제조업의 딥러닝 프로젝트 시작 – 파트 2: 데이터 수집 및 검증 자료 설정

절대값과 상대값 

이 단계에서는 이미지 데이터(절대값)와 공정 데이터(상대값)의 두 가지 유형을 수집해야 합니다. 딥러닝 팀이 수집한 이미지 데이터는 신경망을 최적화하고 결함 및 합격/불합격 판단에 대해 교육시키는 데 도움이 됩니다. 신뢰할 수 있는 이미지를 캡처하려면 무엇보다도 적절한 해상도의 카메라를 식별하고 적합한 조명 설정을 선택 및 구성해야 합니다.

딥러닝 기반 시스템을 개발하는 기업은 공정 데이터를 통해 고급 최적화를 수행할 수 있습니다. 공정 데이터에는 폐기 대비 탈출 단위 비용, 불합격 대비 합격 빈도, 결함 유형별 빈도 등이 있습니다. 딥러닝 팀은 검증 자료 대비 딥러닝 시스템 성능은 물론, 수작업 검사 등의 기존 솔루션의 성능도 살펴봐야 합니다.

연속 공정 유지

딥러닝 프로젝트의 모든 단계는 일반적으로 지속적으로 수행해야 합니다. 이미지 및 공정 데이터 수집, 모델 교육, 데이터 라벨 표기 업데이트 등이 이 업무에 포함됩니다.

기업이 딥러닝 모델에게 품질 데이터를 교육 시키려면 이미지 내 라벨 결함을 일관성 있고 신뢰할 수 있게 표시하는 작업자가 필요합니다. 교육 공정의 연속성을 유지하면 정확한 데이터의 수집 및 로깅 과정을 간소화할 수 있습니다.

통계적 비정상을 방지하려면 제품 변형, 구성품 변경, 장비 표류, 툴 마모를 파악하고 추적해야 합니다. 이와 함께, 모든 이미지 라벨링에서는 외부 측정 및 명확한 정의를 통해 일관성과 비 편파성이 유지되어야 합니다. 제품 사양이 변경되거나, 신제품이 추가되거나, 단종 제품이 제거되면 이미지 라벨을 업데이트해야 합니다. 또한 팀은 시간 경과에 따라 지속적으로 정보를 수집하는 공정을 수립하여 문제 발생 시 대처하고 수정할 수 있어야 합니다.

딥러닝 팀은 교육 시 거짓결함을 사용하지 않아야 합니다. 부품의 표시, 균열, 긁힘과 같은 거짓 결함은 진짜 결함에 대한 대표성이 없을 수 있으며 트레이닝에 부정적인 영향을 미칠 수 있습니다. 예를 들어, 팀의 누군가가 부품 중간에 난 긁힘을 시험에 수동으로 추가할 경우 시스템은 그 부분에서만 결함을 찾기 시작합니다.

검증 자료 확보

검증 자료를 확보하는 방법에는 수작업 공장 검사 결과 적용을 비롯한 다양한 방법이 있습니다. 이 방법에서는 데이터를 쉽게 이용하고 수락할 수 있습니다. 이 방법은 검사 시 틸팅 등의 특별 처리가 필요한 부품에 적용할 수 있는 유일한 방법일 수 있습니다. 반면에, 결과는 시간에 따라 또는 조사관들 간에 다를 수 있으며, 일부 이해당사자들은 현존 시스템에 대해 기득권이 있을 수 있습니다. 보다 정확한 기준선을 결정하기 위해 기업에서 데이터 수집과 큐레이션에 투자해야 하기 때문에 이 방법은 시작점으로만 사용해야 합니다.

Knapp 테스트는 여러 개의 알려진 부품(양호 및 불량)을 동일한 검사자 그룹에게 통과시켜 기업이 인간 품질 검사자의 역량을 평가하는 데 도움이 될 수 있습니다. Knapp 시험에서 개별 검사자는 생산 부품과 혼합된 제어 부품을 여러 번 점검하고, 개인의 결과를 취합하여 합격/불합격 결과를 합의로 도출합니다. 이 방법을 통해 기업은 일관되게 포착되는 결함 유형과 성과가 가장 높은 검사자를 확인할 수 있지만, 소규모 데이터세트에서만 사용 가능합니다. 또한 결함 모양이 비현실적이거나 인위적이고 결함 분포가 항상 비현실적이기 때문에 대표성이 없는 결과를 도출할 수 있습니다. 기업은 개별 검사자의 정확성과 반복 가능성을 평가하고 현실적인 결함이 있는 이미지로 신경망 교육용 초기 라벨링 데이터세트를 만들어야 합니다.

마지막으로, 실측값을 확보하려면 회사 품질 표준에 대해 잘 알고 있는 신뢰할 수 있는 전문가가 회사에 최소 한 명 이상 있어야 합니다. 첫번째로, 팀은 수동 및 자동 검사를 통해 생산 중에 이미지와 검사 결과를 기록합니다. 그 다음에 전문가가 이미지를 보고 합격/불합격 결정을 확실하게 내릴 수 있는지 확인하고 라벨링 팀의 이미지 품질 표준을 설정하여 정확한 데이터만 딥러닝 모델에 입력되도록 합니다.

그 다음에 수동 및 자동 육안 검사 결과를 비교합니다. 결과가 일치하면 결정이 올바르다고 가정할 수 있으며, 이미지를 데이터세트에 추가할 수 있습니다. 결과가 다를 경우 전문가가 결과를 검토하고 어떻게 할지 결정합니다. 전문가는 현실적인 조건에서 실제 샘플을 기반으로 한 이미지로 신뢰할 수 있는 검증 자료 이미지 데이터베이스를 구축하는 데 도움을 줍니다. 또한 전문가는 결함 분포, 수동 및 자동 검사 성능 데이터를 포함한 신뢰할 수 있는 성능 통계를 생성하는 동시에 검사 공정을 개선합니다. 또한 향후 자동화 프로젝트에 재사용할 수 있는 데이터를 제공합니다. 결함을 찾기 위해 부품을 조작하거나 처리할 경우 좋지 않은 결과를 가져올 수 있음에 유의하시기 바랍니다. 이 방법의 또 다른 단점은 단일 의사 결정자에게 의존한다는 것입니다.

• 이 시리즈의 1부에서 딥러닝을 시작해 보십시오.
• 3부에서는 최적화 단계에 대해 살펴보겠습니다.
• 4부에서는 공장 인수를 살펴보겠습니다.