🔗 원문 전체 보기 → Venturesquare.net
요약
일리아스AI가 일본 닛폰클로저스의 히라츠카 연구 거점에 ‘ILI Desktop No.9’을 설치하고 수지 원료와 병뚜껑의 화학잔존물·이취를 판별하는 3개월간의 PoC에 들어갔다. 장비는 시료의 기화 가스를 다채널 센서로 수집한 뒤 기존 데이터베이스와 비교해 정상과 불량을 구분하며, 환경 변화에 대응하는 드리프트 보정과 연속학습 기능도 검증한다. 회사는 최종 실증 결과를 토대로 NCC 양산라인의 인라인 검사 적용과 일본 제조시장 진출을 추진할 예정이다.
본문
- 일본 닛폰클로저스 히라츠카 연구 거점에 ‘ILI Desktop No.9’ 설치…수지 원료·완제품 검사
- 화학잔존물 판별부터 드리프트 보정·연속학습까지 검증…향후 생산라인 인라인 검사 추진
병뚜껑과 포장 소재에서 발생하는 미세한 이취는 원료 오염이나 생산 공정의 이상을 확인하는 품질관리 지표가 될 수 있다. 그러나 사람의 후각에 의존한 검사는 작업자의 상태와 주변 환경에 따라 판단이 달라질 가능성이 있다. 냄새를 센서로 측정하고 AI가 비교할 수 있는 데이터로 전환하려는 ‘디지털 후각’ 기술이 제조 현장의 대안으로 주목받는 배경이다. 국내 후각 AI 스타트업 일리아스AI가 일본 병뚜껑 제조사의 연구 현장에서 원료와 완제품의 이상 여부를 자동 판별하는 실증에 들어갔다.
일리아스AI는 지난 11일 일본 닛폰클로저스(Nippon Closures·NCC)의 히라츠카 연구 거점에 AI 후각 시스템 ‘ILI Desktop No.9’을 설치하고 약 3개월간의 현장 실증(PoC)을 시작했다.
NCC는 금속·플라스틱 병뚜껑 등을 생산하는 일본 기업이다. 이번 PoC에서는 병뚜껑 생산에 사용하는 산업용 수지(Resin) 원료와 완제품인 캡(CAP)을 대상으로 미세 화학잔존물과 이취, 불량 배치를 AI가 구분할 수 있는지 확인한다. 양사는 지난 6월 국내에서 2차 기술검증을 마치고 일본 생산 현장 적용을 위한 운영 방안을 논의한 바 있다.
기화 가스 패턴으로 정상·불량 판정…환경 변화도 학습
검사는 밀폐 용기에 수지 또는 병뚜껑 시료를 넣는 과정에서 시작된다. 장비가 시료에서 기화된 가스를 센서 챔버로 자동 흡입하면 다채널 센서 어레이가 화학물질과 휘발성유기화합물(VOC)의 반응 패턴을 데이터로 수집한다.
AI는 측정값을 기존 학습 데이터베이스와 비교해 시료를 정상(OK) 또는 불량(NG)으로 판정한다. 장비에는 온도와 습도 모니터링, 공기 유량 제어, 앞선 시료의 잔류 가스를 제거하는 고속 퍼지 기능도 적용됐다. 회사가 제공한 설치 단계 자료에는 측정 환경이 25.4℃, 상대습도 60%로 기록됐다.
초기 시료 시험에서는 Resin #2 불량 시료와 TCA 미세 오염원을 주입한 Resin #3 시료에 대해 모델이 각각 99%의 판정 신뢰도를 산출했다. 정상 시료인 Resin #6은 임베딩 모델에서 스코어 0.04로 정상 판정을 받았으며, 제공 자료상 오경보는 기록되지 않았다. 병뚜껑 시료에서도 정상과 불량을 구분할 수 있는 판정 간격을 확인했다는 것이 회사 측의 설명이다.
다만 이때 제시된 99%는 개별 시료에 대해 모델이 산출한 신뢰도다. 전체 검사 시스템의 정확도나 민감도·특이도를 의미하는 수치와는 구분되며, 종합적인 성능과 운영 안정성은 3개월간의 현장 PoC를 거쳐 확인해야 한다.
