로봇 품질 검사: 커버리지가 어려운 이유
로봇 품질 검사의 작동 방식을 알아보세요. 스캔 계획, 보정, 로봇과 비전의 동기화, 다중 시점 융합, 커버리지 입증, 품질 기록을 다룹니다.
로봇 품질 검사는 컴퓨터 비전과 로봇을 결합해 계획된 여러 시점에 따라 카메라, 부품 또는 센서를 이동시키는 방식입니다. 고정 카메라로 필요한 모든 표면을 볼 수 없거나, 제품 형상이 달라지거나, 고정 카메라를 대량으로 설치하지 않고 여러 면을 검사해야 하는 경우 유용합니다.
Ultralytics YOLO는 맞춤형 검사 스택에서 감지, 세그멘테이션, 분류, 포즈 또는 추적 기능을 제공할 수 있습니다. Cognex, Keyence, MVTec, Zebra 및 Teledyne의 산업용 비전 제품군은 검증된 툴링과 하드웨어 생태계를 제공합니다. Landing AI 및 Robovision과 같은 비전 플랫폼은 구성 가능한 학습 기반 검사 워크플로를 강조합니다. 가장 적합한 선택은 조직에 패키지형 검사 제품, 산업용 개발 환경 또는 맞춤화 가능한 모델 계층 중 무엇이 필요한지에 따라 달라집니다.
로봇 검사 소프트웨어 옵션#
| 옵션 | 적합한 용도 | 강점 | 주요 통합 책임 |
|---|---|---|---|
| Cognex | 폭넓은 머신 비전 생태계를 활용하는 산업용 셀 | 카메라, 도구 및 공장 통합 경험 | 셀별 애플리케이션 설계 및 로봇 조정 |
| Keyence | 비전 하드웨어가 통합된 제어형 산업 검사 | 패키지형 센서, 조명 및 검사 도구 | 실제 제품군에서의 검사 범위 및 성능 |
| Landing AI 또는 Robovision | 구성 가능한 학습 기반 비전 워크플로를 찾는 팀 | 모델 개발 및 검사 중심 플랫폼 기능. 단, Landing AI는 문서 AI 중심으로 방향을 재정립했으므로 검사 로드맵을 확인해야 합니다. | 로봇, 이미징, 생산 라인 및 품질 시스템 통합 |
| MVTec HALCON | 고급 머신 비전 애플리케이션을 개발하는 엔지니어링 팀 | 광범위하게 프로그래밍할 수 있는 비전 라이브러리 | 전문적인 개발, 배포 및 유지 관리 |
| Ultralytics Platform 및 Ultralytics YOLO | 맞춤형 다중 시점 학습 기반 검사를 구축하는 팀 | 유연한 비전 작업, 데이터에서 모델까지 이어지는 워크플로, 배포 옵션 | 로봇 경로, 캘리브레이션, 결과 융합, 제어 및 검증 |
| Zebra 또는 Teledyne 비전 제품군 | 산업용 이미징 및 머신 비전 애플리케이션 | 하드웨어 및 소프트웨어 생태계 | 제품별 솔루션 엔지니어링 |
공급업체 이름은 검증된 성능이 아니라 검토를 시작할 출발점을 의미합니다. 모든 옵션은 대표 부품, 결함들, 속도, 표면 및 로봇 경로를 사용해 시험해야 합니다.
로봇이 육안 검사를 개선하는 경우#
로봇은 다음과 같은 여러 장점을 제공할 수 있습니다.
- 센서 하나로 여러 면이나 각도를 촬영할 수 있습니다.
- 시점과 작업 거리를 프로그램으로 반복할 수 있습니다.
- 카메라가 고정 스테이션에서는 보이지 않는 공동이나 형상에 접근할 수 있습니다.
- 제품 변형에 따라 검사 레시피를 변경할 수 있습니다.
- 제어된 조명 앞에서 부품을 회전시킬 수 있습니다.
- 비전 결과를 로봇 자세 또는 제품 좌표에 대응시킬 수 있습니다.
단점은 시스템 복잡성이 커진다는 것입니다. 로봇 동작으로 인해 사이클 시간이 늘어나고, 캘리브레이션, 케이블 배선, 충돌 위험, 모션 블러, 동기화 및 추가 고장 요인이 발생합니다. 고정된 시점 하나로 품질 검사 목적을 달성할 수 있다면 로봇은 필요하지 않습니다.
