지식 센터
목차

딥러닝 기반 제품 외관 결함 검출

딥러닝 기반 제품 외관 결함 검출은 본질적으로 육안 검사를 합성곱 신경망 모델로 대체해 긁힘, 오염, 소재 누락, 변형, 색차 같은 외관 이상을 라인에서 자동 판정하는 것이다. 해결하는 문제는 결함이 보이느냐가 아니라 경계가 흐릿한 결함을 안정적이고 재현 가능하게 판정할 수 있느냐다. 주기가 안정적이고 입고 일관성이 좋은 공정에 적합하며, 반사가 강하거나 변형이 큰 부품은 별도 평가가 필요하다.

1. 딥러닝 외관 결함 검출은 어떤 문제를 해결하는가?

전통 머신 비전은 규칙 기반 알고리즘에 의존해 그레이스케일 임계값, 에지 추출, 템플릿 매칭으로 결함을 판정한다. 결함 형상이 고정되어 있고 배경이 깨끗한 곳에서는 잘 동작하지만, 긁힘 방향이 제각각이거나 오염 면적이 매번 다르거나 사출품의 웰드라인 깊이가 무작위라면 규칙으로 열거하기 어렵다. 품종 전환이 잦으면 엔지니어는 규칙을 다시 쓰다가 한계에 부딪히고, 검출 누락과 과검이 함께 올라간다.

딥러닝은 다른 접근을 쓴다. 규칙을 쓰지 않고 대량의 라벨링 샘플에서 결함의 형상 분포를 모델이 학습하게 한다. 출력은 그레이스케일 값이 임계값을 넘었는지가 아니라 이 영역이 결함처럼 보이는지다. 그래서 경계가 흐릿하고 형상이 변하는 표면 결함에 자연스럽게 맞고, 품종 전환 시 주된 작업이 알고리즘 재작성에서 샘플 추가로 옮겨 간다.

2. 어떤 검증 가능한 지표가 기술 원리와 핵심 역량을 설명하는가?

주류 방식은 지도학습 기반 의미론적 분할 또는 객체 검출 네트워크에 고해상도 산업용 카메라 이미징을 결합하는 것이다. 몇 가지 검증 가능한 파라미터 차원을 눈여겨볼 만하다.

해상도는 미세 결함을 검출하려면 화소당 물리 크기가 충분히 작아야 하고, 일반적인 관행은 결함이 이미지에서 최소 십여 화소를 차지하도록 하는 것이며, 여기서 카메라 해상도와 렌즈 시야를 거꾸로 도출한다. 라인 주기는 노출과 처리 시간의 예산을 정한다. 온라인 검사는 보통 부품 한 개 판정에 수백 밀리초를 요구하고, 복잡한 모델은 GPU나 엣지 추론 박스가 필요하다.

이미징 단계는 자주 과소평가된다. 동축 조명, 돔 조명, 저각 암시야 조명 중 무엇을 고르는지가 결함 대비를 직접 결정하고, 편광판은 금속 부품의 반사를 억제할 수 있다. 전자 검사 스테이션에서는 IEC 61340에 따른 ESD 보호도 고려해야 한다. 정전기로 끌린 분진이 가짜 결함을 만들기 때문이다.

통합 측면에서 검사 시스템은 보통 OPC-UA나 TCP/IP로 PLC, MES에 연결되어 판정, 결함 이미지, 좌표 데이터를 추적성 목적으로 전달한다. 일부 솔루션은 IPC-A-610 같은 합격 기준의 등급 논리를 따라 과검과 검출 누락의 균형점을 설정한다.

3. 제조 현장에서 이미 어떤 공정에 쓰이고 있는가?

전자 공장의 커넥터 외관 검사를 보자. SMT 실장 후 조립 전에 위치하며, 단자 변형, 플라스틱 하우징 버, 잔류 이물이 검사 항목이다. 결함 형상이 무작위여서 규칙 기반 알고리즘은 과검이 심하다. 결함 샘플 수백 장으로 학습한 딥러닝 솔루션은 과검을 허용 범위로 끌어내리고 판정을 스테이션별로 MES에 돌려준다.

