본 솔루션은 Cognex Deep Learning 기술을 활용하여 제조 현장에서 발생하는 외관 불량, 이물, 오염, 스크래치, 찍힘, 누락, 인쇄 불량, 조립 불량 등을 자동 판정하는 AI 비전 검사 솔루션입니다.

현장 제품의 형상, 불량 유형, 생산 속도, 기존 설비 구성에 맞춰 카메라, 렌즈, 조명, 트리거, 검사 PC, 검사 UI, 데이터 저장, PLC 신호 연동까지 통합 구축합니다. 검사 프로그램은 Windows 기반 WinForms 환경으로 구성할 수 있으며, 작업자가 검사 상태, OK/NG 판정, 불량 위치, 불량 이미지, 생산 수량, 불량률을 직관적으로 확인할 수 있도록 제공합니다.

검사 결과는 SQL 데이터베이스와 이미지 저장 구조를 통해 체계적으로 관리됩니다. 원본 이미지, NG 이미지, 판정 결과, 불량 유형, 검사 시간, 제품 정보, LOT 정보 등을 저장하여 품질 이력 추적과 불량 원인 분석에 활용할 수 있습니다. 또한 검사 결과에 따라 PLC 또는 I/O 장치로 OK/NG 신호를 전달하여 배출기, 알람, 설비 정지 등 현장 제어와 연동할 수 있습니다.

본 솔루션은 AI 모델 단독 적용이 아니라, 기존 룰베이스 비전 검사와 Deep Learning 검사를 함께 적용하는 하이브리드 구조로 구성할 수 있습니다. 위치 보정, ROI 설정, 유무 검사, 치수 검사 등 기준이 명확한 항목은 룰 기반 알고리즘으로 처리하고, 형태 변화가 큰 불량이나 패턴화하기 어려운 외관 불량은 Cognex Deep Learning 기반으로 판정하여 현장 적용 안정성을 높입니다.

솔루션 목적

1. 품질 보증
2. AI 기반 불량 검출 자동화
3. 수작업 검사 편차 감소
4. NG 이미지 및 검사 이력 저장
5. 불량 데이터 기반 공정 개선
6. 검사 결과 기반 PLC 자동 신호 전달

솔루션 종류

1. 설치형 AI솔루션
2. AI 비전 검사 솔루션
3. 품질 데이터 관리 솔루션
4. 현장 검사 UI 및 PLC 연동 솔루션

활용 분야

1. 컴퓨터비전
2. Deep Learning 검사
3. 외관 검사
4. 이상탐지
5. 이미지 분류
6. 제조 품질 검사
7. 검사 데이터 수집
8. 품질 이력 관리

세부 설명

1. 수요기업의 제조 공정, 제품 형상, 불량 유형, 생산 속도, 기존 검사 방식을 분석하여 AI 적용 가능성과 검사 범위를 정의합니다.
2. 제품과 불량 특성에 맞춰 카메라, 렌즈, 조명, 촬영 위치, 트리거 조건, 검사 PC 사양을 설계합니다.
3. 양품·불량 이미지를 수집하고, 불량 유형별 데이터 분류 및 학습 데이터 구축을 수행합니다.
4. Cognex Deep Learning 기반으로 외관 불량, 이물, 오염, 스크래치, 인쇄 불량 등을 학습·검사합니다.
5. WinForms 기반 검사 프로그램에서 실시간 이미지, OK/NG 결과, 불량 위치, 불량 유형, 검사 수량, 불량률을 표시합니다.
6. SQL 데이터베이스에 검사 결과, 검사 시간, 제품 정보, LOT 정보, 불량 유형, 판정 결과를 저장합니다.
7. 원본 이미지와 NG 이미지를 자동 저장하여 품질 추적성, 고객 클레임 대응, 재학습 데이터 확보에 활용합니다.
8. PLC 또는 I/O 장치와 연동하여 검사 완료 신호, OK/NG 판정, NG 배출 신호, 알람 신호를 전달합니다.
9. 제품별 검사 조건, 카메라 파라미터, AI 모델, 임계값을 레시피로 관리하여 다품종 생산 환경에 대응합니다.
10. 현장 테스트 결과를 바탕으로 미검출과 과검출을 줄이기 위한 임계값 조정, 데이터 추가 수집, 모델 고도화를 수행합니다.

