이득:
- 이미지 처리 및 기계 학습을 통해 직물 표면의 결함을 감지하고 분류하는 방법을 설명하는 능력.
- 거짓 긍정/부정 균형, 4점 채점 시스템 및 모델 성능 지표를 해석하는 능력
- 사람의 검사와 물리적 검사를 통해 자동 결함 감지 출력을 테스트하는 검증 설정을 설계하는 기능
수년 동안 직물 품질 관리는 인간의 눈에 의존해 왔습니다. 작업자는 조명이 켜진 검사 테이블에서 몇 시간 동안 직물을 관찰하고 발견된 결함을 표시하고 점수를 매깁니다. 이 작업은 피곤하고 주관적이며 피로와 오류가 발생하기 쉽습니다. 교대근무가 끝날 때 주의력은 처음만큼 뚜렷하지 않습니다. 컴퓨터 비전과 기계 학습은 이 검사를 자동화할 것을 약속합니다. 고속 카메라가 직물을 스캔하여 몇 초 만에 결함 패턴을 감지하고 분류합니다. 이번 단원에서는 이 시스템이 어떻게 작동하는지, 평가 기준은 무엇인지, 인간의 통제가 여전히 필수적인 이유에 대해 논의할 것입니다.
원단 결함 및 검사 언어
자동 감지를 이해하려면 먼저 결함의 이름을 알아야 합니다. 직물의 대표적인 결함: 날실 파손(세로실 부족), 위사 결함/계속(횡선), 구멍, 얼룩, 두껍거나 얇은 곳, 날실 튕김 니트의 경우 : 바늘 자국(세로선, 바늘 오작동으로 인한 것), 스티치 엇갈림, 구멍, 두께 차이. 날염시 : 색차, 마모(염색불균일), 미끄러짐, 튀는 현상.
검사 결과는 종종 4점 시스템을 사용하여 점수가 매겨집니다. 각 결함은 세로 길이에 따라 1~4점(예: 8cm까지는 1점, 15cm 이상에서는 4점)이 부여되고 100m²당 총 점수가 계산됩니다. 임계값(예: 40포인트/100m²) 미만은 "승인"으로 간주되고 그 이상은 "거부"로 간주됩니다. AI를 이용한 자동 채점은 이 표준을 에뮬레이트해야 합니다. 자체적으로 임의의 점수를 생성해서는 안 됩니다.
팁: 자동화된 시스템의 결과는 항상 허용되는 점수 표준(예: 4점) 및 고객 허용 오차로 변환 가능해야 합니다. "모델에서 12가지 변칙 사항 발견"만으로는 비즈니스 결정을 내릴 수 없습니다. 이를 포인트와 결정으로 전환해야 합니다.
자동 결함 감지는 어떻게 작동합니까?
현대 시스템은 종종 두 가지 접근 방식을 결합합니다. 감독된 분류는 이전에 레이블이 지정된 수천 개의 결함 사례로 훈련된 인공 신경망(특히 이미지에 적합한 컨벌루션 신경망, 영국 CNN)이 새 이미지와 해당 유형에 결함이 있는지 예측하는 것입니다. 반면에 이상 탐지는 "정상" 패브릭을 학습하고 정상에서 벗어나는 모든 것을 결함 후보로 표시합니다. 각 결함 유형에 미리 라벨을 붙일 필요가 없기 때문에 드물고 이전에 본 적이 없는 결함에 효과적입니다.
우리는 두 가지 기본 기준으로 시스템 성능을 읽습니다. 민감도(재현율): 실제 결함의 몇 퍼센트를 감지했습니까? 정확성: 그들이 결함이라고 말한 것 중 실제로 결함이 있었던 비율은 몇 퍼센트입니까? 이 둘 사이에는 균형이 있습니다. 거짓 부정(결함 누락)은 결함이 있는 상품이 고객에게 배송되었음을 의미합니다. 거짓 긍정(완벽한 것을 결함이 있는 것으로 표시)은 불필요한 낭비와 속도 저하를 의미합니다. 품질이 중요한 애플리케이션에서는 일반적으로 거짓 음성을 낮게 유지하기 위해 임계값이 선택되는 반면, 증가된 거짓 긍정은 작업자가 신속하게 두 번째 확인을 거칩니다.
