코그넥스 블로그

딥러닝을 통해 전자 부품 산업에서 검사 자동화를 구현하는 방법

deep learning electronics industry

전자 제품 제조 산업은 머신비전이 활발히 사용되고 있는 분야입니다. 얇고 가벼운 제품을 선호하는 소비자의 수요 덕분에 부품이 점점 더 작아지고, 비용 효율적인 제조에 대한 요구가 증가함에 따라 생산업체가 품질을 저해하지 않으면서 생산 공정의 각 부분을 자동화하는 것이 중요해졌습니다.

하지만 반도체나 모바일 기기 산업과 같이 복잡성과 프로그래밍에 대한 비용 때문에 자동화가 어려운 분야가 있습니다. 이러한 경우 인간 검사자에게 의존하는 것이 일반적이나, 서로 다른 여러 개의 부품, 조립, 장면 등 판단을 기준으로 한 결정을 인간 검사자를 통해 처리하는 작업은 비효율적입니다. 신뢰성 면에서도 기계와 비교했을 때 인간 검사자는 피로가 쌓이면 실수를 하게 될 확률이 높아집니다.

이러한 이유로 전자 부품 제조업체들은 빠르고 믿을 수 있는 검사 결과를 위해 인간 검사자의 유연성과 컴퓨터의 강력한 기능을 독자적인 방식으로 결합한 딥러닝 기반의 검사 솔루션으로의 전환을 꾀하고 있습니다. 딥러닝 기술이 어떻게 전자 부품 산업을 위한 검사, 코드 판독 및 분류 작업을 획기적으로 처리하는지를 살펴보려면 다음의 내용을 읽어 보십시오.

결함 검출

조립된 인쇄회로기판(PCB)에서 전기가 흐르기 위해서는 구성품의 정밀한 용접이 수반되어야 합니다. 아주 작은 결함만으로도 간섭과 고장이 발생할 수 있습니다. 이 때문에 결함 검출이 대단히 중요합니다. 미묘하지만 본질적인 차이뿐 아니라 반사광과 같이 카메라에 보여지는 영상을 왜곡하고 변형시킬 수 있는 이미지의 문제로 인해 과도한 돋음, 언더컷, 불균형 등 다양한 용접 결함이 비전 시스템에 다르게 나타날 수 있습니다.

전자 부품 산업을 위한 딥러닝 결함 검출

자동화 검사 시스템은 까다로운 이미지 품질 조건 하에 과도한 돋음이나 언더컷 된 용접과 같이 두드러지는 부품간의 변화를 수용할 수 있어야 합니다. 딥러닝 기반 솔루션은 너무 시간 소모적고 경우에 따라서는 검사가 불가능할 수도 있는 룰 베이스 프로그래밍 없이도 관심 영역을 고정시켜 부품간 커다란 변화를 포함한 용접을 검사할 수 있습니다.

결함 검출을 위한 코그넥스의 딥러닝 툴은 양품 (또는 통과) 및 불량 (실패)으로 라벨링 된 표본 이미지 세트를 트레이닝한 후 다양한 종류의 용접 결함을 식별할 수 있게 됩니다. 코그넥스 딥러닝은 이러한 이미지를 토대로 정상적인 용접 모양의 기준 모델뿐 아니라, 이미지나 반사광으로 인한 외관상의 변형을 포함해 허용되지 않는 결함의 모델을 구축할 수 있습니다.

광학 문자 인식 (OCR)

전자 부품과 모듈에 인쇄된 숫자와 문자 같이, 칩에 인쇄된 시리얼 번호는 변형, 스큐잉, 불량한 에칭 등의 문제가 있을 수 있습니다. 이러한 특성은 글꼴 및 문자 라이브러리와 다양한 표식을 토대로 트레이닝이 필요한 기존의 OCR 툴에는 문제가 됩니다.

딥러닝 OCR 전자 부품 산업

모든 문자열을 한 번에 트레이닝하고, 잘못 표기된 문자는 제거하며, 동일 문자를 여러 번 트레이닝한 후 트레이닝 된 글꼴을 새로운 애플리케이션에 로딩하거나 저장할 수 있는 최상의 툴이라 하더라도 트레이닝에 오랜 시간이 소요되거나, 여전히 변형된 문자를 식별하는 데 문제가 있을 수 있습니다.

딥러닝 기반 툴은 사전에 트레이닝된 라이브러리를 사용해 문자를 인식하고 검증하므로, 변화가 발생하더라도 테스트 및 검증 단계에서 시스템에 누락된 문자만 다시 트레이닝하면 됩니다. 따라서 검사 시스템이 보다 높은 정확도를 제공하고 재트레이닝으로 인한 가동 중단을 최소화할 수 있습니다.

