문제
사출 공정의 룰베이스 비전 카메라가 스크래치, 가스, 얼룩 같은 결함을 탐지하지 못해 육안 검사자를 따로 배치하고 이중으로 검사하고 있었습니다. 검사 인력이 병목이 됐고, 최적의 생산 조건을 알 수 없어 불량을 미리 예측하거나 원가를 줄이는 데에도 한계가 있었습니다.
수집 데이터
사출 공정 설비의 제조 데이터와 생산 데이터, 비전 검사 장비의 이미지 데이터를 함께 수집했습니다. 품질 검사 결과값을 공정 변수와 이어 볼 수 있도록 데이터 현황 분석을 먼저 수행했습니다.
적용 모듈
V²(AI 머신비전)와 A²(품질예측·공정최적화)를 적용했습니다. 품질예측에는 XGBoost, 공정최적화에는 유전 알고리즘(Genetic Algorithm)을 썼습니다. 비전 이상 탐지에는 PaDiM 알고리즘을 적용했고, PaDiM의 과탐지 문제를 해결하기 위해 Efficient-AD 알고리즘을 추가로 적용했습니다.
결과
룰베이스 카메라가 놓치던 난검 불량을 자동으로 탐지하게 되면서 육안 이중 검사 부담이 줄었습니다. 품질 검사 결과에 영향을 주는 요인 인자를 상관관계 분석으로 자동 파악해, 어떤 생산 조건에서 불량이 늘어나는지 데이터로 확인하고 공정을 조정할 수 있게 됐습니다.
- 8% → 4%공정 불량률
- 96%품질예측 F1-Score
- 99%비전검사 F1-Score
왜 이 공정이었나
사출 공정에서 나오는 결함 가운데 가장 다루기 어려운 것은 “불량이라고 규정하기 애매한” 것들입니다. 조명 각도가 조금 바뀌면 보였다 안 보였다 하는 미세 스크래치, 규격 경계에 걸친 얼룩 같은 결함이 그렇습니다.
규칙 기반 비전 카메라는 이 지점에서 딜레마에 빠집니다. 기준을 엄격하게 잡으면 정상품까지 걸러내고, 느슨하게 잡으면 불량이 빠져나갑니다. 그래서 결국 사람이 다시 봐야 했습니다.
검출과 예방을 함께 다뤘습니다
검사를 아무리 잘해도 불량률 자체는 줄지 않습니다. 이미 만들어진 불량을 걸러낼 뿐입니다. 그래서 두 가지를 함께 진행했습니다.
검출 — 정상 이미지 기반의 이상 탐지 모델(PaDiM)로 룰베이스가 놓치는 결함을 찾아냈습니다. PaDiM은 정상을 불량으로 판정하는 과탐지가 문제였는데, Efficient-AD를 함께 적용해 이 부분을 보완했습니다.
예방 — 사출 생산 데이터와 설비 데이터를 묶어 품질예측 모델(XGBoost)을 만들고, 유전 알고리즘으로 최적 공정 조건을 도출했습니다. 어떤 조건 조합에서 불량이 늘어나는지가 보이면 조건 자체를 바꿀 수 있습니다.