제품 좌표계에서 검사 요건 정의하기#
검사해야 하는 모든 표면과 형상, 관련성이 있는 가장 작은 이상, 허용 가능한 편차, 접근할 수 없는 영역 및 필요한 처리 방안을 나열하세요. 각 요건을 계획된 시점과 이미징 방식에 연결하세요.
커버리지 표를 사용하세요.
| 형상 | 필요한 시점 | 이미징 조건 | 비전 출력 | 처리 방안 |
|---|---|---|---|---|
| 표면 A | 비스듬한 시점 1 | 확산광 | 세그멘테이션 마스크 | 승인된 영역 기준을 초과하면 검토 |
| 커넥터 B | 정면 뷰 2 | 동축 조명 | 존재 여부 및 위치 | 누락되었거나 위치가 잘못된 경우 불합격 처리 |
| 에지 C | 측면 뷰 3 | 백라이트 | 윤곽 측정 | 허용 오차 로직과 비교 |
이를 통해 사각지대를 확인할 수 있습니다. 또한 모델의 관찰 결과와 그 결과에 후속 적용되는 품질 규칙을 분리합니다.
뷰와 동작을 함께 계획합니다#
검사 경로 계획에서는 커버리지, 이미지 품질, 로봇 도달 범위, 충돌 여유 거리, 케이블 한계, 사이클 시간을 균형 있게 고려해야 합니다. 각 뷰마다 카메라 포즈, 초점, 노출, 조명 상태, 로봇 속도, 촬영 트리거를 기록합니다.
이미징 방식에 맞게 동작이 충분히 제어된 시점에 촬영합니다. 정지 후 촬영하는 경로는 간단하지만 사이클 시간이 늘어날 수 있습니다. 동작 중 트리거링하면 처리량을 높일 수 있지만, 블러를 방지하는 조명과 노출 설정 및 이미지와 로봇 포즈 간의 정확한 동기화가 필요합니다.
워밍업, 툴 교체, 유지보수 및 예상되는 진동 이후에 반복성을 검증합니다. 카메라가 로봇에 장착된 경우 모델을 계속 사용할 수 있더라도 작은 기계적 이동으로 관찰 영역이 달라질 수 있습니다.
카메라, 로봇 및 제품을 보정합니다#
시스템에는 다음 세 가지 관계가 필요할 수 있습니다.
- 카메라 내부 파라미터 및 렌즈 동작.
- 카메라와 로봇 또는 툴 간의 변환.
- 픽스처 또는 로봇 좌표계에서의 제품 포즈.
보정을 통해 이미지에서 찾은 결함을 올바른 제품 표면 또는 물리적 영역에 표시할 수 있습니다. 승인 테스트를 정의하고, 보정 버전을 저장하며, 재보정을 트리거하는 이벤트를 지정합니다.
유연한 픽스처를 사용하는 경우, 먼저 정합 단계를 거쳐 제품이나 기준 피처의 위치를 찾을 수 있습니다. 로봇에 명령한 포즈만으로 검사 표면이 이미지에서 어디에 나타나는지 확인할 수 있다고 가정하지 마세요.
컴퓨터 비전 작업을 선택합니다#
뷰가 엄격히 제어되고 전체 상태의 종류가 적다면 분류를 사용합니다. 결함이나 구성 요소를 박스로 위치 지정해야 한다면 객체 감지를 사용합니다. 결함의 형태와 면적이 중요하거나 경계가 불규칙하다면 세그멘테이션을 사용합니다. 기하학적 피처와 정합에는 포즈 또는 키포인트를 사용합니다. 선명하고 결정적인 에지와 보정된 치수에는 기존 측정 툴이 여전히 더 적합할 수 있습니다.
하이브리드 시스템은 기하 정보를 처리하는 기존 비전 기법과 가변적인 외관을 처리하는 학습 모델을 함께 사용할 수 있습니다. 목표는 머신 러닝을 최대한 많이 사용하는 것이 아니라 검증 가능한 검사를 구현하는 것입니다.
Ultralytics 플랫폼은 Ultralytics YOLO 워크플로를 위한 데이터셋 어노테이션, 학습, 모델 비교 및 배포를 지원합니다. 평가에 전체 레시피가 반영되도록 제품, 표면, 뷰, 조명, 로봇 경로 및 결함 유형별로 데이터셋을 구성합니다.
여러 뷰의 결과를 통합합니다#
각 촬영 이미지에는 유닛 식별자, 레시피, 뷰 식별자, 로봇 포즈, 타임스탬프, 모델 버전 및 보정 버전이 포함되어야 합니다. 애플리케이션은 뷰 단위의 관찰 결과를 유닛 단위 결과로 집계합니다.
