스마트제조 자동화 공정 도입에 필요한 머신 비전 - 내가 이해해서 바로 적용하는 MY 비전 -

1. 서론

카메라를 사용하여 검사 인력을 보완, 대체하는 비전 검사는 제품 검사 공정에 오래전부터 사용되고 있다. 다만 제조 공정의 특성에 따라 반도체처럼 적극적으로 사용되는 분야가 있는가 하면 뿌리산업처럼 인력 의존 비율이 매우 높은 분야까지 제조 업종에 따라 도입 비율의 차이가 크다는 특징이 있다. 제조 강국으로 성장한 대한민국은 장기간에 걸친 자동화 노력으로 생산되는 제품의 생산비용은 낮추고 품질은 개선하여 가격 경쟁력을 높여 왔다. 그러나 국내 인구분포로부터 2030년까지 누적 350만이라는 전대미문한 생산인구감소가 예견되고 있으므로 정부는 이에 대응하여 스마트팩토리를 중심으로 하는 제조 4.0 전환을 서두르고 있다. 총체적인 공정 데이터를 기반으로 운용되는 스마트팩토리 체계는 자동화율이 미비한 검사 지점에서 발생하는 데이터 빈곤과 누락 현상에 매우 취약하므로 카메라를 사용한 비접촉 검사 자동화가 시급한 현안으로 대두되고 있다.

비전 검사는 일반적인 회사에서 검토, 도입, 운용하기에는 전문적 지식이 필요하며 장비 도입 비용이 많이 들고 기술 이해가 까다로워 유지 보수가 힘들며 공정 변화에 취약하다는 의견이 대세이다. 특히 제조업이 소량 다품종 생산으로 변화하는 추세에 대응할 수 있는 검사 소프트웨어 유연성이 부족하다는 문제와 특히 최신 Deep-Learning AI 기술로 성능 업그레이드 비용이 과다하며 데이터 학습 중심의 사용자 경험 습득에 기술적 어려움이 있다고 알려져 있다. 현재는 담당자가 자사에 비전 검사 도입을 검토하는 경우 비전 검사 장치를 제공하는 업체에 복수 문의하는 방법밖에 없으므로 검사 가능성부터 도입 가격까지 천차만별의 기술적 답변과 견적을 받게 되고, 그 결과 객관적 비교검토가 불가능하므로 조사할수록 혼란과 불확실 정도만 가중되는 사례가 많다.

비전 검사를 포함한 모든 검사 (inspection)는 측정으로 구한 대상물의 수치 값을 허용 범위(오차) 내의 기준값과 비교하여 오류를 검출하는 작업이다 [1]. 따라서 검사란 1) 어떤 부분을 2) 어느 정도로 허용하는가? 에 대한 판단이다. 비용 때문에 생산 제품의 모든 부분을 검사할 수는 없으며 발생하는 결함 정도는 생산 공정과 밀접하게 관계되므로 검사 부분의 선택, 검사 기준의 결정 등 검사에 필요한 모든 문제와 답은 제조 현장에 있다. 그러나 현재 상황은 비전 검사에 필요한 기술적 검토 및 가부 결정 등 판단에 필요한 기초 자료가 회사 외부에 있는 실정이다.

따라서 비전 검사 도입을 쉽게 만드는 대책은 명확하다. 비전 검사가 필요한 해당 부문 즉 현장에서 스마트폰으로 찍은 제품 사진과 확인된 결함을 영상 검사 소프트웨어에서 검사 가능 여부를 판단할 수 있으면 된다. 담당자의 검사 결과가 주변 동료까지 공유, 검증으로 의견일치가 이루어지면 회사 정책에 따라 자동 검사 장치까지 나아갈 수 있다. 검사 결과가 좋지 않으면 현 지점은 자동 검사가 어렵다는 결론을 내고 기존 방식을 고수하면 된다. 스마트제조에 필요한 비전 검사 활성화는 기술 중심축을 현재의 공급 업체로부터 도입하는 회사 내부로 가져오는 기술 검토 주도권 확보의 패러다임 변환이 필요하며, 이를 위해서는 손쉬운 사진 촬영 장점을 활용할 수 있는 영상 검사 소프트웨어를 현장에서 손쉽게 사용할 수 있는 여건 조성이 필요하다.

