불량 제로 시스템을 갖춰야 품질 관리 공정 자동화 실현이 가능하다. 제조업이 궁극적으로 원하는 바는 불량률을 최소화하거나 제로화 하는 일이기 때문이다. 이를 위해 최근 제조업은 공정 개선을 위한 모니터링 시스템에 많은 투자가 진행 중이다. 세이지리서치는 이런 비전 솔루션으로 기계 학습 기반 지능형 공정 모니터링 시스템인 ‘SaigeVIMS’을 제안하고 있다. 해당 시스템은 IP카메라가 촬영한 영상을 실시간으로 분석해 이상 동작을 감지하는 솔루션이다. 지난 5월 10일 열린 AI 융합 비즈니스 개발 컨퍼런스에서 세이지리서치 홍영석 부대표가 ‘제조업 품질관리를 위한 AI 활용 방법’에 대해 발표한 내용을 정리했다.

 

 

제조업에서 디지털 전환(Digital Transformation)이 성공적으로 이뤄지면서 공장 자동화가 빠르게 진행되고 있다. 자동화 공장에서는 이제 생산 공정이 로봇에 의해 자동화가 되는 것을 확인할 수 있다.

 

그러나 일부 공정에서는 아직 작업자가 단순 작업을 수행한다. 대부분이 품질 육안 검사 공정이다. 완전한 공장 자동화를 위해서는 해당 공정도 자동화를 진행해야 한다. 자동화를 위한 품질 관리 공정에서 해결돼야 하는 문제를 두 가지로 나눌 수 있다.

 

첫 번째는 비전 시스템을 활용한 품질 검사 자동화다. 사실 품질 검사 자동화는 비전 시스템 및 롤 기반 알고리즘으로 자동화가 진행됐다. 그럼에도 AI 기반 머신비전 솔루션은 성능 관련 이슈 등 아직 한계점이 존재한다.

 

두 번째는 지속적인 모니터링을 통한 공정 개선 시스템 구축이다. 불량을 줄이지 않는다면 사실상 품질 관리 공정이 완전히 자동화됐다고 할 수 없다. 지속된 모니터링을 통해 불량 생산물을 최소화하고 결국 불량 제로 시스템을 갖춰야 품질 관리 공정 자동화 실현이 가능하다.

 

세이지리서치 솔루션은 이런 비전을 실현시키는 기술이다. 먼저, SaigeVision은 딥러닝 기반 머신비전 솔루션이다. 공정 단계별로 이미지를 분석해 제품 불량 판별 및 검출 기능을 한다. 그리고 SaigeVIMS는 기계 학습 기반 지능형 공정 모니터링 시스템이다. 해당 시스템은 IP카메라가 촬영한 영상을 실시간으로 분석해 이상 동작을 감지하는 솔루션이다.

 

 

솔루션 사례① - SaigeVision

 

SaigeVision은 사용자가 라벨링된 데이터를 활용해 학습 수행이 가능하다. 학습된 AI 모델 성능 분석 과정을 거치고, A I 모델을 통해 품질 간리 공정에 투입된다. SaigeVision은 결함 검출 및 판별 기능뿐만 아니라, 앞서 설명한 한계점 극복이 가능한 기능을 제공한다.

 

실제로 이차전지 분야에서 다양한 품질 검사에 활용되고 있다. 각형 배터리 영역에서는 외관(안전부품) 검사 공정에 활용되고 있고, 전해액 주입 공정 및 용접 공정에서도 쓰인다. 원통형 소형 배터리 영역은 외관 흠집 및 결함 검사 공정에 임무를 수행 중이다. 특히, CT 기술을 활용해 배터리 내부 음극·양극 상태를 확인하는 오버행 검사 과정에서 도출된 저품질 CT 이미지를 딥러닝 기능을 통해 고품질 CT 이미지로 변환하는 기능도 활발하게 쓰이고 있다.

 

이처럼 딥러닝 기반 머신비전 솔루션이 활약하고 있지만 한계점도 존재한다. 학습 데이터 부족으로 낮은 검출 정확도, 높은 라벨링 비용, 일관성 있는 라벨링 기술 부족, 까다로운 학습 모델 관리, 모델 재학습의 한계 등이다.

 

세이지리서치는 데이터 부족 문제를 해결하는 Image Generation 기능을 제공하고 있다. 해당 기능은 실제와 유사한 가상 결함 이미지를 생성하는 기술로, 실제 결함 데이터가 없더라도 가상 결함 이미지를 사용자 목적에 맞게 생성 가능하다. 검출 정확도 향상·새로운 생산라인에 딥러닝 검사 적용 가능 등 효과가 있다.

