[코그넥스코리아 김민수 전무] 딥러닝 이미지 분석은 다양한 산업 분야에서 공장 자동화 기회를 제공하고 있다. 표면 결함 검사에서부터 다양한 부품의 조립 검사, 난이도 높은 텍스트 판독에 이르기까지 딥러닝 기반 비전 시스템은 다양한 새로운 애플리케이션을 처리할 수 있다.

물론 기존 룰 베이스(Rule-Base) 방식의 머신비전도 알려진 변수가 있고 통제된 환경 내의 조립 라인에서는 쉽게 적용할 수 있지만, 실제 작업 현장에서의 일들이 모두 분명하게 정의되지는 않기 때문에 실질적 난제들을 해결하기 위해서는 딥러닝의 도입이 필요하다. 특히 딥러닝은 제조 기술 분야에 적용되어 이미지 인식을 통해 지능적 예측 및 결정을 내리는 역할을 수행하며 그 중요성이 더욱 커지고 있다.

머신비전을 통한 파우치 표면 검사 [사진=코그넥스]

하지만 공장 관리자의 입장에서는 신기술의 잠재적인 장점을 얻기 위해 이미 잘 작동하고 있는 기존 프로세스를 바로 바꾸는 것을 주저할 수 밖에 없다. 새로운 기술을 도입하고 효율성을 개선한다면 추가적인 혜택을 얻을 수 있지만, 반대로 라인 운영이 중단되는 등의 상황으로 부정적인 영향이 발생할 수 있기 때문이다. 그래서 공장 자동화를 시도하기 어려운 분야로 생각하는 경우가 많지만, 자동화 전략에 딥러닝을 성공적으로 구현하게 되면 비용 절감과 비효율적인 내부 프로세스를 개선할 수 있으며 생산량 향상을 실현할 수 있다.

코그넥스의 딥러닝 솔루션은 생산업체가 지금까지 자동화하기 너무 어려워서 사람의 수작업에 의존해 수행해 온 품질 검사에 대해 보다 현명한 결정을 내릴 수 있도록 지원한다. 공장 자동화 프로젝트 시작 단계의 기업을 위한 코그넥스의 구체적인 제언에는 ‘적절한 프로젝트 기대치 설정’, ‘딥러닝 도입 투자 수익률(ROI) 이해’, ‘자원 투입 계획 위한 필요 인력 파악’, ‘파일럿 프로젝트로 소규모 시작’, ‘단계별 진행’ 등이 있으며, 이에 대한 구체적 이해를 통해 자사 상황에 맞는 최적의 딥러닝 솔루션 도입이 가능하다.

프로젝트에 대한 적절한 기대치를 설정할 것

딥러닝 기반 머신비전이 복잡한 공장 애플리케이션 해결에 도움이 될 수는 있지만, 현실적으로 모든 경우를 다 해결할 수는 없다. 그러므로 작업 프로세스 중 딥러닝으로 가능한 일에 대한 적절한 기대치를 설정하는 것은 프로젝트 시작에서 매우 중요한 부분이다.

딥러닝 도입의 투자 수익률 (ROI)을 이해할 것

현실적인 프로젝트 투자 회수는 일반적으로 현재의 접근방식과 유사한 수율을 유지하면서 비용을 절감하거나, 비용을 동일하게 유지하면서 수율을 크게 개선함으로써 충족된다. 직접적인 ROI는 딥러닝 솔루션의 비용을 현재의 접근 방식과 비교하는 것이기 때문에 간단하며 여기에는 이미지 수집 비용, 인건비 및 교육 비용 등 소프트웨어 및 하드웨어 비용에서부터 개발 시간과 비용에 이르기까지 모든 것이 포함된다. 간접적인 ROI는 금전적 수치 뿐 아니라 간접적 편익과 같은 모든 추가 이익을 측정하며, 현재 진행 중인 공장 자동화 및 디지털 변환에는 이력 관리, 지속적인 개선, 업스트림(Upstream) 공정 제어 및 분석이 모두 필요하다.

