▲ [사진 = (주)AiV(아이브)]

2016년 3월, 구글의 딥마인드 AI ‘알파고(AlphaGo)’와 당시 세계 최고의 바둑기사인 한국의 이세돌 9단의 대결 ‘딥마인드 첼린지 매치(Google Deepmind Challenge match)’가 열렸다. 한국어, 중국어, 일본어, 영어로 전 세계에 생중계되며, 많은 관심을 모았던 이 대결은 우리의 소망 섞인 예상과는 다르게 알파고의 4:1 완벽한 승리로 끝나면서 많은 이들이 충격에 빠졌다. 그리고 이 세기의 대결은 AI 시대의 개막을 알리는 신호탄이 되었다.

4차 산업혁명을 이끌고 있는 인공지능 기술이 점차 고도화 되면서 제조 및 물류 산업 현장에도 새로운 바람이 불러오고 있다. 무엇보다 ‘규칙기반 알고리즘’을 토대로 인력이 직접 투입되어 육안으로 확인하던 불량 검사 공정에서 인공지능신경망을 기반으로 하는 비전검사 솔루션이 가장 두드러진 활약을 하고 있다. 아직 시작 단계임에도 불구하고 자동화 구축, 불량 제품 유출의 1차적인 목표를 넘어 빅데이터 구축을 통해 불량을 발생하는 요인을 찾아 불량률까지 감소시킬 수 있는 솔루션이 개발되며, 각종 산업현장에서 많은 성공사례를 남기고 있다. 이런 가운데 국내 딥러닝 머신비전 전문기업 ‘㈜아이브(AiV, 대표 성민수)’에서 개발하는 딥러닝 검사 솔루션이 다양한 산업 현장에서 큰 활약을 하며 업계 관계자들에게 엄청난 주목을 받고 있다. 이에 본지에서는 이곳을 찾아 집중 취재를 진행하였다.

 
제조업에 특화된 최고 수준의 딥러닝 알고리즘과 광학기술 및 하드웨어 설계 역량 갖춰

㈜아이브(AiV)’가 세계 최고 수준의 딥러닝 비전 기술과 메카트로닉스의 융합을 통해 제조업을 탈바꿈 시키는 지능화 자동화 솔루션을 개발하며, 다소 단순하게 돌아가던 제조업의 현장에 4차 산업의 새로운 바람을 불어넣고 있다. 아이브는 제조업 생산과정의 마지막 단계인 불량제품 검사 공정에 대한 탁월한 기술력을 확보하며, 국내 최고 수준의 인공지능 자동화 검사 솔루션을 선보이고 있다.

㈜아이브의 가장 큰 경쟁력은 제조업에 특화된 최고 수준의 딥러닝 알고리즘과 광학기술 및 하드웨어를 설계할 수 있는 역량, 그리고 이러한 기술을 개발하고 더욱 고도화할 수 있는 최고 수준의 전문 인력을 보유하고 있다는 것이다. 실제 다수의 양산 경험과 다양한 프로젝트를 진행한 경험을 가지고 있는 전문팀을 구성한 ㈜아이브는 창업 2년 만에 주요 딥러닝 컴퓨터 비전 기술을 자체적으로 개발 완료하여 양산을 시작했으며, 새로운 인공지능신경망 도입을 더욱 용이하게 할 수 있는 소프트웨어 플랫폼까지 개발하여 운영 중이다.