현장 환경에 따른 냄새 변화에 대응하는 드리프트 보정과 연속학습 기능도 시험한다. 산업용 수지는 생산 시기와 보관 상태, 온도·습도 등에 따라 냄새 특성이 달라질 수 있다. 일리아스AI는 새로 입고된 원료와 기존 데이터베이스의 차이를 보정하는 ‘러닝 모드’를 적용하고 데이터베이스 버전별 판정 기록과 임계값을 조정할 예정이다.
PoC 범위는 원료·완제품 품질검사와 미세 오염물질 탐지, 정상·불량 자동 판정, 데이터베이스 업데이트, 드리프트 보정 등이다. 실증 결과가 확보되면 실시간 판독 속도와 장비 내구성을 추가로 점검해 NCC 양산 제조라인에 직접 연결하는 인라인 검사 시스템으로 발전시킬 구상이다.
일리아스AI는 병뚜껑과 플라스틱 소재에서 축적한 데이터를 바탕으로 식품·포장·화학·산업안전 등 냄새와 화학물질 검사가 필요한 제조 분야를 공략한다.
일리아스AI 관계자는 “이번 NCC와의 PoC는 AI가 냄새를 감지하는 기술을 제조 현장의 품질검사에 적용할 수 있는지 확인하는 중요한 단계”라며 “3개월간 축적할 현장 데이터를 바탕으로 기술을 고도화하고 NCC 생산라인 적용과 일본 제조시장 진출을 추진하겠다”고 말했다.
Like this:
Like Loading...Related
AI Detects Off-Odors in Bottle Caps… Ilias AI Conducts 3-Month PoC at Japanese Manufacturing Site
Subtle off-odors emanating from bottle caps and packaging materials can serve as quality control indicators to identify raw material contamination or abnormalities in the production process. However, inspections relying on the human sense of smell are susceptible to inaccurate judgments depending on the worker's condition and the surrounding environment. This is the background behind the growing interest in "digital olfactory" technology as an alternative for manufacturing sites, which aims to measure odors using sensors and convert them into data comparable to AI. Ilias AI, a Korean olfactory AI startup, has begun a pilot project at a Japanese bottle cap manufacturer's research facility to automatically identify abnormalities in raw materials and finished products.
On the 11th, ILI AI installed the AI olfactory system 'ILI Desktop No.9' at Nippon Closers (NCC)'s Hiratsuka research base in Japan and began a three-month proof-of-concept (PoC).
NCC is a Japanese company that manufactures metal and plastic bottle caps. This PoC verifies whether AI can distinguish minute chemical residues, off-odors, and defective batches in industrial resin raw materials used for bottle cap production and the finished caps. The two companies completed a second round of technical verification in Korea last June and discussed operational plans for application at production sites in Japan.
Determining normal or defective based on vaporization patterns… Also learns environmental changes
The inspection begins with the process of placing a resin or bottle cap sample into a sealed container. As the equipment automatically draws the gas vaporized from the sample into the sensor chamber, a multi-channel sensor array collects data on the reaction patterns between the chemical and volatile organic compounds (VOCs).
AI compares the measured values with an existing training database to determine whether the sample is normal (OK) or defective (NG). The equipment is also equipped with temperature and humidity monitoring, air flow control, and a high-speed purging function to remove residual gas from the previous sample. According to the installation data provided by the company, the measurement environment was recorded as 25.4℃ with a relative humidity of 60%.
In the initial sample tests, the model calculated a judgment reliability of 99% for both the defective Resin #2 sample and the Resin #3 sample injected with TCA microcontaminants. Resin #6, a normal sample, was judged as normal with a score of 0.04 in the embedding model, and no false alarms were recorded in the provided data. The company explained that it confirmed a judgment interval capable of distinguishing between normal and defective samples in bottle cap samples as well.
However, the 99% presented here is the reliability calculated by the model for individual samples. It is distinct from the figures representing the accuracy, sensitivity, and specificity of the entire inspection system, and overall performance and operational stability must be verified through a three-month field PoC.
Drift correction and continuous learning functions that respond to odor changes caused by the field environment are also being tested. The odor characteristics of industrial resins can vary depending on the production time, storage conditions, temperature, and humidity. Ilias AI plans to apply a 'learning mode' that corrects for differences between newly received raw materials and the existing database, and adjust judgment records and threshold values for each database version.
The scope of the PoC includes quality inspection of raw materials and finished products, detection of minute contaminants, automatic determination of normal and defective products, database updates, and drift correction. Once validation results are secured, the plan is to further verify real-time reading speed and equipment durability to develop it into an inline inspection system directly connected to the NCC mass production line.
