코그넥스 블로그

딥러닝 결함 감지를 통해 자동차 및 기타 산업의 검사를 자동화하는 방법

defect detection large

딥러닝은 공장 자동화 분야에서, 특히 구조화되지 않은 장면 가운데 본질적인 복잡성, 높은 변동성으로 인해 발생하는 외관상의 결함과 그 밖의 원치 않는 이상을 감지하는 데 이상적인 솔루션입니다. 복잡한 패턴 또는 다수의 위치 변화가 존재하는 배경 장면은 기존의 머신비전 검사 시스템에 혼동을 줄 수 있습니다. 부품 전체에서 본질적인 변동성도 예측하기가 어려울 수 있습니다. 물론 일관된 배경이더라도 재질의 신축성, 유연성, 손상되기 쉬운 특성으로 인해 시각적 모양이 크게 다를 수 있습니다. 이는 특히 플라스틱과 직조 직물에서 문제가 됩니다.

결함 유형이 복잡하고 다수의 위치 변화가 존재할 경우, 프로그래밍이 너무 방대하고 오랜 시간이 걸리며 고된 작업이기 때문에 제조업체가 기존의 검사 방법을 채택하지 못하게 됩니다. 이미징(글레어), 재질의 변화 및 손상 가능한 특성(예: 직물)으로 인해 시각적 모양이 다르게 나타나는 결함이나 서로 다른 형태와 유형으로 나타나는 결함을 감지하는 일은 분명한 조사가 매우 어렵습니다.

이러한 상황에서 제조업체는 딥러닝을 이용해 정상적인 모양과 차이가 나고 결함이 존재하는 모든 개체를 식별할 수 있습니다. 또는 몇몇 결함이 거부의 사유가 되나 나머지는 그렇지 않은 경우, 트레이닝 엔지니어가 양호 와 불량 으로 라벨링된 이미지를 토대로 참조 모델을 트레이닝하여 특정 유형의 결함만 포착하고 자연 발생적인 변화는 용인할 수 있습니다.

어떤 경우든 이 접근방식은 간단하고 직관적이며 비전 전문기술이 필요하지 않습니다. 검사 분야 엔지니어가 대표 트레이닝 이미지 세트를 수집해서 시스템에 공급하기만 하면 됩니다. 그러면 딥러닝 솔루션이 사람과 같은 지능을 이용해 참조 모델을 개발하며, 엔지니어는 모델의 의사결정이 가장 뛰어난 인간 검사자와 대등해질 때까지 필요한 만큼 추가 이미지를 사용해 검증과 재정의를 수행할 수 있습니다. 이제 시스템이 런타임 중 검사 이미지를 정밀하고 반복적으로 분석해 이상과 외관상 결함을 감지할 수 있습니다.

다음의 예시에서는 자동차, 전자 부품, 포장, 생명 과학 산업에서 코그넥스 딥러닝의 가치 제안에 대해 살펴볼 것입니다.

자동차 산업을 위한 결함 감지

자동차 부품은 처리하기 힘든 표면으로 되어 있는 경우가 많습니다. 자동화 감지 시스템에 있어 가장 까다로운 요소는 짜임이 조밀하고, 거칠고, 다공성을 가진 금속 표면과 차실내 좌석과 에어백에 사용되는 직물이 해당됩니다.

결함 감지 자동차

직물은 실의 두께, 직조 입자, 패턴에 따라 본질적으로 차이가 발생합니다. 에어백 검사에서는 바느질과 솔기에 존재하는 모든 결함을 포착하는 것이 필수적이며, 그렇지 못할 경우 엄청난 영향을 미칠 수 있습니다. 여기서 문제는 두 배가 됩니다. 첫째, 천연 직물은 복합적이고 천을 늘리는 방식이나 빛에 따라 모양이 바뀔 수 있습니다. 둘째, 가장 문제가 되는 부분은 바늘땀 또는 솔기 결함의 수입니다. 각각을 분명하게 조사하는 일은 고된 작업이고 규칙 기반 알고리즘에서 포착하기란 거의 불가능합니다. 따라서 비지도학습모드에서 에어백 직물의 정상적인 모양을 트레이닝하여 검사 시스템이 잠재적인 결함을 식별하는 것이 바람직합니다.

