스팟 용접 애플리케이션에서 딥러닝 이용하기

스팟 용접 이미지에 노드가 연결된 뇌를 보여주는 배너

딥러닝 기술은 전자 부품의 품질 저하로 이어질 수 있는 결함이 있는 스팟 용접을 감지하는 데 도움이 될 수 있습니다.

스팟 용접은 부품을 한데 고정하고 계속해서 전류가 흐르도록 하기 때문에 전자 기기의 성능에 있어 중추적인 역할을 합니다. 결함이 있는 스팟 용접은 전자 부품의 수명을 단축하며 이것이 결국 값비싼 반품 또는 수리로 이어져 제조업체의 평판을 떨어트립니다. 제조 단계에서 더 많은 결함을 감지할수록 리콜 및 재작업 비용이 줄어듭니다.

사람은 결함이 있는 용접을 감지할 수 있는 상당한 능력을 지니고 있지만, 그 일관성이 유지되기 어렵고 가용성 또한 매우 제한적입니다. 언제나 모든 스팟 용접을 볼 수는 없으니까요. 이와 대조적으로, 스팟 용접 검사를 자동화하면 생산 공정에서 발생할 수 있는 주요 문제를 드러냄으로써 더 많은 결함을 파악하고 재작업 비용을 줄일 수 있습니다. 이 자동화 검사를 통해 사람에 의한 검사에만 의존하는 것보다 상당히 많은 이점을 누릴 수 있습니다.

딥러닝은 소프트웨어 알고리즘과 통계학 모델을 사용해 인간의 두뇌 작용 방식을 모방합니다. 알고리즘은 변칙적 결과를 식별하고, 좋은 결과와 나쁜 결과의 차이를 구분해 최적화된 신경 네트워크를 구축합니다. 충분한 시간과 데이터가 있다면, 이러한 네트워크는 더 나은 결과를 도출하기 위해 스스로 효과적으로 학습합니다.

그런데 이러한 스팟 용접을 검사하기 위해 제조업체가 딥러닝을 배포해야 하는 이유는 무엇일까요? 스팟 용접 검사에 일반적인 머신 비전 시스템을 사용하지 않는 이유는 무엇일까요? 이는 대부분의 용접이 본질적으로 모호한 성질을 가진 입체적 물체이기 때문입니다. 형태나 치수가 동일한 용접부는 존재하지 않습니다.

Pin to pin weld, wire to pin/pad weld, wire to wire weld

(서로 다른 유형의 스팟 용접: 왼쪽에서 오른쪽으로 핀 대 핀, 와이어 대 핀/패드, 와이어 대 와이어)

규칙 기반 머신 비전 시스템은 엔진 블록의 일련번호나 스틸 부품의 가장자리와 같은 디지털 이미지의 특정 세부 요소를 식별합니다. 특성이 거의 동일한 구성 요소가 있는 경우 특히 뛰어난 효과가 나타납니다.

스팟 용접을 사용하게 되면 금속 덩어리마다 치수가 조금씩 달라집니다. 이에 따라 조립 라인에서 사용되는 방대한 양의 스팟 용접을 검사하는 규칙 기반 머신 비전 시스템을 생성하는 것이 매우 복잡해집니다.

딥러닝 검사 애플리케이션은 결함이 있는 스팟 용접 이미지와 결함이 없는 용접 이미지와 비교하여 해당 문제를 해결합니다. 하나의 세트 이미지를 스캔하여 드러난 문제를 신경 네트워크에 학습하며, 다른 하나의 세트 이미지는 비교 확인을 위한 근거가 됩니다.

Three images of good spot welds

(적절한 스팟 용접)

Spot weld with pitting, undersized spot weld, oversized spot weld

(부적절한 스팟 용접: 왼쪽에서 오른쪽으로 구멍, 크기 미달, 크기 초과)

스팟 용접 검사에서 VisionPro Deep Learning이 작동하는 방식

Cognex는 스팟 용접 검사와 같은 제조 공정 자동화를 단순화하기 위해 VisionPro® Deep Learning 소프트웨어 제품군을 개발했습니다. VisionPro Deep Learning에는 스팟 용접 검사 애플리케이션에서 잘 작동하는 다음 두 가지 핵심 툴이 있습니다.

