[칼럼] 스마트공장에 입성하게 할 일등공신 ‘머신비전’에 주목하라
  • 최정훈 기자
  • 승인 2021.01.25 14:00
  • 댓글 0
이 기사를 공유합니다

인공지능 및 빅데이터 등으로 무장해 괄목할 성능 유발

[글 트윔 연구소장 김재현 전무] 2011년부터 떠오른 Industry 4.0 & Smart Factory. 회자된지 10년이 넘은 지금 얼마나 바뀌었을까? 

적지 않은 전문가들이 줄곧 스마트공장과 Industry 4.0의 장점과 필요성을 피력해 왔다. 저자는 홍수처럼 쏟아지는 정보들 중에 옥석을 가리겠다는 자세로 ‘스마트공장에서 머신비전의 중요성’에 대한 소견을 밝히고자 한다.

머신비전은 제조 공정에서 카메라, 광학계, 이미지를 처리하고 분석하는 소프트웨어 등으로 구성된 시스템이다. [사진=utoimage]
머신비전은 제조 공정에서 카메라, 광학계, 이미지를 처리하고 분석하는 소프트웨어 등으로 구성된 비전검사 시스템이다. 최근 인공지능 및 빅데이터 등으로 무장하면서 성능이 괄목할 만큼 발전했다. [사진=utoimage]

넘어야 할 산 비정형 자동화 기술

21세기에 들어서며 제품의 라이프 사이클이 줄어들고 소비자들의 니즈가 다양해지면서 맞춤형 생산성이 관건이 됐다. 경제를 견인하는 주력산업이 제조업에서 정보통신기술(ICT)을 포함한 서비스업 중심으로 옮겨가면서 전통적인 제조업도 스마트공장을 필두로 돌파구를 찾기위해 안간힘을 쓰고 있다. 

스마트공장은 제품의 기획부터 설계, 생산, 유통 및 판매까지 전 생산과정을 정보통신기술(ICT)로 통합해 최소의 비용과 시간으로 고객 맞춤형 제품을 생산하는 첨단 지능형 공장을 의미한다. 스마트공장은 인공지능, 빅데이터, 사물인터넷(IoT), 무선통신 등의 기술로 데이터를 연결·수집·분석하는 유연하고 지능화된 공장이며 컴퓨터와 로봇과 같은 장비를 이용해 생산 과정의 무인화 및 자동화를 추구하는 공장 자동화와 구분된다.

스마트공장은 제조 분야별로 그 특성과 운영 방법이 제각기 다르기 때문에 기업의 고유 가치를 반영해 구축할 수 있도록 단계별로 계획을 수립해야 한다. 이중 제조공정의 자동화는 아직까지 해결해야 할 과제들이 많다. 제조공정 및 물류 부문 등에서 기존 컴퓨터와 로봇을 이용해 무인화 및 자동화를 추구하기에는 정형화 하기 어려운 부분이 많아 여전히 사람의 손길이 불가피하다. 이러한 부분을 자동화 할 수 있는 비정형 자동화 기술이 스마트공장의 운명을 가른다 해도 과언이 아니다.

진짜 스마트공장으로 유도할 머신비전

머신비전은 제조 공정에서 카메라, 광학계, 이미지를 처리하고 분석하는 소프트웨어 등으로 구성된 시스템을 통해 사람이 눈으로 보고 판단하는 작업을 빠르고 정밀하게 대신 해주는 솔루션이다. 즉 컴퓨터가 마치 사람이 사물을 인지하고 판단하는 것처럼 구현하는 기술이다. 최근 광학시스템, 인공지능 및 빅데이터 등 첨단 기술이 융합되면서 더 정확한 품질 검사가 가능해졌다.

전통적인 비전검사에서는 엔지니어들이 발생할 수 있는 수많은 변화(결함의 크기, 유형, 위치 등)에 대처할 수 있는 검사 조건을 일일이 직접 프로그래밍해야하기 때문에 많은 시간과 인간의 노력이 필요했다. 이제는 규칙 기반의 머신비전 기술 발전으로 인공지능 기반의 머신비전 기술로 이러한 수고를 덜 수 있게 됐다.

