최신 객체 감지 모델이 제조 분야에서 품질 검사를 자동화하는 데 어떻게 도움이 되는지 알아보십시오.
YOLO Vision 2025를 놓치지 마세요!
2025년 9월 25일
10:00 — 18:00 BST
하이브리드 이벤트
최신 객체 감지 모델이 제조 분야에서 품질 검사를 자동화하는 데 어떻게 도움이 되는지 알아보십시오.
품질 검사는 제품이 필요한 품질 표준을 충족하는지 확인하는 제조 과정에서 중요한 작업입니다. 그러나 기존 검사 방법을 사용하여 품질을 평가하는 것은 제품 복잡성이 증가함에 따라 비용이 많이 들 수 있습니다.
제조업체는 검사 비용을 줄이기 위해 객체 감지 및 시맨틱 분할과 같은 딥러닝 기반 검사 기술로 전환하고 있습니다. 딥러닝은 인공 지능(AI)의 하위 분야로, 신경망이라고 하는 컴퓨터 알고리즘을 사용하여 데이터에서 복잡한 패턴을 식별합니다. 이러한 기술은 이미지 및 비디오를 포함한 광범위한 데이터 세트를 분석하여 검사 워크플로를 자동화하고 인간 검사관에 대한 의존도를 줄이는 데 도움이 됩니다.
AI 기반 품질 보증은 다재다능함과 비용 효율성 덕분에 비즈니스 수익성을 크게 향상시킵니다. 보고서에 따르면 제조 산업은 2035년까지 AI를 통해 3조 달러 이상을 얻을 수 있습니다.
이 문서에서는 딥러닝 방법이 품질 검사를 어떻게 개선할 수 있는지, 그리고 Ultralytics YOLO11이 여러 산업 분야에서 검사를 어떻게 향상시킬 수 있는지 논의합니다.
품질 검사는 제품이 소비자에게 도달하기 전에 결함, 이상 또는 불일치가 있는지 평가합니다.
이 프로세스는 제품이 조립 라인을 통과하는 생산 중 또는 생산 후, 그러나 품목이 유통 라인으로 이동하기 전에 발생할 수 있습니다.
일반적으로 제품이 원하는 설계 표준에서 벗어나는지 또는 충족하지 못하는지 확인하기 위해 인간 전문가가 시각적 평가를 수행합니다.
그러나 품질 요구 사항이 증가함에 따라 제조업체는 운영의 민첩성과 확장성을 높이기 위해 자동화된 딥러닝 접근 방식으로 전환하고 있습니다.
딥러닝 접근 방식은 인간 두뇌의 원리로 작동하는 인공 신경망을 사용합니다. 네트워크는 상호 연결된 뉴런 계층입니다. 각 뉴런은 데이터를 분석하고 패턴을 식별하며 예측을 생성하기 위해 수학적 계산을 수행합니다.
품질 검사에서 딥러닝 모델에는 제품 이미지에서 특징을 자동으로 학습하고 추출하는 컴퓨터 비전 프레임워크가 포함됩니다.
컴퓨터 비전 모델을 개발하려면 전문가가 관련 데이터 세트에 대해 신경망을 훈련하고 새로운 데이터 세트에 대해 유효성 검사를 실행하여 성능을 확인해야 합니다.
유효성이 검증되면 전문가는 PyTorch, ONNX 및 OpenVINO와 같은 다양한 배포 도구를 사용하여 이러한 모델을 카메라 및 센서에 배포할 수 있습니다.
비전 기반 품질 검사는 여러 방법을 사용하여 손상, 균열 및 누락된 품목을 감지하고 찾습니다. 아래 목록은 4가지 최신 딥러닝 접근 방식을 언급합니다.
이진 분류는 이미지를 두 가지 클래스 중 하나로 분류하는 작업, 예를 들어 객체에 결함이 있는지 여부를 결정하는 것을 의미합니다.
시각적 데이터를 기반으로 분류 모델은 이진 예/아니오 결정을 출력합니다. 이는 누락된 품목을 감지하는 데 도움이 됩니다. 예를 들어 분류 모델은 제품에서 품목이 누락되었는지 여부를 감지할 수 있습니다.