 

 

라벨링 비용 측면 한계를 극복하기 위한 솔루션도 개발 중이다. 오토라벨링(Auto-Labeling)은 정상 데이터만으로 학습한 정상과 다른 결함을 구분하는 알고리즘인 이상 탐지(Anomaly Detection) 기술을 활용해 개발 중이다. 오토라벨링을 통해 정상 및 결함 데이터가 필터링되고, 사용자는 필터링된 데이터를 이용해 최종 검수 과정을 거친다. Label-Assist는 최근 몇 번의 클릭과 박스 라벨을 통해 빠르고 정확하게 라벨링이 가능한 오픈소스 API가 많이 개발되는 상황에서 이런 API 오픈소스를 SaigeVision에 통합하는 프로세스를 수행하고 있다.

 

Data Drift로 성능이 저하된 딥러닝 모델에 다시 취득한 데이터를 라벨링·학습·배포하는 과정을 반복하지 않도록 도와주는 Performance Prediction은 딥러닝 모델 관리 솔루션이다. 딥러닝 모델의 신뢰도를 Unlabeled Data로 측정해주는 기능을 한다. 해당 기능을 활용해 주기적으로 딥러닝 모델의 성능 추정이 가능하고, 딥러닝 모델의 신뢰도가 떨어졌을 때 재학습 시기를 알려준다. Active Learning은 Unlabeled Data에서 학습에 효과적인 학습 데이터를 추천하는 기능이 탑재됐다. 10%가량 학습 데이터만 가지고 전체 데이터를 학습하는 효과를 발휘한다. 마지막으로 딥러닝 모델 관리 솔루션은 Continual Learning이다. 추가 학습 시 기존 딥러닝 모델의 정보를 활용해 빠르게 학습하는 장점이 있다.

 

이런 솔루션이 존재함에도 제조업이 궁극적으로 원하는 바는 불량률 최소화와 제로화다. 이를 위해 최근 제조업은 공정 개선을 위한 모니터링 시스템에 많은 투자가 진행 중이다. 가장 대표적인 모니터링 시스템은 IP카메라를 활용한 공정 모니터링 시스템이다. IP카메라를 공정 설비 내 비치하고 공정 과정을 24시간 모니터링하고 영상을 저장하는 시스템이다. 최종 출하물에서 치명적인 반복 불량이 발생했을 때 어떤 공정이 발생했는지 파악하는 데 목적을 둔다.

 

단순히 비전검사를 하는 것보다 이런 모니터링 시스템을 갖추는 것이 품질 관리 측면에서 좋은 방향이라 생각한다. 그러나 문제점도 가지고 있다.

 

첫째는 불량품이 발생한 상태에서 모니터링하는 것이기 때문에 불량품 로스가 존재한다는 것이다. 둘째는 인력이 수많은 카메라를 보고 이상을 찾아야 한다는 것이 불가능에 가깝고 인력 효율성이 떨어진다는 한계점이다. 해당 단점을 극복하기 위해 개발된 솔루션이 지능형 공정모니터링 시스템인 SaigeVIMS다.

 

솔루션 사례② – SaigeVIMS

 

SaigeVIMS는 촬영된 영상을 Video Anomaly Detection(이하 VAD) 알고리즘을 활용해 실시간으로 분석한다. 공정 이상 동작 발생 시 실시간으로 감지하고 영상을 저장한 후 사용자에게 알린다. 전체 공정 모니터링 및 관제·실시간 공정 이상 감지·즉각적 이벤트 알람 등 기능을 통합하는 솔루션이다. 추후 공정 개선을 위한 공정 이상 통계 분석 기능을 탑재할 예정이다.

 

 

지금부터 SaigeVIMS를 개발하는 데 발생한 기술적 시험과 SaigeVIMS에 어떤 모듈이 탑재돼 있는지에 대해 설명하겠다. SaigeVIMS 개발에 발생한 첫 번째 기술적 시험은 △정의되지 않은 공정 이상 동작 및 정의된 동작의 데이터 취득이 까다로운 특성 △동영상 라벨링 시 소모되는 시간 및 비용 △동영상 분석 시 앞뒤 이미지 맥락 파악의 번거로움 등이다.

