AI 원단 결점 검출(AI Fabric Defect Detection)은 고해상도 산업용 라인 스캔 카메라(Line Scan Camera)와 딥러닝(Deep Learning) 알고리즘을 결합하여, 원단 생산 및 검단(Inspection) 공정에서 발생하는 각종 결함을 실시간으로 식별, 분류 및 위치를 기록하는 지능형 자동화 시스템이다.
과거 숙련공의 육안에 의존하던 전통적 검단 방식은 작업자의 피로도, 시력 저하, 집중력 한계로 인해 검출률이 60~70% 수준에 머물렀으며, 특히 고속 이송 환경(30m/min 이상)에서는 미세 결함을 놓치는 경우가 빈번했다. AI 시스템은 이를 95% 이상의 검출률로 끌어올리고, 검사 속도를 최대 120m/min까지 확장 가능하게 한다.
물리적 작동 원리는 원단이 일정한 장력 하에 이송될 때, 고속 인코더(Encoder)가 산출하는 펄스 신호에 맞춰 라인 스캔 카메라가 원단 표면을 1픽셀 단위의 선(Line)으로 스캔하는 방식이다. 수집된 방대한 이미지 데이터는 FPGA 기반 전처리 과정을 거쳐 GPU 서버로 전송되며, 실시간으로 정상 조직(Golden Image)과 대조되거나 학습된 결점 패턴(CNN, Vision Transformer 모델)과 매칭되어 결함 여부를 판정한다.
| 항목 |
세부 사양 |
비고 |
| 검출 대상 |
직물(Woven), 편물(Knit), 데님, 기능성 원단(Gore-Tex 등), 산업용 자재(탄소섬유, 유리섬유) |
원단 종류별 전용 학습 모델 적용 |
| 검사 속도 |
30 ~ 120 m/min (표준 공정 60 m/min 권장) |
원단 폭 및 카메라 해상도 설정에 비례 |
| 카메라 구성 |
4K / 8K / 16K Line Scan Camera (Mono/Color) |
Basler, Teledyne DALSA, Vieworks 등 산업용 센서 |
| 센서 방식 |
CMOS / TDI (Time Delay Integration) |
고속 이송 시 저조도 환경 대응용 TDI 선호 |
| 최소 검출 크기 |
0.1mm² ~ 0.5mm² (광학 배율 및 FOV 설정에 따름) |
미세 구멍(Pin Hole) 및 이물질 검출 가능 |
| 주요 알고리즘 |
CNN (ResNet, YOLO v8/v10), Vision Transformer (ViT), Auto-Encoder |
실시간 추론(Inference) 및 비정형 결함 탐지 |
| 조명 시스템 |
고휘도 LED Bar (Backlight, Frontlight, Coaxial, Oblique) |
원단 투과율 및 표면 광택도에 따라 조합 |
| 데이터 인터페이스 |
GigE Vision, Camera Link (HS), Fiber Optic |
대용량 비압축 이미지 데이터 전송용 |
| 컴퓨팅 파워 |
NVIDIA RTX 4090 / A100 / L40S 급 GPU 서버 |
실시간 병렬 이미지 처리 및 딥러닝 추론 |
| 산업 표준 |
ASTM D5430 (4-Point System), ISO 13934, ISO 2859-1 |
품질 판정 기준 및 샘플링 규격 연동 |
- 의류 제조 (Apparel Manufacturing): 재단 전 검단 단계에서 원단의 결점을 파악하여 마커(Marker) 배치 시 결점 부위를 자동으로 회피한다. 이는 봉제 공정의 재작업률(Rework Rate)을 15% 이상 감소시키는 효과가 있다.
- 자동차 내장재 (Automotive Interiors): 에어백용 고강도 나일론, 시트용 가죽 및 직물의 미세 결함을 검출한다. IATF 16949 규격에 따른 엄격한 품질 이력 관리가 필수적이며, 모든 결점은 디지털 맵으로 기록된다.
- 기능성 및 산업용 섬유 (Technical Textiles): 필터용 여과포, 방호복 원단, 탄소 섬유 등 미세한 직조 불량이 성능 저하로 직결되는 분야에서 필수적이다. 탄소 섬유의 경우 섬유의 배향성(Orientation) 분석을 병행한다.
