.svg)
AI 솔루션 문의하기
자동차 한 대에는 금속과 플라스틱 그리고 고무와 도장된 표면까지 서로 다른 재질의 부품이 함께 어우러져 있어 이들을 검사하는 인공지능은 재질마다 전혀 다른 방식으로 나타나는 결함의 특성을 각각 따로 학습해야 하는 과제를 안고 있습니다.
금속 표면의 흠집은 빛의 반사가 달라지는 방식으로 드러나지만 고무 부품의 결함은 표면의 질감이 미세하게 변하는 방식으로 나타나고, 도장된 표면의 문제는 색상의 불균일함으로 드러나는 경우가 많습니다. 따라서 하나의 인식 기준으로 이 모든 재질을 동시에 다루려 하면 오히려 정확도가 크게 떨어지는 결과로 이어질 수 있습니다. 재질이 다르면 빛과 표면이 만들어내는 시각적 신호 자체가 완전히 달라지기 때문에 학습데이터 역시 재질별로 구분된 별도의 체계를 갖추어야 합니다.
이러한 특성 때문에 자동차 부품 표면 결함 학습데이터는 하나의 통합된 기준을 향해 나아가기보다 재질마다 서로 다른 시각적 특성을 인정하고 그에 맞춘 세부 기준을 각각 마련하는 방향으로 구축되어야 합니다.
이 네 가지 재질별 특성을 정확히 구분해 학습하지 않으면 한 재질에서는 정확하게 작동하던 인식 체계가 다른 재질 앞에서는 전혀 다른 성능을 보이는 불안정한 결과로 이어질 수 있습니다.
금속과 고무 그리고 플라스틱이 서로 맞닿아 있는 접합 부위에서는 두 가지 이상의 재질 특성이 한 화면 안에 동시에 나타나기 때문에 각 재질별로 따로 마련된 인식 기준을 그 경계 지점에서 어떻게 함께 적용할 것인지가 별도의 과제로 남습니다. 접합부는 실제로 결함이 발생했을 때 부품의 밀폐성이나 내구성에 미치는 영향이 큰 경우가 많아 이 까다로운 경계 지점을 정확히 다루는 일이 표면 결함 검출 전체의 완성도를 좌우하는 지점이 되기도 합니다.
자동차 부품은 평평한 판재보다 곡면으로 이루어진 형태가 많고 표면이 매끄럽게 반사되는 부품일수록 조명이 비치는 각도에 따라 같은 결함이라도 전혀 다른 모습으로 촬영되는 경우가 흔해 하나의 고정된 조명과 각도만으로는 결함을 놓치기 쉽습니다. 이 때문에 여러 각도에서 조명을 비추며 촬영한 이미지를 함께 조합하거나 곡면의 굴곡을 고려해 촬영 위치를 자동으로 조정하는 방식이 곡면 부품을 다루는 학습데이터 구축에서 중요하게 활용됩니다.
자동차 부품에서 발견되는 표면 문제는 단순히 보기에 좋지 않은 수준에 그치는 경우와 실제 부품의 기능이나 내구성에 영향을 미치는 경우로 나뉘어 서로 다르게 다루어져야 합니다.
이러한 구분이 명확하게 이루어지지 않으면 사소한 외관 문제 때문에 정상적인 부품이 불필요하게 폐기되거나 반대로 기능에 영향을 미치는 결함이 가볍게 지나쳐지는 상반된 문제가 함께 발생할 수 있습니다.
부품이 단독으로 검사대에 놓여 있을 때와 이미 차량에 조립되어 다른 부품에 둘러싸인 상태에서 검사할 때는 조명 조건과 카메라가 접근할 수 있는 각도 자체가 완전히 달라지기 때문에 조립 이전 단계와 이후 단계를 위한 학습데이터를 서로 별도로 구축해야 합니다. 조립 이전에는 자유롭게 부품을 돌려가며 촬영할 수 있지만 조립 이후에는 제한된 각도에서만 접근이 가능해 같은 결함이라도 인식 난이도가 크게 달라질 수 있습니다.
같은 재질이라 하더라도 생산에 사용된 원재료의 로트가 달라지거나 계절에 따른 온습도 변화가 있으면 표면의 미세한 특성이 조금씩 달라질 수 있어 한 시점에 수집된 데이터만으로는 이러한 변동을 온전히 반영하기 어렵습니다. 이 때문에 여러 계절과 여러 생산 로트에 걸쳐 지속적으로 데이터를 보완해 나가는 작업이 표면 결함 검출의 정확도를 오래도록 유지하는 데 필요한 과정으로 다루어지고 있습니다.
금속의 반짝임과 고무의 질감 그리고 도장면의 색은 저마다 다른 방식으로 자신의 문제를 드러냅니다. 하나의 눈으로 이 모든 얼굴을 동시에 알아보려 하기보다, 각각의 재질이 지닌 고유한 언어를 하나씩 배워나가는 것이야말로 자동차 부품 표면 결함 검출이 정확해지는 길입니다.
.svg)
.svg)
