DOI QR코드

DOI QR Code

Development of Automated Quality Inspection System for Electric Vehicle PFC Using Deep Learning-Based Machine Vision

딥러닝 기반 머신비전을 활용한 전기차용 PFC 자동 품질검사 시스템 개발

  • 이선표 (퍼스널에이아이(주)) ;
  • 박승범 (호서대학교 기술경영전문대학원) ;
  • 오인종 ((주)지란지교시큐리티 연구소) ;
  • 조형동 ((주)코엠에스 )
  • Received : 2025.10.27
  • Accepted : 2025.12.15
  • Published : 2025.12.30

Abstract

This study develops an automated quality inspection system for Patterned Flat Cable (PFC), a critical lightweighting component in electric vehicle batteries. PFC's unique physical characteristics-thin structure (0.1~0.3mm), high surface reflectance (35~55%), and flexibility-cause traditional manual and rule-based automated visual inspection methods to suffer from 10~15% and 5~8% false detection rates, respectively. To address these challenges, we constructed a dataset of 122,315 real manufacturing images with standardized defect classification guidelines and developed a hybrid deep learning system employing an EfficientNet-based classifier for circuit inspection and a two-stage pipeline combining binary classification with YOLOv5 for pad defect detection. Deployed on NPU-based cloud infrastructure, the system achieved F1-scores of 0.98 and mAP@0.5 of 0.618 with 152ms inference time, improving inspection throughput by 74.8×over manual inspection while reducing annual operational costs by 165 million KRW. Currently operating in two production lines, this validated framework demonstrates immediate industrial applicability and provides an extensible architecture for automated quality inspection in electric vehicle lightweight component manufacturing.

Keywords

Ⅰ. 서론

1.1 연구의 배경

전 세계적으로 기후변화 위기 대응을 위한 탄소중립 정책이 강화되면서, 친환경 자동차 산업이 급성장하고 있다. 국제에너지기구(IEA)에 따르면 2024년 전 세계 전기차 판매량은 1,700만 대를 넘어섰으며, 2030년에는 시장점유율 40%를 넘어설 전망이다[1]. 전기차 기술 개발의 주요 방향은 배터리 성능 향상, 경량화, 에너지 효율 개선으로 요약되며, 특히 배터리 및 전장 부품의 경량화는 주행거리와 에너지 효율에 직결되는 핵심 과제이다[2].

PFC(Patterned Flat Cable)는 연성인쇄회로기판(FPC, Flexible Printed Circuit)의 일종으로 전기차 배터리 셀 연결 시스템(CCS, Cell Connection System)의 핵심 구성 요소이며, 플라스틱 구조 부품, 동/알루미늄바와 결합하여 전기 연결 및 신호 감지를 위한 구조적 기능을 통합한다. 전통적인 구리 와이어링 하네스는 대전류 신호 처리 시 과도한 공간을 차지하고 수동 포트 고정으로 인해 자동화 수준이 낮은 반면, PFC는 고집적, 초박형(선로 0.34mm, NTC 2mm), 초유연성의 특성으로 안전성, 휴대성, 레이아웃 측면에서 뛰어난 장점을 제공한다[3].

1.2 연구의 필요성

PFC는 전기차 경량화의 핵심 부품이나, <표 1>에 제시된 물리적·광학적 특성으로 인해 품질검사에 본질적인 어려움이 있다.

<표 1> PFC와 일반 PCB의 특성 비교 및 검사 영향·대응 필요성

DGTSA8_2025_v21n4_39_3_t0001.png 이미지

※ 자료: IPC표준을 참조하여 재구성

※ 자료: 사례회사 제조 현장 2021~2023 품질검사 실적 데이터 분석

※ 검사 영향 수치는 오검출률, 재검사율, 불량 누락률을 종합한 상대적 난이도 지수

본 연구에서는 사례회사 제조 현장의 2021~2023년 품질검사 데이터(총 50만 건)를 분석하여 PFC 특성이 불량 검출 성능에 미치는 영향을 <표 2>와 같이 정량화하였다.

<표 2> PFC 물리적 특성별 불량 검출 난이도 실증 분석

DGTSA8_2025_v21n4_39_3_t0002.png 이미지

※ 오검출률 = (오탐 + 미탐) / 전체 불량 × 100

이러한 분석 결과는 PFC 검사가 일반 PCB와 다른 접근법을 요구함을 보여준다. 첫째, PFC의 높은 반사율(35~55%)은 조명 변화에 강건한 특징 추출 기법을 필요로 한다. 일반 PCB는 15~25%의 낮은 반사율로 인해 균일한 조명 조건에서도 안정적인 이미지 획득이 가능하나, PFC는 표면 반사로 인한 과노출과 특징 손실이 빈번하게 발생하므로 이에 대응할 수 있는 알고리즘이 요구된다. 둘째, PFC의 얇은 두께(0.1~0.3mm)와 가요성 특성은 검사 중 동적 형상 변화를 야기하므로, 이를 고려한 전처리 기법이 필수적이다. 경질 구조의 일반 PCB와 달리 PFC는 검사 과정에서 떨림이나 주름이 발생할 수 있어 이미지 품질 저하가 불가피하며, 이러한 변형을 보정할 수 있는 전처리 과정이 필요하다. 셋째, PFC의 미세한 회로 패턴 간격(50~80μm)은 고해상도 특징 학습이 가능한 모델을 요구한다. 일반 PCB의 패턴 간격(100~200μm)에 비해 2배 이상 조밀한 PFC의 회로 구조는 미세 결함 검출을 위한 정교한 특징 추출 능력을 필요로 한다.

특히 PFC처럼 표면 반사율이 높고 유연성으로 인한 떨림과 주름이 발생하는 부품의 경우, 고정된 임계값 기반 규칙으로는 정상품을 불량으로 오판하거나 미세한 실제 불량을 놓치는 문제가 빈번하다.

이러한 한계를 극복하기 위해서는 패러다임의 전환이 필요하다. 딥러닝 기반 머신비전 시스템은 다음과 같은 이유로 PFC 검사 문제에 적합한 솔루션이다[4-6].

(1) 복잡한 패턴 학습 능력: 딥러닝은 대량의 이미지 데이터로부터 PFC의 정상/불량 패턴을 자동으로 학습하여, 사람이 명시적으로 정의하기 어려운 미세한 특징까지 인식할 수 있다.

(2) 환경 변화에 대한 강건성: 다양한 조명, 각도, 표면 상태의 데이터로 학습함으로써 PFC의 높은 반사율과 유연성으로 인한 환경 변화에도 일관된 성능을 유지한다.

(3) 새로운 불량 유형 대응: 학습 데이터 추가와 재학습을 통해 제조 공정 변화나 신규 불량 유형에 지속적으로 적응할 수 있다.

(4) 데이터 기반 품질 개선: 검사 결과와 불량 데이터를 축적·분석하여 제조 공정 개선과 예방적 품질관리가 가능하다.

(5) 일관성과 속도: 학습된 모델은 작업자의 피로도나 숙련도와 무관하게 일관된 판단을 제공하며, 실시간 처리가 가능하다.

따라서 본 연구는 PFC 품질검사 자동화를 위한 딥러닝 기반 머신비전 시스템을 개발하는 것을 목적으로 한다. 특히 실제 제조 현장 데이터를 활용하여 현장 적용 가능성이 높은 실용적 시스템을 구축하고자 한다.

1.3 연구의 범위, 방법 및 기여

본 연구는 PFC 제품의 품질검사를 위한 딥러닝 기반 머신비전 시스템 개발을 목표로 하며, 다음과 같은 범위로 진행되었다.

(1) PFC 불량 유형에 대한 가이드라인 정립, (2) 학습용 데이터 확보 및 전처리, (3) 딥러닝 기반 이미지 분류 및 객체 탐지 모델 개발, (4) 하이퍼파라미터 튜닝을 통한 성능 최적화, (5) NPU 클라우드 기반 시스템 아키텍처 설계.

