최근 많은 제조기업이 딥러닝 기반 검사 시스템 도입을 고려하고 있다. 기존 규칙 기반 검사 시스템을 보완하고 생산라인 효율을 높이기 위해서다. 규칙 기반 검사 시스템은 통제된 생산라인에서 단순히 양품과 불량품을 판별하는 데에는 효과적일 수 있다. 그러나 생산 품목이 다양해짐에 따라 생산 현장에서 필요한 검사항목도 다양해졌다. 표면 결함 검사, 부품 조립 검사, 난도 높은 텍스트 판독 등 이미지를 확인해야 하는 품질검사에 적용하기에 한계가 있다.
딥러닝 기반 품질검사는 이미지 인식을 통해 지능적 예측과 결정을 내림으로써 규칙 기반 검사시스템 한계를 보완한다. 특히 액체가 덧발라졌거나 반짝임, 흠집같이 복잡한 표면과 성형 결함 처리에 우수한 성능을 발휘한다. 딥러닝 기반 이미지 분석은 문자를 구분해 부품 외형을 개념화하고 일반화할 수 있다는 점에서 기존 규칙 기반 검사와 차별화된다.
딥러닝 검사 시스템 개념은 어린이에게 집이 무엇인지에 대해 알려줘야 하는 상황에 빗대 설명할 수 있다. 우선 사각형을 하나 그리고 그 위에 삼각형을 하나 그린 다음, 창문을 몇 개 더 그린 형태를 집이라고 설명하는 방법이 있다. 다양한 집을 찍은 사진을 보여 주고 집이 어떤 것인지 이해하도록 하는 방법도 있다.
어린이는 여러 사진을 통해 집을 이해하고 집 모양이 다른 건물과 어떤 차이를 갖는지 이해할 수 있다. 이처럼 사례를 통해 학습한다는 점이 생산 활동에서 적용되는 딥러닝과 규칙 기반 검사 시스템의 큰 차이점이다. 딥러닝은 빅데이터, 머신 비전 등과 함께 산업 최전선에서 거대한 변화를 이끌 기술로 주목받고 있다.
제조현장에서 기존 규칙 기반 검사와 딥러닝 검사의 결합은 생산성 향상을 도모할 수 있다. 예를 들어 스마트폰이나 전자제품을 생산할 때 규칙 기반 머신 비전과 딥러닝을 함께 적용해 조립 로봇이 부품을 식별한 후 나사 누락이나 케이스 방향 오류 등을 확인하는 방식이다. 주요 부품 존재 여부와 제 위치에 있는지 등을 판단하면서 결함 여부를 신속하게 파악할 수 있다.
딥러닝 도입 초기 소프트웨어·하드웨어 비용, 엔지니어링 인력 양성, 데이터 수집 소요 시간 등 기능 구현에 비용이 다소 존재하는 점은 사실이다. 그러나 딥러닝 안정화를 달성한다면 그에 따른 직간접적 혜택은 비용보다 훨씬 크다. 그 혜택은 크게 세 가지로 들 수 있다.
우선 제조업체는 기존 규칙 기반검사로 확인이 쉽지 않아 수작업으로 해왔던 업무를 대체할 수 있다. 수작업 검사는 공정 단계 변경과 정기적인 재교육이 수반된다. 최근 인건비 증가로 그 비용이 만만치 않다. 작업자가 집중력을 유지한다면 자동화 솔루션보다 결과물이 우수할 수 있다. 그러나 사람이 15~20분 이상 집중력을 유지하는 데 한계가 있다. 이 때문에 지속적인 생산성을 기대하기 어렵다.
두 번째는 신속한 구현이 가능하다는 점이다. 딥러닝 솔루션은 알고리즘을 코딩하거나 복잡한 규칙을 프로그래밍하는 대신 동일한 시스템이 데이터 세트를 학습한 후 이를 바탕으로 판단을 내린다. 소수의 품질 관리 엔지니어와 수백~수천장 이미지 학습만으로도 단기간 인공지능(AI) 애플리케이션을 구현해 현장에 적용할 수 있다.
마지막으로 검사 결과를 문서화 하는 딥러닝 솔루션은 새로운 오류가 발생했을 때 이전에 검사한 이미지를 통해 보완해야 할 점을 쉽게 파악할 수 있다. 결함을 신속하게 확인함으로써 생산 재개를 위한 불필요한 시간을 줄이고 비용을 절감할 수 있다.
세계적인 인플레이션과 경기침체 여파를 제조업계 역시 맞고 있다. 이럴 때일수록 딥러닝 기반 품질검사 도입으로 생산 효율성을 달성하고 높아지는 고객 요구사항을 충족하며 위기를 기회로 전환할 필요가 있다.
코그넥스코리아 김군규 상무 aiden.kim@cognex.com