한편, 주조 공정에 사용되는 비전 시스템은 다양하며 다음과 같이 나눌 수 있다.

- 주조 불량 검사용 비전 시스템

- 주조 공정에서의 자동화를 위한 비전 시스템

- 주조 공정에서의 로봇 가이드용 비전 시스템

향후 비전 검사에 대한 지속적 발전과 향상을 담보할 수 있는 교육 시스템과 기술적 정보, 객관적 자문을 제공할 수 있는 비영리적 조직 설립을 제안한다.

2. 본론

2.1. 비전 검사 정말 어려운가?

카메라 영상을 이용하여 조립된 부품의 유무 검사, 색/품종/형상 판별, 개수 검사, 특정 부품의 위치 결정, 제품 외관 검사, 치수 측정, 바코드/QR code 인식 등 다양한 기능을 수행할 수 있는 비전 검사는 다채로운 기능에도 불구하고 현장 적용이 까다롭고 장비에서 검사 위치와 종류의 변경이 어렵다는 문제를 안고 있다.

그림 1(a)에 나타낸 바와 같이 비전 검사는 1단계 영상 획득, 2단계 영상 전처리, 3단계 영상 내 특징 (feature) 추출, 4단계 결함 판정 및 결정, 5단계 기구 Interfacing, Reporting, 데이터 저장, 상위 전송의 다섯 단계로 나누어진다 [2,5]. 첫 번째 단계에서는 카메라, 렌즈, 조명, 안착 지그 등 하드웨어가 영상 획득 소프트웨어와 협업하지만, 나머지 네 단계는 소프트웨어가 단독으로 처리한다. 비전 검사에서 소프트웨어는 최종 성능을 결정하는 핵심 요소이다 [2-5]. 비전 검사 소프트웨어는 그림 1(b)와 같이 1) 형태, 위치 감지, 2) 계측, 3) 객체 분리, 4) 인식 등 기능별로 나누어지고 사안에 따라 각각의 역할을 조합, 판단하여 요청되는 검사를 수행한다 [2,5].

그림 1. 비전 검사 개요; (a) 카메라 영상 검사 절차, (b) 기술적으로 분류한 영상처리 유형.

비전 검사 소프트웨어는 C, C++, C#, Python 등 프로그램 언어를 사용하여 code로 작성되는데 종래에는 검사 사양이 정해지면 매번 프로그램 code를 새로 개발하였다. 최근에는 코딩 패러다임을 전환하여 검사에 필요한 부분들을 단위 기능별로 미리 작성하여 레고 블록처럼 저장해두고 검사 필요에 따라 적합한 블록을 단계적으로 조합하여 새로운 검사 작업을 만든다는 zero coding 방법으로 진화하였다.

비전 검사는 카메라로부터 획득되는 영상에서 시작되므로 초기 영상의 품질이 중요하다. 만일 초단에서 획득한 영상에 검사 목표가 되는 결함이 나타나지 않았다면 후단 소프트웨어 전체는 무용지물이 된다. 결함을 분명하게 잡아내기 위해서는 카메라, 렌즈에 더해 구도, 조명의 역할이 결정적으로 중요하며, 이 부분은 DSLR 카메라 또는 스마트폰으로 좋은 사진을 찍는 일반 요령과 같다. 최근의 비전 검사는 결함이 나타난 검사 대상물의 사진만 찍을 수 있으면 소프트웨어로 신뢰할 수 있는 결과를 보장하는 수준까지 진화되었다.

비전 검사 장치 구성과 zero coding 프로그램을 사용한 검사 사례를 제시한다. 그림 2에 비전 검사를 위한 표준 실험 장치 구성과 검사 시료를 나타내었다. 사진에는 분명하게 나타나지 않지만, 카메라는 상하 이동이 수월한 카메라 거치대에 부착되어 있다. 대부분 고정 초점 렌즈를 카메라 C 마운트에 부착하여 사용하므로 WD (working distance, 시료와 렌즈 표면까지의 거리)가 변화함에 따라 영상 유효영역인 FOV (field of view) 크기가 변화한다. FOV가 정해지면, 프로그램으로 영상을 획득하면서 렌즈에 부착된 조절기로 선명하게 초점을 맞춘다(이러한 작업은 쉽다. 한 번 시험해보기를 권유한다).

