제조 분야의 품질 검사: 전통적 방식 vs. 딥러닝 방식

품질 검사는 제품이 요구되는 품질 표준을 충족하도록 보장하는 제조 과정의 핵심적인 작업입니다. 그러나 제품의 복잡성이 증가함에 따라 전통적인 검사 방법을 사용하여 품질을 평가하는 것은 비용이 많이 들 수 있습니다.

제조업체들은 검사 비용을 절감하기 위해 객체 검출 및 의미론적 분할과 같은 딥러닝 기반 검사 기술로 전환하고 있습니다. 딥러닝은 신경망이라고 불리는 컴퓨터 알고리즘을 사용하여 데이터에서 복잡한 패턴을 식별하는 인공지능(AI)의 하위 분야입니다. 이러한 기술은 이미지와 비디오를 포함한 광범위한 데이터 세트를 분석하여 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.

이 글에서는 딥러닝 방법이 품질 검사를 어떻게 개선할 수 있는지, 그리고 Ultralytics YOLO11이 다양한 산업에서 검사를 어떻게 향상시킬 수 있는지 다룹니다.

제조업에서의 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.

딥러닝 접근 방식이란 무엇입니까?#

딥러닝 접근 방식은 인간의 주의 원리에 따라 작동하는 인공 신경망을 사용합니다. 신경망은 상호 연결된 뉴런 층으로 구성됩니다. 각 뉴런은 수학적 연산을 수행하여 데이터를 분석하고, 패턴을 식별하며, 예측을 생성합니다.

그림 1. 인공 신경망.

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

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

검증이 완료되면 전문가들은 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 감지하고 위치를 파악하기 위해 여러 방법을 사용합니다. 아래 목록은 네 가지 현대적인 딥러닝 접근 방식을 다룹니다.

이진 분류#

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

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.

다중 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 색상을 검출하는 다중 클래스 분류.

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

위치 파악 (Localization)#

위치 파악은 이미지 내에서 객체나 특징의 구체적인 위치를 식별하는 것을 말합니다. 손상된 특정 영역을 강조 표시하는 경계 상자 또는 좌표를 예측하기 위해 객체 검출 모델을 사용합니다.

이는 건물이나 산업 부품의 균열 검출과 같이 표적 수리를 위해 결함의 정확한 위치가 필요한 작업에 유용합니다.

그림 4. 타공 홀을 위치 파악하는 모델.

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

다중 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 찾는 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.

전통적 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.

딥러닝 접근 방식은 더 복잡한 검출 시스템을 구축하기 위한 더 큰 유연성을 제공합니다. 이 접근 방식에는 결함이 있는 객체의 이미지로 이루어진 광범위한 데이터 세트를 수집하고 주석을 달기 작업이 포함됩니다. 전문가들은 주석이 달린 데이터를 사용하여 Ultralytics YOLO11과 같은 객체 검출 모델을 학습시킵니다. 학습이 완료되면 카메라나 센서에 모델을 배포하여 실시간으로 이미지를 캡처하고 결함을 식별할 수 있습니다.

다음 섹션에서는 품질 검사에 Ultralytics YOLO11을 사용하는 방법을 살펴보겠습니다.

품질 검사를 위한 컴퓨터 비전 사용#

You-Only-Look-Once (YOLO)는 높은 정확도, 적응성, 속도로 유명한 최신(SOTA) 실시간 객체 검출 모델입니다. 최신 버전인 Ultralytics YOLO11은 특징 추출, 속도, 정확도 및 적응성 측면에서 이전 버전을 개선했습니다.

더욱 정확한 특징 추출을 위한 개선된 아키텍처를 특징으로 하며, 더 빠른 처리를 위해 최적화된 학습 파이프라인을 포함합니다. 이전 모델보다 22% 적은 매개변수와 더 높은 정확도를 제공하여 연산 효율성이 더 뛰어납니다.