C#, .NET Framework / .NET

WinForms

Cognex Deep Learning

Cognex VisionPro 연동 가능

Manu MLOps SDK 연계 가능 구조

Cognex Camera / Industrial Camera SDK 연동 가능

SQL Server, SQLite, MySQL 등 데이터베이스 저장 구조

OpenCV 기반 보조 전처리 적용 가능

Mitsubishi, LS, Siemens, Allen-Bradley 등 PLC 통신 연동 가능

TCP/IP, Serial, Digital I/O 기반 설비 신호 연동 가능

본 사업 요구사항에 따른 제조 데이터셋, 성능 지표, 검사 로그 관리 체계 연계 가능

카메라/조명/트리거 → 이미지 취득 → 전처리/ROI 설정 → 룰베이스 검사 및 AI 추론 → 후처리/판정 → UI 표시 → PLC 신호 전송 → 이미지/검사 로그 저장

Cognex Deep Learning 기반 복합 AI 비전 검사 테스트데이터 결과서

1. 문서 개요

본 문서는 Cognex Deep Learning 기반 AI 비전 검사 솔루션에 대해 테스트 데이터를 활용하여 성능을 검증한 결과를 정리한 자료입니다.

본 테스트는 동일 검사 레시피 내에서 비감독 모드(Unsupervised Mode)와 감독 모드(Supervised Mode)를 함께 구성하여 수행하였습니다.

따라서 본 결과는 두 번의 별도 테스트 결과가 아니라, 하나의 검사 레시피에서 서로 다른 두 가지 Deep Learning 검출 방식을 병행 적용한 결과입니다.

1. 비감독 모드: 정상 패턴과 다른 이상 영역을 감지하여 이상 후보를 검출
2. 감독 모드: 라벨링된 결함 데이터를 기반으로 불량 클래스 및 결함 영역을 검출

현장 적용 시에는 두 모드의 결과를 조합하여 OK / 중간 / 불량 판정을 수행할 수 있으며, 중간 판정은 재검사 또는 NG 후보로 활용할 수 있습니다.

2. 테스트 대상 솔루션

1. 솔루션명: Cognex Deep Learning 기반 AI 비전 검사 및 품질 데이터 관리 솔루션
2. 솔루션 유형: AI 기반 비전 검사 솔루션
3. 적용 방식: 동일 레시피 내 비감독 모드 + 감독 모드 병행 적용
4. 주요 적용 분야: 외관 검사, 이물 검사, 표면 결함 검사, 품질 자동 판정
5. 적용 구성: 이미지 취득, Cognex Deep Learning 판정, OK/중간/불량 표시, 검사 결과 저장, 이미지 저장, PLC 신호 전달 가능 구조

3. 테스트 데이터 개요

3.1 비감독 모드 결과

1. 이미지 수: 11,161
2. 뷰 수: 11,161
3. 라벨링 수: 11,159
4. 트레이닝 수: 7,750
5. 평균 처리 시간: 6.2 ± 2.2 ms
6. AUC: 0.998

3.2 감독 모드 결과

1. 이미지 수: 11,161
2. 뷰 수: 11,161
3. 라벨링 수: 11,161
4. 트레이닝 수: 7,806
5. 평균 처리 시간: 5.4 ± 2.1 ms
6. AUC: 1.00

4. 평가 기준

본 테스트는 Deep Learning 기반 비전 검사 결과를 다음 기준으로 평가하였습니다.

1. ROC Curve 기반 AUC
2. Confusion Matrix 기반 판정 결과
3. OK / 중간 / 불량 클래스 분포
4. 평균 처리 시간
5. 결함 영역 검출 성능지표

Confusion Matrix의 “중간” 클래스는 정상과 불량 사이의 경계 영역 또는 판정 보류 영역으로 해석할 수 있습니다.

실제 제조 현장에서는 “중간” 판정을 다음과 같이 운용할 수 있습니다.

