최근 국내외 제조 현장에서는 AI를 활용하여 제품의 품질관리 및 수율을 개선하는 등 생산성 향상을 위한 노력이 진행되고 있다.

제조 부문을 위한 인공지능(AI) 시장은 글로벌 조사기관인 마켓앤마켓(MarketsandMarkets)이 지난 지난 9월 10일 발표한 조사보고서 '제조 부문 AI의 세계 시장(World Markets for Manufacturing AI 2026)'에 따르면 2020년 11억 달러(약 1조2천억원)에서 오는 2026년에는 약 15 배의 167억 달러(약 18조2천억원)로 성장할 것으로 예측되고 있다.

일반적으로 제조 현장에서 제품의 외관 이미지를 이용한 이상 검사에서는 제품의 발생 빈도가 낮은 이상 데이터의 수집이 어렵기 때문에 정상적인 데이터만으로 학습하는 방법이 일반적이다. 또 이상 데이터를 필요로 하지 않는 방법의 하나로서 기준이 되는 정상 데이터와의 차이를 감지하는 것이 있다.

이 기술은 볼트와 너트처럼 부품을 고정 화각 및 구도로 촬영할 수 있는 경우에는 유효하지만 검사 대상의 외관의 촬영된 부위와 제품의 종류에 따라 경우에는 기준이 되는 정상 데이터로서의 적용이 어렵다.

예를 들어, 반도체 웨이퍼의 결함 검사는 웨이퍼 상의 여러 지점을 촬영하고 그 큰 이미지에서 결함이 되는 먼지 또는 스크래치의 유무를 확인한다. 이는 촬영된 부위나 제품의 종류에 따라 다르며, 각 결함의 모양도 다양이기 때문에 하나의 견본(정답)에 대한 진위 결함의 유무를 판정할 수 없는 상황이다.

이런 상황에 대응하는 심층학습을 이용한 기술로서 정상 데이터만을 통해 ‘정상 데이터다움’을 학습하는 AI를 사용하는 기법이 있다. 이 기법은 이미지 데이터로부터 이미지의 특징을 잠재 변수(Latent variable)로 수치화하고, 다시 이미지 데이터로 복원한다. 그러나 정상 데이터만을 사용하여 학습된 AI에서는 비정상적인 데이터를 올바르게 복원할 수 어렵다.

따라서 입력시와 복원시 이미지 데이터의 차이에서 촬영된 부위나 제품의 종류에 따라 상황이 다를 때에도 비정상적인 검사로 이어질 수 있다. 한편으로 유사한 이미지끼리 잘못된 잠재 변수에 대응해 학습할 수 있어 정상 데이터를 정확하게 복원할 수 없고, 식별 정확도는 떨어지다.

이에 도시바는 정상적인 이미지 데이터의 복원 성능을 크게 향상시키기 위한 자체 '듀얼-엔코더 BiGAN(dual-encoder BiGAN)' 기술을 이용한 심층학습 AI를 개발했다. 이 AI는 잠재변수로부터 복원된 영상 데이터를 다시 잠재변수로 수치화(재코딩)하고, 두 잠재변수가 일치하는 제약조건을 부과하여 학습한다.

기존의 영상 데이터의 입력시와 복원시의 비교를 보다 엄격하게 하는 것 외에도 잠재변수 비교도 수행함으로써 촬영된 부위나 제품의 종류에 따라 상황이 다르더라도 보다 높은 정확도로 영상을 복원시켜 고정밀도로 이상을 식별하는데 성공했다고 밝혔다.

또한 도시바는 이 AI 기술을 사용해 세계 공통의 필체 숫자 이미지의 공개 데이터 세트로 비정상적인 탐지를 실시했는데, 식별 정확도가 기존 69.5%에서 79.1%로 개선됐다고 한다. 이는 세계 최상위 수준의 성능을 달성한 것이다. 또 이 AI를 통해 자사 반도체 제조공장에서 수집한 검사 이미지에서도 50.5%에서 91.6%로 검사 성능을 개선했으며, 향후 다양한 검사공정에 적용해 성능 검증을 수행할 것이라고 밝혔다.

이 AI 기술은 미국 플로리다에서 14일부터 17일까지 온라인으로 개최되는 머신러닝 및 응용 분야 세계 최고의 학회인 ICMLA2020 (19 th IEEE international Conference on Machine Learning and Applications)에서 발표됐다.

한편, 도시바는 이 AI를 2021년도에 도시바 디바이스&스토리지(Toshiba Devices & Storage) 산하 반도체 제조 공장의 이미지 검사 공정에 적용할 계획이다. 또한 이 AI는 고정밀 이상 검사를 실현하는 것으로 결함품 식별 작업을 효율화시켜, 제품 수율의 개선에 혁신적으로 공헌할 것이라고 밝혔다.