불량 검출 모델 개념 및 적용 방식

  • 모든 공정에 무거운 딥러닝 모델을 쓸 필요는 없음
  • 불량 데이터의 유무에 따라 Supervised(지도학습)냐 Unsupervised(비지도학습/이상탐지)냐를 선택
  • 경량화(Optimization)를 통해 현장 속도를 맞춰야 함

1. 대표적인 비전 AI 알고리즘 패러다임

  • 제조 현장에서 비전 AI 모델을 선정할 때 최우선으로 고려해야 하는 기준은 “우리가 보유한 불량 데이터의 양과 불량의 정형성”

1.1 지도학습 기반 검사

  • 작동 원리:
    • “이것은 양품, 이것은 찍힘 불량, 이것은 크랙 불량이다”라고 정답(Label)이 달린 데이터를 대량으로 보여주고 학습시키는 방식
  • 주요 알고리즘 모델:
    • YOLO (You Only Look Once):
      • 실시간 객체 탐지(Object Detection)의 대명사
      • 속도가 매우 빠르고 불량의 위치와 종류를 동시에 파악
    • Mask R-CNN / DeepLabV3:
      • 픽셀 단위로 정밀하게 불량 영역을 따내는 세그멘테이션(Segmentation) 모델
  • 적용 조건:
    • 이미 발생한 불량 유형이 명확하게 정의되어 있을 때
    • 불량 유형별로 최소 수십~수백 장 이상의 라벨링 데이터 확보가 가능할 때
  • 장점:
    • 불량이 발생했을 때 단순 NG 판정을 넘어 “3번 영역에 0.5mm 크기의 ‘찍힘’ 불량 발생”처럼
    • 불량의 종류(Class)와 원인을 세부적으로 명확히 분류함
  • 치명적 한계:
    • 학습 데이터셋에 없던 ‘새로운 유형의 불량’이 발생하면 양품(OK)으로 오판하여 그냥 통과시켜 버림

1.2 비지도학습 기반 이상 탐지

  • 작동 원리:
    • 불량품 이미지는 단 한 장도 사용하지 않고, 오직 양품(Normal) 이미지 1,000장만 학습시킴
    • AI가 “정상의 형태, 결, 색상 패턴”을 완벽히 익힌 뒤,
    • 양품의 특징에서 벗어나는 모든 이상 패턴을 불량으로 판단
  • 주요 알고리즘 모델:
    • Autoencoder (오토인코더):
      • 양품 이미지를 압축(Encoder)했다가 복원(Decoder)하는 구조
      • 양품이 들어오면 깨끗하게 복원하지만,
      • 불량이 들어오면 복원하지 못해 복원 오차(Reconstruction Error)가 크게 발생하는 원리를 이용
    • PatchCore / Anomalib:
      • 최신 산업용 이상 탐지 모델
      • 이미지의 미세한 패치(Patch) 단위 특징을 메머리 뱅크에 저장
      • 아주 작은 스크래치나 이물도 Heatmap(열지도) 형태로 선명하게 띄워냄
  • 적용 조건:
    • 신규 공정이거나 수율이 너무 높아 불량 데이터(NG)를 구하기가 하늘의 별 따기일 때
    • 불량의 형태가 예측 불가능하게 제각각 발생할 때
  • 장점:
    • 학습 시 보지 못했던 새로운 형태의 불량(Unseen Defect)도 ‘이상함’을 감지하여 100% 잡아냄
  • 한계:
    • “이상하다(NG)”는 것은 감지하지만,
    • 이것이 찍힘인지, 오염인지, 금형 마모인지 불량의 세부 종류까지 분류해 주지는 못함

2. 현장 맞춤형 알고리즘 선택 가이드라인

[Q1. 공정 속도(Tact Time)가 초고속인가? (예: 초당 10개 이상 / 0.1초 이내 판정)]
  ├─ YES ➔ [경량화 Detection / Feature-based] YOLO-Nano, MobileNet, 또는 Rule-based 혼용
  └─ NO  ➔ [Q2]로 이동

[Q2. 불량 데이터(NG)를 유형별로 충분히(최소 30~50장 이상) 확보할 수 있는가?]
  ├─ YES ➔ [Q3]으로 이동
  └─ NO  ➔ [비지도학습 (Anomaly Detection)] PatchCore, FastFlow (오직 양품만으로 학습)

[Q3. 불량의 위치와 정밀한 '면적/길이/치수'까지 픽셀 단위로 측정해야 하는가?]
  ├─ YES ➔ [Segmentation] Mask R-CNN, Segment Anything(SAM), DeepLabV3
  └─ NO  ➔ [Q4]로 이동

