제조 공정에서 작업자가 제품의 품질을 육안으로 검사하는 경우 실수가 발생할 수 있습니다. 인간의 감각으로 검사를 하면 촉감이나 경험치를 활용할 수 있는 장점이 있지만, 검사하는 사람에 따라 평가 기준이 달라져 균일한 검사가 이루어지지 않습니다. 육안 검사의 장점을 키우고, 단점을 극복하기 위해 최근에는 제조 공정에 AI가 도입되어 검사의 무인화가 진행되고 있습니다.
기존 기술의 한계와 AI를 통한 극복
과거부터 공장 무인화가 진행되고 있지만, 인간 특유의 직감과 경험이 필요한 검사 공정은 시스템화가 어렵습니다. 기존 솔루션은 자동 검사 장치의 도입이었습니다. 그러나 검사 장치는 작업자가 설정한 스펙(밝기, 길이 등 일정한 값을 초과하는지의 경계, 임계치)에 의한 제어에 의존하며, 스펙을 설정할 수 있는 그레이존 설정이 획일적으로 되는 문제가 있었습니다.
또한, 기존 절차의 검사 시스템은 복잡하고 설정이나 조정에 시간이 걸립니다. 설정을 엄격하게 하면 수율이 나빠지고 느슨하게 하면 불량이 늘어나서 결국에는 작업자의 재판정이 필요해지는 문제가 있었습니다.
지금까지 검사원의 능력을 향상시키기 위한 훈련으로 한 점을 주시하지 않고 바라보는 것으로 능률을 높이는 ‘주변시 검사법(Peripheral Inspection)’ 등의 방법으로 대처해 왔습니다. 그러나 현재 직감과 경험을 습득할 수 있는 딥러닝 기술을 육안 검사 영역에 적용한 AI 시스템이 출현해 빠르게 혁신이 일어나고 있습니다.
AI 기술의 활용
AI를 활용한 시각 검사는 촬영 장치에 의해 화상 데이터를 수집하고 기존 시험자가 눈으로 판단하던 손상, 찌그러짐, 얼룩, 형태 이상, 조립 이상 등의 불량을 인공지능에 학습시켜 인간을 대신해서 일차적으로 식별하게 하는 구조입니다.
검사자가 직감과 경험으로 실행해온 그레이존의 불량 판정은 딥러닝을 활용하는 것이 좀 더 적합한 영역으로 시험자보다 더 정밀하게 판별할 수 있습니다.
AI에 의한 시각 검사는 작업자가 실행하는 경우와는 달리, 시간대나 요일, 컨디션 등에 따른 식별 정도의 오차가 없습니다. AI에게 화상은 하나의 데이터에 지나지 않기 때문에 센서의 종류도 묻지 않습니다. AI는 광학계뿐만 아니라 레이저나 X선 화상을 포함한 모든 화상 데이터로부터 특징을 학습할 수 있습니다. 불량감지, 검색된 불량의 분류와 더불어 검사 기록을 남길 수 있기 때문에 공장과의 정보 공유도 용이합니다. 수치로 나타낼 수 없는 정성적인 판단은 검사 담당자에게 큰 스트레스를 주므로 AI를 통해 일하는 방법을 개혁할 수 있습니다.