Based on data accumulated from bottle caps and plastic materials, Ilias AI targets manufacturing sectors requiring odor and chemical testing, such as food, packaging, chemicals, and industrial safety.
An official from Ilias AI stated, “This PoC with NCC is a crucial step in verifying whether AI odor detection technology can be applied to quality inspections at manufacturing sites,” adding, “Based on the field data accumulated over the next three months, we will advance the technology and pursue its application to NCC’s production lines and entry into the Japanese manufacturing market.”
ボトルキャップの異臭、AIが選別…イリアスAI、日本製造現場書3ヶ月PoC
ボトルキャップや包装素材で発生する微細な異臭は、原料汚染や生産工程の異常を確認する品質管理指標となることがある。しかし、人の嗅覚に依存した検査は、作業者の状態や周辺環境によって判断が変わる可能性がある。臭いをセンサーで測定し、AIが比較できるデータに切り替えようとする「デジタル嗅覚」技術が製造現場の代替として注目される背景だ。国内嗅覚AIスタートアップイリアスAIが日本ボトルキャップメーカーの研究現場で原料と完成品の異常かどうかを自動判別する実証に入った。
イリアスAIは去る11日日本日本クロージャーズ(Nippon Closures・NCC)の平塚研究拠点にAI嗅覚システム'ILI Desktop No.9'を設置して約3ヶ月間の現場実証(PoC)を開始した。
NCCは金属・プラスチックボトルキャップなどを生産する日本企業だ。今回のPoCでは、ボトルキャップの生産に使用する産業用樹脂(Resin)原料と完成品であるキャップ(CAP)を対象に微細化学残存物と異臭、不良配置をAIが区別できるか確認する。両社は6月、国内で2次技術検証を終え、日本生産現場適用のための運営方案を議論したことがある。
気化ガスパターンで正常・不良判定…環境変化も学習
検査は、密閉容器に樹脂またはボトルキャップ試料を入れる過程で始まる。装置が試料から気化したガスをセンサチャンバに自動的に吸引すると、多チャンネルセンサアレイは化学物質と揮発性有機化合物（ＶＯＣ）の反応パターンをデータとして収集する。
AIは測定値を既存の学習データベースと比較し、試料を正常(OK)または不良(NG)と判定する。装置には、温度と湿度モニタリング、空気流量制御、先行サンプルの残留ガスを除去する高速パージ機能も適用された。同社が提供した設置段階の資料には測定環境が25.4℃、相対湿度60％と記録された。
初期試料試験では、Resin#2不良試料とTCA微細汚染源を注入したResin#3試料について、モデルがそれぞれ99%の判定信頼度を算出した。正常試料であるResin #6は埋め込みモデルでスコア0.04で正常判定を受け、提供資料上誤警報は記録されなかった。ボトルキャップ試料でも正常と不良を区別できる判定間隔を確認したというのが会社側の説明だ。
ただし、このとき提示された99％は、個々の試料に対してモデルが算出した信頼度だ。全体検査システムの精度や感度・特異度を意味する数値とは区別され、総合的な性能と運用安定性は3ヶ月間の現場PoCを経て確認しなければならない。
現場環境による臭いの変化に対応するドリフト補正と連続学習機能も試験する。産業用樹脂は、生産時期や保管状態、温度・湿度などによって臭い特性が変わることがある。イリアスAIは新たに入庫された原料と既存データベースの差を補正する「ランニングモード」を適用し、データベースバージョン別判定記録としきい値を調整する予定だ。
PoC範囲は、原料・完成品の品質検査と微細汚染物質の検出、正常・不良自動判定、データベース更新、ドリフト補正などだ。実証結果が確保されれば、リアルタイム読み出し速度と装備耐久性をさらにチェックし、NCC量産製造ラインに直接接続するインライン検査システムに発展させる構想だ。
イリアスAIはボトルキャップとプラスチック素材で蓄積したデータをもとに、食品・包装・化学・産業安全などの臭いや化学物質検査が必要な製造分野を攻略する。
イリアスAI関係者は「今回のNCCとのPoCは、AIが匂いを感知する技術を製造現場の品質検査に適用できることを確認する重要なステップ」とし「3ヶ月間蓄積する現場データをもとに技術を高度化し、NCC生産ラインの適用と日本製造市場進出を推進する」と述べた。
AI技术检测瓶盖异味……Ilias AI在日本制造工厂开展为期3个月的概念验证