해당 기술에는 머신러닝과 머신러닝의 하나의 방법론으로 볼 수 있는 딥러닝 방식이 있다. 머신러닝은 알고리즘을 이용해 데이터를 분석하고 학습한 후에 그 내용을 기반으로 판단이나 예측을 한다. 머신러닝은 사람이 데이터를 분석하는데 참여하는 반면에 딥러닝은 여러 층을 가진 인공신경망을 사용해 학습을 수행하는 방식으로서 컴퓨터가 자동으로 대규모 데이터에서 중요한 패턴 및 규칙을 학습하고 이를 토대로 의사결정이나 예측을 수행한다. 차세대 검사 방식으로 그 사용 범위가 빠르게 확대되고 있는 딥러닝의 성공 요인은 기존 인공신경망의 한계를 극복할 수 있는 알고리즘의 개발과 신경망 학습에 필요한 방대한 양의 학습데이터가 축적 및 인공신경망을 이용한 학습과 계산에 적합한 GPU 발전을 들 수 있다. 딥러닝의 등장으로 인해 머신비전의 실용성은 강화됐고 인공지능의 영역은 넓어졌다.

타이어 제품에 대한 MOAI 비전 검사 화면 [사진=트윔]
타이어 제품에 대한 MOAI 비전 검사 화면 [사진=트윔]

인공지능 기반 최적화 솔루션

제조 기업에서는 다양한 제품들을 생산하는 과정에서 양품인지 불량품인지 검사하는 과정을 거치게 된다. 최근에는 사람이 일일이 육안으로 검사하는 대신에 머신비전 검사를 통해 많은 기업들의 생산성이 높아졌지만 일반 비전검사기의 경우 작업 환경이 바뀌고 검사하는 기준 수치들이 바뀔 때마다 장비를 새로 세팅해야 하는 번거로움이 있었다. 또한 다양한 불량 유형이나 비정형 형태의 불량 유형에서 검사의 정확도가 떨어지는 한계에 봉착했다. 트윔(TWiM)의 딥러닝 기반의 비전 검사 소프트웨어인 ‘MOAI’는 이러한 문제를 한번에 해결할 수 있는 해결책이다. 

MOAI 비전 검사는 어떠한 검사 유형도 해결할 수 있도록 크게 3가지 모드로(Object Detection, Segmentation, Classification) 구성돼 있으며 각 모드에는 산업용 비전 검사에 특화된 자체 개발한 고성능 딥러닝 알고리즘들이 포함됐다. 

MOAI의 구동 과정은 다음과 같다. 먼저 불량픔 이미지를 입력하면 필요에 따라 학습용 데이터를 더 생성해 결함 유형별로 라벨링을 진행한다. 선택한 모드 및 요구 조건에 따른 학습 단계를 거치면 최적 조건의 딥러닝 모델이 생성된다. 최종 모델이 생성되면 실제 생산라인의 양산품에 대한 검사 이미지를 입력해 양품인지 불량품인지의 판별과 관련된 정보를 출력하게 된다.

학습을 통해 검사에 필요한 요구조건을 모두 만족하는 모델이 생성되면 실제 제조 현장에 설치되어 제품 품질 검사를 진행하게 된다. 다음 그림은 자동차 타이어 제품에 대하여 학습 후 생성된 모델을 사용한 실제 검사 화면이다. 결함 부분의 형태와 위치를 검출하고 유형별로 분류해 사용자에게 보여준다.

트윔의 MOAI는 비전 전문 지식이 없어도 양품과 불량품의 이미지만 있으면 손쉽게 학습시키고 검사할 수 있는 모델을 생성할 수 있다. 불량품이 적을 경우 자체 개발한 학습용 이미지 자동 증분(Augmentation) 기능 및 불량품 이미지 생성(Generative Model) 알고리즘을 사용해 많은 양의 학습용 이미지를 생성함으로써 학습 성능을 높일 수 있다.

학습용 이미지를 생성하는 Generative Model 구성도 [자료=트윔]
학습용 이미지를 생성하는 Generative Model 구성도 [자료=트윔]

하나의 제품에 여러 유형의 불량을 검출할 경우 또는 하나만 불량이어도 단일 조명으로 모든 불량 유형을 검출할 수 있는 조건을 만들어 이미지를 촬영할 수 없는 경우가 발생한다. 이러한 경우에 다양한 조명 조건에서 촬영된 제품 이미지를 하나의 세트로 구성해 한 번에 학습하는 기능을 제공함으로써 학습시간을 줄이고 검사 성능도 높일 수 있다. 다음 그림은 4가지 조명 조건에 따른 이미지를 하나의 이미지 세트로 구성하여 이미지 간의 상관 관계를 분석하여 학습하고 불량을 검출하는 그림을 나타낸다.