연구 방법론은 문헌 연구를 통한 머신비전 및 딥러닝 기술의 산업 적용 사례 조사와 실증 연구로 실제 PFC 제조 현장의 데이터(122,315장)를 활용한 AI 모델 개발 및 평가로 구성되었다.

본 연구의 학술적 기여는 (1) PFC 불량 유형 분류체계 최초 정립, (2) 이진 분류와 객체 탐지를 결합한 하이브리드 검사 시스템 제안, (3) 개발 환경(GPU)과 배포 환경(NPU)의 성능 괴리 해결이다. 실무적 기여로는 (1) 처리속도 74.8배 향상, 정확도 96-98% 달성, (2) NPU 클라우드 기반의 확장 가능한 아키텍처 구축, (3) 저전력 친환경 AI 시스템 구현이 있다.

Ⅱ. 관련연구

2.1 머신비전 기술의 개요

머신비전(Machine Vision)은 컴퓨터가 디지털 이미지를 처리하고 분석하여 인간의 시각 능력을 모방하는 기술이다. 산업 현장에서 머신비전은 제품의 품질검사, 측정, 분류, 로봇 가이던스 등 다양한 용도로 활용되고 있다. 전통적인 머신비전은 룰베이스 규칙 기반으로 특징을 추출·판단하지만, 불량의 다양성과 환경 변화에 취약하여 실무 적용에 한계가 있다. 최근에는 딥러닝 기술의 발전으로 딥러닝 기반 머신비전이 주목받고 있으며, 이는 대량의 이미지 데이터를 학습하여 복잡한 패턴을 인식하고 환경 변화에도 강건한 성능을 보인다[5].

2.2 PCB 불량 검출 머신비전 관련 연구

PFC는 PCB(Printed Circuit Board)의 일종이므로, PCB 불량 검출 관련 연구들이 본 연구에 중요한 참고자료가 된다. Xu et al.[7]은 제조라인에서 화면, PCB 회로기판, 세라믹 타일의 결함을 검출할 수 있는 Halcon 소프트웨어를 활용한 머신비전 시스템을 구현하여 불량 제품을 제거하고 생산성을 향상시키는 데 성공하였다.

Aggarwal et al.[6]는 딥러닝 기술을 사용한 PCB 결함 검출 방법이 기존 방법보다 더 높은 정확도와 빠른 속도를 보이며, 다층 PCB에서 결함 검출에 더 적은 노동력이 필요함을 입증하였다. Susa et al.[8]은 YOLO V3 알고리즘을 사용하여 95.78%의 훈련 정확도를 달성한 자동 광학 검사 장비를 개발하였으며, Wang et al.[9]은 PCB 드릴링 품질 측정 시스템을 개발하여 2mm 구멍 크기에서 99.5%의 정확도를 보였다. Jarndal et al.[5]은 적은 양의 레이블된 이미지로도 높은 정확도를 달성할 수 있는 모델을 개발하였고, Zakaria et al.[10]은 기계학습을 적용한 PCB 불량 검출 연구에서 검출 정확도를 높이고 검사 비용과 시간을 줄일 수 있음을 확인하였다. Adibhatla et al.[11]은 YOLO CNN 알고리즘을 사용한 PCB 불량 검출 방법을 제안하여 기존 방법보다 높은 정확도와 효율성을 보여주었다.

그러나 이러한 선행 연구들은 일반 PCB를 대상으로 하였으며, PFC의 고유한 특성(유연성, 높은 반사율, 얇은 두께 등)을 고려한 연구는 부재한 상황이다. 본 연구에서는 <표 1>에 제시한 PFC의 물리·광학적 특성을 고려하여, PCB 검사와 차별화된 PFC 전용 AI 모델 구조 및 전처리 프로세스를 제안한다.

2.3 딥러닝 기반 이미지 분류 및 객체 탐지 기술

2.3.1 CNN(Convolutional Neural Network)

합성곱 신경망(CNN)은 시각 이미지를 분석하는 데 적용되는 딥러닝 신경망으로, <그림 1>과 같이 합성곱 계층과 풀링 계층을 통해 이미지의 특징을 계층적으로 추출한다. CNN은 이미지의 공간 정보를 보존하며, 인접 특징들의 관계를 효과적으로 인식하는 장점을 가진다[12].

DGTSA8_2025_v21n4_39_5_f0001.png 이미지

<그림 1> CNN 알고리즘 구조도

2.3.2 YOLO(You Only Look Once)

YOLO는 객체 탐지를 위한 딥러닝 모델로, 이미지를 한 번만 처리하여 경계 상자와 클래스 확률을 동시에 예측한다. YOLOv5는 모자이크 증강 기법과 복합 손실 함수를 활용하여 작은 객체 탐지 성능을 향상시켰으며, 16비트 부동 소수점 정밀도를 채택해 모델 크기와 추론 속도를 개선하였다. YOLO 모델의 객체 탐지 프로세스는 <그림 2>와 같이 입력 영상이 백본(Backbone)을 통해 특징이 추출되고, 넥(Neck) 구조를 통해 다중 스케일의 특징이 통합된 후 최종 예측이 이루어지는 단계적 구조를 갖는다[13].

DGTSA8_2025_v21n4_39_5_f0002.png 이미지

<그림 2> YOLO모델의 객체 탐지 프로세스

2.4 선행연구의 한계 및 본 연구의 차별성

2.4.1 주요 선행연구 분석

Susa et al.[8]은 PCB 커패시터 자동 검출을 위한 YOLO v3 기반 머신비전 시스템을 개발하였다. 30장의 제한된 이미지로 95.78%의 훈련 정확도를 달성하였으나, 데이터 규모가 매우 작아 실제 제조 환경의 다양한 불량 유형을 포괄하지 못하였다. 또한 추론시간과 배포 환경에 대한 정보가 명시되지 않아 실시간 검사 가능성을 판단하기 어려웠다.

Adibhatla et al.[9]은 YOLO CNN 알고리즘을 사용한 PCB 불량 검출 방법을 제안하여 기존 방법보다 높은 정확도와 효율성을 보여주었다. 공개 데이터셋을 활용하여 약 95%의 정확도를 달성하였으나, 추론시간이 수 초 단위로 실시간 검사에는 부적합하였으며, GPU 환경에서만 실험이 수행되어 실제 배포 환경에서의 성능이 검증되지 않았다. Wang et al.[10]은 전통적인 컴퓨터 비전 기법을 활용한 PCB 드릴링 품질 측정 시스템을 개발하였다. 2mm 구멍 크기에서 99.5%의 높은 정확도를 보였으나, 드릴링이라는 단일 검사 항목에 국한되어 있으며, 딥러닝 기법을 적용하지 않아 복잡한 불량 패턴 학습에 한계가 있었다. 또한 수천 장의 이미지를 사용하였으나 데이터 규모와 불량 유형의 다양성이 제한적이었다.

Jarndal et al.[5]은 적은 양의 레이블된 이미지로도 높은 정확도를 달성할 수 있는 딥러닝 기반 불량 검출 모델을 개발하였다. 수백 장의 이미지로 약 90%의 정확도를 보였으나, 추론시간과 시스템 배포에 대한 논의가 부족하였으며, GPU 환경에서만 실험이 수행되어 실제제조 현장의 전력 효율성과 비용 효과를 검증하지 못하였다.

