장치와 부품을 식별하는 앱

서비스 기사의 짐작은 이제 그만! 오래된 장치에 타입 코드가 없는 경우, 이제 스마트폰을 꺼내기만 하면 앞에 있는 것이 무엇인지 확인할 수 있다. 스마트폰 뒤에 있는 신경망이 훈련되어 있다면 다른 영역에도 적용할 수 있다.

Dr. 올리비아 루이스(Olivia Lewis): The unbelievable MachineCompany (*um) 데이터 사이언스 사장

핵심 내용

  • iOS 스마트폰에 The unbelievable Machine Company의 앱이 있다면 모든 부품을 식별할 수 있다.
  • 이 광학 부품 감지는 이미지 처리 기법과 훈련된 신경망 또는 딥신경망을 기반으로 한다.
  • 이 기술로 표면 검사와 입고 검사 그리고 예측 유지 보수의 응용 사례를 생각할 수 있다.

기계나 시스템에 부품이 복잡하게 장착되어 있다면 정비 중에 당황할 일이 자주 발생한다. 일부 부품은 가려져 있거나 접근하기조차 어려울 수 있다. 오래된 장치에는 타입 코드를 읽을 수 없거나 없는 경우도 허다하다. 또한 많은 경우 각각의 부품들이 유사하여 서로 구분조차 어렵다. 따라서 현장 기술자들이 이와 같은 문제를 해결하고 적절한 조치를 취하기에는 어려운 문제이다.

부품을 간단히 식별하려면 무엇을 먼저 해야 하는가? The unbelievable Machine Company는 그냥 스마트폰을 사용하라고 추천한다. 이 회사는 오래전에 광학식 부품 식별을 위한 애플리케이션을 만들었다. 이 애플리케이션은 이미지 처리 영역에서 개선된 프로세스와 사전 훈련된 신경망 그리고 딥신경망을 기반으로 한다.

컨트롤 캐비닛의 처음 상태. 장치 타입을 알아볼 수 없다.

때로는 정말 스마트한 솔루션이 필요하다

부품이나 공구 그리고 광학식 부품 식별하기 위한 iOS 스마트폰 앱이 출시되었고, 이 앱 덕분에 대체 부품 식별이나 접근을 포함하여 기계 정비 및 수리가 훨씬 수월해졌다. 모바일 단말기로 관련 부품 사진을 찍기만 하면 해당 부품이 무엇인지 몇 초안에 확인할 수 있고, 현장에서 필요한 모든 정보를 불러올 수도 있다. 타입 코드나 장치 번호를 입력할 필요가 없이 기계 데이터와 부품 데이터를 제품 카탈로그 등으로 바로 확인할 수 있다. 손상 식별도 쉬워졌다. 예를 들어, 부품 표면의 손상을 사진을 통해 제품 사진 및 구매 데이터와 비교하여 확인할 수 있다.

iOS 시스템용 앱이 알 수 없는 부품을 식별하고 표시한다.

해결해야 할 과제가 있고 해법도 있다

모든 빅데이터 애플리케이션의 경우와 마찬가지로 핵심 문제는 데이터 상태이다. 특히 알고리즘을 기반으로 하는 이미지 처리 프로세스는 항상 유사한 패턴을 기준으로 검사하는 이미지 데이터 베이스를 필요로 한다. 예시 사례는 이상적인 상태의 이미지만 사용할 수 있고 실험실과 같은 환경이지만 앱은 일반적인 적용 사례에서 신뢰할 수 있게 작동해야 한다. 따라서 필요한 부품 이미지를 인공적으로 생성하고 다양한 각도의 촬영을 시뮬레이션하기 위해 ‘Image Augmentation(이미지 증강)’을 사용한다.

또한 식별을 위해 화이트박스 AI를 기반으로 이른바 Class Activation Map 또는 히트맵을 생성한다. 이 앱에서 적외선 열화상과 유사하게 이미지의 어떤 부분을 알고리즘이 사용하는지 확인할 수 있고, 식별에 성공한 이유와 실패한 이유를 알 수 있다. 적절한 도구를 사용하면 신경망이 (더 이상) 블랙박스가 될 필요는 없다.

부품 식별 상세도

표면 검사에서 상품 입고까지

기존의 이미지 처리 프로세스와 사전 훈련된 딥신경망을 기반으로 하는 이 애플리케이션은 다른 분야에서도 새로운 모델을 만들 수 있고 훈련할 수 있다. 그렇지 않은 경우 일반적인 높은 개발비가 현저히 낮아지고 이를 통해 빠르고 저렴하게 애플리케이션을 이용할 수 있다. 생각해 볼 수 있는 적용 사례로 표면 검사가 있다. 예를 들어, 상품 입고 시 납품된 부품의 표면을 이미지 식별로 검사하고, 흠집이나 부식, 경우에 따라 운반 손상이나 단순한 오염이 있는지 확인할 수 있다. 이상을 식별하면 해당 지점을 이미지에 표시할 수 있고, 즉각 검사할 수 있다. 또 다른 가능성은 물류에 사용하는 것이다. 납품된 부품에 바코드나 명판이 없고 상품 입고 시 분류가 필요한 경우에 이 앱을 사용할 수 있다. 이러한 경우 작업자는 해당 부품의 후속 가공을 위해 카탈로그에서 비슷한 부품을 찾아 식별하지 않아도 된다.

프로그래밍을 위한 데이터 자료가 충분하지 않으면, “이미지 증강(Image Augmentation)”을 사용한다.

다음 사례는 예측 유지 보수

이러한 기계 학습 모델은 손상이 실질적으로 발생하기 전에 예상되는 손상을 식별하기 위한 예측 유지 보수(Predictive Maintenance)의 근거를 형성한다. 이미지를 통한 부품 결정, 패턴 및 중대한 편차 인식으로 기능과 마모를 추론할 수 있다. 과거의 데이터와 현재의 데이터를 바탕으로 수학적 모델에서 기계 학습을 통해 정량적 미래 예측을 할 수도 있다. 이는 특히 기계와 시스템이 중단되지 않아야 할 제조 프로세스에 통합되어 있을 경우 합리적이고 가치가 있다. 예측 분석을 통해 불필요한 유지 관리 비용과 자원을 아낄 수 있으며, 조기 식별로 기계 수명을 연장할 수 있고 생산 공정이 방해를 받지 않는 시점에서 정비 작업을 수행할 수 있다. 앞에서 언급한 바와 같이 데이터 상태가 적합하면 이러한 응용 사례에 한계는 없다.

히트맵을 사용하여 분류를 위해 신경망이 이미지의 어떤 부분을 사용하는지 확인할 수 있다. 좌측 위는 분류해야 할 이미지이고, 우측 위는 분류 결과이다(다섯 개 카테고리, 확률에 따라 정렬). 그 아래 이미지는 확률이 가장 높은 카테고리의 히트맵을 보여준다.