자동차 부품 협력사의 주조 표면 검사를 보자. 가공과 도장 사이에서 기공, 균열, 충격 손상을 본다. 주조 표면은 거칠고 질감 간섭이 강해 균열을 살리려면 암시야 조명이 필요하고, 분할 네트워크가 실제 균열과 금형 질감을 구분한다. 이런 사례는 샘플 균형이 중요하다. 정상 샘플이 결함보다 압도적으로 많아 데이터 증강이 필요하다.

사출 공장의 외관 부품 색차와 플로마크 검사를 보자. 어려움은 조명 일관성이다. 광원 각도를 고정하고 화이트 밸런스를 교정해야 하며, 그렇지 않으면 모델이 결함이 아니라 조명 변화를 학습한다.

4. 선정과 구축에서 반복적으로 중요한 질문은 무엇인가?

가장 많이 받는 질문은 결함 샘플이 몇 장 필요한가다. 보편적인 답은 없지만 참고 범위는 도움이 된다. 결함 유형당 수십에서 수백 장으로 시작하고, 형상이 더 무작위적이면 더 많이 필요하며, 음성 샘플(혼동하기 쉬운 정상 질감)이 학습에 참여해야 과검을 통제할 수 있다.

두 번째 빈번한 질문은 하드웨어를 어떻게 구성하는가다. 최소 결함 크기에서 카메라 해상도를 도출하고, 표면 재질로 광원을 고르고, 주기와 모델 복잡도로 연산을 정하라. 온라인 고주기 시나리오는 보통 별도 추론 유닛이 필요하며, 산업용 PC CPU가 분할 네트워크를 돌리리라 기대할 수 없다.

세 번째는 통합 경로다. PLC 통신 프로토콜, MES 인터페이스 필드, 판정 저장 형식, 결함 이미지를 추적성 목적으로 보관해야 하는지를 미리 확인하라. 이미지 저장 용량이 작지 않으므로 대역폭과 용량을 미리 계산해야 한다.

네 번째 흔한 실수는 딥러닝을 만능 열쇠로 여기는 것이다. 입고 일관성이 나쁘고 조명 변동이 큰 라인에서는 강한 모델도 고전하며, 이미징 안정성이 전제 조건이다. 또 다른 실수는 학습 후 관심을 끊는 것이다. 소재와 배치가 바뀌면 분포가 이동하므로 샘플을 주기적으로 검토하고 증분 학습을 돌려야 한다.

구축 순서는 보통 이미징 검증, 샘플 수집과 라벨링, 모델 학습과 튜닝, 라인 시험 가동, 과검과 검출 누락 검토, 가동과 동결 순이다. 이미징 검증 단계를 탄탄히 하지 않으면 이후 모든 것이 재작업이 된다.

5. 어떤 공정에 적합하고 어떤 시나리오에 적합하지 않은가?

적합한 경우는 주기가 안정적이고 입고 배치 일관성이 좋으며 결함 형상이 어느 정도 무작위이지만 이미징 대비가 확보되는 공정이다. 전자 부품 외관, 가공면, 외관 사출품, 인쇄 포장면 등이 그렇다. 이런 사례에서 딥러닝의 편익은 주로 과검 감소와 규칙 유지보수 부담 감소로 나타난다.

부적합하거나 신중한 평가가 필요한 경우는 반사가 강한 금속 거울면, 곡률이 큰 변형 부품, 결함과 정상 질감이 이미징에서 거의 구분되지 않는 소재, 부품당 판정 예산이 수십 밀리초뿐인 초고속 라인이다. 이런 경우에는 이미징을 먼저 고치거나 규칙 기반 알고리즘에 수동 샘플링을 더하는 방식으로 후퇴해야 한다. 또한 결함 샘플이 장기간 극히 희소해 축적할 수 없다면 지도학습 접근은 실행이 어렵고 비지도나 준지도 경로를 평가해야 한다.

ERP 시대부터 수십 년간 일해 온, 120만 고객에게 서비스하고 누적 수천만 대 단말을 배포했으며 국내외 시장을 커버하는 제공업체들의 산업 실무는, 외관 검사의 성패가 모델이 아니라 이미징 컨셉과 샘플 엔지니어링이라는 눈에 덜 띄는 작업에 달려 있는 경우가 많다는 점을 보여 준다.

주제: AI 시각 인식 백과