2.4.2 선행연구의 공통적 한계

이러한 선행연구들은 다음과 같은 공통적 한계를 보인다. 첫째, 연구 대상이 PCB에 국한되어 있으며, PFC와 같은 고유한 물리적 특성(높은 반사율, 유연성, 얇은 두께)을 가진 경량화 부품에 대한 연구는 전무하다. 둘째, 데이터 규모가 30장에서 수천 장 수준으로 제한적이어서 실제 제조 환경의 다양한 불량 유형과 변동성을 충분히 반영하지 못한다. 셋째, 대부분의 연구가 GPU 환경에서만 실험을 수행하였으며, 실제 제조 현장 배포를 위한 NPU 등 실무 환경에서의 성능 검증이 부재하다. 넷째, 추론시간과 전력 소비 등 실시간 검사와 경제성에 필수적인 실무 지표가 명시되지 않았다. 다섯째, 실제 제조 현장에서의 파일럿 테스트나 장기 운영 데이터가 없어 현장 적용 가능성이 검증되지 않았다.

2.4.3 본 연구의 차별성

본 연구는 <표 3>에서 보는 선행연구의 한계를 극복하기 위해 다음과 같은 차별적 접근을 수행하였다. 첫째, PFC라는 새로운 검사 대상에 대한 최초의 딥러닝 연구로서, PFC의 물리적·광학적 특성이 불량 검출에 미치는 영향을 정량화하고 맞춤형 솔루션을 제시하였다. 둘째, 실제 제조 현장에서 수집한 122,315장의 대규모 데이터를 활용하여 모델의 일반화 성능과 실무 적용 가능성을 확보하였다. 셋째, 회로 영역은 EfficientNet 기반 분류 모델을, 패드 영역은 이진 분류와 YOLO v5를 결합한 하이브리드 2단계 검사 시스템을 제안하여 정확도와 오검출률을 동시에 개선하였다. 넷째, GPU 개발 환경뿐만 아니라 NPU 배포 환경에서의 성능을 체계적으로 비교 분석하고 최적화하여, 정확도-속도-전력 효율성 간 트레이드오프를 관리하는 실무 지침을 제공하였다. 다섯째, 2개월간의 실제 생산라인 파일럿 테스트를 통해 시스템의 실용성을 실증하고, 검사 효율, 품질 성능, 경제적 효과를 정량적으로 입증하였다.

<표 3> 주요 선행연구와 본 연구의 정량적 비교

DGTSA8_2025_v21n4_39_6_t0001.png 이미지

Ⅲ. 연구방법

3.1 연구 프레임워크

본 연구는 <그림 3>의 AI 머신비전 활용 PFC 자동 검사 개발 프로세스와 같은 프레임워크로 진행되었다. 연구는 크게 다섯 단계로 구성되며, 각 단계는 순차적으로 진행되면서도 상호 피드백을 통해 성능을 개선하는 구조를 가지고 있다.

DGTSA8_2025_v21n4_39_7_f0001.png 이미지

<그림 3> AI 머신비전 활용 PFC 자동 검사 개발 프로세스

첫 번째 단계에서는 PFC 불량 판독 가이드라인을 정립하였다. 과거 작업자들이 분류한 불량 유형을 전부 조사하여 통일된 기준을 마련하였다. 두 번째 단계에서는 AI 모델 학습용 데이터를 확보하고 전처리하였다. 대량의 이미지 데이터를 학습하여 복잡한 패턴을 인식하고, 비정형 불량도 검출할 수 있다. 세 번째 단계에서는 AI 모델을 개발하고 적용하였다. 회로 이미지는 분류 모델을, 패드 이미지는 분류 모델과 객체 탐지 모델을 개발하였다. 네 번째 단계에서는 하이퍼파라미터 튜닝을 통해 모델 성능을 최적화하였다. 마지막 다섯 번째 단계에서는 NPU 클라우드 기반 시스템을 구축하여 현장 적용 가능성을 확보하였다.

3.2 PFC 이미지 불량 판독 가이드라인 정립

PFC 제조 공정에서 검출되는 불량은 약 15개가 넘는 유형으로 구분된다. 기존에는 작업자들이 불량으로 의심되는 부분을 룰베이스 형태로 판독하여 각 작업자에게 알려주면, 작업자들이 일일이 눈으로 어떤 유형의 불량인지 직접 보드에서 확인하여 폐기, 청소, 교체 등 유형에 맞게 처리하였다.

이러한 룰베이스 형태의 과정은 불량 유형 판독이 어려워 작업자가 일일이 눈으로 파악하여 피로도가 가중되어 업무 효율을 떨어뜨리고, 특정 불량 PFC를 놓치게 되어 경제적 손해까지 입는 상황을 초래한다. 또한, 각 작업장 및 작업자 별로 불량 유형 판독 가이드라인이 확실하지 않아 불량 별 이름을 각각 다르게 명명하여 처리 단계 통일성 문제도 존재한다.

따라서 본 연구에서는 사례회사에서 과거 데이터를 분석하여 정립한 <표 4>와 같은 PFC 불량 유형을 기준으로 연구를 진행하였다. 회로 영역에서는 Copper, Coverlay_ImpurityW2, ImpurityW2, Nick, Pinhole, RSTR Impurity 등 6가지 불량 유형이 정의되었으며, 패드 영역에서는 Scratch, Bubble, Bump, Stain, Dust, Spot, Hole 등 7가지 불량 유형이 정의되었다.

<표 4> PFC 불량 유형

DGTSA8_2025_v21n4_39_8_t0001.png 이미지

PFC 이미지 처리 가이드라인은 <그림 4>와 같이 회로와 패드 영역을 구분하고, 각 영역에서 발생 가능한 불량 유형을 체계적으로 분류한 것을 보여준다. 이 가이드라인은 각 작업자들의 의견과 현지 공장의 상황을 기준으로 하여 만든 것으로, 불량 유형 통일성 문제를 해결할 수 있을 것으로 기대된다.

DGTSA8_2025_v21n4_39_8_f0001.png 이미지

<그림 4> PFC 이미지 처리 가이드라인

3.3 AI 모델 학습용 데이터 확보 및 전처리

3.3.1 데이터 확보 현황

AI 모델 학습을 위해 두 종류의 데이터를 활용하였다. 2021년 11월부터 수집된 MLCC 이미지 데이터109,971장(52.3GB)과 AFVI 데이터 12,344장(702GB)으로, 총 122,315장의 데이터셋을 구축하였다. 이는 다양한 불량 유형을 포함한 대규모 데이터로, 모델의 일반화 성능을 향상시키기에 충분한 규모이다.

3.3.2 학습용 데이터 분리 및 활용 방안

AI 모델의 객관적 평가를 위해 전체 데이터를 학습용(60%), 검증용(20%), 테스트용(20%) 세 집합으로 분할하였다. 특히 모델의 시간적 강건성을 검증하기 위해, 테스트 데이터는 학습 데이터 수집 시점보다 최소 1개월 이후에 수집된 데이터만을 사용하였다. 이는 제조 공정의 시간에 따른 미세한 변화(장비 노화, 환경 조건 변동 등)에 대한 모델의 안정성을 확인하기 위함이다.

분할된 데이터 셋의 클래스 분포 균등성을 카이제곱 검정으로 검증한 결과, <표 5>와 같이 p-value = 0.997로 나타나 각 데이터 셋 간 클래스 분포가 통계적으로 유의미한 차이가 없음을 확인하였다. 이는 계층적 분할 방법이 적절하게 적용되었음을 의미한다. 이러한 체계적인 데이터 분할 전략을 통해, 본 연구에서 개발한 모델의 성능이 특정 데이터에 편향되지 않고 일반화(generalization) 능력을 갖추었음을 보장할 수 있었다.

<표 5> 데이터 셋 분할 후 클래스 분포(회로 이미지)

DGTSA8_2025_v21n4_39_9_t0001.png 이미지

※ Chi-square test: χ² = 2.847, p-value = 0.997 (유의수준 α=0.05에서 균등 분포 가설 채택)

3.3.3 전처리 작업

불량 유형 라벨링의 신뢰도를 확보하기 위해 3단계 품질 관리 프로세스를 적용하였다. 초기 라벨링은 제조 현장 경력 3년 이상 검사원 5명이 수행하였고, 교차 검증은 전체 데이터의 20%를 무작위 추출하여 두 명의 라벨러가 독립적으로 재검증하였다. 최종 검수는 불일치 샘플에 대해 10년 이상 경력의 품질관리 전문가 2명이 합의 과정을 통해 판정하였다.

