Lightweight Dual-Path Network with Dynamic Distillation for Industrial LED Defect Recognition

현대 세계를 움직이는 공장들에서는 수백만 개의 LED라고 불리는 작은 빛들이 조립됩니다. 이 부품들은 우리 화면의 눈이자 도시의 등불 역할을 하지만, 매우 취약합니다. 제조 과정 중에 접착제 안에 갇힌 기포, 약간 헐거운 핀, 또는 이물질 한 점과 같은 미세한 결함이 발생할 수 있습니다. 만약 이러한 결함들이 걸러지지 않고 통과한다면, 최종 제품은 실패하게 되어 막대한 비용 낭비와 신뢰할 수 없는 기술 문제를 초래할 수 있습니다. 수십 년 동안 제조업체들은 자동 카메라와 컴퓨터를 사용하여 이러한 오류를 잡아내기 위해 노력해 왔습니다. 초기 시도들은 경직된 규칙이나 단순한 패턴 매칭에 의존했는데, 이는 조명이 변하거나 결함의 모습이 약간만 달라져도 자주 실패하곤 했습니다. 더 최근의 시스템들은 수천 개의 사례를 학습하여 패턴을 인식하는 법을 배우는 인공지능의 일종인 딥러닝을 사용합니다. 그러나 이러한 스마트 시스템들은 종-종 방대한 컴퓨팅 파워를 요구하며, 이로 인해 바쁜 공장 현장에서 볼 수 있는 작고 저렴한 컴퓨터에서 실행하기에는 너무 무겁고 느립니다. 더욱이, 실제 공장의 데이터는 매우 복잡합니다. 어떤 유형의 결함은 흔하게 나타나는 반면 다른 것들은 드물게 나타나며, 서로 다른 결함들이 놀라울 정도로 비슷하게 보여 가장 진보된 알고리즘조차 혼란에 빠뜨리기도 합니다.

이를 해결하기 위해, 중국의 여러 대학교 연구진은 이러한 까다로운 산업 환경에 특화되어 설계된 새로운 경량 시스템을 개발했습니다. 최근 발표된 연구에 상세히 기술된 이들의 접근 방식은, 데이터가 불균형하고 시각적 단서가 희미할 때도 높은 정밀도로 LED 결함을 인식할 수 있도록 작고 효율적인 컴퓨터 모델을 가르치는 데 중점을 둡니다. 이미지를 바라보는 단 하나의 경직된 방식에 의존하는 대신, 이 새로운 시스템은 "이중 경로(dual-path)" 전략을 사용합니다. 복잡한 주제를 공부하는 학생을 상상해 보십시오. 학생은 전체적인 그림을 보기 위해 교과서를 공부하는 동시에, 세부적인 사항을 파악하기 위해 상세한 도표를 검토할 수도 있습니다. 이 시스템은 두 개의 병렬 분석 스트림을 실행함으로써 이와 유사한 작업을 수행합니다. 한 스트림은 이미지의 전반적인 구조를 살펴보고, 다른 한 스트림은 특정 레이어의 세부 사항으로 확대하여 조사합니다. 결정적으로, 이 시스템은 이 두 가지 관점이 모든 이미지에 대해 똑같이 중요하다고 취급하지 않습니다. 대신, 각 특정 결함에 대해 광범위한 관점과 세부적인 관점에 각각 얼마만큼의 가중치를 부여할지 결정하는 동적인 메커니-니즘을 사용합니다. 이를 통해 컴퓨터는 적응형 집중력을 발휘하여, 두 가지 서로 다른 결함이 매우 비슷해 보일 때는 세부 사항에 더 주의를 기울이고, 결함이 명확할 때는 더 넓은 맥락에 의존할 수 있습니다.

이 작은 시스템을 최대한 똑똑하게 만들기 위해, 연구진은 "지식 증류(knowledge distillation)"라고 불리는 기술을 채택했습니다. 이 과정에서는 먼저 크고 강력하며 계산 비용이 많이 드는 "교사(teacher)" 모델을 훈련시켜 결함을 완벽하게 인식하도록 합니다. 그런 다음 이 교사는 공장에 투입될 목적인 더 작은 "학생(student)" 모델을 지도합니다. 교사는 단순히 학생에게 정답만을 알려주는 것이 아니라, 서로 다른 유형의 결함 사이의 미묘한 관계와 그들을 구별 짓는 특정 특징들을 공유합니다. 학생은 교사의 최종 결정뿐만 아니라, 그 결정을 내리기 위해 교사가 거친 중간 단계들로부터도 배웁니다. 이러한 지식 전수는 경량화된 학생 모델이 훨씬 더 큰 기계가 필요할 법한 수준의 정확도를 달성할 수 있게 해줍니다. 연구진은 두 가지 서로 다른 데이터 세트를 통해 이 방법을 테스트했습니다. 하나는 8가지 결함 유형을 포함한 6,000장 이상의 이미지를 직접 구축한 새로운 데이터 세트이며, 다른 하나는 주요 기술 기업에서 사용하는 기존의 공개 데이터 세트입니다. 결과는 놀라웠습니다. 자체 데이터 세트에서 이 시스템은 97.17%의 확률로 결함을 정확히 식별해냈으며, 공개 데이터 세트에서는 96.31%의 정확도에 도달했습니다. 이 수치들은 현재 사용 가능한 다른 경량 모델들에 비해 상당한 개선을 의미하며, 기존 모델들은 실제 생산 라인에서 발견되는 희귀하고 혼란스러운 결함 유형들로 인해 어려움을 겪는 경우가 많습니다.

또한, 본 연구는 산업 현장 배포의 핵심 요소인 제한된 컴퓨팅 자원 문제도 다루었습니다. 새로운 시스템은 가장 단순한 기존 모델들보다는 약간 더 복잡하지만, 표준 하드웨어에서 효율적으로 실행될 만큼 충분히 작습니다. 이 시스템은 초당 300프레임 이상의 속도로 이미지를 처리하며, 이는 급격하게 돌아가는 제조 라인의 속도를 따라잡기에 충분한 속도입니다. 연구진은 이 시스템이 단순히 훈련 이미지를 암기하는 것이 아니라 일반화하는 법을 배운다는 것을 입증했습니다. 즉, 이 시스템은 이전에 본 적 없는 결함도 높은 신뢰도로 식별할 수 있습니다. 이중 경로 아키텍처와 지식 증류 기술을 결합함으로써, 연구진은 강력하면서도 실용적인 도구를 만들어냈습니다. 이 연구는 고정밀 품질 관리에 반드시 거대하고 에너지를 많이 소비하는 슈퍼컴퓨터가 필요한 것은 아니라는 점을 시사합니다. 대신, 더 작은 모델이 더 큰 모델로부터 더 효과적으로 배우고 동적으로 초점을 맞추도록 가르침으로써, 공장들은 속도나 효율성을 희생하지 않고도 더 나은 결함 탐지를 달enc할 수 있습니다. 연구진은 자신들의 코드와 새로운 데이터 세트를 대중에 공개하여, 다른 이들이 이 토대 위에서 더 스마트하고 신뢰할 수 있는 산업 제조를 구축할 수 있도록 초대했습니다.