[인더스트리뉴스 조창현 기자] 지난 2016년 구글 딥마인드에서 내놓은 알파고 이후 OpenAI가 개발한 챗GPT, 이미지 생성 AI 미드저니 등 생성형 AI를 상용화한 사례가 나오면서 일상생활에서 관련 기술을 활용하는 경우를 쉽게 찾아볼 수 있게 됐다.
생성형 AI는 현재 제조업에서 제품 결함을 검출하는 비전검사에 활용되는 등 기술에 대한 활용도나 적용 가능성이 커져가고 있다. 이에 뉴로클은 GAN이라는 모델을 개발해 국내 제조기업들이 겪는 어려움을 해결할 수 있도록 지원하고 있다.
데이터 부족 문제 해결하는 GAN 모델
지난해 한 기관에서 조사한 국내 AI 도입 및 활용 현황 조사에 따르면 제조업에서 AI 기반 비전검사를 도입하기 어려운 가장 큰 이유는 ‘데이터 부족과 데이터 품질 문제’로 볼 수 있다. 관련 문제 해결을 위해서는 오검이나 미검율이 낮은 고성능 딥러닝 검사 모델이 필요하다고 할 수 있다.
고성능 모델을 만들기 위해서는 충분한 결함 이미지를 확보해야 되지만, 수율이 중요한 제조업은 이미 공정 자체에서 발생하는 결함 빈도가 낮기에 딥러닝 모델 학습을 위해 필요한 결함 데이터를 충분히 확보하는 데에는 어려움이 있을 수 있다.
뉴로클은 국내 제조업에서 겪고 있는 결함 데이터 부족 문제를 해결하고, 검사 모델이 가진 성능을 고도화하기 위해 가상 결함 생성 모델 ‘GAN 모델’을 개발했다. GAN 모델은 가상 결함을 학습해 실제와 가장 유사한 가상 결함 이미지를 스스로 생성한다. 구체적으로 사용자가 보유하고 있는 적은 결함 이미지만으로 GAN 모델을 학습시키면 학습된 결함 유형을 기반으로 제너레이션센터(Generation Center)에서 가상 결함 이미지를 생성하는 원리를 적용했다.
GAN 모델 사용으로 검사정확도 24% 향상
GAN 모델을 통해 생성한 가상 결함 이미지는 실제 결함 이미지와 높은 유사성을 보이기에 양·불을 판정하는 검사 모델에 대한 정확도를 높이는 데 있어 중요한 역할을 수행할 수 있다. 단순히 기존 결함 이미지에서 추출한 결함을 붙여 넣기 하는 게 아닌 이미지 및 제품 특성 등을 고려해 실제 공정 현장에서 발생 가능성이 높은 유사 결함을 생성하는 과정이 GAN 모델 구동에 있어 핵심이라는 게 뉴로클의 설명이다. GAN 모델을 바탕으로 생성된 결함 데이터를 활용한 최종 검사 모델은 높은 수준에 달하는 검사정확도를 보장할 수 있다.
뉴로클은 결함 이미지 부족으로 비전 검사모델 성능에 대한 부진을 겪고 있던 전자 부품 제작 업체인 B사에서 GAN 모델을 활용해 검사정확도를 크게 개선한 사례가 있다고 말한다. 업체는 MLCC 부품 공정에서 발생한 결함을 발견하는 비전검사를 시행하고 있었으며, GAN 모델을 통해 기존 학습 결함 이미지 50장을 기반으로 가상 결함 이미지 50장을 추가 생성했다. 이후 새로 생성한 가상 결함 이미지까지 포함한 검사 모델을 생성, 검사정확도는 93.02%로 기존 검사 모델 대비 성능이 24.29%만큼 개선됐다.
클릭 한 번으로 찍어 내는 가상 결함 이미지
뉴로클에 따르면 GAN 모델은 검사모델 성능 개선 외에도 다양한 효용을 제공한다. 사용자는 스탬프 기능을 통해 정상 이미지 위에서 원하는 위치에 가상 결함을 쉽게 찍어 낼 수 있으며, 가상 결함이 추가된 샘플 이미지는 즉시 확인할 수 있다. 뉴로클이 사용자 편의성을 고려해 모델을 설계했기 때문이다. 이에 사용자는 GAN 모델을 활용해 이전에 사용할 수 없었던 현장 데이터를 모델 학습에 사용 가능한 결함 데이터로 손쉽게 바꿀 수 있다.
현재 GAN 모델은 뉴로클이 지난해 출시한 뉴로티(Neuro-T) 4.0 버전에 탑재돼 있다. 제품은 자동으로 고성능 검사 모델을 생성하는 오토딥러닝 알고리즘을 기반으로 작동한다. 오토딥러닝 알고리즘은 최적화된 딥러닝 모델 구조와 학습 파라미터를 자동으로 찾아 산업 전문가도 손쉽게 높은 수준에 달하는 딥러닝 모델을 생성할 있도록 지원하는 기술이다.
뉴로클은 뉴로티가가 산업 전문가를 대상으로 공급되고 있는 제품인 만큼 GAN 모델이 갖는 효용 가치는 클 것으로 예상된다고 전했다. 실제 공정에서 제품 결함에 대해 가장 잘 이해하고 있는 산업 전문가가 직접 가상 결함을 생성하기 때문에 검사 결과에 대한 정확도가 높을 수밖에 없다는 뜻으로 풀이된다.
사용 편의성 고려한 기능 탑재
한편 GAN 모델을 통해 결함 이미지를 생성했더라도 딥러닝 모델을 학습시키기 위해서는 결함을 레이블링하는 작업이 필요하다. 이에 뉴로티에는 GAN 모델 외에도 관련 문제 해결을 도울 수 있는 기능들이 탑재돼 있다.
구체적으로 사용자는 뉴로티에 탑재된 오토레이블링(Auto-Labeling)과 오토셀렉터(Auto-Selector), 키워드레이블러(Keyword Labeler) 같은 AI 기반 레이블링 자동화 기능을 사용해 빠른 레이블링을 진행할 수 있다.
아울러 뉴로티 사용자는 딥러닝 검사 모델 생성 이후 실제 현장에 적용하는 과정에서 시행착오를 최소화할 수 있도록 돕는 플로우차트(Flowchart) 기능도 활용할 수 있다. 플로우차트는 딥러닝 모델 수개를 묶어 프로젝트로 하나로 통합할 수 있도록 지원한다. 또 사용자는 인퍼런스센터(Inference Center)를 바탕으로 새롭게 생성한 검사모델을 산업 현장에 적용하기 이전에 모델 성능을 예측 및 평가해 볼 수도 있다. 뉴로클은 실제 많은 공정 사용자가 인퍼런스 센터를 활용해 실제와 유사한 환경에서 시뮬레이션을 진행함으로써 검사 과정에서 발생하는 시행착오를 최소화할 수 있어 유용하게 활용하고 있다고 설명했다.
