눈에 보이지 않는 1mm의 결함까지 AI는 어떻게 찾아낼까 (YOLO-SSW)

요약

정밀한 인쇄물 불량 탐지를 위해 고해상도 정보를 보존하고 효율적인 연산을 돕는 YOLO-SSW 모델 논물을 읽어보며, 모델의 핵심 기술과 실제 산업 현장 적용 가능성을 살펴봅니다.

 

제품을 생산하는 과정에서 품질 관리는 기업의 신뢰도와 직결되는 핵심 요소입니다. 특히 1mm도 되지 않는 미세한 흠집이 치명적인 오류로 이어지는 인쇄 회로 기판(PCB)이나 고품질 인쇄 공정은 검수 난이도가 매우 높습니다. 숙련된 작업자라 하더라도 장시간 반복되는 육안 검사에서는 피로도로 인해 실수를 할 가능성이 존재합니다. 이러한 배경에서 최근 학계와 산업계는 YOLO-SSW와 같은 고도화된 탐지 모델을 통해 검수 공정의 안정성을 확보하려는 노력을 기울이고 있습니다.

---

미세 불량 탐지가 유독 까다로운 이유

기존의 인공지능 모델들이 사진을 분석할 때 가장 먼저 하는 작업은 처리 속도를 위해 이미지 크기를 줄이는 것입니다. 크기를 줄이면 모델이 처리할 데이터가 크게 작아지기 때문에 성능이 올라가기 때문이지요. 하지만 이 과정에서 치명적인 문제가 발생하곤 합니다. 큼지막한 물체는 형체가 남지만, 바늘구멍보다 작은 인쇄 오류나 미세한 회로의 단선 정보는 압축 과정에서 노이즈로 취급되어 사라지기 때문입니다.

 

결국 해상도가 낮은 화면으로 글씨를 읽으려 하는 것과 비슷한 상황이 벌어집니다. 빠른 생산 속도를 맞추면서도 아주 작은 결함까지 잡아내야 하는 현장의 요구를 충족하기에는 기존 방식에 분명한 제약이 있었습니다.

---

YOLO-SSW 모델의 3가지 핵심 설계 원리

YOLO-SSW는 이러한 정보 손실 문제를 해결하기 위해 세 가지 구체적인 기술적 장치를 도입했습니다.

 

YOLO-SSW 모델 프레임워크

 

고해상도를 유지하는 P2 레이어

일반적인 모델은 이미지의 크기에 따라 32분의 1 크기까지 대폭 줄여서 분석하지만, 이 모델은 4분의 1 크기인 P2 레이어를 유지합니다. 이는 AI 모델이 아주 세밀한 픽셀 단위까지 끝까지 추적할 수 있도록 돕는 역할을 합니다. 기존 모델은 최대 8분의 1 크기인 P3 레이어 정도가 한계였다고 하는데, 더욱 정밀해진 덕분에 10x10 픽셀 미만의 초미세 타겟도 놓치지 않고 포착할 수 있는 기반이 마련됩니다.

 

정보를 효율적으로 압축하는 Conv-SPD

 

기존 모델은 컨볼루션 레이어를 구성할 때, 스트라이드 컨볼루션이라는 방법을 이용합니다. 이 방법은 이미지 크기를 줄일 때, 픽셀을 건너뛰어가며 체크하는 방식인데, 필연적으로 미세 데이터의 손실이 일어나게 됩니다. 그런데, YOLO-SSW는 비 스트라이드 컨볼루션을 활용하고 공간-깊이 변환(Space to Depth, SPD)을 함께 적용해 미세 데이터의 손실을 최소화한다고 합니다.

 

선택과 집중을 돕는 SimAM 어텐션

기존 컴퓨터 비전 모델들은 모든 데이터를 동일한 중요도로 판단했지만 YOLO-SSW 모델은 불량이 발생할 가능성이 높은 영역에 계산 자원을 우선적으로 할당합니다. 바로 SimAM이라는 기술 덕분인데요, 주변 픽셀과의 차이가 많이 나는 영역을 우선하도록 하기 때문에, 복잡한 추가 계산 장치 없이도 배경과 결함을 명확하게 구분하는 능력을 갖추고 있다고 합니다. 덕분에 상대적으로 가벼운 연산량으로 높은 분별력을 보여준다는 특징이 있습니다.

---

수치로 확인하는 실제 현장 도입 가능성

 

이 모델을 활용한 실험은 위 이미지와 같이 6가지 유형의 결함을 탐지하도록 했습니다.

 

 

실험 결과에 따르면 이 모델은 98.4%의 정밀도(mAP)를 기록하며, 기존 모델들에 비해 0.3%p 이상 향상되는 유효성을 증명했습니다. 하지만 현장에서 더 주목하는 지표는 바로 속도입니다. 초당 114.8 프레임(FPS)을 처리할 수 있는데, 이는 쉼 없이 돌아가는 고속 인쇄기나 공정 라인에 즉시 통합되어 실시간 검수가 가능하다는 것을 의미합니다.

 

CPU	AMD EPYC 9754
운영체제	Linux
RAM	60 GB
그래픽카드	NVIDIA RTX 3090 GPU
프로그래밍 언어	Python 3.8
딥러닝 프레임워크	PyTorch 2.0.0
CUDA Toolkit	CUDA 11.8

 

 

개인적으로 눈에 띄는 부분은, 컴퓨터 비전 모델을 구동한 컴퓨터 사양이 지나치게 높지는 않다는 것입니다. 모델의 특성상 실질적인 연산은 GPU 위주로 수행하기 때문에, 하이엔드급 게이밍 컴퓨터 혹은 워크스테이션 정도를 구비하면 똑같은 수준의 데이터로 따라해볼 수 있겠습니다.

---

다양한 인쇄 분야로의 활용 확장

논문에서는 주로 회로 기판을 다루었지만, 이 기술은 도서 등의 인쇄 공정에도 충분히 적용할 수 있는 잠재력을 가졌습니다. 대량으로 찍어내는 문서에서 발생하는 미세한 잉크 튐, 글자 흐림 현상을 실시간으로 감시하여 파지율을 획기적으로 낮출 수 있기 때문입니다.

 

사람의 눈이 가진 한계를 보완하는 이러한 기술적 진보는 결국 자원 낭비를 막고 제품의 완성도를 높이는 실질적인 결과로 이어집니다. 기술 용어는 다소 생소할 수 있지만, 우리가 일상에서 접하는 제품들이 더 완벽해지는 과정에 이러한 비전 AI 기술이 숨어 있습니다.

---

마무리하며

알고리즘의 복잡도는 낮추면서도 미세 정보 추출 능력은 끌어올린 YOLO-SSW 모델은 실용적인 품질 관리의 대안이 될 수 있습니다. 기술이 고도화될수록 현장의 품질 기준 역시 상향 평준화될 것이며, 이는 제조 산업 전반의 경쟁력 강화로 이어질 것입니다.

---

자료 출처

Yuan, Tizheng, Zhengkuo Jiao, and Naizhe Diao. "YOLO-SSW: An Improved Detection Method for Printed Circuit Board Surface Defects." Mathematics 13.3 (2025): 435.