전자산업을 위한 AI와 머신 비전의 결합

생산 공정의 자동화와 품질 개선은 전자산업의 주요한 요구 사항이다. 그럼에도 불구하고 일부 애플리케이션은 규칙 기반 알고리즘으로 프로그래밍하기에 너무 복잡하며, 시간과 비용이 과도하게 발생한다. 

전문 검사관을 통해 처리하는 과정에서도 오류가 발생하거나 생산이 지연될 수 있다. 이에 대한 대안으로 대두되는 것이 딥러닝 기반 솔루션들이다. 딥러닝은 인간의 '예시를 통해 학습하는 기능'을 로봇과 기계에 학습시키는 방식으로, 정밀 검사와 최첨단 제조 공정 등으로 적용 범위가 확대되고 있다. 

육안 검사의 정교함과 유연성에 컴퓨터 시스템의 신뢰성, 일관성, 속도를 결합한 딥러닝 소루션은 기존 설비의 접근 방식으로는 유지관리가 거의 불가능했던 비전 애플리케이션을 관리할 수 있다.

VisionPro ViDi

코그넥스 VisionPro ViDi는 부품 위치 파악, 외관 검사, 분류, 문자 판독이 필요한 까다로운 전자 애플리케이션을 해결하도록 고안된 딥러닝 기반 이미지 분석 소프트웨어다. 전문 검사관과 비슷한 수준의 검사 기능과 컴퓨팅 성능을 제공해 현장의 새 부품과 결함 유형을 쉽게 학습시킬 수 있다. ViDi 딥러닝 기술은 크게 4가지 툴로 구성돼 있다.

▲ViDi 블루-위치: 블루-위치 툴은 특징점이 표시된 이미지를 이용해 학습하며 알고리즘을 통해 부품을 찾거나 투명한 의료용 유리병의 수 계산, 패키지 어셈블리 검사 등을 수행할 수 있다. 블루-위치 툴을 학습시키기 위해서는 대상의 특징이 표시된 이미지를 제공하면 된다.

▲ViDi 레드-분석: 레드-분석 툴은 이상, 미적 결함을 감지하는 데 사용된다. 뚜렷하지만 허용할 수 있는 변형을 포함해 물체의 정상적 외관을 학습함으로써 장식된 표면의 긁힘, 불완전하거나 부적합한 어셈블리, 직물의 짜임새를 비롯한 수많은 문제를 식별한다. 

▲ViDi 그린-분류: 그린-분류 툴은 물체나 전체 장면을 분류하는 데 사용된다. 포장을 바탕으로 한 제품 식별, 용접 이음매의 분류, 허용 가능하거나 허용 불가능한 결함의 분리 등 라벨 표시된 이미지 컬렉션을 바탕으로 서로 다른 등급을 구분하는 방법을 학습한다. 그린-분류 툴을 학습시키기 위해서는 할당된 라벨이 표시된 이미지를 제공하면 된다.

▲ViDi 블루-판독: 블루-판독 툴은 광학 문자 인식(OCR) 툴로, 변형됐거나 비뚤어졌거나 선명하게 새겨지지 않은 문자 판독에 사용된다. 사전 학습된 글꼴 라이브러리는 추가적인 프로그래밍이나 글꼴 학습 없이도 대부분의 텍스트를 판독한다. 또 특정 OCR 애플리케이션 요구 사항에 맞게 다시 학습시킬 수 있고, 비전 전문가의 도움 없이도 쉽고 빠르게 구현할 수 있는 특징이 있다. 

상기 특징을 지닌 VisionPro ViDi의 전자산업 도입 사례는 다음과 같다.

인쇄 회로 기판 어셈블리 검증

최종 어셈블리 검증이 진행되는 동안 조명으로 인한 미묘한 대비, 원근, 방향의 변화 또는 금속 표면의 반짝임 등으로 인한 외형의 사소한 차이는 자동 검사 시스템에 혼란을 초래할 수 있다. 

또 서로 밀집된 부품들은 머신 비전 시스템에서 독립적인 구성품으로 구분하기가 쉽지 않다. 이런 검사를 규칙 기반 알고리즘으로 프로그래밍할 경우 많은 시간이 소비되고, 쉽게 오류가 발생할 수 있으며, 현장 엔지니어가 유지 관리하기 쉽지 않다. 검사관은 이러한 구성품을 식별할 수 있지만 고속 처리에 대한 요구는 충족할 수 없다는 한계가 있다.

VisionPro ViDi 블루-위치 식별 툴은 ‘양호’한 것으로 판단된 이미지에서 구성품을 식별하는 방법을 학습해 정상적인 외형의 참조 모델을 구축한다. 툴은 구성품의 크기, 모양과 표면 특징에 따라 구성품의 두드러진 특징을 일반화하며, 구성품의 정상적인 외형은 물론 기판상에서의 일반적인 위치까지 학습한다. 런타임 도중 외형이 변화해도 구성품을 식별하고 카운팅 하기 때문에 구성품의 존재 또는 누락 여부는 물론, 기판이 올바르게 조립됐는지까지 검사를 통해 파악할 수 있다.

납땜 레지스트 검사

납땜의 사소한 결함조차 배선 파손, 누전과 기타 전기 문제의 원인이 될 수 있다. 이러한 결함은 크기, 모양, 그리고 반사광으로 인해 외형도 다양하다. 이런 조건에서는 중요한 부품 검증에 대한 자동 검사를 프로그래밍하기 쉽지 않다.

