데이터 품질 지표(DQI) 딥러닝 모델로 ‘데이터 드리프트’ 모니터링 및 예지보전 수행
아하랩스의 Data CAMP 솔루션과 검사 이미지의 퀄리티를 분석하는 딥러닝 모델을 활용하면, 카메라와 노후 조명 문제로 이미지를 잘못 촬영해 품질 검사에 실패하는 경우를 미연에 방지할 수 있습니다.
Challenge
- 항상 일정한 광학 이미지가 촬영돼야 모델을 제대로 학습시키고 양/불량 판정 정확도를 높일 수 있음
- 그러나 카메라 각도가 바뀌거나 조명이 노후돼 이미지가 제대로 촬영되지 않을 경우, 품질 검사에 실패
- 촬영 장비를 감시하는 센서나 장비를 추가로 부착하는 방안은 비용 및 관리 복잡도가 높아진다는 단점이 있음
Approach
- 검사 데이터 외 장치 데이터까지 분석하는 ‘데이터 품질 지표(Data Quality Index)’ 딥러닝 모델을 제안
- 정상 이미지를 DQI 점수 0점(기준)으로 학습시키면, 딥러닝 모델이 비정상 이미지의 DQI 점수를 추론
- DQI 점수가 일정 범위 이상으로 높아지면 알람 전송 → 검사 실패가 장시간 누적되기 전 현장에서 선대응
Result
- ‘데이터 드리프트’ 모니터링 가능
- 예상할 수 없는 불량 발생 원인을 조기 제거하여 프로젝트 일정 준수에 도움
Full Story
검사 장비에 생긴 문제를 사전에 알 수 있는 방법 부재
스마트팩토리에는 다양한 검사 장비들이 있습니다. 가장 대표적인 게 머신비전 장비, 즉 카메라와 조명이죠. 항상 일정한 광학 이미지가 촬영되어야 머신러닝 모델을 제대로 학습시키고 양/불량을 높은 정확도로 판정해낼 수 있는데요.
간혹 생산품에 결함이 없는데도 일정기간 계속해서 불량 판정만 나는 경우가 발생하기도 합니다. 알고 보면 검사 장비 문제 때문인 경우가 많죠.
예를 들어, 설비를 청소하거나 점검하다가 카메라를 툭 치는 바람에 카메라의 설치 각도가 달라지는 경우가 종종 발생합니다. 포커스가 빗나가는 거죠.
또, 조명의 수명이 다하면서 조도가 달라지는 바람에 이미지가 너무 어둡게 촬영되기도 하고요. 적은 빈도이긴 하지만, 하얀 옷을 입은 작업자가 옆을 지나갈 때 빛 반사가 일어나면서 이미지가 하얗게 날아가기도 합니다.
제품 결함이 아닌 검사 장비 문제로 계속 NG가 발생하게 되면 생산라인의 가동을 멈추고 원인을 찾아야 합니다. 수 시간의 다운타임이 발생할 수 있습니다. 만약 노후 조명이 문제라면 조명을 새로 주문하고 받아 재설치하는 데까지 몇일이 소요되기도 합니다. 뿐만 아니라 촬영 이미지 문제 때문에 NG로 분류된 생산품들은 다시 불량 검사를 해야 하고요.
검사 장비를 감시하는 추가 센서나 장비를 또 부착하는 방안은, 비용과 관리 복잡도가 높아져서 ROI(투자수익률)를 담보할 수 없다는 문제가 있었습니다.
촬영된 이미지 퀄리티가 낮아지기 시작할 때 알림
전기자동차용 이차전지를 생산하는 C사는 아하랩스의 Data CAMP 솔루션을 활용해 검사 이미지 데이터를 수집하고 분석하고자 연락을 해왔습니다.
