시험·신뢰성·품질

코드 디스크 외관 검사의 딥러닝: 할 수 있는 일과 주의점

코드 디스크 외관 검사의 딥러닝: 할 수 있는 일과 주의점

규칙 기반 AOI는 치수 결함을 놓치지 않지만 입자·얼룩 같은 유사 결함에 자주 휩쓸린다; 딥러닝은 외관 클래스 분리에 강하나 표본과 임계값에 의존한다. 본고는 두 적용 범위를 비교하고, 모의 데이터로 임계값·과검·누락의 트레이드오프와 비용 최적 임계값을 보이며, 누락률 검증에 필요한 불량 표본 수를 계산한다.

코드 디스크 외관 검사가 찾는 결함은 섞여 있다. 크롬 핀홀, 잔류 크롬 브리지, 단선, 긁힘, 입자, 가장자리 치핑, 얼룩. 규칙 기반 AOI는 영상을 설계와 화소 단위로 비교할 수 있어 치수 판정은 믿을 만하지만 「다르다」에는 민감하고 「다른 것이 중요한지」에는 둔하다. 한 장에서 수십 후보가 나와 대부분이 먼지와 해로운 가장자리 물결이며, 사람 재확인이 마감한다. 딥러닝은 그 틈을 메우는 듯 보이지만 문제를 「파라미터 조정」에서 「데이터와 임계값 관리」로 바꾼다.

판정 임계값이 움직이면 양품·불량의 점수 분포가 다르게 잘리고 혼동 행렬에서 누락과 과검이 트레이드오프한다(모의 데이터: 양품 9800, 불량 200)
그림 1 – 판정 임계값이 움직이면 양품·불량의 점수 분포가 다르게 잘리고 혼동 행렬에서 누락과 과검이 트레이드오프한다(모의 데이터: 양품 9800, 불량 200)

규칙 기반 AOI와 딥러닝이 각각 잘하는 일

차원규칙 기반 AOI딥러닝
원리설계 또는 골드 샘플과 비교, 임계값, 형태학, 치수 측정라벨 표본에서 결함 특징 학습; 클래스 또는 화소 분할 출력
필요 표본사실상 불량 표본 불필요충분한 대표 라벨 표본
치수 판정강함; 불확도 평가 가능약함; 직접 측정으로 부적합
외관 판정약함; 유사 결함 많음강함; 입자·얼룩과 진짜 결함을 가를 수 있음
조명/공정 드리프트민감; 반복 재조정학습 세트가 덮는 변동에는 비교적 강함; 미덮개는 실패할 수 있음
해석성·추적성규칙이 명시적히트맵 등이 필요; 결론은 데이터 버전에 의존

그래서 흔한 실무는 하이브리드다(그림 3). 느슨한 임계값의 규칙 기반 AOI가 모든 후보를 찾고 치수 판정을 끝내며; 딥러닝은 후보만 「진짜 결함인가 유사 결함인가」로 재판정하고 의심은 사람에게 보낸다. 양품만으로 이상 탐지 모델이 일차 선별도 할 수 있으나 「양품처럼 보이는가」만 답하고 결함 종류는 답하지 못한다.

영상과 표본: 먼저 데이터 양을 센다

분해능은 최소 결함이 정한다. 결함은 영상에서 적어도 약 3화소를 차지해야 하므로 5 μm 핀홀은 화소 스케일이 약 1.7 μm보다 거칠면 안 된다. 내·외 반경 14 mm·20 mm 트랙 구역 면적은 약 641 mm²; 1200×10⁴화소 카메라를 1.5 μm/화소로 쓰면 시야당 약 27.6 mm²라 한 장에 약 23시야, 겹침을 넣으면 약 28시야가 필요하다.

표본화의 어려움은 결함이 드물고 다클래스인 점이다. 지켜야 할 원칙:

  • 학습과 검증을 배치로 나눈다. 같은 디스크나 같은 배치의 영상이 양쪽에 있으면 검증 점수가 부풀려진다.
  • 라벨 규칙을 먼저 정의한다. 어느 크기 핀홀을 결함으로 볼지, 크롬선 위 입자를 셀지——수락 기준을 적은 뒤 라벨; 여러 사람이 라벨하면 일치도를 재고 쟁점 표본은 따로 논의한다.
  • 공정 변동을 덮는다. 다른 코팅 배치, 다른 조명 노화 상태, 다른 디스크 설계가 학습 세트에 들어가야 하며, 새 설계는 출시 전 재검증이 필요하다.

