제조 분야의 품질 검사: 전통적 방식 vs. 딥러닝 방식

품질 검사는 제품이 요구되는 품질 표준을 충족하도록 보장하는 제조업 과정의 핵심적인 업무입니다. 그러나 제품의 복잡성이 증가함에 따라 전통적인 검사 방법을 사용하여 품질을 평가하는 것은 큰 비용이 발생할 수 있습니다.

제조업체들은 검사 비용을 절감하기 위해 객체 탐지 및 의미론적 분할과 같은 딥러닝 기반의 검사 기술로 전환하고 있습니다. 딥러닝은 인공지능(AI)의 하위 분야로, 신경망이라 불리는 컴퓨터 알고리즘을 사용하여 데이터 내의 복잡한 패턴을 식별합니다. 이러한 기술은 이미지 및 비디오를 포함한 방대한 데이터셋을 분석함으로써 검사 워크플로를 자동화하고 인간 검사자에 대한 의존도를 줄이는 데 도움을 줍니다.

AI 기반의 품질 보증은 그 범용성과 비용 효율성 덕분에 기업의 수익성을 크게 향상시킵니다. 보고서에 따르면 제조업은 2035년까지 AI를 통해 3조 달러 이상의 수익을 얻을 수 있을 것으로 전망됩니다.

본 게시물에서는 딥러닝 방식이 어떻게 품질 검사를 개선할 수 있는지, 그리고 Ultralytics YOLO11이 다양한 산업 분야에서 어떻게 검사 과정을 강화할 수 있는지 논의하겠습니다.

Link to this section제조업에서의 품질 검사란 무엇입니까?#

품질 검사는 제품이 소비자에게 도달하기 전에 결함, 이상 현상 또는 일관성 없는 부분이 있는지 평가하는 과정입니다.

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

종종 이는 인간 전문가가 시각적 평가를 수행하여 제품이 원하는 설계 표준에서 벗어나거나 이를 충족하지 못하는지 확인하는 것을 포함합니다.

그러나 품질 요구 사항이 증가함에 따라, 제조업체들은 운영의 민첩성과 확장성을 높이기 위해 자동화된 딥러닝 접근 방식으로 전환하고 있습니다.

Link to this section딥러닝 접근 방식이란 무엇입니까?#

딥러닝 접근 방식은 인간 뇌의 원리를 기반으로 작동하는 인공 신경망을 사용합니다. 신경망은 상호 연결된 뉴런 층으로 구성됩니다. 각 뉴런은 데이터를 분석하고 패턴을 식별하며 예측을 생성하기 위해 수학적 계산을 수행합니다.

그림 1. 인공 신경망.

품질 검사에서 딥러닝 모델은 제품 이미지로부터 자동으로 특징을 학습하고 추출하는 컴퓨터 비전 프레임워크를 포함합니다.

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

Once validated, experts can deploy these models on cameras and sensors using various deployment tools such as PyTorch, ONNX, and OpenVINO.

Link to this section품질 검사를 위한 딥러닝 접근 방식#

비전 기반 품질 검사는 손상, 균열 및 누락된 항목을 감지하고 위치를 파악하기 위해 여러 방법을 사용합니다. 아래 목록은 네 가지 현대적인 딥러닝 접근 방식을 다룹니다.

Link to this section이진 분류#

이진 분류는 객체에 결함이 있는지 여부를 판단하는 것과 같이 이미지를 두 개의 클래스 중 하나로 분류하는 작업을 의미합니다.

시각적 데이터를 기반으로, 분류 모델은 이진(예/아니요) 결정을 출력합니다. 이는 누락된 항목을 감지하는 데 도움이 됩니다. 예를 들어, 분류 모델은 제품 내에 항목이 누락되었는지 여부를 감지할 수 있습니다.

그림 2. 자동차 부품의 이진 분류.

Link to this section다중 클래스 분류#

다중 클래스 분류는 이미지를 두 개 이상의 클래스로 분류하는 작업입니다. 이는 각 이미지를 여러 미리 정의된 범주 중 하나에 할당합니다.

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

그림 3. 휨 및 색상 결함을 감지하는 다중 클래스 분류.

이는 긁힘, 찌그러짐 또는 균열과 같은 다양한 결함이 서로 다른 처리 절차를 필요로 할 수 있는 제조업에서 유용합니다.