- 염색 및 가공 (Dyeing & Finishing): 텐터(Tenter) 공정 직후에 설치하여 실시간으로 색차(Color Shade), 기모 불량, 가공액 얼룩을 모니터링한다.
- 스마트 커팅룸 연동: 검출된 결점 좌표(X, Y)를 Lectra, Gerber 등 자동 재단기(Auto-Cutter)의 네스팅 소프트웨어로 전송하여, 결점이 포함된 부위가 소매나 칼라 등 중요 부위에 배치되지 않도록 자동 조절한다.
-
증상: 경사/위사 결함 (Warp/Weft Defect)
- 원인 분석: 제직기(Loom)의 드롭퍼(Dropper) 오작동 또는 원사 공급 장력 불균형으로 인해 실이 빠지거나 중복 투입됨.
- 중간 점검: AI 모델의 'Line Defect' 클래스 검출 감도를 확인하고, 카메라의 수직 해상도가 충분한지 점검. 인코더 펄스 누락 여부 확인.
- 최종 해결: 제직기의 장력 조절 장치(Tensioner)를 재설정하고, 빔(Beam)의 정렬 상태를 교정한다. 제직 공정의 온습도 관리를 통해 원사의 정전기 발생을 억제한다.
-
증상: 미세 구멍 (Hole)
- 원인 분석: 편직기(Knitting Machine)의 바늘 파손, 원사 강도 부족으로 인한 파열, 또는 가공 공정 중 물리적 마찰.
- 중간 점검: 백라이트(Backlight) 조명의 밝기를 높여 투과광 데이터의 대비(Contrast)를 극대화한다. 0.1mm 이하의 미세 구멍은 8K 이상의 카메라 해상도가 필요하다.
- 최종 해결: 파손된 바늘을 교체하고 원사 가이드의 이물질을 제거한다. AI 시스템에서 'Hole' 크기별 벌점 기준을 재설정한다.
-
증상: 기름 및 오염 (Oil/Dirt Stain)
- 원인 분석: 기계 구동부의 윤활유 비산, 작업자 부주의, 또는 이송 롤러의 오염 물질 전이.
- 중간 점검: 컬러 카메라를 사용하는 경우 RGB 채도 분석을 통해 정상 부위와의 색차(Delta E)를 계산한다. 형광 증백제가 포함된 오염의 경우 UV 조명을 보조로 사용한다.
- 최종 해결: 기계 실링(Sealing) 상태를 점검하고 롤러 세척 시스템을 가동한다. 오염 부위는 자동 마킹기(Sticker/Inkjet)로 표시한다.
-
증상: 이사/혼입 (Foreign Yarn/Contamination)
- 원인 분석: 제직/편직 환경 내의 비산 먼지나 다른 색상의 원사가 공정 중 혼입됨.
- 중간 점검: AI의 'Contamination' 분류 알고리즘이 미세한 색상 차이를 인지하는지 확인(데이터 증강 학습 필요).
- 최종 해결: 작업장 내 공조 시스템(Air Cleaning)을 강화하고 원사 보관 구역을 격리한다. 원사 교체 시 청소 매뉴얼을 준수한다.
-
증상: 주름 및 굴곡 (Crease Mark)
- 원인 분석: 롤 권취 시 장력 불균형 또는 염색기 내에서의 압착으로 인한 영구 주름.
- 중간 점검: 레이저 프로파일러 또는 사광(Oblique Lighting)을 사용하여 표면의 입체적 굴곡을 감지한다. 일반적인 수직 조명으로는 검출이 어려울 수 있다.
- 최종 해결: 확포기(Expander Roller)의 각도를 조정하고 권취기(Winder)의 텐션 컨트롤러를 교정한다.
-
증상: 색차 (Shade Variation)
- 원인 분석: 염색액 농도 불균형, 텐터 온도 편차, 또는 원사 롯트(Lot) 혼용.
- 중간 점검: 원단의 좌-중-우(Side-Center-Side) 색상을 실시간 분광 광도계(Spectrophotometer) 모듈과 연동하여 측정. Delta E 값이 1.0을 초과하는지 모니터링.
