기계공학과 윤용진 교수 연구팀이 에어로졸 젯 프린팅(Aerosol Jet Printing, AJP) 공정의 인쇄 품질을 자동으로 인식할 수 있는 AI 기반 비전 프레임워크를 개발했습니다. AJP는 기능성 잉크를 정밀하게 증착해 마이크로 스케일 전자 부품을 제작할 수 있는 적층제조 기술이지만, 공정 중 발생하는 변동성과 재료 불균일성으로 인해 안정적인 품질 관리가 어렵다는 한계가 있습니다.

연구팀은 이러한 문제를 해결하기 위해 Vision Transformer(ViT) 기반 품질 인식 모델을 설계했습니다. 이 모델은 대규모 언어 모델(LLM)의 핵심 구조인 자기주의 메커니즘을 제조 비전 작업에 적용한 것으로, 라벨이 없는 대규모 이미지 데이터를 활용한 자기지도 사전학습과 라벨링된 실험 데이터 기반 미세조정을 결합했습니다. 이를 통해 제한된 라벨 데이터 환경에서도 AJP 공정의 결함을 효과적으로 인식할 수 있도록 했습니다.

이번 연구는 AJP 공정의 결함 검출 정확도를 높이는 동시에, 다양한 재료 증착 공정으로 확장 가능한 지능형 품질 관리 기술을 제시했다는 점에서 의의가 있습니다. 또한 실시간 공정 모니터링과 데이터 기반 제조 자동화를 위한 기반 기술로 활용될 수 있습니다.

이번 연구 결과는 공학 분야 국제학술지 Engineering(IF 12.2, JCR 기준 분야 상위 약 2%)에 게재되었습니다.

(논문명: LLM-Inspired Vision Transformer Framework for Intelligent Quality Recognition in Aerosol Jet Printing)

Professor Yong-Jin Yoon’s Research Team Develops an AI-Based Vision Framework for Quality Recognition in Aerosol Jet Printing

Professor Yong-Jin Yoon’s research team in the Department of Mechanical Engineering has developed an AI-based vision framework that can automatically recognize printing quality in aerosol jet printing (AJP). AJP is an additive manufacturing process that enables the precise deposition of functional inks for micro-scale electronic components. However, stable quality control remains challenging because printing quality is affected by process variation and material heterogeneity.

To address this issue, the research team designed a Vision Transformer (ViT)-based quality recognition model. The model applies the self-attention mechanism, a core concept of large language models, to manufacturing vision tasks. It combines self-supervised pretraining using large-scale unlabeled image data with fine-tuning using labeled experimental samples. This enables effective defect recognition in AJP even when labeled data are limited.

This study improves defect detection in AJP and suggests an intelligent quality control approach that can be extended to various material deposition processes. It also provides a technical foundation for real-time process monitoring and data-driven manufacturing automation.

This study was published in Engineering, an international journal in the field of engineering with an Impact Factor of 12.2 and a JCR ranking in the top 2% of its field.

(Paper title: LLM-Inspired Vision Transformer Framework for Intelligent Quality Recognition in Aerosol Jet Printing)