로봇 품질 검사: 커버리지가 어려운 이유

로봇 품질 검사는 컴퓨터 비전을 카메라, 부품 또는 센서를 계획된 시점 세트에 따라 이동시키는 로봇과 결합합니다. 고정된 카메라로 필요한 모든 표면을 볼 수 없거나, 제품 형상이 다양하거나, 대규모 고정형 카메라 뱅크 없이 여러 측면을 검사해야 할 때 유용합니다.

Ultralytics YOLO는 커스텀 검사 스택 내에서 감지, segmentation, 분류, 포즈 또는 트래킹을 제공할 수 있습니다. Cognex, Keyence, MVTec, Zebra, Teledyne 등의 산업용 비전 스위트는 확립된 툴링 및 하드웨어 생태계를 제공합니다. Landing AI 및 Robovision과 같은 비전 플랫폼은 구성 가능한 학습 기반 검사 워크플로우를 강조합니다. 가장 적합한 옵션은 조직이 패키지형 검사 제품, 산업용 개발 환경 또는 커스텀 가능한 모델 레이어 중 무엇을 필요로 하는지에 따라 달라집니다.

로봇 검사 소프트웨어 옵션#

벤더 이름은 입증된 성능이 아니라 시작점을 나타냅니다. 모든 옵션은 대표적인 부품, defect, 속도, 표면 및 로봇 경로를 통한 테스트가 필요합니다.

로봇이 시각적 검사를 개선하는 경우#

로봇은 여러 가지 이점을 제공할 수 있습니다:

• 단일 센서로 여러 측면이나 각도를 캡처할 수 있습니다.
• 시점과 작업 거리를 프로그래밍 방식으로 반복할 수 있습니다.
• 카메라가 고정된 스테이션에서는 보이지 않는 캐비티나 특징부에 접근할 수 있습니다.
• 제품 변형에 따라 검사 레시피를 변경할 수 있습니다.
• 제어된 조명 앞에서 부품을 회전시킬 수 있습니다.
• 비전 결과를 로봇 포즈 또는 제품 좌표에 등록할 수 있습니다.

상충 관계는 시스템 복잡성입니다. 로봇 모션은 사이클 타임, 캘리브레이션, 케이블 라우팅, 충돌 위험, 모션 블러, 동기화 및 기타 장애 모드를 추가합니다. 하나의 고정된 뷰로 품질 문제를 해결할 수 있다면 로봇은 불필요합니다.

제품 좌표계에서 검사 요구사항 정의하기#

검사해야 하는 모든 표면과 특징부, 가장 작은 관련 anomaly, 허용 가능한 변동, 접근 불가능한 영역 및 필수 처분을 나열하세요. 각 요구사항을 계획된 뷰 및 이미징 방법에 매핑합니다.

커버리지 테이블 사용:

이를 통해 사각지대가 가시화됩니다. 또한 모델의 관측값과 다운스트림에 적용되는 품질 규칙이 분리됩니다.

뷰와 모션을 함께 계획하기#

검사 경로 계획은 커버리지, 이미지 품질, 로봇 도달 거리, 충돌 여유 공간, 케이블 제한 및 사이클 타임을 균형 있게 유지해야 합니다. 모든 뷰에 대해 카메라 포즈, 초점, 노출, 조명 상태, 로봇 속도 및 캡처 트리거를 기록하세요.

이미징 방법에 대해 모션이 충분히 제어될 때 캡처합니다. 정지 후 캡처(stop-and-capture) 경로는 단순하지만 사이클을 길게 만들 수 있습니다. 모션 중에 트리거하면 처리량이 향상될 수 있으나 블러를 방지하는 조명 및 노출과 이미지와 로봇 포즈 간의 정확한 동기화가 필요합니다.

예열, 툴 변경, 유지보수 및 예상 진동 후 반복성을 검증하세요. 카메라가 로봇에 장착된 경우, 모델을 계속 사용할 수 있는 상황에서도 미세한 기계적 이동으로 인해 관측된 영역이 이동할 수 있습니다.

카메라, 로봇 및 제품 캘리브레이션#

시스템에는 세 가지 관계가 필요할 수 있습니다:

• 카메라 내부 파라미터 및 렌즈 동작.
• 카메라-로봇 간 또는 카메라-툴 간 변환.
• 고정구 또는 로봇 프레임에서의 제품 포즈.

캘리브레이션을 통해 이미지에서 발견된 결함을 올바른 제품 표면이나 물리적 영역에 보고할 수 있습니다. 인수 테스트를 정의하고, 캘리브레이션 버전을 저장하며, 재캘리브레이션을 트리거하는 이벤트를 지정하세요.