여기에는 중요한 함정이 있습니다. 정확성만으로는 오해를 불러일으킬 수 있다는 것입니다. 생산 라인에서는 직물의 2%에 결함이 있을 수 있습니다. 모든 것을 "완벽하다"고 말하는 어리석은 모델은 98%의 정확도를 보고하지만 단 하나의 결함도 발견하지 못합니다. 따라서 불균형 데이터에서는 결함 클래스의 민감도와 정밀도가 고려되지 않고 정확도가 고려됩니다.
단계별: 탐지 시스템 평가
- 대표 데이터를 수집합니다. 시스템이 보게 될 실제 직물의 다양성(색상, 질감, 조명)을 다루는 이미지 희귀한 결함도 포함됩니다.
- 라벨 품질을 확인하세요. 훈련 라벨이 잘못된 경우 모델도 잘못 학습합니다. 전문가의 눈으로 라벨을 샘플링해 보세요.
- 감도/정밀도를 측정합니다. 결함 등급에 대해 별도로; 일반적인 정확성만 보지 마십시오.
- 위음성(false negatives)을 조사합니다. 놓친 결함에는 공통된 특징(특정 색상, 특정 조명)이 있습니까?
- Human-In-The-Loop를 설정합니다. 운영자가 모델에 표시된 내용을 확인하게 하십시오. 불확실한 것을 사람들에게 지시하십시오.
- 모니터링하고 재교육하세요. 새로운 결함 유형이 나타나면(개념 드리프트) 데이터세트를 업데이트합니다.
세 가지 미니 케이스: 숫자로 알아보기
사례 1 - 오해의 소지가 있는 정확성. 한 공급업체는 "우리 모델은 97% 정확합니다"라고 말하는 시스템을 판매했습니다. 현장에서 고객 반품이 증가했습니다. 분석 결과 결함 클래스의 민감도는 61%에 불과한 것으로 나타났습니다. 즉, 실제 결함 100개 중 39개가 누락되었음을 의미합니다. 대부분의 원단이 이미 흠집이 없었기 때문에 정확도가 높았습니다. 임계값이 재조정되고 인간 제어가 추가되었습니다. 민감도는 92%로 증가했고 운영자는 오탐지를 제거했습니다.
사례 2 — 조명 이동. 한 줄에서는 오후 햇빛이 검사 영역에 닿으면 오탐률이 3배로 증가했습니다. 모델은 그림자가 얼룩이라고 생각했습니다. 이러한 문제는 시청 조건(닫힌 캐비닛, 지속적인 LED 조명)이 표준화되면서 해결되었습니다. 교훈: 이미징 설정은 모델만큼이나 품질에 관한 것입니다.
사례 3 — 시간과 노동. 한 기업은 100미터의 직물을 수동으로 검사하는 데 평균 9분을 소비했습니다. 카메라 사전 스캐닝 + 작업자 확인 모델의 경우 작업자가 표시된 부분에만 주의를 기울였기 때문에 시간이 4분으로 단축되었으며 누출도 줄었습니다. 중요한 것은 자동화가 운영자가 아닌 운영자의 눈을 날카롭게 한다는 것입니다.
약한 프롬프트 / 강한 프롬프트
참고: 결함 이미지를 직접 분석하는 전용 시스템은 별개입니다. 여기에서는 프로세스 설계, 데이터 평가 및 보고에 AI를 사용합니다.
약한 프롬프트:
우리의 결함 탐지 모델이 좋은가요?
