인공신경망 기반 머신비전 시스템 개발 및 적용 사례

Abstract

최근 4차 산업혁명으로 공정 자동화에 대한 요구가 중소 제조업 분야에서 빠르게 확산하고 있다. 이에 따라 정확도가 낮은 육안 검사나 외부 환경 요인에 적응력이 낮은 규칙 기반(rule-based) 시스템이 가진 한계를 극복하고, 정밀도를 높이고 생산 현장 적응력을 갖춘 품질검사 시스템의 필요성이 제기되었다. 하지만 대부분의 중소 제조업체는 여전히 수작업 중심 검사방법에 의존하고 있다. 이는 고가의 장비 도입, 기술 인프라 구축, 전문 인력 확보 등의 구조적인 어려움을 가지고 있는 중소기업의 현실이다. 특히 규칙 기반(Rule-based) 검사 방식은 조명 조건 변화, 포장재의 굴절 특성, 제품 표면의 반사 등 다양한 환경 요인에 민감하게 반응하여 일관된 검사 결과를 기대하기 어렵고, 생산 제품 품질 신뢰성 확보에 어려움을 드러낸다. 본 연구에서는 이러한 규칙 기반 검사의 한계점을 극복하기 위해, 인공신경망(Artificial Neural Network, ANN)을 기반으로 품질검사 시스템을 설계하고, 이를 실제 중소 제조업체의 생산 현장에 적용하는 것을 목표로 하였다. ANN은 사람이 직접 규칙을 정하지는 않고, 취득한 다양한 영상 데이터를 가지고 학습을 통해 복잡한 결함 패턴을 스스로 탐지할 수 있는 능력을 갖추게 된다. 이 인공지능 품질검사 시스템은 다양한 외부 환경 요인으로 사람이 식별하기 어려운 미세 결함이나 비정형 이상까지도 효과적으로 탐지가 가능하도록 구성되었다. 본 연구에서는 원통형 제품을 360도 회전시켜 표면 영상을 자동으로 획득하고, 수집된 영상 데이터를 기초로 인공지능 시스템이 학습을 통해 결함 여부를 스스로 탐지할 수 있도록 하였다. 영상 데이터는 실제 생산 환경에서 수집되었고, 학습에는 오염, 이물질, 주름 등 다양한 결함 유형이 포함되었다. 실험 결과, 실제 설치된 ANN 기반 검사 시스템은 기존의 규칙 기반 방식에 비해 결함 탐지 능력이 월등히 높았으며, 다양한 외부 환경에도 안정적인 성능을 유지하였다. 특히 기존 머신비전 시스템은 단순 조도 차이 또는 입력된 규칙에만 의존하여 예외적인 결함 탐지에 취약했다. 반면, 본 연구의 인공지능 기반 시스템은 다양한 외부 환경 조건에서도 유연하게 대응하며 과 검출률과 오류율을 현저히 감소시켰다. 이러한 결과는 중소 제조업체에서도 비교적 경량화 구조의 인공지능 모델을 통해 기존 품질검사 방식의 한계를 극복할 수 있었다. 본 연구는 실제 제품 생산 환경에 적합한 구축 사례를 제시하였다는 점에서 의의가 있으며, 앞으로 다양한 제품, 다양한 산업 분야에서 인공지능 기반 품질 관리 시스템의 도입을 확대하는 데 자료로 활용될 수 있을 것이다.| With the acceleration of the Fourth Industrial Revolution, the demand for process automation in the manufacturing sector has been rapidly increasing. Consequently, there is a growing need for quality inspection systems that offer higher precision and adaptability to real-world production environments, surpassing the limitations of manual visual inspection and rule-based methods. However, many small and medium-sized enterprises (SMEs) still rely on traditional manual inspection processes due to challenges such as the high cost of automation equipment, lack of technical infrastructure, and shortage of skilled personnel. Rule-based inspection systems, in particular, are highly sensitive to external factors such as lighting conditions, packaging material refraction, and surface curvature, resulting in inconsistent inspection outcomes and limited reliability in quality assurance.

To address these issues, this study proposes an artificial neural network (ANN)-based intelligent inspection system and applies it to actual SME production sites. Unlike conventional methods, ANN models can autonomously learn from diverse image data and identify complex defect patterns without predefined rules. The proposed system is designed to detect subtle and irregular defects that are difficult to identify through human inspection, even under challenging environmental conditions.

In this study, product surfaces were automatically captured while rotating 360 degrees, and the collected image data were used to train the AI model to determine defect presence. The dataset was gathered from real production environments and included various defect types such as contamination, foreign substances, and wrinkles. Experimental results showed that the developed system achieved higher defect detection accuracy than rule-based methods and maintained stable performance despite environmental variations. While traditional machine vision systems often struggle with exceptional defects due to their reliance on brightness differences and fixed rules, the proposed AI system demonstrated flexible adaptability and significantly reduced false positives and error rates. These findings indicate that even SMEs can overcome the limitations of conventional inspection methods by adopting relatively simple AI models. This study not only introduces a technical solution but also presents a practical application case tailored to real-world manufacturing conditions, offering valuable insights for the broader adoption of AI-based quality inspection systems across various industrial sectors.