top of page

자동차 비전검사의 난제 해결한다... AI 딥러닝 기반의 뉴로클 오토딥러닝

최종 수정일: 2023년 5월 25일

자동차 산업에서 머신비전의 이용이 확산되고 있다. 기존에 주로 활용되던 조립 검사 영역을 넘어 차체의 각 부분에 사용되는 부품들이 올바르게 양산되었는지 확인하기 위한 부품검사, 완성차가 생산된 이후의 외관 검사 등에도 활발하게 이용되고 있는 추세이다.


특히 부품 검사의 경우, 작업자의 경험적, 물리적, 및 정신적인 상태에 따라 검사결과가 다소 틀려져 일관성이 없는 위험요인이 관찰된다. 따라서 객관적이고 절대적인 판정의 안정을 도모하고자 머신비전의 개발이 필수적이다.

뉴로클은 자동차 공정 내에서 비전검사를 진행하였을 시 겪는 여러 난제를 해결하고 전 자동차 공정에 적합한 딥러닝 기술을 제공한다.


과검 발생과 성능 부진으로 진행률 저하

R사는 승용차 연구 개발 겸 생산 기지 역할을 맡고 있는 완성차 업체이다. 우수한 품질으로 업계와 고객의 신뢰도를 견고히 해온 R사는 자동차 생산 공정의 검사 자동화를 오랜 기간에 걸쳐 추진해왔다.


R사는 부품의 결함 및 작업 상황을 판단하는 검사를 자동화하려는 니즈가 컸다. 딥러닝 기술을 기반으로 한 검사가 차량의 완전성을 증진할 수 있을 것이라 판단하고, 2년 남짓 전문 개발 엔지니어를 고용하여 딥러닝 알고리즘과 모델을 개발해왔다. 그러나 잦은 부품 개선 및 공정 변동 등 다양한 환경의 변화로 인해 실제 라인에 적용을 완료하지 못하고 있었다.

R사가 라인에 딥러닝 비전 모델을 적용하여 진행하고자 하는 검사는 크게 두가지였다. 첫번째는 볼트의 조립 유무를 판단하는 프로젝트였다. 기존에는 스마트 비전 카메라를 통해 작업 유무를 검사하였다. 그러나 과검이 적지 않게 발생하여 1차로 비전 카메라를 통해 검사하고, 2차로 작업자가 육안으로 검사하는 두 차례의 검사 과정을 거쳤다. 두 차례로 나누어 검사를 진행하다 보니, 검사에 소요되는 시간과 리소스가 부담이 되는 상황이었다.


두번째는 VIN 넘버를 인식하고 수출용 VIN과 내수용 VIN을 분류하는 작업이었다. 해당 검사를 수행하기 위해서는 문자 인식(OCR), 분류(Classification) 총 두 가지의 딥러닝 모델이 필요했다. R사의 OCR 모델의 성능이 부진하여 목표하는 검사 속도에 도달하지 못하고 있었다.


이렇게 검사 자동화 추진에 브레이크가 걸리던 중, R사는 국내 자동화 전시회에서 어떠한 공정에서도 일관된 검사 성능을 보장한다는 뉴로클의 솔루션을 발견하였다.


자동차 비전검사의 난제를 해결하는 뉴로클 오토딥러닝(Auto Deep Learning)


■ 과검률 0.5% 미만 달성… 검사 공정 단축

볼트 조립검사의 과검 원인은 부정확한 레이블링이었다. 외주로 딥러닝 모델을 개발하다 보니 산업 전문가가 아닌 엔지니어들이 일부 레이블링을 진행하는 과정에서 문제가 생긴 것이다. 뉴로클의 오토딥러닝 기술은 엔지니어가 아닌, 산업 전문가가 직접 모델링 전 과정을 진행할 수 있는 환경을 마련해주었다.

오토딥러닝 기술이란, 딥러닝 모델을 생성하기 위해서 거쳐야 하는 복잡한 파라미터 세팅 및 최적화 작업을 자동으로 진행할 수 있는 모델 학습 알고리즘이다. 자동 최적화 알고리즘은 단 한 줄의 개발 코드 없이 한 번의 학습만으로 고성능의 딥러닝 모델을 생성한다. 해당 알고리즘은 뉴로클의 학습 소프트웨어인 뉴로티(Neuro-T)에 내재되어 있다. 기존에 전문지식이 요구되었던 부분을 뉴로티 소프트웨어가 전담하기 때문에 산업 전문가가 직접 검사 프로젝트를 핸들링 할 수 있다는 장점이 있다.

