제조 과정에 변화를 일으키는 딥러닝 기술
[테크월드=선연수 기자] 지난 10년간의 기술 변화 속도는 역사상 거의 유례가 없을 정도로 빨랐으며, 앞으로는 더욱 가파른 속도로 변화가 이어질 것이다. 블록체인을 비롯해 로봇공학, 엣지 컴퓨팅, 인공지능(AI), 빅데이터, 3D프린팅, 센서, 머신비전, 사물인터넷(IoT)은 산업 분야에 적용된 기술 변화 중 일부에 불과하다.
이제는 제조 산업에서도 이런 기술을 도입하고 활용 방안에 대해 전략적으로 계획을 수립하는 것이 중요하다. 미국의 현재 연간 산업 활동 중 2조 1700억 달러(한화 약 2580조 원)를 제조 부문이 차지하고 있지만, 맥킨지(McKinsey) 컨설팅에 의하면 불과 5년 후인 2025년까지 스스로 공정을 판단하고 작업하는 지능화된 ‘스마트팩토리’로 인해 많으면 3조 7000억 달러(약 4400조 원)의 가치가 창출될 것으로 전망된다.
특히 제조업계의 허브인 아시아 지역에서의 공장·제조 환경 자동화는 이제 사업적 선택이 아닌 필수적인 것이라고 볼 수 있다. 아시아의 한국, 중국, 일본, 인도, 대만은 전 세계 제조업 생산량 상위 10위 내에 들며, 이들 생산량의 총합은 전 세계 총 생산량의 약 40%를 차지한다. 그러나 기존의 방식만을 고수하며 디지털화된 제조 공정 역량을 갖추지 않는다면, 공정 시설 운영에 대한 비용 지출을 줄이기 어렵고 고객에게 차별화된 가치를 제공하는 것도 어려워질 것이다.
머신비전 기반 시스템의 장단점
기존의 머신비전 시스템은 일관적이고 규칙적으로 제조된 부품에서 안정적으로 작동했다. 그러나 예외적인 상황이 점점 늘어나고 결함의 유형이 다양해지면서, 적합한 검사 진행에 어려움이 발생하게 된다. 배율, 회전, 배치, 왜곡 등으로 인해 부품 외형이 약간 변동되는 것 정도는 머신비전 시스템으로 검사할 수 있지만, 복잡한 표면 텍스처와 이미지 품질 문제는 더욱 복잡하고 까다로운 검사가 요구된다.
머신비전 시스템은 시각적으로 매우 비슷한 부품끼리의 변동성과 편차를 감정하는데 적합하지 않은 경우가 있다. 부품의 유틸리티에 영향을 미치는 ‘기능적’ 이상 현상은 대부분은 승인 거부의 원인이 되지만, 성형 측면의 이상은 제조업체의 요구나 선택에 따라 거부 원인이 되지 않을 수 있다. 가장 큰 문제는 기존 머신비전 시스템으로는 이런 결함을 구별하기 어렵다는 점이다.
머신비전 한계 넘는 딥러닝 이미지 분석
딥러닝 이미지 분석은 이런 상황의 대안이 될 수 있으며, 제조업을 포함한 산업 전 영역에서 공장자동화의 기회를 열어주고 있다. 딥러닝에 기반한 이미지 분석은 육안 검사의 정교함과 유연성에 컴퓨터 시스템의 신뢰성, 일관성, 속도를 결합한 형태다. 이는 기존 머신의 접근 방식으로는 유지 관리를 거의 할 수 없었던 까다로운 비전 애플리케이션의 문제를 해결할 수 있다.
또한, 딥러닝 모델은 허용 범위를 초과하는 실제 결함을 검출하고, 학습을 통해 많은 변형을 거친 복잡한 패턴을 찾아내는 작업을 동시에 수행할 수 있다. 코어 알고리즘을 다시 프로그래밍하지 않아도 새로운 예시에 맞게 바로 조정할 수 있으며, 이를 통해 부품의 위치 파악, 검사, 분류, 문자 인식 과제 등을 육안 검사나 기존 머신비전 솔루션보다 더욱 효과적으로 해낸다.
이런 장점들로 매우 복잡한 자동화 과제를 해결하기 위해 딥러닝에 기반한 솔루션과 인공지능으로 시스템을 전환하는 글로벌 주요 제조업체의 사례가 계속 늘어나고 있다.
딥러닝 기반 머신비전 기술
코그넥스는 더 많은 기업들이 공장자동화를 시행할 수 있도록, 딥러닝을 접목한 다양하고 향상된 머신비전 제품을 개발하기 위해 많은 투자와 노력을 지속하고 있다. 공장자동화 전용 딥러닝 기반 이미지 분석 소프트웨어인 ‘코그넥스 비전프로 비디(VisionPro ViDi)’는 자동화 시스템의 정확성, 반복 가능성, 빠른 처리 속도로 제조업계가 자동화하기 어려워했던 작업을 지원한다. 기존 비전프로의 핵심 기능인 위치, 검사, 분류 툴에 딥러닝 기반 광학식 문자 인식 기능을 추가로 지원해, 글꼴 학습 훈련을 거치지 않아도 표준 텍스트를 판독해낸다.
또한, 작년 10월 한국의 수아랩을 인수하면서 제조·공장 자동화를 위한 딥러닝 기반 비전 검사에 활용할 수 있는 소프트웨어, 툴, 전문 지식을 키웠다. 비전프로 비디와 수아랩의 수아킷(SuaKIT)의 이점을 결합함으로써 더욱 유용한 검사 기능을 제공할 방침이다.
결론
딥러닝 기술을 성공적으로 구현해 제조·공장자동화 전략을 실시하게 되면, 비용을 절감하고, 내부 공정을 개선하고, 기존에는 불가능했던 복잡한 검사 애플리케이션을 자동화해 처리량을 높이는 등의 효과를 거둘 수 있다. 이제 기업은 자동화를 위한 딥러닝 기반 머신비전의 도입을 적극적으로 검토해봐야 할 시기를 맞이한 것이다.
글: 코그넥스 딥러닝 한국 영업총괄 조재휘 지사장
자료제공: 코그넥스
- 이 글은 테크월드가 발행하는 월간 <Embedded> 2020년 3월 호에 게재된 기사입니다.
그래도 삭제하시겠습니까?