Project Highlight

• 불량 검출 정확도 향상: AI 도입으로 불량 검출의 정확도가 99% 이상으로 증가.
• 필터링율 개선: 기존의 49% 필터링율이 80% 이상으로 상승하여, 수작업 검사 감소.
• 맞춤형 불량 판정: 고객사별로 상이한 불량 판정 기준을 AI 모델에 반영하여 자동화된 검사 수행.
• 인건비 절감: 검사원 수요가 대폭 줄어들어, 인건비 절감과 검사 속도 향상.

Project Objectives

본 프로젝트는 PCB 제조 공정에서 발생하는 불량을 자동으로 검출하고, 불량 유형, 크기, 발생 위치까지 정밀하게 분석하기 위한 목적으로 진행되었습니다. 특히, AI 딥러닝 기반의 양불 판정 뿐만 아니라, 고객사별로 상이한 양/불 판정 기준을 생산도면인 ODB 사용을 통해 일관되게 반영할 수 있는 시스템을 개발하여, 판정의 정확도를 높이고 검사원의 수작업을 최소화하는 것이 목표였습니다.

PCB 제조 공정의 마지막 단계에서 외관 불량을 자동으로 검출하는 AFVI 장비의 기존 한계를 극복하고, 보다 높은 필터링율과 정확도를 확보하여 생산성을 증대시키기 위해, AI 기반의 불량 검출 솔루션을 도입하였습니다. 이를 통해 불량 판정이 더 이상 주관적인 사람이 아닌, AI를 통해 객관적이고 일관되게 이루어지도록 하여, 최종 생산품의 품질을 향상시키고자 했습니다.

‍

Problem Definition

PCB 제조 기업은 최종 검사 과정에서 여러 가지 중요한 문제에 직면해 있었습니다. 이러한 문제들은 생산성 저하, 품질 불균형, 그리고 고비용 구조를 야기했습니다. 주요 문제점들을 상세히 살펴보면 다음과 같습니다:

1. 기존 AFVI 장비의 낮은 필터링 정확도

기존 자동 외관 검사(AFVI) 장비는 PCB의 불량을 정확하게 식별하는 데 한계가 있었습니다.

• 낮은 필터링율 : 기존 시스템의 필터링율은 49%에 불과했습니다. 이는 절반 이상의 PCB가 추가 검사를 필요로 한다는 것을 의미합니다.
• 높은 오검출률 : 시스템이 정상 PCB를 불량품으로 잘못 판단하는 경우가 빈번했습니다. 이는 불필요한 재작업과 폐기로 이어졌습니다.
• 미검출 위험 : 반대로, 실제 불량을 정상으로 판단하는 경우도 있어, 품질 리스크가 상존했습니다.

2. 수작업 의존도가 높은 2차 검사 프로세스

AFVI 장비의 낮은 정확도로 인해, 대부분의 PCB는 인력에 의한 2차 검사를 거쳐야 했습니다.

• 높은 인건비: 다수의 검사 인력이 필요해 인건비 부담이 컸습니다. 3명의 전담 검사원이 지속적으로 필요했습니다.
• 검사 속도 저하: 수작업 검사는 자동화된 검사에 비해 현저히 느려, 전체 생산 속도를 저하시켰습니다.
• 인적 오류 가능성: 장시간의 반복 작업으로 인한 피로 누적으로 검사 정확도가 시간이 지남에 따라 떨어질 수 있었습니다.

3. 고객사별 상이한 불량 판정 기준

각 고객사마다 요구하는 품질 기준이 달라, 검사 과정이 더욱 복잡해졌습니다.

• 기준 적용의 비일관성: 동일한 불량 유형이라도 고객사에 따라 다르게 판정해야 했습니다. 예를 들어:
  • A 고객사: 회로 2개 연결 시 불량 처리
  • B 고객사: 회로 4개 연결 시에만 불량 처리
• 검사 기준 전환의 어려움: 고객사가 바뀔 때마다 검사 기준을 수동으로 변경해야 해서, 전환 시간이 길고 오류 가능성이 높았습니다.
• 복잡한 품질 관리: 다양한 기준을 모든 검사원이 숙지하고 정확히 적용하기 어려웠습니다.