자원 투입 계획을 위해 필요 인력을 파악할 것

딥러닝 프로젝트에는 비전 개발, 품질, 이미지 라벨링, 데이터 수집의 4개 분야에서 핵심 인력이 필요하다. 먼저 비전 개발자는 딥러닝 비전 분석 솔루션을 구현하는 것은 물론 조명과 이미지 형성을 최적화하는 역할을 수행한다. 다음으로 품질 전문가는 이미지를 분석해 등급을 매기고 합격/불합격, 결함의 종류 등을 결정한다. 딥러닝의 예시 기반 학습 접근방식은 모델을 트레이닝시키기 위해 명확하고 일관성 있게 등급이 매겨진 이미지에 의존하기 때문에, 품질 전문가의 중요성이 크다. 그리고 프로젝트가 더 큰 이미지 세트를 축적함에 따라, 이미지 라벨링은 학습 세트의 모든 이미지에 대해 정확하고 일관성 있게 수행되어야 하기 때문에 이를 위해 품질 전문가와는 별개로 이미지 라벨링 전문가 필요할 수 있다. 또한 시간의 경과에 따라 사업이 확장될 경우에는 이미지, 등급, 라벨, 메타데이터를 포함한 모든 정보를 기록하고 정리하는 데이터 수집가도 필요하다.

파일럿 프로젝트를 통해 소규모로 시작할 것

딥러닝 파일럿 프로젝트는 ‘보다 전체적인 자동화 전략에 대한 광범위한 효용성을 평가하고, 그간 전혀 수행되지 않았거나 수동으로 수행 중인 검사 또는 검증 프로세스를 자동화한다’라는 두가지 주요 목표를 갖고 작게 시작하는 것이 중요하다. 전통적인 룰베이스 비전으로는 쉽게 해결할 수 없지만 결코 생산에 성공하지 못할 정도로 어렵지는 않으면서 확실한 투자 회수가 가능한 프로젝트를 선택해야 하며, 핵심 니즈에 초점을 맞추고 딥러닝이 공장 자동화 환경에서 할 수 있는 것과 할 수 없는 것에 대한 핵심 역량과 이해를 개발해야 한다. 대부분의 제조 환경에서 파일럿 프로젝트로 시작할 수 있는 가장 좋은 프로젝트는 일반적으로 생산 라인 끝에서 이루어지는 ‘최종 검사’ 또는 제조 단계 사이의 문제를 포착하기 위한 ‘인라인 조립 검증’이다. 이 두 가지 애플리케이션은 기존 룰베이스 머신비전 애플리케이션이 조명, 각도 및 부품 외관 상의 변화를 식별하는데 어려움을 겪고 있기 때문에 첫 번째 파일럿 프로젝트에 적합하다. 또한 이런 유형의 검사는 일반적으로 검사 기준이 잘 정의되어 있으므로 자동화된 솔루션을 구현하기 전에 품질 측정 기준을 만들고 강화할 필요가 없다.

단계별로 프로젝트를 진행할 것

일반적으로 프로토타입 제작, 이미지 데이터 수집, 최적화, 검증 및 배포의 단계로 아래와 같은 수순을 밟으며 프로젝트를 진행하는 것이 좋다.

n프로토타입 제작 - 현재 공정이 딥러닝으로 해결하기에 적합한 것인지 판단해야 하며, 등급 판정 및 라벨링을 거친 이미지 데이터베이스 획득 및 딥러닝 접근법을 시험하기 위한 PoC (Proof of Concept) 시스템을 구축해야 한다.

n이미지 데이터 수집 - 생산라인에 카메라와 조명시스템을 통합하고, 이미지 자료 수집과 정리를 시작한다. 기준 데이터 설정을 위해 이미지 세트의 최적화 및 라벨링의 일관성을 유지해야 한다.

n최적화 – 딥러닝 솔루션이 성능 목표를 충족할 때까지 개선해야 하므로 전체 중 가장 긴 단계가 되어야 한다. 딥러닝의 결과와 수동 결과를 비교하고, 필요에 따라 시스템 조정과 재교육을 시행한다.

n검증 및 배포 – 앞선 단계들을 통한 사용 적합성을 확인한 뒤 생산 공정에 적용한다. 실제 공장 적용 테스트를 실시하고, 향후 변화에 대비한 지속적 모니터링과 개선 프로세스를 수립한다.

전세계적 팬데믹 상황으로 시장은 한치 앞도 내다보기 어려워졌고, 제조 업계의 경쟁 상황은 날이 갈수록 치열해지고 있다. 계속해서 높아지고 있는 제품 완성도에 대한 소비자의 기대치를 충족시키면서도 장기적으로는 비용 효율성 또한 달성해야 하는 것이 현재 제조업체들의 가장 중요한 과제다. 딥러닝 솔루션을 기반으로 한 머신비전은 공장에서의 정확한 제품 품질 검사로 생산 비용을 절감하고, 제품 품질을 개선해 제품에 대한 고객 신뢰도를 높일 수 있도록 도와준다. 포스트 코로나 시대의 세계 시장에서 계속해서 도약하기 위해서는 딥러닝 솔루션을 통한 실질적인 공장 자동화 추진을 적극적으로 진행해야 할 때이다.

[최정훈 기자 (news@industrynews.co.kr)]

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