양품 이미지 200장으로 학습한 외관 이상 탐지의 라인 적용 결과

결함을 모을 수 없는 현장

외관 검사 모델을 만들 때 가장 먼저 부딪히는 문제는 결함 사진이 없다는 것입니다. 잘 운영되는 라인일수록 불량은 드물고, 막상 모은 결함은 지난달의 결함일 뿐 다음 달에 나올 결함과 모양이 다릅니다. 그래서 우리는 결함을 배우는 대신 정상을 배우는 접근을 택했습니다.

적용 환경

가상의 사출 부품 라인을 재현한 파일럿 설비에서 카메라 두 대로 부품 윗면과 옆면을 촬영했습니다. 학습에는 첫 주에 모은 양품 이미지 200장만 사용했고, 이후 8주 동안 라인에서 들어오는 모든 부품을 판정했습니다.

방법

사전 학습된 이미지 특징 추출기로 양품 이미지의 영역별 특징을 모아 정상 분포를 만듭니다. 새 이미지가 들어오면 영역마다 정상 분포에서 얼마나 떨어져 있는지 점수를 매기고, 기준을 넘는 영역을 이상으로 표시합니다. 결함 여부 판정은 이상 영역의 크기와 위치를 공정 기준과 비교해 결정합니다.

결과

8주 동안 학습 데이터에 없던 긁힘, 찍힘, 기포 결함을 모두 이상으로 표시했습니다. 초기 오탐의 대부분은 조명 밝기가 바뀐 교대 시간과 부품이 지그에서 조금 틀어진 경우였습니다(예시 데이터).

오탐 줄이기

교대별 밝기 차이는 입력 정규화로, 위치 틀어짐은 정렬 단계를 추가해 줄였습니다. 이후에도 남은 오탐은 검사원이 확인해 양품으로 표시하면 정상 분포에 반영되도록 했습니다.

한계

표면 반사가 강한 금속 부품에서는 반사광 자체가 이상으로 잡히는 문제가 남았습니다. 이 문제는 후속 리포트 GR-2026-03에서 다룹니다.