Inspection AX›PBS
PBS
Physically-Based Synthesis · 물리 기반 합성 데이터
물리 기반 합성(PBS)을 통해 빛과 물질의 상호작용을 시뮬레이션함으로써, 생성형 AI에 의한 확률적 이미지가 아닌 실제와 유사한 결함 학습 데이터를 생성합니다.

PBS
제조 검사 AI 현장 적용의 벽,
학습 데이터 부족
2차전지 · 전자부품 · 자동차 부품 생산 라인에서 외관 검사와 X-Ray 검사에 AI를 도입하는 현장이 빠르게 늘고 있습니다.
그러나 학습한 AI 모델을 실제 라인에 올려 보면, 알고리즘 성능과는 별개로 학습 데이터의 벽에 먼저 부딪힙니다.
불량(NG) 샘플 부족
불량(NG) 샘플은 본래 드물고, 검사 항목이 바뀔 때마다 데이터를 다시 모아 라벨링해야 합니다.
생성형 AI 데이터의 한계
생성형 AI는 확률을 기반으로 그럴듯한 결과물을 만들지만, 대상의 물리적인 성질을 반영하지 못합니다. 물리적인 성질을 반영한 가상 데이터라야 실제 데이터를 대체하는 효과를 기대할 수 있습니다.
생성형 AI vs 물리 기반 합성(PBS)
형상은 그대로, 결함과 촬영 조건만 바꿔
실제 촬영에 가까운 학습 데이터를 만듭니다
| 구분 | 생성형 AI 기반 이미지 생성 | 물리 기반 합성 (PBS) |
|---|---|---|
| 생성 방식 | 문장이나 예시 이미지를 바탕으로 새로운 장면 생성 | 3D 형상 · 재질 · 조명의 물리적 특성을 반영해 이미지 생성 |
| 강점 | 높은 창의적 유연성으로 빠르고 다양한 스타일 가능 | 재질과 조명의 상호작용 시뮬레이션 계산 · 높은 물리적 정확도와 현실적인 결과 |
| 한계 | 실제 물리적 정확성 부족 · 일관된 3D 기하학 구현의 어려움 | 수동 설정과 명시적인 3D 모델 필요 |
| 형상 일관성 | 같은 부품에 미세 결함만 추가하려면 형상 일관성을 위한 추가 제어 필요 | 형상을 유지한 채 결함 · 촬영 조건 변경 |
제조 검사에서는 부품의 형상을 유지하며 결함과 촬영 조건을 바꾸는 것이 중요합니다. SNUAILAB Physically-Based Synthesis는 CAD 형상과 빛 · 재질을 반영하는 PBS를 기반으로 합니다.
SNUAILAB Physical-Synthetic
형상 · 재질부터 결함 · 조명, 라벨까지
한 번에 생성합니다
- 01
실제 제품에 가까운 형상 · 재질
- CAD와 실제 제품의 형상 차이 보정
- 딥러닝 기반 표면 재질 정보 취득
- CAD 파트 자동 분류 및 재질 매칭
- 02
CAD 기반 결함 생성 · 조명 시뮬레이션
- 3D 형상 변경으로 결함 구현
- 조명 조건을 반영한 합성 이미지 생성
- 03
라벨 자동 생성 · 학습데이터 활용
- 일관성 있는 라벨 데이터를 이미지와 함께 생성
- 자체 · 타사 딥러닝 솔루션의 학습데이터로 바로 활용 가능
다양한 결함과 촬영 조건을 반영해 제조 검사 AI의 학습데이터를 확장합니다.
프로세스
CAD 입력부터
라벨 자동 출력까지
- 01
CAD 입력
CAD 로딩
파트 분류 · 재질 매칭 - 02
Gap 보상
CAD – 실물 편차와
표면 거칠기 보상 - 03
광학 시뮬레이션
조명 · 카메라 · 렌즈
물리 기반 렌더링 - 04
결함 생성 · 라벨링
형상 변경 결함 생성
라벨 자동 출력
하나의 CAD로 촬영 각도와 조건을 바꿔 가며 일관된 학습 데이터를 대량으로 생성합니다.
PBS
포토리얼리스틱한 결함 이미지와
일관되고 정확한 라벨 데이터를 함께
- 100%정확하고 일관된 라벨 자동 생성
- 3종동축 · 링 · 면 조명 시뮬레이션
- CAD부품 분류 · 재질 매칭 자동화
- Ready자사 · 타사 딥러닝 학습 데이터로 직접 사용
Core Technology
조명 · 카메라 · 재질까지 물리적으로 재현하는
포토리얼리스틱 결함 데이터 생성 기술
Physically-based Rendering
빛과 물질의 상호작용을 물리 연산으로 재현하여 사진 수준의 사실적인 이미지를 생성
Computational Imaging
딥러닝 기반의 컴퓨테이션 이미징을 통해 물체 표면의 재질 정보를 획득
Optical Simulation
동축 · 링 · 면 조명, 텔레센트릭 렌즈, 플레어 효과까지 광학계 모델링
Auto Labeling
결함 라벨을 자동으로 생성하여, 자사나 타사의 딥러닝 학습 데이터로 즉시 활용 가능
생성 사례 · CAD – 실물 Gap 보상
CAD와 실제 제품의 차이를 줄여
합성 이미지의 현실성을 높입니다
CAD는 이상적인 제품 모델이라 실제 제품의 재질 특성과 가공 편차 · 변형이 반영되어 있지 않습니다. 라운딩 여부, 가공 편차, 조립 편차 등 이미징에 영향을 주는 Gap을 감지하고 보상합니다.



생성 사례 · 결함 형상과 관찰 각도
결함 형상과 관찰 각도를 바꾼
데이터 생성
제품의 3D 형상을 바꾸어 결함을 구현하고, 다양한 관찰 각도의 합성 이미지를 생성합니다.



생성 사례 · PBS 기반의 3D 파손면 생성
재질 효과를 적용해
리얼리스틱한 파손면을 생성합니다
파손 부위의 형상과 표면 질감을 함께 표현합니다.


사실적인 파손 이미지를 생성해 제조 검사 AI의 결함 학습데이터로 활용합니다.
활용 대상
이럴 때 PBS가 필요합니다
- 01
DATA 부족
AI를 적용했지만 학습 데이터가 부족할 때
- 02
NG 샘플 극소
불량 샘플이 매우 적을 때
- 03
잦은 검사 변경
검사 항목이 자주 바뀌고, 종류가 많을 때
적합한 현장: NG 샘플이 드물거나 검사 항목이 자주 바뀌는 라인