 불량률 검사를 위한 기존의 육안 확인방법과 규칙기반 알고리즘 검사 방식, 한계점 도달하다

제조업의 일반적인 생산과정을 보면 ‘원자재 투입 → 가공 → 조립 → 검사’의 과정을 거친다. 불량품을 검사하는 과정은 크게 2가지 영역으로 나눌 수 있다. 계측의 영역과 외관상의 이상을 잡아내는 영역이다. 현재 대부분의 현장에서는 매우 단순한 방법으로 제품의 불량 여부를 판별한다. 사람이 직접 육안으로 비정형적인 외관을 가진 불량제품을 찾아내거나, 규칙기반 알고리즘 기반의 Traditional machine vision(MV)의 힘을 빌려 불량제품을 검사하고 있다. 육안검사는 비용이 높고 일정한 품질 관리가 어렵다는 치명적인 단점이 있다. 인건비 상승으로 인해 비용적인 부담이 가중되고, 검사 인력의 숙련도에 따라 검출률 및 과검률이 상이하기 때문에, 일정 수준 이상의 고품질을 유지하기 위한 품질 관리에 명확한 한계가 있다. 규칙기반 알고리즘 방식은 비정형적인 불량을 검사하기가 매우 어렵다. 불량의 기준을 수동으로 명확하게 설정을 해야 비로소 규칙기반 알고리즘 검사가 가능하고, 치수 등의 명확한 기준 설정이 가능한 불량 외에는 검사가 상당히 힘들다. 최적화를 위한 시간 및 비용이 지속적으로 발생한다는 것도 기존 방식의 큰 단점이다. 이런 이유로 여러 자동차 제조업체는 규칙기반 알고리즘 방식의 장비를 구축한 후에도 가동을 포기하고, 인력이 대신 투입되어 검사를 대체하고 있는 실정이다.

AiV, 메카트로닉스 기반의 ‘머신비전 검사장비’와 ‘인공지능신경망’을 직접 설계

불량의 특징을 스스로 학습, 복잡한 불량검사도 표준화 및 자동화 할 수 있어

산업 현장에서 자동화 불량 검사 공정을 적용하기 위해서는 무엇보다 불량제품의 검출력에 대한 기준이 완벽히 충족 되어야 한다. 그렇기 위해서는 검출 알고리즘의 성능과, 최적의 광학적 설계는 기본이고, 다양한 산업 현장의 특성에 맞춤화된 하드웨어 조건이 필수적이다. 딥러닝 알고리즘이 우수해도 광학계/하드웨어가 최적의 상황으로 적용이 되지 않는다면 성능적인 부분에서 크게 떨어지게 된다. 현재 대부분의 딥러닝 전문 기업은 이미 오픈이 된 소스(Open Sourse)를 활용하기 때문에 검출 성능이 상당히 미흡한 상황이다. 또한 시스템의 최적화가 되어 있지 못하기 때문에 검사 공정에 필요한 최소한의 물리적 시간조차 따라가지 못하는 현상이 발생, 실제로 실용화 되지 못했다. 하지만 ㈜아이브는 메카트로닉스 기반의 ‘머신비전 검사장비’와 ‘인공지능신경망’을 직접 설계 및 개발에 성공하며, 완벽한 인공지능 기반의 불량품 자동화 검사 솔루션을 구축할 수 있는 기반을 이루어냈다. 성민수 대표는 “당사는 인공지능신경망, 그리고 특정 불량을 잡아낼 수 있는 소프트웨어를 입힌 머신비전 솔루션을 개발하여 제공하고 있다. 딥러닝 알고리즘을 통해 불량의 특징을 스스로 학습하고 정의하여 비정형적인 불량은 물론 복잡한 불량 검사도 표준화하고 자동화할 수 있는 시스템이다”고 ㈜아이브의 솔루션에 대해서 정의했다.