딥러닝 기반 툴은 신경망을 활용해 변화할 수 있는 직물의 특성을 개념화하고 일반화하여 모든 변칙을 식별하는 한편, 직조 패턴, 방적사 특성, 컬러에서 자연 발생적인 변화와 그 밖에 허용 가능한 결점은 걸러낼 수 있습니다. 예기치 않은 바늘땀, 직물 짜임의 뜨임, 날실 또는 씨실의 고리, 걸리는 부분이나 구멍 등 자연적인 변화가 아닌 모든 변칙은 시스템에서 결함으로 플래그가 지정됩니다. 이러한 방식으로 사전 정의된 결함 라이브러리 없이 직물을 검사할 수 있습니다. 이처럼 획기적인 딥러닝 기반 접근방식은 자동차 직물의 자동 품질 관리에 인간 검사자와 동등한 시각적 검사 성능을 가져다 줍니다.

전자 부품 산업을 위한 결함 감지

OLED 디스플레이 제조뿐 아니라, 전자 부품 산업의 모든 부분은 반도체처럼 엄격한 품질 관리와 결함 감지가 필수적입니다. 긁히고, 비틀리고, 휘거나 누락된 핀은 자동적으로 거부의 사유가 되며, 지극히 사소한 결점조차도 칩의 매우 좁은 허용 오차에 걸리게 됩니다.

결함 감지 전자 부품

하지만 너무나 많은 결함 유형을 규칙 기반 머신비전 알고리즘에 프로그래밍하는 것은 비효율적입니다. 본질적으로 모든 결점을 기능적 이상으로 산정할 때, 정상과 다른 모든 칩 또는 리드를 결함으로 플래그를 지정하는 것보다는 완벽한 반도체 칩 또는 집적회로(IC) 리드의 모양이 어떠한지를 검사 시스템에 트레이닝하는 것이 보다 수월할 수 있습니다. 이는 비지도학습 모드에서 작동하는 딥러닝 기반 검사 툴에 있어 완벽한 작업입니다. 이 모드에서 소프트웨어의 신경망이 반사되는 금속 배경으로 인해 인지된 변화를 포함하여 칩의 정상적인 모양을 개념화하고 일반화하여 누락되고, 파손되거나, 연마된 구성품이 있는 칩을 결함으로 플래그를 지정합니다.

제조업체는 즉각적인 이점을 얻을 수 있습니다. 비전 전문가 또는 애플리케이션 개발자에 대한 요건이 없고, 예측 불가능한 결함을 프로그래밍할 필요가 없으며, 더 높은 결함 감지율과 후속 산출량을 얻을 수 있습니다.

포장 산업을 위한 결함 감지

혼란스러운 배경에서 긁힘, 흠과 같은 외관상의 결함을 식별하는 것은 금속 표면으로 국한되지 않습니다. 식음료 및 소비재에서 포장재는 금속 판재처럼 빛나는 플라스틱이나 광택 있는 세라믹 재질로 만들어지는 경우가 많습니다. 하지만 이들 표면은 똑같은 굴절 및 반사성 글레어 문제가 존재합니다. 이러한 조건에서는 기존의 머신비전 시스템이 이미지 사이에서 약간의 차이를 인지하기 어려울 수 있습니다.

결함 감지 포장

다행스럽게도 딥러닝 기반 신경망은 글레어 너머의 요소를 볼 수 있게 고안되었습니다. 또한 정상적인 표면상의 결점을 걸러내고 진짜 결함만 포착할 수 있는 가장 좋은 방법입니다. 페이스 크림이 담긴 세라믹 용기의 경우, 용기마다 존재하는 차이가 항상 즉각적인 거부 사유가 되지는 않습니다. 용기의 사용성에 영향을 주는 기능적인 결함은 거의 대부분 불합격으로 처리되지만 미관상의 결함은 생산업체의 필요와 선호도에 따라 불합격 처리되거나 그렇지 않을 수도 있습니다.

