딥러닝 기술은 프로그래밍이 불가능했던 애플리케이션의 자동화를 가능하게 하고, 검사 시간을 단축 시켜 준다. 이를 통해 제조업체는 기존 머신 비전 애플리케이션으로는 해결하기 어려웠던 문제들을 더욱 강력하고 안정적인 방식으로 해결할 수 있는 가능성을 얻게 되는 것이다. 이처럼 딥러닝은 이미 공장에서의 실질적 난제들을 많이 해결하고 있다. 인간을 이긴 알파고를 만든 기술은 동떨어진 미래의 기술이 아니라 이미 우리의 현실 속에서 움직이고 있다.

필자 코그넥스코리아 김민수 전무는 서울대학교 전기컴퓨터 공학부 박사로 대우전자 전략기술연구소Embedded 영상압축 SW개발 선임,  DSPG 멀티미디어 연구소 영상처리 알고리즘 개발 책임과 삼성종합기술원/DMC연구소 영상처리/딥러닝 프로세서 개발 수석으로 근무했다. 현재(2017, 7~), 코그넥스 코리아 Vision Solution 딥러닝/비전 솔루션 개발 전무로 재임하고 있다(사진:본지DB)
필자 코그넥스코리아 김민수 전무는 서울대학교 전기컴퓨터 공학부 박사로 대우전자 전략기술연구소Embedded 영상압축 SW개발 선임,  DSPG 멀티미디어 연구소 영상처리 알고리즘 개발 책임과 삼성종합기술원/DMC연구소 영상처리/딥러닝 프로세서 개발 수석으로 근무했다. 현재(2017, 7~), 코그넥스 코리아 Vision Solution 딥러닝/비전 솔루션 개발 전무이사로 재직하고 있다(사진:본지DB)

빅데이터 기술과 사물 인터넷 기술의 발전으로 다양하고 질 좋은 데이터를 손쉽게 수집할 수 있게 되면서 최근 인공지능 기술이 폭발적인 주목을 받고 있다. 그리고 데이터 속에 있는 원리를 찾아내 과거에는 풀기 어려웠던 문제들을 해결하는 인공지능(AI) 기술의 일종인 딥러닝에 대한 관심도 크게 늘어났다.

이러한 ‘딥러닝(Deep Learning)’이 소위 아는 사람만 아는 단어였던 시절도 있었지만, 2016년 3월 국내에서 열렸던 인간 대표 ‘이세돌 9단’과 바둑 두는 인공지능 ‘알파고(AlphaGo)’의 치열했던 대국 이후 대중들에게도 널리 알려지게 되었다.

지금은 너무나 유명한 알파고는 구글 딥마인드(Google DeepMind)팀에서 개발한 인공지능 컴퓨터 시스템으로, 딥러닝을 통해 약 15만 장의 기보를 학습한 후 자기 자신과 100만 판의 바둑을 두고 난 후 이세돌 9단을 상대로 승리를 거뒀다. 이

를 두고 보다 우수한 인공지능 기반 적수에게 참패한 것이라는 해석도 많았으나, 인공지능이 인간을 대체하는 것이 아니라 딥러닝과 신경망 같은 도구로 인간을 강화시키는 산업 자동화의 미래라는 시각도 생겨났다. 인공지능의 희망적 미래라 불리는 딥러닝은 과연 무엇이며, 앞으로의 산업 자동화 검사에 어떠한 변화를 가져올지 알아보자.

1. 머신러닝과 딥러닝

머신러닝이란?

딥러닝을 알아보기 위해서는 먼저 인공지능을 가능하게 하는 핵심 기술이라 할 수 있는 머신러닝(Machine Learning)에 대한 이해가 선행되어야 한다. 머신러닝은 사람이 할 수 있는(혹은 할 수 없는) 작업을 기계가 대신 할 수 있도록 만들기 위해 기계를 학습시키는 일련의 작업을 의미한다.

