품질 검사를 디지털 세계인 머신 러닝으로

독일 중소기업의 품질 표준은 높지만, 품질 검사에서 자동화 수준은 낮은 편이다. 하지만 인공 지능으로 품질 검사를 강화할 수 있다.

다미안 하이멜(Damian Heimel): Deevio GmbH 대표

핵심 내용

  • 수동 품질 검사는 비용과 오류에 취약하다.
  • 머신 러닝을 통해 가변성이 높은 결함을 매핑하고 결함 평가를 표준화할 수 있다.
  • 시간이 절약되고 의사 오류율(pseudo error)이 훨씬 낮아진다는 점이 큰 장점이다.

고품질 제품으로 경쟁력을 유지하겠다는 기업의 목표는 생산 라인의 마지막 절차인 품질 검사 자동화 수준에서 좌절할 수 있다. 품질 검사는 아직도 수작업이 주류를 이루고 있다. 머신 비전(이미지 처리)과 같은 자동화 솔루션이 있지만, 접근 방법이 각각의 시나리오에 적합한 것이 아니고, 높은 프로그래밍 비용으로 인해 시스템 경제성이 떨어진다.

수동 품질 검사는 숙련 인력 부족과 정밀성에 대한 요건 증가, 부품 변이 증가, 비용 압박이 전체 공정에 영향을 미치기 때문에 권장할만한 방법은 아니다. 수동 품질 검사는 시간과 비용이 많이 들어갈 뿐만 아니라 오류에도 취약하다. 또한 테스트의 정확성이 직원의 능력, 당일의 컨디션 그리고 의욕과 같은 요소에 의해 좌우될 수 있다. 조도와 같은 외부적인 조건도 결과에 영향을 미칠 수 있다. 이런 여러 가지 이유로 품질 검사 프로세스를 완전히 자동화해야 하는 것은 자명하다. 여기에 머신 러닝 형태의 인공 지능이 상당한 가치가 있다. 이를 하드웨어와 결합하면 오류가 있는 제품을 효율적으로 신속하고 정밀하게 식별할 수 있다.

검사 소프트웨어에 인공 지능이 탑재되면, 검사 대상의 방향은 중요하지 않다.

전통적 이미지 처리의 한계

품질 검사를 자동화하기 위해 머신 비전 시스템을 사용한 지는 이미 오래되었다. 이 시스템은 본질적으로 카메라와 적합한 이미지 처리 소프트웨어로 구성된다. 따라서 이 접근법은 정확한 간격 측정이나 무결성 검사에는 좋지만 약점도 내포하고 있다. 우선 프로그래밍에 시간이 많이 든다는 점이다. 이는 검사 대상에 있을 수 있는 결함에 대해 규칙을 정확하게 정의해야 하기 때문이다. 전통적인 머신 비전 시스템은 흠집 또는 균열과 같은 제품 표면의 가변적인 결함이 있는 경우, 한계에 부딪힌다. 이는 결함의 모든 형태와 위치에 대해 규칙을 정확하게 정의하는 것이 어렵기 때문이다. 이것이 머신 비전 시스템이 제품 표면 결함에서 의사 오류율이 높은 이유이며, 결국 불량률이 높아져 시스템의 전체 경제성을 위태롭게 할 수 있다.

다양한 결함을 매핑하다

ML(Machine Learning, 기계 학습)은 인공 지능의 하위 개념이며, 예시 이미지를 이용하여 컴퓨터가 학습할 수 있다. 예를 들어 머신 러닝 소프트웨어에 다양한 형태와 다양한 위치의 결함 이미지를 설정하여, 머신 러닝 소프트웨어가 결함을 일반화하고, 아직 보지 않은 부품에도 결함을 인식할 수 있다. 이를 통해 가변성이 높은 결함을 매핑하고 결함을 표준화할 수 있다. 이러한 특성으로 인해 머신 러닝은 산업 품질 검사에 이상적인 기술이다.

