.svg)
AI 솔루션 문의하기
제조 과정에서 발생하는 불량품은 비용 손실, 고객 신뢰 하락, 리콜 비용 증가로 이어집니다. 전통적으로 불량탐지는 숙련된 작업자의 육안 검사에 의존했지만 피로도, 개인차, 효율성 문제가 있습니다. 복잡한 결함을 빠르고 일관되게 식별하려면 AI 기반 자동 검사 시스템이 필요합니다. 제조 불량탐지 AI를 개발하려면 정상 제품과 다양한 유형의 불량품을 포함한 대규모 고품질 데이터셋이 필수입니다. AI 불량탐지는 생산 효율성과 제품 품질을 동시에 개선할 수 있는 기술입니다.
▲ 조명 표준화 : 일관된 조건으로 제품을 촬영하기 위한 LED 조명 및 박스 설계
▲ 카메라 배치 : 다양한 각도에서 제품 전체를 포괄할 수 있는 다중 카메라 시스템
불량탐지 데이터 수집을 위해 먼저 안정적인 촬영 환경을 구축해야 합니다. 조명의 밝기와 색온도를 표준화하여 반사나 그림자 변화를 최소화합니다. 카메라의 해상도, 초점, 렌즈 매개변수를 일정하게 유지합니다. 제품을 다양한 각도에서 촬영하기 위해 회전 플랫폼이나 다중 카메라 배치를 사용합니다. 통제된 촬영 환경에서 수집된 데이터는 높은 품질을 유지하므로 AI 모델의 신뢰도가 향상됩니다.
AI 모델은 정상 제품의 다양한 특성을 학습해야 합니다. 같은 모델의 제품도 미세한 색상 변화, 질감 차이, 조립 편차 같은 자연스러운 변동성을 포함합니다. 이러한 정상 제품의 다양성을 충분히 포함하는 대규모 데이터를 수집합니다. 수백 개에서 수천 개 규모의 정상 제품을 각도별로 촬영합니다. 정상 제품의 자연스러운 변동성을 학습함으로써 AI가 실제 불량품과 정상 제품의 미묘한 차이를 구분할 수 있게 됩니다.
불량 제품은 자동으로 발생하지 않으므로 의도적으로 생산하거나 과거 생산 기록에서 수집해야 합니다. 각 불량 유형을 명확하게 분류합니다. 스크래치, 찌그러짐, 색상 불량, 조립 오류, 표면 결함 같은 카테고리로 정의합니다. 각 불량 유형별로 충분한 샘플을 수집하여 AI가 다양한 결함을 학습할 수 있도록 합니다. 불량의 다양성을 포괄적으로 수집함으로써 모델이 현장에서 만날 수 있는 대부분의 결함을 탐지할 수 있습니다.
모든 불량이 동일한 수준의 심각도를 갖지 않습니다. 가벼운 흠집은 기능에 영향 없지만 구조적 손상은 심각합니다. 각 불량에 심각도 점수를 부여합니다. 경미(경제적으로 수용 가능), 중등(품질 기준 초과), 심각(안전 문제 또는 불가용) 같은 수준으로 분류합니다. 불량의 위치, 크기, 영향 범위도 기록합니다. 심각도 라벨링으로 AI가 단순히 불량을 식별하는 것을 넘어 우선순위 결정을 지원할 수 있습니다.
제품을 여러 각도에서 촬영하면 불량탐지 모델의 강건성이 향상됩니다. 정면, 측면, 후면, 위, 아래 각도에서 촬영합니다. 회전하며 촬영하여 360도 정보를 확보합니다. 불량의 위치에 따라 어느 각도에서 가장 잘 보이는지 기록합니다. 다중 각도 데이터로 모델이 실제 생산 라인에서 제품이 어떤 각도로 올 수 있든 불량을 탐지할 수 있게 됩니다.
현장의 조명은 항상 최적이 아니며 실제 생산 환경의 다양한 조명 조건을 데이터에 반영해야 합니다. 밝은 조명, 어두운 조명, 색온도가 다른 조명에서 각각 제품을 촬영합니다. 배경, 반사, 그림자 같은 환경 요소의 변화도 포함시킵니다. 환경 편차를 포함한 데이터로 학습한 모델은 다양한 현장 조건에서도 안정적으로 작동합니다.
영상 데이터만으로는 부족할 수 있습니다. 온도, 습도, 압력, 진동 같은 센서 데이터를 함께 수집합니다. 특정 제조 조건에서 발생하는 불량의 패턴을 식별할 수 있습니다. 영상과 센서 데이터를 매칭시켜 다중모달 데이터셋을 구성합니다. 센서 데이터를 포함함으로써 AI가 불량의 원인을 규명하고 예방 조치를 제시할 수 있게 됩니다.
불량이 어디에 위치하는지 식별하는 것도 중요합니다. 바운딩박스로 대략적 위치를 표시하거나, 세그멘테이션 마스크로 결함 영역을 정확하게 표시합니다. 결함의 경계를 정밀하게 라벨링합니다. 복잡한 형태의 결함은 다각형으로 표현합니다. 정확한 위치 정보로 AI가 결함뿐 아니라 그 정확한 위치를 지시하여 수리 작업을 용이하게 합니다.
실제 생산 라인에서는 불량품이 소수입니다. 정상 제품과 불량 제품의 비율이 1:100 이상일 수 있습니다. 이러한 클래스 불균형은 AI 모델 학습을 어렵게 합니다. 불량 샘플을 의도적으로 증가시키거나, 불량 클래스에 가중치를 부여합니다. 합성 데이터 생성으로 불량 샘플을 확대할 수도 있습니다. 불균형을 적절히 처리함으로써 모델이 희귀한 불량도 효과적으로 탐지할 수 있게 됩니다.
수집된 라벨링 데이터의 정확도가 매우 중요합니다. 여러 검사자가 동일 제품을 라벨링하여 의견 일치도를 확인합니다. 일치도가 낮으면 라벨링 기준을 명확히 하여 재작업합니다. 임의로 선택된 샘플의 라벨링을 전문가가 검증합니다. 체계적인 품질 관리로 데이터셋의 신뢰도를 보장합니다.
실제 불량 샘플 수집이 제한적이면 데이터 증강 기법을 사용합니다. 회전, 확대, 밝기 조정 같은 변환으로 기존 샘플로부터 새로운 변형을 생성합니다. 고급 기법으로는 GAN을 사용하여 합성 불량 이미지를 생성합니다. 합성 데이터도 실제 데이터와 혼합하여 학습에 사용합니다. 데이터 증강과 합성으로 제한된 실제 샘플을 효율적으로 활용할 수 있습니다.
.svg)
.svg)
