.svg)
AI 솔루션 문의하기
스마트팩토리에서 비전 AI는 생산 효율성과 제품 품질을 동시에 확보하는 핵심 기술입니다. 부품의 정렬, 용접 품질 확인, 표면 결함 감지, 조립 상태 점검, 라벨 정확성 검증 등 제조 공정의 다양한 단계에서 AI가 인간의 눈을 대신하거나 보완할 수 있습니다. 다만 제조 공정의 환경은 극도로 복잡합니다. 기계의 움직임, 산업용 조명, 열, 먼지, 반사와 그림자, 빠르게 변하는 피사체 등이 이미지 수집을 어렵게 만듭니다. 따라서 실제 공정 환경을 충실하게 반영하는 학습데이터를 확보하는 것이 스마트팩토리 비전 AI의 성공을 좌우할 것입니다.
제조 공정마다 비전 AI가 감지해야 할 대상과 조건이 다릅니다. 용접 공정에서는 용접선의 일관성, 금속 가공에서는 표면 결함, 조립 공정에서는 부품의 올바른 배치, 포장 공정에서는 라벨과 용기의 정렬을 감지해야 합니다. 각 공정의 요구사항이 다르므로, 공정별로 맞춤형 데이터 수집 전략이 필요할 것으로 보입니다. 또한 같은 공정이라도 생산하는 제품의 종류에 따라 데이터 특성이 달라질 수 있을 것으로 예상됩니다. 따라서 초기 데이터 수집 단계에서 각 공정과 제품의 특성을 충분히 분석하는 것이 중요할 것으로 판단됩니다.
제조 공정의 비전 시스템 구축은 카메라와 조명의 선택부터 시작됩니다. 고속 카메라(빠르게 움직이는 피사체 포착), 고해상도 카메라(미세한 결함 감지), 열화상 카메라(온도 변화 감지) 등 다양한 카메라가 활용될 수 있을 것으로 예상됩니다. 또한 조명은 단순한 밝기를 넘어, 대비를 높이고 특정 결함을 부각시키기 위해 신중하게 설계되어야 합니다. 동축 조명, 백라이트, 측광 등 다양한 조명 기법이 결함 감지의 정확도를 크게 좌우할 것으로 판단됩니다. 다만 제조 환경의 조명을 완벽하게 통제하기는 어려울 수 있으므로, 변동하는 조명 조건에서도 작동하는 견고한 시스템 설계가 필요할 것으로 보입니다.
제조 공정은 24시간 운영될 수 있으므로, 생산을 중단하지 않으면서 데이터를 수집해야 합니다. 기존 생산 라인에 카메라를 설치하거나, 병렬로 테스트 라인을 구축하여 데이터를 수집할 수 있을 것으로 예상됩니다. 또한 정상 생산 중에 수집한 데이터는 자동으로 라벨링되기 어려우므로, 사후 라벨링 작업이 필요할 것으로 보입니다. 다만 생산 중단 없이 충분한 양의 다양한 데이터를 수집하는 것은 상당한 시간이 소요될 수 있을 것으로 판단됩니다. 따라서 단기간에 충분한 데이터를 확보하기 위해 시뮬레이션이나 통제된 환경에서의 촬영도 병행할 필요가 있을 것으로 보입니다.
• 정상 제품: 결함이 없는 표준적인 상태의 이미지로 정상 범주 학습
• 미세 결함: 초기 단계의 작은 결함으로 조기 감지 능력 강화
• 명백한 결함: 심각한 결함으로 거부 판단 기준 설정
• 경계 사례: 판단이 어려운 경계 사례로 모델의 판단 기준 정교화
• 원재료 특성 변화: 공급처 변경, 재질 편차로 인한 이미지 특성 변화
• 설비 상태: 정비 후, 부품 교체 후 등 설비 상태 변화 반영
• 작업자 차이: 작업자에 따른 배치 방식, 정렬 정확도 차이 포함
데이터 수집이 장시간 이루어지면, 시간에 따른 편향이 발생할 수 있습니다. 특정 시간대의 조명, 계절에 따른 온도 변화, 정비 일정에 따른 설비 상태 변화 등이 모두 이미지에 영향을 미칠 수 있을 것으로 예상됩니다. 따라서 가능한 한 다양한 시간대, 계절, 설비 상태에서 데이터를 수집하는 것이 중요할 것으로 판단됩니다. 다만 모든 조건을 균등하게 커버하는 것은 현실적으로 어려울 수 있으므로, 데이터 불균형을 인식하고 모델 학습 시에 이를 보정하는 방식을 고려할 필요가 있을 것으로 보입니다.
