전세계 제조 업계의 스마트팩토리 전환이 가속화되면서 머신 비전을 이용한 검사 자동화, 실시간 이상 탐지, 예지보전에 대한 관심이 뜨겁습니다. 특히 반도체나 이차전지 등 혁신 제조산업 현장에서는 하루에도 수천 수만 개의 부품·제품들이 생산되는데, 사람이 불량을 일일이 찾아낸다는 것이 불가능에 가까워졌죠.

또한, 이제 고객들은 미묘한 결함도 용납하지 않기 때문에 이 요구를 충족시키려면 신속하고 정확하게 불량을 짚어내는 AI 검사 자동화가 필수입니다.

아하랩스의 LISA(Look In Smart with AI)는 제조 환경을 관제하고 제품의 품질을 관리할 수 있는 AI 솔루션입니다. 산업현장에서 수집한 다양한 형태의 데이터를 학습시켜 실시간으로 이상을 탐지할 수 있고, LISA만의 접근법으로 딥러닝 모델의 정확도를 높여가죠.

LISA를 활용하면 CCTV 영상으로 스마트팩토리 제조 공정의 이상 상황을 손쉽게 검출할 수 있고, AI 비전 검사를 기반으로 제품의 품질 지표를 관리할 수 있습니다. 또, 계측 센서로 수집한 시계열 데이터를 분석해 현재 상태를 평가하고 이상 상황을 실시간으로 탐지할 수 있습니다.

 

차별화된 LISA의 기술을 소개합니다

 

1. 국내 유일의 비지도 이상 탐지(Unsupervised Anomaly Detection) 솔루션으로 데이터 부재를 쉽게 극복하세요

 

LISA는 비정상 샘플, 즉 제품 결함에 대한 데이터가 없어도 딥러닝 모델을 학습시킬 수 있습니다. 빠르게 모델의 정확도를 높여 나가는 LISA만의 차별화된 2단계 접근법을 살펴보세요.

1단계 : 정상 데이터를 통한 비지도 학습 → 1차 비정상 데이터 분류

일반적으로 AI 솔루션에는 *분류(Classification), *객체 탐지(Object Detection), *분할(Segmentation) 등 다양한 딥러닝 알고리즘이 사용됩니다. 딥러닝 모델에 정상 샘플과 비정상 샘플을 넣어서 학습시키면 그때부터 제조 공정의 이상이나 제품의 결함을 탐지할 수 있죠.

• 객체 인식 딥러닝 알고리즘
  – 분류(Classification) : 객체 하나의 클래스(정상 혹은 비정상, 고양이 혹은 강아지)를 분류하는 방법
  – 객체 탐지(Object Detection) : 둘 이상의 객체에 대해 각 객체의 위치를 사각형의 경계 상자(bounding box)로 찾은 뒤 클래스를 분류하는 방법
  – 분할(Segmentation) : 둘 이상의 객체에 대해 각 개체의 위치를 경계 상자가 아닌 실제 모서리(edge)로 찾은 뒤 클래스를 분류하는 방법

 

그런데 산업 현장에는 ‘클래스 불균형’ 문제가 있습니다.

앞서 언급한 딥러닝 알고리즘을 편향되지 않게 학습시켜서 성능 좋은 AI 모델을 만들려면 정상 데이터와 비정상 데이터가 골고루 필요하지만, 실제 산업 현장에는 정상보다 비정상 데이터가 훨씬 적습니다. 불량품이 너무 많으면 애초에 공장을 운영할 수 없을 테니까요.

가령 정상 제품이 2만 개 생산되는 동안 불량 제품은 평균 1개씩 생산되는 식이기 때문에 제품 100만 개를 생산해야만 불량 제품, 즉 비정상 데이터를 겨우 50개 확보할 수 있습니다.

특히 최신 기술을 이용해 새로운 공장을 짓거나 신규 공정을 추가하는 경우에는 데이터를 확보하는 데에만 시간과 비용이 너무 많이 들어가게 됩니다.

이때 이상 탐지(Anomaly Detection) 알고리즘이 훌륭한 해결책이 될 수 있습니다. 이 알고리즘을 활용하면 정상 데이터로만 *비지도 학습을 수행하는 것이 가능합니다. 정상의 특징 범주를 좁게 설정하고, 이 경계 바깥에 있는 데이터는 모두 비정상으로 간주한다는 것이 핵심 아이디어입니다. 예를 들어, 정상 공정이나 정상 제품에 대한 비디오 또는 이미지를 100개만 빠르게 생산해서 학습을 시키면 그것과 패턴이 달라진 것들은 모두 찾아주는 것이죠.