그림 2. 비전 검사 표준 구성; 5M Basler 카메라와 거치대, Bar/Back Light LED 조명, 텔레센트릭 렌즈, 검사 시료, 시료 거치용 지그, 비전 PC, 모니터 구성 실험 장치.

사용한 GigE 방식 카메라는 POE 방식으로 전원이 공급되므로 하나의 LAN cable만 PC에 연결되어 있으며, 2개의 Bar/Back Light LED 조명 전기선을 조명 컨트롤러 port에 각각 연결하면 비전 세팅 완료이다. 조명 컨트롤러와 PC는 제공되는 RS232 cable로 연결한다.

PC에서 비전 검사 AnyLook 프로그램을 실행하고, AnyLook에서 시료 영상을 획득하면서 초점과 WD를 조절하여 영상 내 시료 크기가 적절하여지도록 조정한다. Bar/Back Light LED 조명은 AnyLook ‘영상 촬영 Tool’에서 순서 선택과 밝기 조절이 가능하다.

마지막 단계로 영상 내 한 픽셀 (화소, pixel)의 크기를 실측하기 위해 그림 3(a)처럼 자를 촬영하고 영상에 관측된 길이를 화소 수로 나누어 픽셀 분해능을 계산한다.

그림 3. 비전검사결과; (a) 촬영된 영상과 자로 pixel 크기(분해능) 계산, (b) Intimax사 AnyLook 프로그램으로 시료 영상에서 원호 크기 측정, (c) 시료 특정 부분의 갭 간격 측정, (d) 시료 내 단차 측정.

그림 3(b), (c), (d)에 AnyLook 프로그램으로 적절한 블록을 조합하여 원호, 갭, 단차 세 종류의 측정 검사를 수행한 결과를 나타내었다. 각각의 측정 블록은 내부에 양/부 판정을 포함하고 있으며 판정과 오차 기준은 작업자가 미리 안다고 가정하였다. 비전 프로그램은 픽셀 단위로 측정하므로 실측값은 미리 수행한 픽셀 분해능 값을 사용하여 mm 단위로 변환된다.

검사의 최종 목표는 양품과 불량품을 완벽하게 가려내는 것이나 현실은 사뭇 다르다. 그림 4(b)에 시료의 양품과 불량 분포 2가지 형태를 제시하였다. “Case A”처럼 양/부 분포가 완벽히 분리되면 판정 기준값 선택은 명료하며 결과도 좋다. 그러나 실제 사례인 “Case B”처럼 양/부 분포가 일부 겹치면 판정 기준값을 어디로 선택하던 과검 (양품을 불량으로 판정)과 미검(불량을 양품으로 판정)이 필연적으로 발생한다. 그림 4(a) Confusion Matrix는 과검, 미검의 발생 영역을 보여준다. 일반적으로 현장에서는 미검 비율 최소화를 원하지만, 겹치는 분포에서 적은 미검은 다수의 과검 발생을 의미한다. 현실적으로는 미검과 과검 사이의 균형이 필요하며 합리적 판정 기준 선정과 검사 성능 개선으로 양/부 분포의 겹치는 구간을 줄여나가는 노력이 필요하다.

그림 4. 비전 검사 목표; (a) Confusion Matrix로 관측한 과검과 미검, (b) 양품과 불량 시료 분포와 판정 기준.

2.2. 비전 검사 정의, 필요성 및 적용 분야

카메라 영상을 사용하는 검사는 머신 비전 (Machine vision)으로 알려져 있다. 머신 비전은 인간 시각 (Human vision)의 인지 (cognition)를 연구하는 컴퓨터 비전 (Computer vision)과 대비되는 용어로 자동화 이미지 협회 (AIA)에 따르면 영상의 검출 (detection) 분야에 특화된 기술을 의미한다.

비전 검사는 저비용, 비접촉 방식으로 복잡한 형상을 고속으로 검사할 수 있으므로 제조 공정의 품질관리 (Quality management), 통계적 품질 관리 (Statistic quality control)를 위한 생산 제품 검사 데이터의 생성과 수집에 사용된다. 카메라 영상을 사용한 측정, 검사에는 유무 검사, 판별 검사, 개수 검사, 외관 검사, 인식 검사, 치수 측정 및 검사, 위치 결정 등 다양하며 특히 최근 산업용 AI 발전으로 색상, 품종, 형상 등 외관 결함 검사에서 수준 향상이 보고되고 있다 [9,10].

