지난 2016년, 구글 딥마인드의 바둑 인공지능 알파고와 이세돌 9단이 대국했던 세기의 대결은 결국 인공지능인 알파고의 승리로 끝나며 전 세계에 충격을 안겼다. 알파고 이후, OpenAI가 개발한 챗GPT, 이미지 생성 AI 미드저니 등 생성형 AI를 상용한 사례가 나오면서 이제 우리의 일상생활에서 생성형 AI를 쉽게 찾아볼 수 있게 되었다. 흥미로운 사실은 생성형 AI가 개인을 대상으로 한 챗GPT, 미드저니 외에도 제품의 결함을 검출하는 비전검사에도 활용된다는 것이다.

데이터 부족 문제를 혁신적으로 해결하는 GAN 모델

2023년 ITWorld/CIO이 조사한 국내 AI 도입 및 활용 현황 조사에 따르면, 제조업에서 AI 기반의 비전검사를 도입하기 어려운 가장 큰 이유는 ‘데이터 부족과 데이터 품질 문제’라고 볼 수 있다. 오검/미검율이 낮은, 즉 성능이 좋은 딥러닝 검사 모델을 만들기 위해서는 충분한 양의 결함 이미지가 필요하다. 하지만, 수율이 중요한 제조업은 이미 공정 자체에서 발생하는 결함의 빈도가 매우 낮기 때문에 딥러닝 모델 학습을 위해 필요한 충분한 결함 데이터를 확보하는 데에 어려움을 겪을 수밖에 없다.

▲ AI를 도입, 운영하는 과정의 어려움 (출처 : ITWorld / CIO)

뉴로클은 국내 제조업에서 겪고 있는 결함 데이터 부족 문제를 해결하고, 검사 모델의 성능을 고도화하기 위해 가상 결함 생성 모델 ‘GAN 모델’을 개발하였다. GAN 모델은 가상의 결함을 학습하여 실제와 가장 유사한 가상 결함 이미지를 스스로 생성한다. 먼저, 보유하고 있는 소수의 결함 이미지로 GAN 모델을 학습시키면 학습된 결함 유형 기반으로 Generation Center에서 가상의 결함 이미지를 생성하는 원리다.

▲ GAN 모델을 통한 가상 결함 생성 방식

GAN 모델 사용 효과, 검사정확도 24%↑

이때, GAN 모델을 통해 생성한 가상 결함 이미지는 실제 결함 이미지와 높은 유사성을 보여 양•불을 판정하는 검사 모델의 정확도를 높이는 데에 중요한 역할을 수행한다. 단순히 기존 결함 이미지에서 추출한 결함을 붙여 넣기 하는 것이 아니라 이미지, 제품의 특성을 고려하여 실제 공정 현장에서 발생할 가능성이 높은 유사 결함을 생성하는 것이 GAN 모델의 핵심이다. 이렇게 생성된 결함 데이터를 기반으로 한 최종 검사 모델은 높은 수준의 검사정확도를 보장한다.

실제로 결함 이미지 부족으로 비전 검사모델의 성능의 부진을 겪고 있던 전자 부품 제작 업체인 B사에서 GAN 모델을 활용하여 검사정확도를 크게 개선한 사례가 있다. MLCC 부품 공정에서 발생한 결함을 발견하는 비전검사를 시행하고 있었던 해당 업체는 GAN 모델을 통해 기존 학습 결함 이미지 50장을 기반으로 가상 결함 이미지 50장을 추가 생성하였다. 새로 생성한 가상 결함 이미지까지 포함하여 검사 모델을 생성했을 때의 검사정확도는 93.02%로, 기존 검사 모델 대비하여 성능이 24.29%만큼 개선되었다. 

클릭 한 번으로 찍어 내는 가상 결함 이미지

GAN 모델은 검사모델 성능 개선 외에도 다양한 효용을 제공한다. 스탬프 기능을 통해 정상 이미지 위의 원하는 위치에 가상 결함을 쉽게 찍어 낼 수 있으며, 가상 결함이 추가된 샘플 이미지는 바로 확인할 수 있도록 설계하여 사용자 편의성을 극대화하였다. 즉, GAN 모델을 활용하면 이전에 사용할 수 없었던 현장 데이터를 모델 학습에 사용 가능한 결함 데이터로 쉽고, 빠르게 바꿀 수 있다.

GAN 모델은 2023년에 출시한 Neuro-T 4.0 버전에 탑재되어 있으며, 해당 제품은 자동으로 고성능의 검사 모델을 생성하는 오토딥러닝 알고리즘을 기반으로 작동한다. 오토딥러닝 알고리즘은 최적의 딥러닝 모델 구조와 학습 파라미터를 자동으로 찾아 산업 전문가도 손쉽게 높은 수준의 딥러닝 모델을 생성할 있도록 하는 기술이다.

Neuro-T가 산업 전문가를 대상으로 사용되는 제품인 만큼 GAN 모델의 효용 가치는 매우 클 것으로 예상된다. 실제 공정에서 제품의 결함에 대해 가장 잘 이해하고 있는 산업 전문가가 직접 가상 결함을 생성하기 때문에 검사 결과의 정확도가 높을 수밖에 없다.

사용자 편리성에 최적화된 기능 다수 탑재…Auto-Labeling, Flowchart, Inference Center

Neuro-T에는 GAN 모델 외에도 제조업의 공정 현장에서 겪고 있는 문제를 해결하기 위한 다양한 기능들이 탑재되어 있다. 앞서 GAN 모델을 통해 결함 이미지를 생성했더라도 딥러닝 모델을 학습시키기 위해서는 결함을 레이블링하는 작업이 필요하다. 레이블링 작업은 높은 수준의 일관성과 디테일함이 필요하기 때문에 많은 업체에서 레이블링 작업에 큰 비용과 시간을 할애하고 있는 상황이다. 하지만 Neuro-T의 Auto-Labeling, Auto-Selector, Keyword Labeler와 같은 AI 기반의 레이블링 자동화 기능을 사용하면 빠르게 레이블링을 진행할 수 있다.

딥러닝 검사 모델 생성 후 실제 현장에 적용하는 과정에서 시행착오를 최소화하기 위한 기능들도 있다. 제조 공정은 부품의 품질이 최종 제품의 품질에도 큰 영향을 끼치기 때문에 결함의 유무뿐만 아니라 결함의 위치, 개수를 파악하는 검사를 동시에 진행하는 경우가 많다. 이렇게 여러 개의 결과값이 필요한 경우, 각각의 모델을 별도로 구동할 필요 없이 Flowchart를 활용하여 다수의 딥러닝 모델을 묶어 하나의 프로젝트로 쉽게 만들 수 있다.

또한, Inference Center에서는 생성한 검사모델을 산업 현장에 적용하기 전에 POC 과정에서 모델 성능을 예측하고 평가해 볼 수 있다. 실제와 유사한 환경에서 시뮬레이션을 진행함으로써 검사 과정에서 발생하는 시행착오를 최소화할 수 있어 실제 많은 공정에서 유용하게 사용하고 있다.

한편, Neuro-T 제품을 자체 개발한 뉴로클은 3월 27일~29일 동안 코엑스에서는 열리는 2024 스마트공장 • 자동화산업전 행사에 참여할 예정이라고 한다. 결함 데이터 부족 문제를 혁신적으로 해결할 수 있는 GAN 모델은 코엑스 A홀 A460에 위치한 뉴로클 부스에서 직접 경험해볼 수 있도록 시연 장비를 준비할 예정이라고 밝혔다.