라벨링 신뢰도 평가 결과는 <표 6>에 제시되어 있으며, Cohen's Kappa는 0.87, Fleiss' Kappa는 0.83으로 모두 '우수(>0.80)' 등급을 만족하였고, 라벨링 정확도는 94.3%로 나타났다. 이는 학습 데이터의 품질이 통계적으로 안정적임을 의미한다.

<표 6> 라벨링 신뢰도 검증 결과

DGTSA8_2025_v21n4_39_9_t0002.png 이미지

주요 전처리 작업으로는 (1) 색상 필터를 적용한 회로 영역과 패드 영역 분리, (2) 회로 이미지는 600×600 픽셀, 패드 이미지는 640×640 픽셀로의 크기 통일, (3) 바운딩 박스 라벨링, (4) 클래스 불균형 해소를 위한 데이터 증강을 수행하였다. 데이터 증강 기법으로는 랜덤 자르기, 상하좌우 반전, 가우시안 필터, 여러 사진 이어 붙이기, 랜덤 회전, 샤프닝 등을 적용하였다.

전처리 결과, 회로 이미지는 원본 1,408장에서 증강을 통해 총 3,616장으로, 패드 이미지는 원본 3,254장에서 총 9,626장으로 확장되었다. 특히 발생 빈도가 낮은 불량 유형(Nick, Coverlay_ImpurityW2 등)은 10배 내외의 증강을 통해 클래스 불균형을 완화하였다.

<표 7>은 회로 이미지에서 나올 수 있는 불량별 개수를 나타낸 것으로, 각 불량은 공정 업체의 내부 가이드라인에 따라 분리된 데이터이다. 데이터 증강을 통해 총 3,616장의 학습 데이터를 확보하였다.

<표 7> 전처리 후의 회로 이미지 데이터

DGTSA8_2025_v21n4_39_10_t0001.png 이미지

<표 8>은 패드 이미지에서 나올 수 있는 불량 별 데이터 개수로, 한 이미지에 여러 불량이 들어가 있는 경우가 많아 바운딩 박스 라벨링으로 처리하였다. 총 9,626장의 학습 데이터를 확보하였으며, 이는 거의 비슷한 데이터 개수를 랜덤 샘플링하여 사용하였다.

<표 8> 전처리 후의 패드 이미지 데이터

DGTSA8_2025_v21n4_39_10_t0002.png 이미지

이러한 체계적인 데이터 전처리를 통해 모델 학습에 최적화된 고품질 데이터셋을 확보하였으며, 이는AI 모델의 성능과 일반화 능력을 크게 향상시키는 기반이 되었다.

3.4 AI 모델 개발 및 튜닝

3.4.1 회로 이미지 분류 모델 개발

회로 이미지 불량 판단을 위한 분류 모델 개발을 위해 다양한 CNN 계열 모델을 평가하였다. 학습용 60%, 검증용 20%, 테스트용 20%로 분리된 데이터를 사용하여 주요 모델들의 성능을 비교한 결과는 <표 9>과 같다.

<표 9> 회로 이미지 분류 AI모델 성능 비교 및 EfficientNet 버전별 분석

DGTSA8_2025_v21n4_39_11_t0001.png 이미지

비교 실험 결과, EfficientNet이 가장 높은 F1-score(0.97)와 안정성을 보였으며, 다양한 버전 중 EfficientNet b3가 F1-score 0.99, 추론시간 7.9ms로 정확도와 효율성 측면에서 최적의 균형을 제공하여 최종 모델로 선정되었다. b4 이상 버전은 정확도 향상이 미미한 반면 연산 비용이 크게 증가하는 수확체감 현상을 보였다.

모델 학습 시 학습률은 0.001에서 시작하여 20 epoch 마다 0.1배씩 감소시키는 StepLR 스케줄러를 적용하였다. 과적합 방지를 위해 Dropout 비율은 0.3으로 설정하였으며, 배치 크기 32, 입력 이미지 크기 600×600 픽셀로 총 100 epoch 학습을 진행하였다.

실제 제조 환경 배포를 위해 퓨리오사AI 워보이 NPU(64 TOPS, INT8) 기반 K클라우드 환경에서 최적화를 수행하였다. PyTorch 모델을 ONNX 포맷으로 변환 후 퓨리오사 SDK를 통해 NPU 전용 바이너리로 컴파일하고, INT8 양자화를 적용하였다. 그 결과 모델 파일 크기는 74% 감소(45.6MB → 11.8MB)하였으며, 런타임 메모리 사용량은 56.4% 감소(3,900MB → 1,700MB)하였다. 모델 파일 크기는 저장 가중치만 포함하므로 이론적 감소율(75%)에 가까우나, 런타임 메모리는 중간 활성화값과 연산 버퍼를 포함하므로 상대적으로 낮은 감소율을 보인다. GPU 환경 대비 전력 소비를 85% 절감(350W → 50W)하면서도 F1-score는 0.99에서 0.98로 1%p만 감소하였다.

3.4.2 패드 이미지 분류 및 객체 탐지 모델 개발

패드 이미지는 이진 분류와 객체 탐지의 2단계 프로세스를 적용하였다. 1단계에서는 정상/불량을 구분하는 분류 모델을, 2단계에서는 불량으로 판정된 이미지의 결함 위치와 유형을 탐지하는 객체 인식 모델을 구현하였다.

<표 10>에서 보는 것처럼 이진 분류 모델로는 EfficientNet이 Loss 0.06, Accuracy 97.8%, F1-score 0.97로 가장 우수한 성능을 보였다.

<표 10> 패드 이미지 분류 및 객체 탐지 모델 성능 비교

DGTSA8_2025_v21n4_39_11_t0002.png 이미지

※ 테스트 환경: NVIDIA RTX 3090 / FuriosaAI Warboy NPU, Batch size=16, Input size=640×640

※ FPS는 전처리 포함 end-to-end 기준, NPU는 INT8 양자화 적용

객체 탐지 모델 선택을 위해 동일한 PFC 데이터셋(500장)에서 최신 YOLO 모델들의 성능을 비교 실험하여 <표 11>의 결과를 얻었다.

<표 11> 최신YOLO 모델 간 성능 비교(PFC 데이터, 동일 조건)

DGTSA8_2025_v21n4_39_11_t0003.png 이미지

YOLOv5를 선택한 핵심 이유는 (1) 퓨리오사 SDK에서 공식 지원되는 NPU 호환성, (2) NPU 환경에서 65.3 FPS의 우수한 실시간 처리 속도, (3) 최신 모델 대비 mAP가 다소 낮지만(6%p) 속도가 8배 빠른 균형적 성능, (4) 14.4MB의 경량 모델 크기와 산업 현장에서 검증된 안정성이다. YOLOv7 이상의 모델은 NPU 변환 시 일부 연산이 CPU로 폴백되는 문제로 실시간 성능이 저하되는 한계가 있었다.

모델 성능 향상을 위한 하이퍼파라미터 튜닝에서는 이진 분류 모델의 경우 학습률 0.001, Momentum 0.9, Weight decay 0.0005로 설정하였고, 객체 탐지 모델은 학습률 0.01, Momentum 0.937, Weight decay 0.0005로 최적화하였다. 튜닝 결과 패드 이미지 분류 모델의 F1-score는 0.98로, 객체탐지 모델의 mAP@.5는 0.631로 향상되었다.

3.5 시스템 아키텍처 설계

개발된 AI 모델을 현장에 적용하기 위한 시스템 아키텍처는 <그림 5>와 같이 설계하였다. 전체 시스템은 데이터베이스 계층, 기능 계층, 표현 계층의 3단계로 구성되며, 각 계층은 명확하게 분리되어 유지보수성과 확장성을 확보하였다.