1. 중간 판정을 재검사 대상으로 처리
2. 중간 판정을 NG 후보로 처리
3. 중간 판정 이미지를 추가 학습 데이터로 활용
4. 중간 판정 기준을 제품별 레시피에서 임계값으로 조정

따라서 본 결과서는 “정확히 불량으로 판정한 성능”과 “중간+불량을 NG 후보로 운용했을 때의 성능”을 함께 해석합니다.

5. 비감독 모드 테스트 결과

5.1 기본 성능

1. AUC: 0.998
2. 평균 처리 시간: 6.2 ± 2.2 ms

AUC 0.998은 정상과 이상 패턴을 구분하는 능력이 매우 높다는 것을 의미합니다.

비감독 모드는 정상 데이터 기반으로 이상 후보를 감지하는 방식이므로, 불량을 반드시 특정 불량 클래스로 분류하기보다는 정상과 다른 패턴을 “중간” 또는 “불량 후보”로 감지하는 역할에 적합합니다.

5.2 Confusion Matrix

실제 / 예측 양호 중간 불량 총계

양호 10,720 352 0 11,072

불량 0 78 9 87

5.3 Exact Class 기준 결과

“양호→양호”, “불량→불량”만 정확 판정으로 볼 경우:

1. 정확 판정 수: 10,729
2. 전체 라벨 수: 11,159
3. Accuracy: 96.15%

불량 데이터 기준:

1. 실제 불량 수: 87건
2. 불량으로 직접 판정: 9건
3. 중간으로 판정: 78건
4. 양호로 잘못 판정: 0건

이 결과는 비감독 모드가 실제 불량을 양호로 놓치지는 않았으나, 대부분을 “불량” 확정 클래스보다는 “중간” 클래스로 감지했음을 의미합니다.

5.4 중간+불량을 NG 후보로 운용할 경우

현장 운영에서 “중간”을 재검사 또는 NG 후보로 처리할 경우:

1. 실제 불량 검출: 87 / 87
2. 불량 검출 Recall: 100.0%
3. 양호 중 NG 후보 판정: 352 / 11,072
4. 양호 오검출률: 3.18%
5. 양호 정판정률: 96.82%

5.5 비감독 모드 해석

비감독 모드는 실제 불량 87건 중 87건을 모두 “중간 또는 불량”으로 감지하였으므로, 불량 후보를 놓치지 않는 1차 이상 감지 용도로 활용 가능성이 높습니다.

다만 양호 이미지 중 352건이 중간으로 분류되어, 단독 최종 판정보다는 다음과 같은 방식의 운용이 적합합니다.

1. 1차 이상 후보 선별
2. 미지정 불량 또는 신규 불량 감지
3. 감독 모드와 조합한 이중 판정
4. 중간 판정 이미지를 재학습 데이터로 활용
5. 제품별 임계값 조정을 통한 과검출 감소

6. 감독 모드 테스트 결과

6.1 기본 성능

1. AUC: 1.00
2. 평균 처리 시간: 5.4 ± 2.1 ms

AUC 1.00은 테스트 데이터 기준 정상과 불량의 구분 성능이 매우 우수함을 의미합니다.

감독 모드는 라벨링된 불량 데이터를 기반으로 학습되었기 때문에, 특정 결함 유형 또는 결함 영역을 직접 판정하는 역할에 적합합니다.

6.2 Confusion Matrix

실제 / 예측 양호 중간 불량 총계

양호 11,069 9 1 11,079

불량 2 4 76 82

6.3 Exact Class 기준 결과

“양호→양호”, “불량→불량”만 정확 판정으로 볼 경우:

1. 정확 판정 수: 11,145
2. 전체 라벨 수: 11,161
3. Accuracy: 99.86%

불량 데이터 기준:

1. 실제 불량 수: 82건
2. 불량으로 직접 판정: 76건
3. 중간으로 판정: 4건
4. 양호로 잘못 판정: 2건
5. 불량 직접 판정 Recall: 92.68%

6.4 중간+불량을 NG 후보로 운용할 경우

현장 운영에서 “중간”을 재검사 또는 NG 후보로 처리할 경우:

1. 실제 불량 검출: 80 / 82
2. 불량 검출 Recall: 97.56%
3. 양호 중 NG 후보 판정: 10 / 11,079
4. 양호 오검출률: 0.09%
5. 양호 정판정률: 99.91%

6.5 결함 영역 검출 성능

감독 모드에서 결함 영역에 대한 면적 기반 메트릭은 다음과 같습니다.

