뉴로클, AI비전검사로 디스플레이 업계 생산효율 높인다

최근 제조 업계에서는 고도화된 품질검사를 위해 AI 기술을 활용한 비전검사가 활발히 이루어지고 있다. 디스플레이 분야도 예외가 아니다. 디스플레이 분야는 고도화된 검사 시스템을 통해 불량 원인을 신속하게 파악하고 수율을 올리는 것이 산업의 경쟁력이다. 특히 디스플레이 구성품 중 하나인 ‘강화 글라스 기판 유리’에는 정밀한 결함검사가 필수적이다. 강화 글라스 기판 유리는 성형공정을 거쳐 완제품으로 탄생하는 과정에서 다양한 요인에 의해 스크래치, 크랙, 흑점 등의 결함이 발생한다. 유리 기판에 결함이 생기면 전체 디스플레이 성능이 저하되고, 경우에 따라 불량품으로 처리해야 하는 문제점이 있어 더욱 까다로운 검사가 요구된다. 정밀한 검사에 대한 니즈가 있는 디스플레이 업계에서 최근 각광받는 검사 방법이 바로 ‘딥러닝 기술’ 기반의 비전검사이다. 딥러닝 비전검사는 복잡한 환경에서 비정형적인 결함을 검출하거나, 복잡한 패턴을 정확하게 인식하는 데에 강점을 갖는다. AI딥러닝 비전검사는 복잡한 규칙의 프로그래밍을 요하는 룰베이스 알고리즘 기반의 머신비전 검사나 시간과 비용이 많이 소모되는 육안검사의 한계를 보완하는 획기적인 대안으로 제시된다.

최근 AI 딥러닝 비전검사 도입을 통해 품질 검사의 생산성과 안정성을 극대화한 한 기업이 있어 눈길을 끈다. 디스플레이용 유리 제조사 S는 뉴로클의 딥러닝 비전 검사 솔루션을 도입하여, FPD용 기판 유리의 품질 검사의 생산 효율을 성공적으로 향상시켰다.

▲S사의 기존 검사공정

S사는 기존에 AOI검사와 육안검사를 순차적으로 진행하고 있었으나, 이러한 방식에 큰 한계를 느끼고 있었다. 룰베이스 알고리즘을 탑재 한 AOI검사기의 경우, 작업환경이 바뀌고 검사 기준 수치들이 바뀔 때 마다 모든 장비를 새롭게 세팅해야 하는 번거로움이 있었다. 또한 비정형의 불량이나 정밀한 결함 검출에 있어 검사 정확도가 떨어졌다. 한편, 육안 검사 시에는 작업자의 기분 및 컨디션에 따라 검사 결과가 일관적이지 못했고, 오랜 기간 검사를 진행하다 보면 작업자의 집중력이 저하되어 검사 정확도가 낮아지기도 했다. 잦은 미검과 과검으로 생산성과 불량 검출의 신뢰성이 저하되는 문제점은 글로벌 초일류 기업을 주 고객사로 두는 S사에게 큰 걸림돌로 작용했다.

고도화된 비전검사 도입의 필요성을 절실히 느낀S사는 국내 AI 딥러닝 비전 전문기업인 뉴로클을 찾았다. S사는 뉴로클을 선택한 이유에 대해, 뉴로클은 SK, LG, 현대자동차 등 유수의 대기업으로부터 압도적인 검사 정확도를 인정받은 바 있으며, 적극적이고 원활한 기술지원으로 머신비전 업계에서 크게 선호되는 기업이라는 점을 꼽았다.

이번 프로젝트의 주 목적은 기존 두 차례에 걸친 검사 프로세스를 한 가지로 간소화하여 생산 효율성과 제품 안정성을 극대화하는 것이다.

이를 위해 뉴로클은 ‘오토 딥러닝 알고리즘(Auto Deep Learning Algorithm)’ 기반의 솔루션을 제시했다. 오토 딥러닝 알고리즘은 ‘고성능 AI 모델 생성’을 위해 자동으로 파라미터, 아키텍쳐를 최적화하는 기술로, 뉴로클이 자체 개발한 독자적인 기술이다. 코딩이나 딥러닝 지식이 없는 사용자도 해당 기술을 통해 몇 번의 클릭으로 손쉽게 AI 딥러닝 모델을 생성할 수 있다.

