TRIBRID-Optimized MobileNetV3 Framework for Explainable Printed Circuit Board Defect Classification

당신이 탐정이 되어 미스터리를 해결하고 있다고 상상해 보세요. 하지만 당신은 지문을 찾는 대신, 당신의 휴대폰, 자동차, 심지어 우주 공간의 위성까지 구동하는 회로 기판에 있는 아주 작고 눈에 보이지 않는 균열을 찾고 있습니다. 이 회로 기판은 인쇄 회로 기판(PCB)이라고 불리며, 현대 전자 기기의 신경계 역할을 합니다. 만약 미세한 구멍 하나가 빠져 있거나, 아주 작은 와이어가 있어서는 안 될 곳에 닿아 있다면, 기기 전체가 고장 날 수 있습니다. 오랫동안 인간은 현미경을 통해 이 보드들을 뚫어지게 쳐다보며 문제를 찾아야 했습니다. 이는 느리고 피곤한 작업이었습니다. 그러다 컴퓨터가 똑똑해지면서 이 보드들의 사진을 보고 자동으로 오류를 찾아낼 수 있게 되었습니다. 여기서 "딥러닝(Deep Learning)"이 등장합니다. 이는 우리가 패턴을 인식하는 것과 똑같이, 하지만 훨씬 더 빠르게 패턴을 인식하도록 학습된 일종의 컴퓨터 두뇌입니다. 하지만 문제가 하나 있습니다. 이 컴퓨터 두뇌들은 종종 '블랙박스'와 같습니다. 그들은 "이 보드는 고장 났다"라고 말할 수는 있지만, 왜 그런지 혹은 정확히 어느 지점인지는 설명하지 못할 수도 있습니다. 공장에서는 기계를 신뢰해야 하므로, 기계가 무엇을 보고 있는지 알 필요가 있습니다.

이 논문은 그 문제를 해결하기 위한 영리한 새로운 방법을 소개합니다. 연구진은 단순히 회로 기판의 결함을 찾아내는 것을 넘어, 마치 증거를 보여주는 탐정처럼 자신의 추론 과정을 설명하는 시스템을 구축했습니다. 그들은 빠르고 효율적이며, 슈퍼컴퓨터급 성능이 없는 공장용 기계에서도 실행하기 적합하도록 설계된 경량 컴퓨터 두뇌인 MobileNetV3를 사용했습니다. 하지만 반전이 있습니다. 그들은 단순히 컴퓨터가 스스로 학습하게 내버려 두지 않았습니다. 그들은 TRIBRID라고 불리는 특별한 "코치"를 사용하여, 인간이 직접 추측할 필요 없이 학습을 위한 완벽한 레시피를 찾도록 컴퓨터의 설정을 자동으로 조정했습니다. 마지막으로, 그들은 Grad-CAM이라는 도구를 추가했는데, 이는 고성능 하이라이터처럼 작동하여 컴퓨터가 결함이 있다고 판단하게 만든 이미지의 정확한 부분을 빛나는 지도로 그려줍니다. 그 결과, 이 시스템은 믿을 수 없을 정도로 정확할 뿐만 아니라, 자신이 발견한 문제가 어디인지 정확히 보여주는 투명성까지 갖추게 되었습니다.

탐정의 새로운 도구 상자

이야기는 인쇄 회로 기판(PCB)을 검사하는 과제에서 시작됩니다. PCB는 거의 모든 전자 기기 내부에서 볼 수 있는 초록색(또는 때로는 파란색이나 검은색) 보드입니다. 이 보드들은 모든 작은 부품들을 하나로 모으고 그 사이로 전기가 흐르게 합니다. 만약 구멍이 빠져 있거나, 와이어가 끊어지거나, 실수로 두 와이어가 맞닿으면 기기는 작동을 멈춥니다. 전통적으로 인간이 이 보드들을 점검했지만, 사람은 피로를 느끼기 때문에 이는 느리고 실수가 잦았습니다. 나중에 자동 광학 검사(AOI) 시스템이라 불리는 기계들이 이를 대신하게 되었지만, 보드가 복잡해지거나 조명이 변하면 이 기계들도 어려움을 겪었습니다.