다중 클래스 분류는 이미지를 둘 이상의 클래스로 분류하는 작업입니다. 각 이미지를 미리 정의된 여러 범주 중 하나에 할당합니다.
예를 들어 다중 클래스 분류 모델은 제품의 이미지를 분석하고 여러 손상 또는 균열 유형에 대한 확률을 반환하여 어떤 것이 가장 가능성이 높은지 나타낼 수 있습니다.
이는 긁힘, 찌그러짐 또는 균열과 같은 다양한 결함에 대해 서로 다른 처리 절차가 필요할 수 있는 제조에서 유용합니다.
객체 위치 파악은 이미지 내에서 객체 또는 특징의 특정 위치를 식별하는 것을 의미합니다. 객체 탐지 모델을 사용하여 손상된 특정 영역을 강조하는 바운딩 박스 또는 좌표를 예측합니다.
이는 건물이나 산업 부품의 균열 탐지와 같이 대상 수리에 필요한 결함의 정확한 위치를 파악하는 데 유용합니다.
예를 들어, 인프라 유지 보수에서 위치 파악 모델은 콘크리트 구조물의 이미지를 분석하고 균열이 있는 정확한 영역을 표시할 수 있습니다.
다중 클래스 위치 파악은 이미지 내에서 여러 결함을 식별하고 위치를 파악하는 동시에 각 결함을 여러 사전 정의된 범주 중 하나로 분류합니다.
보다 진보된 객체 탐지 모델을 사용하여 결함의 유형과 위치를 파악하여 더 자세한 정보를 제공합니다.
예를 들어, 다중 클래스 위치 파악 모델은 손상된 항목의 이미지를 분석하고 스크래치 또는 균열과 같은 결함 유형과 객체 내에서 결함의 정확한 좌표를 나타낼 수 있습니다.
기존 검사 방법은 임계값, 미리 정의된 체크리스트, 합격/불합격 기준과 같은 사용자 정의 규칙 및 표준을 따르기 때문에 더 경직되어 있습니다.
예를 들어, 규칙 기반 비전 기술에서는 전문가가 특정 제품의 이상적인 색상, 모양 및 크기를 정의합니다. 카메라 또는 기타 이미지 캡처 장치가 이러한 표준에서 벗어난 것을 감지하면 시스템에서 전문가에게 알립니다.
딥러닝 방식은 더욱 복잡한 탐지 시스템을 구축할 수 있는 더 큰 유연성을 제공합니다. 이러한 방식은 결함이 있는 객체의 광범위한 이미지 데이터 세트를 수집하고 어노테이션하는 것을 포함합니다. 전문가들은 어노테이션된 데이터를 사용하여 객체 탐지 모델 (예: Ultralytics YOLO11)을 훈련합니다. 일단 훈련되면 카메라나 센서에 모델을 배포하여 이미지를 캡처하고 실시간으로 결함을 식별할 수 있습니다.
다음 섹션에서는 YOLO11을 품질 검사에 사용하는 방법을 살펴보겠습니다.
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, 정확성 및 적응성 측면에서 이전 버전을 개선했습니다.
더욱 정밀한 특징 추출을 위한 더 나은 아키텍처를 제공하고 더 빠른 처리 속도를 위해 최적화된 훈련 파이프라인을 포함합니다. 이전 버전보다 22% 더 적은 파라미터와 더 높은 정확도 점수로 계산 효율성이 더 높습니다.
YOLO11은 다재다능하기 때문에 여러 도메인에서 품질 검사 워크플로를 개선하는 데 도움이 될 수 있습니다. 객체 탐지 및 분할과 같은 작업을 수행하여 제품의 이상, 손상, 균열, 누락된 항목 및 포장 오류를 탐지하는 데 도움이 될 수 있습니다.
제조 산업 내에서 컴퓨터 비전 모델을 사용할 수 있는 몇 가지 방법을 살펴보겠습니다.
컴퓨터 비전 모델은 제품에 필요한 모든 항목이 있는지 확인할 수 있습니다. 조립된 제품에서 누락된 구성 요소를 탐지하여 완전성을 보장할 수 있습니다.