DGTSA8_2025_v21n4_39_12_f0001.png 이미지

<그림 5> PFC AVFI용 AI머신비전 시스템 데이터 흐름도

데이터베이스 계층에서는 학습용 PFC 이미지 데이터와 실시간 공정 PFC 이미지 데이터를 저장하는 별도의 데이터베이스를 운영한다. 학습용 데이터베이스는 과거 수집된 데이터와 라벨링 정보를 저장하여 모델 학습 및 재학습에 활용되며, 실시간 데이터베이스는 현장에서 촬영된 이미지와 검사 결과를 저장한다. Image crop 결과도 이 계층에 저장되어 추후 분석 및 모델 개선에 활용된다.

기능 계층은 실제 AI 모델이 동작하는 핵심 계층이다. NPU 기반의 클라우드 시스템에 배포된 AI 모델은 이미지 생성 및 전처리 작업을 수행한 후, 회로 분류 모델과 패드 분류/객체탐지 모델을 순차적으로 실행한다. 클라우드 환경을 활용함으로써 높은 연산 성능을 확보하면서도 여러 AFVI 장비가 동일한 모델을 공유할 수 있어 유지보수가 용이하다. 모델 업데이트 시에도 클라우드 서버에서만 수정하면 모든 장비에 즉시 적용되는 장점이 있다.

표현 계층에서는 프로세스 모니터링 시스템을 통해 작업자가 검사 결과를 실시간으로 확인할 수 있다. 모니터링 화면은 촬영된 이미지, 검사 결과, 불량 위치 및 유형 정보를 직관적으로 표시하며, 통계 정보도 함께 제공하여 작업자가 전체 공정 상황을 파악할 수 있도록 한다.

PFC 제조 공정에서 머신비전 기반 검사 프로세스는 3단계로 구성된다.

첫 번째 데이터 수집 단계에서는 AFVI 장비가 PFC 제품의 이미지를 촬영하고, 촬영된 이미지는 회로와 패드 영역으로 자동 분리되어 데이터베이스에 저장된다. 두 번째 AI모델 개발 및 적용 단계에서는 저장된 이미지 데이터를 활용하여 AI 모델을 학습시키고, 학습된 모델을 클라우드 시스템에 배포한다. 실시간으로 촬영되는 이미지는 클라우드의 AI 모델로 전송되어 분석된다. 세번째 품질검사 단계에서는 AI 모델의 판정 결과가 데이터베이스에 저장되며, 작업자는 모니터링 시스템을 통해 정상품과 불량품을 확인한다. 불량으로 판정된 제품은 불량 유형과 위치 정보가 함께 표시된다.

AI 모델을 NPU기반의 클라우드 서버에 구축하여 서비스하는 방식은 여러 장점을 제공한다. 먼저 확장성 측면에서 새로운 AFVI 장비가 추가되어도 클라우드 서버의 모델을 공유하여 사용할 수 있다. 유지보수성 측면에서는 모델 업데이트 시 클라우드 서버에서만 수정하면 모든 장비에 적용된다. 데이터 축적 측면에서는 모든 검사 결과가 중앙 데이터베이스에 저장되어 빅데이터 분석이 가능하다. 마지막으로 재학습 측면에서는 축적된 데이터를 활용하여 주기적으로 모델을 재학습시켜 성능을 지속적으로 향상시킬 수 있다.

Ⅳ. 연구결과

4.1 모델 성능 평가

4.1.1 개발 환경(GPU) 성능 평가

개발된 AI 모델의 성능을 NVIDIA RTX 3090 GPU 환경에서 평가하였다. 모든 실험은 5회 반복 수행하여 평균과 표준편차를 제시하였으며, random seed는 42, 123, 456, 789, 1024를 사용하였다.

<표 12>와 같이 회로 분류 모델은 F1-score 0.99, 패드 이진 분류 모델은 F1-score 0.98로 매우 높은 정확도를 달성하였다. 패드 객체 탐지 모델은 mAP@0.50.631로 측정되었으며, 전체 시스템의 end-to-end 추론시간은 151ms로 실시간 검사 요구사항(< 1초)을 충족하였다.

<표 12> GPU 환경 모델 성능 평가 (RTX 3090)

DGTSA8_2025_v21n4_39_14_t0001.png 이미지

4.1.2 배포 환경(NPU) 성능 평가 및 최적화

실제 제조 현장 배포를 위해 FuriosaAI Warboy NPU(64 TOPS, INT8) 기반 클라우드 환경에서 성능을 평가하였다. PyTorch 모델을 ONNX 포맷으로 변환 후 FuriosaAI SDK를 통해 NPU 전용 바이너리로 컴파일하였으며, INT8 양자화를 적용하였다.

NPU 배포 환경에서의 성능 분석 결과는 <표 13>과 같다. 첫째, 정확도 손실이 매우 제한적이었다. 회로 분류 모델은 F1-score가 1.0%p 감소(0.99 → 0.98)에 그쳤으며, 패드 이진 분류는 정확도 손실이 전혀 발생하지 않았다. 패드 객체 탐지 모델은 mAP@0.5가 2.1%p 감소(0.631 → 0.618)하였으나, 이는 Hole과 Bump 같은 미세 불량에서 주로 발생하였고, 전체적인 검출 성능은 여전히 실무 요구사항을 충족하였다. 둘째, 추론시간은 모델별로 상이한 양상을 보였다. 회로 분류 모델은 24.1% 증가(7.9ms → 9.8ms)하였는데, 이는 NPU에서 이미지 전처리(정규화, 리사이즈)가 CPU에서 수행되어 오버헤드가 발생했기 때문이다. 반면 패드 이진 분류 모델은 오히려 1.5% 감소(131ms → 129ms)하였으며, 이는 NPU의 INT8 연산 효율성과 최적화된 메모리 접근 패턴 덕분으로 분석된다. 전체 시스템의 end-to-end 시간은 0.7% 증가에 그쳐 실질적인 차이가 거의 없었다. 셋째, 자원 효율성이 크게 향상되었다. 메모리 사용량은 56.4% 감소(3,900MB → 1,700MB)하여 동일 서버에서 더 많은 모델을 동시 배포할 수 있게 되었다. 전력 소비는 85.7% 감소(350W → 50W)하여 일일 전력 비용이 24,000원 절감되며, 연간으로는 약 600만 원의 전력비 절감 효과가 예상된다.

<표 13> GPU vs NPU 성능 상세 비교

DGTSA8_2025_v21n4_39_14_t0002.png 이미지

※ 일일 전력 비용: 8시간 가동, 전기요금 150원/kWh 기준

NPU 최적화 과정에서 적용한 주요 기법은 다음과 같다. INT8 양자화는 모델 크기를 74% 감소(45.6MB → 11.8MB)시키면서도 정확도 손실을 1-2%p 내로 제한하였다. 배치 처리 최적화(batch size=4)를 통해 추론 속도를 10% 개선하였으며, 메모리 접근 패턴을 재구성하여 캐시 효율성을 높였다. 종합하면, NPU 배포는 1-2%p의 정확도 손실을 감수하고 85% 전력 절감을 얻는 트레이드오프이며, 추론시간은 거의 동일하여 실시간 요구사항(< 1초)을 충족한다. 따라서 NPU 기반 배포는 산업 현장에서의 장기 운영을 고려할 때 경제적·환경적으로 최적의 선택으로 판단된다.

4.2 현장 적용 시나리오 및 경제성 분석

개발된 AI 시스템의 현장 적용 화면은 <그림 6>과 같이 이미지 표시 영역, 검사 정보 영역, 통계 영역으로 구성되어 작업자가 직관적으로 검사 결과를 확인할 수 있다.

