딥 러닝으로 생산 감시

자동차 산업의 다양한 고객을 위한 전자 부품 공급업체인 Bosch Car Multimédia는 제조된 자동차 센서의 높은 품질 표준에 의존합니다. 이 표준을 보장하려면 결함을 빠르고 안정적으로 감지해야 합니다. 이 특정한 경우의 임무는 금속 스프링에 결함이 있는지 확인하는 것입니다. 이 스프링은 주 회로 기판과 센서 덮개의 구리 부싱 사이의 전자 연결을 형성합니다. 이는 수동 가공 공정이므로 생산 과정에서 금속 스프링에 다양한 결함이 발생할 수 있습니다.

머신 비전을 통한 품질 검사 최적화

Bosch는 이전에도 이미 자동화된 검사 프로세스에 의존했지만 이를 더욱 최적화하고 싶었습니다. 목표는 검사의 전반적인 품질을 개선하고, 새로운 솔루션을 더욱 비용 효율적으로 만들고, 애플리케이션에 대한 유지 관리 작업을 줄이는 것이었습니다. Bosch는 독일 MVTec Software GmbH의 MERLIC 머신 비전 소프트웨어를 선택했습니다. MVTec MERLIC은 프로그래밍 기술 없이도 가장 일반적인 머신 비전 애플리케이션을 해결할 수 있게 해주는 사용하기 쉬운 머신 비전 소프트웨어입니다.

딥 러닝은 결함 감지에 도움이 됩니다

Bosch의 애플리케이션에서 머신 비전은 다음과 같습니다. 5메가픽셀 카메라가 위에서 각 구성 요소에 대한 이미지를 캡처합니다. 글로벌 컨텍스트 이상 탐지는 금속 스프링으로 캡처된 이미지를 검사하는 데 사용됩니다. 딥러닝 기술에는 두 개의 신경망이 있습니다. '로컬' 네트워크는 긁힘, 균열, 먼지 등 소규모 결함을 검사합니다. '글로벌' 네트워크는 한 단계 더 나아가 브라켓이 구부러지거나 없어진 등의 논리적 결함을 검사합니다. 두 네트워크의 간섭으로부터 글로벌 컨텍스트 이상 탐지(Global Context Anomaly Protection)는 이상 점수를 결정합니다. 그런 다음 이 값을 미리 정의된 이상 임계값과 비교합니다. 이상 징후 점수가 이 임계값을 초과하면 구성 요소에 결함이 있으므로 거부해야 합니다. 검사 후 각 이미지는 MERLIC의 프런트엔드에서 검토될 수 있습니다. 특히 유용합니다. 히트 맵을 사용하면 이미지의 어느 부분에서 이상 감지가 발생했는지 투명하게 추적할 수 있습니다.

지금까지 검사 프로세스는 규칙 기반 머신 비전 방법을 사용하여 수행되었습니다. 하지만 이 방식의 단점 중 하나는 '불량 이미지'를 이용해 가능한 모든 종류의 결함을 개별적으로 추출해야 한다는 점이었습니다. 대조적으로, MERLIC의 딥러닝 방법을 훈련하려면 손상되지 않은 부분의 '좋은 이미지'만 필요합니다. 구입하기가 매우 쉽기 때문에 시간과 비용이 절약됩니다.

머신 비전 소프트웨어를 머신 제어 시스템에 통합

머신 비전 소프트웨어를 기존 생산 프로세스에 통합하는 방법에 대한 질문은 Bosch에게 특히 흥미로웠습니다. 생산 프로세스와 통합 품질 검사가 변경되지 않았기 때문입니다. 따라서 주요 초점은 머신 비전 소프트웨어를 머신 제어 시스템에 통합하는 것이었습니다. 공장에는 프로그래밍 가능한 논리 컨트롤러(PLC)가 없기 때문에 소프트웨어를 기계에 직접 연결해야 했습니다. MERLIC에 통합된 MQTT 프로토콜은 필요한 기계 간 통신을 제공합니다. 이를 통해 표준 IoT 통신 프로토콜을 통해 머신 비전 소프트웨어를 프로세스에 쉽게 통합할 수 있었습니다. 사용하기 쉬운 소프트웨어를 통해 머신 비전 시스템의 교정 프로그램 개발이 가속화될 수 있습니다.

“우리는 2022년 말에 개념 증명을 성공적으로 완료했습니다. 그 과정에서 탐지율, 시스템 유지 관리 요구 사항 및 비용 측면에서 모든 목표가 달성되었습니다. 따라서 새로운 생산라인의 시운전은 2023년 중반에 이뤄질 예정이다. 그런 다음 다른 기존 라인으로의 출시는 나중에 계획됩니다.”라고 포르투갈 Bosch Automotive Electronics의 Center of Competence Optics and Mechanics 부서의 테스트 전문가인 João Paulo Silva는 설명합니다. 이러한 잠재력을 바탕으로 보쉬는 향후 딥러닝을 활용해 더 많은 자동차 전자제품 공장을 자동화할 계획이다.