생산된 제품의 결함 검사에서 더 나아가, 결함을 발생시키는 공정까지 포착할 수 있다면 어떨까요?

원인 공정을 찾아내어 결함 발생률 자체를 줄일 수는 없을까요?

이런 문제를 해결하기 위하여 세이지리서치는 비지도 학습을 이용한 VAD (Video Anomaly Detection) 기술을 개발하였습니다.

 

 

영상 이상 감지 기술

• 이미지가 아닌, 영상에서 이상 감지가 가능하며 제조 공정 모니터링에 특화되어 있습니다.

비지도 학습 기술

• 라벨링 없이 2~3 시간의 공정 영상만으로 학습이 가능합니다.

환경 변화 대응 기술

• 조명, 먼지 등에 의한 환경 변화에 적응하여 이상 감지 성능을 유지합니다. 환경 변화가 발생해도 재학습이 필요하지 않습니다.
• 기계 진동에 의하여 카메라가 틀어지더라도 성능을 유지할 수 있습니다

공정 특화 이상 감지 기술

• 이상 감지 유형 자동 분류 기술을 이용하여 검출된 이상 감지의 유형을 자동으로 분류할 수 있습니다.
• 동작 감지 기술을 이용하여 공정의 정지, 느려짐 등을 검출할 수 있습니다.
• 공정 사이클 카운팅 기술을 이용하여 몇 개의 사이클이 검사되었는지 카운팅 할 수 있습니다.

MLops 기술

• 여러 라인에서 수행되는 검사를 하나의 마스터 서버에서 관리할 수 있습니다.

 

 

 

영상 이상 감지 (Video Anomaly detection)

 

 

일반적으로 제품의 결함을 검사할 때는 이미지를 이용합니다.
제품이 정해진 위치에 등장하며 일정한 수준의 조명과 함께 환경이 통제된 상황에서 검사를 진행합니다.
그렇다면 제조 공정도 동일한 상황에서 검사를 진행할 수 있을까요?

 

제조 공정은 다양한 기계 부품이 이동, 왕복, 회전 등의 운동을 하며 진행됩니다.
제품 자체의 결함이 있을 수도 있지만 이러한 기계 부품들의 이상 동작으로 인하여 결함이 발생할 수도 있습니다.
따라서 이미지 만으로 공정의 이상 감지를 진행하기에는 한계가 있습니다.

 

세이지리서치는 업계 최초로 제조 공정에 대한 영상 이상 기술인 SaigeVAD를 개발하였습니다.
SaigeVAD는 제조 공정 영상을 24시간 모니터링하며 언제, 어디서, 어떻게 공정에서 이상이 발생했는지 확인할 수 있습니다.
이상 동작이 발생했을 경우, 해당 영상과 이상 감지 점수 등을 사용자에게 알려줍니다.

 

 

 

 

비지도 학습 (Unsupervised learning)

용어	정상 데이터 라벨링	이상 데이터 라벨링
지도 학습 (Supervised learning)	O	O
준지도 학습 (Semi-supervised learning)	O	X
비지도 학습 (Unsupervised learning)	X	X

딥러닝 기술을 산업현장에 적용하는데 가장 큰 걸림돌이 되는 부분은 데이터 라벨링(labeling, annotation)입니다.
수많은 정상 데이터 속에서 이상 데이터를 찾는 것은 매우 어려운 일이며, 어떠한 이상이 발생할지 예측하는 것은 더욱 어렵습니다. 또한 딥러닝 기술 도입보다 라벨링 외주 비용이 클 수도 있습니다.

 

SaigeVAD는 라벨링이 필요하지 않은 비지도 학습 기술이 적용되어 있습니다. 2~3시간 분량의 정상 공정 영상만으로 학습이 가능하여, 공정이 바뀌거나 환경이 변해도 별도의 라벨링 없이 바로 학습이 가능하며 이는 큰 비용 절약으로 이어질 수 있습니다.

 

 

 

환경 변화 대응

조명, 배경, 제품의 각도, 카메라 위치 등 환경이 통제된 결함 검사와는 다르게 공정은 시간이 지나면서 여러 요소에 의하여 환경이 바뀌게 됩니다. 장치 곳곳에 먼지가 쌓이거나, 부품을 교체하거나, 조명이 바뀌거나 혹은 기계 진동이나 설비 점검에 의하여 카메라가 틀어질 수도 있습니다. 이러한 환경 변화는 이상 감지 성능을 떨어뜨리게 됩니다. 그렇다고 해서 환경 변화가 발생할 때마다 매번 새로 학습을 하는 것은 번거로우며, 사용성이 매우 떨어져 시간과 인력의 낭비를 불러옵니다. 양산 도입 또한 불가능해집니다.

