.svg)
AI 솔루션 문의하기
제조 현장에서 실제로 발생하는 불량품의 비율은 대체로 매우 낮게 유지되고 있어 비전 인공지능이 결함을 검출하도록 학습시키려 할 때 정상품 이미지에 비해 불량품 이미지가 턱없이 부족한 근본적인 딜레마에 부딪히게 됩니다. 이러한 불균형 상태의 데이터를 그대로 학습에 사용하면 인공지능은 대부분의 경우 정상으로 판단하는 방향으로 치우치게 되어 정작 중요한 결함을 놓치는 결과로 이어질 수 있어 데이터구축 단계에서부터 이러한 불균형을 어떻게 다룰지가 가장 중요한 과제로 다루어집니다. 불량률이 낮다는 사실 자체는 생산 품질의 관점에서는 바람직하지만 학습데이터를 구축하는 입장에서는 오히려 확보해야 할 자료가 그만큼 희소하다는 어려움으로 작용합니다.
이러한 이유로 제조불량 검출용 비전 인공지능 데이터구축은 단순히 많은 이미지를 모으는 작업을 넘어 부족한 불량 이미지를 어떻게 보완하고 균형을 맞출지에 대한 정교한 전략을 함께 설계하는 작업으로 이해되어야 합니다. 정상품 데이터를 무작정 줄이는 방식보다 불량품 데이터를 다양한 방법으로 늘리는 접근이 실제 현장에서 더 효과적으로 활용되고 있습니다.
희귀한 유형의 결함일수록 짧은 기간의 수집만으로는 충분한 데이터를 확보하기 어려워 여러 생산 라인과 여러 시기에 걸쳐 꾸준히 결함 이미지를 축적하는 장기적인 수집 계획이 필요합니다. 특정 계절이나 특정 원자재 공급 시기에만 나타나는 결함 유형도 있어 이러한 시간적 다양성까지 반영한 수집이 이루어져야 실제 현장의 다양한 상황을 폭넓게 담아낼 수 있습니다.
여러 공장이나 여러 라인에서 발생한 결함 데이터를 함께 통합하여 활용하면 하나의 라인에서만 수집했을 때보다 훨씬 다양한 결함 유형을 확보할 수 있는 효과를 얻을 수 있습니다.
이러한 합성 데이터 기법은 실제 결함 이미지가 부족한 상황에서 데이터의 양을 늘리는 현실적인 대안으로 활용되지만 실제 결함과 지나치게 동떨어진 형태로 생성되지 않도록 지속적으로 검증하는 작업이 함께 필요합니다.
같은 불량이라도 원인과 형태에 따라 여러 유형으로 나눌 수 있어 이러한 세밀한 분류가 검출 정확도를 높이는 데 중요한 역할을 합니다.
이렇게 세분화된 분류 체계가 갖추어지면 단순하게 불량 여부만 판단하는 수준을 넘어 어떤 유형의 결함인지까지 함께 식별할 수 있는 정교한 검출이 가능해집니다.
학습에 사용된 데이터와는 별도로 실제 현장과 최대한 유사한 조건에서 수집된 검증용 데이터를 마련해야 인공지능의 실제 검출 성능을 정확하게 가늠할 수 있습니다. 합성 데이터로 보완된 학습 결과가 실제 현장에서도 동일한 성능을 보이는지를 확인하려면 검증 단계에서는 가급적 실제로 수집된 데이터를 우선적으로 활용하는 방식이 신뢰도를 높이는 데 도움이 됩니다.
데이터구축을 마치고 현장에 투입된 이후에도 이전에는 나타나지 않았던 새로운 유형의 결함이 발견될 수 있어 이러한 신종 결함을 지속적으로 데이터에 추가하고 모델을 갱신하는 순환 구조가 함께 마련되어야 합니다. 원자재나 생산 설비가 바뀌면 이전에는 없었던 결함 유형이 새롭게 나타날 수 있어 이러한 변화에 유연하게 대응할 수 있는 체계를 갖추는 일이 장기적인 검출 성능 유지에 필수적입니다.
같은 공장 안에서도 서로 다른 제조사의 검사 장비를 함께 사용하는 경우가 많아 장비마다 다르게 기록되는 이미지 형식과 해상도를 하나의 기준으로 정리하는 작업이 데이터구축 과정에서 함께 필요합니다. 형식이 통일되지 않은 데이터를 그대로 섞어서 학습에 사용하면 특정 장비에서 수집된 데이터에만 치우친 학습이 이루어질 수 있어 이러한 통일 작업은 데이터의 실질적인 활용도를 높이는 데 중요한 역할을 합니다.
제조 현장에서 결함은 드물게 나타나기 때문에 오히려 그 드문 순간을 놓치지 않고 포착하는 일이 더욱 까다로운 과제가 됩니다. 방대한 정상품 이미지 사이에 숨어 있는 몇 장의 결함 이미지를 찾아내고 늘리고 다듬는 작업은, 결국 흔치 않은 것을 놓치지 않기 위한 세심한 준비 과정이라 할 수 있습니다. 정상이 대부분인 세상에서 예외를 정확히 짚어내는 눈을 만드는 일이야말로, 제조불량 검출 인공지능이 풀어야 할 가장 근본적인 숙제입니다.
.svg)
.svg)
