제조 품질 검사: 기존 방식과 딥러닝 방식 비교

품질 검사는 제품이 요구되는 품질 기준을 충족하도록 보장하는 제조 과정의 핵심 작업입니다. 그러나 제품의 복잡성이 증가하면 전통적인 검사 방법으로 품질을 평가하는 데 많은 비용이 들 수 있습니다.

제조업체는 검사 비용을 줄이기 위해 객체 탐지와 의미론적 세그멘테이션 같은 딥러닝 기반 검사 기법으로 전환하고 있습니다. 딥러닝은 신경망이라고 하는 컴퓨터 알고리즘을 사용해 데이터의 복잡한 패턴을 식별하는 인공지능(AI)의 하위 분야입니다. 이러한 기법은 이미지와 동영상을 포함한 대규모 데이터셋을 분석하여 검사 워크플로를 자동화하고 사람 검사자에 대한 의존도를 줄이는 데 도움이 됩니다.

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

이 글에서는 딥러닝 방법이 품질 검사를 개선하는 방식과 Ultralytics YOLO11이 여러 산업의 검사를 향상하는 방법을 설명합니다.

제조업의 품질 검사란 무엇인가요?#

품질 검사는 제품이 소비자에게 도달하기 전에 결함, 이상 또는 불일치가 있는지를 평가합니다.

이 과정은 제품이 조립 라인을 통과하는 생산 중에 진행되거나, 생산 후 유통 라인으로 이동하기 전에 진행될 수 있습니다.

대개 전문가가 육안으로 평가하여 제품이 원하는 설계 기준에서 벗어나거나 이를 충족하지 못하는지 확인합니다.

그러나 품질 요구 사항이 높아지면서 제조업체는 운영에서 더 큰 민첩성과 확장성을 달성하기 위해 자동화된 딥러닝 접근 방식으로 전환하고 있습니다.

딥러닝 접근 방식이란 무엇인가요?#

딥러닝 접근 방식은 인간의 뇌 원리에 따라 작동하는 인공 신경망을 사용합니다. 이러한 네트워크는 상호 연결된 뉴런 계층으로 구성됩니다. 각 뉴런은 수학적 계산을 수행하여 데이터를 분석하고, 패턴을 식별하며, 예측을 생성합니다.

그림 1. 인공 신경망.

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

컴퓨터 비전 모델을 개발하려면 전문가가 관련 데이터셋으로 신경망을 학습시키고 새로운 데이터셋에서 검증을 실행하여 성능을 확인해야 합니다.

검증이 완료되면 전문가는 PyTorch, ONNX, OpenVINO와 같은 다양한 배포 도구를 사용하여 카메라와 센서에 이러한 모델을 배포할 수 있습니다.

품질 검사를 위한 딥러닝 접근 방식#

비전 기반 품질 검사는 손상, 균열 및 누락된 항목을 탐지하고 위치를 파악하기 위해 여러 방법을 사용합니다. 아래 목록에서는 네 가지 최신 딥러닝 접근 방식을 소개합니다.

이진 분류#

이진 분류는 이미지를 두 클래스 중 하나로 분류하는 작업을 의미하며, 객체에 결함이 있는지 여부를 판단하는 것이 그 예입니다.

시각 데이터에 기반하여 분류 모델은 이진 예/아니요 결정을 출력합니다. 이를 통해 누락된 항목을 탐지할 수 있습니다. 예를 들어 분류 모델은 제품에 특정 항목이 누락되었는지 여부를 탐지할 수 있습니다.

그림 2. 자동차 부품의 이진 분류.

다중 클래스 분류#

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

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

그림 3. 구부러짐 및 색상을 탐지하는 다중 클래스 분류.

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

위치 파악#

위치 파악은 이미지 내 객체 또는 특징의 구체적인 위치를 식별하는 것을 의미합니다. 객체 탐지 모델을 사용하여 손상된 특정 영역을 강조하는 바운딩 박스 또는 좌표를 예측합니다.

이는 건물이나 산업 부품의 균열 탐지와 같은 작업에 유용하며, 결함의 정확한 위치를 파악해야 집중적인 수리를 수행할 수 있습니다.

그림 4. 펀칭 구멍의 위치를 파악하는 모델.

예를 들어 인프라 유지 관리에서 위치 파악 모델은 콘크리트 구조물의 이미지를 분석하고 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 사전 정의된 여러 범주 중 하나로 분류합니다.