그런데 고객 맞춤 컨설팅을 하는 과정에서 고객사가 위와 같은 페인 포인트를 갖고 있음을 알게 되었죠. 당시만 해도 Data CAMP에는 검사 데이터 외 장치 데이터를 분석하는 별도의 기능은 없었습니다. 아하랩스 팀은 추가 센서 부착 없이 Data CAMP 솔루션 만으로 검사 장비 이상을 어떻게 알아낼 수 있을지 고민하기 시작했고, 여기서 ‘데이터 품질 지표(Data Quality Index)’라는 딥러닝 모델이 탄생하게 됩니다.
DQI는 다음과 같이 작동합니다.
먼저 정상 이미지들을 학습시킵니다. DQI 점수가 0점(기준점)입니다. 그런 뒤 비정상 이미지를 넣었을 때 모델은 그 이미지의 포커스나 밝기가 정상 이미지 대비 얼마나 떨어져 있는지 추론하게 됩니다.
예컨대, DQI 점수가 0.1, 0.2, 0.3…이렇게 0점에서 멀어질수록 이미지가 정상 대비 더 많이 뿌옇게 촬영됐단 뜻입니다. 밝기나 셀의 촬영 위치, 촬영 각도도 마찬가지고요. 이상 알람이 발생하는 즉시 현장 작업자는 카메라와 조명을 확인하고 선대응할 수 있습니다.
- ‘데이터 드리프트’ 모니터링 가능 → 검사 성공률 99.9%, 제로 다운타임
- 예상할 수 없는 불량 발생 원인을 조기 제거하여 생산단가 절감
물론 검사 장비의 설치 각도나 노후 문제 때문에 연달아 NG가 발생하는 상황이 매일 벌어지진 않습니다. 그러나 한번 발생할 때마다 손실이 상당합니다. 앞서 언급했듯 문제를 파악하고 해결하는 데 짧으면 수시간, 길면 수일이 걸리고요.
이는 고스란히 다운타임으로 이어지고 생산 효율을 낮추는 중대 원인이 됩니다. 게다가 잘못 촬영한 이미지 문제로 NG 판정을 받은 제품들은 전부 재검사해야 하죠.
C사는 이제 Data CAMP와 DQI 딥러닝 모델을 활용해 검사 성공률 99.9%를 달성하고 있습니다. 촬영 이미지, 즉 입력 데이터의 드리프트*를 모니터링하기 때문이죠. 기존에는 NG가 한참 발생한 뒤에야 대응할 수 있었는데, 이제는 DQI 스코어를 통한 장비 예지보전을 통해 바로바로 선대응이 가능합니다.
데이터 드리프트란, 시간이 지남에 따라 데이터 분포가 변화하는 것을 말합니다. 이로 인해 학습 당시에는 정확했던 모델이 배포할수록 정확도가 떨어질 수 있습니다. 이 현상은 입력 데이터의 통계적 특성이 변화할 때 발생하며, 이는 변화하는 고객 행동, 계절적 영향, 경제 변화 또는 단순히 모델이 적용되는 환경의 동적 특성과 같은 다양한 요인으로 인해 발생할 수 있습니다.
여기에 투자한 추가 비용이나 시간은 없었습니다. 아무런 추가 장비나 센서를 설치하지 않고 머신러닝 알고리즘만으로 해결했기 때문입니다.
Related Stories
진동 센서 데이터로 설비 이상탐지(모터 예지보전)를 수행한 사례
Challenge 기존에는 발전 설비 모터에 진동 센서를 부착해놓고 룰 기반으로 검사를 진행함 진동의 등락 외에는 각 진동...
생산 자재 변경으로 인한 검사 ‘데이터 드리프트’를 잡아낸 사례(DQI 모델)
Challenge 항상 일정한 광학 이미지가 촬영돼야 모델을 제대로 학습시키고 양/불량 판정 정확도를 높일 수 있음. 그러나...
‘1종 오류’ 찾아내는 딥러닝 모델로 ‘과검’ 발생률 감소
이상탐지(Anomaly Detection) 딥러닝 모델을 활용해 검사 이미지 전체 영역을 학습합니다. 실제 생산품의 결함이 아닌, 그 밖의...