정상만 배운 AI가,
처음 보는 불량까지 찾아냅니다
정상 제품 이미지의 분포를 학습해 "정상과 다른 곳"을 픽셀 히트맵으로 드러내는 표면 이상탐지입니다. 불량 샘플이 30장뿐이어도 시작할 수 있고, 학습한 적 없는 신종 결함도 놓치지 않습니다.
촬상 · 이미지 수집
공정 맞춤 조명 · 광학 설계로 결함 대비 확보
정상 분포 학습
정상 이미지 임베딩의 분포를 모델링
이상 히트맵 · 스코어
픽셀 단위로 "다름"의 위치와 정도를 표시
판정 · 등급 · 리포트
합부 판정 + 결함 등급 + MES 이력화
불량을 외우지 않고, 정상을 이해합니다
결함 종류마다 수천 장을 모아 학습시키는 방식은 신종 결함 앞에서 무력합니다. LINE SURFACE는 반대로 갑니다 — 정상의 분포를 배우고, 그 분포에서 벗어난 모든 것을 결함 후보로 드러냅니다.
촬상 최적화
조명 각도 · 파장 · 광학계를 결함 유형에 맞게 설계해 대비를 먼저 확보
정상 임베딩 학습
정상 이미지 수백 장으로 패치 단위 정상 분포를 모델링. 결함 라벨 불필요
히트맵 · 스코어
입력 이미지와 정상 분포의 거리를 픽셀 히트맵으로 산출 — 판정 근거가 눈에 보임
판정 · 등급화
히트맵 기반 합부 판정, 결함 크기 · 위치 · 심각도 등급을 자동 기록
* 운영 중 확보되는 실제 불량은 검증 세트와 유형 분류기 고도화에 재투입됩니다.
정상 학습 방식
정상 이미지 200~1,000장이면 시작합니다. 불량 데이터 확보 때문에 도입을 미룰 필요가 없고, 신규 라인 · 신제품에 특히 강합니다.
근거가 보이는 판정
왜 NG인지 히트맵이 보여줍니다. 검사원의 판정 검증, 공정팀의 원인 분석, 고객 소명 자료까지 하나의 시각 근거로 해결합니다.
신종 결함 대응
학습한 적 없는 유형도 "정상과 다름"으로 검출됩니다. 신규 결함이 대량 유출된 뒤에야 모델을 다시 만드는 악순환을 끊습니다.
과검 억제 튜닝
허용 가능한 얼룩과 진짜 결함의 경계는 현장마다 다릅니다. 영역별 감도 맵과 임계 튜닝으로 과검율을 관리 가능한 수준으로 유지합니다.
적용 케이스 분석
코팅면부터 사출 외관, 연속 시트까지 — 표면이 있는 모든 제품이 대상입니다.
불량 30장으로 시작해 4주 만에 라인 적용
신규 전극 라인이라 확보된 불량 샘플이 30장뿐. "수천 장이 필요하다"는 답변에 도입 자체가 막혀 있었습니다.
정상 코팅면 이미지만으로 이상탐지 모델을 학습하고, 보유 불량 30장은 임계 검증에만 사용했습니다.
정확도 99.2% · 과검율 1.8%로 4주 만에 적용. 미확보 유형의 신종 결함도 초기 유출 전에 검출됐습니다.
사람마다 다르던 외관 기준을 하나로
스크래치 · 찍힘 · 도장 얼룩의 합부 기준이 검사원마다 달라 고객 클레임과 과검 낭비가 함께 발생했습니다.
한도 견본을 기준으로 감도 맵을 설정하고, 히트맵 근거와 함께 판정하는 표준 검사 체계를 구축했습니다.
판정 기준이 데이터로 통일되어 클레임 소명이 빨라지고, 과검으로 버려지던 양품이 회수됐습니다.
라인스캔으로 전폭 · 전장 무결점 감시
고속으로 흐르는 연속 시트의 핀홀 · 이물 · 줄무늬를 육안과 샘플링으로만 관리해 롤 단위 불량이 발생했습니다.
라인스캔 카메라 기반 전폭 촬상과 이상 히트맵을 결합해, 결함의 길이 방향 위치를 미터 단위로 기록했습니다.
결함 위치가 롤 맵으로 남아 후공정에서 해당 구간만 제거 — 롤 전체 폐기가 부분 손실로 줄었습니다.
* 수치와 시나리오는 대표 적용 사례 기준이며, 공정·데이터 환경에 따라 달라질 수 있습니다.