  • Red Analyze 툴, 생산 공정에서 결함을 제거할 수 있도록 식별하는 도구.
  • Green Classify 툴, 검사 지점에서 품질과 정확성을 향상시켜 결함을 개선하는 데 유용한 분류를 생성하는 도구.

Red Analyze 툴 사용

Red Analyze 툴은 스팟 용접의 디지털 이미지에서 변칙적인 이상 사례를 찾습니다. 사용자는 올바른 이미지가 어떻게 나타나는지 확인하고 해당 이미지가 바르게 나타나지 않을 경우, 이를 표시합니다. 하나의 세트 이미지로 결함이 있는 스팟 용접을 인식하도록 신경 네트워크를 학습시킵니다. 두 번째 확인 이미지는 훈련 데이터베이스에서 제외시킵니다. 이러한 확인 이미지는 소프트웨어가 적절한 스팟 용접과 부적절한 스팟 용접이 어떤 형태인지에 관한 “실측 자료”를 설정하는 데 도움이 됩니다.

Red Analyze 툴에는 두 가지 학습 모드가 있습니다.

  • Supervised: Supervised 모드에서는(위에서 설명한 대로), 사용자가 용접 사진을 찍고, 결함 또는 변칙적 이상 사례에 집중하며, 결함의 각 유형을 문서화하여 소프트웨어에 “결함”임을 알려주는 라벨을 지정합니다.
  • Unsupervised. Unsupervised 모드에서는 사용자가 결함이나 비정상 사례가 없는 이미지를 가지고 시작해 여기에 “적절한” 라벨을 지정합니다. 이러한 기준에서 벗어나는 모든 이미지는 결함이 있는 것으로 식별됩니다.

이러한 모드의 라벨을 통해 VisionPro Deep Learning 내 신경 네트워크에 학습 이미지가 생성됩니다. 소프트웨어는 검사를 수행하며 생산 라인의 용접 이미지를 분석합니다. 해당 온라인 생산 이미지는 심층 신경 네트워크를 통해 분석되며, 이를 학습된 확인 이미지와 비교해 용접의 검사 합격 또는 불합격 여부를 결정합니다.

Green Classify 툴 사용

Green Classify 툴은 생산 라인에서 문제를 진단하는 결함 또는 비정상 사례의 분류를 생성합니다. 예를 들어, 지나치게 납작하거나 형태가 이상한 용접 기계의 오작동을 찾아낼 수 있습니다. 사용자는 분류 도구를 사용하여 이러한 아티팩트에 라벨을 지정하고, 검사 시스템에 이를 결함으로 표시해 용접 기계 작업자에게 오류를 알리도록 지시합니다.
Red Analyze 툴과 마찬가지로 Green Classify 툴도 두 가지 학습 모드가 있습니다.

  • 장면 분류. 사용자는 장면 분류를 통해 해당 이미지에 적절 또는 부적절 라벨을 지정한 다음, 태그를 추가하여 구멍 또는 잘못된 형태 등과 같은 결함을 문서화합니다.
  • 개별 결함 분류. 사용자는 Red Analyze 툴에서 이미지와 결과 데이터를 가져와 개별 분류를 통해 특정 결함 또는 영역을 분류합니다.

Flow diagram showing process for classifying defects individually and by scene

(장면 및 개별 결함 분류 공정의 흐름)

사용자가 이미지를 분류하면, 신경 네트워크는 이를 확인 이미지 분류와 비교하여 올바른 결함 유형을 산출합니다.

Red Analyze와 Green Classify 툴은 종종 순차적으로 사용됩니다. 먼저 Red Analyze 툴을 사용해 결함이나 변칙적 이상 사례의 유무를 감지한 다음, Green Classify 툴을 통해 비정상 사례를 평가하고 결함 유형을 결정합니다. 도출된 결과는 라인 운영자에게 전달되며 해당 라인 운영자는 결함이 파악된 제품을 어떻게 처리할지 결정합니다.

Deep Learning 애플리케이션의 성공률을 높일 3가지 판단

적절한 시기에 적절한 결정을 내리는 것은 스팟 용접 애플리케이션에서 딥러닝의 성공 여부를 보장하는 데 큰 도움이 됩니다. 여기에는 다음과 같은 세 가지 요소가 가장 중요합니다.

