인공지능(AI) 기술의 발전에 따라 기업들은 스마트 팩토리 설비에 맞추어 생산 현장에 필요한 시설을 합리화하고, 생산 및 검사 공정에 AI를 적용하고 있다. 제조 생산 측면에서 AI-컴퓨터 비전은 기존의 규칙 기반 시스템을 대체할 수 있으며, 산업 현장에 경쟁력을 추가할 수 있다. 제조 산업에서의 혁신적인 비즈니스 관리 패러다임에 대응하기 위해 국내 제조 산업에서는 스마트 팩토리 구축의 발전이 진행 중이다. 이에 따라 산업 현장에 AI를 적용하는 제조 실행 시스템(MES)의 도입이 중요해지고 있다. 표면 실장 기술(surface mount technology, SMT) 하에서 가동되는 제조 라인의 맥락에서 전자 부품의 정밀한 정량화는 적시 공급망 관리와 효과적인 생산 출력에 매우 중요하다. 그러나 중소기업은 종종 부품을 정확히 계수하기 위한 정교한 시스템의 부재에 어려움을 겪는다. 기존의 X-ray 장비는 규칙 기반 알고리즘으로 작동하여 부품 수에 불일치가 발생하고 비효율이 유발된다. AI 딥러닝을 이용한 소형 객체 탐지는 생산 분야에서 유용한 기술이며 향후 다양한 분야에 적용될 수 있다. YOLOv5는 빠르고 고성능의 원 스테이지 객체 탐지 프로그램이다. YOLOv5는 기존 모델보다 더 가벼운 pytorch를 사용하며, 사용자가 쉽게 접근할 수 있다. 소형 객체를 더 잘 인식하기 위해 우리는 LyFormer 모델(LCTC, YOLO, Transformer)을 제안하였는데, 이는 기존 YOLOv5 네트워크에 1개의 레이어를 추가하고 1Head를 추가했으며, 변환기(transformer) 모듈을 삽입하고, 라벨 정규화, 상관(correlation), 국소 텍스처(local texture), 맥락(context) 특징 맵으로 데이터를 전처리하였다. 제안된 모델은 기존 YOLOv5 모델보다 더 높은 정확도와 속도를 보이는 개선 모델이다. 우리는 반도체 부품의 X-ray 영상을 촬영하고 개선된 제안 모델로 학습하여 우수한 성능을 얻었다. 이는 MES 고도화를 위해 생산과 연계하여 다수의 소형 장치를 갖춘 표면 실장 기술 산업의 검사 공정에 적용할 수 있다. 개선 제안 모델의 mAP 성능은 0.399에 비해 0.672로, 유의미한 향상이었다. 개선 모델의 정확도는 0.602인 YOLOv5 모델의 결과와 비교하여 0.915로 유의미한 향상이었으며, 릴(reel) 단위로 객체를 탐지할 수 있어 객체 추론을 위해 현장에 직접 적용할 수 있다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.