강력한 프롬프트:
귀하의 역할: 섬유 품질 엔지니어 및 데이터 분석가입니다. 다음은 결함 감지 모델의 테스트 결과입니다(혼란 행렬: 참양성, 위양성, 위음성, 참음성). 작업:1) 결함 클래스의 민감도와 정밀도를 계산하고 공식을 보여줍니다.2) 전체 정확도가 오해의 소지가 있는 이유를 이 숫자로 설명합니다.3) 이 생산에서 위음성 위험이 비즈니스에 미치는 영향에 대해 설명합니다.4) 임계값 설정 및 사람 검사에 대한 구체적인 제안을 제공합니다.숫자: [매트릭스]
복사 가능한 템플릿
1) 측정항목 계산 및 해석:
다음 혼동 행렬에서 민감도, 정밀도 및 F1 점수를 계산하고 각 공식을 작성하고 품질 측면에서 어느 것이 더 중요한지 정당화합니다. 매트릭스: [TP, FP, FN, TN]
2) 거짓 음성 근본 원인:
다음은 누락된(거부성) 결함(결함 유형, 색상, 빛, 속도)의 기능 목록입니다. 공통 패턴 가설을 생성하고 각 가설에 대한 검증 시험을 제안합니다. 데이터: [목록]
3) 4점 포인트로의 전환:
다음 감지 출력을 4점 시스템으로 변환합니다. 길이에 따라 각 결함의 점수를 매기고, 100m²당 총 점수를 계산하고, [임계값] 점수와 비교하여 합격/거절을 권장합니다. 결함 목록: [목록]
4) 검사 보고서 초안:
상위 3개 결함, 가능한 프로세스 소스(가설), 총 거부율 및 권장 조치 등 교대 결함 데이터에서 요약을 도출합니다. 숫자를 꾸며내지 말고 주어진 것을 사용하세요. 데이터: [테이블]
측정항목 비교 차트
기준
어떤 조치를 취합니까?
높은 것이 좋은가요?
품질의 중요성
정확도
종합정확률
오해의 소지가 있을 수 있음
불균형 데이터 부족
감도(리콜)
실제 불량률 적발
예
거짓 음성 삭제(중요)
정밀도
당신이 말하는 진실은 결함이다
예
오탐지/낭비 감소
거짓 부정
탈출한 결함
아니요, 낮아야 합니다.
고객에게 결함이 있는 상품이 발생할 위험
거짓 긍정
빈 알람
아니 근데 참는다
효율성/속도 손실
주의: 자동화된 시스템은 "승인자"가 아닌 "사전 심사자"입니다. 최종 품질 승인 결정에는 유능한 품질 담당자의 승인이 필요하며, 특히 고객 계약이 적용되는 배치의 경우 더욱 그렇습니다. 모델은 인간의 통제를 가속화하지만 이를 면제하지는 않습니다.
일반적인 실수
- 의를 보고 만족하게 되느니라. 높은 정확도는 불균형 데이터의 아티팩트를 숨깁니다.
- 시청 조건을 무시합니다. 일정한 조명과 일정한 속도가 없으면 모델을 신뢰할 수 없습니다.
- 라벨 품질을 확인하지 않습니다. 잘못된 라벨로 훈련된 모델은 잘못 학습합니다.
- 새로운 유형의 결함을 잊어버립니다. 시간이 지남에 따라 나타나는 새로운 결함에 대해 데이터가 업데이트되지 않으면 성능이 자동으로 저하됩니다.
- 사람들을 잘라냅니다. 중요한 수용 결정에는 사람의 승인이 필요합니다.
요약하면
이미지 처리는 직물 검사 속도를 크게 높이고 인간의 피로를 보상합니다. 그러나 그의 성과는 정확성이 아니라 결함 등급의 민감성과 정확성으로 읽혀집니다. 거짓음성은 품질에 있어 가장 위험한 오류입니다. 안정적인 이미징 조건, 품질 라벨 및 인간 참여형 검사는 시스템 신뢰성의 세 가지 기둥입니다. 자동 출력은 사전 심사입니다. 최종 승인 결정은 엔지니어의 승인에 따라 결정됩니다.
응용과제
결함 탐지 시스템에 대한 예시 혼동 행렬을 정의합니다(예: 결함 100개, 완전 샘플 4900개). 이 장치의 "미터법 계산" 템플릿을 사용하여 민감도, 정밀도 및 F1을 계산합니다. 그런 다음 결과를 수동으로 확인하십시오. 동일한 매트릭스에서 거짓 음성을 절반으로 줄이기 위해 임계값을 변경할 때 거짓 긍정에 어떤 일이 발생하는지 단락에서 논의하고 제품에 적합한 균형을 결정하십시오.
체크리스트
- [ ] 나는 정확성이 아닌 민감도/정밀도로 성능을 평가합니다.
- [ ] 나는 비즈니스에 미치는 영향과 함께 거짓 부정의 위험을 해석합니다.
- [ ] 시청 조건(빛, 속도)을 표준화했습니다.
- [ ] 라벨 품질과 새로운 결함 유형을 정기적으로 확인합니다.
- [ ] 나는 최종 승인 결정을 사람의 승인을 받습니다. 해당 모델은 프리시프터 전용입니다.