혼동 행렬과 임계값

모델은 각 후보에 결함 확률 p를 내고 임계값 초과면 결함이라 부른다. 네 결과가 혼동 행렬을 이룬다. 검출(TP), 누락(FN), 과검(FP), 합격(TN). 흔한 지표는

누락률 = FN / (TP + FN), 과검률 = FP / (FP + TN)

예(모의 데이터, 10000장, 불량률 2%): 임계값 0.5에서 누락 13(6.5%), 과검 17(0.17%), 진짜 결함은 결함이라 불린 장의 91.7%. 임계값 0.31에서는 누락 2(1.0%), 과검 134(1.37%).

임계값은 비용으로 고른다. 현장에 나간 누락 한 건의 비용이 과검 한 건(추가 재확인 또는 오폐기)의 50배라고 가정하면 총비용 = 50·FN + FP는 이 예에서 임계값 약 0.31에서 최소 234, 기본 0.5에서는 667이다(그림 2). 0.5는 수학적 중점일 뿐 공학 최적이 아니다.

임계값에 대한 누락률·과검률·총비용; 누락 비용이 과검의 50배일 때 비용 최소 임계값은 약 0.31(모의 데이터)
그림 2 – 임계값에 대한 누락률·과검률·총비용; 누락 비용이 과검의 50배일 때 비용 최소 임계값은 약 0.31(모의 데이터)

낮은 불량률의 기저율 효과도 본다. 불량이 2%뿐이라도 과검률 1.37%면 결함이라 불린 장의 약 네 할은 여전히 양품이다. 그래서 사람 재확인 채널을 남겨야 한다.

누락률을 증명하려면 표본이 몇 개

「누락 2 / 200 = 1.0%」 자체에 통계적 불확실성이 있고, 이항분포에서 95% 상한 신뢰한계는 약 3.1%. 검증에서 누락 영으로 누락률이 p 이하임을 증명하려면 불량 표본 수는

n ≥ ln(1 − CL) / ln(1 − p)

신뢰도 CL = 95%, p = 1%면 n ≈ 299; p = 0.5%면 약 598; 누락 1회를 허용하면 p = 1%에 약 473. 코드 디스크처럼 불량률이 아주 낮은 제품에서는 실제 불량 수백 장을 모으는 데 오래 걸리는 경우가 많아——딥러닝 검사 가동 전 가장 현실적인 병목이다.

하이브리드 안: 규칙 기반 AOI가 치수 판정과 후보 추출; 딥러닝이 재판정·분류; 사람 재확인 결과가 학습 데이터로 되돌아온다
그림 3 – 하이브리드 안: 규칙 기반 AOI가 치수 판정과 후보 추출; 딥러닝이 재판정·분류; 사람 재확인 결과가 학습 데이터로 되돌아온다

공학 요점

  • 치수 판정은 규칙 알고리즘에 맡기고 딥러닝은 외관만 재판정한다——측정 추적성을 지키며 유사 결함을 줄인다.
  • 임계값은 「누락 비용 ÷ 과검 비용」으로 정하고 검증 세트에서 과검·누락 대 임계값을 그린다. 기본 0.5로 두지 않는다.
  • 누락률 검증에는 누락 영으로 적어도 약 3/p개의 불량 표본이 필요하다. 표본이 모자라면 상한 신뢰한계를 솔직히 보고한다.
  • 학습과 검증은 배치로 나눈다. 같은 디스크 영상을 세트 사이로 넘기지 않는다.
  • 고정 골드 샘플 세트(각 클래스의 경계 결함 포함)를 두고 모델 갱신이나 카메라/조명 변경마다 회귀를 돌린다.
  • 가동 후 점수 분포 드리프트를 감시한다. 양품 점수의 상향 이동은 과검률 상승보다 먼저 나타나 조명 노화나 공정 변화를 알리는 경우가 많다.

요약

코드 디스크 외관 검사에서 딥러닝의 가치는 주로 규칙 기반 AOI의 유사 결함 홍수를 거르는 데 있으며 치수 측정을 대체하는 것이 아니다. 성능은 표본·라벨·임계값이 정하며, 임계값을 비용으로 고르고 충분한 불량으로 누락률을 증명하며 배치와 공정 변화를 가로질러 모델을 계속 검증해야 한다. 블랙박스가 아니라 관리해야 할 측정 체계로 다루면 신뢰성은 유지된다.


중국어 원문 기사 번역 (0199). ENC7 코드 디스크 제조사 (문의) · 기술 자료 · https://enc7.com

© Langfang Jingzheng Optoelectronic Technology Co., Ltd. 무단 전재를 금합니다. 이 글은 AI의 도움을 받아 작성되었습니다.

Have a drawing? Get an engineer's review.

Send your outer diameter, bore, line count or bit count, substrate and readhead wavelength. Our engineers check manufacturability and reply with a quotation and sample lead time.

WhatsApp