제3세대 기계학습 품질검사

간단한 룰 기반 알고리즘이 과거 수년 동안 비쥬얼 품질 검사 분야에서 사용되어 왔지만, 그 한계성이 나타나면서 더욱 정교한 소프트웨어에 대한 필요성이 증가하고 있다.

아래에 비쥬얼 품질검사 방식에 기계학습을 적용한 역사를 3세대로 나누어 설명하고 새로운 시대에 적합한 품질검사 방법을 소개한다.

처방 기반 시스템 시대

비쥬얼 품질검사에 사용할 수 있는 가장 일반적인 솔루션 중 거의 대부분이 룰 기반 솔루션이라는 특징을 가지고 있다.

이 솔루션들은 다양한 알고리즘으로 작동되고 매개 변수는 전문가에 의해 설정된다. 

간단히 설명하면 이미지에 있는 검은색 픽셀의 수를 세어 정해진 특정 숫자 이상이면 이 이미지에 결점으로 표시하는 것이다.

이런 방식의 솔루션들이 과거 최소 25년 동안 사용되어 왔으며 간단한 작업에서는 매우 효과적인 것으로 입증되었다. 

그러나 표면 비쥬얼 검사에서 일상적으로 발생하는 결함보다 더 복잡한 문제가 있을 경우 룰 기반 솔루션으로 대응하기 부적절하다.

예를 들면 프린터의 잉크가 약해지거나, 조명 조건이 바뀌거나, 공급업체 재료의 단순한 변경 같은 비교적 작은 변동으로도 룰 기반 시스템의 효율성에 심각한 영향을 미칠 수 있다. 

이러한 경우 품질 관리자는 검사장비 회사의 서비스 팀을 불러 파라미터를 계속 업데이트해야 한다.

이와 같은 과제들을 해결하고 더 많은 허용오차를 적용하려면 보다 유연하고 정교한 기술이 필요했으며 그 후 딥러닝의 시대로 접어들었다.

초기 딥러닝 시대

지금은 딥러닝이 품질검사를 하는 첨단 기술이 되었다. 판단하기 애매한 표면의 스크래치나 흔적 등 룰 기반 시스템으로 확인하기 어려웠던 매우 복잡한 결함을 딥러닝 솔루션으로 찾아낼 수 있게 되었다. 

여러 결함의 수 많은 데이터를 학습하여 문제를 일반화하여 새로운 부분의 결함을 탐지할 수 있다. 하지만 여기에도 과제가 있었다.

학습을 위해 모델에 이미지를 제공하는 프로세스는 수동으로 해야 한다. 이 일은 매우 시간이 많이 걸리고 쉽지 않은 과정이다. 

모델 학습은 많은 이미지를 준비해야 한다. 예를 들어 모델이 크랙을 정확하게 탐지하지 못하는 경우에는 크랙이 무엇인지 이해할 때까지 데이터에 샘플을 더 추가해야 한다. 

또한 이미지 주위에 마크업을 해야 하므로 이미지를 제공하는 것만으로는 충분하지 않다. 예를 들어 크랙의 정확한 선을 추적하여 결점 주위의 부분까지 확인하거나 심지어 분할해야 할 수도 있다.

모델은 결점 이미지로만 학습된다. 최종 사용자는 수천 개의 이미지를 검토하고 결함이 있는 이미지를 식별한 다음 머신에 제공하기 전에 올바른 마크업을 해야 한다. 

대부분의 딥러닝 어플리케이션의 경우 시작하기 위해 수천 개는 아니더라도 수백 개의 예제가 필요하다.

하루에 100,000개의 부품을 생산하는데 그 중 2%가 결함이 있다면, 검토해야 할 이미지가 얼마만큼인지 예측할 수 있을 것이다.

이러한 두통 거리를 해결하기 위한 한 가지 접근법은 결함의 인공 이미지를 모델에게 제공하는 것이다.

즉, 사용자가 수동으로 결함을 만들고 그 결함 이미지를 모델에게 학습시키는 방법이다. 

일부 회사들은 잠재적인 결함의 이미지를 생성하는 소프트웨어를 개발하려고 했지만, 이 두 가지 접근 방식 모두 동일한 문제에 부딪힌다.

인위적으로 만들어진 결함은 단순히 실제 상황에서 나타나고 생산 과정에서 발생하는 결함을 정확하게 대신할 수 없다.

비 학습 방법

우리는 이제 품질검사에서 새로운 제3의 시대의 서막에 들어서고 있다. 딥러닝 솔루션의 한계를 극복하기 위한 기술 솔루션을 일반적으로 비지도 또는 준지도 시스템이라고 한다.

핵심 목표는 위에서 설명한 모델 구축 프로세스를 자동화하는 것이다.

전통적인 딥러닝 솔루션은 학습을 위해 결함의 샘플을 필요로 하는 반면, 비지도 모델은 결함이 없는 부품의 샘플 이미지(OK parts)를 학습용으로 제공할 수 있다. 

초기 모델은 완벽하지는 않지만 무엇이 정상적인 것으로 구성되는지에 대한 기본적인 이해를 하게 된다.

이 일반화된 이해를 바탕으로 의심되는 결함 또는 특이한 것에 표시를 하고 사용자의 피드백을 통해 지속적으로 업데이트하며 학습한다.

이러한 방식으로 모델 구축 프로세스를 자동화하는 방법이 최종 사용자에게는 아주 쉽고, 무엇보다도 가장 큰 장점은 모델이 작동하는 데 걸리는 시간의 단축이다.

이 새로운 비지도 학습 모델 구축 프로세스는 바로 생산 라인에서 이루어 진다.

이전에는 데이터 분류 과정에서 모델을 생산 라인에 설치하기 전에 적어도 일주일 동안 자체적으로 작업해야 했다. 

모델을 세팅한 후, 종종 모델이 의도한 대로 작동하지 않는다는 것을 알게 되고, 추가적인 교육이 필요했고 생산을 중단하는 경우도 발생했었다.

비지도 또는 준지도 학습의 새로운 시대의 모델의 초기 학습은 생산 라인에서 직접 할 수 있으며 실제로 가동되기 전 24시간 정도면 완료될 수 있다.

결과적으로 제품을 더 잘 이해하는 시스템이기 때문에 준지도 솔루션이 완전 지도 시스템보다 우수하다는 데는 의심의 여지가 없다. 

지금까지 모델 교육에 종사하는 사람들 중 상당수는 데이터나 AI 전문가였는데 제품에 대한 이해도가 부족하였던 것 또한 사실이다.

준지도 시스템에는 생산 인력의 지식이 활용되며, 그들의 피드백으로 최적화 되어간다.

또 하나의 장점은 결함 유형 간의 차별화 능력이다. 이전에는 결함을 탐지하는 것이 유일한 목표였으며 분류의 중요성은 떨어졌다.

그러나 보다 발전된 딥러닝 솔루션은 서로 다른 이미지를 클러스터하여 서로 다른 결함 유형으로 결함 이해의 폭을 확대할 수 있다.

여기에서 수집된 데이터와 유형을 바탕으로 예방 및 예측 유지보수를 모두 지원하는 데 도움되는 통찰력을 얻을 수 있다.

모든 분야에서 기술 진보로 인해 일어나는 변화가 단지 여백을 메우는 작은 변화가 아니라 패러다임을 바꾸는 새로운 시대에 진입하고 있다는 것을 인식하여 품질검사의 새로운 방법에 도전을 권해보는 바이다.

참조 | https://www.manufacturingtomorrow.com/article/2023/05/three-eras-of-machine-learning-a-new-paradigm-for-quality-inspection/20562