전자 제품 제조에서는 최종 제품의 신뢰성과 올바른 기능을 보장하기 위해 누락된 구성 요소, 잘못 정렬된 부품 또는 납땜 문제를 식별하는 것이 중요합니다.
YOLO11과 같은 객체 탐지 모델은 회로 기판에서 누락되거나 잘못 배치된 구성 요소를 탐지하도록 훈련할 수 있습니다. 실시간으로 기판 이미지를 분석하고 누락된 저항기 또는 커패시터와 같은 결함을 식별할 수 있습니다. 이를 통해 각 장치의 조립이 출하 전에 올바른지 확인할 수 있습니다.
균열 감지는 이미지 또는 센서 데이터를 분석하여 균열의 위치, 크기 및 심각도를 정확히 찾아내는 또 다른 감지 작업입니다.
예를 들어 자동차 산업에서는 기어 및 브레이크 시스템과 같은 여러 부품의 균열을 감지하여 안전 기준을 충족하는지 확인해야 합니다.
YOLO11과 같은 모델은 복잡한 자동차 부품의 표면 긁힘이나 균열과 같은 결함을 신속하게 감지하도록 훈련할 수 있습니다.
컴퓨터 비전은 컴퓨터 비전 작업을 사용하여 긁힘, 찌그러짐 및 변형과 같이 제품 표면의 다양한 유형의 손상을 감지하는 데 도움이 될 수 있습니다.
섬유 산업은 YOLO11과 같은 객체 감지 및 분할 모델을 사용하여 AI 기반 손상 감지로부터 상당한 이점을 얻을 수 있습니다. 생산 과정에서 찢김, 구멍, 얼룩 또는 원단 불일치와 같은 결함을 식별할 수 있습니다.
이상 감지는 제품의 디자인, 구조, 외관 및 크기를 분석하여 이러한 속성이 원하는 표준에서 벗어나는지 평가하는 작업을 의미합니다.
제약 제조에서 이상 감지는 의약품의 품질과 안전을 보장하는 데 매우 중요합니다. 제조업체는 YOLO11을 사용하여 정제 모양, 크기, 변색 또는 이물질의 불일치와 같은 불규칙성을 감지할 수 있습니다.
컴퓨터 비전 모델이 제조 분야에서 사용될 수 있는 또 다른 예는 산업 분야의 포장 및 라벨링입니다. 예를 들어 식품 및 음료 산업은 소비자 안전 및 규정 준수에 대한 엄격한 기준을 충족해야 합니다.
YOLO11과 같은 모델은 잘못된 라벨링, 손상된 포장 또는 누락된 안전 밀봉과 같은 포장 오류를 감지하는 데 도움이 될 수 있습니다. 또한 라벨에 명확한 바코드 또는 만료 날짜가 올바르게 배치되었는지 확인할 수 있습니다.
이를 통해 제품이 산업 규정을 준수하고 소비자에게 배포할 준비가 되었는지 확인할 수 있습니다.
AI 기반 품질 검사 프레임워크는 여전히 발전하고 있으며 수많은 과제에 직면해 있습니다. 이러한 기술에 대해 고려해야 할 몇 가지 제한 사항 및 향후 연구 방향은 다음과 같습니다.
딥러닝 기반 품질 검사는 다양한 객체 감지 모델의 지속적인 개발로 인해 기하급수적인 발전을 경험하고 있습니다. AI 기반 품질 검사를 통해 제조업체는 기존 접근 방식보다 더 큰 확장성과 유연성을 달성할 수 있습니다.
기업은 YOLO11과 같은 모델을 사용하여 검사 프로세스를 자동화하고 향상된 아키텍처와 기능 추출 기능을 활용하여 더 나은 정확도와 더 빠른 속도를 얻을 수 있습니다.
GitHub 저장소를 확인하고 활발한 커뮤니티에 참여하여 YOLO11 및 기타 객체 감지 모델에 대해 자세히 알아볼 수 있습니다. Ultralytics가 최첨단 딥러닝 프레임워크를 통해 제조를 어떻게 재정의하고 있는지 살펴보십시오.