- 최종 해결: 염색 공정의 자동 조액 시스템을 점검하고, 텐터 내부의 온도 센서를 교정한다.
- 4점법 (ASTM D5430): 검출된 결점의 길이에 따라 벌점을 부여하며, AI 시스템은 이를 실시간으로 계산한다.
- 3인치(75mm) 이하: 1점
- 3~6인치(75~150mm): 2점
- 6~9인치(150~230mm): 3점
- 9인치(230mm) 초과: 4점
- 구멍(Hole): 1인치 이하 2점, 1인치 초과 4점 부여.
- 판정: 100평방야드당 합계 점수가 바이어 승인 한도(예: 40점)를 초과하면 'Reject' 처리.
- 결점 맵핑 (Defect Mapping): 모든 결점의 X(폭 방향), Y(길이 방향) 좌표를 디지털 맵으로 생성한다. 이 맵은 XML 또는 JSON 형태로 저장되어 ERP/MES와 연동된다.
- 검출 성능 지표:
- 재현율(Recall): 실제 결점 중 시스템이 찾아낸 비율 (목표 98% 이상).
- 정밀도(Precision): 시스템이 결점이라고 판정한 것 중 실제 결점인 비율 (과검출 방지, 목표 95% 이상).
- F1-Score: 재현율과 정밀도의 조화 평균으로 시스템의 종합적인 신뢰도를 평가.
- ISO 2859-1 연동: 대량 생산 시 AI 검단 데이터를 기반으로 합격 품질 수준(AQL)을 자동 산출하여 샘플링 검사 생략 여부를 결정한다.
| 언어 |
용어 |
로마자 표기 |
의미 및 비고 |
| 한국어 |
검단 |
Geom-dan |
원단 검사 공정 전체를 의미 (Inspection) |
| 한국어 |
기즈 |
Gizu |
일본어 '키즈(Kizu)'에서 유래. 흠집, 결점을 통칭 |
| 한국어 |
단차 |
Dan-cha |
원단 좌우 또는 선후의 색상/두께 차이 |
| 한국어 |
아부라 |
Abura |
기름 얼룩 (Oil Stain). 일본어 '기름'에서 유래 |
| 한국어 |
도바리 |
Dobari |
원단 끝부분의 말림 현상 |
| 한국어 |
히키 |
Hiki |
원단이 당겨져 발생하는 가로/세로 줄 결함 |
| 베트남어 |
Kiểm vải |
Kiem vai |
원단 검사 작업 |
| 베트남어 |
Lỗi vải |
Loi vai |
원단 결함 (Fabric Defect) |
| 베트남어 |
Vết dầu |
Vet dau |
기름 얼룩 (Oil Stain) |
| 베트남어 |
Sợi tạp |
Soi tap |
이사 혼입 (Foreign Yarn) |
| 중국어 |
验布 (Yànbù) |
Yanbu |
검단 (원단 검사) |
| 중국어 |
疵点 (Cīdiǎn) |
Cidian |
결점, 결함 |
| 중국어 |
油污 (Yóuwū) |
Youwu |
기름 오염 |
| 중국어 |
色差 (Sèchā) |
Secha |
색상 차이 (Color Shade) |
| 일본어 |
検反 (Kentan) |
Kentan |
검단 (원단 검사) |
| 일본어 |
キズ (Kizu) |
Kizu |
결점, 상처 |
| 일본어 |
油汚れ (Abura-yogore) |
Abura-yogore |
기름 오염 |
- 카메라 캘리브레이션: 원단 교체 시마다 화이트 밸런스(White Balance)를 조정하고, 인코더(Encoder) 동기화를 통해 이송 속도와 이미지 캡처 속도를 일치시켜야 한다. 1mm 이송 시 인코더 펄스 값이 정확하지 않으면 이미지가 상하로 늘어나거나 축소되어 AI 판독 오류를 유발한다.
- 조명 최적화:
- 박지(Thin Fabric): 10~20데니어 수준의 얇은 원단은 투과광(Backlight)을 사용하여 조직의 밀도 균일성을 확인.
- 후지/기모(Thick/Fleece): 반사광의 각도를 낮게 설정(Side Lighting)하여 표면의 필링(Pilling)이나 돌출 결함을 강조.
