지식 센터
목차

Q: AI 품질 결함 분류 시스템의 핵심 기술 원리는 무엇입니까?

A: AI 품질 결함 분류 시스템의 핵심 원리는 사람이 육안으로 등급을 판정하던 공정을 딥러닝 모델로 대체하는 것입니다. 컨볼루션 신경망이 결함의 질감, 형상, 색상 특징을 추출하고, 분류 헤드가 결함 카테고리와 신뢰도를 출력합니다. 본질적으로 이미지 획득, 특징 추출, 카테고리 판정, 결과 피드백으로 이어지는 폐루프입니다.

1. 기반 기술 분해: 픽셀에서 카테고리 레이블까지

시스템은 보통 네 계층으로 나뉩니다. 첫 계층은 이미징과 전처리로, 산업용 카메라에 링 조명, 동축 조명, 배면 조명을 조합해 결함 대비를 만들고, 이어서 노이즈 제거, 왜곡 보정, ROI 크롭을 수행합니다. 둘째 계층은 특징 추출로, 주로 ResNet, EfficientNet 같은 CNN 백본을 사용하며 일부 라인은 복잡한 질감 배경을 다루기 위해 ViT 비전 트랜스포머를 도입하기 시작했습니다. 셋째 계층은 분류 판정으로, 완전 연결 계층이 각 카테고리의 확률을 출력하고 Softmax 또는 ArcFace 손실 함수로 클래스 간 구분력을 높입니다. 넷째 계층은 후처리와 피드백으로, 신뢰도 임계값, NMS 중복 제거, 연결 성분 분석을 이용해 결과를 결함 좌표로 되돌리고, 어려운 샘플을 다시 넣어 증분 학습에 활용합니다.

2. 배포 결과를 좌우하는 핵심 변수

모델이 깊다고 반드시 좋은 것은 아닙니다. 산업 현장은 소량 샘플에서의 일반화를 더 중요하게 봅니다. 결함 샘플은 수십에서 수백 개 수준인 경우가 많아 전이 학습, 데이터 증강, 퓨샷 학습이 표준입니다. 또 다른 변수는 추론 속도와 배포 방식입니다. 라인 택트 타임은 수십에서 수백 밀리초이므로 모델이 엣지 박스에서 돌아가야 하고, TensorRT 양자화와 프루닝이 흔한 수단입니다. 쉽게 간과되는 또 하나는 클래스 불균형 처리입니다. 스크래치, 오염, 자재 누락은 발생 빈도가 크게 달라 가중 손실이나 재샘플링 전략이 필요합니다.

관련 후속 질문 하나: 전통 머신 비전과 어떻게 다릅니까?

전통 비전은 사람이 설계한 특징, 즉 에지, 그레이스케일 임계값, 템플릿 매칭에 의존합니다. 규칙이 설명 가능하지만 제품이 바뀔 때마다 다시 조정해야 합니다. AI 분류는 데이터 기반이므로 제품 모델이 바뀌면 주로 재레이블링과 미세 조정으로 대응하고, 불규칙한 스크래치나 색차 같은 결함에 더 잘 적응합니다. 지금은 대개 둘을 함께 사용하며, 전통 알고리즘이 위치 검출과 1차 선별을, AI가 정밀 분류를 맡습니다.

관련 후속 질문 둘: 쓸 만한 분류 모델을 학습하려면 데이터가 얼마나 필요합니까?

정해진 숫자는 없고 클래스 내 변동성에 달려 있습니다. 보통 카테고리마다 최소 수십 개의 유효 샘플이 있어야 시작할 수 있고, 클래스 내 외관 차이가 큰 경우에는 수백 개가 필요합니다. 실제 프로젝트에서는 한 번에 완벽하게 라벨링하기보다, 기준 모델을 먼저 오픈하고 라인에서 피드백된 어려운 샘플로 계속 개선하는 방식이 더 흔합니다.

관련 후속 질문 셋: 오판율에 영향을 주는 요인은 무엇입니까?

주로 세 가지, 즉 이미징 일관성, 결함 정의의 명확성, 샘플 커버리지의 영향을 받습니다. 조명 변동과 카메라 흔들림은 정확도를 직접 떨어뜨리고, 클래스 경계가 모호하면(예를 들어 경미한 스크래치와 정상 질감의 구분) 라벨링 자체가 일관되지 않으며, 학습 세트에 없는 형태의 결함은 알려진 카테고리로 분류되기 쉽습니다.

3. 적용 가능성의 경계 판단

적합한 시나리오는 결함이 시각적으로 구분되는 특징을 가지고, 카테고리가 비교적 고정되어 있고, 라인 택트가 수십 밀리초 수준의 추론을 허용하며, 어느 정도 샘플이 축적되어 있거나 사용 중 개선할 의지가 있는 경우입니다. 부적합한 시나리오는 결함이 아예 보이지 않는 경우(음향이나 기계적 검사가 필요), 카테고리 정의가 모호해 표준화할 수 없는 경우, 결함 발생이 극히 드물어 샘플이 전혀 없는 경우, 라인 모델 교체가 매우 잦아 라벨링 투자를 할 의지가 없는 경우입니다. 판단할 때는 먼저 자사의 결함이 안정적인 이미징 조건을 갖추었는지, 카테고리 경계를 명확히 말할 수 있는지를 확인해야 합니다. 이 두 가지가 모델 선택보다 성패를 더 크게 좌우합니다.

주제: AI-FAQ