Ultralytics YOLO11은 그 범용성 덕분에 여러 분야에서 품질 검사 워크플로를 개선하는 데 도움을 줄 수 있습니다. 객체 검출 및 분할과 같은 작업을 수행하여 제품의 이상 징후, 손상, 균열, 누락된 항목, 포장 오류를 감지하는 데 도움을 줄 수 있습니다.

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

전자 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 검출 모델은 회로 기판에서 누락되거나 잘못 배치된 부품을 검출하도록 학습될 수 있습니다. 기판의 이미지를 실시간으로 분석하여 누락된 저항이나 커패시터 등의 결함을 식별할 수 있습니다. 이를 통해 출하 전에 각 유닛의 조립 상태가 올바른지 확인할 수 있습니다.

자동차 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 여러 부품의 균열 검출이 안전 기준을 충족하는지 확인하는 데 필수적인 대표적인 예입니다.

Ultralytics YOLO11과 같은 모델은 복잡한 자동차 부품의 표면 긁힘이나 균열 같은 결함을 빠르게 감지하도록 학습될 수 있습니다.

섬유의 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 Ultralytics YOLO11과 같은 객체 검출 및 분할 모델을 사용하여 AI 기반 손상 검사로부터 큰 이점을 얻을 수 있습니다. 생산 과정에서 찢어짐, 구멍, 얼룩, 직물 불일치와 같은 결함을 식별할 수 있습니다.

제약 제조에서의 이상 현상 탐지#

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

제약 제조에서 이상 징후 검출은 의약품의 품질과 안전을 보장하는 데 매우 중요합니다. 제조업체는 Ultralytics YOLO11을 사용하여 정제 모양과 크기의 불일치, 변색, 이물질과 같은 비정상적인 상태를 감지할 수 있습니다.

포장 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.

Ultralytics YOLO11과 같은 모델은 잘못된 라벨 부착, 손상된 포장, 누락된 안전 씰과 같은 포장 오류를 감지하는 데 도움을 줄 수 있습니다. 또한 명확한 바코드나 유효 기간과 함께 라벨이 올바르게 부착되었는지 확인할 수 있습니다.

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

AI 기반 품질 검사의 과제와 향후 방향#

AI 기반 품질 검사 프레임워크는 여전히 진화하고 있으며 수많은 과제에 직면해 있습니다. 다음은 이러한 기술을 고려할 때 염두에 두어야 할 몇 가지 한계와 향후 연구 방향입니다.

• 개방형 세상 학습 및 액티브 비전: 라벨이 지정된 데이터의 가용성이 제한되어 있어 새로운 객체를 검출하기 위한 객체 검출 모델을 구축하는 것은 어렵습니다. 비지도 학습 및 전이 학습 모델은 전문가가 검출 프레임워크를 새로운 데이터 세트에 빠르게 적응시키도록 도울 수 있습니다.
• 픽셀 수준 검출: 이미지 분할을 통해 모델은 이미지 내의 배경과 주 객체의 차이를 이해할 수 있습니다. 객체 검출과 분할의 통합은 고품질 검사를 보장하기 위해 지속적으로 개발되고 있는 연구 분야입니다.
• 멀티모달 학습: 멀티모달 모델은 여러 데이터 유형을 동시에 통합하고 분석할 수 있습니다. 객체 검출에서 멀티모달 학습은 깊이 이해를 위한 열화상 데이터, 2차원 이미지, 짧은 동영상 등 다양한 데이터 유형으로부터 학습함으로써 검사 정확도를 향상시키는 데 도움을 줄 수 있습니다.

핵심 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.

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

당사의 GitHub 저장소를 확인하고 활발한 커뮤니티에 참여하여 YOLO11 및 기타 객체 검출 모델에 대해 자세히 알아보세요. Ultralytics가 최신 딥러닝 프레임워크를 통해 제조를 어떻게 재정의하고 있는지 살펴보세요.