이득:
- 머신 비전을 이용한 자동차 생산 라인의 표면, 용접 및 조립 결함 감지 워크플로 이해
- 이미지 데이터 세트 설정, 라벨링, 모델 훈련 및 임계값 결정에 구조화된 방식으로 인공 지능을 사용하는 능력
- 이스케이프 및 허위 거부율, 라인 속도 및 작업자 신뢰도를 고려하여 품질 결정을 검증하는 능력
자동차는 수천 개의 부품으로 구성되며 각 부품은 몇 초 안에 라인을 통과합니다. 사람의 눈으로 모든 용접, 모든 페인트 표면, 모든 조립품을 오류 없이 검사하는 것은 피곤하고 일관성이 없습니다. 눈이 피곤해지고 주의가 산만해집니다. 머신 비전과 인공 지능이 필요한 곳입니다. 카메라가 부품을 이미지화하고 AI 모델이 1초 이내에 결함을 표시합니다. 이번 단원에서는 자동차 생산에서 이미지 품질 관리가 어떻게 확립되는지, AI의 역할과 가장 중요한 문제인 오류 균형에 대해 논의합니다.
자동차의 일반적인 시각적 결함
육안으로 검사되는 주요 결함 유형은 다음과 같습니다.
- 표면/도장불량 : 오렌지필(도장거칠음), 먼지거품, 번짐, 긁힘, 색상차이.
- 용접 결함: 불완전한 용접, 스패터, 다공성, 위치가 잘못된 점 용접.
- 조립 결함: 볼트 누락, 잘못 설치된 클립, 역방향 씰, 느슨한 커넥터.
- 라벨/마크: 읽을 수 없는 VIN, 잘못된 라벨, 스탬프 누락.
이러한 결함 중 일부는 단지 미적인 것(사소한 긁힘)인 반면, 다른 결함은 안전에 매우 중요합니다(불완전한 용접으로 인해 차체 조인트에 피로 균열이 발생할 수 있음). 이러한 구별이 이후의 모든 결정을 결정합니다.
팁: 모든 결함을 동일한 심각도로 다루지 마십시오. 결함을 분류할 때 "미적/기능적/안전에 중요" 태그를 추가하는 것은 임계값과 결정 논리를 올바르게 얻는 데 중요합니다.
두 가지 기본 접근 방식: 감독된 분류 및 이상 탐지
시각적 결함 감지에는 두 가지 주요 전략이 있습니다.
- 감독된 분류/탐지: "여기에는 결함이 있는 예가 있고 여기에는 완벽한 예가 있습니다"라는 라벨이 붙은 이미지를 많이 보여줌으로써 모델을 교육합니다. 결함 유형을 알고 있고 충분한 예가 있으면 강력합니다. 과제: 드문 결함이 있는 충분한 샘플을 수집하기 어렵습니다(라인은 거의 항상 견고한 부품을 생산함).
- 이상 탐지: 모델에는 "정상/강력한" 이미지만 표시됩니다. 모델은 정상적인 모습을 학습하고 정상에서 벗어나는 모든 것을 "이상"으로 표시합니다. 결함 유형을 미리 모르더라도 새로운/예상치 못한 결함을 잡아낼 수 있습니다. 난이도: 편차를 결함(조명 변화 등)으로 착각할 수 있습니다.
실제로 두 가지가 함께 사용됩니다. 이상 탐지에서는 "여기에 뭔가 이상한 것이 있습니다"라고 말하고, 분류에서는 "이것은 리소스 바운스입니다"라고 말합니다.
단계별: 육안 검사 시스템 설정
- 결함 카탈로그 및 허용 기준: 품질 엔지니어와 함께 어떤 결함이 허용/거부되는지 정의합니다. 이것이 모델의 "진실"입니다.
- 이미지 획득: 일정하고 일관된 조명과 카메라 위치가 중요합니다. 불량하거나 불안정한 조명은 고장의 가장 일반적인 원인입니다.
- 라벨링: 전문가가 결함을 표시합니다. 라벨링 지침은 일관성을 위해 필수적입니다.
- 모델 훈련: 감독 및/또는 이상 모델이 훈련됩니다.
- 임계값: 모델은 "결함 가능성"을 제공합니다. 이는 "거부"로 간주되는 확률을 초과하는 임계값입니다. 이것이 가장 중요한 비즈니스 결정입니다(아래).
- 라인 통합: 모델이 결정을 내리고 의심스러운 부품이 운영자/스테이션으로 전달됩니다.
