제조업 디지털 전환

제조업 분야 디지털 전환(Digital Transfor mation)은 전 세계적인 산업 변화의 핵심으로 자리잡았다. 특히 2015년 이후 중국을 포함한 많은 글로벌 제조 공장에서 자동화 바람이 거세게 불기 시작했다. 대표적으로 애플(Apple) 기기를 생산하는 Foxconn은 제조 공정의 완전 자동화를 목표로 대규모 투자와 노력을 지속하고 있다. 이처럼 제조업 자동화는 점차 대두되는 동시에 인간 작업자의 역할은 감소하는 추세이다. 실제로 자동화가 잘 이뤄진 공장을 살펴보면 로봇들이 제품을 조립하고, 무인 운반 로봇이 제조 물품을 다른 스테이지로 운반하는 등 과거 인간 작업자가 수행하던 대부분의 공정을 기계가 수행하고 있다.
 하지만 거센 제조업 자동화 물결 속에서도 여전히 자동화가 이뤄지지 않은 공정들이 존재한다. 대표적인 공정이 품질 검사(Quality Control)이다. 품질 검사는 라인에서 제조된 제품의 최종 품질을 검사하는 과정으로, 모든 제조업 공정에 반드시 필요한 절차이다. 품질 검사로 최종 제품의 품질이 결정되기 때문에 여전히 인간 작업자의 개입이 필수적인 동시에 자동화가 가장 어려운 공정이기도 하다. 일반적으로 제조 공장 전체 인력의 5~10%가 품질 검사 업무에 종사하고 있고, 전 세계적으로 500만 명 이상의 작업자가 해당한다.

            

제조업 비전 기반 품질 검사

제조업 품질 검사는 제품의 외관을 확인하는 비전(Vision) 기반 검사가 대부분이다. 일반적인 비전 기반 품질 검사는 제품 외관의 스크래치, 찍힘과 같은 결함이 존재하는지 판별하는 공정으로 전통적으로 인간의 육안으로 수행되어 왔다. 이 과정을 자동화하기 위해 여러 제조업 분야에서 많은 투자가 지속되고 있다. 가장 일반적인 자동화 방법은 제조 공정 중간에 카메라를 설치해 제품 이미지를 취득하고, 이미지 상의 결함을 검사하는 알고리즘을 도입하는 것이다. 이차전지 분야에서는 제품 X-ray 또는 CT 장비를 도입해 외관으로 볼 수 없는 내부 형상 이미지를 취득하고 검사함으로써 과거 인간 작업자가 수행하지 못하는 부분까지 검사 영역을 확대하고 있다.

비전 검사 자동화를 위한 알고리즘으로 룰 기반 검사(Rule-Based Inspection)가 사용되어 왔다. 대표적인 예시로는 사전에 정의된 템플릿을 기반으로 검사 과정에서 해당 템플릿과 일치하는 제품인지를 검사하는 ‘템플릿 매칭 알고리즘’, 흑백 이미지 상에서 특정 기준을 넘어가는 값의 픽셀을 결함으로 검출하는 ‘Thresholding 알고리즘’ 등이 있다. 그러나 룰 기반 검사 알고리즘은 검사 환경 변화에 취약하기 때문에 환경이 바뀔 때마다 전문가가 새로운 룰을 지정해야 한다는 점과 배경이 복잡한 제품은 룰을 설정하는 것 자체가 매우 어렵다는 한계가 존재한다. 한계점을 극복하고자 최근 인공지능(AI) 기술을 비전 검사에 도입하려는 시도가 많아졌다.

제조업 AI 검사 도입의 장애물

AI 기술을 도입하는 데 어려움은 존재한다. 우선 제조업 특성에 맞는 AI 모델을 개발하는 것 자체가 어렵다. 일반적으로 정확도가 높은 AI 모델을 만들기 위해서는 ① 충분한 양의 데이터(흔히 빅데이터)와 ② 많은 연산이 필요한 무거운 모델이 필요하다. 그러나 제조업에서는 완전히 반대 기준을 요구한다. 제조업에서 발생하는 데이터의 양은 AI 모델을 학습하기에 매우 부족하다. 결함을 찾는 AI 모델을 만들기 위해서는 결함 이미지 데이터가 필요하다. 실제 양산 라인에서 발생하는 결함 자체가 매우 드물기 때문이다.

또한 제조업에서는 단 하나의 결함도 치명적일 수 있기 때문에 높은 정확도를 추구하는 동시에 제조 공정 속도를 따라올 수 있는 매우 빠른 검사 속도를 요구한다. 이 역시 무겁고 느릴수록 높은 정확도를 도출하는 일반적인 AI 모델 특성과는 정반대되는 사항이다. 이처럼 제조업과 AI 모델 특성 차이로 인해 제조업에서 요구하는 AI 모델을 개발하는 것은 쉽지 않다.
또 다른 어려움은 AI 모델 운영 측면이다. 제조업의 요구 조건에 적합한 AI 모델을 개발하더라도 이를 운영하는데 어려움이 존재한다. 제조 공정은 변화가 많이 발생하는 도메인이다. 주기적으로 새로운 제품이 출시되어 검사 대상물이 바뀌기도 하고, 이미지 취득 환경에 조명이 새로 설치되거나 조명의 수명이 다해 밝기 변화가 발생하기도 한다. 변화가 발생하면 기존에 배포되어 검사 중인 AI 모델 성능은 하락하고, 사전에 결함이 검출되지 못한 채 그대로 유출되는 심각한 문제를 초래한다. 실제로 현장에서는 치명적인 문제가 발생한 이후 AI 모델 성능이 떨어졌음을 알게 되는 경우가 일반적이다.