인공지능신경망 스스로 검사 대상의 불량 특징을 추출, 최적화 된 검출모델을 스스로 생성

자동차, 전기전자, 광학 제품 등 micron 단위의 매우 정밀한 불량 검출도 완벽히 수행

그렇다면 ㈜아이브의 솔루션은 무엇이 어떻게 다른 것인지 그 과정과 핵심을 들여다보자. ㈜아이브 인공지능 솔루션의 적용 과정을 보면 먼저 양품과 불량품의 실물, 그리고 이미지에 대한 정보를 수집한다. 불량 제품의 이미지를 촬영하거나 이미 설치된 규칙기반 알고리즘 머신비전 이미지 데이터를 활용할 수 있다. 여기에 sanitized 유사 불량 이미지 데이터와 augmented 데이터도 추가할 수 있다. 이렇게 입력된 데이터는 지속적인 사례 학습을 통해 인간 지능 수준의 일반화와 개념화가 이루어지고, 현장 품질 담당자의 판단에 따라서 라벨링 된 불량 및 양품의 이미지 데이터로 딥러닝 모델이 생성된다. 추가로 발생되는 불량 데이터도 학습을 통해 지속적으로 고도화가 진행된다. 이렇게 계속해서 자가 학습하는 딥러닝 기반의 인공지능 알고리즘은 양품 및 불량품 유형을 판별에 대한 정확도가 계속해서 증가하게 되고, 기존에 라벨링이 완료된 불량/양품과의 대사를 통한 ‘미검율/과검률’의 분석도 가능하다. 마치 인간이 검출대상의 이미지를 보고 불량품과 정상품 간의 차이를 인지하여 검출하듯이, 인공지능신경망이 스스로 대상의 특징을 추출하고 이를 기반으로 최적화 된 검출모델을 스스로 생성하는 것이다.

이와 같은 과정을 통해 만들어진 딥러닝 알고리즘은 검출 알고리즘 성능의 최적화와 불량 시인성을 극대화 하는 광학기술을 적용하여 자체 설계한 메카트로닉스 요소에 완벽하게 융합되어 각기 다른 산업현장에 딱 맞는 맞춤형 머신비전 솔루션으로 탄생하게 된다. 광학적인 측면을 조금 더 자세히 보면 다양한 재질과 규격의 제품에서 발생하는 불량의 특성을 분석하여 최적의 검사를 할 수 있는 광학기술을 적용하였다. 2차원 광학계의 이미지뿐만 아니라 3D reconstruction을 통해 제품의 3차원 정보 및 외관, 모양을 파악하는 기술도 고도화 중이며, 철저한 현장 실사와 분석을 통해 최적의 장비를 설계하고 있다.

이곳의 딥러닝 기반 자동화 검사 솔루션은 자동차 부품과 전기전자, 정밀 광학 제품 등 micron 단위의 매우 정밀한 불량 검출 수준을 요구하는 곳의 검사 기준을 완벽히 충족하는 것은 물론이고, 고속 검사가 가능하여 볼트/너트 등을 생산하는 현장에도 적용이 가능하다. 또한 FMCG, 미용 렌즈와 같이 다품종 검사의 범용적 모델, 그리고 입체적이고 복잡한 형상의 3D정보가 필요할 때에도 활용이 가능하다.

성 대표는 “고객 산업 현장에 최적화된 딥러닝 검출 알고리즘을 개발하여 제공하고 있다. 고객이 직접 학습 및 모델 개발을 할 수 있는 개발자 모드의 알고리즘도 제공하며 웹서비스로 Nexus의 기능/성능을 현장 담당자가 직접 체험해 볼 수 있다”고 언급했다.

총 35개의 PoC(Proof of concept) 성공적으로 수행, 85% 이상 양산프로젝트 돌입

‘자동차 부품, 전기차 배터리팩 생산 공정에서 불량 검출률 99.9% 달성’, 탁월한 효과 입증

㈜아이브는 이처럼 현재 보유하고 있거나 개발 중인 다양한 기술을 기반으로 산업 자동화를 위한 다양한 서비스를 제공하고 있다. 머신비전 검사 솔루션은 자체 딥러닝 알고리즘과 현장에 맞춤화된 하드웨어 및 광학엔지니어링을 통합하여 검사 장비 솔루션으로 제공하고 있으며, 최적화된 딥러닝 검출 알고리즘을 소트프웨어 형태로 제공한다. 또한 고객이 직접 학습모델을 개발할 수 있는 개발자 모드의 알고리즘과 딥러닝 기반의 pelletizing, de-pelletizing 등 물류 자동화 시스템을 고도화할 수 있는 솔루션도 제공이 가능하다.