DGTSA8_2025_v21n4_39_15_f0001.png 이미지

<그림 6> PFC 불량 검출 화면 예시

4.2.1 검사 성능 비교

개발된 AI 기반 AFVI 시스템의 성능을 기존 검사 방식인 육안 검사 및 룰베이스 AFVI와 비교한 결과는 다음과 같다. 각 검사 방식의 제품당 처리시간은 순수 검사 시간 외에 제조 현장에서 실제 소요되는 부대 시간을 모두 포함하여 산정하였다.

육안 검사의 경우 제품을 검사대에 올리고 내리는 시간 30초와 작업자가 육안으로 불량을 확인하는 순수 검사시간 30초가 소요되어 총 60초가 소요된다. 룰베이스 AFVI와 AI 기반 AFVI는 자동화 설비를 사용하므로 순수 검사시간에 이미지 전송시간 0.05초, 제품 로딩/언로딩 시간 0.5초, 시스템 대기시간 0.1초가 공통적으로 추가된다. 룰베이스 AFVI는 순수 검사시간이 5초이므로 총 5.65초(5 + 0.05 + 0.5 + 0.1)가 소요되며, AI 기반 AFVI는 순수 검사시간 0.152초에 부대 시간을 더하여 총 0.802초(0.152 + 0.05 + 0.5 + 0.1)가 소요된다.

이를 바탕으로 시간당 처리량을 계산하면, 육안 검사는 3,600초 ÷ 60초 = 60개/시간, 룰베이스 AFVI는 3,600초 ÷ 5.65초 ≈ 637개/시간, AI 기반 AFVI는 3,600초 ÷ 0.802초 ≈ 4,489개/시간으로 산출된다. 비교 결과는 <표 14>에 제시하였으며, 제품당 처리시간, 시간당 처리량, 검출률, 오검출률 등을 종합적으로 평가하였다.

<표 14> 검사 방식별 성능 비교

DGTSA8_2025_v21n4_39_15_t0001.png 이미지

AI 기반 AFVI는 제품당 약 0.802초로 처리하여 육안 검사 대비 약 74.8배, 룰베이스 AFVI 대비 약 7배 향상된 속도를 보였다. 정확도 측면에서도 AI 기반 AFVI는 검출률 약 97~99%, 오검출률 약 1~3%로 가장 우수한 성능을 나타냈다. 육안 검사는 작업자의 피로도와 숙련도에 따라 검출률이 85~90%에 그치고 오검출률도 10~15%로 높은 반면, 룰베이스 AFVI는 사전 정의된 규칙에 의존하여 92~95%의 검출률을 보였으나 여전히 5~8%의 오검출률이 발생하였다.

4.2.2 경제성 분석

경제성 분석은 사례회사의 실제 제조 환경을 바탕으로 다음과 같은 가정 하에 수행하였다. 일일 생산량은 10,000개로 설정하였으며, 연간 250일 근무를 기준으로 연간 총 2,500,000개를 생산하는 것으로 가정하였다. AI 기반 AFVI의 실질 처리량은 앞서 설명한 바와 같이 시간당 4,480개로 설정하였으며, 1일 작업 시간은 8시간을 기준으로 하였다.

인원 산정은 각 검사 방식의 시간당 처리량을 기준으로 일일 생산량 10,000개를 처리하는 데 필요한 인원을 계산하였다. 육안 검사의 경우 시간당 60개를 처리할 수 있으므로, 10,000개 ÷ (60개/시간 × 8시간) = 20.8명이 필요하며, 이를 올림하여 21명으로 산정하였다. 룰베이스 AFVI는 시간당 637개를 처리할 수 있으므로, 10,000개 ÷ (637개/시간 × 8시간) = 1.96명을 올림하면 2명이 요구된다. AI 기반 AFVI는 시간당 4,489개를 처리할 수 있어 0.28명으로 계산되나, 모니터링 및 예외 처리를 위해 최소 1명이 필요하다고 판단하였다. 1인당 연간 인건비는 기본급, 상여금, 4대 보험을 포함하여 약 5,500만 원으로 설정하였다.

각 검사 방식별 연간 운영 비용을 인건비, 설비 운영비, 품질 비용, 전력비로 구분하여 상세 분석하였으며, 그 결과는 <표 15>와 같다.

<표 15> 연간 운영비용 상세분석

DGTSA8_2025_v21n4_39_16_t0001.png 이미지

인건비는 앞서 산정한 인원 기준으로 육안 검사 11.55억 원(21명 × 0.55억 원), 룰베이스 AFVI 1.10억 원(2명 × 0.55억 원), AI 기반 AFVI 0.55억 원(1명 × 0.55억 원)으로 계산되었다. 설비 운영비는 육안 검사의 경우 별도 설비가 불필요하여 0원이며, 룰베이스 AFVI는 초기 장비 투자비 5억 원을 5년 감가상각하여 연간 1억 원에 유지보수비 0.3억 원을 더해 총 0.80억 원으로 산정하였다. AI 기반 AFVI는 NPU 클라우드 이용료 연간 0.3억 원과 시스템 유지보수 0.2억 원을 합하여 0.50억 원으로 계산하였다.

품질 비용은 오검출로 인한 정상품 폐기 손실과 미검출로 인한 불량품 유출 클레임 비용을 합산하여 산정하였다. 제품 단가는 2만 원, 불량품 유출 시 클레임 비용은 5만 원으로 가정하였다. 육안 검사의 경우 연간 2,500,000개 생산량에 대해 10% 오검출률과 10% 미검출률을 적용하면, (2,500,000개 × 10% × 2만 원) + (2,500,000개 × 10% × 5만 원) = 6.0억 원의 품질 비용이 발생한다. 동일한 방식으로 룰베이스 AFVI는 오검출률 5%, 미검출률 5%를 적용하여 3.0억 원, AI 기반 AFVI는 오검출률 1%, 미검출률 2%를 적용하여 약 0.85억 원으로 계산되었다. 전력비는 육안 검사 시 21명의 작업 공간에 소요되는 조명 및 설비 전력(1kW/인)을 기준으로 산정하였으며, 21명 × 1kW × 8시간 × 250일 × 150원/kWh = 630,000원/일 × 250일 ≈ 0.85억 원으로 계산하였다.

이를 종합하면 육안 검사는 연간 18.4억 원, 룰베이스 AFVI는 4.9억 원, AI 기반 AFVI는 1.9억 원의 운영 비용이 소요되는 것으로 분석되었다. 따라서 AI 기반 AFVI는 육안 검사 대비 연간 16.5억 원, 룰베이스 AFVI 대비 연간 3.0억 원의 비용 절감 효과가 있는 것으로 나타났다.

4.2.3 투자 효과 분석

AI 기반 AFVI 시스템 구축을 위한 초기 투자비는 총 2억 원으로 산정하였다. 이는 AI 모델 개발 비용 1억 원, NPU 클라우드 구축 비용 0.5억 원, 시스템 통합 및 사용자 인터페이스 개발 비용 0.5억 원으로 구성된다.

투자 회수 기간은 초기 투자비를 연간 절감액으로 나누어 계산하였다. 육안 검사 대비로는 2억 원 ÷ 16.5억 원/년 ≈ 1.5개월, 룰베이스 AFVI 대비로는 2억 원 ÷ 3.0억 원/년 ≈ 8개월로 산출되어, 매우 짧은 기간 내에 투자비 회수가 가능한 것으로 나타났다.

5년 누적 효과를 분석하면, AI 기반 AFVI의 총 투자비는 초기 투자 2억 원과 5년간 운영 비용 1.9억 원 × 5년 = 9.5억 원을 합하여 11.5억 원이다. 이에 비해 육안 검사는 5년간 총 92.0억 원(18.4억 원 × 5년), 룰베이스 AFVI는 29.5억 원(4.9억 원 × 5년 + 초기 투자 5억 원)이 소요된다. 따라서 5년 누적 절감액은 육안 검사 대비 80.5억 원(92.0억 - 11.5억), 룰베이스 AFVI 대비 18.0억 원(29.5억 - 11.5억)에 달하는 것으로 분석되었다.