Link to this section위치 파악 (Localization)#

위치 파악은 이미지 내에서 객체나 특징의 구체적인 위치를 식별하는 것을 의미합니다. 객체 탐지 모델을 사용하여 손상된 특정 영역을 강조하는 BBox 또는 좌표를 예측합니다.

이는 대상 수리를 위해 결함의 정확한 위치가 필요한 건물이나 산업 부품의 균열 탐지 같은 작업에 유용합니다.

그림 4. 펀칭 구멍을 위치 파악하는 모델.

예를 들어, 인프라 유지 관리에서 위치 파악 모델은 콘크리트 구조물의 이미지를 분석하여 균열이 위치한 정확한 영역을 표시할 수 있습니다.

Link to this section다중 클래스 위치 파악#

다중 클래스 위치 파악은 이미지 내의 여러 결함을 식별하고 위치를 찾아내는 동시에, 각 결함을 여러 미리 정의된 범주 중 하나로 분류합니다.

이 방식은 보다 진보된 객체 탐지 모델을 사용하여 결함의 유형과 위치를 결정함으로써 더 상세한 정보를 제공합니다.

그림 5. 여러 결함 유형을 위치 파악하는 모델.

예를 들어, 다중 클래스 위치 파악 모델은 손상된 항목의 이미지를 분석하여 긁힘이나 균열과 같은 결함 유형을 나타내고, 객체 내 결함의 정확한 좌표를 제공할 수 있습니다.

Link to this section전통적 방식과 딥러닝 방식의 비교#

전통적인 검사 방법은 임계값, 사전 정의된 체크리스트, 합격/불합격 기준과 같은 사용자 정의 규칙과 표준을 따르는 등 더 경직되어 있습니다.

예를 들어, 규칙 기반 비전 기술에서 전문가들은 특정 제품의 이상적인 색상, 모양, 크기를 정의합니다. 카메라나 다른 이미지 캡처 장치가 이러한 표준에서 벗어난 데이터를 감지하면 시스템이 전문가에게 이를 알립니다.

Deep-learning approaches offer greater flexibility for building more complex detection systems. These approaches involve collecting and annotating extensive datasets of images of defective objects. Experts use the annotated data to train object detection models such as Ultralytics YOLO11. Once trained, they can deploy the model in cameras or sensors to capture images and identify defects in real time.

다음 섹션에서는 품질 검사에 YOLO11을 어떻게 활용할 수 있는지 살펴보겠습니다.

Link to this section품질 검사를 위한 컴퓨터 비전 사용#

YOLO는 높은 정확도, 적응성 및 속도로 유명한 최첨단(SOTA) 실시간 객체 탐지 모델입니다. 최신 버전인 Ultralytics YOLO11은 특징 추출, 속도, 정확도 및 적응성 측면에서 이전 버전을 개선했습니다.

이 모델은 더욱 정밀한 특징 추출을 위한 개선된 아키텍처를 갖추고 있으며, 더 빠른 처리 속도를 위해 최적화된 학습 파이프라인을 포함합니다. 이전 모델보다 파라미터 수는 22% 줄어들고 정확도 점수는 더 높아져 계산 효율성이 뛰어납니다.

YOLO11은 다재다능함 덕분에 여러 분야에서 품질 검사 워크플로를 개선하는 데 기여할 수 있습니다. 객체 탐지 및 분할과 같은 작업을 수행하여 제품의 이상 현상, 손상, 균열, 누락된 항목 및 포장 오류를 감지하는 데 도움을 줍니다.

제조업 내에서 컴퓨터 비전 모델을 사용할 수 있는 몇 가지 방법을 살펴보겠습니다.

Link to this section전자 제품의 누락된 항목 및 잘못 배치된 부품 탐지#

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

전자 제품 제조 분야에서는 최종 제품의 신뢰성과 올바른 기능을 보장하기 위해 누락된 구성 요소, 잘못 정렬된 부품 또는 납땜 문제를 식별하는 것이 매우 중요합니다.

YOLO11과 같은 객체 탐지 모델은 회로 기판에서 누락되거나 잘못 배치된 구성 요소를 탐지하도록 학습될 수 있습니다. 이 모델은 실시간으로 기판 이미지를 분석하고 누락된 저항기나 커패시터와 같은 결함을 식별할 수 있습니다. 이를 통해 배송 전 각 제품의 조립 상태가 올바른지 확인할 수 있습니다.

