• 목록

연구기간: 2023.09 - 2024.08

(전체 연구기간: 2023.09-2028.08)

1. 연구 목표

반도체 제조 현장에서 핵심 역할을 수행하는 OHT(Overhead Hoist Transport) 시스템의 신뢰성 확보와 유지보수 효율성 향상을 위해, 본 연구는 생성형 인공지능을 활용한 OHT 휠 결함 탐지 모델을 개발하고자 하였다. 특히, 데이터 부족 문제를 해결하고 미세 결함에 강인한 자동화된 탐지 프레임워크를 제안함으로써, 실시간 적용 가능한 산업용 딥러닝 솔루션을 목표로 한다.

  - OHT 휠의 결함 특성을 반영한 실사 기반 가상 결함 데이터 생성 기법 개발

  - YOLO-SAM 기반 자동 관심영역 추출 기술 구현

  - U-Net 기반 의미론적 분할 모델을 활용한 픽셀 수준 결함 탐지

  - 결함 탐지 정확도 향상을 위한 실험계획법 기반 증강 파라미터 최적화

  - 데이터 부족 환경에서의 일반화 성능 및 확장 가능성 검증

 

 

2. 연구 내용

  1) OHT 휠 데이터 수집 및 전처리

    - 반도체 장비용 실제 OHT 휠을 활용한 실사 이미지 촬영

    - 등급화된 결함 수준에 따라 휠 데이터 분류 및 분할 학습용 구성

  2) 객체 탐지 및 관심영역 추출

    - YOLOv6을 이용해 휠 위치 자동 탐지

    - SAM을 활용한 고무 타이어 영역 자동 분할 및 후처리 기반 관심영역 추출

  3) 가상 결함 생성 및 증강

    - 펄린 노이즈와 Stable Diffusion 기반 실사형 변색 및 균열 결함 생성

    - 대규모 언어모델(Claude 3.5)을 활용한 고도화된 프롬프트 설계

    - 실험계획법(2인자 3수준)을 통해 결함 강도/영역 최적화

  4) 의미론적 분할 모델 학습

    - U-Net 기반 딥러닝 모델로 결함 위치·형태·유형을 픽셀 단위로 예측

    - 자동 생성된 가상 결함을 활용한 학습 및 실제 불량 이미지 기반 평가

 

3. 연구 결과

  1) 실사형 가상 결함 증강 데이터셋 구축

    - 24장의 실제 정상 이미지 기반 5,000장의 가상 결함 이미지 생성

    - 자동 라벨링 구조를 통해 학습 효율성과 정확도 향상

    - 고성능 자동화 결함 탐지 프레임워크 구현

  2) YOLO + SAM 기반 자동 관심영역 추출 → U-Net 예측 → 양불판정

    - 실제 불량이 없는 환경에서도 효과적인 결함 예측 가능성 입증

  3) 미세 결함 탐지 및 일반화 성능 우수

    - 픽셀 수준에서의 결함 위치 및 형태 식별 가능

    - 다양한 산업 현장 확장 가능성과 실시간 적용성 확보