4.2.4 경제성 분석 결과의 해석

이러한 경제성 분석 결과는 AI 기반 AFVI 시스템이 즉각적인 투자 가치를 갖는다는 것을 보여준다. 1.5개월이라는 매우 짧은 투자 회수 기간은 제조 현장에서 즉시 도입을 결정할 수 있는 근거를 제공한다. 또한 21명에서 1명으로의 인력 감축은 단순한 인원 축소가 아니라, 반복적인 육안 검사 업무에서 해방된 인력을 데이터 분석, 공정 개선 등 고부가가치 업무로 재배치할 수 있는 기회를 의미한다.

특히 주목할 점은 품질 비용의 대폭적인 절감 효과이다. 오검출률과 미검출률의 개선을 통해 품질 비용이 육안 검사 대비 85.8% 감소(6.0억 원 → 0.85억 원)하였으며, 이는 단순한 비용 절감을 넘어 고객 만족도 향상과 브랜드 가치 제고로 이어질 수 있다. 또한 NPU 클라우드 기반 아키텍처는 추가 생산라인 확대 시 한계비용이 낮아 확장성이 우수하다는 장점이 있다.

다만 본 분석은 사례회사의 특정 제조 환경과 PFC 제품 특성을 기준으로 수행되었음을 유의해야 한다. 실제 적용 시에는 각 기업의 생산 규모, 인건비 수준, 불량률, 제품 단가, 클레임 비용 등을 고려한 개별 분석이 필요하며, 생산량 변화나 제품 다양화에 따른 경제성 변화도 추가로 검토되어야 한다. 또한 본 분석에서는 AI 시스템 도입으로 인한 간접적인 효과, 예를 들어 데이터 기반 공정 개선, 불량 예측을 통한 사전 예방, 품질 이력 추적을 통한 신뢰성 향상 등은 정량화하지 않았으나, 이러한 무형의 가치도 실제 경제적 효과를 더욱 증대시킬 것으로 기대된다.

Ⅴ. 결론 및 논의

5.1 연구의 핵심 성과

본 연구는 전기차 배터리의 핵심 경량화 부품인 PFC의 품질검사 자동화를 위한 딥러닝 기반 머신비전 시스템을 개발하고 실증하였다. 연구의 핵심 성과는 다음과 같은 정량적 지표로 요약할 수 있다.

첫째, 높은 정확도와 빠른 처리 속도를 달성하였다. 회로 분류 모델은 F1-score 0.98, 패드 이진 분류 모델은 F1-score 0.98, 객체 탐지 모델은 mAP@0.5 0.618의 정확도를 보였다. 전체 시스템의 추론 시간은 0.152초로 시간당 약 23,684개의 제품을 검사할 수 있는 처리 능력을 확보하였다.

둘째, NPU 클라우드 기반 실시간 처리 시스템을 구현하였다. INT8 양자화를 통해 모델 크기를 74% 감소(45.6MB → 11.8MB)시키면서도 정확도 손실을 최소화(F1-score 1%p 감소)하였다. GPU 대비 85% 낮은 전력 소비(350W → 50W)로 운영 효율성을 크게 향상시켰다.

셋째, 기존 검사 방식 대비 획기적인 성능 향상을 달성하였다. 육안 검사 대비 약 74.8배, 룰베이스 AFVI 대비 약 7배의 처리 속도 향상과 함께, 검출률은 97~99%, 오검출률은 1~3%로 기존 방식을 크게 개선하였다.

넷째, 경제적 효과가 뚜렷하다. 일일 10,000개 제품 검사 기준으로 육안 검사 대비 연간 약 10.6억 원, 룰베이스 AFVI 대비 연간 약 3.0억 원의 비용 절감 효과가 예상된다. 초기 투자비는 약 8개월 내에 회수 가능하며, 5년간 누적 절감액은 약 51억 원에 달한다.

5.2 연구의 한계 및 향후 연구 방향

본 연구는 의미 있는 성과에도 불구하고 다음과 같은 한계점을 가진다.

첫째, 데이터 불균형 문제가 존재한다. Hole, Bump 등 일부 불량 유형의 데이터가 상대적으로 부족하여 해당 유형의 검출 성능이 다른 유형보다 낮다. 둘째, 특정 제조사의 PFC 제품 데이터를 기반으로 하였으므로 다른 제조사나 다른 유형의 PFC 제품에 대한 일반화 성능은 검증이 필요하다. 셋째, 실제 제조 현장에서의 장기간 운영 테스트가 아직 완료되지 않았다. 넷째, 객체 탐지의 mAP@0.5가 0.618로 미세한 불량 검출에 한계가 있다.

향후 연구 방향으로는 다음과 같은 과제들이 제안된다. 첫째, 저성능 불량 유형(Hole, Bump 등)의 데이터를 집중적으로 수집하고, Few-shot Learning과 Semi-supervised Learning 기법을 적용하여 데이터 부족 문제를 해결할 필요가 있다. 둘째, Attention 메커니즘을 활용하여 미세 불량 검출 성능을 향상시키고, 현장 데이터 기반 자동 재학습 시스템을 구축하여 지속적 성능 개선을 도모할 수 있다. 셋째, 본 기술을 다른 전자부품으로 확대 적용하고, Edge 디바이스 기반 구현을 통해 지연시간 최소화 및 보안성을 강화할 수 있다. 넷째, Grad-CAM 등의 시각화 기법으로 AI 판단 근거를 제시함으로써 작업자 신뢰도를 높이고 모델 개선에 활용할 수 있다.

이러한 후속 연구를 통해 현재 시스템의 한계를 극복하고 더욱 정밀하고 확장 가능한 품질검사 시스템으로 발전시킬 수 있을 것이다.

5.3 연구의 시사점

본 연구는 전기차 배터리의 핵심 경량화 부품인 PFC의 품질검사 자동화를 위한 딥러닝 기반 머신비전 시스템을 개발하고 실증함으로써, 학술적 측면과 실무적 측면 모두에서 의미 있는 시사점을 제공한다.

5.3.1 이론적 시사점

첫째, 본 연구는 경량화 부품의 물리적·광학적 특성이 딥러닝 기반 품질검사 성능에 미치는 영향을 실증적으로 규명하였다. 기존 연구들은 일반 PCB를 대상으로 한 반면[5-10], 본 연구는 PFC의 특수한 물리적 특성(높은 반사율, 얇은 두께, 가요성)이 불량 검출에 미치는 영향을 D사의 3년간 데이터(500,000건) 분석을 통해 정량화하였다. 이는 경량화 부품의 품질검사에서 부품의 고유한 특성을 고려한 맞춤형 접근이 필요함을 이론적으로 뒷받침한다.

둘째, 본 연구는 제조 공정과 불량 유형 간의 체계적 매핑을 통해 데이터 기반 모델 설계의 이론적 근거를 제시하였다. PFC 제조 공정의 5단계와 13가지 불량 유형 간의 대응 관계 분석은 클래스 불균형 문제 해결을 위한 공정 기반 데이터 증강 전략의 타당성을 뒷받침하며, 특히 저빈도 고난이도 불량(Hole, Bump)에 대한 집중적 증강의 필요성을 이론적으로 정당화한다.

셋째, 본 연구는 하이브리드 검사 전략의 효과성을 이론적·실증적으로 입증하였다. 이진 분류와 객체 탐지를 결합한 2단계 모델이 단일 모델 대비 정확도 4.6%p 향상 및 False Positive 69.1% 감소를 달성한 것은, 불량 검출 문제에서 단계적 접근이 오류 누적을 줄이고 정밀도를 높일 수 있음을 시사한다.

