The Challenge: 미세한 불량을 찾아라
반도체 및 전자제품의 핵심 부품인 PCB(Printed Circuit Board)는 제조 과정에서 미세한 긁힘, 단선, 누락 등의 불량이 발생할 수 있습니다. PIXEL사와 대학이 협업한 이 대회는 실제 공정에서 수집된 이미지를 분석하여 이러한 불량품을 자동으로 분류해내는 것이 목표였습니다.
특히 현장 데이터 특성상 정상품에 비해 불량품 데이터가 적고, 조명이나 각도에 따른 노이즈가 존재하여 높은 탐지 정확도를 확보하는 것이 핵심 과제였습니다.
▲ ResNet 기반 커스텀 모델 구조 및 학습 파이프라인
Methodology: Custom Model & Transfer Learning
2인 1팀의 소수 정예로 참가하여, 저는 모델 아키텍처 설계부터 학습 파이프라인 구축, 최종 발표까지 프로젝트 전반을 주도했습니다.
-
1. ResNet 기반 커스텀 모델링
이미지 분류에서 강력한 성능을 보이는 ResNet을 백본(Backbone)으로 선정했습니다. 하지만 단순한 가져다 쓰기에 그치지 않고, PCB 데이터의 특성에 맞춰 Fully Connected Layer를 재설계(Customizing)하여 불량 탐지에 최적화된 구조를 만들었습니다.
-
2. 외부 데이터셋 활용 전이 학습 (Transfer Learning)
제공된 데이터만으로는 학습량이 부족하다고 판단했습니다. 이에 PCB 결함 탐지 분야에서 가장 유명한 오픈 데이터셋인 'DeepPCB'를 추가로 확보했습니다. 이 데이터로 모델을 사전 학습(Pretraining)시켜 PCB의 일반적인 특징을 먼저 익히게 한 뒤, 대회용 데이터로 미세 조정(Fine-tuning)하는 전략을 사용하여 성능을 비약적으로 끌어올렸습니다.
-
3. 데이터 로더 구현 및 교차 검증
학습 효율성을 높이기 위해 커스텀 Data Loader를 직접 구현하여 이미지 증강(Augmentation)을 실시간으로 적용했습니다. 또한, K-Fold Cross Validation(교차 검증)을 수행하여 특정 데이터에만 과적합되지 않는 강건한(Robust) 모델을 완성했습니다.
Result: 총장상 수상
전이 학습을 통한 성능 향상 전략과 체계적인 검증 과정, 그리고 이를 효과적으로 전달한 프레젠테이션 능력을 인정받아 대회 최고상인 총장상을 수상하는 성과를 거두었습니다.