코그넥스 딥러닝은 비용 효율적이고 배포하기 쉬운 방식으로 머신비전 검사와 인간 검사자 능력의 장점을 모두 결합하였습니다. 이를 위해 애플리케이션 또는 품질 엔지니어가 양호 및 불량 한 세라믹 용기 이미지의 대표 세트를 기준으로 딥러닝 기반 소프트웨어를 트레이닝합니다. 불량 한 용기는 예를 들어 홈이 깊이 패이거나 길게 긁힘이 있는 용기가 될 수 있습니다. 이러한 이미지를 토대로 소프트웨어가 세라믹 캐스트 표면의 자연스러운 형태와 표면 질감을 학습하고, 조명으로 인해 발생할 수 있는 자연 발생적인 변화는 용인하면서 허용 범위를 벗어나는 이미지에 플래그를 지정합니다.

이런 식으로 코그넥스 딥러닝은 포장에 대해 효과적인 결함 감지 솔루션을 제공함으로써 사소한 변화도 파악하는 인간의 능력과 자동화된 컴퓨터 시스템의 신뢰성, 일관성, 속도를 결합합니다.

생명 과학 산업을 위한 결함 감지

오늘날 방사선 전문의의 역할은 컴퓨터 지원 진단(CAD) 덕분에 빠르게 변화하고 있습니다. 종양처럼 생물학적 변이를 조사하는 일은 과거에는 인간의 판단이 필요했습니다. 종양의 위치는 매우 광범위하고 다르게 나타날 수 있습니다. 경우에 따라 방사선 전문의는 신체의 정상적이고 건강한 외형에서 약간의 차이보다는 특정 이상을 식별하는 데 관심이 더 적을 수 있습니다.

결함 감지 생명 과학

인간은 X-선 또는 MRI 결과를 리뷰하고 이러한 시나리오를 포착하는 데 최적화된 개체입니다. 그 이유는 본질적으로 서로 다른 표현이 존재할 수 있고 정상 또는 비정상 간의 차이를 구분할 수 있는 모델이 되기 때문입니다. 하지만 방사선 전문의는 생산성 면에서 상한이 정해져 있습니다. 또한 뛰어난 방사선 전문의라고 하더라도 익숙하지 않고 경험하지 못한 특성을 포함한 이미지를 마주할 수 있습니다. 그리고 잠재적인 종양을 누락하거나 오진할 위험도 큽니다.

이 경우, 빅데이터에 힘을 기울일 수 있습니다. 딥러닝 기반 소프트웨어 툴은 배경이 혼란스럽거나 대비가 낮은 경우라도 특정 기관 또는 특정 척추골과 같이 관심 영역의 위치를 식별할 수 있습니다. 라벨링된 트레이닝 이미지 센트를 이용해 AI 알고리즘이 변형 수를 포함해 기관의 정상적인 모양에 대한 참조 모델을 개발할 수 있습니다. 양호 및 불량 으로 라벨링된 예제 이미지를 토대로, 딥러닝 검사 시스템이 어떤 이미지가 이상이 있는지, 정상인지를 감별할 수 있습니다. 이런 식으로 참조 모델이 건강한 정상 생리와 차이가 나는 생물학적 이상이 있는 영역에 플래그를 지정해 향후 필요할 때 방사선 전문의가 이를 고려할 수 있습니다.

제조업체는 코그넥스 딥러닝의 결함 감지 툴을 이용해 종이, 유리, 플라스틱, 세라믹, 금속을 포함한 모든 종류의 표면에서 이상과 외관상의 결함을 감지할 수 있습니다. 긁힘, 흠, 잘못된 프린트, 정렬 오류 등 무엇이든 상관없이 코그넥스 딥러닝은 개체의 정상적인 모양을 비롯해 자연스럽고 용인 가능한 변형을 학습해서 결함을 식별할 수 있습니다. 대형 표면의 경우, 결함 가지 툴이 특정 관심 영역을 분할해서 대상의 여러 모양을 학습해 결함의 위치를 찾을 수 있습니다.

추가 게시물 -

제품 지원 및 교육 신청

MyCognex 가입

질문이 있으십니까?

전 세계 어디에서든 코그넥스 담당자들이 여러분의 비전과 산업용 바코드 판독 관련 문제를 지원합니다.

연락처
Loading...