ViDi 블루-위치 툴은 납땜 레지스트의 대표 이미지 세트를 학습 시켜 ‘양호’ 또는 ‘불량’한 납땜의 일반적인 외형을 파악하며, 반사광이 변하는 경우에도 PCB에서 레지스트를 찾을 수 있다. 다음 단계에서는 납땜 레지스트를 검사해 브리징, 피킹 또는 갭핑 등의 기능적 이상 현상을 찾아야 하는데, ViDi 레드-분석 툴을 감독 모드로 사용해 알려진 툴에 ‘양호’한 납땜의 대표적 세트와 결함으로 표시된 ‘불량’ 납땜을 학습시켜 검사를 가능하게 한다.

VisionPro ViDi는 마우스 다이오드의 자연적인 텍스처는 물론 납땜의 정상적인 외형까지 학습하며, 납땜 결함이 있는 모든 다이오드를 올바르게 감지할 수 있다.

하우징 외관 검사

긁힘, 흠집, 기타 외관 결함은 기능성에 영향을 미치지 않지만 최종 품질과 고객이 인지하는 품질에는 영향을 미친다. 또 일부 외관 결함은 고객의 명확한 거부 원인이 될 수도 있다. 그러므로 제조업체는 특정 결함을 찾고, 이를 사소한 결함과 구분할 수 있도록 검사 시스템을 학습시켜야 한다.

이렇게 복잡한 검사를 규칙 기반 알고리즘으로 프로그래밍하기 위해서는 복잡한 결함 라이브러리가 필요하다. 육안 검사는 유연성은 높으나 속도가 너무 느리며 신뢰성과 일관성이 떨어진다는 한계가 있다.

엔지니어는 ViDi 레드-분석 툴을 감독 모드로 사용해 긁힘과 같은 특정 결함을 찾는 동시에, 중요하지 않은 이상 현상과의 차이를 허용하도록 학습시킬 수 있다. 레드-분석 툴은 대비가 낮거나 제대로 캡처되지 않은 이미지를 처리할 수 있도록 최적화돼 있다. 소프트웨어는 사소한 외관 결함을 인식하거나 무시하도록 학습해 심각한 긁힘이 있는 이미지를 결함으로 구별해 낸다.

4. 사전 조립 검사와 배터리 모듈 외관 검사

사전 조립 검사 중에는 덮개가 조립되기 전 휴대전화의 구성품에 대한 검사가 진행된다. 배터리는 하우징 과정에서 파손될 수 있으며, 배터리를 찾고 검사하는 과정은 휴대전화 어셈블리의 혼란스럽고 어지러운 배경으로 인해 까다로울 수 있다.

엔지니어는 ViDi 레드-분석 툴을 감독 모드로 사용해 ‘양호’한 이미지와 결함으로 표시된 ‘불량’ 이미지 모두를 학습할 수 있다. 레드-분석 툴은 이러한 이미지에서 일반적으로 허용 가능한 차이를 포함한 배터리의 정상적인 외형을 학습한다. 공정에 배치되고 나면 레드-분석 툴은 결함이 있는 배터리를 식별해 거부한다.

5. IC 납 외관 검사

반도체 제조 공정은 엄격한 품질 관리가 특히 중요하다. 제조업체는 긁혔거나 뒤틀렸거나 휘었거나 누락된 핀에 항상 주의를 기울여야 한다. 또한 칩의 경우 오류에 매우 취약한 편이므로 표면적인 결함조차 거부의 원인이 될 수 있다. 잠재적인 결함 유형이 많은 만큼, 검사를 규칙 기반 알고리즘으로 프로그래밍하는 것은 비효율적이다.

VisionPro ViDi는 모든 이상 특징을 식별하기 위한 단순 솔루션을 제공하며, 심지어 '불량' 이미지에 대한 학습도 필요하지 않다. 대신 엔지니어는 ViDi 레드-분석 툴을 사용해 소프트웨어를 자율 모드의 ‘양호’한 이미지 샘플에 대해 학습시켜야 한다. VisionPro ViDi는 칩의 납과 핀에서 정상적인 외형과 위치를 학습하고, 정상에서 벗어나 결함에 속하는 모든 특징을 구별해낸다.

6. 커패시터 분류

전자 구성품을 분류하는 작업은 부품이 각각 여러 등급으로 나뉘고, 어느 정도 시각적인 차이를 지닌 경우 특히 까다로울 수 있다. 커패시터는 제조업체와 사양에 따라 유형(세라믹, 전자)이나 크기, 색상이 다르다. 심지어는 같은 유형 내에서도 패턴의 차이가 있을 수 있다.

ViDi는 커패시터를 동적으로 구분한 다음 유형별로 분류한다. 엔지니어는 먼저 ViDi 레드-분석 툴을 사용해, 감독 모드에서 소프트웨어에 ‘양호’한 부품으로 분류된 것으로 판단된 이미지 세트를 학습시킬 수 있다. 검사의 두 번째 부분에서는 그린-분류 툴이 각 커패시터의 속성을 학습하는 동시에 같은 유형 내의 변동을 허용한다. 그러면 툴은 겉보기에 유사한 경우에도 색상과 마킹으로 다양한 전기 커패시터를 구분할 수 있다.

인공 지능과 머신 비전의 결합, 전자산업 경쟁력 강화의 필수 조건

적절한 딥러닝 기반 솔루션을 도입한다면 제조 업체는 제품의 가장 사소한 부분까지도 검사해 품질을 최적화할 수 있으며, 공정 초기 단계에서 오류를 감지해 낭비를 최소화할 수 있다. 이를 통해 궁극적으로 고객 만족도까지 개선할 수 있기 때문에 인공지능과 머신 비전의 결합은 이제 전자산업의 경쟁력을 강화함에 있어 필수적인 조건이라 할 수 있다.

글 | 코그넥스 코리아

- 이 글은 테크월드가 발행하는 월간 <EMBEDDED> 2019년 9월호에 게재된 기사입니다.