공장 자동화를 위한 딥러닝 도입에 대한 제언

COGNEX

딥러닝 이미지 분석은 산업 전반에서 공장 자동화의 기회를 열어주고 있다. 딥러닝 기반 비전시스템은 표면결함 검사부터 부품 분류, 조립 확인, 품질 등급 판정 및 까다로운 텍스트 판독에 이르는 수많은 새로운 애플리케이션을 처리할 수 있다.

기존의 '룰 베이스(rule-based)' 방식의 머신비전은 안정적으로 작동하고, 상당 수준의 정확도가 요구되는 애플리케이션에서 두각을 보였다. 예를 들면 유도, 식별, 측정, 검사와 같은 작업을 매우 빠르고 정확하게 실행할 수 있었다. 이러한 종류의 머신비전은 변수가 명확한 경우에 사용하면 좋다. 부품의 유무, 물체 간 정확한 간격, 로봇이 부품을 집어야 하는 위치 등과 같은 변수가 여기에 해당하는데 통제된 환경에서는 이러한 변수를 확인하는 작업을 조립라인에 적용하기가 수월하다. 하지만 변수가 명확하지 않은 경우에는 어떻게 될까?

그래서 머신 비전용 딥러닝을 활용해야 한다. 딥러닝은 예시 기반 학습과 신경망을 이용하여 결함을 분석하고 물체를 찾아 분류하며 인쇄된 마킹을 판독한다. 라벨이 표시된 여러 예시를 토대로 정상 이미지에 대해 네트워크를 학습시키면 컴퓨터에서는 예상되는 변수를 고려해 양호한 부품과 결함있는 부품 간의 차이를 가려낼 수 있다.

하지만 공장 관리자가 새로운 기술의 이점을 누리기 위해 기존의 공정을 포기하기란 쉽지 않다. 만약 공장 관리자가 새로운 기술을 도입하여 효율성을 향상한다면 이는 회사에 이득이 되겠지만, 새로운 기술을 도입했는데 라인 가동이 중단된다면 수많은 부정적인 영향이 발생하게 된다.

하지만 자동화 전략에 딥러닝을 성공적으로 구현하면 비용 절감, 비효율적인 내부 공정 개선, 룰 베이스 방식 비전 툴로는 불가능한 복잡한 검사 애플리케이션의 자동화와 처리량 증대라는 효과를 거둘 수 있다.

딥러닝을 처음 접하는 공장 및 제조업체인 경우 다음과 같은 사항을 고려한다면 기술이 가져다주는 긍정적인 면에 대해 조직의 지지를 얻고 비용을 유발하는 실수와 시간 낭비를 방지할 수 있다. 딥러닝을 올바르게 구현한다면 첫 프로젝트의 성공을 발판 삼아 더욱 야심 찬 계획을 바탕으로 전략적으로 확장할 수 있다.

다음은 첫 번째 딥러닝 파일럿 프로젝트를 시작하기 전에 고려해야 할 5가지 사항이다.

1. 적절한 기대치 설정

2. 투자 수익률(ROI) 이해하기

3. 리소스 계획 및 요구 사항

4. 파일럿 프로젝트는 소규모로 시작

5. 단계별로 프로젝트 진행

자동화 전략에 딥러닝을 성공적으로 구현하면 비용 절감, 비효율적인 내부 공정개선, 룰 베이스방식 비전툴로는 불가능한 복잡한 검사 애플리케이션의 자동화, 처리량 증대라는 효과를 거둘 수 있다.

1. 적절한 기대치 설정

딥러닝은 불량 부품과 양호한 부품을 식별하도록 신경망을 활용하여 이미지 라이브러리를 기반으로 애플리케이션을 학습시킨다. 딥러닝 프로젝트는 인간과 유사한 판단력을 가지고 머신비전의 확장성 및 안정성을 결합한다. 하지만 새로운 기술이 늘 그러하듯, 여기에도 고려해야 할 사항과 절충이 필요한 부분이 있다. 딥러닝 머신비전은 수많은 복잡한 공장 애플리케이션을 해결할 것으로 여겨지지만 결코 만병 통치약은 아니다.

바로 이것이 어떤 프로젝트에서든 딥러닝이 무엇을 할 수 있는 지에 대한 기대치를 적절하게 설정하는 것이 중요한 이유이다. 절충이 필요한 부분을 사전에 알아두는 것이 관건이다. 딥러닝 애플리케이션을 제대로 학습시켜 성능을 잘 발휘하게 하려면 다양한 결함이나 허용 가능한 부품 편차를 보여주는 포괄적인 학습 이미지 세트가 필요하다. 이러한 이미지는 제조 환경의 조명 및 부품의 외관에서 수집된 것이어야 한다. 이것이 딥러닝 프로젝트의 성공에 필수 요소이다.

게다가 수집된 이미지에 대해 적합한 등급을 판정하고 라벨을 표시해야한다. 다시 말해, 품질 전문가가 모든 프로젝트의 시작부터 참여해야한다.