더 고도화된 객체 탐지 모델을 사용하여 결함의 유형과 위치를 파악하고 더욱 상세한 정보를 제공합니다.

그림 5. 여러 결함 유형의 위치를 파악하는 모델.

예를 들어 다중 클래스 위치 파악 모델은 손상된 물품의 이미지를 분석하여 긁힘이나 균열과 같은 결함 유형과 객체 내 결함의 정확한 좌표를 나타낼 수 있습니다.

전통적 접근 방식과 딥러닝 접근 방식 비교#

전통적인 검사 방법은 더욱 엄격하며, 임계값, 사전 정의된 체크리스트, 합격/불합격 기준과 같이 사용자가 정의한 규칙과 표준을 따릅니다.

예를 들어 규칙 기반 비전 기법에서는 전문가가 특정 제품의 이상적인 색상, 형태 및 크기를 정의합니다. 카메라나 기타 이미지 캡처 장치가 이러한 표준과의 차이를 감지하면 시스템이 전문가에게 알립니다.

딥러닝 접근 방식은 더욱 복잡한 탐지 시스템을 구축할 때 더 높은 유연성을 제공합니다. 이러한 접근 방식에서는 결함이 있는 객체의 광범위한 이미지 데이터셋을 수집하고 어노테이션합니다. 전문가는 어노테이션된 데이터를 사용하여 Ultralytics YOLO11과 같은 객체 탐지 모델을 학습시킵니다. 학습이 완료되면 카메라나 센서에 모델을 배포하여 이미지를 캡처하고 실시간으로 결함을 식별할 수 있습니다.

다음 섹션에서는 Ultralytics YOLO11을 품질 검사에 사용하는 방법을 살펴보겠습니다.

품질 검사에 컴퓨터 비전 사용하기#

한 번 보면 모두 탐지(You-Only-Look-Once, YOLO)는 높은 정확도, 적응성 및 속도로 유명한 최첨단(SOTA) 실시간 객체 탐지 모델입니다. 최신 버전은 Ultralytics YOLO11이며, 특징 추출, 속도, 정확도 및 적응성 측면에서 이전 버전보다 향상되었습니다.

더 정밀한 특징 추출을 위한 개선된 아키텍처를 갖추고 있으며, 더 빠른 처리 속도를 위해 최적화된 학습 파이프라인을 포함합니다. 이전 모델보다 파라미터가 22% 적고 정확도 점수가 높아 계산 효율성이 더욱 뛰어납니다.

Ultralytics YOLO11은 다재다능하므로 여러 분야의 품질 검사 워크플로를 개선하는 데 도움이 될 수 있습니다. 객체 탐지 및 세그멘테이션과 같은 작업을 수행하여 제품의 이상, 손상, 균열, 누락된 항목 및 포장 오류를 탐지할 수 있습니다.

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

전자 제품의 누락 항목 및 잘못 배치된 부품 탐지#

컴퓨터 비전 모델은 제품에 필요한 모든 항목이 있는지 확인할 수 있습니다. 조립된 제품에서 누락된 구성 요소를 탐지하여 완전성을 보장할 수 있습니다.

전자 제품 제조에서 누락된 구성 요소, 정렬이 어긋난 부품 또는 납땜 문제를 식별하는 것은 최종 제품의 신뢰성과 올바른 기능을 보장하는 데 매우 중요합니다.

YOLO11과 같은 객체 탐지 모델은 회로 기판에서 누락되거나 잘못 배치된 구성 요소를 탐지하도록 학습할 수 있습니다. 기판 이미지를 실시간으로 분석하여 저항기나 커패시터 누락과 같은 결함을 식별할 수 있습니다. 이를 통해 배송 전에 각 장치가 올바르게 조립되었는지 확인할 수 있습니다.

자동차 부품의 균열 탐지#

균열 탐지는 이미지 또는 센서 데이터를 분석하여 균열의 위치, 크기 및 심각도를 정확히 파악하는 또 다른 탐지 작업입니다.

자동차 산업은 안전 기준을 충족하도록 기어와 브레이크 시스템을 비롯한 여러 구성 요소의 균열을 탐지해야 하는 분야의 한 예입니다.

Ultralytics YOLO11과 같은 모델은 복잡한 자동차 구성 요소의 표면 긁힘이나 균열과 같은 결함을 신속하게 탐지하도록 학습할 수 있습니다.