Link to this section자동차 부품의 균열 탐지#

균열 탐지는 이미지나 센서 데이터를 분석하여 균열의 위치, 크기 및 심각도를 찾아내는 또 다른 탐지 작업입니다.

자동차 산업은 기어 및 브레이크 시스템과 같은 다양한 부품의 균열을 탐지하여 안전 표준을 충족하도록 보장해야 하는 대표적인 분야입니다.

YOLO11과 같은 모델은 복잡한 자동차 부품의 표면 긁힘이나 균열과 같은 결함을 신속하게 탐지하도록 학습될 수 있습니다.

Link to this section섬유의 손상 탐지#

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

섬유 산업은 YOLO11과 같은 객체 탐지 및 분할 모델을 사용하여 AI 기반 손상 탐지로부터 큰 이점을 얻을 수 있습니다. 생산 과정에서 찢어짐, 구멍, 얼룩 또는 직물의 불일치와 같은 결함을 식별할 수 있습니다.

Link to this section제약 제조에서의 이상 현상 탐지#

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

제약 제조 분야에서 이상 현상 탐지는 의약품의 품질과 안전을 보장하는 데 필수적입니다. 제조업체들은 YOLO11을 사용하여 정제 모양, 크기, 변색 또는 이물질과 같은 불일치를 탐지할 수 있습니다.

Link to this section포장 및 라벨링 정확도#

제조업에서 컴퓨터 비전 모델을 활용할 수 있는 또 다른 예는 포장 및 라벨링 분야입니다. 예를 들어, 식음료 산업은 소비자 안전과 규정 준수를 위해 엄격한 표준을 충족해야 합니다.

YOLO11과 같은 모델은 잘못된 라벨링, 손상된 포장 또는 누락된 안전 밀봉과 같은 포장 오류를 탐지하는 데 도움을 줄 수 있습니다. 또한 라벨이 바코드나 유통기한과 함께 올바른 위치에 부착되었는지 확인할 수 있습니다.

이는 제품이 산업 규정을 준수하고 소비자 유통을 위한 준비가 되었음을 보장합니다.

Link to this sectionAI 기반 품질 검사의 과제와 향후 방향#

AI 기반 품질 검사 프레임워크는 여전히 진화 중이며 수많은 과제에 직면해 있습니다. 이러한 기술을 고려할 때 몇 가지 제한 사항과 향후 연구 방향은 다음과 같습니다.

• 오픈 월드 학습 및 액티브 비전: 새로운 객체를 탐지하기 위한 객체 탐지 모델을 구축하는 것은 라벨링된 데이터의 가용성이 제한적이기 때문에 어렵습니다. 비지도 학습 및 전이 학습 모델은 전문가가 새로운 데이터셋에 탐지 프레임워크를 신속하게 적응시키는 데 도움을 줄 수 있습니다.
• 픽셀 수준 탐지: 이미지 분할을 통해 모델은 이미지 내의 배경과 주요 객체 간의 차이를 이해할 수 있습니다. 객체 탐지와 분할을 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 깊이 파악을 위한 열 데이터, 2차원 이미지, 짧은 비디오 영상 등 다양한 데이터 유형으로부터 학습함으로써 검사 정확도를 향상시키는 데 도움을 줄 수 있습니다.

Link to this section핵심 요약#

딥러닝 기반 품질 검사는 다양한 객체 탐지 모델의 지속적인 개발로 인해 기하급수적인 발전을 경험하고 있습니다. AI 기반 품질 검사를 통해 제조업체들은 전통적인 방식보다 더 뛰어난 확장성과 유연성을 달성할 수 있습니다.

기업들은 YOLO11과 같은 모델을 사용하여 검사 프로세스를 자동화할 수 있으며, 향상된 아키텍처와 특징 추출 기능을 활용하여 더 높은 정확도와 더 빠른 속도를 얻을 수 있습니다.

저희 GitHub 저장소를 확인하고 활발한 커뮤니티에 참여하여 YOLO11 및 기타 객체 탐지 모델에 대해 더 자세히 알아보세요. Ultralytics가 최첨단 딥러닝 프레임워크를 통해 제조업을 어떻게 재정의하고 있는지 살펴보시기 바랍니다.