 

해당 시험을 극복하기 위해 공정 이상을 효과적으로 정확하게 찾아내는 비지도 학습 기반 VAD 알고리즘을 개발해 SaigeVIMS에 적용했다. 정상 영상만으로 정상 데이터 분포를 학습해 새로운 데이터가 정상 범주에 해당되면 ‘정상’, 아니면 ‘이상’으로 분석하기 때문에 앞선 하나와 둘의 시험을 극복할 수 있었다.

 

그리고 자연어 처리 분야에서 많이 사용되는 딥러닝 네트워크 구조인 Recurrent Neural Network(이하 RNN)을 사용했다. RNN은 현재 상태뿐만 아니라 앞뒤 상태를 모두 보고 현재 상태를 판별하는 네트워크 구조다. VAD에 RNN을 접목해 셋의 시험을 극복했다.

 

그러나 VAD만을 사용했을 때 한계가 두 번째 시험이다. 드물게 발생하는 상황에 대한 정상 분류 케이스 판별 관리가 어렵다는 점과 정상과 다른 동작을 모두 비정상으로 분류하는 결함 동작 분류의 한계가 그것이다.

 

이상 동작의 클래스를 구분하는 Video Clustering(이하 VC) 알고리즘을 VAD 뒤에 추가적으로 탑재해 해당 한계를 해결했다. 결함으로 분류된 데이터의 특성과 성질에 맞게 구분하는 기능이다.

 

최종적으로 SaigeVIMS 학습 및 검사 로직에 대해 설명하겠다. 학습은 정상 영상을 학습 영상으로 준비해 학습을 수행한다. 이후 내부적으로 비정상 패치를 자동으로 수집해서 Video Clustering하면 학습 모델이 생성된다.

 

검사는 생성된 학습 모델을 활용해 검사를 수행한다. 그 결과 스코어값을 사용자가 지정한 쓰레셔홀드 값과 비교해 정상 및 이상 판정을 하는 로직으로 돼있다.

 

SaigeVIMS 개발 시 기술적 시험 세 번째가 가장 어려운 부분이었다. 공정 모니터링의 경우, 환경이 구축되어 있지 않다는 특성이 머신비전 검사와는 다른 점이다. 비전검사는 조명 등 환경이 잘 갖춰져 있기 때문에 환경 변화가 크지 않다는 특징이 있다.

 

반면, IP카메라 모니터는 조명·배경 등 환경이 수시로 변한다. 조명이 사라진다거나, 없던 조명이 붙는 경우 등 영상 밝기가 변화하는 경우가 빈번하게 발생한다. 갑자기 배경에 물체가 생긴다든지, 예기치 않은 조명이 배경에 붙는 경우가 대표적이다. 설비 안에 설치했을 때 설비 유지보수 과정에서 IP카메라를 건드려 위치가 벗어나는 변수도 있다.

 

이런 환경 변화가 발생할 때마다 새로운 데이터를 학습해 배포하게 된다면 지능형 공정 모니터링 시스템을 운영하기 불가능하다고 판단했다. 전체 라인에 수많은 카메라가 적용돼 있기 때문이다.

 

이에 세이지리서치는 환경 변화에 대응하는 모듈을 탑재했다. 첫 번째 모듈은 환경 변화를 감지하는 Adaptive Model이다. 해당 모듈은 내부 네트워크를 업데이트해 환경 변화에 대응하는 기능으로, 환경 변화에 대한 재학습이 불필요하다. 두 번째는 ROI Calibration으로, 카메라 틀어짐을 대응하는 알고리즘이다. 카메라가 검사 허용 가능 범위 내에서 틀어졌을 때, ROI를 기존 검사 영역에 자동으로 맞춰주는 기능을 한다. 기존 학습 모델을 지속적으로 활용 가능하다.

 

마지막 기술적 시험은 유지보수 등 작업으로 설비가 멈춰 있는 동안 과검이 발생하는 문제다. 과검 원인은 여러 가지가 있지만, 설비가 다시 가동되는 과정에서 영상 화질이 급격히 떨어지면서 발생하는 경우와 영상에 사람이 잡히는 경우가 대표적이다.

 

현재 설비 상태가 동작 상태인지 정지 상태인지 판별 가능한 Motion Detector 기능을 SaigeVIMS에 적용하면서 해당 문제를 극복했다. 설비가 동작 상태면 검사를 진행하고, 정지 상태면 검사를 중지하는 기능을 통해 검사 과검을 줄이는 효과가 있다.

 

헬로티 최재규 기자 |