4. 실시간 품질 모니터링 부재

생산 과정에서 실시간으로 품질 상태를 파악하고 대응하는 것이 불가능했습니다.

• 지연된 품질 피드백: 불량이 발견되어도 즉각적인 공정 개선이 어려웠습니다.
• 트렌드 분석의 어려움: 장기적인 품질 트렌드를 파악하고 예측하는 것이 제한적이었습니다.
• 선제적 대응 불가: 잠재적 품질 문제를 사전에 감지하고 예방하는 것이 어려웠습니다.

이러한 복합적인 문제들로 인해, PCB 제조 기업은 품질 향상과 생산성 개선에 큰 어려움을 겪고 있었으며, 이는 곧 기업의 경쟁력 약화로 이어질 수 있는 상황이었습니다. 따라서 이러한 문제들을 종합적으로 해결할 수 있는 혁신적인 접근 방식이 필요했습니다.

Approach

AI 모델 도입을 통한 자동화

AI 모델은 불량 유형 별로 학습된 데이터를 활용하여, 검사 중인 PCB에서 발생한 불량을 실시간으로 검출하고, 불량의 크기 및 면적을 계산하여 ODB 도면 상에서 매칭된 위치를 표시했습니다.

• ODB++ 데이터 파싱 및 전처리
  • ODB++ 파일에서 레이어 정보, 부품 배치, 회로 연결 등의 데이터를 추출
  • 추출된 데이터를 AI 모델이 이해할 수 있는 형식으로 변환
  • 레이어별 벡터 이미지 생성으로 시각화 및 분석 용이성 확보

• 설계 데이터와 실제 이미지 매핑
  • ODB++ 데이터의 좌표계와 실제 PCB 이미지의 좌표계 정렬
  • 이미지 왜곡 보정 알고리즘을 통해 정확한 위치 매핑 실현
  • 실시간 이미지 스티칭 기술로 대형 PCB의 전체 맵 구성

• 컨텍스트 기반 불량 분석
  • ODB++ 데이터를 활용해 PCB 각 부분의 설계 의도 파악
  • 회로의 기능과 중요도에 따른 불량 심각성 자동 평가

• 동적 검사 영역 설정
  • ODB++ 데이터 기반으로 PCB의 중요 영역 자동 식별
  • 제품 유형별 검사 우선순위 및 세부 기준 동적 조정
  • 고객사별 요구사항에 따른 맞춤형 검사 영역 설정 자동화

고객사별 맞춤형 판정 조건 반영

각 고객사마다 상이한 불량 판정 조건을 AI 모델에 반영하여, 자동으로 판정 조건을 탐색하고 처리하였습니다.

• 상세 설명: AI 시스템은 불량이 발생한 부분을 고객사별 판정 기준에 맞춰 필터링하여, 양품과 불량품을 자동으로 구분했습니다. 이 과정에서 판정 기준을 쉽게 수정하고, 새로운 기준을 적용할 수 있도록 설정되었습니다.

Results

종합적 평가 및 의의본 프로젝트는 AI를 통한 자동화된 불량 검출 시스템이 기존 수작업 검사 방식을 대체하고, 정확도와 효율성을 크게 향상 시켰음을 입증했습니다. 이를 통해 기업은 고객사별 맞춤형 판정 기준을 신속하게 반영하고, 생산성 및 검사 품질을 획기적으로 향상 시킬 수 있었습니다. 또한, 인건비 절감과 더불어, 미검율과 과검율도 크게 감소하여, 최종 생산품의 품질을 높이는 데 기여했습니다.

• 정량적 결과 1: AI 기반 검사 시스템 도입 후, 불량 검출 정확도가 기존 90%에서 99% 이상으로 향상됨.
• 정량적 결과 2: 필터링율이 기존 49%에서 80% 이상으로 증가, 수작업 검사 감소.
• 정성적 결과 1: 검사원의 피로도와 인건비가 대폭 줄어들어, 검사 공수는 3명에서 0.5명으로 감소.