瓶盖和包装材料散发的细微异味可以作为质量控制指标，用于识别原材料污染或生产过程中的异常情况。然而，依赖人类嗅觉的检测容易受到工人状态和周围环境的影响，导致判断不准确。正因如此，人们对“数字嗅觉”技术的兴趣日益浓厚，将其视为制造现场的替代方案。该技术旨在利用传感器测量气味，并将其转化为可与人工智能相媲美的数据。韩国嗅觉人工智能初创公司Ilias AI已在日本一家瓶盖制造商的研发中心启动试点项目，旨在自动识别原材料和成品中的异常情况。
11日，ILI AI在日本Nippon Closers（NCC）平塚研究基地安装了AI嗅觉系统“ILI Desktop No.9”，并开始了为期三个月的概念验证（PoC）。
NCC是一家日本公司，生产金属和塑料瓶盖。这项概念验证旨在验证人工智能能否识别用于瓶盖生产的工业树脂原材料和成品瓶盖中存在的微量化学残留、异味和缺陷批次。去年6月，两家公司在韩国完成了第二轮技术验证，并讨论了在日本生产基地应用该技术的运营计划。
根据汽化模式判断正常或缺陷……还能学习环境变化
检测首先将树脂或瓶盖样品放入密封容器中。设备会自动将样品汽化的气体吸入传感器腔室，多通道传感器阵列会收集化学物质与挥发性有机化合物 (VOC) 之间反应模式的数据。
人工智能系统将测量值与现有训练数据库进行比对，以判断样品是否合格（OK）或不合格（NG）。该设备还配备了温湿度监测、气流控制和高速吹扫功能，用于去除先前样品残留的气体。根据公司提供的安装数据，测量环境温度为25.4℃，相对湿度为60%。
在初始样品测试中，该模型对缺陷树脂#2样品和注入了TCA微污染物的树脂#3样品的判断可靠性均达到99%。正常样品树脂#6在嵌入模型中被判定为正常，得分为0.04，且在提供的数据中未记录到误报。该公司解释说，他们也证实了该判断区间能够区分瓶盖样品中的正常样品和缺陷样品。
然而，此处所示的99%是模型针对单个样本计算出的可靠性。它与代表整个检测系统的准确度、灵敏度和特异性的数值不同，整体性能和运行稳定性必须通过为期三个月的现场概念验证（PoC）来验证。
目前，我们还在测试漂移校正和持续学习功能，以应对现场环境引起的气味变化。工业树脂的气味特性会因生产时间、储存条件、温度和湿度等因素而有所不同。Ilias AI计划应用一种“学习模式”，用于校正新接收的原材料与现有数据库之间的差异，并针对每个数据库版本调整判断记录和阈值。
该概念验证（PoC）的范围包括原材料和成品的质量检验、微量污染物检测、合格品和不合格品的自动判定、数据库更新和漂移校正。一旦验证结果获得批准，计划进一步验证实时读取速度和设备耐久性，最终将其开发成直接连接到NCC批量生产线的在线检测系统。
Ilias AI 基于从瓶盖和塑料材料中收集的数据，瞄准需要进行气味和化学测试的制造行业，例如食品、包装、化学品和工业安全。
Ilias AI 的一位官员表示：“与 NCC 的这次 PoC 测试是验证 AI 气味检测技术是否可以应用于制造现场质量检测的关键一步。”他补充道：“基于未来三个月积累的现场数据，我们将推进这项技术，并将其应用于 NCC 的生产线，最终进入日本制造业市场。”
L'IA détecte les mauvaises odeurs dans les capsules de bouteilles… Ilias AI réalise une preuve de concept de 3 mois sur un site de production japonais
Les légères odeurs désagréables émanant des capsules et des emballages peuvent servir d'indicateurs de contrôle qualité, permettant d'identifier la contamination des matières premières ou des anomalies dans le processus de production. Cependant, les inspections basées sur l'odorat humain sont sujettes à des erreurs d'appréciation, en fonction de l'état de l'opérateur et de l'environnement. C'est dans ce contexte que s'inscrit l'intérêt croissant pour la technologie « olfactive numérique » comme alternative sur les sites de production. Cette technologie vise à mesurer les odeurs à l'aide de capteurs et à les convertir en données exploitables par l'intelligence artificielle. Ilias AI, une start-up coréenne spécialisée dans l'intelligence artificielle olfactive, a lancé un projet pilote dans le centre de recherche d'un fabricant japonais de capsules afin d'identifier automatiquement les anomalies dans les matières premières et les produits finis.