- 모니터링 및 재교육: 새로운 결함 유형, 계절적 변화, 새로운 부품 사용 가능 여부에 따라 모델이 업데이트됩니다.
가장 중요한 문제: 누출과 허위 거부의 균형
결함 감지에는 두 가지 오류가 있으며 자동차에서는 해당 비용이 매우 다릅니다.
- 누출(탈출/위음성): 결함이 있는 부분은 "양호"로 간주되어 라인을 통과합니다. 안전 측면에서 이는 결함이 있는 차량이 현장에 투입되거나 고객 불만 또는 리콜을 의미합니다. 가장 비싼 실수.
- 거짓 거부(거짓 거부/위양성): 손상되지 않은 부분은 "결함"으로 간주되어 거부됩니다. 이는 낭비, 불필요한 재작업, 라인 속도 저하를 의미합니다. 아프지만 안전에 위험을 초래하지는 않습니다.
결정 임계값
도망자
거짓 거절
언제?
느슨함(높은 임계값)
증가 (위험)
감소하다
절대 보안 트랙에 있지 마세요
엄격(낮은 임계값)
감소하다
증가(비용이 많이 들음)
안전이 중요한 부품
균형 잡힌
중간
중간
미학적 결함
주의: 안전에 중요한 부품(브레이크, 조향, 차체 용접)에서는 누출을 최소화하기 위해 씰이 항상 단단히 고정되어 있습니다. 수상한 조각은 인간을 향하고 있다. "거짓 거부는 비용이 많이 듭니다"라는 이유로 임계값을 완화하는 것은 보안 부분에서 허용되지 않습니다.
인간과 기계의 노동분업
잘 확립된 시스템에서는 모델이 최종 의사결정자가 아닙니다. '사전심사' 입니다. 모델은 명백한 결함을 포착하고 확실하지 않은 부분을 인간에게 다시 보냅니다. 이를 통해 운영자는 1,000개의 부품을 보는 대신 30개의 의심스러운 부품에 집중할 수 있습니다. 운영자의 신뢰도 중요합니다. 모델이 잘못된 경보를 너무 많이 생성하면 운영자는 경고를 심각하게 받아들이지 않습니다(“경보 피로”). 그렇기 때문에 허위 거부율도 모니터링됩니다.
미니 사례 연구
사례 1 - 조명 트랩. 페인트 검사 모델은 실험실에서 98%의 성공률을 보였지만 심지어 80%까지 떨어졌습니다. 검토: 라인의 천장 조명이 낮 동안 변경되며, 모델은 밝기 차이를 "결함"으로 간주합니다. 고정식 터널 조명을 추가하면 성공률이 97%로 증가합니다. 결론: 이미지 품질은 모델보다 더 결정적일 수 있습니다.
사례 2 - 누출 비용. 선체 용접 검사에서 임계값은 "효율성을 위해" 약간 완화됩니다. 허위 거부율은 6%에서 3%로 감소하지만 한 달 후 현장의 차량 2대에서 용접 균열이 보고되었습니다. 근본 원인 분석에 따르면 누출률이 증가한 것으로 나타났습니다. 임계값이 다시 강화되고 의심스러운 부분은 100% 인간의 통제 하에 놓이게 됩니다. 결론: 안전 부분의 누출을 줄이는 것이 항상 허위 거부보다 우선합니다.
사례 3 - 드문 결함. 가끔 새로운 사출금형에서 아주 작은 Burr 결함이 나타나는데, 지도 모델의 학습에서는 이러한 결함의 예가 거의 없어 누락됩니다. 이상 징후 탐지 모델이 활성화되면 이를 '정상 이탈'로 탐지합니다. 결론: 희귀/새로운 결함에 대한 이상 탐지는 지도 모델을 보완합니다.
프롬프트 템플릿
템플릿 1 - 결함 카탈로그 및 심각도 분류:
역할: 당신은 자동차 품질 엔지니어입니다. 작업: 다음 결함 목록을 심각도 등급으로 정렬합니다. 상황: 몸체 용접선; 결함: 튄 자국, 기공, 누락된 점, 약간의 색상 차이, 표면 긁힘.제약: 각 결함에 미적/기능적/안전에 중요 라벨을 붙이고 결정을 제안합니다(승인/사람 확인/거절).출력: 결함 | 중요성 | 제안된 결정 | 정당화 테이블.
템플릿 2 - 라벨링 가이드:
역할: 이미지 라벨링 품질 리드. 과제: 페인트 결함 라벨링에 대한 일관성 규칙을 작성합니다. 맥락: 오렌지 껍질, 달리기, 먼지 거품; 다양한 조명에서 촬영한 이미지가 있습니다. 출력: 규칙 | 예 | 한계 상태 | 태거 노트.
