자동 판정만으로 확정하기 어려운 경우가 있습니다. 이런 사례를 무조건 결함으로 분류하면 정상 부품까지 걸러내는 낭비가 생기고 반대로 무조건 정상으로 분류하면 실제 결함을 놓칠 위험이 있습니다. 경계에 가까운 판정 결과는 검사 인력에게 별도로 전달해 육안으로 재확인하도록 구성한다면 자동화와 사람의 판단을 함께 활용하는 균형 잡힌 운영이 가능해집니다. 이 경계 구간의 비중이 얼마나 되는지를 주기적으로 살펴보면 판정 기준을 조정할 시점을 가늠하는 데도 참고가 됩니다.
물류센터가 학습데이터 최소화 비전 AI로 부품검사를 고도화하려 한다면 먼저 검사 대상 부품의 공급업체 구성과 부품별 정상 기준을 정리하는 작업부터 시작하는 편이 좋습니다. 신규 부품이나 신규 공급업체가 추가될 때 정상 기준을 등록하는 절차와 소요 시간을 함께 검토하고 경계에 걸친 판정 사례를 검사 인력에게 넘기는 기준도 마련해야 합니다. 기존 품질관리 시스템과 검사 결과를 연동하는 방식도 함께 설계할 필요가 있습니다.
물류 부품검사는 불량 샘플이 드물고 공급업체마다 규격이 조금씩 다르며 새로운 결함이 예고 없이 나타나는 조건 위에서 이루어집니다. 학습데이터 최소화 비전 AI는 정상 기준을 출발점으로 삼아 이러한 조건에서도 검사를 지속할 수 있는 접근을 제공하며 데이터가 충분히 쌓이기를 기다리지 않고도 검사 체계를 운영할 수 있게 합니다.
.svg)
.svg)