Deevio는 산업 표준검사에 머신 러닝 알고리즘을 응용하여, 생산 라인 마지막의 육안 검사를 자동화하였다. 이 시스템은 본질적으로 하드웨어와 소프트웨어, 두 구성 요소로 이루어지며, 여기에 산업용 특수 카메라와 미니컴퓨터 그리고 결함 인식을 위한 머신 러닝 모델이 포함된다.

Deevio의 시스템은 산업용 특수 카메라, 미니 컴퓨터, 결함 인식을 위한 머신 러닝 모델로 구성된다.

티칭 및 설치

Deevio는 자동화 산업의 파트너와 함께 각 응용 시나리오에 맞는 자체 하드웨어 컨셉트와 개별 머신 러닝 모델을 만들었다. 모델을 구축하고 훈련하기 위해서는 우선 부품 이미지가 필요하다. 기존의 머신 비전 시스템에 이미지가 없는 경우, 생산 공장에 산업용 카메라를 설치하고, 전문 조명 아래에서 고해상 카메라가 온전한 부품과 결함이 있는 부품의 이미지를 만든다. 이때 모든 카테고리의 결함을 고려한다. 머신 러닝 모델이 의도한 훈련을 통해 원하는 정확도에 도달하면, 머신 러닝 어플리케이션을 위해 개발한 그래픽 카드가 탑재된 미니컴퓨터인 AI 박스에 이를 설치하고, 자동화 전문가들과 협력하여 AI 박스를 기계 컨트롤 모듈에 연결하여 최종적으로 생산 라인에 통합한다. 카메라가 검사할 제품을 포착하면 머신 러닝 모델이 분석을 시작할 수 있다. 이미지가 수집되고 이를 분석에 이용된다. 이런 방식으로 특정 위치에서 오류 빈도에 대해 근거가 확실한 오류를 확인하고, 다른 한편으로 새로운 결함을 추가될 수 있다.

1 % 미만의 의사 오류율

가장 중요한 장점은 시간 절감이다. 수동 검사 절차는 제품 당 평균 20초가 걸리는 반면, 머신 비전 시스템은 지능적이고 자동화된 접근법으로 1초 미만으로 검사 시간을 단축할 수 있다. 따라서 부품 당 19초에 해당하는 인력 수요와 품질 보증 비용을 줄일 수 있다. 또 다른 장점은 솔루션의 높은 유연성이다. 전통적인 머신 비전 시스템과 달리. 사전에 정의된 오류만 정의하는 것으로 국한되지 않고, 오히려 다른 모델의 오류 이미지를 추가하여 다양한 형태의 오류를 독립적으로 인식하고 불량을 현저히 줄일 수 있다. 의사 오류율은 응용 사례에 따라 다르지만 1% 미만에 불과하다. 비교하자면 전통적인 머신 비전 솔루션은 ‘위양성률(False Positive Rates)’이 최대 50%까지 형성될 수 있다.

특히 기업들은 머신 러닝 소프트웨어와 예시 이미지를 사용한 품질 검사를 자동화할 경우 품질 검사 시 전사적 표준을 확립할 수 있다. 이제 품질 평가는 더 이상 직원들의 당일 컨디션에 좌우되지 않고, 이미지 결함을 제공하는 품질 관리자의 평가에 좌우되고, AI를 기반하는 자동화된 품질 검사는 이런 방식으로 품질 향상에 기여할 수 있다.

대상의 어느 위치에서 오류가 가장 빈번하게 나타나는지 분석할 수 있다. 수집된 결과는 자세한 분석에 활용할 수 있다.

상류 프로세스에 머신 러닝 모델을 적용할 수도 있다

Deevio의 기술은 특히 금속 가공, 자동차, 파운드리(반도체 제조산업) 산업에 사용되고 있다. 현재 생산 라인 마지막에 자동화된 검사에 초점이 맞춰져 있다. 하지만 앞으로는 머신 러닝 모델을 상류 점검 단계에 적용하는 것도 고려해 볼 수 있다. 이렇게 되면 생산 공정이 보다 빠른 단계에서 결함 있는 부품을 인식하고 선별하는 것이 가능해질 것이