딥러닝이 등장했습니다. 딥러닝 모델을 누군가 특징을 알려주지 않아도 수백만 장의 사진을 보고 "개"나 "고양이"를 인식하는 법을 배운 학생이라고 생각해 보세요. 이 논문에서 연구진은 컴퓨터에게 여섯 가지 특정 유형의 PCB 결함을 인식하도록 가르치고자 했습니다: 홀 미삽(missing holes), 마우스 바이트(mouse bites, 가장자리의 작은 흠집), 오픈 회로(open circuits, 끊어진 와이어), 쇼트 회로(short circuits, 와이어 접촉), 스퍼(spurs, 원치 않는 금속 돌기), 그리고 스퍼리어스 코퍼(spurious copper, 있어서는 안 될 곳의 추가 구리)입니다.

연구진은 MobileNetV3라는 특정 유형의 컴퓨터 두뇌를 선택했습니다. 이것을 "경량" 탐정이라고 상상해 보세요. 거대한 컴퓨터가 필요한 무겁고 느린 탐정들(ResNet이나 EfficientNet 같은 모델)과 달리, MobileNetV3는 빠르고 효율적으로 설계되어 실시간 공장 사용에 완벽합니다. 하지만 똑똑한 탐정이라도 완벽하게 작동하려면 적절한 설정이 필요합니다. 학습 속도가 너무 빠르면 세부 사항을 놓치고, 너무 느리면 시간이 너무 오래 걸립니다. 보통 인간은 이러한 설정을 추측해야 하는데, 이는 라디오 다이얼을 무작ful하게 돌리며 주파수를 맞추려는 것과 같습니다.

이를 해결하기 위해 팀은 TRIBRID라고 불리는 방법을 사용했습니다. TRIBRID를 탐정의 설정을 자동으로 조정하는 매우 똑똑한 코치라고 생각하십시오. 이 방법은 완벽한 조합을 찾기 위해 세 가지 다른 전략을 결합합니다: 학습 속도, 정보를 무시하는 정도(dropout), 한 번에 보는 이미지의 수(batch size), 그리고 재학습할 뇌의 층수(layer)를 결정하는 것입니다. TRIBRID는 단순히 추측하는 것이 아니라, 다양한 옵션을 탐색하고, 최상의 옵션으로부터 배우며, 나쁜 지점에 갇히지 않기 위해 약간의 무작위성까지 활용합니다.

마지막으로, 공장 노동자들이 시스템을 신뢰할 수 있도록 연구진은 Grad-CAM을 추가했습니다. 이것은 "하이라이터" 도구입니다. 컴퓨터가 "이것은 쇼트 회로입니다"라고 말할 때, Grad-CAM은 이미지 위에 열 지도를 그려서 컴퓨터를 확신하게 만든 바로 그 지점을 붉게 빛나게 합니다. 이는 컴퓨터가 배경을 바탕으로 대충 짐작하는 것이 아니라, 실제로 결함을 보고 있다는 것을 증명합니다.

대규모 테스트

연구진은 이 여섯 가지 결함 유형을 포함하는 2,953장의 이미지가 담긴 공개 데이터셋을 사용하여 시스템을 테스트했습니다. 그들은 데이터를 나누어 컴퓨터가 70%의 이미지로 학습하고, 15%로 연습하며, 나머지 15%로 최종 테스트를 치르도록 했습니다.

결과는 놀라웠습니다. 연구진이 자신들의 TRIBRID 최적화 MobileNetV3를 다른 모델들과 비교했을 때, 새로운 시스템이 매번 승리했습니다.

• 일반적인 최적화되지 않은 컴퓨터 두뇌(커스텀 CNN)는 결함의 약 **84.42%**만을 제대로 맞혔습니다.
• TRIBRID 코치 없이 표준 MobileNetV3를 사용했을 때는 **99.32%**를 맞혔습니다.
• 하지만 TRIBRID로 최적화된 MobileNetV3는 정확도, 정밀도, 재현율, F1 점수 모두에서 완벽한 **100.00%**를 달성했습니다.