머신러닝의 핵심 요소는 ‘데이터(Data)’와 ‘러닝 모델(Learning Model)’이다. 데이터는 기계가 학습할 수 있도록 제공하는 수많은 예시들의 집합을 의미하며, 사람으로 따지면 뇌에 해당하는 러닝 모델은 주어진 입력 변수에 대하여 특정한 연산을 수행한 결과를 출력하는 장치의 역할을 한다. 성공적인 머신러닝을 위해서는 우선 데이터를 면밀히 조사하고 그 특징을 파악한 뒤, 이에 가장 적합한 러닝 모델을 잘 골라야 하며, 원래 데이터 그대로를 사용하는 것보다 효과적인 요인을 새로 정하고 추출한 뒤 러닝 모델에 입력해주는 것이 좋다.

그림1. ‘나무’ 여부를 구별하기 위한 ‘나무’ vs ‘나무X’ 데이터
그림1. ‘나무’ 여부를 구별하기 위한 ‘나무’ vs ‘나무X’ 데이터

직선(또는 평면, 초평면 등)의 형태로 정의되는 러닝 모델인 선형 모델(Linear Model)은 가장 단순하고, 선형 모델로 학습이 가능한 데이터 집합에 한해서는 학습 속도가 빠르며, 인간이 이해하기 쉽다. 하지만 원 데이터 자체가 수많은 픽셀로 이루어져 있는 이미지 데이터와 같은 경우에는 복잡성을 충분히 반영할 수 없어 이미지 인식 분야에서는 잘 쓰이지 않는다는 한계가 있다. 그래서 이미지 인식 분야에서는 인공신경망(Artificial Neural Networks)과 같은 복잡성이 높은 러닝 모델을 사용하는데, 이렇게 복잡성이 높은 신경망 구조를 러닝 모델로 사용하는 머신러닝 패러다임을 바로 ‘딥러닝’이라고 한다.

딥러닝이란?

기계가 스스로 훈련하면서 패턴을 찾아내 분류하는 기술적 방식인 머신러닝의 한 분야로 분류되는 딥러닝은 프로그램에 미리 조건을 확인하고 명령을 해두는 방식이 아니라, 다양한 상황에 대해 프로그램이 근사적인 판단을 내릴 수 있도록 한다. 딥러닝은 수많은 데이터 속에서 패턴을 발견하며 객체를 분별한다. 처음에는 단순하게 선이나 색만 구별한다면, 나중에는 모양을 인식하고, 다음엔 추상적인 레벨까지 구분할 수 있게끔 학습시키는 것이다. 데이터에서 패턴을 발견하는 과정은 다음과 같다.

▶지도 학습(Supervised Learning)

지도학습은 ‘이런 이미지가 나무다’라고 하나하나 교육하는 것과 같은데, 시작은 미숙하더라도 매일 각종 나무 이미지들을 보다 보면 나무에 대한 개념을 확실히 알 수 있게 된다. 단, 학습 데이터가 적으면 오류가 커질 수 있으므로 데이터양이 충분해야 한다.

▶비지도 학습(Unsupervised Learning)

비지도 학습은 분류되지 않은 데이터를 제공하고 기계가 ‘이런 이미지가 나무구나’라고 자율적으로 깨닫게 하는 방식이다. 이 학습방법을 적용하기 위해서는 고도의 연산 능력이 요구되기 때문에 웬만한 컴퓨팅 능력으로는 시도하기 쉽지 않다.

▶강화 학습(Reinforcement Learning)

강화 학습은 비디오 게임을 통해 효과적으로 설명할 수 있다. 게임에서는 레벨 달성 후 뱃지 받기 등의 퀘스트를 통해 유저가 어떻게 하면 다음 플레이에서 더 잘할 수 있을지를 학습하게 한다.

딥러닝의 최대 강점은 원본 데이터로부터 최적의 성능을 발휘할 수 있도록 하는 특징 표현 방법을 스스로 학습할 수 있어, 요인 추출을 자동으로 수행한다는 것이다. 딥러닝 모델만이 가지는 자동화된 요인 추출 능력으로 인해 어려운 머신러닝 문제들에 대한 해결 성능이 비약적으로 상승했는데, 이러한 변화가 가장 먼저 단적으로 드러난 것이 이미지 인식 분야다. 또한 제품의 자동화를 구현하는 데 필요한 최적의 규칙 혹은 요인이 무엇일지를 알아서 빠르게 찾아낼 수 있기 때문에 손쉽고 신속한 커스터마이징이 가능하다.

