스크리블 지도 학습을 활용한 비전센서 기반 고광택 판재 성형품 자동 표면 결함 검출

국문 초록 (Abstract)

고광택 판재 성형품은 자동차, 전자 제품 및 소비재 산업 등 다양한 분야에서 심미적 품질과 기능적 특성으로 인해 널리 사용되고 있다. 그러나 이러한 소재는 높은 반사 특성으로 인해 표면 결함 검출이 어렵고, 조명 변화 및 반사로 인해 노이즈가 발생하여 기존의 검사 기법의 기능을 저하시킬 수 있다. 뿐만 아니라, 대량 생산 공정에서는 초기 단계에서 결함을 검출하지 못할 경우, 이후 공정에서 불량 제품이 연속적으로 생산되어 최종적으로 전체 제품의 폐기로 이어질 수 있어 조기 결함 검출이 매우 중요하다.
비전 센서(Vision Sensor)는 실시간으로 결함 검출이 가능하여 생산 공정 중 즉각적인 품질 판별이 가능하다는 장점을 가진다. 또한 조명의 위치와 세기를 유연하게 조절할 수 있어 다양한 반사 특성을 갖는 표면에서도 결함을 효과적으로 가시화할 수 있으며, 제품의 각도나 높이가 변화하는 경우에도 안정적인 검출 성능을 유지할 수 있다. 더불어, 비교적 간단한 설정과 직관적인 사용이 가능하여 산업 현장에서의 적용성이 높고, 다양한 공정 환경에 유연하게 대응할 수 있는 장점을 지닌다.
본 연구에서는 비전 센서의 장점을 활용하여 획득한 촬영본에 대해 조명의 명암 대비를 반영한 전처리를 수행하고, Python 기반으로 생성한 스크리블(Scribble) 형태의 주석을 활용하는 약지도 학습(weakly supervised learning) 기법을 적용하였다. 이를 통해 정밀한 픽셀 단위 주석 없이도 효율적인 학습이 가능하도록 하였다.
인공지능 모델 구조는 이미지의 공간적 특징을 효과적으로 추출할 수 있는 딥러닝 모델인 합성곱 신경망(Convolutional Neural Network, CNN)기반으로 설계되었으며, 스크리블 주석으로부터 유도된 제한적인 라벨 정보를 활용하여 전체 영역에 대한 결함 분포를 추정할 수 있도록 구성하였다. 이를 위해 영역 확장(region propagation) 및 일관성 제약(consistency constraint)을 적용하여 희소한 주석 정보를 보완하고, 모델의 일반화 성능을 향상시키고자 하였다. 또한, 다양한 조명 조건과 표면 특성 변화를 고려한 데이터 증강 기법을 적용하여 실제 산업 환경에서의 적용 가능성을 높였다.
실험 결과, 제안하는 방법은 기존의 완전 지도 학습 및 비지도 학습 기반 기법과 비교하여 우수한 결함 검출 성능을 보였다. 제한된 주 데이터터만으로 정밀한 결함 영역을 효과적으로 추정할 수 있음을 확인하였다. 아울러, 제안된 프레임워크는 주석 비용 절감과 함께 다양한 제품군에 대한 빠른 적용이 가능하여, 실제 산업 현장에서의 자동 검사 시스템 구축에 유리하다. 비전센서와 머신러닝 기반 접근법의 결합을 통해 실시간 또는 준 실시간 결함 검출이 가능하며, 이는 제조 공정의 생산성 향상 및 품질 관리 고도화에 기여할 수 있다.
결론적으로, 본 연구는 스크리블 기반 약지도 학습을 활용하여 고광택 판재 성형품의 자동 표면 결함 검출 문제를 효과적으로 해결할 수 있는 방법을 제시하였으며, 향후 지능형 제조 시스템으로의 확장 가능성을 제시한다.