이는 시스템이 테스트 세트의 모든 결함을 단 하나의 실수 없이 정확히 식별했음을 의미합니다. 또한, 약 **99.77%**의 점수를 기록한 ResNet18이나 EfficientNet-B0와 같이 훨씬 무겁고 느린 모델들과 비교해도 동일하게 우수한 성능을 보이면서도, 새로운 시스템은 훨씬 가볍고 빠르게 작동했습니다.

TRIBRID 코치가 핵심 비결임을 증명하기 위해, 팀은 무작위 탐색(Random Search) 및 PSO(다른 최적화 방법)와 비교하는 "절제 연구(ablation study)"를 수행했습니다.

• 세 방법 모두 **100%**의 정확도에 도달했습니다.
• 그러나 TRIBRID 방식이 가장 효율적이었습니다. 완벽한 결과를 얻기 위해 단 **9개의 층(layer)**만을 재학습하면 되었습니다.
• 무작위 탐색 방식은 12개 층을, PSO 방식은 15개 층을 재학습해야 했습니다.

이는 TRIBRID가 더 똑똑하게 설정을 찾아내어, 초기 학습의 원래 "지식"을 더 많이 유지하면서도 새로운 작업에 완벽하게 적응할 수 있게 해준다는 것을 시사합니다.

보는 것이 믿는 것

이 논문에서 가장 흥кси되는 부분은 "설명 가능성(Explainability)" 섹션입니다. 연구진은 단순히 컴퓨터가 정답을 맞히기를 원하는 것이 아니라, 왜 정답인지 알고 싶었습니다. 그들은 의사 결정 과정을 시각화하기 위해 Grad-CAM을 사용했습니다.

"홀 미삽(Missing Hole)" 이미지를 보여주었을 때, 열 지도는 빈 구멍 바로 위에서 밝게 빛났습니다. "마우스 바이트(Mouse Bite)"를 보여주었을 때는 보드의 들쭉날쭉한 가장자리를 강조했습니다. "오픈 회로"와 "쇼트 회로"의 경우, 시스템은 끊어진 선이나 의도치 않은 연결 부위에 정확히 초점을 맞췄습니다. 까다로운 결함인 "스퍼(Spurs)"와 "스퍼리어스 코퍼(Spurious Copper)"에 대해서도, 열 지도는 작은 금속 돌기와 추가된 구리 덩어리를 정확하게 가리켰습니다.

이는 산업 현장에서 매우 중요합니다. 공장 관리자가 특정 지점에 붉은 빛이 들어오는 것을 본다면, 기계를 신뢰할 수 있습니다. 만약 빛이 배경이나 무작위 지점에 있다면, 기계가 혼란을 겪고 있다는 것을 알 수 있을 것입니다. 이 논문은 시스템이 단순히 추측하는 '블랙박스'가 아니라, 자신이 무엇을 보고 있는지 보여주는 투명한 도구임을 보여줍니다.

이것이 의미하는 바

이 논문은 이 TRIBRID 최적화 프레임워크가 제조 분야의 미래를 위한 강력한 도구라고 결 결론짓습니다. 이 시스템은 경량 모델의 속도와 자동 튜닝의 지능, 그리고 시각적 설명을 통한 신뢰성을 결합했습니다. 연구진은 이 시스템이 테스트한 크롭(cropped) 이미지에서는 완벽하게 작동했지만, 다음 단계는 실제 공장 환경에서 전체 이미지를 어떻게 처리하는지 확인하는 것이라고 언급했습니다. 또한, 그들은 궁극적으로 이 시스템을 에지 디바이스(공장 현장에 있는 소형 컴퓨터)에 탑려하여 실시간으로 결함을 잡아내기를 희망하고 있습니다.

요약하자면, 저자들은 단순히 완벽한 탐정일 뿐만 아니라, 자신의 과정을 보여줌으로써 자신의 데가 맞음을 증명하는 매우 정직한 탐정을 만들어냈습니다. 적절한 코칭이 있다면, 가벼운 컴퓨터 두뇌라도 복잡한 산업적 미스터리를 해결할 수 있다는 것을 보여주었습니다.