헬로티 서재창 기자 |
산업지식인은 실무자의 질문을 전문가가 자세하게 답변해주는 코너입니다. 산업지식인에는 MTV 웨비나에서 발표자와 질문자가 주고받았던 질의응답을 한 데 모아봤습니다.
산업 현장에서는 제조 공정에 딥러닝을 적용하기 위한 시도가 늘고 있습니다. 기업들이 고민하는 지점은 검사 속도, 비용 합리성, 사용 편의성 등이 있을 텐데요. 이러한 궁금증을 해소하기 위해 라온피플은 '딥-러닝 검사를 최적화하다, NAVI AI'라는 주제로 웨비나를 진행했습니다.
이 웨비나에서 라온피플은 당사의 솔루션인 NAVI AI Toolkit 4.0을 통해 딥러닝이 현장에 적용됐던 사례를 중심으로 검사 속도, 비용 합리성, 사용 편의성 등을 살펴봤습니다.
Q & A
Q : 딥러닝 기반의 검사방식에서 고려해야 할 사항은 무엇인가?
A : 딥러닝 검사방식에서는 AI 기술과 마찬가지로 데이터의 유효성이 여전히 중요하다. 그 예로, 수량, 유효성, 새로운 데이터에 대한 처리 등이 있다.
Q : 딥러닝 기반으로 검사했을 때 비정형 검사 위주로 하면 부하가 많이 걸리지 않나?
A : 정형, 비정형에 따라 부하 차이는 크게 나타나지 않는다. 다만 정형, 비정형에 따라 학습량의 차이가 있을 수 있고 동일량의 학습 진행 시 정확도에 차이가 있을 수 있다.
Q : NAVI AI 도입 시 최소의 비용으로 최대의 효과를 볼 수 있는 적합한 분야는?
A : 모든 분야에 적용될 수 있다. 빠른 시간 안에 효과를 보는 부분은 경험상 분야에 관계 없이 외관검사 관련된 부분으로 양불판정하는 파트에서 효과를 볼 수 있다.
Q : NAVI AI 도입 시 중요하게 변경되는 부분은 어떤 것이 있는가?
A : 어느 공정이나 새로운 시스템 도입을 위해서는 변경이 불가피한 것이 사실이다. 경우에 따라 다른 부분이 있지만 검사 부분만 변경된다고 가정했을 때 하드웨어 일부(경우에 따라 GPU 장착)와 소프트웨어 변경이 있고 데이터 수집과 학습에 필요한 인력이 필요하다.
Q : DLL 기반의 딥러닝 라이브러리를 제공하는 것으로 알고 있다.
A : 라온피플 학습 툴인 NAVI AI 트레이너로 학습 모델을 생성하고, 실제 비전 검사에 적용하는 부분에서 딥러닝 라이브러리를 사용하실 수 있다. c++, c#, python 언어로 사용 가능하다.
Q : NAVI AI가 정확하게 동작하기 위해 GPU의 성능은 어느 정도인가?
A : 학습 기능 중 Patch Train 설정을 통해 대용량 이미지에 대한 학습 및 검사를 가능하도록 했다. 특히 검사 전 당사의 툴에서 학습 모델을 TensorRT로 학습 모델을 최적화해 검사 시간과 메모리 성능까지 효율적으로 사용할 수 있다.
Q : NAVI AI에서 사이즈 640x640x3 기준, RTX 3080, 3090 GPU의 경우 Inference Speed는?
A : Classificiation의 경우 640x480x3, 3080 gpu에서 12.5ms다. 이것을 당사의 툴 내 모델 최적화 기능으로 1.38ms 속도로 가능하다. Segmentation은 1280x960x3, 3080으로 14ms, 최적화 후 5ms으로 가능하다.
Q : NAVI AI에서 비정형 불량 검사는 어떤 방식으로 검사가 가능한 것인가?
A : 검사하려는 불량 이미지를 준비하고 불량 위치를 표시하는 라벨링을 해주면 된다. 이후 NAVI AI 툴을 이용해 학습·검사가 가능하도록 돼 있다.
Q : NAVI AI가 딥러닝 수행 시 어느 정도의 데이터를 필요로 하며, 성능은 어느 정도인가?
A : 데이터의 난이도에 따라 데이터의 수량은 달라진다. 단순한 이미지의 경우 적은 수량으로도 100% 가깝게 정확성이 나오지만 미세한 불량일 경우 데이터 수량도 많이 필요하거니와 반복학습도 필요하다.
Q : 딥러닝을 잘 모르는 개발자가 NAVI AI 툴킷을 이용해 딥러닝 검사 모듈 개발을 진행할 수 있는가?
A : NAVI AI 툴킷에서 제공되는 API 사용은 어렵지 않다. 또한, 쉽게 사용하도록 샘플코드도 제공하고 있다. 제공 언어는 기본적으로 C++, C# 지원된다.
