제조 AI Use Case
도어트림 융착 검사 이미지 판정 AI 적용 사례

서연이화 배너2.png

도어트림 융착 검사 이미지 판정 AI 적용 사례

인공지능 기반 기술을 활용한 분석과 자동판정으로 검사 검출력 개선과 PQCD 향상, 검사시간 단축, 고객 클레임 감소 효과의 성과를 창출한 AI 추진사례 입니다.

✔ Key word : 도어트림 융착 공정, 융착 검사, 검사 공정, 이미지 판정, 도어트림 융착 불량 판정 및 비지도 학습 기반 융착부 자동 추출과 라벨링 자동화


* 이미지들은 보안 문제 상 모자이크 처리 되었습니다.
수행기관 수요기업 (주) 서연이화
공급기업 (주) 인터엑스
대상 공정 도어트림 융착 공정
업종 도어트림 조립
문제점 정의 육안으로 수천 개의 이미지 품질 등급별 판정이 어렵고, 검사자의 판단 기준이 상이하여 검사의 정확도가 낮음
목적 도어트림 융착 이미지 검사 시간 단축 및 품질 등급별 정확한 판정 AI 시스템 구현
데이터 포맷 및 수집방법 TCP/IP · 옴롬 비전 카메라
데이터 형태 양품 그룹 불량 그룹.png
분석 · 분석 이미지 자동 추출 - Hough Circle Transform 활용한 융착 이미지 부위 자동 추출
· 이미지 특성별 분류 - 특성별 라벨링 (지동 학습, 비지도학습)
· 이미지 판정 - CNN
결과 · 검사 품질의 상향 평준화, 검사 속도 향상 및 내부 관리 비용 절감

데이터 수집 및 저장

  • 옴롬카메라 기반 도어트림 이미지 수집
  • 현장 도어트림 이미지 전송 → IX 클라우드 플랫폼에서 이미지 수집
  • 4대 카메라 기반 도어트림 이미지 1개로 구성 자동화
데이터 수집 및 저장.png

데이터 전처리 및 분석

  • Open CV 알고리즘 활용 원형 이미지 추출
  • 원형 이미지에 CNN 활용한 융착 부위 구분
  • 자동 추출 융착 부위를 단위별 그룹으로 분류하여 자동화
  • Multi-Attention CNN 활용하여 AI 모델 개발
데이터 전처리 및 분석.png

기대 효과

  • 불량 검출력 95% → 98%
  • 검사 시간 단축 기존 20초/개당 → 3초/개당
  • 불량 등록 관리 시간 20초/개당 → 1초/개당
  • 융착 조건 최적화를 위한 기반 확보
  • 암실이 아닌 Open 현장에서의 검사 자동화
기대효과.png

01

기업 소개

[서연이화]

    - 사업 분야: 자동차 내장재 제조, 도어트림, 범퍼, 시트
    - 매출액 : 1조 9,623억 8,459만 (2020.12.IFRS 연결)
    - 대상 공정: 도어트림 융착 공정

02

문제점 분석

· 고객(완성차 업체)의 감성품질 확보 요구로 작업자에 의한 융착 상태를 확인하여 관리하고 있으나, 작업자의 개인능력에 따라 양품을 판단하여 품질 보증에 어려움 발생
· 융착 주요 인자에 대한 조정이나 관리 방법이 없음
· 융착 상태를 육안으로 검사하고 있어 도어트림 융착 이미지 검사 시간이 오래 소요됨
현장 이슈 및 문제점.png

03

해결 방법

데이터 수집 및 저장
· 옴롬 비전 카메라 기반 도어트림 이미지 수집
· 현장 도어트림 이미지 전송 -> IX 클라우드 플랫폼에서 이미지 수집
· 2D 비전 카메라 4대를 이용
데이터 수집 및 저장.png
 
융착 부위 이미지 자동 추출
· 이미지에서 Open CV 알고리즘 (Hough Circle Transform)을 사용하여 원형 이미지 추출
· 추출된 원형 이미지에서 CNN을 활용하여 융착 부위 구분
 
라벨링
· 대표 융착 패턴을 3등급으로 라벨링(합격, 불합격, 판단 보류)
· 각 군집에서 한 장씩 샘플링하여 label을 부여받음
· 동일 군집 내 잔여 샘플은 pseudo label을 부여하여 준지도 학습에 활용
· AI가 분류한 결과를 품질 담당자와 협의하여 정확성을 체크한 후, 판단 보류 그룹을 점차 감소시킬 예정
데이터 이미지 추출 및 분류.png
 