• 비지도 학습 : 정상/비정상 등 데이터가 속하는 군집을 표시하는 라벨링 과정을 미리 수행하지 않은 데이터로 학습시키는 방법

LISA는 네 가지 방법론을 모두 활용하여 결함을 매우 민감하게 찾아냅니다. 또한, 이상 탐지 알고리즘을 사용하기 때문에 과거에는 없었던 새로운 유형의 결함도 찾아낼 수 있습니다. 앞서 설명한 다른 딥러닝 알고리즘(분류, 객체 탐지, 분할 등)만 활용하면 모든 결함 케이스에 대한 비정상 샘플을 만들어 학습을 시켜야 하기 때문에 이미 알고 있는 결함에 대해서만 찾아낼 수 있죠.

2단계 : 사용자 Feedback → 2차 비정상 데이터 분류

이제 사용자는 LISA가 1차로 걸러준 비정상 데이터를 보고 실제 결함이 맞는지, 혹은 결함이 아닌데 불량으로 판정한 ‘과검’ 데이터인지 라벨링 합니다. 이렇게 라벨링 된 데이터로 재차 학습을 시키면 모델의 정확도를 더욱 높일 수 있습니다.

 

 

2. 99.9% 정확도와 실시간 연산을 통한 빠른 검사 환경을 경험해보세요

 

LISA의 딥러닝 모델은 실제 불량인데 찾지 못하는 ‘미검’ 케이스 0%를 달성합니다. 예컨대 전기자동차에 들어가는 이차 전지의 경우 공정 내에서 결함을 걸러내지 못하면 심각한 인명 피해와 금전적 손실로 연결될 수 있기 때문에 모델의 검출 민감도를 높게 설정합니다.

실제 불량이 아닌데 불량으로 판별하는 ‘과검’ 케이스는 빠르게 줄여 나가는 것이 가능합니다. 비지도 학습과 사용자 피드백을 추가하는 LISA만의 2단계 접근을 통해 미검과 과검 모두 0에 가까운 최적화를 이룰 수 있죠.

LISA를 활용하면 30프레임의 영상을 지연 없이 처리할 수 있습니다. 광학이미지 처리에서 분류(Classification), 객체 탐지(Object Detection), 분할(Segmentation) 알고리즘만 활용하는 경우 이미지 해상도 2메가픽셀 기준 택타임(Takt Time, 요구되는 목표를 달성하기 위해 제품 하나당 소요되는 시간) 10ms를 유지합니다. 오래 가동해도 연산 시간은 늘어나지 않습니다.

 

3. 누구나 쓰기 편한 UI·UX로 비전문가도 손쉽게 활용해 보세요

 

LISA는 일반 사용자에게 적합한 UI·UX로 데이터와 모델을 직관적으로 관리할 수 있도록 설계되었습니다. 따라서 AI 전문가가 아니더라도 누구나 손쉽게 이용할 수 있다는 장점이 있습니다.

제조 현장을 담당하는 엔지니어는 공정에 대한 것이라면 모르는 게 없는 전문가이지만, 산업용 AI는 낯설게 느낄 가능성이 있습니다. 이 같은 도메인 지식에 대한 격차가 스마트팩토리로 디지털 전환을 하는 데 가장 큰 걸림돌로 작용하곤 합니다.

스마트팩토리를 고도화하려면 공정 전문가 뿐만 아니라 빅데이터 전문가와 AI전문가가 함께 협업하는 것이 가장 이상적이지만, 비용과 시간이 너무 많이 들어간다는 문제가 있습니다.

LISA를 활용하면 간단한 매뉴얼 숙지만으로 영상 또는 이미지 촬영을 통한 데이터 확보부터 학습 영역 지정, 모델 선택, 파라미터 설정, 모델 생성, 데이터 학습, 데이터 평가, 실시간 이상 탐지까지 전 과정을 쉽게 완료할 수 있습니다.

 

4. 웹 기반 솔루션으로 접근성과 보안을 모두 확보하세요

 

LISA는 웹 기반 환경에서 작동하기 때문에 별도의 큰 노력 없이도 접근성을 높일 수 있습니다.

전통적인 윈도 기반 애플리케이션은 현장에서만 사용할 수 있습니다. 만약 다수의 작업자를 여러 장소로부터 접근할 수 있게 하려면 원격 데스크톱을 사용하는 것이 가장 손쉬운 방법이죠.

하지만 원격 접속은 보안에 취약합니다. 다수의 사용자가 원격 접속할 경우 메인 서비스에 영향을 미칠 가능성도 높습니다. 예를 들어, 누군가가 실수로 검사 창을 닫으면 검사가 멈춰버리는 일이 발생할 수도 있고요.

LISA는 간단한 프로필 설정만으로 다수의 사용자에게 학습 현황, 실시간 이상 탐지 현황 등을 공유할 수 있습니다.

예를 들어, 공장과 멀리 떨어진 본사 사무실에 있는 엔지니어가 서버에 접속하기만 하면 공장의 실시간 이상 탐지 결과를 바로 확인할 수 있습니다. 서버-클라이언트 동작이므로 서버에 접속한 사용자는 메인 서비스에 영향을 미치지 않습니다.