제조업의 품질 검사: 기존 방식과 딥러닝 방식 비교

품질 검사는 제품이 필수 품질 기준을 충족하는지 확인하는 제조 과정의 핵심 작업입니다. 그러나 제품의 복잡성이 커질수록 기존 검사 방법으로 품질을 평가하는 데 드는 비용도 증가할 수 있습니다.

제조업체는 검사 비용을 낮추기 위해 객체 감지와 시맨틱 분할 같은 딥러닝 기반 검사 기법을 도입하고 있습니다. 딥러닝은 데이터의 복잡한 패턴을 식별하기 위해 신경망이라는 컴퓨터 알고리즘을 사용하는 인공지능(AI)의 하위 분야입니다. 이러한 기법은 이미지와 동영상을 포함한 대규모 데이터셋을 분석하여 검사 워크플로를 자동화하고 검사자의 수작업 의존도를 줄이는 데 도움이 됩니다.

다재다능하고 비용 효율적인 AI 기반 품질 보증은 비즈니스 수익성을 크게 높입니다. 보고서에 따르면 제조업은 2035년까지 AI를 통해 3조 달러 이상의 이익을 얻을 수 있습니다.

이 글에서는 딥러닝 방법이 품질 검사를 어떻게 개선할 수 있는지, 그리고 Ultralytics YOLO11이 여러 산업의 검사를 어떻게 향상할 수 있는지 살펴봅니다.

제조 분야의 품질 검사란 무엇인가요?#

품질 검사는 제품이 소비자에게 전달되기 전에 결함, 이상 또는 불일치가 있는지 평가합니다.

제품이 조립 라인을 통과하는 생산 중에 검사를 수행할 수도 있고, 생산이 끝난 후 제품이 유통 라인으로 이동하기 전에 수행할 수도 있습니다.

일반적으로 전문가가 육안으로 제품을 평가해 제품이 원하는 설계 기준에서 벗어났거나 해당 기준을 충족하지 못하는지 확인합니다.

그러나 품질 요구 수준이 높아짐에 따라 제조업체들은 운영의 민첩성과 확장성을 높이기 위해 자동화된 딥러닝 접근 방식으로 전환하고 있습니다.

딥러닝 접근 방식이란 무엇인가요?#

딥러닝 접근 방식은 인간의 뇌 작동 원리를 따르는 인공 신경망을 사용합니다. 신경망은 서로 연결된 뉴런 계층으로 구성됩니다. 각 뉴런은 수학적 연산을 수행하여 데이터를 분석하고 패턴을 식별한 다음 예측을 생성합니다.

그림 1. 인공 신경망입니다.

품질 검사에 사용되는 딥러닝 모델에는 제품 이미지에서 특징을 자동으로 학습하고 추출하는 컴퓨터 비전 프레임워크가 포함됩니다.

컴퓨터 비전 모델을 개발하려면 전문가가 관련 데이터셋으로 신경망을 학습시키고, 새 데이터셋에서 검증을 수행해 성능을 확인해야 합니다.

검증이 완료되면 전문가는 TorchScript, ONNX, OpenVINO와 같은 다양한 배포 도구를 사용해 모델을 카메라와 센서에 배포할 수 있습니다.

품질 검사를 위한 딥러닝 접근 방식#

비전 기반 품질 검사는 여러 방법을 사용해 손상, 균열, 누락된 부품을 감지하고 위치를 파악합니다. 아래 목록에서는 최신 딥러닝 접근 방식 네 가지를 소개합니다.

이진 분류#

이진 분류는 이미지를 두 가지 클래스 중 하나로 분류하는 작업입니다. 예를 들어 객체에 결함이 있는지 판단할 수 있습니다.

분류 모델은 시각 데이터를 바탕으로 예 또는 아니요의 이진 결과를 출력합니다. 이 모델은 부품 누락을 감지하는 데 도움이 됩니다. 예를 들어 제품에서 부품이 누락되었는지 여부를 분류 모델로 감지할 수 있습니다.

그림 2. 자동차 부품의 이진 분류입니다.

다중 클래스 분류#

다중 클래스 분류는 이미지를 두 개보다 많은 클래스로 분류하는 작업입니다. 각 이미지를 미리 정의된 여러 카테고리 중 하나에 할당합니다.

예를 들어 다중 클래스 분류 모델은 제품 이미지를 분석해 여러 손상 또는 균열 유형에 대한 확률을 반환하고, 어떤 유형이 존재할 가능성이 가장 높은지 나타낼 수 있습니다.

그림 3. 휘어짐 및 색상 결함을 감지하는 다중 클래스 분류입니다.

이는 긁힘, 찌그러짐 또는 균열과 같은 결함에 따라 서로 다른 처리 절차가 필요할 수 있는 제조 분야에서 유용합니다.

