비전 AI로 불량비용의 12%를 절감한 mirco-LED 제조공장

1.Overkill 과 Underkill의 Trade-off

제조현장에서의 검사장비는 통신속도, 해상도와 같은 광학계 하드웨어에서 괄목할만한 기술적 성장을 지속하고 있습니다. TOF(Time-of-Flight) 이미징, 단파적외선(SWIR) 이미징등의 센서 기술 뿐만 아니라 더 빠른 프로세싱을 위한 GigE 기술 등의 기술 상용화를 예로 들 수 있습니다.

하지만, 검출 처리능력의 핵심인 판정 기술분야는 아직 대다수가 규칙(Rule-based)에 기반한 검출 로직으로 검사하는 실정입니다. 단순한 if,else로 구현된 규칙기반의 알고리즘은 빠른 설치와 세팅이 가능한 장점이 있어 각광 받고 있으나 시시각각 변화하는 제품 형태와, 레시피, 틀어짐과 같은 피사체의 변화에 대응이 매우 어려운 점이 있습니다.

이와 같이 머신비전 시스템을 사용하게되면 레시피가 변경될때마다 매번 세팅 값을 바꿀수는 없는 문제에 직면하게 되지만 조건을 변경할때 마다 과검과 미검사이의 트레이드 오프가 발생됩니다.

• 과검(Overkill) : 정상제품이지만 불량제품으로 판단함  
• 미검(Underkill) : 불량제품이지만 정상제품으로 판단함

‍

‍

2.비효율적인 육안검사의 자동화 필요성

완벽한 검출이 진행되면 좋겠지만, 미검 문제를 해소하기 위해 불량 기준을 깐깐하게 세팅하면 오히려 정상 제품을 불량으로 판독하는 과검 문제가 발생합니다. 과검 문제가 발생할 경우에는 정상인 제품이 폐기되는 문제가 발생하여 공정비용이 크게 상승하게 되지만, 출하 제품의 품질에 문제가 생기면 더 큰 문제가 발생할 수 있어 어쩔 수 없는 비용의 낭비를 감내하고 있었습니다.

‍

‍

‍

고객사에서는 공정에서의 종합적인 생산성 개선과 수율의 개선을 위해 품질 검사 공정에 머신비전 AI를 도입하고자 하였습니다. 미세하고 까다로운 공정의 택타임(takt-time)과 판정 기준을 반영하기 위해 RTM을 선택하였습니다.

‍

데이터 품질 개선 및 증강

프로젝트 수행을 위해 제공된 5만 장 이상의 데이터는 양적으로는 충분했으나, 비효율적인 육안검사를 기반으로 생성되어 15.33%의 높은 오류율을 보였습니다. 고성능 AI 모델 개발을 위해서는 일관성 있고 신뢰할 수 있는 고품질 학습 데이터 확보가 필수적이었습니다.

‍데이터 분석 및 전처리:

• 23+ 제품군(일 650GB)의 데이터에 대한 종합적 분석 수행
• Pre-consulting을 통한 상세 데이터 분석 명세(EDA) 작성
• 데이터 클렌징 및 노이즈 제거 작업 수행

레이블 검증 프로세스 구축:

• 6주간 매주 10 lots 데이터에 대한 엄격한 레이블 검증 프로세스 운영
• 전문가 팀을 구성하여 제품별 최소 2,000건 이상의 샘플에 대한 정밀 검증 완료

데이터 증강 기법 적용:

• 이미지 회전, 반전, 노이즈 추가 등 다양한 데이터 증강 기법 적용
• GAN(Generative Adversarial Network)을 활용한 합성 불량 데이터 생성

지속적인 데이터 품질 모니터링:

• 데이터 품질 지표 개발 및 주기적인 평가 시스템 구축
• 새로운 제품 라인 도입 시 데이터 검증 프로세스 자동화

초고속 연산 처리를 위한 병렬처리 기술 적용

8MB 크기의 고해상도 X-ray 이미지를 500ms 이내에 처리해야 하는 엄격한 시간 제약이 있었습니다. 기존 시스템의 주요 병목 현상은 대용량 이미지를 읽는 작업에서 발생했으며, 이를 해결하여 처리 속도를 대폭 개선할 필요가 있었습니다.

솔루션 Bottleneck 해결:

• 큰 이미지(8MB)를 읽는 작업 최적화
• 이미지 로딩, 전처리, 추론 과정의 파이프라인화
• ROI(Region of Interest) 추출을 통한 Cropping 전처리 적극 활용
• ray 기반 분산처리 컴퓨팅을 통한 병렬처리와 비동기 I/O 처리로 CPU와 GPU 사용률 극대화

성능 개선 결과:

• 83% 속도 개선 달성 (PCB 100장 처리 속도 18분 → 3분으로 단축)

새로운 제품, 세팅 환경 변화에 대응 필요

LED 제조 환경은 지속적으로 변화하며, 새로운 제품 도입과 생산 세팅 변경이 빈번합니다. 실제로 검사 대상 제품은 약 23종 이상이었으며, 각각 다른 판정 기준을 가지고 있었습니다. 또한 장기적인 활용을 감안하면 검사 대상은 계속 늘어날 것으로 예측되었습니다. 이러한 변화에 유연하게 대응하면서도 높은 검사 정확도를 유지할 수 있는 시스템이 필요했습니다.

Adaptive Update 기술 도입:

- 조명, 촬영 환경, 제품 다양화에 대응하기 위한 자동 모델 재학습 기능 구현

Adaptive Update 란?

양산에 적용된 이상 탐지 모델이 학습 시 사용했던 공정데이터와 상이한 양산데이터의 편차를 실시간으로 측정, 추가학습 여부를 자가 판단하고 재학습하여 예측모델의 정확도를 개선하는 이상 탐지 모델 Adaptive Update 기술

Adaptive Update 프로세스:

1. 실시간 데이터 분포 모니터링
2. 데이터 변화 감지 및 분석
3. 재학습 필요성 자동 판단
4. 선별적 데이터 추가 및 모델 업데이트
5. 성능 검증 및 배포