1. 투자 수익률 측정

스팟 용접 검사를 자동화하면 비용 이상의 이점을 기대할 수 있습니다. 딥러닝을 적용하기 위해서는 소프트웨어 투자, 급여 및 장비 구매 등이 필요합니다. 또한 해당 시스템을 생성, 테스트 및 구현하는 데 소요되는 시간도 비용을 발생시킵니다. 자동화에 투자한다면 이는 비용 절감, 또는 최소한 동일한 가격에 더 나은 성과를 제공하는 결과로 이어집니다.
또한 검사를 자동화하면 가시적인 ROI가 없더라도 다음과 같이 가치 있는 결과를 만들어낼 수 있습니다.

  • 통계적 공정 제어. 제조 공정의 문제가 데이터를 통해 나타나므로 이를 더 빨리 교정할 수 있습니다.
  • 지속적 학습. 심층 신경 네트워크에 학습된 이미지가 많을수록, 시간이 지남에 따라 더 정확한 검사가 가능합니다.
  • 공정 문서화. 검사 품질에 대한 보고서를 간편하게 작성하고 공유할 수 있습니다.

2.  정확한 생산 환경 복제

스팟 용접에서 모든 주요한 데이터를 포착하기 위해서는 딥러닝 검사에 사용되는 공장 자동화 카메라에 적절한 조명과 위치를 지정해야 합니다. 디지털 이미지에 눈부심을 제어하고 그림자 제한을 설정하면 결함을 더욱 쉽게 감지할 수 있습니다. 용접에서 사람의 눈으로 무언가를 확인할 수 없더라도 딥러닝 애플리케이션은 이를 감지할 수 있습니다.

딥러닝 애플리케이션 개발은 실험실에서 시작되어 공장 현장으로 옮겨집니다. 물론 실험실과 완벽하게 동일한 생산 환경을 구현하는 것은 거의 불가능합니다. 따라서 사용자는 가능한 한 빨리 실험실을 벗어나 생산 환경에서 애플리케이션을 테스트하기를 원할 것입니다.  딥러닝 시스템은 생산 라인에서 새로운 데이터를 가져와 검사 결과를 향상할 수 있습니다.

3. 간편하고 정확한 분류

스팟 용접 검사를 위한 딥러닝 애플리케이션을 개발하려면 구멍 또는 기형 용접과 같은 통상적인 결함을 세심하게 문서화해야 합니다. 각 결함은 수십 개의 이미지와 수백 개의 라벨을 통해 정확하고 일관되게 분류되어야 합니다.

분류 단계가 완료된 작업의 품질은 그 이후의 모든 결과에 영향을 미칩니다. 따라서 개발자에게는 VisionPro Deep Learning 소프트웨어의 사용자 인터페이스와 같이 정확하고 일관되며 직관적으로 이해하기 쉬운 분류 시스템이 필요합니다.

딥러닝 기술은 본질적인 성격이 모호한 애플리케이션에 이상적인 기술입니다. 스팟 용접은 지문이나 눈송이처럼 똑같은 것이 존재하지 않기 때문에 딥러닝 기반 솔루션에 아주 좋은 후보입니다. 하지만 딥러닝 시스템에 자원을 투자하기 전, 제조업체는 다음과 같은 세 가지 요소를 심도 있게 고려해야 합니다. ROI(투자 수익률), 정확한 테스트를 위한 생산 환경 복제 능력, 학습 이미지 분류의 편의성. 

다행히 Cognex는 이 모든 것을 다루는 솔루션인 VisionPro Deep Learning 소프트웨어를 제공합니다. 소프트웨어 내의 Red Analyze 및 Green Classify 툴은 먼저 결함을 감지한 다음 이를 분류하여 부품 무결성을 보장합니다. 해당 소프트웨어를 스팟 용접 애플리케이션에서 구현하면 생산 과정에서 초기에 결함을 감지하여 재작업에 소요되는 막대한 비용을 줄이고, 향상된 품질을 제공하며, 더 나아가 소비자에게 제품에 신뢰와 자부심을 심어줄 수 있습니다.

추가 게시물 -

제품 지원 및 교육 신청

MyCognex 가입