헬로티 임근난 기자 |

 

산업계에서의 딥러닝 기반 머신러닝이 각광받고 있다. 딥러닝 기반 모델은 룰 기반 머신비전보다 유연성과 전이학습, 그리고 확장성이 뛰어나 스마트 팩토리에도 적용하려는 시도들이 이루어지고 있다. SK텔레콤은 딥러닝 기반의 제품 검사 솔루션인 Machine Vision Inspection과 물류로봇의 지능화를 위한 AI Robot Vision 솔루션을 개발, 다양한 적용 사례를 확보해 나가고 있다. 딥러닝 기반의 머신러닝 모델을 통해 품질 검사 성능을 지속적으로 향상 시키고, 로봇의 운용을 더 스마트하게 바꾸어 물류 자동화를 고도화하는 SK텔레콤의 로봇 비전 기술을 정리했다.

 

 

일반 이미지 인식 능력은 딥러닝 알고리즘의 발달과 함께 지속적으로 발전했다. 2012년에 알렉스넷(AlexNet)이라는 딥러닝 기반의 모델이 처음 등장했다. 알렉스넷이 나오기 전까지는 룰 기반으로 이미지 인식을 했었는데, 이미지 인식하는 에러율이 30%에 달할 만큼 실제에서는 활용하기가 어려웠다.

 

알렉스넷이 나온 이후 딥러닝 모델의 성능은 계속 발전을 했고, 2015년에는 에러율 5% 이하의 인식률을 보인 레스넷(ResNet)이 나왔고, 2016년 이후에는 결국 AI 알고리즘이 인간의 능력을 넘어서게 되었다. 산업계에서의 이미지 판독 능력 격차 또한 지속적으로 줄어들 것으로 예상되면서 딥러닝 기반 머신러닝이 각광받고 있다.

 

룰 기반 머신비전 vs. 딥러닝 머신비전

 

룰 기반의 머신비전과 딥러닝 기반의 머신비전을 비교해봤다. 가장 큰 차이점은 첫째, 유연성과 전이학습이다. 룰 기반 모델은 단일 제품의 다순 패턴을 활용한 판정 방식이라 보니 검사 대상마다 검사 룰의 설정이 필요하고 제품의 작은 변화에도 새롭게 규칙을 설정해 주어야 하는 문제가 있었다. 반면, 딥러닝 기반 모델은 불량 유형에 대한 학습이 이루어진 상태이므로 검사 대상의 유연하고 손쉬운 변경이 가능하다.

 

둘째, 확장성이다. 룰 기반 모델은 동일 검사 대상 외에 확장이 어려우나, 딥러닝 기반 모델은 대상 부품의 모양들이 조금 바뀌어도 유연하게 대처할 수 있으며, 같은 불량 유형의 유사 제품으로도 확장이 용이하다.

하나의 예를 보겠다. 자동차 번호판이 최근에도 계속 개선이 되고 있다. 번호판이 새롭게 바뀌더라도 한 번 학습한 알고리즘은 유연하게 적용되어 높은 성능으로 판정할 수 있게 된다. 이런 특징들 때문에 딥러닝에 대한 관심들이 높아지고 있으며, 스마트 팩토리에도 적용하려는 시도들이 이루어지고 있다.

 

SK텔레콤의 머신비전 솔루션

 

SK텔레콤은 AI 기반 비전 기술력을 바탕으로 딥러닝 기반의 제품 검사 솔루션인 Machine Vision Inspection, 물류로봇의 지능화를 위한 AI Robot Vision 솔루션을 개발, 보유하고 있다.

 

 

SK텔레콤의 Machine Vision Inspection은 전체적인 솔루션의 흐름이나 외관은 기존 전통적인 룰 기반 머신비전 솔루션과 크게 다르지 않다. 다른 점은 카메라로 제품 이미지를 촬영하여 5G 네트워크를 통해서 전송하고, 이 이미지를 클라우드 서버에서 판정한다. 판정 결과는 공장 내 PLC 등으로 다시 전송되어 양품과 불량품을 분류하게 된다. 기존에는 공장 내부에서 판정하는 것이 일반적이었지만 딥러닝 모델을 활용하면서 클라우드를 접목하게 됐다.

 

클라우드를 활용하면 몇 가지 장점이 있다. 첫째, 모델의 최적 성능을 유지할 수 있다. AI 비전 모델은 관리가 안 되어 방치되면 시간이 지나고 환경 변화에 따라 성능이 지속적으로 하락하게 된다. 모델을 만들어 갈 때 과정을 보면, 처음 학습 과정에서는 모델 성능이 점점 올라가는 모습을 볼 수 있다. 그러던 것이 어느 정도 서비스 레벨 이상의 성능이 이루어지고 서비스를 하기 시작하면 공교롭게도 우하향 하는 모습을 보이게 된다. 이는 거의 모든 제조 현장에서 공통적으로 나타나고 있는 현상이다.