마지막으로, 시스템 개발이 완료되면 생산 공정에 돌입하기 전 테스트를 거쳐야 한다. 딥러닝 시스템이 실험 단계에서는 원활한 성능을 발휘하지만 막상 생산 환경에 배포되었을 때 문제를 일으키는 경우가 종종 있다. 사용자의 불만은 익숙한 룰 베이스 방식 머신비전 시스템과 딥러닝 시스템 간의 예상치 못한 차이에서 기인하곤 한다.

딥러닝 비전 솔루션의 적합성 여부는 시스템을 생산 라인에 설치하기 위해 반복적으로 수행해야 하는 과정이다. 또한 기존의 머신비전 시스템과는 달리, 딥러닝의 이미지 학습 및 검증은 개발 단계 중에 완료되어야 한다. 공장 도입 테스트가 이뤄질 때까지 차일피일 미룰 수는 없다. 딥러닝에는 학습에 활용할 수많은 샘플이 필요하며, 우수한 성능의 딥러닝 툴을 학습시키는 데 필요한 대표 이미지 세트를 포착하는 데 시간이 소요될 수도 있다.

2. 투자 수익률 이해하기

딥러닝이 우리에게 무엇을 해줄 수 있을까? 이는 회사나 공장의 관리자가 제기할 만한 질문이다. 이 질문의 진정한 의미는 투자 대비 수익이 어떻게 되느냐 일 것이다. 딥러닝 시스템은 저렴하지 않으므로 그러한 노력을 감수하기 위해서는 눈으로 확인할 수 있는 이득이 있어야 한다.

프로젝트의 현실적인 투자 수익은 현재의 접근 방식과 유사한 생산량을 유지하면서 비용을 낮추는 방식이나, 비용은 동일하게 유지하면서 생산량을 대폭 늘리는 방식 중 하나를 통해 달성하는 것이 일반적이다. 특히 수동공정을 대상으로 비교할 때는 처리량도 투자 수익률(ROI)의 한 요인이다. 또 다른 방법은 직접 및 간접 투자 수익률 관점에서 생각해 보는 것이다. 직접 ROI는 딥러닝 솔루션의 비용을 현재 접근 방식과 비교하므로 복잡할 것이 없다.

여기에는 소프트웨어 및 하드웨어 비용부터 개발 시간과 비용은 물론, 이미지 취득, 인건비, 교육비용에 이르기까지 모든 것이 포함된다. 간접 ROI는 단순한 금전 이상의 추가적인 모든 이점을 측정한다. 프로젝트 관리자는 간접적인 이득을 대변하는 정확한 금전적 수치를 산출할 수 없더라도 이를 고려할 필요가 있다. 이력관리, 지속적인 개선, 업스트림 공정 제어 및 분석은 모두 현재 진행 중인 공장 자동화와 디지털 혁신에 필요하다.

3. 리소스 계획 및 요구사항

모든 딥러닝 프로젝트에는 4가지 핵심 작업이 수행되어야 한다. 한 명의 직원이 한 개 이상의 역할을 맡을 수도 있지만 어떤 분야의 전문가가 필요한지 사전에 알아 둔다면 유용할 것이다. 예를 들어 딥러닝 기술은 공장 자동화 환경의 신경망을 토대로 하지만 실제로 신경망 전문가가 필요한 것은 아니다.

딥러닝 원칙에 대한 기본적인 이해를 갖춘 머신비전 전문가로도 충분하다. 딥러닝 시스템 구축에 필요한 기술은 다음과 같다.

개발자는 딥러닝 비전 분석 솔루션 구현은 물론 조명 및 이미지 형성을 최적화한다.

품질 전문가는 이미지를 분석하고 부품의 합격과 불합격여부를 결정하는 이미지의 등급을 판정하는 작업을 수행한다. 딥러닝의 예시 기반 학습 접근 방식은 분명하고 일관된 방식으로 등급이 판정된 이미지에 의존하여 시스템을 학습시키므로 이미지 등급 판정의 중요성을 결코 과소평가해서는 안 된다.

이미지에 라벨을 표시하는 작업은 이미지의 어떤 영역이 결함 등의 특징을 나타내는지 파악하기 위해 상호작용하는 과정이다. 라벨링은 학습 세트의 모든 이미지에서 정확하고 일관되게 이루어져야 하며 정확성 및 세밀함이 요구된다. 프로젝트에서는 이미지 세트를 대량으로 축적하기 때문에 품질 전문가가 아닌 직원이 이 역할을 맡아야 할 수도 있다.

데이터 수집 담당자는 이미지, 등급, 라벨, 메타데이터를 비롯한 모든 정보를 기록하고 정리해야 한다. 딥러닝 시스템 최적화에는 이러한 데이터 세트를 기준으로 정보를 테스트하는 것이 포함된다. 또한 현재 특정이미지 세트와 이를 연계하기 위해 수동 절차가 사용되고 있다면 데이터 수집담당자가 검사자의 판단을 기록할 수도 있다.

이러한 역할에서는 물론이거니와, 딥러닝 이니셔티브를 진행하기 위해서는 GPU(그래픽 처리 장치)가 설치된 강력한 Windows 기반 PC가 필요하다.