Q : NAVI AI는 어떤 측면에서 비용 절감이 가능한가?
A : 구축 비용 절감은 생산 공정에서 TensorRT·OpenVINO 등을 이용해 고가의 GPU을 사용하지 않거나 기존 인텔 CPU을 이용해 검사 장비를 구축 가능해 비용 절감을 가져 올 수 있다.
Q : NAVI AI는 어떤 면에서 사용자 UI·UX가 반영됐는가?
A : UI의 경우 학습 툴인 NAVI AI Trainer에 적용돼 있다. 학습 과정에 비전문가도 쉽게 사용하도록 제작됐다.
Q : 당사의 딥러닝 솔루션이 기존 제품과 차별화된 점은 무엇인가?
A : 당사는 사용 편의성을 위해 전용 NAVIAI Trainer라는 앱이 개발돼 손쉽게 딥러닝 학습 및 테스트가 가능하다. 검사 속도 및 비용 합리성을 위해 자체 네트워크 역시 최적화돼 있지만, TensorRT/OpenVINO 적용을 앱에서 할 수 있어 고가의 GPU나 인텔의 CPU만으로 검사가 가능해 구축 비용을 감소시킨다.
Q : 개발을 위한 전제조건이나 개발언어 제한 등 조건이 있는가?
A : 현재 C++, C#, Python 제공 중이다. 각 언어 별로 샘플 프로그램을 제공하고 있어 딥러닝 검사 부분에서는 큰 전제사항 없이 사용 가능하다.
Q : AI 학습에 적용하기 어려운 고해상도 & 대용량 이미지의 경우, 어떤 방식으로 학습에 적용하는가?
A : 만약 같은 패턴이 반복이 되는 이미지의 경우 저희는 Patch train이라는 이미지를 잘라서 학습시키는 방법으로 적용하고 있다. 패턴이 반복이 되지 않는 이미지의 경우 영역을 분리시켜서 학습하는 방법도 사용을 하고 있다.
Q : NAVI AI 4.0에서는 시뮬레이션이나 증감현실 기능도 제공되는가?
A : 현재 이미지에 대한 테스트 기능은 지원하고 이미지를 증강 시키기 위한 augmentation 기능은 제공을 하지만, 시뮬레이션이나 증강현실 기능은 지원을 하지 않는다.
Q : 보통 어떤 시스템에서 데이터를 얻을 수 있는가?
A : 대부분 이미지 수집을 위해 카메라를 설치해 데이터를 취득하고 ,만약 기존 검사가 이뤄지고 있는 부분에서 딥러닝을 적용하려고 할 경우 기존 시스템의 이미지를 수집해서 진행을 한다.
Q : NAVI AI 구매는 소프트웨어만 구매하고 서버나 인프라는 자체 구축해야 하나?
A : NAVIAI의 경우 소프트웨어로만 구성돼 있고 자체 개발 인원이나 설비 팀이 있으면 서버나 인프라 구축은 자체 구축하면 된다.
Q : NAVI AI의 오탐율은 어느 정도며 그 오탐은 어떻게 해결하는가?
A : 어떤 검사 방법이나 100%는 없다고 본다. 다만, 보다 성능이 좋게 나올 수 있도록 다양한 방법이 적용되고 있다. 실제 적용에 있어 딥러닝 검사 방법뿐 아니라 룰 기반의 검사도 병행하도록 권고하며, 애매한 불량 유형에 대해서는 육안 검사를 진행한다. 다만 육안 검사의 수량을 딥러닝을 통해 대폭 줄인다. 당사의 경우 오탐율을 해결하기 위해 모델을 여러 개 사용하는 앙상블 기법을 주로 사용한다.
Q : 학습 데이터 1만 장, 10만 장을 전부 학습시키는 방법보다 100장 정도 학습하고 생성된 모델 기반으로 분류 결과에 따라 분류를 잘하지 못한 데이터에 대해서만 추가 학습을 진행하는 게 낫나?
A : 모든 이미지를 학습 시키기 위해서는 레이블에 시간이 많이 소요가 되고 사람이 하다 보니 레이블 과정에서 문제가 생길 수 있다고 본다. 초기 확실한 몇 장(10%) 정도 집중해서 레이블하고 이것을 기반으로 나머지 시료를 테스트해 잘못된 것만 추가해주는 방식이 시간·비용·성능 면에서 우수할 것 같다.
‘딥-러닝 검사를 최적화하다, NAVI AI’이라는 주제로 다양한 질의응답이 오고갔습니다. 제조 공정에 활용되는 딥러닝 검사 솔루션을 이해하는데 조금이나마 도움이 되셨나요?
해당 주제와 관련해 궁금한 사항은 하단에 있는 댓글창에 댓글로 입력해주세요. 전문가가 직접 답변해드립니다. 이와 더불어 위 내용을 다룬 발표 자료를 공유 받고 싶다면, 댓글창에 메일 주소를 남겨주시길 바랍니다.