위치 파악#

위치 파악은 이미지 내 객체나 특징의 구체적인 위치를 식별하는 작업입니다. 객체 감지 모델을 사용해 손상된 특정 영역을 표시하는 바운딩 박스 또는 좌표를 예측합니다.

이는 건물이나 산업 부품의 균열 감지와 같이 결함의 정확한 위치를 파악해야 목표에 맞는 수리를 할 수 있는 작업에 유용합니다.

그림 4. 펀칭 구멍의 위치를 파악하는 모델입니다.

예를 들어 인프라 유지보수에서 위치 파악 모델은 콘크리트 구조물 이미지를 분석해 균열이 있는 정확한 영역을 표시할 수 있습니다.

다중 클래스 위치 파악#

다중 클래스 위치 파악은 이미지 내 여러 결함을 식별하고 위치를 파악하는 동시에, 각 결함을 미리 정의된 여러 카테고리 중 하나로 분류합니다.

이 방식은 더욱 고도화된 객체 감지 모델을 사용해 결함의 유형과 위치를 파악하고 더 자세한 정보를 제공합니다.

그림 5. 여러 결함 유형의 위치를 파악하는 모델입니다.

예를 들어 다중 클래스 위치 파악 모델은 손상된 제품 이미지를 분석해 긁힘이나 균열과 같은 결함 유형과 제품 내 결함의 정확한 좌표를 표시할 수 있습니다.

기존 접근 방식과 딥러닝 접근 방식 비교#

기존 검사 방법은 사용자 정의 규칙과 기준을 따르므로 유연성이 낮습니다. 이러한 규칙과 기준에는 임계값, 사전 정의된 체크리스트, 합격·불합격 판정 기준 등이 포함됩니다.

예를 들어 규칙 기반 비전 기법에서는 전문가가 특정 제품의 이상적인 색상, 모양, 크기를 정의합니다. 카메라나 다른 이미지 캡처 장치가 이러한 기준에서 벗어난 부분을 감지하면 시스템이 전문가에게 알립니다.

딥러닝 접근 방식은 더 복잡한 감지 시스템을 구축할 때 유연성을 높여 줍니다. 이 접근 방식에서는 결함이 있는 객체 이미지로 구성된 대규모 데이터셋을 수집하고 어노테이션합니다. 전문가는 어노테이션된 데이터를 사용해 Ultralytics YOLO11과 같은 객체 감지 모델을 학습합니다. 학습이 완료되면 모델을 카메라나 센서에 배포하여 이미지를 캡처하고 결함을 실시간으로 식별할 수 있습니다.

다음 섹션에서는 Ultralytics YOLO11을 품질 검사에 활용하는 방법을 살펴보겠습니다.

품질 검사에 컴퓨터 비전 활용하기#

단일 단계 객체 검출(You-Only-Look-Once, YOLO)은 높은 정확도, 적응성, 속도로 잘 알려진 최첨단(SOTA) 실시간 객체 감지 모델입니다. 이 글을 작성할 당시 최신 버전은 Ultralytics YOLO11이었으며, 이후 Ultralytics YOLO26이 이를 계승했습니다. YOLO11은 특징 추출, 속도, 정확도, 적응성 측면에서 이전 버전보다 개선되었습니다.

더욱 정밀한 특징 추출을 위해 아키텍처를 개선했으며, 처리 속도를 높이도록 최적화된 학습 파이프라인을 포함합니다. 또한 계산 효율성도 향상되었습니다. YOLO11m은 YOLOv8m보다 매개변수를 22% 적게 사용하면서 더 높은 정확도를 달성합니다.

다재다능한 Ultralytics YOLO11은 여러 분야의 품질 검사 워크플로를 개선하는 데 도움이 됩니다. 객체 감지 및 세그멘테이션과 같은 작업을 수행해 제품의 이상, 손상, 균열, 누락된 부품, 포장 오류를 감지할 수 있습니다.

제조업에서 컴퓨터 비전 모델을 활용할 수 있는 몇 가지 방법을 살펴보겠습니다.

전자제품의 누락된 부품 및 잘못 배치된 부품 감지#

컴퓨터 비전 모델은 제품에 필요한 부품이 모두 포함되어 있는지 확인할 수 있습니다. 조립된 제품에서 누락된 구성 요소를 감지해 제품의 완전성을 확인할 수 있습니다.

전자제품 제조에서는 최종 제품의 신뢰성과 올바른 기능을 보장하기 위해 누락된 구성 요소, 정렬이 잘못된 부품 또는 납땜 문제를 식별하는 일이 매우 중요합니다.

YOLO11과 같은 객체 감지 모델은 회로 기판에서 부품이 누락되거나 잘못 배치된 경우를 감지하도록 학습할 수 있습니다. 회로 기판 이미지를 실시간으로 분석하여 저항기나 커패시터 누락과 같은 결함을 식별할 수 있습니다. PCB 부품 감지와 같은 공개 데이터셋은 이러한 모델을 학습하기 위한 좋은 출발점입니다. 이를 통해 배송 전에 각 제품의 조립이 올바르게 완료되었는지 확인할 수 있습니다.