스마트팩토리에서는 종종 여러 제품을 동일한 라인에서 생산합니다. 같은 공정이라도 제품의 크기, 형태, 재질이 다르면 비전 AI의 학습이 복잡해질 수 있을 것으로 예상됩니다. 따라서 주력 제품부터 시작하여 점진적으로 추가 제품에 대한 데이터를 수집하는 방식이 현실적일 수 있을 것으로 판단됩니다. 또한 제품별로 다른 모델을 학습시키거나, 제품 유형을 인식하고 자동으로 모델을 전환하는 방식도 고려할 수 있을 것으로 보입니다.
제조 공정에서는 비전 데이터만으로는 충분하지 않을 수 있습니다. 온도, 압력, 진동, 음향 신호 등 다른 센서 데이터와 함께 분석하면 더욱 정교한 판단이 가능할 것으로 예상됩니다. 예를 들어 용접 결함은 시각적 결함뿐 아니라 용접 과정의 전기적 신호로도 감지할 수 있을 것으로 보입니다. 따라서 비전 데이터 수집 시에 다른 센서 데이터도 동시에 기록하는 구조가 필요할 것으로 판단됩니다.
제조 공정 이미지에는 제품 설계, 공정 기술, 생산량, 납기 정보 등 기업의 민감한 정보가 포함될 수 있습니다. 데이터를 외부와 공유하거나 학습에 활용할 때, 기업 기밀을 보호해야 할 것으로 보입니다. 데이터의 익명화, 민감 정보 제거, 접근 권한 제한 등의 방법이 활용될 수 있을 것으로 예상됩니다. 다만 과도한 정보 제거가 데이터의 유용성을 해칠 수 있으므로, 보호와 활용 사이의 균형을 찾아야 할 것으로 판단됩니다.
수집한 이미지의 라벨링은 제조 공정 전문가의 판단이 필요합니다. 결함의 분류, 결함의 심각도, 배치의 정확도 등을 판단할 때 공정의 실제 요구사항을 이해하는 사람의 참여가 필수적일 것으로 보입니다. 라벨링의 일관성을 유지하기 위해 충분한 교육과 검증 절차가 필요할 것으로 예상됩니다. 또한 자동 라벨링이 가능한 부분(예: 정확한 시간, 온도 기록)은 자동화하고, 주관적 판단이 필요한 부분은 전문가 라벨링과 결합하는 방식을 고려할 수 있을 것으로 판단됩니다.
스마트팩토리 비전 AI 데이터의 구축은 지속적인 과정입니다. 새로운 제품의 출시, 공정의 개선, 설비의 업그레이드 등에 따라 데이터를 지속적으로 추가하고 갱신해야 할 것으로 보입니다. 또한 모델의 성능이 저하되거나 새로운 유형의 결함이 나타났을 때도 추가 데이터 수집과 모델 재학습이 필요할 것으로 예상됩니다. 따라서 조직이 단기적 효율성만 추구하기보다는 장기적 관점에서 고품질의 비전 데이터를 지속적으로 구축하고 관리할 필요가 있을 것으로 판단됩니다. 이러한 노력을 통해서만 스마트팩토리의 비전 AI가 실제 생산 환경에서 신뢰할 수 있는 성과를 도출할 수 있을 것으로 기대됩니다.
.svg)
.svg)
