플러스프로젝트 배경
1. 문제점
- 수동 로봇 티칭 시 좌표 오차로 픽&플레이스 실패율 8% 발생
- 진동 센서를 별도 모니터링해 수동으로 품질 판정 → 검사 속도 느림
- 로봇 동작, 센서 수집, 결과 확인이 분리되어 운영 효율 저하
2. 프로젝트 목표
- Vision AI 결과를 로봇 제어에 자동 연동하여 픽&플레이스 정확도 향상
- AI 모델과 진동 센서 데이터를 결합해 무인 품질 테스트 파이프라인 구축
- 단일 인터페이스에서 로봇 모션·센서 수집·검사 결과를 실시간 통합
3. 주안점
- 좌표 추정 정확도(±1 mm) 및 제어 신뢰성 확보
- 센서 데이터 지연 최소화(전체 사이클 ≤20 s)
- 안전 충돌 방지 및 비상 정지 로직 통합
- 수동 로봇 티칭 시 좌표 오차로 픽&플레이스 실패율 8% 발생
- 진동 센서를 별도 모니터링해 수동으로 품질 판정 → 검사 속도 느림
- 로봇 동작, 센서 수집, 결과 확인이 분리되어 운영 효율 저하
2. 프로젝트 목표
- Vision AI 결과를 로봇 제어에 자동 연동하여 픽&플레이스 정확도 향상
- AI 모델과 진동 센서 데이터를 결합해 무인 품질 테스트 파이프라인 구축
- 단일 인터페이스에서 로봇 모션·센서 수집·검사 결과를 실시간 통합
3. 주안점
- 좌표 추정 정확도(±1 mm) 및 제어 신뢰성 확보
- 센서 데이터 지연 최소화(전체 사이클 ≤20 s)
- 안전 충돌 방지 및 비상 정지 로직 통합
프로젝트 성과
픽&플레이스 성공률 98%
도입 전 92% → 도입 후 98%로 오류율 6%p 감소
검사 사이클 타임 67% 단축
수동 포함 60 s → 자동화 후 20 s로 40 s 절감
검사 처리량 3배 증가
시간당 60개 → 180개 처리 가능
불량 검출 정확도 96%
진동센서+Vision 융합 모델로 미검율 4% → 1.5%로 개선
운영자 만족도 4.6/5
자체 평가 설문 결과
핵심 기능
좌표 인식 기반 픽&플레이스 제어
Vision AI로 객체 좌표 추출 → ROS 제어 (오차 ±1 mm 이내)
진동센서 융합 품질 테스트
가속도 센서 실시간 데이터 → Multi-scale AutoEncoder 이상치 탐지
비전 기반 티칭 보조
티칭 시 권장 좌표 오버레이 제공 → 반복 오차 50% 감소
그리퍼 대상물 자동 인식
OnRobot 카메라+AI 모델로 부품 유무·형태 인식 → 제어 신호 자동 전달
안전 & 비상 정지 로직
충돌 예측 → 비상 정지 트리거, IEC 61508 안전 규격 준수
진행 단계
기획 및 요구사항 정의
2024.06.
시스템 요건, 안전 규격, 성능 지표(±1 mm, ≤20 s) 수립
PoC 및 프로토타입 개발
2024.07.
좌표 캘리·비전 AI 모듈·진동센서 연동 프로토타입 완성
모델 학습·통합
2024.08.
YOLO/AutoEncoder 학습, TorchScript→TensorRT 최적화
실시간 파이프라인 구축
2024.10.
RTSP→AI 추론→ROS 제어 플로우, MQTT 연동
파일럿 운영 및 최적화
2024.12.
