주물제품 이상검출 효율 향상을 위한 딥러닝 모델 경량화

Abstract

본 논문에서는 적은 비용으로 주물제품의 이상 검출 효율을 향상시키기 위한 자동차 배터리팩 주물의 표면 불량검사 방법을 제안한다. 주조산업은 국가의 뿌리 산업으로 다른 산업들의 기반이 되는 산업이다. 뿌리 산업을 포함한 많은 산업에서 생산성을 향상시키기 위해 표면 불량검사 자동화를 도입하고 있다. 하지만 부품 모듈이나 완제품에 해당하는 반도체와 자동차의 경우와는 다르게 표면 불량검사 자동화 보급률이 낮다. 보급률이 낮은 원인으로는 영세한 업체로 이루어진 산업구조와 함께 낮은 R&D 투자비율이 있다. 전통적인 공정 자동화와 검사 자동화는 규모의 경제가 만들어져야 유리한 산업이지만 영세한 업체가 대다수를 이루는 주조산업의 특성상 자동화의 적용이 늦어지고 있다. 또 전통적인 방식의 검사 자동화에는 많은 비용이 필요하여 주조산업의 낮은 R&D투자 비율로 인해 우선순위가 밀려 검사 자동화의 보급이 늦어지고 있다. 그래서 적은 투자비용으로 불량을 효과적으로 검출할 수 있는 시스템이 필요하다. 주조산업에서 5~10%의 높은 불량률은 사람이 직접 불량을 검사하는 방식에 기인한다. 주조산업의 대다수를 차지하는 영세업체에서는 사람이 육안으로 직접 검사하는 방식을 사용하는데 이 방식은 작업자마다 불량률이 매우 다르다. 또 작업자의 주관이 개입되어 동일한 품질관리가 되지 않고 작업자의 숙련도, 몸 상태 등 공정 외의 원인으로 인해 품질관리의 편차가 크다. 불량검사 자동화를 위해 다른 산업에서는 이미지 처리 기법인 패턴매칭 등을 사용한다. 하지만 패턴매칭과 같은 방법은 기준이 되는 완벽한 이미지가 필요하고 물체의 위치에 따른 영향을 크게 받는다. 예를 들어 검사하고자 하는 물체가 기준 이미지와 1mm 미만으로 위치가 다를 경우 대상이 정상이더라도 불량으로 판정한다. 이 문제를 극복하기 위해서는 물체의 위치를 기준 이미지와 같은 위치에 고정시켜 줄 수 있는 추가 시설이 필요하다. 하지만 추가 시설의 도입은 큰 비용이 필요하고 다양한 제품을 소량 생산하는 최근의 산업구조에서 각 제품마다 맞는 시설을 갖추기 어렵다. 최근에는 불량검사를 위해 머신러닝과 딥러닝을 도입하고 있다. 크게 지도학습을 사용하는 방법과 비지도 학습을 사용하는 방법이 있다. 지도학습을 사용하는 방식에는 Object Classification을 사용하는 방법과 Object Detection, Object Segmentation을 사용하는 방법이 있는데 Object Classification은 불량의 위치를 파악할 수 없고 Object Detection은 불량의 위치를 파악할 수 있지만 연산량이 Object Classification보다 많다는 단점이 있고 Object Segmentation은 위치를 Object Detection보다 자세하게 알 수 있지만 연산량이 더 많다. 비지도학습을 사용하는 방법은 불량을 효과적으로 검출하지만 불량의 종류를 알 수 없다는 단점이 있다. 본 논문에서는 Object Detection을 사용하여 불량을 검출하였는데 연산량을 낮춰 기존에 연산량이 높은 단점을 해결하고자 하였다. 최근 이미지 처리를 위해 사용되는 딥러닝 모델들은 여러 개의 Convolution layer로 이루어져 있다. 입력된 이미지는 Convolution layer를 거치며 점차 작은 feature map으로 변환된다. 이때 입력단에 가까운 layer에서는 큰 feature map을 가지며 작은 크기의 특징들이 추출되고 출력단에 가까운 layer에서는 작은 feature map을 가지며 큰 크기의 특징들이 추출된다. 기존의 모델들은 이런 특징들을 이용하여 Detection head와 서로 다른 layer를 연결하여 다양한 크기의 물체를 찾는 방법을 사용했다. 간단하게는 작은 크기, 중간 크기, 큰 크기의 물체를 찾는 Detection head를 사용하고 다양한 크기에 대응할 수 있도록 여러 개의 Detection head를 사용하는 방법도 사용되고 있다. 본 논문에서는 작은 크기의 불량을 찾는 것이 목표이기 때문에 다양한 크기의 물체를 찾는 Detection head는 불필요하다고 판단했다. 따라서 본 논문에서는 찾고자 하는 물체의 크기에 맞는 Detection head만 남기는 방식을 제안한다. 제안하는 방법을 사용하면 딥러닝 모델의 연산량을 감소시킴과 동시에 모델의 성능을 증가시킬 수 있다. 본 논문에서는 제안하는 방법으로 연산량과 관련있는 모델의 파라미터 개수를 25% ~ 32% 감소시켰고 mAP_0.5를 최대 2.22 향상시켰다. 또 제안하는 방법은 적은 비용으로 시스템 구축이 가능하고 딥러닝을 사용했기 때문에 다품종 소량생산에 맞춰 유연하게 대응할 수 있다.