난반사 금속 부품 생산일자 AI OCR 시스템 사례

04 · Inspection

고객사는 금속 부품에 각인된 생산일자를 자동으로 검사하고자 하였습니다.

처음에는 일반 OCR을 적용하면 충분히 가능할 것으로 예상하였지만 실제 생산라인에서는 예상보다 훨씬 어려운 문제가 발생했습니다.

가장 큰 문제는 금속 표면에서 발생하는 심한 난반사였습니다.

게다가 제품이 컨베이어를 따라 이동하면서

좌우 위치가 조금씩 달라지고

앞뒤 위치도 일정하지 않았으며

제품의 높이와 기울기도 계속 변했습니다.

문제는 제품이 움직일 때마다 난반사의 위치도 함께 변한다는 것이었습니다.

어떤 제품은 생산일자가 선명하게 보였지만,

다음 제품은 같은 위치가 빛에 가려져 문자가 거의 보이지 않았고,

또 다른 제품은 반사가 전혀 다른 위치에서 발생하는 현상이 반복되었습니다.

생산일자를 안정적으로 검사하기에는 매우 까다로운 환경이었습니다.

05 · Inspection

조명을 변경하는 것이 가장 좋은 방법이었습니다.

머신비전 프로젝트에서 이러한 문제는 일반적으로 광학 조건을 개선하여 해결합니다.

조명을 변경하거나,

조명의 각도를 수정하거나,

편광을 적용하는 등 다양한 방법으로 난반사를 줄이면 대부분의 문제는 해결됩니다.

하지만 이번 프로젝트는 달랐습니다.

설비 구조상 새로운 조명을 설치할 공간이 전혀 없었습니다.

기존 설비를 변경할 수도 없었기 때문에 광학 조건을 개선하는 일반적인 방법은 사용할 수 없는 상황이었습니다.

즉,

주어진 촬영 환경 그대로 소프트웨어와 AI만으로 문제를 해결해야 하는 프로젝트였습니다.

가장 어려웠던 점은 난반사가 아니라 '계속 변하는 난반사'였습니다.

06 · Inspection

난반사가 심한 프로젝트는 머신비전에서 흔히 접할 수 있습니다.

하지만 난반사가 항상 같은 위치에서 발생한다면 비교적 해결하기 어렵지 않습니다.

이미지 전처리나 광학 보정을 통해 충분히 대응할 수 있기 때문입니다.

이번 프로젝트는 제품이 공급될 때마다 위치가 계속 달라졌습니다.

제품이 조금만 움직여도 난반사의 위치도 함께 바뀌었고,

생산일자가 있는 영역도 계속 이동했습니다.

결국 OCR이 수행해야 하는 위치 자체가 매번 달라지는 환경이었습니다.

이러한 조건에서는 일반 OCR만으로는 안정적인 검사가 거의 불가능했습니다.

ASPEC의 해결 방법

08 · Inspection

AI OCR도 충분한 학습이 중요합니다.

AI OCR은 일반 OCR보다 다양한 글꼴과 인쇄 상태에 강한 성능을 제공합니다.

하지만 AI라고 해서 모든 문자를 자동으로 인식하는 것은 아닙니다.

생산라인에서 실제 사용되는

숫자

문자

날짜 형식

각인 품질

등을 충분히 학습해야 안정적인 인식률을 확보할 수 있습니다.

이번 프로젝트에서도 실제 생산 데이터를 기반으로 AI OCR을 충분히 학습시켜 다양한 조건에서도 안정적으로 생산일자를 인식할 수 있도록 구축하였습니다.

광학과 AI, 그리고 소프트웨어가 함께 만든 결과