뉴로클의 딥러닝 비전검사용 소프트웨어인 뉴로티(Neuro-T)와 뉴로알(Neuro-R)의 활용 방식을 자세히 살펴보자면 다음과 같다.

▲뉴로클의 딥러닝 비전 소프트웨어 워크플로우

우선, 뉴로클은 S사와의 상담을 통해 검출을 희망하는 다양한 종류의 결함들을 정의하고 분류했다. 결함의 종류는 스크래치, 얼룩, 찍힘, 이물질, 크랙, 흑점 등으로 구분했다.

그 다음으로는 AI딥러닝에게 각 결함의 종류를 학습시키는 단계이다. 검사자는 결함 종류별 이미지를 뉴로클의 딥러닝 모델 생성용 소프트웨어인 ‘뉴로티(Neuro-T)’에 업로드한다. 이 때 다양한 각도와 광학 조건에서 취득한 결함 이미지가 많을수록 고성능의 모델을 생성하는 데에 유리하다.

이미지를 업로드 한 이후에는 각 이미지 내에 결함 부위를 표시해주고, 해당 결함의 종류가 무엇인지 주석을 달아주는 ‘이미지 레이블링(Image Labeling)’ 작업이 진행된다. 이미지 레이블링은 딥러닝 프로젝트 전 과정 중 인력 및 시간이 가장 많이 소요되는 과정인데, 뉴로클의 ‘오토 레이블링(Auto-Labeling)’ 기능은 이러한 리소스 부담을 크게 덜어준다. 오토 레이블링은 기존 레이블을 기반으로 자동 추천 영역을 제공하는 기능으로, 사용자는 소수의 이미지에만 레이블링을 진행하더라도 해당 기능을 통해 다수의 이미지를 신속하게 레이블링 할 수 있다.

그 다음으로는 결함을 자동으로 검출하는 ‘AI 딥러닝 모델 생성’ 단계이다. 사용자는 앞서 레이블링을 완료한 데이터를 바탕으로 세그멘테이션(Segmentation) 모델을 생성할 수 있다. 세그멘테이션 모델은 AI 딥러닝으로 만들 수 있는 다양한 모델 타입 중 하나로, 이미지에서 픽셀단위로 불량 영역을 검출해낸다. 이 단계에서 작업자는 뉴로클의 핵심기술인 ‘오토 딥러닝 알고리즘’을 통해 매우 손쉽게 모델을 생성할 수 있다. 오토 딥러닝 알고리즘은 ‘고성능 AI 모델 생성’을 위해 자동으로 파라미터, 아키텍쳐를 최적화하는 기술로, 코딩 지식이 없는 사용자도 몇 번의 클릭으로 고성능의 모델을 생성할 수 있다.

앞서 설명한 결함 이미지 취득 및 업로드, 레이블링, 모델 생성의 단계는 모두 딥러닝 모델 생성용 소프트웨어인 뉴로티(Neuro-T)에서 이루어진다.

결함 검출 모델을 생성한 후에는 해당 모델을 고해상도 카메라에 실시간으로 적용하는 작업이 이루어진다. 작업자는 실시간 이미지 판독용 소프트웨어인 뉴로알(Neuro-R)을 통해 디스플레이 표면에 발생하는 비정형적인 결함을 검출할 수 있다.

뉴로클의 딥러닝 기술 도입 후 S사는 기존 검사 인원을 70% 이상 절감하고, 검사 속도는 300% 이상 상승시킬 수 있었다. 또한 과검 및 미검율을 3% 미만으로 달성하며 생산 효율성과 제품 안정성을 극대화할 수 있었다.

뉴로클의 이홍석 대표는 “디스플레이용 글라스는 제조 과정에서 제조 기계의 오작동, 먼지나 분진에 의한 미세한 결점, 제조자의 실수 등 여러가지 이유에 의해 결함이 생기는 경우가 잦다”며, “최근 들어 기존의 육안검사 혹은 룰베이스 기반의 검사 방식에 큰 한계를 느낀 제조사들의 문의가 빗발치는 상황이다. 어떠한 인라인 공정에서도 압도적인 정확도를 보장하는 뉴로클만의 딥러닝 비전검사 솔루션을 통해, 제조사들의 생산성 및 제품 안정성 극대화에 기여하겠다”고 전했다.