섬유 제품의 손상 탐지#

컴퓨터 비전은 컴퓨터 비전 작업을 사용하여 제품 표면의 긁힘, 찌그러짐 및 변형과 같은 다양한 유형의 손상을 탐지하는 데 도움이 될 수 있습니다.

섬유 산업은 Ultralytics YOLO11과 같은 객체 탐지 및 세그멘테이션 모델을 사용한 AI 기반 손상 탐지를 통해 큰 혜택을 얻을 수 있습니다. 생산 과정에서 찢김, 구멍, 얼룩 또는 직물 불일치와 같은 결함을 식별할 수 있습니다.

제약 제조의 이상 탐지#

이상 탐지는 제품의 설계, 구조, 외관 및 크기를 분석하여 이러한 특성이 원하는 표준에서 벗어나는지 평가하는 작업을 의미합니다.

제약 제조에서 이상 탐지는 의약품의 품질과 안전성을 보장하는 데 필수적입니다. 제조업체는 Ultralytics YOLO11을 사용하여 정제 형태와 크기의 불일치, 변색 또는 이물질과 같은 이상을 탐지할 수 있습니다.

포장 및 라벨링 정확도#

제조업에서 컴퓨터 비전 모델을 활용하는 또 다른 예는 산업 현장의 포장 및 라벨링입니다. 예를 들어 식음료 산업은 소비자 안전과 규정 준수를 위해 엄격한 표준을 충족해야 합니다.

Ultralytics YOLO11과 같은 모델은 잘못된 라벨링, 손상된 포장 또는 안전 봉인 누락과 같은 포장 오류를 탐지하는 데 도움이 될 수 있습니다. 또한 라벨이 명확한 바코드 또는 유통기한과 함께 올바른 위치에 부착되었는지도 확인할 수 있습니다.

이를 통해 제품이 산업 규정을 준수하고 소비자 유통을 위한 준비를 마쳤는지 확인할 수 있습니다.

AI 기반 품질 검사의 과제와 향후 방향#

AI 기반 품질 검사 프레임워크는 여전히 발전 중이며 수많은 과제에 직면해 있습니다. 다음은 이러한 기술과 관련하여 고려해야 할 몇 가지 한계와 향후 연구 방향입니다.

• 오픈 월드 학습 및 능동 비전: 제한된 레이블 데이터로 인해 새로운 객체를 탐지하는 객체 탐지 모델을 구축하는 것은 어렵습니다. 비지도 학습 및 전이 학습 모델은 전문가가 새로운 데이터셋에 맞게 탐지 프레임워크를 신속하게 조정하는 데 도움이 될 수 있습니다.
• 픽셀 수준 탐지: 이미지 세그멘테이션을 사용하면 모델이 이미지에서 배경과 주요 객체의 차이를 이해할 수 있습니다. 객체 탐지와 세그멘테이션을 통합하는 것은 고품질 검사를 보장하기 위해 지속적으로 개발되고 있는 연구 분야입니다.
• 멀티모달 학습: 멀티모달 모델은 여러 데이터 유형을 동시에 통합하고 분석할 수 있습니다. 객체 탐지에서 멀티모달 학습은 깊이를 이해하기 위한 열 데이터, 2차원 이미지 및 짧은 동영상과 같은 다양한 데이터 유형을 학습하여 검사 정확도를 향상하는 데 도움이 될 수 있습니다.

핵심 요점#

딥러닝 기반 품질 검사는 다양한 객체 탐지 모델이 지속적으로 개발되면서 기하급수적으로 발전하고 있습니다. AI 기반 품질 검사를 통해 제조업체는 기존 접근 방식보다 더 높은 확장성과 유연성을 달성할 수 있습니다.

기업은 Ultralytics YOLO11과 같은 모델을 사용하여 향상된 아키텍처와 특징 추출 기능을 활용하고, 더 높은 정확도와 빠른 속도로 검사 과정을 자동화할 수 있습니다.

GitHub 저장소를 확인하고 활발한 커뮤니티에 참여하여 YOLO11과 다른 객체 탐지 모델에 대해 자세히 알아볼 수 있습니다. 최첨단 딥러닝 프레임워크를 통해 Ultralytics가 제조업을 어떻게 재정의하고 있는지 살펴보세요.