현장 적용, 모니터링, 파라미터 튜닝, 운영자 교육
프로젝트 상세
1) 배경
- 수작업 검사 한계
- 로봇 티칭 후 수동으로 품질 판정 → 피로 누적으로 픽&플레이스 실패율 8% 발생
- 생산 라인 속도 증가
- 초당 10개 이상 부품 처리되는 생산 속도에 수작업 검사 병목
- 운영 효율 저하
- 로봇 동작, 센서 수집, 결과 확인이 별도 시스템으로 분리 운영
2) 과정
- 2024.06 – 07: PoC 및 프로토타입
- 로봇팔 좌표 캘리브레이션, 카메라–로봇 좌표 동기화
- OpenCV 기반 객체 위치 인식 모듈 개발
- 진동센서 데이터 수집 스크립트 작성
- 2024.08 – 09: 모델 학습·통합
- YOLOv5로 부품 위치 탐지, AutoEncoder로 이상치 탐지 모델 학습
- TorchScript→TensorRT INT8로 최적화 후 ROS 노드로 래핑
- 2024.10 – 11: 실시간 파이프라인 구축
- RTSP 카메라 스트림 → 전처리 → AI 추론 → 제어명령 발송
- MQTT 메시지 큐 통해 센서 데이터와 제어 신호 연동
- 2024.12: 파일럿 운영 & 튜닝
- 파일럿 라인 적용, 지연·오류 모니터링, 파라미터 조정
- 운영자 인터뷰 기반 UI/알람 로직 개선
3) 기술적 이슈
- 조명·반사 변화 → 카메라 영상에서 오탐 12%
- 소형 진동 이상 패턴 탐지 한계 → AutoEncoder false negative 7%
- 실시간 처리 성능 보장 → 모델 경량화 전 8 fps, 목표 15 fps 미달
4) 해결 방안
- CLAHE 적용 (OpenCV)로 조명 보정 → 오탐률 12%→4% 감소
- 멀티스케일 AutoEncoder 앙상블으로 미세 패턴 검출 강화 → FN율 7%→2% 감소
- TensorRT INT8 + 배치 처리(2개) 적용 → 처리 속도 8 fps→17 fps 달성
5) 정량적 지표 & 성공 사례
- 픽&플레이스 성공률 98% (도입 전 92%)
- 검사 사이클 67% 단축 (60 s→20 s)
- 불량 판정 정확도 96% (수작업 대비 ±4% 개선)
- 월 비용 2천만→800만원 절감 (60%↓)
- 운영자 만족도 4.6/5
- 수작업 검사 한계
- 로봇 티칭 후 수동으로 품질 판정 → 피로 누적으로 픽&플레이스 실패율 8% 발생
- 생산 라인 속도 증가
- 초당 10개 이상 부품 처리되는 생산 속도에 수작업 검사 병목
- 운영 효율 저하
- 로봇 동작, 센서 수집, 결과 확인이 별도 시스템으로 분리 운영
2) 과정
- 2024.06 – 07: PoC 및 프로토타입
- 로봇팔 좌표 캘리브레이션, 카메라–로봇 좌표 동기화
- OpenCV 기반 객체 위치 인식 모듈 개발
- 진동센서 데이터 수집 스크립트 작성
- 2024.08 – 09: 모델 학습·통합
- YOLOv5로 부품 위치 탐지, AutoEncoder로 이상치 탐지 모델 학습
- TorchScript→TensorRT INT8로 최적화 후 ROS 노드로 래핑
- 2024.10 – 11: 실시간 파이프라인 구축
- RTSP 카메라 스트림 → 전처리 → AI 추론 → 제어명령 발송
- MQTT 메시지 큐 통해 센서 데이터와 제어 신호 연동
- 2024.12: 파일럿 운영 & 튜닝
- 파일럿 라인 적용, 지연·오류 모니터링, 파라미터 조정
- 운영자 인터뷰 기반 UI/알람 로직 개선
3) 기술적 이슈
- 조명·반사 변화 → 카메라 영상에서 오탐 12%
- 소형 진동 이상 패턴 탐지 한계 → AutoEncoder false negative 7%
- 실시간 처리 성능 보장 → 모델 경량화 전 8 fps, 목표 15 fps 미달
4) 해결 방안
- CLAHE 적용 (OpenCV)로 조명 보정 → 오탐률 12%→4% 감소
- 멀티스케일 AutoEncoder 앙상블으로 미세 패턴 검출 강화 → FN율 7%→2% 감소
- TensorRT INT8 + 배치 처리(2개) 적용 → 처리 속도 8 fps→17 fps 달성
5) 정량적 지표 & 성공 사례
- 픽&플레이스 성공률 98% (도입 전 92%)
- 검사 사이클 67% 단축 (60 s→20 s)
- 불량 판정 정확도 96% (수작업 대비 ±4% 개선)
- 월 비용 2천만→800만원 절감 (60%↓)
- 운영자 만족도 4.6/5