- 데님/자카드: 복잡한 패턴의 경우 동축 조명(Coaxial Lighting)을 사용하여 그림자를 제거하고 조직감만 추출.
- AI 재학습 (Active Learning): 현장에서 발생하는 '미분류(Unknown)' 결점은 숙련된 검사원이 라벨링하여 매주 또는 매월 단위로 모델을 재학습시켜 정확도를 유지한다. 특히 계절별 원사 특성 변화에 따른 미세한 외관 차이를 학습 데이터에 반영해야 한다.
- 환경 관리:
- 먼지 제거: 카메라 렌즈와 조명 표면에 먼지가 쌓이지 않도록 에어 블로우(Air Blow) 시스템을 상시 가동하고 정기적으로 클리닝한다.
- 진동 방지: 검단기 프레임의 진동은 이미지 블러(Blur)의 주원인이다. 방진 패드 설치 및 프레임 보강 필수.
- 전원 안정화: 베트남, 중국 등 전력 불안정 지역에서는 UPS(무정전 전원 장치)와 전압 안정기(AVR)를 설치하여 GPU 서버의 갑작스러운 셧다운을 방지해야 한다.
- 서버 유지보수: 대용량 이미지 처리로 인해 GPU 온도가 급격히 상승하므로, 서버 랙의 냉각 시스템(산업용 에어컨 등)을 점검하고 6개월 단위로 서멀 구리스 재도포를 권장한다.
graph TD
A[원단 롤 공급 / Unwinding] --> B[장력 조절 및 확포 / Tension Control]
B --> C[고속 라인 스캔 카메라 촬영]
C --> D{AI 실시간 분석}
D -- 결점 미검출 --> E[정상 롤 권취 / Winding]
D -- 결점 검출 --> F[결점 분류 및 등급 판정]
F --> G[결점 위치 마킹 및 좌표 기록]
G --> H[검단 보고서 / Defect Map 생성]
H --> E
E --> I[재단 공정 데이터 전송 / ERP 연동]
I --> J[자동 재단기 네스팅 최적화]
J --> K[봉제 공정 투입 / Sewing]
K --> L[최종 완제품 검사]
| 비교 항목 |
육안 검단 (Manual) |
기존 비전 시스템 (Rule-based) |
AI 원단 결점 검출 (Deep Learning) |
| 검출률 |
60 ~ 75% |
70 ~ 85% |
95% 이상 |
| 검사 속도 |
15 ~ 25 m/min |
30 ~ 50 m/min |
60 ~ 120 m/min |
| 결점 분류 |
작업자 주관에 의존 |
단순 크기/밝기 분류 |
결점 종류별 정밀 분류 가능 |
| 패턴 대응 |
우수 (숙련공 기준) |
매우 취약 (복잡한 패턴 불가) |
우수 (학습을 통해 극복) |
| 데이터화 |
수기 기록 (오류 가능성) |
제한적 데이터 생성 |
실시간 디지털 맵핑 및 MES 연동 |
| 초기 비용 |
낮음 |
중간 |
높음 (GPU 및 카메라 비용) |
| 유지보수 |
인건비 지속 상승 |
알고리즘 수정 어려움 |
지속적인 재학습으로 성능 향상 |
- 컴퓨터 비전 (Computer Vision): 이미지 처리 및 분석의 기초 기술.
- 스마트 팩토리 (Smart Factory): 데이터 기반의 지능형 생산 체계.
- MES (Manufacturing Execution System): 제조 실행 시스템, 검단 데이터의 최종 목적지.
- 엣지 컴퓨팅 (Edge Computing): 현장에서의 실시간 대용량 이미지 처리를 위한 하드웨어 구성 방식.
- ISO 4915: 스티치 분류 표준 (봉제 공정 연동 시 참조).
- ISO 2859-1: 계수치 검사에 대한 샘플링 절차.
- ASTM D5430: 직물 결점 등급 판정을 위한 표준 시험 방법.
- Juki DDL-9000C / Brother S-7300A: 결점 발견 시 재작업(Rework)에 주로 사용되는 지능형 본봉 재봉기.
- Organ/Schmetz DBx1: 미세 원단 재작업 시 사용되는 바늘 시스템 (번수 #9~#11 권장).