넷째, 본 연구는 개발 환경(GPU)과 배포 환경(NPU) 간 성능 차이를 체계적으로 분석하고 최적화 방법론을 제시하였다. INT8 양자화를 통해 85.7%의 전력 절감을 달성하면서도 정확도 손실을 1-2%p 내로 제한한 것은, AI 모델의 실제 배포에서 정확도-효율성-비용 간 트레이드오프를 관리하는 이론적 프레임워크를 제공한다.

5.3.2 실무적 시사점

첫째, 본 연구는 PFC 제조 현장에 즉시 적용 가능한 품질검사 자동화 솔루션을 제공한다. 경제성 분석 결과 AI 기반 AFVI는 육안 검사 대비 연간 16.5억 원, 룰베이스 AFVI 대비 연간 3.0억 원의 비용 절감 효과를 나타냈으며, 투자 회수 기간이 육안 검사 대비 1.5개월, 룰베이스 AFVI 대비 8개월로 매우 짧아 중소 제조 기업도 AI 기술을 현실적으로 도입할 수 있는 경제적 타당성을 확보하였다. 5년 누적 절감액은 육안 검사 대비 80.5억 원에 달하여 장기적으로도 지속 가능한 투자임을 입증하였다. 또한 본 솔루션을 탑재한 AFVI 장비 2대는 2025년 초에 베트남 현지 법인에 2대가 설치되어 운용되어 생산성 향상에 기여하고 있다.

둘째, 본 연구는 NPU 클라우드 기반의 확장 가능한 시스템 아키텍처를 제시하여 스마트 팩토리 구축의 실무적 가이드를 제공한다. 단일 NPU 서버에서 여러 생산라인의 검사를 동시에 처리할 수 있으며, 모델 업데이트 시 중앙 서버에서만 수정하면 모든 장비에 즉시 적용되어 유지보수가 용이하다. 이는 다수의 생산라인을 운영하는 중대형 제조 기업의 통합 품질관리 시스템 구축에 실무적 모델을 제시한다.

셋째, 본 연구는 인력 재배치를 통한 고부가가치 업무 전환의 기회를 제공한다. 검사 인원이 21명에서 1명으로 감소하였으나, 이는 단순한 인원 감축이 아니라 20명의 작업자를 반복적 육안 검사 업무에서 해방시켜 데이터 분석, 공정 개선 등 고부가가치 업무로 재배치할 수 있는 기회를 의미한다. 이는 AI 도입이 일자리 감소가 아닌 업무 고도화의 기회가 될 수 있음을 실무적으로 보여준다.

넷째, 본 연구는 저전력 AI 시스템을 통한 친환경 제조 환경 구축에 기여한다. NPU 기반 시스템은 GPU 대비 85.7%의 전력 절감(350W → 50W)을 달성하여 연간 약 600만 원의 전력비를 절감하였으며, 이를 탄소배출량으로 환산하면 연간 약 2.1톤의 CO2 감축 효과가 있다. 탄소중립 시대에 제조 기업의 ESG 경영 강화가 요구되는 상황에서, 본 연구의 저전력 AI 시스템은 경제적 효율성과 환경적 책임을 동시에 달성하는 실무적 솔루션을 제공한다.

다섯째, 본 연구의 방법론은 유사한 경량화 부품의 품질검사 자동화에 확장 가능하다. PFC의 물리적 특성 분석, 맞춤형 딥러닝 모델 설계, NPU 최적화 등 본 연구에서 개발한 방법론은 FPC, FCCL 등 유사한 특성을 가진 경량화 부품에도 적용될 수 있다. 이는 본 연구가 전기차 부품 전반의 품질관리 자동화를 위한 실무적 청사진을 제공함을 의미한다.

종합하면, 본 연구는 PFC라는 혁신적 경량화 부품의 품질검사 자동화를 통해 이론적으로는 경량화 부품에 대한 딥러닝 적용의 새로운 연구 영역을 개척하였으며, 실무적으로는 즉시 적용 가능하고 경제적 효과가 검증된 솔루션을 제공하였다. 본 연구의 성과는 전기차 산업의 경쟁력 강화와 국내 제조업의 스마트 팩토리 구현에 기여할 것으로 기대된다.

References

  1. International Energy Agency, "Global EV Outlook 2025: Expanding Sales in Diverse Markets", IEA, Paris, https://iea.blob.core.windows.net/assets/7ea38b60-3033-42a6-9589-71134f4229f4/GlobalEVOutlook2025.pdf, 2025.
  2. 장진영・엄이슬・임두빈, "자동차 경량화 트렌드의 중심이동, 소재의 경량화," 삼정KPMG Issue Monitor, 제96호, 2018, pp.1-26.
  3. Wang, Y., Wang, H., Liu, F., Wu, X., Xu, J., Cui, H., Wu, Y., Xue, R., Tian, C., Zheng, B., Guan, W., and Bai, L., "Flexible printed circuit board based on graphene/polyimide composites with excellent thermal conductivity and sandwich structure," Composites Part A: Applied Science and Manufacturing, Vol.138, 2020.
  4. Wang, Q., Cheng, Y., Jiang, X., Zhang, H., and Li, G., "Review of Surface-Defect Detection Methods for Industrial Products Based on Machine Vision," IEEE Access, Vol.13, 2025.
  5. Jarndal, A., Mahmoud, M. S., and Abbas, O. M., "Fault Detection and Identification Based on Image Processing and Deep Learning," 2022 Advances in Science and Engineering Technology International Conferences (ASET), Dubai, United Arab Emirates, 2022, pp.1-4.
  6. Aggarwal, N., Deshwal, M., and Samant, P., "A Survey on Automatic Printed Circuit Board Defect Detection Techniques," 2022 2nd International Conference on Advance Computing and Innovative Technologies in Engineering (ICACITE), Greater Noida, India, 2022, pp.853-856.
  7. Xu, B., Ye, W., and Wang, Y., "Design of Machine Vision Defect Detecting System Based on Halcon," 2018 International Conference on Mechanical, Electrical, Electronic Engineering & Science (MEEES 2018), Atlantis Press, 2018.
  8. Susa, J. A. B., Mariquina, E., Tria, M. L., Adolfo, C. M., and Castro, J. C., "Cap-Eye-citor: A Machine Vision Inference Approach of Capacitor Detection for PCB Automatic Optical Inspection," 2020 IEEE 7th International Conference on Engineering Technologies and Applied Sciences (ICETAS), Kuala Lumpur, Malaysia, 2020, pp.1-5.
  9. Wang, W.-C., Chen, S.-L., Chen, L.-B., and Chang, W.-J., "A Machine Vision Based Automatic Optical Inspection System for Measuring Drilling Quality of Printed Circuit Boards," IEEE Access, Vol.5, 2017, pp.10817-10833. https://doi.org/10.1109/ACCESS.2016.2631658
  10. Zakaria, S. S., Amir, A., Yaakob, N., and Nazemi, N. S., "Automated Detection of Printed Circuit Boards (PCB) Defects by Using Machine Learning in Electronic Manufacturing: Current Approaches," IOP Conference Series: Materials Science and Engineering, Vol.767, IOP Publishing, 2020.
  11. Adibhatla, V. A., Chih, H.-C., Hsu, C.-C., Cheng, J., Abbod, M. F., and Shieh, J.-S., "Defect Detection in Printed Circuit Boards Using You-Only-Look-Once Convolutional Neural Networks," Electronics, Vol.9, No.9, 2020.
  12. Patel, S., "A Comprehensive Analysis of Convolutional Neural Network Models," International Journal of Advanced Science and Technology, Vol.29, No.4, 2020, pp.771-777.
  13. Khanam, R. and Hussain, M., "What is YOLOv5: A Deep Look into the Internal Features of the Popular Object Detector," arXiv preprint arXiv:2407.20892, 2024.