딥러닝은 현재 데이터 양 자체가 풍부하며, 높은 확률적 정확성이 요구되는 분야에서 가장 활발하게 연구되고 있다. 각종 정밀 검사에 적용되면서 최첨단 제조 공정으로 그 적용범위가 확대되고 있으며 특히 제조 기술 분야에 적용되어 이미지를 인식하고, 트렌드를 구별하며, 지능적 예측 및 결정을 내린다.

2. 산업 자동화 검사와 딥러닝

성공적인 딥러닝 프로젝트는 기업으로 하여금 비용 절감, 처리 수준 향상을 실현할 수 있고 자체 생산 공정을 보다 잘 이해할 수 있게 한다. 도입 초기에는 소프트웨어 및 하드웨어 비용, 엔지니어링 인력의 개발 비용, 데이터 입력 수집에 소요되는 시간 등을 포함한 구현과 관련된 직접 비용이 존재하지만 딥러닝을 성공적으로 구현할 경우 비용 절감 및 비효율적인 내부 프로세스 개선을 실현할 수 있으며, 규칙 기반 비전 도구로 불가능한 복잡한 검사 애플리케이션을 자동화하며 생산량 향상을 실현할 수 있다.

딥러닝 기반 이미지 분석

딥러닝 기반 이미지 분석은 육안 검사의 정교함과 유연성에 컴퓨터 시스템의 신뢰성, 일관성, 속도를 결합시키기 때문에, 기존 머신러닝의 접근방식으로는 유지관리가 거의 불가능한 까다로운 비전 애플리케이션을 해결할 수 있다. 또한 딥러닝 모델은 허용 범위를 초과하는 실제 결함을 검출하는 동시에 변형이 많은 복잡한 패턴도 학습을 통해 찾아낼 수 있으며, 코어 알고리즘을 다시 프로그래밍하지 않고도 새로운 예시에 맞게 바로 조정할 수 있다.

표1. 딥러닝과 기타 검사 방법 비교
표1. 딥러닝과 기타 검사 방법 비교

복잡한 검사를 위한 딥러닝

딥러닝 모델은 검사원의 자가 학습 능력과 컴퓨터 시스템의 속도 및 일관성을 결합하여 기존 머신비전 시스템이 갖고있는 본질적인 한계를 극복할 수 있게 한다. 딥러닝 기반 이미지 분석은 본질적으로 복잡한 성형 표면 검사에 특히 적합하다. 딥러닝 기반 이미지 분석은 뒤집혔거나 액체가 덧발라졌거나 반짝이는 부품의 흠집과 같이 복잡한 표면 및 성형 결함을 처리하는 데 탁월한 성능을 발휘한다.

특징점의 위치 파악, 판독, 검사 또는 분류 중 어떤 용도로 사용되든 딥러닝 기반 이미지 분석은 문자를 구분하여 부품 외형을 개념화하고 일반화할 수 있다는 점에서 기존 머신과 차별화되며 이는 문자가 미묘하게 다르거나 왜곡된 경우에도 마찬가지이다.

그림2. 기존 머신비전에서 처리하기 힘든 성형 및 기능적 이상현상을 딥러닝 기반 이미지 분석으로 식별
그림2. 기존 머신비전에서 처리하기 힘든 성형 및 기능적 이상현상을 딥러닝 기반 이미지 분석으로 식별

기존 머신비전 VS 딥러닝, 무엇을 선택할 것인가

기존 머신비전과 딥러닝 중 무엇을 선택해야 할지는 해결하려는 애플리케이션의 유형, 처리되는 데이터의 양, 처리 능력에 따라 결정된다. 기존의 규칙 기반 프로그래밍 기술은 계측과 측정 그리고 정밀한 정렬을 수행해야 하는 경우 더 효과적이다. 경우에 따라서는 기존 비전으로 관심 영역을 정밀하게 설정하고 딥러닝으로 해당 영역을 검사하도록 하는 것이 최고의 선택일 수 있다. 그런 다음 딥러닝 기반 검사 결과를 기존 비전에 다시 전달하여 결함의 크기와 모양을 정확하게 측정할 수 있다.