[Q4. 불량이 발생한 위치(Where)를 특정하고 네모 박스를 쳐야 하는가?]
  ├─ YES ➔ [Object Detection] YOLOv8/v10, EfficientDet
  └─ NO  ➔ [Classification] ResNet, EfficientNet (이미지 전체 OK/NG 단순 분류)

  • 추가된 핵심 판단 기준 3가지

    • Tact Time (공정 처리 속도 제약)
      • 현실:
        • 아무리 정확한 Segmentation(영역 분할) 모델이라도 픽셀 단위 계산을 하느라 0.5초가 걸린다면,
        • 0.1초마다 부품이 지나가는 고속 컨베이어 라인에서는 채택이 불가능
      • 핵심:
        • 알고리즘의 화려함보다 공정 라인 속도(Tact Time)를 맞추는 것이 우선
        • 속도가 너무 빠르면 정밀도를 조금 포기하더라도 초고속 Detection(YOLO)이나 픽셀 크기를 줄인 경량화 모델을 선택해야 함
    • 불량 분석의 목적 (단순 위치 추적 vs 픽셀 단위 정밀 측정)
      • 현실:
        • 단순히 “찍힘이 있다/없다”를 보는 것과, “그 찍힘의 면적이 \(0.05\text{mm}^2\) 이상인지 측정하라”는 요구사항은 완전히 다른 알고리즘을 필요로 함
      • 핵심:
        • 불량의 ‘위치’만 상자로 둘러싸도 되는지(Object Detection),
        • 아니면 불량의 ‘정확한 찌그러진 형상과 면적’을 계산해야 하는지(Segmentation)
        • 에 따라 라벨링 공수와 모델의 무겁기가 차원이 다르게 달라짐
    • 데이터 라벨링 예산 및 인력 (Data Annotation Cost)
      • 현실:
        • Classification은 이미지당 1초면 태깅하지만,
        • Segmentation은 픽셀 경계선을 추출하는데에 이미지 1장당 3~5분이 걸림
      • 핵심:
        • Segmentation 모델이 성능은 가장 좋지만, 라벨링 비용이 Detection 대비 5~10배 이상 소모됨
        • 현장의 라벨링 인력과 예산 범위도 알고리즘 선택의 중요한 물리적 제약 조건임


  • 현장 비전 AI 알고리즘 선택은
    • 불량 데이터의 수량(Unsupervised vs Supervised)
    • 공정 처리 속도(Tact Time)
    • 정밀도 수준(Detection vs Segmentation)
  • 이라는 3대 제약 조건의 삼각 축을 고려하여 결정해야 함

3. 모델 경량화 및 Edge 배포

  • 아무리 정확도가 99.9%인 딥러닝 모델이라도, 추론 시간이 2초가 걸린다면 초당 5개씩 제품이 지나가는 컨베이어 벨트 라인에서는 쓸 수 없음
  • Tact Time(공정 주기: 예 0.1 ~ 0.2초) 내에 판정을 내리기 위한 경량화 기술이 필수
  • Quantization (양자화)
    • 원리:
      • AI 모델 내부의 복잡한 수치 연산 변수를 32비트 실수(FP32)에서 8비트 정수(INT8)로 정밀도를 다이어트시키는 기술
    • 효과:
      • 메모리 사용량이 \(1/4\)로 감소
      • 연산 속도가 3 ~ 5배 향상
      • 정확도 손실은 0.5% 미만으로 극히 미미함
  • Pruning (지능적 가지치기)
    • 원리:
      • 신경망 내부에서 불량 판정에 기여도가 거의 없는 ‘쓸모없는 노드(가중치)’ 연결 고리를 자르고 다듬는 작업
  • TensorRT / ONNX 추론 엔진 변환
    • 원리:
      • PyTorch나 TensorFlow 같은 개발용 프레임워크 형태 그대로 현장 PC에 넣지 않고,
      • NVIDIA GPU 하드웨어에 최적화된 C++ 기반 실행 파일(TensorRT Engine)로 컴파일하여 배포
    • 효과:
      • Python 대비 연산 병목을 제거하여 초고속 실시간 처리 가능


  • 비전 AI 검사에서 ‘가장 뛰어난 모델’은 가장 최신 모델이 아니라 ‘우리 공장의 상황에 맞는 모델’
  • 불량 데이터가 없는데 무작정 YOLO를 쓰겠다고 시간을 허비하지 말고, 초기에는 양품 데이터만으로 이상 탐지 시스템을 구축하여 가동할 것
  • 수집되는 불량 데이터가 쌓이면 그때 지도학습으로 전환하거나 두 모델을 병용하는 것이 현장 AI 도입의 가장 똑똑한 전략

© 2020. AiDALab Co. All rights reserved.

Powered by Hydejack v9.2.1