생산 자재 변경으로 인한 검사 ‘데이터 드리프트’를 잡아낸 사례(DQI 모델)
![data cluster](https://ahha.ai/wp-content/uploads/2024/05/data-cluster.jpg)
Challenge
- 항상 일정한 광학 이미지가 촬영돼야 모델을 제대로 학습시키고 양/불량 판정 정확도를 높일 수 있음. 그러나 제조 현장의 다양한 요인 변화로 인해 ‘데이터 드리프트’가 발생하면서 생산품에 결함이 없음에도 NG가 발생하는 경우가 잦아 품질 검사 효율이 낮아짐
- 비용 및 관리 복잡도를 높이지 않으면서 검사 이미지가 제대로 촬영되고 있는지 실시간으로 알 수 있는 방안 필요
Approach
-
검사 이미지가 기존에 학습시킨 Reference 이미지 대비 얼마나 다른지 추론하는 ‘데이터 품질 지표(Data Quality Index)’ 딥러닝 모델을 도입
-
제조 상황 별 맞춤 구성이 가능한 Data CAMP 대시보드에 DQI 항목을 추가하여 모니터링
Result
- 생산 자재를 변경하자 표면 반사도와 윤곽선 형태 등이 달라지면서 대시보드 DQI 항목에 이상치(Outlier)가 표기됨. 이를 통해 촬영된 이미지의 품질이 기존 데이터 분포의 정상 범위를 벗어났음을 조기에 파악
- 촬영된 이미지를 조기에 재검하고 광학계 재조정이 필요할지 논의하는 등 즉시 대처가 가능해짐
- 다운타임 없이 품질 검사 효율과 생산 수율 유지
Full Story
‘DQI(Data Quality Index)’는 입력 데이터의 품질을 모니터링하는 아하랩스 고유의 딥러닝 모델입니다. 만약 새로 입력된 이미지가 기준 이미지 대비 초점이나 밝기가 너무 달라 양불 판정을 제대로 할 수 없는 범위라고 판단되면, 사용자에게 경고 알람이 전송됩니다. 사용자는 대시보드에 표시된 이상치 데이터(아래 이미지에서 타원 외부의 빨간 점)를 클릭해서 비정상으로 분류된 이미지를 확인할 수 있습니다.
만약 이미지에 이상이 없다면 ‘정상으로 분류’ 버튼을 클릭하면 됩니다. 정상 분포 범위의 하한선과 상한선이 재조정되고, 대시보드 상의 타원 모양도 변경되죠. 요컨대, 대시보드 상에서 편리하게 이상치 데이터 라벨링 및 통합 관리가 가능합니다.
📌 DQI의 상세한 내용이 궁금하신가요? 아래 아티클을 더 읽어보세요!
그런데 전기자동차용 이차전지를 생산하는 C사 대시보드의 DQI 값이 어느 날부터 정상 범위를 벗어나기 시작했습니다. 타원 밖에 빨간색 이상치(Outlier) 점들이 찍히기 시작한 겁니다.
아하랩스 팀은 곧바로 원인 분석을 시작했습니다. 알고 보니 갑작스레 생산 자제가 변경되면서 표면 반사도와 윤곽선 형태 등에 변화가 생겼고, 촬영된 이미지의 품질에 이상이 생겼던 것입니다.
만약 데이터 변화를 바로 확인하지 못했다면 장기간 품질 검사가 제대로 이뤄지지 않아 수율에 이상이 생겼을 가능성이 있습니다.
![](https://ahha.ai/wp-content/uploads/2024/05/dqi-dashboard-827x1024.jpg)
DQI 대시보드 예시 이미지. 타원 내부의 파란 점은 정상 데이터, 타원 밖의 빨간 점은 이상치(Outlier) 데이터를 뜻합니다. 초점 또는 밝기(가로축)와 DQI 점수(세로축) 간의 상관관계를 보고 모델이 해당 이미지를 비정상으로 추론한 세부 원인을 파악할 수 있습니다. 또, 대시보드 상에서 클릭만으로 이상치 데이터를 편리하게 통합 관리할 수 있습니다. Image Credit: AHHA Labs
이렇듯 DQI를 모니터링 하게 되면 데이터 드리프트 문제를 조기에 파악하고 대처할 수 있습니다. 예를 들어 위와 같은 문제가 생겼을 때 현장 실무자는 촬영된 이미지를 재검하고, 품질 검사 정확도를 기존대로 유지하기 위해 조명과 카메라 등 광학계의 설정을 재조정해야 하는지 빠르게 논의를 시작할 수 있습니다.