템플릿 3 - 임계값/메트릭 결정 해석:
역할: 머신 비전 평가자.작업: 다음 결정 임계값 표를 해석합니다.컨텍스트: 보안에 중요한 리소스; 임계값 A에서 누출은 0.3%, 잘못된 거부는 5%입니다. 임계값 B에서 누출 1.2% 허위 거부 2%.제약: 보안 우선순위를 준수하십시오. 권장하는 임계값과 그 이유를 설명하고 인간 제어 단계를 추가하세요. 출력: 권장 사항 + 정당성 + 남은 위험.
템플릿 4 - 근본 원인 분석:
역할: 귀하는 품질 엔지니어입니다.과제: 지난 3교대 동안 증가한 스패터 결함의 가능한 근본 원인을 나열하십시오.상황: 로봇식 점용접; 전극 교체는 2일 전에 이루어졌습니다. 현재 설정이 고정되었습니다. 출력: 가능한 원인 | 유효성 검사 | 우선 사항.
약한 프롬프트 / 강한 프롬프트
약한 프롬프트:
결함이 있는 부품을 찾는 모델을 만드세요.
어떤 결함, 어떤 중요성, 어떤 임계값, 어떤 결정이 있는지는 명확하지 않습니다. 결과는 쓸모가 없습니다.
강력한 프롬프트:
역할: 귀하는 자동차 품질 및 머신 비전 엔지니어입니다. 작업: 차체 용접 비전 시스템을 위한 설계 체크리스트를 만듭니다. 맥락: 안전이 중요한 점용접; 회선 속도가 높습니다. 드문 결함이 있습니다. 조명 변수.제약: 누출 최소화를 우선시합니다. 이상 탐지를 감독 분류 및 인간 제어 단계와 결합하는 방법을 지정합니다. '제로 오류'를 보장합니다. 출력: Stage | 제안 | 위험 | 검증 테이블.
일반적인 실수
- 조명/화질을 무시합니다. 나쁜 이미지는 최고의 모델도 망친다.
- 누출과 허위 거부가 동일하다는 점을 고려합니다. 자동차 안전 부품의 누출은 훨씬 더 많은 비용을 발생시킵니다.
- 드문 결함에 대해서는 지도 모델에만 의존합니다. 이상 탐지는 보완적입니다.
- 모델을 최종 의사결정자로 만듭니다. 의심스러운 부분은 사람을 대상으로 해야 합니다.
- 재교육을 잊는다. 새로운 부품, 새로운 금형, 계절적 변화로 인해 모델이 낡아지게 됩니다.
요약하면
- 머신 비전과 AI는 자동차 라인의 표면, 용접 및 조립 결함을 빠르고 지속적으로 검사합니다.
- 감독된 분류는 알려진 결함에 강력하고, 이상 탐지는 희귀/새로운 결함에 강력합니다. 둘 다 함께 사용됩니다.
- 가장 중요한 결정은 임계값입니다. 안전에 중요한 부분에서는 누출(거부성)이 최소화되고 의심스러운 부분은 사람에게 전달됩니다.
- 모델보다 이미지 품질과 조명이 더 결정적인 경우가 많습니다.
- 모델은 사전 선별기입니다. 최종 품질 결정과 안전 책임은 인간에게 있습니다.
응용과제
부품/스테이션을 선택합니다(예: 앞 범퍼 어셈블리). (1) 가능한 결함을 나열하고 각각에 미적/기능적/안전에 중요함을 표시합니다. (2) 템플릿 3을 사용하여 누출/거짓 거부에 대한 두 가지 임계값 옵션을 비교하고 권장 사항을 정당화합니다. (3) 드문 결함에 대해 감독 탐지 또는 이상 탐지를 사용할지 설명하십시오. (4) 인간 제어 단계와 재훈련 트리거를 정의합니다.
체크리스트
- [ ] 결함을 심각도 등급(미적/기능적/안전에 중요)으로 나누었습니다.
- [ ] 기준치 결정에서 불법 거절과 허위 거절의 균형을 평가했습니다.
- [ ] 보안이 중요한 부분에서는 유출을 우선시했습니다.
- [ ] 감독 및 변칙 접근 방식을 적절한 위치에 배치했습니다.
- [ ] 이미지 품질/조명 요구 사항을 지정했습니다.
- [ ] 인간의 통제 단계와 재교육 계획을 정의했습니다.