 

이런 현상이 일어나는 가장 큰 이유는 제조 환경의 변화 때문이다. 이렇게 되면 애써 개발해 놓은 모델들의 성능이 지속적으로 하락하게 되는데, 이런 현상을 방지하기 위해 클라우드를 통해서 수집된 여러 가지 정보들을 기존 판정된 모델 이미지들을 가지고 다시 한 번 학습하게 되어 모델 성능이 떨어지기 전에 새로운 모델을 개발해서 현장에 투입할 수 있다. SK텔레콤은 비전 모델의 지속적인 관리와 판정 소프트웨어 업그레이드를 통해 시간이 지나도 최적의 성능을 유지할 수 있도록 한다.

 

둘째, AI 비전 모델 개발이 용이하다. SK텔레콤은 최고의 성능을 가진 머신 비전 모델을 개발하기 위해 전통적인 컴퓨터 비전 기술과 머신러닝, 그리고 최신 기술인 딥러닝을 활용하여 AI 비전 모델을 개발한 다년간의 노하우를 보유하고 있다. 그렇게 해서 나온 모델이 사실 공장 환경에 적합하지 않은 경우도 있었는데, 가장 큰 이유는 높은 GPU 성능을 요구하다 보니 판정시간이 느려진다는 것이다. 즉, 딥러닝 기술만으로 높은 성능의 판정 모델을 제공한다는 것이 쉽지 않을 수도 있다는 걸 알게 됐다. 그렇기 때문에 최근 SK텔레콤에서 집중하고 있는 부분은 협업의 도메인 놀로지(Domain Knowledge)를 어떻게 딥러닝 모델에 종합적으로 잘 활용할 수 있을까 하는 고민을 많이 했다.

 

한 가지 적용 사례를 보겠다. 부품 등급 분류 사례인데, 복잡한 형상으로 인해 기존 머신비전 솔루션에서 판정하기 어려웠던 부품을 SK텔레콤의 인공지능 모델을 사용하여 성공적으로 등급을 세분화할 수 있었다. 검출 부위를 인공지능으로 찾는 이유는 융착 부위가 최근에는 다품종소량생산에 의한 혼류생산으로 여러 종류의 다른 형상을 가진 부품들이 하나의 컨베이어벨트 위에 올라와서 검사를 해야 되므로 어려운 일이 될 수 있다. 따라서 이런 부분들을 인공지능 모델을 통해서 양품-불량품 찾고 분류하는 2단계 모델을 구축했다.

 

 

물류로봇 자동화를 위한 AI 기술

 

다음으로 소개할 것은 물류로봇 자동화를 위한 AI 기술이다. 물류 산업에서 로봇의 필요성은 커지고 있으나, 제조 산업 대비 물류 산업 현장은 수시로 발생하는 비정형, 랜덤한 상황으로 인해 기존의 로봇 자동화는 적용이 쉽지 않다.

 

물류센터만 보더라도 사람이 수작업으로 일일이 무거운 짐을 올리고 내리는 작업들을 하고 있다. 다양한 박스들을 다양한 모양으로 적재하고 분류하며 이송하는 일이 로봇에겐 거의 불가능한 일이기 때문이다. 특히, 통제하기 어려운 작업 환경에서는 더욱 그랬다. 물류로봇 자동화를 위해서는 AI가 필요한 이유이다.

 

물론 로봇이 전혀 사용되지 않은 것은 아니다. 그러나 기존의 전통적인 로봇은 정형화되고 미리 세팅된 룰에 따른 반복 동작이 전부였으며, 소품종대량생산 및 특정 상품전용 작업처리에 주로 활용됐다. 작업 대상이나 조건별 경우의 수가 증가할수록 룰 세팅에 많은 노력이 소요됐다.

 

SK텔레콤은 로봇에 AI 비전 기술을 적용함으로써 물류현장의 다양한 작업 조건, 환경에 대응할 수 있는 지능화된 로봇자동화를 구현할 수 있었다. 이 스마트 로봇의 특징은 인간의 사고를 모방한 학습과 추론이 가능하고 비정형의 작업 대상이나 작업조건에 유연하게 대응할 수 있다. 또한, 다품종소량생산, 혼류생산, 다양한 유형의 상품 대응이 가능하다.

 

결론적으로 SK텔레콤의 AI 로봇 비전은 카메라로부터 획득한 이미지에서 AI 기술을 기반으로 작업 대상을 정확하고 신속하게 식별, 로봇에 정보를 전달하여 로봇이 정확한 작업을 수행할 수 있게 한다.