지식 센터
목차

딥러닝 외관 불량 검출: 수동 검사를 대체하는 주류 경로

1. 핵심 개념과 기술 정의

제품 외관 불량 검출은 스크래치, 오염, 피트, 색차, 재료 누락, 버 등 산업 제품 표면의 이상을 식별하고 분류하는 것입니다. 전통적 방법은 강한 조명이나 특정 각도 아래에서 사람의 눈에 의존하며 느리고 피로하며 기준이 일관되지 않습니다.

딥러닝 기반 외관 불량 검출은 컨볼루션 신경망 같은 모델로 대량의 라벨링된 불량 이미지에서 특징을 자동 학습한 뒤 라인 카메라가 캡처한 실시간 이미지에서 추론합니다. 전통적 머신 비전과의 차이는 전통 비전이 그레이스케일 임계값이나 에지 연산자처럼 엔지니어가 작성한 규칙에 의존해 제품이 바뀔 때마다 재조정이 필요한 반면, 딥러닝은 데이터 학습에 의존해 복잡한 불량 형상, 다양한 배경 텍스처, 불균일한 조명에 더 잘 적응한다는 점입니다.

2. 기술 원리와 핵심 역량

전체 체인은 대략 네 단계입니다. 이미징, 라벨링, 학습, 추론 배포입니다.

이미징은 기초입니다. 조명 각도, 카메라 해상도, 렌즈 선택이 불량을 촬영할 수 있는지 자체를 직접 결정합니다. 일부 불량은 일반 링 조명에서는 거의 보이지 않고 저각 암시야나 동축 조명에서만 나타납니다. 이 단계를 잘못하면 어떤 알고리즘도 나중에 만회할 수 없습니다.

라벨링 단계는 모델의 상한을 정합니다. 불량 샘플은 롱테일 분포를 따르는 경향이 있습니다. 스크래치는 많고 피트는 적으며 작은 불량은 더 드뭅니다. 업계의 일반적 실천에는 데이터 증강, 합성 불량, 퓨샷 학습이 있습니다. 커넥터 공장에 이물 불량 이미지가 수십 장뿐이라면 일반 학습은 수렴하기 어려워 정상 분포만 학습하고 편차에서 알람을 내는 이상 탐지 알고리즘을 보완으로 사용해야 합니다.

모델 수준에서 분류, 검출, 세그멘테이션은 각각 적합한 용도가 있습니다. 분류는 이미지에 불량이 있는지를, 검출은 불량이 어디에 있고 무엇인지를, 세그멘테이션은 불량의 픽셀 단위 윤곽이 어떤지를 답합니다. 표면 불량은 보통 검출과 세그멘테이션을 결합해 불량을 위치시키고 면적으로 정량화합니다.

핵심 역량은 몇 가지 지표로 드러납니다. 미검출률, 과검출률, 추론 속도, 전환 시간입니다. 미검출률은 최저선이고 과검출률은 라인 직행률에 영향을 주며 추론 속도는 라인 택트와 맞아야 합니다. 분당 60개를 처리하는 라인에서 수 초가 걸리는 모델은 쓸 수 없습니다. 전환 시간은 다품종 소량 생산의 가능성을 결정합니다.

3. 제조 현장의 대표 적용 시나리오

전자 공장이 휴대전화 미드프레임 외관을 검사합니다. 표면은 아노다이징 알루미늄이고 불량에는 미세 스크래치, 피팅, 색차가 있습니다. 강한 조명 아래 하루 종일 육안 검사하면 오후에는 미검출이 분명히 늘어납니다. 딥러닝 솔루션은 다각도 카메라로 6개 면을 한 번에 캡처하고 모델이 스크래치와 피팅에 별도 클래스를 만들며 과검출률은 허용 범위 내로 유지되고 미검출률은 수동 수준 아래로 떨어집니다.

자동차 부품사가 브레이크 패드 외관을 검사한다고 가정합니다. 표면에 연삭 흔적이 있고 불량은 균열, 모서리 결손, 녹 반점입니다. 균열은 미세하고 대비가 낮아 전통 비전으로 안정적 검출이 어렵습니다. 딥러닝 모델은 다양한 조명 조건의 샘플로 학습하고 배포 후 적외선이나 특수 각도 조명으로 균열 대비를 높여 인라인 전수 검사를 달성합니다.

하드웨어 공장이 나사를 외관으로 선별합니다. 나사 불량은 나사산 불량, 머리 균열, 도금 기포 등 다양하고 부품은 작고 물량이 많습니다. 이런 시나리오는 극히 빠른 추론을 요구하므로 보통 경량 모델과 엣지 컴퓨팅 박스로 라인 옆에서 로컬 추론하고 NG 부품만 분사 배출하며 중앙 서버에 의존하지 않습니다.

4. 선택 기준과 도입 조언

첫째, 불량이 촬영 가능한지 확인하십시오. 라인에서 실제 샘플로 시험 촬영하는 것이 어떤 제안서보다 중요합니다. 촬영할 수 없는 불량에는 알고리즘적 답이 없습니다.

둘째, 전환 비용을 명확히 물으십시오. 다품종 소량이 표준이며 신제품마다 수백 장의 새 이미지를 캡처하고 재학습과 재조정이 필요하다면 라인은 기다릴 수 없습니다. 솔루션이 퓨샷 전이 능력과 빠른 라벨링 도구를 제공하는지 확인하십시오.

셋째, 미검출과 과검출에 대한 비즈니스 허용도를 구분하십시오. 일부 산업은 미검출 1건의 결과가 심각해 과검출을 선호하고 다른 산업은 과검출이 양품을 오판해 비용을 감당할 수 없습니다. 두 지표를 분리해 논의하고 단일 정확도 수치만 보지 마십시오.

넷째, 배포는 라인과 맞아야 합니다. 중앙 집중 서버는 다중 라인 집계와 통합 모델 관리에, 엣지 박스는 단일 스테이션과 저지연, 불안정 네트워크에 적합합니다. 하이브리드 아키텍처도 흔합니다.

다섯째, 데이터 루프를 소홀히 하지 마십시오. 라인은 매일 대량의 새 이미지를 생산하며 모델이 확신하지 못한 이미지와 수동 재판정 후 수정된 이미지가 학습 세트로 되돌아가야 합니다. 이 루프가 없으면 모델은 6개월 내에 제품 변화를 따라가지 못합니다. 누적 3,200개 이상 사이트와 15개 이상 산업의 120여 고객 실무 경험에서 데이터 루프를 잘 구축한 라인이 장기 모델 안정성을 눈에 띄게 잘 유지합니다.

5. 전망

한 방향은 생성형 데이터 증강입니다. 디퓨전 모델이 사실적인 불량 샘플을 합성해 실제 불량 이미지의 부족을 완화하며 특히 작고 희귀한 불량 클래스에 도움이 됩니다.

또 다른 방향은 멀티모달 융합입니다. 가시광 이미지에만 의존하지 않고 적외선, 3D 포인트 클라우드, 초음파 신호를 결합해 내부와 표면 불량을 함께 판정합니다.

한 가지 더는 검사와 공정 제어의 연결입니다. 외관 불량은 배출로 끝나지 않고 불량 유형, 위치, 빈도를 상류 공정에 피드백해 원인이 금형 문제인지 입고 소재 문제인지 공정 파라미터 드리프트인지 식별하도록 도와야 합니다. 품질 검사를 종착점에서 공정 제어의 일부로 바꾸는 것이 딥러닝 외관 검사의 더 큰 가치가 있는 곳입니다.

주제: AI 시각 인식 백과