이곳의 솔루션은 현재 여러 산업현장에서 적극 활용되고 있거나 앞으로 활용될 예정이다. ㈜아이브는 총 24개의 PoC(Proof of concept)를 수행하여 성공했으며, 그 중 22개가 양산프로젝트로 전환되었다. 이미 양산과정을 마쳐 현장에 적용된 경우도 있다. 올해 초 자동차 부품기업 ‘㈜센트랄’에 볼조인트의 불량 검사를 위한 딥러닝 검사 솔루션 공급을 완료했으며, 역시 자동차 부품기업 ‘삼기EV’에 전기차 배터리팩에 대한 검사 솔루션을 제공했다.

㈜센트럴에 공급한 솔루션은 볼조인트를 구성하는 금속 가공 제품 및 고무 제품에서 발생할 수 있는 찍힘, 이물, 변형 등 모든 불량을 육안 검사자 보다 높은 정확도로 검출할 수 있다. 이와 함께 기계적으로 타각된 영문·숫자를 딥러닝으로 인식하면서 영문·숫자의 미세한 겹침 현상을 검출할 수 있으며, 6축 다관절 로봇과 회전체 검사 방식을 활용해 3D 형상의 제품 전면을 검사할 수 있도록 설계되었다.

AI검사를 마친 ㈜센트랄의 볼조인트는 현대차그룹을 비롯해 GM과 포드, 벤츠, 포르쉐 등에 전량 납품된다. 성 대표는 “볼조인트의 불량 검출률이 100%를 기록했다. 과검률도 0.5% 이하로 달성하여 기존 육안 검사에 대비해서 훨씬 정밀하고 정확한 불량 검출이 가능해졌다. 생산 효율성 증대뿐만 아니라 공정 효율화를 개선하고 품질향상 및 비용 절감 등의 효과를 거두었다”고 언급했다.

‘삼기EV’에 공급한 딥러닝 검사 솔루션은 전기차 배터리팩을 외부 충격으로부터 보호하는 역할을 하는 엔드플레이트의 불량여부를 검사하는 장비로 인공지능 검사 소프트웨어와 장비를 모두 포함해서 공급했다. 앤드플레이트의 불량 검출 달성율 또한 99.9%를 달성하였으며 과검률을 3%이하로 대폭 낮췄다. 효율성 증대와 공정 효율을 대폭 개선하는 것은 물론이고 품질향상 과 비용절감 등의 효과를 가져왔다는 평가를 받고 있다.

‘Unsupervised Anomaly Detection’ TOP 선정

‘Deep learning Computer vision All industrials’, 전 산업에 걸친 서비스 제공할 계획MVTec의 ‘industrial domain data set’ 기준(2021년 2Q) ‘unsupervised anomaly detection’에서 ㈜아이브의 알고리즘이 전 세계 Top을 달성할 정도로 세계적으로 널리 기술력을 인정받고 있다. 마지막으로 성민수 대표는 ‘Deep learning computer vision all industrials’라는 슬로건 아래 제조업 외에도 전 산업에 걸친 서비스를 제공할 계획이다. 기존 물리적 검사구를 대체하고 개발 단계의 제품 치수를 검증하는 3D 기반의 공용 외관 치수 측정 솔루션을 제공 예정이며, 아이브의 핵심 서비스인 Vision inspection SW는 web-services의 형태로 제공할 예정이다. 당사는 궁극적으로 자동화 검사 과정 구축 및 불량품 유출의 최소화를 넘어 불량이 발생하는 주요 원인을 찾아 이를 제거하는 것을 목표로 하고 있다”고 언급하며 앞으로의 힘찬 청사진을 밝혔다.