딥러닝은 규칙 기반 방식을 보완하며, 비전 전문성이 요구되었던 기존의 애플리케이션을 비전 전문가 없이도 해결 가능하게 해 준다. 또한 작업자를 배제하고는 시도된 적이 없는 애플리케이션을 해결하기 위한 새로운 가능성을 열어준다. 딥러닝은 머신 비전을 더 쉽게 사용할 수 있게 해주며 컴퓨터와 카메라로 정확히 검사할 수 있는 범위를 넓혀준다.

그림3. 각 방식 적용에 적합한 애플리케이션
그림3. 각 방식 적용에 적합한 애플리케이션

3. 코그넥스, 딥러닝으로 산업 자동화 검사의 미래를 준비

코그넥스는 딥러닝을 머신비전 발전의 핵심으로 판단하고 2017년 스위스의 ViDi Systems를 인수해 딥러닝 기반 비전 소프트웨어 라인인 VisionPro ViDi를 개발했다. 산업 이미지 분석 전용으로 고안된 Cognex ViDi는 즉시 활용 가능한 딥러닝 기반 기술로 작업자의 학습 방식처럼 부품의 알려진 특징, 이상현상, 등급을 나타내는 라벨 이미지를 학습한다. 구축하기 쉬운 하나의 인터페이스에 육안 검사의 정교함과 유연성 그리고 컴퓨터 시스템의 기능과 반복성, 신뢰성을 모두 결합한 Cognex ViDi는 머신 비전의 한계를 뛰어넘고 산업 자동화의 미래를 가져올 수 있는 획기적인 검사 시스템을 구축했다.

그림4. Cognex ViDi 학습 및 실행 단계
그림4. Cognex ViDi 학습 및 실행 단계

그리고 코그넥스는 2019년 10월, 한국의 인공지능 기반 딥러닝 머신비전 솔루션 기업인 수아랩을 인수했다. 수아랩은 세계적인 기술과 탁월한 엔지니어링 팀을 바탕으로 수작업 검사 시장을 목표로 하는 광학적 외관 검사 자동화 딥러닝 기술 적용에 특화된 기업이었다. 코그넥스는 수아랩 인수를 통해 원하는 생산 및 공장 자동화용 딥러닝 기반 비전 검사를 위한 최고의 소프트웨어, 툴, 전문지식을 고객에게 제공할 수 있어 생산업체들이 신뢰하는 딥러닝 파트너가 될 수 있었다.

딥러닝, 인공지능의 희망적 미래

기존 알고리즘으로 프로그래밍하기에 너무 복잡하거나, 시간과 비용이 많이 소모되는 제조 검사의 해결방안으로 딥러닝 기술을 도입하는 기업들이 늘어나고 있다. 딥러닝 기술은 프로그래밍이 불가능했던 애플리케이션의 자동화를 가능하게 하고, 검사 시간을 단축시켜준다.

이를 통해 제조업체는 기존 머신 비전 애플리케이션으로는 해결하기 어려웠던 문제들을 더욱 강력하고 안정적인 방식으로 해결할 수 있는 가능성을 얻게 되는 것이다. 이처럼 딥러닝은 이미 공장에서의 실질적 난제들을 많이 해결하고 있다. 인간을 이긴 알파고를 만든 기술은 동떨어진 미래의 기술이 아니라 이미 우리의 현실 속에서 움직이고 있다.

한편, 필자 코그넥스코리아 김민수 전무는 서울대학교 전기컴퓨터 공학부 박사(2006.8-2013.2)로 대우전자 전략기술연구소Embedded 영상압축 SW개발 선임(1998.3~2003.2) DSPG 멀티미디어 연구소 영상처리 알고리즘 개발 책임(2003.3~2008.6)과 삼성종합기술원/DMC연구소 영상처리/딥러닝 프로세서 개발 수석(2008.7~2017.6)으로 근무했다. 현재, 코그넥스 코리아 Vision Solution 딥러닝/비전 솔루션 개발 전무이사(2017, 7~)로 재직하고 있다.

 

저작권자 © 인공지능신문 무단전재 및 재배포 금지