영역 Recall Precision F-Score

defect 66.2 57.4 61.5

6.6 감독 모드 해석

감독 모드는 테스트 데이터 기준으로 AUC 1.00, Accuracy 99.86%를 기록하여 정상/불량 판정 성능이 매우 우수한 것으로 확인되었습니다.

또한 실제 불량 82건 중 76건을 불량으로 직접 판정하고, 4건을 중간으로 판정하여, 중간 판정을 NG 후보로 운용할 경우 총 80건을 검출할 수 있습니다.

이에 따라 감독 모드는 최종 불량 판정 및 결함 위치 표시 용도로 활용하기에 적합합니다.

다만 결함 영역 면적 메트릭은 Recall 66.2, Precision 57.4, F-Score 61.5로 확인되어, 결함 영역을 더 정밀하게 표시하기 위해서는 추가 라벨링, 결함 영역 보정, 학습 데이터 보강을 통해 개선할 수 있습니다.

7. 비감독 모드와 감독 모드의 역할 구분

8. 복합 판정 구조

동일 레시피에서 비감독 모드와 감독 모드를 함께 적용하면 다음과 같은 복합 판정 구조를 구성할 수 있습니다.

1. 비감독 모드가 정상 패턴과 다른 이상 후보를 1차 감지합니다.
2. 감독 모드가 라벨링된 결함 기준으로 불량 여부를 판정합니다.
3. 두 모드 중 하나라도 불량 또는 중간으로 판정한 경우, 제품을 NG 후보 또는 재검사 대상으로 분류할 수 있습니다.
4. 감독 모드가 불량으로 직접 판정한 경우, 최종 NG로 처리할 수 있습니다.
5. 비감독 모드만 중간으로 판정한 경우, 신규 불량 가능성이 있는 데이터로 저장하여 추가 확인 또는 재학습에 활용할 수 있습니다.
6. 최종 판정 결과는 검사 UI에 표시하고, SQL 데이터베이스 및 이미지 저장 구조에 기록하며, PLC 또는 I/O 신호로 전달할 수 있습니다.

9. 현장 적용 아키텍처

본 솔루션은 다음과 같은 현장 적용 구조로 구성할 수 있습니다.

카메라/조명/트리거

→ 이미지 취득

→ ROI 설정 및 전처리

→ Cognex Deep Learning 비감독 모드 검사

→ Cognex Deep Learning 감독 모드 검사

→ 두 모드 결과 종합

→ OK / 중간 / 불량 판정

→ WinForms 검사 UI 표시

→ SQL 검사 결과 저장

→ 원본 이미지 및 NG 이미지 저장

→ PLC OK/NG 신호 전달

→ 중간 및 NG 데이터 재학습 활용

10. 종합 결론

본 테스트는 동일 레시피 내에서 Cognex Deep Learning의 비감독 모드와 감독 모드를 함께 적용한 복합 AI 비전 검사 결과입니다.

비감독 모드는 AUC 0.998을 기록하였으며, 실제 불량을 양호로 놓치지 않고 모두 중간 또는 불량 후보로 감지하여 1차 이상 감지 및 신규 불량 후보 선별에 적합한 결과를 보였습니다.

감독 모드는 AUC 1.00, Accuracy 99.86%를 기록하였으며, 불량 직접 판정 성능과 양호 정판정률이 우수하여 최종 불량 판정 및 결함 영역 표시에 적합한 결과를 보였습니다.

따라서 본 솔루션은 비감독 모드와 감독 모드를 조합하여 미지정 불량 감지와 특정 결함 판정을 동시에 수행할 수 있으며, 실제 제조 현장의 외관 검사, 이물 검사, 표면 결함 검사에 적용 가능한 복합 AI 비전 검사 구조로 판단됩니다.

향후 실제 수요기업의 제품 특성, 조명 환경, 불량 기준, 생산 속도에 맞춰 추가 데이터 확보, 임계값 조정, 결함 영역 라벨링 보강, 검사 조건 최적화를 수행하면 현장 적용 안정성과 검출 성능을 더욱 높일 수 있습니다.