자동차 부품의 균열 감지#

균열 감지는 이미지 또는 센서 데이터를 분석해 균열의 위치, 크기, 심각도를 파악하는 또 다른 감지 작업입니다.

자동차 산업은 기어와 브레이크 시스템을 비롯한 여러 구성 요소의 균열을 감지해 안전 기준 충족 여부를 확인해야 하는 분야의 한 사례입니다.

Ultralytics YOLO11과 같은 모델은 복잡한 자동차 부품의 표면 긁힘이나 균열과 같은 결함을 신속하게 감지하도록 학습시킬 수 있습니다.

섬유 제품의 손상 감지#

컴퓨터 비전 작업을 사용하면 컴퓨터 비전으로 제품 표면의 긁힘, 찌그러짐, 변형 등 다양한 유형의 손상을 감지할 수 있습니다.

섬유 산업은 Ultralytics YOLO11과 같은 객체 감지 및 세그멘테이션 모델을 사용해 AI 기반 손상 감지의 이점을 크게 얻을 수 있습니다. 생산 과정에서 찢어짐, 구멍, 얼룩 또는 직물의 불균일성과 같은 결함을 식별할 수 있습니다.

의약품 제조에서의 이상 감지#

이상 감지는 제품의 디자인, 구조, 외관, 크기를 분석해 이러한 특성이 원하는 기준에서 벗어나는지 평가하는 작업입니다.

의약품 제조에서 이상 감지는 의약품의 품질과 안전성을 보장하는 데 필수적입니다. 제조업체는 Ultralytics YOLO11을 사용해 정제 모양과 크기의 불일치, 변색, 이물질과 같은 이상을 감지할 수 있습니다.

포장 및 라벨링 정확도#

제조업에서 컴퓨터 비전 모델을 활용하는 또 다른 사례는 여러 산업의 포장 및 라벨링입니다. 예를 들어 식음료 산업은 소비자 안전과 규정 준수를 위해 엄격한 기준을 충족해야 합니다.

Ultralytics YOLO11과 같은 모델은 잘못된 라벨 부착, 포장 손상, 안전 봉인 누락과 같은 포장 오류를 감지할 수 있습니다. 또한 라벨이 올바른 위치에 부착되었는지, 바코드나 유통기한이 명확하게 표시되었는지 확인할 수 있습니다.

이를 통해 제품이 산업 규정을 준수하고 소비자에게 유통될 준비를 마쳤는지 확인할 수 있습니다.

AI 기반 품질 검사의 과제와 향후 방향#

AI 기반 품질 검사 프레임워크는 아직 발전 중이며 여러 과제에 직면해 있습니다. 이러한 기술과 관련해 고려해야 할 몇 가지 한계와 향후 연구 방향을 소개합니다.

• 오픈 월드 학습 및 능동 비전: 레이블이 지정된 데이터가 제한적이기 때문에 새로운 객체를 감지하는 객체 감지 모델을 구축하기는 어렵습니다. 비지도 학습 및 전이 학습 모델은 전문가가 감지 프레임워크를 새로운 데이터셋에 빠르게 적용하도록 도울 수 있습니다.
• 픽셀 수준 감지: 이미지 세그멘테이션을 사용하면 모델이 이미지의 배경과 주요 객체의 차이를 이해할 수 있습니다. 고품질 검사를 위해 객체 감지와 세그멘테이션을 통합하는 방법은 지속적으로 연구가 진행되는 분야입니다.
• 멀티모달 학습: 멀티모달 모델은 여러 유형의 데이터를 동시에 통합하고 분석할 수 있습니다. 객체 탐지에서 멀티모달 학습은 열화상 데이터, 2차원 이미지, 짧은 동영상 등 다양한 유형의 데이터로 학습함으로써 검사 정확도를 높이는 데 도움이 됩니다.

핵심 요점#

다양한 객체 감지 모델이 지속적으로 개발되면서 딥러닝 기반 품질 검사가 빠르게 발전하고 있습니다. AI 기반 품질 검사를 통해 제조업체는 기존 접근 방식보다 확장성과 유연성을 높일 수 있습니다.

기업은 Ultralytics YOLO11과 같은 모델을 사용해 검사 과정을 자동화하고, 개선된 아키텍처와 특징 추출 기능을 활용해 정확도를 높이고 처리 속도를 향상할 수 있습니다.

GitHub 저장소를 확인하고 활발한 커뮤니티에 참여하여 YOLO11과 다른 객체 감지 모델에 대해 자세히 알아보세요. Ultralytics가 컴퓨터 비전을 활용해 제조업을 지원하는 방법을 살펴보세요.