[인더스트리뉴스 조창현 기자] 자동차 산업에서 머신비전에 대한 이용이 확산되고 있다. 지금까지 주로 활용하던 조립검사 영역을 넘어 차체 각 부분에 사용되는 부품들이 올바르게 양산됐는지 확인하기 위한 부품검사, 완성차 생산 이후 진행하는 외관검사 등에도 활발히 이용되고 있는 추세다.

현재 자동차 업계뿐만 아니라, 다양한 산업군에서 AI를 활용한 머신비전에 대한 관심이 증가하고 있다. [사진=utoimage]

특히 부품검사는 작업자의 경험과 물리·정신적인 상태에 따라 검사결과가 바뀔 수 있어 일관성이 떨어지기에 안정적이면서 객관적인 판정을 진행하기 위해서는 머신비전 개발 및 활용이 필수적이다. 뉴로클은 자동차 공정 내 비전검사 진행시 발생 가능한 난제를 해결하고 자동차 전 공정에 적합한 딥러닝 기술을 제공하고 있다.

완성차 업체 R사는 우수한 품질을 기반으로 업계에서 고객 신뢰도를 견고히 쌓아왔다. 부품 결함 및 작업 상황을 판단하는 검사를 자동화하고자 하는 니즈가 컸던 R사는 오랜 시간에 걸쳐 자동차 생산 공정에 대한 검사 자동화를 추진했으며, 딥러닝 기술 기반 검사가 차량에 대한 완전성을 높일 수 있을 것이라 판단했다. 이에 전문 개발 엔지니어를 고용, 약 2년간 딥러닝 알고리즘과 모델을 개발해왔지만 잦은 부품 개선 및 공정 변동 같이 다양한 환경 변화로 인해 실제 라인에 적용하기에는 어려움이 존재했다.

과검 발생 및 성능 부진으로 진행률 저하

R사가 딥러닝 비전 모델을 적용해 진행하려는 검사는 볼트 조립 유무 판단 및 VIN 넘버 인식 등 크게 두 가지다. 우선 볼트 조립 유무를 판단하는 프로젝트 같은 경우, 기존에는 스마트 비전 카메라를 통해 작업 유무를 검사했으나, 지속적인 과검이 발생했다.

문제 해결을 위해 비전 카메라를 통해 1차 검사를 진행하고, 2차에서는 작업자가 육안으로 검사하는 등 두 차례에 걸친 검사 과정을 진행했다. 다만 검사 과정을 2단계로 나눠 진행하게 되면서 검사 소요 시간 및 리소스에 대한 부담이 증가하게 됐다.

또 VIN 넘버를 인식하고 수출용 VIN과 내수용 VIN을 분류하는 작업에서는 검사 수행을 위한 문자 인식(OCR) 및 분류(Classification) 같이 총 2가지 딥러닝 모델이 필요했다. R사는 OCR 모델 성능 부진으로 목표하는 검사 속도에 도달하지 못하고 있었으며, 검사 자동화 추진에도 제동이 걸리게 됐다.

검사 자동화 달성에 차질이 생긴 R사는 다양한 공정에서 일관된 검사 성능을 보장할 수 있는 뉴로클이 보유한 솔루션을 접하게 됐다. 뉴로클 솔루션을 도입한 R사는 기존 개발한 딥러닝 알고리즘과 모델에 대한 문제점을 파악하게 됐으며, 비전검사 관련해 난항을 겪던 문제들도 해결해냈다.

뉴로클은 뉴로티(Neuro-T)와 뉴로알(Neuro-R) 등 다양한 솔루션을 제공하고 있다. [사진=뉴로클]

자동차 비전검사 난제 해결하는 뉴로클 ‘오토 딥러닝’

R사에서 진행한 볼트 조립검사 과검은 부정확한 레이블링이 원인인 것으로 파악됐다. 딥러닝 모델 개발을 외주로 진행한 탓에 산업 전문가가 아닌 엔지니어들이 일부 레이블링을 진행했으며, 비전문가가 레이블링을 진행하는 과정에서 문제가 생긴 것이다.

뉴로클은 오토딥러닝(Auto Deep Learning) 기술을 통해 산업 전문가가 직접 모델링 전 과정을 진행할 수 있는 환경을 제공했다. 오토딥러닝 기술은 딥러닝 모델 생성을 위해 거쳐야 하는 복잡한 파라미터 세팅 및 최적화 작업에 대해 자동 진행할 수 있는 ‘모델 학습 알고리즘’이며, 단 한 줄의 개발코드 없이 한 번의 학습만으로 고성능 딥러닝 모델을 생성해낼 수 있다. 알고리즘은 뉴로클 학습 소프트웨어 ‘뉴로티(Neuro-T)’에 내재돼 있으며, 기존에는 전문지식이 필요했던 부분을 뉴로티 소프트웨어가 전담하기에 산업 전문가가 직접 검사 프로젝트를 핸들링 할 수 있게 된다.