 

 

SaigeVAD는 환경 변화를 실시간으로 학습 합니다. 조명의 변화, 빛 반사, 먼지 쌓임 등과 같은 환경 변화가 발생했음을 감지하고, 실시간으로 학습하여 이상 감지 성능을 유지할 수 있습니다. 카메라가 틀어지는 것 또한 감지 할 수 있으며, 이상 감지 관심 영역을 자동으로 조절하여 대응하는 기술을 사용합니다.

 

 

 

공정 특화 이상 감지

• 동작 감지

  실제 공정은 잠시 멈추거나 속도가 느려지기도 합니다. 멈추는 것이 이상 동작일 수도 있지만 대부분의 경우는 정상 공정입니다. SaigeVAD는 공정 속도의 변화(멈춤, 느려짐)를 감지할 수 있습니다. 이러한 동작들이 이상 감지 성능에 영향을 주지 않도록 설정할 수 있으며, 사용자가 원할 경우 이를 이상 감지로 판별할 수 있도록 설정할 수 있습니다.

   

• 이상 감지 자동 분류

  

  <이상 감지 자동 분류 예시> 감지한 이상 동작을 사용자가 설정한 유형 개수에서 자동으로 분류합니다.

  공공정을 정상과 이상 두 가지로만 분류하기에는 이상 동작의 종류가 매우 다양합니다. 제품이 비어있거나, 제대로 결합되지 않았거나, 공정 기계가 비정상적인 동작을 했을 수도 있습니다. 사용자는 어떠한 이상 동작에 대해서는 정상으로 처리하고 싶어 할 수도 있습니다. SaigeVAD는 이를 위하여 이상 감지 자동 분류 기술을 사용합니다. 공정 모니터링 중에 나타나는 이상 동작들을 사용자가 설정한 유형 개수만큼 분류하여 사용자에게 보여줍니다. 사용자는 그중에서 정상 동작으로 처리하고 싶은 것들을 선택할 수 있으며, 특정 종류는 무조건 이상 감지로 판별되게끔 조절할 수 있습니다.

   

• 공정 사이클 카운팅

  

  검사가 몇 개의 사이클에 대하여 이루어졌는지 파악할 수 있습니다.

  SaigeVAD는 컴퓨터 비전 기반 기술로 몇 개의 공정 사이클에 대하여 검사가 이루어졌는지 대략적으로 알 수 있습니다. 공정 사이클 계수 기능을 통하여 시간당 검사한 사이클 개수를 모니터링할 수 있습니다.

 

 

 

MLOps

하나의 제품이 만들어지기 위해서는 수많은 공정이 필요합니다. 공정을 모니터링하기 위해서는 적게는 한 개, 많게는 수십수백 대의 카메라가 필요합니다. 각 카메라별로 이상 감지 모델을 학습하고, 모니터링하는 것은 굉장히 복잡한 일이 될 것 입니다. 세이지리서치는 보다 쉽게 공정을 모니터링할 수 있도록 MLops 시스템을 도입했습니다.

 

MLops는 ML(Machine Learning) 시스템 개발(Dev)과 운영(Ops)을 통합한 시스템입니다. 여러 라인에 있는 수 십 개의 공정들을 한 번에 통합 관리할 수 있으며 모니터링이 가능합니다. 학습한 모델 관리, 모델 및 PC 모니터링, 공정 관리 등 다양한 작업을 수행할 수 있습니다.

 

 

 

마치며

지금까지 제조 공정 QC 고도화를 위한 SaigeVAD 기술에 대하여 소개해 드렸습니다. 고객의 문제 해결을 넘어 고객이 인지하지 못한 문제를 끊임없이 찾아내고 탐구하는 세이지리서치는 제품 결함 검사에서 더 나아가, 제조 공정의 이상 감지 검사 기술을 개발하였습니다. 다음 게시글은 세이지리서치의 제품 결함 검사 기술인 SaigeVision에 대해 심층적인 내용을 소개해 드릴 예정이니, 많은 관심과 기대 부탁드립니다.