일반적으로 딥러닝 모델을 학습하기 위해서는 일정 수준 이상의 양품과 불량품의 이미지가 필요하지만 제품 및 제조 현장의 특성상 불량 제품을 얻는 것이 어려운 경우에 제대로 학습할 수 없는 문제점이 있다. MOAI는 정상 제품의 이미지만으로 학습해 불량 제품을 분류할 수 있는 비지도 학습 방법으로 이러한 문제점을 해결한다. 이상 탐지(Anomaly Detection) 또는 비지도 학습(Unsupervised Learning, One Class Learning)으로 불리우며 불량 이미지 확보 및 라벨링을 위한 노력과 시간을 절약할 수 있다.

이상 탐지(Anomaly Detection) [사진=트윔]
이상 탐지(Anomaly Detection) [사진=트윔]

대용량 이미지의 경우 시스템 사양에 따라 학습이 불가능한 경우에 이미지를 적은 크기로 만들어 학습할 경우 불량 부위에 대한 정보도 왜곡될 수 있어서 검사 정확도가 떨어지게 된다. 이러한 문제점을 해결하기 위해 전체 이미지를 일정 크기로 분할하거나 관심 있는 영역만 분리하여 학습 및 검사하는 기능을 지원한다.

또한 동일 산업군 내에서 유사한 제품을 검사할 경우, 기존에 충분한 학습 데이터를 가지고 학습해 완성된 모델을 학습할 데이터가 부족하지만 비슷한 제품군에 활용하여 학습시간을 줄일 수 있는 전이학습(Transfer Learning)도 지원한다.

트윔 연구소장 김재현 전무 [사진=트윔]
트윔 연구소장 김재현 전무 [사진=트윔]

MOAI의 구축 사례

트윔은 자동차 산업, 식품 산업, 전기 산업, 금속 부품 산업 및 의료·바이오 산업 현장에 MOAI를 기반으로 한 검사장비 및 시스템을 납품하여 그 효과성을 입증했다. 개괄하면 다음과 같다. 

금속 부품: 금속 부품의 특성상 난반사 문제를 해결하는 광학시스템과 다양하고 미세한 불량 유형에 대응하는 딥러닝 모델 생성을 통하여 정확하게 불량 위치를 검출하고 유형을 분류한다.

식품 및 건강 제품: 기존 방법으로 검출하지 못했던 다양한 형태의 비정형 불량(실링, 이물, 오염 및 외관) 및 일부인 검사를 기존 비전처리 방식과 딥러닝 방식을 함께 사용하는 솔루션으로 불량 제품을 검출한다.

의료 및 바이오 분야: 제품 정렬(Alignment)과 함께 제품의 이물, 오염, 스크레치, 파손, 성형 불량 및 찍힘 등의 불량 부위를 검사한다.

스마트공장에 대한 열풍은 몇 년째 사그라지지 않고 있다. 오히려 지금은 무엇이 스마트팩토리이며, 어떻게 준비하면 되는지 더욱 명확해졌고, 그에 따른 다양한 솔루션도 선보이고 있다. 그러나 제조업에서 대량생산 또는 소비자에 맞춤화한 상품을 신속하게 생산해 내는 것도 중요하지만, 무엇보다 중요한 것은 생산된 제품을 통합자동관리해 불량을 사전 검수하고, 그 불량의 원인을 해결해 생산성을 높이는 것이다.

그리하여 필요성이 더욱 대두되고 있는 부분이 머신비전을 통한 품질 검수이다. 바로 트윔이 독자 개발한 인공지능 기반의 비전검사 SW인 MOAI를 사용하면 미검은 없고 과검은 최소화해 제조 현장에서의 생산 효율 및 검사 품질을 향상할 수 있는 스마트팩토리의 본 목적에 부합하는 해결책이라 할 수 있겠다.

 


관련기사

댓글삭제
삭제한 댓글은 다시 복구할 수 없습니다.
그래도 삭제하시겠습니까?
댓글 0
댓글쓰기
계정을 선택하시면 로그인·계정인증을 통해
댓글을 남기실 수 있습니다.