AI 모델 성능이 하락하면 모델을 재학습해야 하는데, 이 과정은 매우 노동집약적이고 긴 시간을 필요로 한다. 모델 성능 하락을 확인한 시점부터 데이터를 취득해 결함을 라벨링하고, 학습 후 배포하는 것까지 20시간 이상의 시간이 소요된다. 이러한 재학습은 공정에 따라 2~3주에 1번(한 주에 여러 번) 짧은 주기로 반복 수행이 필요하기 때문에 AI 모델 운영에 매우 많은 노동력과 시간이 필요하다.

제조업 AI 검사 도입을 위한 솔루션

제조업 비전 기반 품질 검사에 AI 기술을 성공적으로 도입하기 위해서는 앞서 정리한 두 가지 문제를 반드시 해결해야 한다.

[해결책 1]
제조업에 특화된 AI 원천 기술 개발
제조업에 특화된 AI 원천 기술은 적은 데이터 문제를 해결한다. 문제 해결을 위해 두 가지 접근 방식이 가능하다. 첫 번째는 적은 데이터만 학습해도 높은 정확도를 달성하는 AI 기술을 개발한다. 이를 위한 대표적인 기술은 전이 학습(Transfer Learning)이다. 전이 학습은 대량의 데이터로 학습한 모델의 파라미터를 검사의 타깃(Target)이 되는 도메인으로 전이해 적은 데이터와 짧은 학습 시간만으로 원하는 목표 성능을 달성할 수 있도록 만드는 기술이다. 이를 도입하면 학습에 필요한 데이터 수 자체를 줄일 수 있다.
또 다른 접근 방법은 결함 데이터 수를 늘리는 것이다. 최근 각광받고 있는 생성형 AI 기술 등을 제조업에서 활용한다면 적은 양의 결함 샘플을 기반으로 실제와 거의 동일한 결함들을 만들어낼 수 있다. 이렇게 학습 데이터 수 자체를 늘림으로써 제조업 데이터를 빅데이터로 바꾸면 데이터 부족 문제를 해결할 수 있다. 이처럼 제조업에 AI를 도입하기 위해 장애물이 되었던(문제를 해결하는) AI 원천 기술을 개발하는 것이 제조업 AI 검사 도입의 첫걸음이다.

[해결책 2]
제조업 비전 검사에 특화된 MLOps 도입
AI 모델의 운영적인 문제를 해결하는 방법론으로 MLOps라는 개념이 등장했다. MLOps는 Machine Learning과 Operation의 합성어로, 데이터 수집부터 학습, 배포, 모니터링에 이르기까지 AI 모델 라이프 사이클(Lifecycle)을 효율적으로 관리하기 위한 방법이다. 이 개념을 제조업 비전 검사 도메인에 최적화된 방향으로 도입한다면 AI 검사 운영의 문제점을 해결할 수 있다.
AI 모델 성능 저하 문제와 관련한 가장 큰 이슈는 성능 저하 및 재학습 시점을 알 수 없다는 점이다. 따라서 AI 모델 성능이 언제 하락하는지 실시간으로 분석할 수 있는 기술이 있어야 관리자가 성능 하락 시점을 파악하고 예측해 사전에 조치를 취할 수 있다. 이와 같은 접근 방법의 기술 개발 방식은 여러 가지가 있지만, 반드시 제조업 비전 검사에서 어떤 요인으로 성능이 하락하는지 깊이 이해하고 이를 기반으로 기술을 개발해야 한다는 점이 중요하다. 이를테면 제조업에서 AI 모델 성능 하락의 주요 요인인 광학계 변화에 초점을 맞춰 특성을 분석하고, 이를 감지하는 기술에 집중해야만 AI 비전 검사 운영을 위한 효과적인 모니터링 기술을 개발할 수 있다.
  

결 론

제조업의 완전한 디지털 전환을 완성하기 위해서는 단순히 새로운 기술을 도입하는 것을 넘어, 해당 기술이 제조 공정에 잘 통합되고 지속적으로 효과를 발휘할 수 있도록 하는 것이 중요하다. 이를 위해서는 제조 라인의 특성을 깊이 이해하고, AI 원천 기술과 MLOps 시스템의 조화로운 결함이 필요하다. 제조업체들은 AI 솔루션 도입으로 품질 관리 자동화를 실현하고, 생산 효율성을 높임은 물론 궁극적으로 글로벌 경쟁력을 강화할 수 있다. 따라서 제조업체는 AI 기술을 도입하며 발생할 수 있는 다양한 문제를 예측하고 대비하는 전략적 접근이 필요하다.

세이지(SAIGE)
스마트 팩토리 구현을 위한 AI 솔루션을 제공한다. 스마트 품질 검사부터 지능형 공정 및 산업 현장 모니터링까지 육안으로 확인하기 어려운 이상 현상을 빠르고 정확하게 발견한다. 대표 솔루션으로는 ▲딥러닝 기반 제품 외관 품질 검사를 자동화하는 SAIGE VISION, ▲기계학습 기반 공정 모니터링 및 개선을 수행하는 SAIGE VIMS, ▲인공지능 기반 산업 현장 모니터링 시스템인 SAIGE SAFETY가 있다.

sh.kim@saige.ai