[글 트윔 김보철 부사장] 제조사에 새로운 바람이 불고 있다. 기존에는 룰기반(Rule-Based)과 육안검사가 태반이었던 불량검사 공정에서, 인공지능이 자리를 틀고 영역을 확대하는 양상이다.

이처럼 인공지능 비전검사가 대세로 떠오르는 가운데, 국내 최다 검사 자동화 솔루션 구축 사례를 남기며, 인공지능 비전검사에도 뼈가 굵은 트윔이 성공적인 도입 전략을 소개코자 한다.

인공지능이란 ‘컴퓨터로 인간의 사고 및 행동을 수행할 수 있게 하는 모든 기술’로 보면 되겠다. 이 단어는 1956년 미국 다트머스 대학의 존 매카시(John McCasrthy) 교수에 의해 처음 등장했는데 이후 2016년 등판한 구글의 알파고(AlphaGo) 때문에 산업군에도 본격 알려지게 됐다. 

반면 머신비전은 카메라로 이미지를 획득해 컴퓨터로 분석하는 기술이다. 즉, 사람의 눈 역할을 하는 카메라가 이미지를 획득해 제품을 식별하고 검수하며 계측하는 작업들을 수행한다고 보면 되겠다. 물론 기존 육안검사보다는 훨씬 빠르고 단순하다. 육안검사는 검사원마다 불량  기준이 다르고, 또 대량의 물건 검사 측면에서 육체적인 한계에 봉착할 수밖에 없다. 그에 비해 머신비전은 단연 사람이 따라올 수 없는 빠른 속도, 일정한 불량 기준을 유지하는 높은 정확성, 대량 검수에도 흔들림 없는 고성능 등 획기적으로 뛰어난 성능을 자랑한다. 

인공지능과 머신비전의 융합

머신비전도 한계가 없지 않다. 불량이 일률적이지 않다는 점에서 말이다, 머신비전은 가장 기초적인 정상품과 비정상품의 패턴 매칭 작업을 수행하는데, 수많은 불량 유형을 일일이 대조해야 하는 번거로운 작업이 수반될 수밖에 없다. 

이것이 인공지능 딥러닝과의 결합을 촉발시킨 이유이다. 기존 머신비전이 수백 만 가지의 불량유형을 접목시켜야 하는 단점을 인공지능 알고리즘인 딥러닝이 보완하는 것이다. 딥러닝은 다양한 데이터(불량 데이터)를 통한 학습으로 스스로 생각하고 결론(양품/불량)을 내리는데, 학습을 많이 할수록 뛰어난 기량을 보여준다.

인공지능과 머신비전이 유발하는 시너지 효과는 여러 사례를 통해 이미 증명되고 있다. 필름 형태의 식품 상품을 양산하는 K사는 파우치 제품의 결함 유형이 비정형적이고 다양해 검사에 애를 먹고 있었다. 불량 유형도 구김, 찍힘, 스크래치, 배접, 실링, 엠보싱, 오염 등 제각기 달랐다. K사는 인공지능 비전검사 시스템을 도입해 100여개의 불량 이미지를 학습시키고 실전에 투입했다. 기존에는 검사원 10명이서 육안검사로 분당 400포를 검사했는데, 인공지능 비전 검사기 1대가 분당 300포를 소화해 냈다. 현재는 기계 1대로 분당 450포까지 검사를 진행하고 있다. 

또 다른 사례로 자동차 부품 생산업체 S사가 있다. 여기는 금속 제품의 특성으로 찍힘 및 눌림 등의 결함이 발생했는데, 이러한 불량 유형들을 2D비전으로 검사하고 또 육안검사까지 2단계 과정을 밟고 있었다. 그럼에도 불구하고 효율성은 떨어지고 검사원의 피로가 누적돼 인공지능 비전 검사기를 도입하게 됐다. 도입 후 현재 미검율 0%, 시료당 1.3초 검사 및 배출 성과를 도출했으며, 가동율 85%를 무난히 달성하고 있다.

솔루션 도입 시 고려할 점 3가지

인공지능 비전 검사를 도입 시 3가지를 유념해야 한다. 첫째는 불량품 확보이다. 불량품을 샘플로 딥러닝 학습을 해야 문제점을 명확히 알고 해결 방안을 빠르게 도출 할 수 있다. 만일 불량품이 없다면, 불량 데이터라도 많이 비축해야 한다. 앞서 말했듯이 딥러닝은 많은 데이터로 학습을 할수록 정확성이 좋아진다. 높은 정확성과 원활한 공정진행을 위해서도 불량 이미지를 미리 모아 두는 것이 좋겠다. 

둘째는 범용 소프트웨어만 구매해서는 안 된다는 것이다. 물론 학습과 공정을 컨트롤 할 수 있는 인공지능 연구진이 있거나 이미 생산 공정에 머신비전이 구축돼 있다면야 범용 소프트웨어만으로 충분하다. 하지만 전문 인력을 보유하고 있는 기업들이 그다지 많지 않다는 것이 사실이. 그런데 소프트웨어만 도입해서는 비용만 낭비하는 셈이다. 실제로 L사는 굴지의 글로벌 기업의 검사 소프트웨어를 구매했으나 검사 선별 능력에 대한 관리가 부실해 방치한 경우도 있다. 

마지막으로 하드웨어와 소프트웨어 모두 경험이 많은 업체에게 컨설팅을 받길 추천한다. 제조산업에서 불량 검수는 생산 마지막 단계에서 필수 요소이다. 그러므로 공정 환경에 맞게 또 검사하려는 항목에 맞게 맞춤형으로 솔루션을 구현해야 생산성과 효율성을 높일 수 있다. 머신비전은 공정 환경에 따라 또는 검사 대상에 따라 조명과 카메라 해상도 등이 제각기 다른다. 이 같은 하드웨어를 컨트롤할 수 있으며, 검사 소프트웨어의 유연한 관리를 일체 총괄할 수 있어야 관리 받는 측면에서도 안정적이다.

지금 추세로 봤을 때 인공지능 비전검사가 주연이 될 가능성이 높지만 그렇다고 인공지능 비전검사만 도입하는 것이 능사는 아니다. 제품의 종류나 불량의 형태에 따라 룰-기반(Rule-Based)의 검사가 인공지능 비전검사보다 검사율이 나을 수 있어 두 트랙으로 방향을 설정하는 것이 유리할 수 있다. 이에 머신비전의 경험을 기반으로 인공지능 비전을 다룰 수 있어야 룰(Rule) 기반이던 인공지능이던 현장 상황에 따라 적절히 적용할 수 있기에 컨설팅 업체의 노하우와 경험이 중요한 것이다. 

최정훈 기자 다른기사 보기