Le 11, ILI AI a installé le système olfactif IA « ILI Desktop No.9 » à la base de recherche Hiratsuka de Nippon Closers (NCC) au Japon et a commencé une preuve de concept (PoC) de trois mois.
NCC est une entreprise japonaise qui fabrique des bouchons de bouteille en métal et en plastique. Cette preuve de concept vérifie si l'IA peut détecter des résidus chimiques infimes, des odeurs désagréables et des lots défectueux dans les résines industrielles utilisées pour la production de bouchons, ainsi que dans les bouchons finis. Les deux entreprises ont finalisé une deuxième phase de vérification technique en Corée en juin dernier et ont discuté des modalités d'application sur leurs sites de production au Japon.
Détermination du fonctionnement normal ou défectueux en fonction des profils de vaporisation… Apprentissage des changements environnementaux
L'inspection commence par le placement d'un échantillon de résine ou de bouchon dans un récipient hermétique. L'appareil aspire automatiquement le gaz vaporisé par l'échantillon dans la chambre du capteur, où un réseau de capteurs multicanaux recueille des données sur les réactions entre les composés chimiques et les composés organiques volatils (COV).
L'IA compare les valeurs mesurées à une base de données d'apprentissage existante afin de déterminer si l'échantillon est normal (OK) ou défectueux (NG). L'équipement est également doté d'un système de surveillance de la température et de l'humidité, d'un contrôle du débit d'air et d'une fonction de purge rapide pour éliminer les gaz résiduels de l'échantillon précédent. Selon les données d'installation fournies par l'entreprise, la température ambiante de mesure était de 25,4 °C et l'humidité relative de 60 %.
Lors des premiers tests, le modèle a calculé une fiabilité de jugement de 99 % pour l'échantillon de résine défectueux n° 2 et l'échantillon de résine n° 3 contaminé par des microparticules de TCA. L'échantillon de résine n° 6, un échantillon normal, a été jugé comme tel avec un score de 0,04 par le modèle d'intégration, et aucune fausse alerte n'a été enregistrée dans les données fournies. L'entreprise a indiqué avoir également confirmé un intervalle de jugement permettant de distinguer les échantillons normaux des échantillons défectueux, y compris pour les bouchons de bouteilles.
Cependant, le taux de 99 % présenté ici correspond à la fiabilité calculée par le modèle pour chaque échantillon. Il est distinct des valeurs représentant la précision, la sensibilité et la spécificité de l'ensemble du système d'inspection. La performance globale et la stabilité opérationnelle doivent être vérifiées par une validation de principe sur le terrain d'une durée de trois mois.
Des fonctions de correction de la dérive et d'apprentissage continu, capables de s'adapter aux variations d'odeur dues à l'environnement, sont également en cours d'évaluation. Les caractéristiques olfactives des résines industrielles peuvent varier en fonction de la durée de production, des conditions de stockage, de la température et de l'humidité. Ilias AI prévoit d'appliquer un « mode d'apprentissage » qui corrige les différences entre les nouvelles matières premières reçues et la base de données existante, et ajuste les enregistrements de jugement et les valeurs seuils pour chaque version de la base de données.
Le prototype inclut le contrôle qualité des matières premières et des produits finis, la détection de contaminants infimes, la détermination automatique des produits conformes et défectueux, la mise à jour des bases de données et la correction des dérives. Une fois la validation effectuée, il est prévu de vérifier la vitesse de lecture en temps réel et la durabilité de l'équipement afin de développer un système d'inspection en ligne directement connecté à la chaîne de production de masse de NCC.
S’appuyant sur les données recueillies à partir des bouchons de bouteilles et des matières plastiques, Ilias AI cible les secteurs manufacturiers nécessitant des tests d’odeur et chimiques, tels que l’alimentation, l’emballage, les produits chimiques et la sécurité industrielle.
Un responsable d'Ilias AI a déclaré : « Ce projet pilote avec NCC est une étape cruciale pour vérifier si la technologie de détection d'odeurs par IA peut être appliquée aux contrôles qualité sur les sites de production », ajoutant : « Sur la base des données recueillies sur le terrain au cours des trois prochains mois, nous allons perfectionner la technologie et poursuivre son application aux lignes de production de NCC et son entrée sur le marché manufacturier japonais. »