4. 파일럿 프로젝트는 소규모로 시작

새 기술을 적용한다는 흥분에 사로잡혀 가장 어렵고 야심찬 과제부터 시작하고 싶은 충동이 생길 수도 있다. 많은 자동화 관리자가 딥러닝이 가장 어려운 과제를 해결할 수 있다면 모든 것을 해결할 수 있을 거라고 생각할지도 모른다. 하지만 이렇게 접근할 경우 기업은 딥러닝 기술과는 아무 상관없는 이유로 좌절과 지연을 겪게 되고 만다.

가장 야심찬 과제는 본질적으로 너무 복잡하거나 불안정할 수 있으며 빠른 진척이 보이지 않을 경우 프로젝트가 취소되거나 결과적으로 성공하더라도 기업에서 잘못된 판단을 내리게끔 유도할 수도 있다.

따라서 소규모로 시작할 필요가 있다. 기존의 룰 베이스 방식 비전으로는 쉽게 해결할 수 없지만 적용할 수 없을 만큼 까다롭지는 않으면서 투자금 회수가 보장되는 프로젝트를 선택하라. 핵심적인 요구 사항에 초점을 맞추고 핵심 역량은 물론, 공장 자동화 환경에서 딥러닝이 할 수 있는 것과 할 수 없는 것이 무엇인지에 대한 이해를 키워나가야 한다.

딥러닝 시범 프로젝트의 주된 목표는 두 가지이다. 하나는 전체적인 자동화전략을 위해 유용성을 광범위하게 평가하는 것이고, 다른 하나는 그간 전혀 이뤄지지 않았거나 수동으로 수행하는 검사 또는 검증 공정을 자동화하는 것이다.

최초로 진행할 프로젝트를 선정하는 데 도움이 되는 요소는 무엇일까? 물론 이는 회사에 따라 다르다. 하지만 대부분의 제조 환경에서 시작하기에 좋은 두 가지 프로젝트는 생산 라인 끝에서 이루어지는 '최종 검사'와 제조 단계 사이의 문제를 포착하기 위한 '인라인 조립 검증'이다.

기존의 머신비전 애플리케이션은 결함은 물론, 조명, 각도 및 부품 외관상의 변화를 식별하는 데 어려움을 겪고 있으므로 이 두 가지 애플리케이션이 첫 시범 프로젝트로 삼기에 적합하다. 딥러닝은 이러한 변수로 유발되는 문제를 해결하기에 안성맞춤이다. 이러한 유형의 검사에는 이미 검사 기준이 잘 정의되어 갖춰져 있어 자동화된 솔루션을 구현하기 전에 품질 지표를 만들고 보강할 필요가 없다.

5. 단계별로 프로젝트 진행

딥러닝 프로젝트는 네 단계로 접근해야 한다. 네 단계는 다음과 같다.

1. 프로토타이핑

•- 현재 공정을 이해하고, 딥러닝이 이를 해결하는 좋은 후보인지 판단한다.

•- 등급 판정 및 라벨링을 거친 이미지로 구성된 소규모 데이터베이스를 확보한다.

•- 개념 증명(Proof of Concept)시스템을 구축하여 접근 방식을 테스트한다.

2. 이미지 데이터 수집

•- 생산 라인에 카메라와 조명시스템을 통합한다.

•- 이미지 데이터 및 수동 검사결과를 수집하고 정리하기 시작한다.

•- 기준 데이터를 확립한다.

•- 이미지 세트를 일관되게 최적화하고 라벨을 표시한다.

3. 최적화

•- 최적화는 성능 목표를 충족할 때까지 딥러닝 솔루션을 개선하는 단계로, 가장 긴 시간이 걸리는 단계이다.

•- 딥러닝 결과를 기준점 및 수동 결과와 비교한다.

•- 시스템을 조정하고 필요에 따라 재학습을 진행한다.

4. 검증 및 배포

•- 솔루션의 적합성을 확인하고 생산 공정에 사용하기 시작한다.

•- 공장 수락 테스트를 통과하고 구성을 고정한다.

•- 생산 공정에 통합하고 다른 라인에 추가로 확장한다.

•- 미래의 변경 사항에 대비하고 지속적인 모니터링 및 개선 프로세스를 확립한다.

딥러닝으로 성공하기

자동화 팀이 합리적인 단계별 접근 방식으로 관리 가능한 소규모 프로젝트를 시범 운영하며 딥러닝 이미지 분석 기술을 도입한다면 장기적인 성공을 달성할 수 있다. 전통적인 룰 베이스 방식 머신비전을 사용한 경험은 딥러닝을 사용하기 위한 탄탄한 기반을 제공하기는 하지만, 두 가지 기술은 범위, 실행 방식, 요구 사항, 사용 사례 등 모든 측면에서 다르다고 할 수 있다.

하지만 현실적인 기대치를 설정하는 것으로 시작해 경험을 쌓고 어떤 애플리케이션이 딥러닝을 통해 해결되는지 알아간다면, 공장 자동화 전략에 딥러닝이 얼마나 유용한지 충분히 이해할 수 있을 것이다.

자료 제공: COGNEX(www.cognex.co.kr)