S사의 조립검사 프로젝트는 현장 전문가들이 레이블 데이터의 Class를 조정하는 것만으로도 개선된 성능을 보였다. 레이블링 진행 과정에서는 뉴로클의 자동 레이블링 기능인 오토레이블링(Auto-Labeling)을 이용해 리소스를 최소화할 수 있었다.

결과적으로 오토딥러닝 기술 기반 모델 학습을 통해 목표치였던 과검률 0.5% 미만을 달성하고 검사 공정을 두 단계에서 한 단계로 단축하였다.


■ 검사 속도 개당 0.6초로 향상



△차량의 VIN 넘버 인식 예시


VIN 넘버 인식 및 분류 프로젝트를 수행하기 위해서는 문자 인식 모델과 분류 모델을 병렬적으로 연결한 형태로 검사에 적용해야 했다. 따라서 개별 모델의 성능과 모델 구동 환경이 모두 검사 속도에 영향을 미칠 수 있는 요소로 작용할 가능성이 있었다.

두 딥러닝 모델의 역할은 이러했다. 문자 인식 모델은 각각의 VIN Number의 텍스트를 인식하고 분류 모델은 VIN의 형태를 분석하여 내수용과 수출용을 나누는 것이다.


오토딥러닝 소프트웨어인 뉴로티를 통해 각 딥러닝 모델을 생성한 후, multi GPU에서 모델을 구동하여 기존 개당 약 2초가량 소요되었던 검사 소요 시간을 0.6초로 단축하였다. 모델의 Inference Time(Tact Time)을 사전에 시뮬레이션할 수 있는 인퍼런스 센터(Inference Center)를 적극 활용하여 시행착오 없이 단기간 내에 프로젝트를 구축할 수 있었다. 모델의 산업현장에 적용하기 이전 POC 과정에서 성능을 예측하고 평가하는 인퍼런스 센터는 뉴로티에서 경험할 수 있다.


전 자동차 제조 공정에서 압도적인 검사정확도 보장... 품질향상 기대



△검사 적용 예시 사례


뉴로클의 오토 딥러닝 비전검사는 다양한 공정의 검사에 이용되어 완성품의 품질을 향상시킨다.

■ 외관 검사


뉴로클 딥러닝 모델은 표면의 재질 특성으로 인해 난반사가 발생하는 Motor Can, 자동차 휠, 후드 구성품 등의 프레스 성형물에서 진성불량만을 명확히 찾아낸다. 더불어 뉴로클은 자동차 검사 프로젝트를 진행하며 얻은 광학계 조성, 이미지 취득, 모델 생성 시 이미지 전처리 등의 노하우를 고객에게 전수할 수 있다.

이뿐만 아니라 엔진, 기계부품 등 차량 실내외를 구성하는 부품의 외관 결함 검사, 차량별 제품 출하 전 누락된 부품 유무에 대해 확인하는 검사 등을 진행할 수 있다.

■ 조립 검사


조립검사 특성 상, 복잡한 검사 과정으로 이루어진 프로젝트가 대다수이다. 조림검사의 검사시스템은 특정 영역을 검사 관심 영역 또는 결함 포함 영역으로 구분할 수 있어야 한다. 규칙 기반의 검사 알고리즘은 복잡한 조립검사 프로젝트에 부적합하며 잦은 오류를 수반한다. 반면, 딥러닝 기반의 결함 검출 및 위치 인식 모델은 이미지 외관상의 변수를 유연하게 파악하기에 이와 같은 유형의 검사에 적합하다.

뉴로티는 차량 문 내 수십개의 몰딩 영역을 파악하고 각 몰딩의 양불을 검출하는 복잡한 검사도 99%의 정확도와 빠른 속도를 달성하며 성공적으로 수행한 바 있다. 뉴로클의 딥러닝 모델은 다수의 딥러닝 모델이 이용되거나 빠른 검사 속도를 요구하는 프로젝트에 제격이다.

이밖에도 실링 검사, 용접 검사, VIN 검사 등에서도 우수한 성능을 자랑한다.

한편, 뉴로클의 오토딥러닝 기술과 우수한 솔루션을 부산 국제기계대전에서 만나볼 수 있다. 부산 국제기계대전은 오는 5월 16일에서 19일까지 4일간 부산 벡스코에서 개최된다.



תגובות


bottom of page