전처리 자동화
· 자동 추출 융착 부위를 단위별 그룹으로 분류하여 자동화
 
AI 분석 모델 개발
· 분류된 이미지들을 모델링하여 AI 모델 개발(CNN 활용)
· 학습 데이터 활용 AI 모델 개발 및 테스트 셋으로 검증
· CNN에서 층을 구성할 때 Attention 방법을 적용하여 융착 부위(추출된 사각형에서 가운데 원형 부분이 융착 부분)에 더 가중을 주어 예측을 할 수 있게 함
도어트림 융착 품질 판정 모델.png
* CNN(Convolution Neural Networks): 딥러닝에서 주로 이미지나 영상 데이터를 처리할 때 쓰이는 인공신경망의 종류
 
융착 이미지 AI 판정 모델 분석 흐름
융착 이미지 AI 판정 모델 분석 흐름.png
· 기존 육안검사를 대체할 수 있도록 비전 카메라 검사 방식을 도입하고 수집된 비전 데이터를 AI기반 인지 및 이미지 판정 기술을 통해 분석하여 비전 검사 정합성을 지속적으로 높일 수 있음
· 결과적으로 기존 육안 검사보다 정밀도가 높은 검사 시스템을 도입하여 검사 불량율을 낮출 수 있음
 
실제 현장 구현 이미지
인터원 서비스.png
· 4대의 카메라에서 촬영된 이미지(화면 좌측) 및 추출된 융착 부위(화면 우측) 확인 가능
· 추출된 융착 부위가 정상인지 불량인지, 불량이라면 어떤 유형의 불량인지 화면 우측에서 유형별로 확인 가능
 

04

기대 효과

문제점 해결

· 고객(완성차 업체)의 감성품질 확보 요구로 작업자에 의한 융착 상태를 확인하여 관리하고 있으나, 작업자의 개인능력에 따라 양품을 판단하여 품질 보증에 어려움 발생

→ 융착 공정의 검사를 기존 육안 검사에서 AI기술 기반으로 자동화함으로써 검사 불량 검출력 크게 개선, 품질보증체계 확보


· 융착 주요 인자에 대한 조정이나 관리 방법이 없음

→ 융착 공정의 생산 조건 최적화를 도입하는 기반 확보


· 융착 상태를 육안으로 검사하고 있어 도어트림 융착 이미지 검사 시간이 오래 소요됨

→ 검사 시간이 크게 단축될 것으로 예상되며, 따라서 검사 공정에서 나타나던 병목 현상이 제거될 것으로 예상


정량적 효과.png
· 검사 정합성이 95%에서 98%까지 개선
· 1개의 제품에 대해 다각도에서 비전 검사를 실시하여 각각의 융착 포인트를 육안으로 검사할 때보다 검사 시간이 크게 단축됨 (모델 당 20초 → 3초)
· 불량 등록 시간이 개당 15초에서 1초로 감소
· 정확하고 신속한 수집 및 분석이 가능해짐에 따른 불량 감소, 문제 발생의 명확한 원인 규명에 따라 재발이 방지되어 고객의 클레임 발생 건수 감소
 

05

향후 계획

· 융착 공정의 운영 최적화를 통해 도어트림 제품의 최상의 품질을 확보하는 동시에 비용절감과 생산성 향상 도모, 나아가 전사적으로 확대하여 제조 경쟁력을 확보하는데 크게 기여할 것
· 향후 AI를 통한 생산 최적 조건을 융착 공정에 실시간으로 Feedback 할 수 있는 자율화, 지능화 공정이 되도록 시스템을 지속적으로 개발할 예정
 
Contact our team

인터엑스에서 제조AI와 빅데이터분석을 통한 새로운 가능성을 경험해 보세요.

      • 개인 정보 수집 정책 (Privacy Policy)*

        개인 정보 보호 정책
        최종 수정 날짜: 2020년 2월 6일
        ① 개인정보 수집이용에 대한 동의
        고객님의 소중한 개인정보는 다음과 같은 정책에 따라 수집 및 이용됩니다.
        인터엑스에서는 해당 목적에 연관되는 개인정보만을 수집하며, 수집된 정보를 투명하고 안전하게 보호 관리할 것을 약속하며 이에 개인정보 수집및 이용에 대한 동의를 구합니다.

        ② 개인정보의 수집·이용 목적
        고객님의 문의에 대한 정보가 보다 정확한 답변을 위해 수집됩니다.

        ③ 수집항목
        필수항목: 성함, 소속, 연락처, 이메일 주소, 문의분야, 문의사항

        ④ 보유이용기간
        원칙적으로, 개인정보 수집 및 이용목적이 달성된 후에는 해당 정보를 지체 없이 파기합니다.


Top