조립 검증

조립 검증은 서로 다른 수많은 구성품을 고려해야 하기 때문에 자동화하기에 매우 어려운 분야입니다. 이들 구성품의 유무와 올바르게 장착되었는지 여부, 위치 변화 시 검사가 필요합니다. 이러한 검사는 하위 조립에 따라 2D와 3D 형태로 진행되어야 할 수 있습니다.

전형적인 예로 PCB의 최종 조립 검사가 있으며, PCB 기판에는 LED, 마이크로프로세서, 기타 표면 장착 기기가 용접 처리되어 있습니다. 검사 시스템이 누락된 구성품과 잘못 배치되었을 수 있는 부품을 포착해야 합니다. 이 같은 오류는 PCB의 성능과 수명을 저하시킬 수 있기 때문입니다.

딥러닝 조립 검사 전자 부품 산업

머신비전 시스템은 여러 관심 영역을 토대로 트레이닝을 거쳐 개별 구성품을 식별하도록 학습할 수 있지만, 조명 대비, 원근 및 방향의 변화, 반사광으로 인한 외관의 변화로 시스템에 혼동이 발생할 수 있습니다. 특히 구성품이 서로 가깝고 조밀하게 채워진 PCB는 머신비전 시스템으로 개별 부품을 구분하기가 어려워 검사가 자칫 실패할 수도 있습니다. 인간 검사자는 구성품을 구분할 수는 있지만, 고속 처리량 요구 조건을 충족할 수는 없습니다.

이러한 검사를 룰 베이스 알고리즘으로 프로그래밍하는 작업은 시간 소모적이며, 오류가 발생하기 쉽고 현장에서 유지관리가 까다롭다는 점은 두말할 필요가 없습니다. 다행히도 딥러닝 기반 비전 시스템은 컴퓨터의 속도와 강력한 성능 면에서 추가적인 이점을 제공하는 한편, 인간 검사자가 가진 유연성, 분별력, 판단 기반 의사결정과 견줄 만한 성능을 갖추고 있습니다.

예시 참조의 라벨링 된 세트를 토대로 트레이닝된 이 툴은 완전히 조립된 PCB 보드의 레퍼런스 모델을 구성할 수 있습니다. 이 모델은 검사 중에 외관이 변할 수 있지만 일반화된 크기, 형태, 피처를 기준으로 개별 구성품을 식별할 수 있고, 보드에서의 위치를 예측할 수 있습니다. 검사 중 코그넥스 딥러닝은 여러 관심 영역을 식별해 구성품의 위치를 찾고, 계산하고, 검사하여 해당 부품이 존재하고 올바르게 조립되었는지를 확인합니다.

분류

머신비전은 분류 기능을 포함해 고유의 한계를 갖고 있습니다. 이러한 이유로 구성품을 식별해 여러 등급으로 분류해야 하고 검사 시스템이 몇몇 시각적 변화를 허용해야 하는 전자 부품 분야에서는 어려움을 안겨줍니다.

딥러닝 분류 전자 부품 산업

전자 커패시터는 유형(세라믹 및 전기)을 비롯해 크기(대/소), 색상(골드, 골드 이외)별로 종류가 다양한 구성품의 좋은 예입니다. 커패시터를 분류해야 하는 제조업체는 여러 개의 분류를 포함한 단일 이미지를 감지하는 까다로운 작업에 직면하였습니다. 예를 들어, 블랙 마킹이 있는 골드 세라믹 커패시터, 블루 마킹이 있는 골드 전기 커패시터가 있습니다. 검사 시스템이 제조업체의 기준에 따라 구성품을 분류해 색상과 마킹을 기준으로 전기 커패시터를 구분하고 나머지 기준은 무시해야 합니다.

이 작업을 자동으로 처리하기 위해 검사 애플리케이션 엔지니어는 딥러닝을 솔루션으로 모색해야 합니다. 감시 모드에서 작동하는 딥러닝 기반 소프트웨어는 선택적 특성 그룹(예: 골드와 전기 커패스터 모두)을 검출하고 각 커패시터의 개별 특성(골드, 블랙 또는 블루 마킹) 간을 구분하면서 같은 유형 내의 추가적인 변형은 무시하도록 트레이닝할 수 있습니다. 딥러닝 기반 시스템은 단일 이미지 내의 구성품 하나에 대한 여러 유형을 정확히 분류하여 정렬할 수 있으며, 이는 머신비전보다 훨씬 큰 이점을 선사합니다.

전자 산업에서 제조 공정 자동화 및 품질 개선이라는 두 가지 문제가 가장 중요하지만, 일부 분야는 룰 베이스 알고리즘으로 프로그래밍하기에 너무 복잡하고 오랜 시간이 걸립니다. 코그넥스 딥러닝은 이미지 분석에서 강력한 AI를 활용해 부품 위치, 외형 검사, 분류, 문자 인식을 포함한 까다로운 전자 부품 분야의 문제를 해결합니다.

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...