수술기구 자동 광학 검사 혁신

초록

본 보고서는 파키스탄 수술기구 제조업의 품질 문제를 해결하기 위해 4,414장의 고해상도 이미지로 구성된 데이터셋을 구축하고, YOLOv8, ResNet‑152, EfficientNet‑b4 등 최신 딥러닝 모델을 적용한 자동 광학 검사(AOI) 시스템을 제안한다. 결함 탐지 정확도와 생산 효율성을 크게 향상시켜 의료 현장의 안전성을 확보한다.

상세 분석

이 연구는 파키스탄 수술기구 산업이 직면한 품질 관리의 근본적인 한계를 진단하고, 인공지능 기반 자동 광학 검사의 실용성을 검증한다. 먼저 2,738장의 결함 이미지와 1,676장의 정상 이미지를 포함한 4,414장의 데이터셋을 자체 라벨링 프로세스로 구축했으며, 이는 기존 공개 데이터가 거의 없는 분야에서 의미 있는 기여를 한다. 데이터는 크랙, 녹, 표면 마모, 파손 등 7가지 주요 결함 유형으로 구분되었고, 각 이미지에 바운딩 박스와 클래스 라벨을 부여해 객체 검출 학습에 최적화하였다.

모델 선택은 세 가지 관점에서 이루어졌다. ① 실시간 검출 요구를 충족하는 경량 모델인 YOLOv8은 높은 mAP(0.956)와 45 FPS 이상의 추론 속도를 기록해 생산 라인에 바로 적용 가능함을 입증했다. ② 정밀한 특징 추출이 필요한 경우 ResNet‑152를 활용해 결함의 미세한 텍스처 차이를 학습시켰으며, 전이 학습을 통해 데이터 부족 문제를 완화하였다. ③ EfficientNet‑b4는 파라미터 효율성을 강조하면서도 Top‑1 정확도 92 % 이상을 달성해 메모리 제한이 있는 임베디드 장치에서도 운용 가능함을 보여준다.

실험 결과, 세 모델 모두 기존 수작업 검사 대비 30 % 이상의 결함 검출률 향상을 보였으며, 특히 YOLOv8은 작은 크랙과 초기 부식 등 눈에 띄지 않는 결함을 높은 재현율로 포착했다. 오류 분석에서는 조명 변화와 반사면이 검출 성능을 저하시킬 수 있음을 확인하고, 데이터 증강 및 HDR 촬영 기법을 추가 도입할 필요성을 제시한다.

산업 파트너인 Daddy D Pro와 Dr. Frigz International은 현장 적용을 위한 파일럿 라인을 구축했으며, 품질 관리 프로세스에 AI 모델을 연동함으로써 검사 인력의 피로도 감소와 검사 일관성 확보라는 실질적 효과를 경험했다. 또한 ISO 13485 및 FDA GMP와 같은 국제 규격을 만족하도록 모델 검증 절차와 문서화를 진행, 규제 승인 가능성을 높였다.

한계점으로는 데이터셋이 특정 제조 공정(주로 Sialkot 지역)과 기구 종류에 편중돼 있어 범용성 검증이 부족하다는 점이다. 향후 다국적 제조업체와 협업해 다양한 재질·형상의 기구를 포함한 확대 데이터셋을 구축하고, 멀티모달 센서(초음파·열영상)와 결합한 하이브리드 검사 시스템을 연구할 필요가 있다.

전반적으로 이 보고서는 딥러닝 기반 AOI가 저비용 고품질 수술기구 생산에 핵심 기술임을 입증하고, 개발·배포 로드맵을 제시함으로써 개발도상국 의료 기기 산업의 경쟁력 강화에 기여한다.