(1) 수아랩
◯ 딥러닝 기반의 국내 머신비전 기업 중 두각을 나타내는 곳으론 ‘수아랩(SUALAB)’. 수아랩이 판매하는 기업용 머신비전 키트 ‘수아킷’은 딥러닝의 여러 장점을 머신비전에 접목해 효율을 극대화한 제품. 다량의 데이터가 필요한 룰 베이스 방식과 달리 자가 학습이 가능한 딥러닝의 특징을 활용해 약 100~200장의 적은 데이터 세트만 갖고도 기본적인 학습과 구동이 가능. 검사 속도는 Geforce GTX-1080Ti 기준 1024X1024 사이즈 이미지에 대해 초당 20장 내외
◯ 이미지 컴패리전(Image Comparison) 기능은 정상과 불량 이미지를 동시에 학습시킨 후 이미지 간의 차이점에 집중해서 학습하는 방식으로, 검사하는 제품에 어떤 변화가 발생해도 이를 새롭게 학습할 필요 없이 불량을 일으키는 결점 요소 그 자체에 집중할 수 있음. 룰 베이스 방식과 달리 머신비전에 딥러닝을 적용했을 때 가능
◯ 여기에 아예 불량 제품 이미지가 없이 정상 제품 이미지만으로 불량 제품을 판별하는 원 클래스 러닝 기술이나, 제공받은 데이터에서 어떤 유형의 이미지가 명확히 구별되지 않는지, 딥러닝 망의 성능을 개선하기 위해 어떤 유형의 데이터가 추가적으로 필요한지 알려주는 라벨 노이즈 검출 기능 등 역시 머신러닝에 딥러닝을 어떻게 적용할 수 있는지 보여주는 좋은 사례 중 하나
(2) TWIM
◯ MOAI : 제조현장에서 생산되는 다양한 제품들의 검사를 사람의 육안 검사나 머신비전 검사의 장점들은 극대화하고 한계는 극복하기 위해 만든 인공지능 (딥러닝) 기반의 학습형 검사 소프트웨어
◯ MOAI Vision 검사 시스템 : Deep Learning 검사 시스템을 통한 다양한 제조품 (자동차 부품, 반도체, 웨이퍼, 2차전지 등)의 외관 검사가 가능함
MOAI Configuration
MOAI 학습 인터페이스
(3) 한국기계연구원
◯ 한국기계연구원은, 운전 중인 기계설비를 영상 촬영한 후 인공지능(AI)이 자율적으로 기계의 고장여부를 진단하는 머신 비전(Machine Vision) 기술을 개발
◯ 연구팀은 세계 최초로 이 기술을 기계설비의 진단에 적용. 시각적 이미지 분석에 가장 많이 활용되는 딥러닝(Deep Learning) 알고리즘인 합성곱 신경망(CNN, Convolution Neural Network)을 이용해 기계장비의 가동 영상을 학습함으로써 기계장비에서 발생하는 진동을 분석하고 이상 징후를 발견
◯ 실험실 규모에서 냉각수 급수펌프 진동 영상을 촬영해 머신 비전으로 이상 징후를 분석한 결과, 정상과 비정상의 이상 진동을 100% 정확하게 진단하는 결과를 확인
◯ 지금까지 기계설비의 상태를 분석하기 위해서는 여러 개의 진동 센서를 사용해 신호를 측정하고, 전문가가 수집된 신호를 분석 및 판단하는 과정을 거쳐야 했음. 개발 기술은 이런 복잡한 과정을 생략하고 촬영 영상과 데이터 학습만으로 동일한 결과를 얻을 수 있게 됨
◯ 향후 진동이 발생하는 다양한 기계설비에 대해 영상 정보를 추가 구축하고, 터보기계 등의 보다 복잡한 고장 현상을 진단할 수 있도록 발전시켜나갈 계획
※ 카메라로 촬영된 기계의 영상을 딥러닝 학습하여 정상과 고장으로 분류해 낼 수 있음. 딥러닝을 이용하면 기존에는 사람이 수동적으로 추출하던 특성인자를 자동으로 찾아낼 수 있음. 이러한 특성인자를 근거로 컴퓨터가 정상과 고장을 판별
열 영상을 이용한 기계 시스템 정상작동 여부 진단
(시사점)
수아랩 사례는 적은 이미지 데이터만으로도 학습이 가능하고, 정상 이미지 중심의 원 클래스 러닝이나 라벨 노이즈 검출처럼 현장 데이터 부족 문제를 보완할 수 있음을 보여준다. TWIM의 MOAI는 자동차 부품, 반도체, 웨이퍼, 2차전지 등 다양한 제조품 외관검사에 적용 가능해 머신비전의 범용성을 보여준다. 한국기계연구원 사례는 카메라 영상과 CNN만으로 기계 진동 이상을 진단할 수 있어 기존 센서 기반 진단의 복잡성을 줄일 가능성을 제시한다. 결국 제조 AI의 경쟁력은 단순 검사 자동화가 아니라 적은 데이터로 학습하고, 결함을 스스로 구분하며, 설비 이상까지 예측하는 현장형 지능화 역량에 달려 있다.
댓글 쓰기