.svg)
AI 솔루션 문의하기
스마트팩토리의 품질검사는 카메라로 제품을 촬영하고 불량 여부를 판단하는 과정만으로 구성되지 않습니다. 어떤 제품이 어느 공정에서 생산됐고 어떤 조건에서 촬영됐는지까지 연결된 데이터 구조가 필요합니다. 동일한 부품이라도 생산 설비나 공정 조건, 촬영 위치에 따라 이미지의 형태가 달라질 수 있기 때문입니다. 특히 실제 제조 현장에서는 정상 제품의 비중이 높아 불량 이미지가 충분히 모이지 않는 경우도 있습니다. 따라서 비전 AI 데이터 파이프라인을 구축할 때는 이미지 자체뿐 아니라 제품 식별정보, 생산 시점, 공정 단계, 검사 결과 등을 함께 관리하는 구조를 고려해야 합니다.
비전 AI의 입력 데이터가 되는 이미지는 촬영 장비의 상태와 설치 위치에 따라 품질 차이가 발생합니다. 조명 밝기나 색온도가 달라지거나 카메라 렌즈에 오염이 생기면 같은 제품도 서로 다른 이미지로 기록될 수 있습니다. 제품이 컨베이어를 따라 빠르게 이동하는 공정에서는 흔들림이나 초점 이탈도 발생합니다. 데이터 파이프라인의 초기 단계에서 이미지 해상도와 초점, 노출, 밝기, 촬영 영역 등을 점검하는 절차를 두는 것이 중요합니다. 문제가 있는 이미지를 학습데이터에 그대로 포함하면 이후 모델이 제품의 결함보다 촬영 환경의 차이에 영향을 받을 가능성이 커집니다.
품질검사용 비전 AI에서는 단순히 정상과 불량을 두 가지 범주로 나누는 것만으로 충분하지 않은 경우가 많습니다. 실제 생산라인에서는 흠집, 찍힘, 오염, 변형, 조립 불량 등 서로 다른 유형의 결함이 나타날 수 있으며 검사 목적에 따라 불량 유형과 위치, 크기 등을 구체적으로 구분하는 라벨 체계가 필요합니다. 특히 사람이 보기에 애매한 제품은 검사자마다 판단이 달라질 수 있어 별도의 보류 또는 재검토 범주를 두는 방법도 고려할 수 있습니다.
스마트팩토리에서는 하나의 제품이 여러 생산 공정을 거치면서 반복적으로 검사될 수 있습니다. 이때 각 공정에서 촬영된 이미지를 개별 파일로만 관리하면 제품이 어느 과정에서 어떤 상태로 변화했는지를 추적하기 어려워집니다. 따라서 제품이나 생산 배치에 연결되는 식별정보를 기준으로 공정별 이미지와 검사 결과를 묶는 구조가 필요합니다. 예를 들어 조립 전에는 정상으로 판정됐지만 특정 공정을 거친 뒤 결함이 발견됐다면 해당 시점의 이미지와 생산 조건을 함께 확인할 수 있어야 합니다. 이런 연결 구조는 단순한 AI 학습뿐 아니라 품질 원인을 분석하는 데이터로도 활용됩니다.
제조 현장의 품질검사 데이터에서는 정상 제품이 불량 제품보다 압도적으로 많은 경우가 흔합니다. 이 상태에서 정상 이미지 위주로 데이터셋을 구성하면 실제로 찾아내야 하는 희귀 결함의 다양한 형태가 충분히 학습되지 않는 문제가 발생할 수 있습니다. 특히 생산량이 많지 않은 제품이나 특정 조건에서만 발생하는 결함은 데이터를 모으는 것 자체가 어렵습니다. 따라서 기존 검사 기록에서 드물게 발생한 불량 사례를 별도로 관리하고, 결함의 종류와 발생 조건이 한쪽으로 치우치지 않았는지 지속적으로 확인해야 합니다. 새로운 불량 유형이 발견될 때 기존 데이터셋에 추가하는 절차도 함께 마련할 필요가 있습니다.
생산라인에서는 카메라 교체, 조명 변경, 검사 위치 조정, 설비 개조 등 다양한 변화가 발생합니다. 이때 이전에 구축한 데이터만 계속 사용하는 방식은 새로운 촬영 환경을 충분히 반영하지 못할 수 있습니다. 설비나 공정 조건이 바뀌는 시점마다 변경 전후의 데이터를 구분해 관리하는 체계가 필요합니다. 같은 제품을 촬영하더라도 카메라가 바뀌면 이미지의 밝기와 각도, 배경이 달라질 수 있기 때문입니다. 데이터 파이프라인에 변경 이력을 함께 기록하면 모델 성능이 달라졌을 때 원인을 확인하기도 수월해집니다.
품질검사 데이터는 라벨 하나의 오류도 모델 학습 결과에 영향을 줄 수 있어 수집 이후의 검수 과정이 중요합니다. 특히 불량 여부가 명확하지 않은 제품이나 경계선에 해당하는 결함은 검사자마다 서로 다른 기준으로 라벨링되지 않도록 공통 판단 기준을 마련해야 합니다. 일정한 표본을 다시 검토하면서 라벨러 간 판정 차이를 확인하고, 반복적으로 의견이 갈리는 사례는 기준 자체를 보완하는 방식이 필요합니다. 실제 생산라인의 검사 결과와 데이터 라벨이 일치하는지도 별도로 확인해야 하며, 사람이 수정한 판정이나 재검사 결과가 발생했다면 그 이력까지 데이터에 반영하는 구조가 적합합니다.
비전 AI 품질검사는 모델을 한 번 학습시킨 뒤 고정하는 작업보다 생산 과정에서 새롭게 발생하는 데이터를 지속적으로 다시 연결하는 운영 구조가 중요합니다. 새로운 제품이나 불량 유형이 추가되면 관련 이미지를 수집하고 라벨을 정비한 뒤 기존 데이터와 함께 검토해야 합니다. 또한 모델이 실제 검사 과정에서 놓친 사례나 사람이 다시 판정한 제품을 별도로 모아 다음 데이터 구축에 활용하는 방식도 고려할 수 있습니다. 생산량과 제품 종류, 설비 조건이 계속 변하는 스마트팩토리에서는 데이터 파이프라인 역시 고정된 구조가 아니라 현장의 변화에 맞춰 갱신되는 체계로 관리해야 합니다.
.svg)
.svg)