유연한 고정구의 경우, 등록 단계를 통해 먼저 제품이나 기준 특징부를 찾을 수 있습니다. 로봇이 지시한 포즈만으로 검사 대상 표면이 이미지에 나타나는 위치가 증명된다고 가정하지 마세요.

컴퓨터 비전 작업 선택하기#

소수의 전체 상태를 가진 엄격하게 제어된 뷰에는 분류를 사용합니다. 결함이나 구성요소를 박스로 로컬라이즈해야 할 때는 감지를 사용합니다. 결함의 모양과 영역이 중요하거나 경계가 불규칙한 경우 segmentation을 사용합니다. 기하학적 특징 및 등록에는 포즈나 키포인트를 사용합니다. 선명하고 결정론적인 엣지 및 캘리브레이션된 치수에는 기존 측정 도구가 여전히 더 선호될 수 있습니다.

하이브리드 시스템은 형상에는 고전적 비전을 사용하고 가변적인 외관에는 학습된 모델을 사용할 수 있습니다. 목표는 머신러닝의 최대 활용이 아니라 검증 가능한 검사입니다.

Ultralytics Platform은 Ultralytics YOLO 워크플로우를 위한 데이터셋 어노테이션, 학습, 모델 비교 및 배포를 지원합니다. 평가가 전체 레시피를 반영할 수 있도록 제품, 표면, 뷰, 조명, 로봇 경로 및 결함 유형별로 데이터셋을 구성하세요.

뷰 간 결과 융합하기#

캡처된 각 이미지에는 유닛 식별자, 레시피, 뷰 식별자, 로봇 포즈, 타임스탬프, 모델 버전 및 캘리브레이션 버전이 포함되어야 합니다. 어플리케이션은 뷰 수준의 관측값을 유닛 수준의 결과로 집계합니다.

중복 관측을 명시적으로 처리하세요. 두 각도에서 보이는 스크래치가 자동으로 두 개의 결함이 되어서는 안 됩니다. 반대로 뷰 간의 불일치는 반사, 가림, 캘리브레이션 오류 또는 검토해야 할 까다로운 이상 현상을 나타낼 수 있습니다.

최소 세 가지 상태를 유지하세요: 통과, 실패, 검토/사용 불가. 뷰가 누락되었거나 이미지 품질이 저하되었을 때 통과 또는 실패를 강제하면 사소한 위험이 발생합니다.

커버리지, 감지 및 처분 검증#

세 가지 질문을 분리하세요:

1. 커버리지: 레시피가 필요한 모든 영역의 허용 가능한 이미지를 획득했습니까?
2. 감지: 비전 방법이 관련 가시적 상태를 식별했습니까?
3. 처분: 규칙과 워크플로우가 올바른 유닛 수준의 결정을 내렸습니까?

표면에 배치되고 커버리지 경계에 있는 대표적인 결함으로 테스트하세요. 정상적인 외관 변동, 오염, 반사, 고정구 변경 및 수리된 특징부가 포함된 양품을 포함합니다. 거의 동일한 캡처가 학습 세트와 테스트 세트 간에 누출되지 않도록 생산 배치 또는 시간별로 평가를 분할하세요.

운영 지표에는 놓친 결함, 오거부, 검토율, 사용 불가 뷰, 사이클 타임, 수동 개입, 캘리브레이션 실패 및 이벤트 진단 시간이 포함됩니다. 단일 집계뿐만 아니라 제품, 표면, 결함 및 뷰별로 결과를 보고하세요.

품질 시스템과 통합#

검사 결과는 통과, 검토, 재작업 또는 거부와 같은 제어된 처분에 매핑되어야 합니다. 이유와 레시피 버전을 기록하세요. 결과가 올바른 제품에 속하도록 유닛 ID 및 품질 또는 제조 시스템과 통합하세요.

목적과 정책에 따라 유지되는 이미지를 제한하세요. 일부 조직은 실패했거나 샘플링된 유닛만 유지하고, 다른 조직은 더 광범위한 추적성이 필요합니다. 접근 및 삭제를 포함하여 생산 전에 규칙을 정의하세요.

안전 및 복구#

로봇 모션은 검증된 로봇 및 셀 안전 시스템 하에 유지되어야 합니다. 학습된 비전은 적절히 엔지니어링되고 평가된 안전 기능의 일부가 아닌 한 보호 제어 장치로 제시되어서는 안 됩니다.

누락된 이미지, 실패한 트리거, 사용 불가 카메라, 도달 불가 뷰, 캘리브레이션 오류, 모델 타임아웃 및 로봇 결함에 대한 복구를 설계하세요. 복구 후, 시스템이 어떤 뷰가 유효하고 어떤 뷰를 다시 획득해야 하는지 파악하고 있는지 확인하세요.