중복 관찰을 명시적으로 처리합니다. 두 각도에서 보이는 스크래치가 자동으로 결함 두 개로 집계되어서는 안 됩니다. 반대로 뷰 간 불일치는 반사, 가림, 보정 오류 또는 검토가 필요한 까다로운 이상 징후를 나타낼 수 있습니다.
최소한 통과, 실패, 검토/사용 불가의 세 가지 상태를 유지합니다. 뷰가 누락되었거나 이미지 품질이 낮은 상황에서 통과 또는 실패를 강제로 지정하면 감지되지 않는 위험이 발생합니다.
커버리지, 감지 및 처리 결과를 검증합니다#
다음 세 가지 질문을 구분합니다.
- 커버리지: 레시피가 필요한 모든 영역의 적절한 이미지를 확보했습니까?
- 감지: 비전 방식이 관련된 가시 상태를 식별했습니까?
- 처리 결과: 규칙과 워크플로가 유닛 단위의 올바른 결정을 내렸습니까?
표면 전반과 커버리지 경계에 결함을 배치하여 대표적인 결함을 대상으로 테스트합니다. 정상적인 외관 편차가 있는 양품, 오염, 반사, 픽스처 변경 및 수리된 피처도 포함합니다. 거의 동일한 촬영 이미지가 학습 세트와 테스트 세트 사이에 섞이지 않도록 생산 배치 또는 시점별로 평가 데이터를 분할합니다.
운영 지표에는 미검출 결함, 오검 불합격, 검토 비율, 사용할 수 없는 뷰, 사이클 시간, 수동 개입, 보정 실패 및 이벤트 진단 시간이 포함됩니다. 단일 종합 수치만 제시하지 말고 제품, 표면, 결함 및 뷰별로 결과를 보고합니다.
품질 시스템과 통합합니다#
검사 결과는 통과, 검토, 재작업 또는 불합격과 같이 통제된 처리 결과에 매핑되어야 합니다. 사유와 레시피 버전을 기록합니다. 유닛 식별 정보 및 품질 또는 제조 시스템과 통합하여 결과가 올바른 제품에 연결되도록 합니다.
목적과 정책에 따라 보관하는 이미지의 범위를 제한합니다. 일부 조직은 불합격 또는 샘플링된 유닛만 보관하고, 다른 조직은 더 폭넓은 추적성이 필요합니다. 액세스 및 삭제를 포함한 규칙을 생산 전에 정의합니다.
안전 및 복구#
로봇 동작은 검증된 로봇 및 셀 안전 시스템의 제어를 받아야 합니다. 적절하게 설계되고 평가된 안전 기능의 일부가 아닌 한, 학습 기반 비전을 보호 제어 기능인 것처럼 제시해서는 안 됩니다.
이미지 누락, 트리거 실패, 카메라 사용 불가, 도달 불가능한 뷰, 보정 오류, 모델 시간 초과 및 로봇 고장에 대한 복구 절차를 설계합니다. 복구 후에는 유효한 뷰와 다시 획득해야 하는 뷰를 시스템이 파악하도록 합니다.
자주 묻는 질문
로봇은 센서 또는 제품의 시점을 변경하여 여러 표면을 검사하고 유연한 레시피를 사용할 수 있도록 합니다. 이에 따라 동작 계획, 보정, 동기화 및 복구 작업이 추가됩니다.
가능한 경우도 있지만, 뷰별 외관 차이에 따라 별도의 모델을 사용하거나 뷰 정보를 명시적으로 조건으로 제공하는 것이 적절할 수 있습니다. 고정된 세분화 평가 세트에서 두 접근 방식을 비교하고 유지보수 복잡성도 고려합니다.
위치와 범주만으로 충분하다면 객체 감지를 사용합니다. 형태, 경계 또는 면적이 처리 결과에 영향을 미친다면 세그멘테이션을 사용합니다. 보정된 기하학적 허용 오차에는 기존 측정 방식이 더 적합할 수 있습니다.
각 요구 사항을 하나 이상의 검증된 뷰에 연결하고, 촬영마다 이미지 품질과 포즈를 모니터링합니다. 뷰가 누락되었거나 허용 기준을 충족하지 못하면 통과가 아니라 사용 불가로 처리합니다.
Ultralytics는 학습 가능한 인지 계층과 이를 지원하는 데이터, 모델 및 배포 워크플로를 제공합니다. 하지만 완전한 셀을 구현하려면 여전히 이미징, 로봇 제어, 보정, 레시피 로직, 결과 통합, 품질 시스템 연동, 안전 및 지원이 필요합니다.
