육안 검사는 지치고 반복적인 일입니다. 검사원은 피로해지고, 경계선상의 부품을 두 사람이 똑같이 판단하는 일은 드뭅니다. 카메라와 딥러닝이 도움이 될 수 있지만 모든 라인에서 그런 것은 아닙니다. 구분하는 방법은 다음과 같습니다.
카메라가 잘 해내는 경우
- 불량이 이미지에서 보입니다. 흠집, 찍힘, 부품 누락, 라벨 오류, 색상이나 인쇄 불량 등입니다.
- 촬영 환경을 통제할 수 있습니다. 부품이 비슷한 위치로, 같은 조명 아래, 일정한 속도로 도착합니다.
- 예시가 있습니다. 양품 이미지 수백 장과, 모델을 학습시킬 만큼의 불량 유형별 이미지가 있습니다.
- 기준이 명확합니다. 무엇이 불량인지 사람들이 동의합니다.
- 물량이 많습니다. 매 교대마다 분당 많은 부품이 지나가, 사람이 하나하나 꼼꼼히 볼 수 없습니다.
어려운 경우
- 불량이 부품 내부에 있거나, 눈이 아니라 촉감, 소리, 측정이 필요한 경우.
- 제품이 매주 바뀌어 모델이 학습할 시간이 없는 경우.
- 불량이 너무 드물어 학습할 예시가 거의 없는 경우.
- 검사원끼리도 경계선상의 부품에 의견이 갈리는 경우. 모델은 그 불일치까지 학습합니다.
딥러닝인가, 전통적인 머신 비전인가
전통적인 머신 비전은 고정된 규칙으로 측정합니다. 여기는 모서리, 저기는 이 크기의 구멍 같은 식입니다. 부품이 균일하면 빠르고 예측 가능합니다. 딥러닝은 예시에서 학습하며, 질감, 유기 소재, 매번 다르게 보이는 불량처럼 자연스러운 편차를 더 잘 다룹니다. 많은 라인에서 둘을 함께 씁니다. 측정에는 규칙을, 외관에는 모델을 씁니다.
모델이 실행되는 곳
이미지는 클라우드, 공장 내 서버, 또는 카메라 옆의 엣지 디바이스에서 분석할 수 있습니다. 생산 라인에서는 엣지가 알맞은 경우가 많습니다. 판정이 밀리초 안에 나오고, 네트워크가 끊겨도 라인이 계속 돌아가며, 이미지가 공장 밖으로 나가지 않습니다. 대신 업데이트, 모니터링, 제품이 바뀔 때의 새 모델처럼 관리해야 할 장비가 생깁니다.
첫 프로젝트는 이렇게 진행됩니다
- 공정 하나를 고릅니다. 불량이 분명하게 보이고 물량이 충분한 곳입니다.
- 이미지를 수집하고 라벨링합니다. 검사원과 함께, 경계선상의 사례까지 포함합니다.
- 촬영 환경을 고정합니다. 카메라 위치, 조명, 촬영 트리거입니다.
- 섀도 모드(병행 운영)로 돌립니다. 시스템이 모든 부품을 판정하지만 결정은 여전히 사람이 합니다. 둘을 비교합니다.
- 측정합니다. 검사원의 기준치와 비교해 미검출, 과검출, 검사 시간을 봅니다.
- 수치가 유지될 때만 전환합니다. 모델이 확신하지 못하는 부품은 계속 사람이 봅니다.
중요한 수치
- 미검출(불량 유출): 불량품이 통과하는 경우입니다. 대개 가장 비용이 큰 오류입니다.
- 과검출(양품 불량 판정): 양품이 버려지거나 재검사로 넘어가는 경우입니다. 너무 많으면 사람들이 시스템을 믿지 않게 됩니다.
- 사이클 타임: 검사가 라인 속도를 따라가는지입니다.
세 가지 모두의 목표를 첫 결과가 나온 뒤가 아니라 시작 전에 합의하세요.
저희는 검사 소프트웨어와, 이를 구동하는 엣지 디바이스를 만듭니다. 프로젝트 사례 보기 또는 라인에 대해 알려 주세요.