오토딥러닝 기술을 적용한 R사 조립검사 프로젝트는 현장 전문가들이 레이블 데이터 내 Class를 조정하는 것만으로도 개선된 성능을 냈고, 레이블링 진행 과정에서는 뉴로클 제공 자동 레이블링 기능 ‘오토레이블링(Auto-Labeling)’을 활용해 리소스를 최소화했다. 또 오토딥러닝 기술 기반 모델 학습을 통해 기존 목표치였던 과검률 0.5% 미만을 달성하고, 검사 공정도 두 단계에서 한 단계로 단축했다.

차량 VIN 넘버 인식 관련 자료 [자료=뉴로클]

검사 시간 단축에도 효과적

R사가 볼트 조립검사와 함께 추진하는 VIN 넘버 인식 및 분류 프로젝트 수행을 위해서는 문자 인식 모델과 분류 모델을 병렬적으로 연결한 형태를 갖춰 검사에 적용해야 됐지만, 개별 모델 성능과 모델 구동 환경 같은 세부 요소들이 검사 속도에 영향을 미칠 가능성이 존재했다.

R사에서 고안한 기존 딥러닝 모델 중 문자 인식 모델은 각 VIN 넘버 내 텍스트를 인식하고, 분류 모델은 VIN 형태를 분석해 내수용과 수출용을 나누는 것이다. 오토딥러닝 소프트웨어 뉴로티를 활용하게 된 R사는 각 딥러닝 모델을 생성한 이후, multi GPU에서 모델을 구동해 기존에는 개당 약 2초 정도 소요됐던 검사 시간을 0.6초까지 단축했다.

또 모델 인퍼런스타임(Inference Time)을 사전 시뮬레이션할 수 있는 인퍼런스센터(Inference Center)도 적극 활용했다. 인퍼런스센터는 딥러닝 모델을 산업현장에 적용하기 이전 POC 과정에서 성능을 예측하고 평가하는 것을 돕는다. 뉴로티 내 인퍼런스센터를 활용한 R사는 시행착오 없이 단기간 내에 프로젝트를 구축했다.

뉴로클 솔루션 검사 적용 예시 [자료=뉴로클]

제조 공정서 검사 정확도 보장

뉴로클 오토 딥러닝 비전검사는 외관검사 및 조립검사 등 다양한 공정 내 검사에 활용해 완성품 품질 향상에 도움을 준다. 외관검사 과정에서 뉴로클 딥러닝 모델은 표면 재질 특성으로 인해 난반사가 발생하는 모터캔(Motor Can)이나 자동차 휠, 후드 구성품 등 프레스 성형물에서 진성불량만을 명확히 찾아낸다.

아울러 뉴로클은 광학계 조성과 이미지 취득, 모델 생성시 이미지 전처리 같이 자동차 검사 프로젝트를 진행하며 쌓은 노하우를 고객에게 전수할 수 있으며, 엔진과 기계부품 등 차량 실내외를 구성하는 부품과 관련된 외관 결함 검사와 함께 차량별 제품 출하 이전 누락된 부품 유무에 대해 확인하는 검사 등도 진행할 수 있다.

또 조립검사는 복잡한 검사 과정으로 이뤄진 프로젝트가 대다수이기에 딥러닝 기반 결함 검출 및 위치 인식 모델을 활용해 이미지 외관상 변수를 유연하게 파악할 수 있다. 뉴로클에 따르면 기존 조립검사 시스템은 사용자가 특정 영역에 대해 검사 관심 영역 또는 결함 포함 영역으로 구분할 수 있어야 하며, 규칙 기반 검사 알고리즘은 복잡한 조립검사 프로젝트에 부적합하고 잦은 오류를 수반하기에 딥러닝 모델을 활용이 조립검사에 적합하다.

뉴로클 제공 뉴로티는 차량 문 내 몰딩 영역 수십개를 파악하고 각 몰딩에 대한 불량을 검출해야 하는 복잡한 검사에서도 정확도 99% 및 빠른 속도를 달성하며 성공적인 검사를 수행한 바 있다. 이에 뉴로클은 딥러닝 모델이 많은 모델을 동시에 이용해야 되거나 빠른 검사 속도를 요구하는 프로젝트에 적합하며, △실링검사 △용접검사 △VIN검사 등에서도 우수한 성능을 낸다고 전했다.

[조창현 기자 (news@industrynews.co.kr)]

[저작권자 © FA저널 SMART FACTORY, 무단 전재 및 재배포 금지]