비전 검사는 그림 6처럼 제조 분야 전반에 적용되고 있지만, 업종, 공정별로 도입 규모 차이가 크며 특히 제품 변경이 잦은 다품종소량생산 분야, 낮은 제품 단가 분야, 자동화율이 낮은 수작업 우선 분야 등 비첨단 분야로 갈수록 도입 사례가 희소한 실정이다.

그림 5. 머신 비전 정의; 인간 시각을 연구하는 컴퓨터 비전과 결함 검출에 특화된 머신 비전.

그림 6. 비전 검사 적용 분야; Automotive, Mobile Device, Medical Device, Consumer Product, Pharmaceutical, Food & Beverage, Semiconductor, Electronics, etc.

2.3. 비전 검사 부품

카메라 영상으로 검사를 수행하는 비전 검사는 시료의 영상을 획득하기 위한 카메라, 렌즈, 조명으로 구성되는 광학 시스템이 필요하다. 2015년 Sony사가 기존 CCD 생산을 중단함에 따라 카메라 센서는 속도와 Low noise 장점이 있는 CMOS 센서로 전환되면서 카메라 가격도 종래의 1/5, 1/10로 하락하였다. 대량 생산 체제와 경쟁 격화로 카메라 렌즈 가격도 낮아지고, 고휘도 청색 LED 등장과 생산 단가 하락으로 LED 조명도 합리적 가격으로 조정되면서 비전 검사에 필요한 전체 하드웨어 금액은 극적으로 감소하였다.

그림 7에 나타낸 바와 같이 반도체 기술 발전으로 PC를 구성하는 CPU, Memory, GPU 등 계산 부와 Gigabit LAN, USB 등 주변기기 성능이 발전함에 따라 카메라, 조명 컨트롤러 연결 등 하드웨어는 간소해졌으며, 상대적으로 UI(User interface), 계산 처리 등 소프트웨어 능력은 향상되어 AI를 포함한 고난도 영상처리 알고리즘을 합리적인 가격으로 비전 검사에 활용할 수 있는 시대가 되었다.

그림 7. 비전 검사 기술 발전; 반도체 Hardware, Vision software 동기 변천.

그림 8(a)에 대표적 카메라 메이커인 독일 Basler사, 중국 HIKROBOT사 제품과 다양한 C mount 고정 초점 렌즈군을 나타내었다. 고정 초점 렌즈는 5, 6, 8, 12, 16, 25, 50 mm 사양이며 초점 및 조리개 수동 조절 기능이 있다. (b)에는 원근 왜곡을 광학적으로 보상하여 수치 측정에 사용되는 텔레센트릭 렌즈를 나타내었으며, 일반 렌즈는 국 내외에 다수의 제조사가 있다. (c)에는 다양한 색상과 종류의 LED 조명을 나타내었다. LED 조명은 전용 컨트롤러로 PC에서 channel on/off 및 조명 밝기를 프로그램으로 조절할 수 있다. LED 조명은 크기, 종류별로 맞춤 제작이 가능하며 국내외에 다수의 제조사가 있다. (d)에 특수 조명기기 사례로 일본 CCS사 Flat Dome 조명을 나타내었다. 비전 검사에서는 검사에 적합한 영상을 획득하기 위해 다양한 조명 방식을 선택할 수 있으며 그림 6 우측에 나타낸 바와 같이 특정 목적에 따라 적합한 조명 기술의 적용이 필요하다.

그림 8. 비전검사부품; (a) Basler, HIKROBOT 카메라 및 고정초점렌즈, (b) 텔레센트릭렌즈 (Telecentric lens), (c) LED 조명, (d) 특수조명; 일본 CCS사 Flat Dome 조명.

2.4. 비전 검사 소프트웨어 플랫폼

제조 공정 비접촉 검사 전반에 걸쳐 사용되는 비전 검사는 영상 취득을 제외한 나머지 과정이 전부 프로그램 내부에서 소프트웨어로 이루어진다. 비전 소프트웨어에 대한 큰 도전과제는 두 가지로, 첫째는 프로그램 내부에서 이루어지는 영상 처리 (image processing) 과정을 분석, 시각화하여 사용자가 직관적으로 문제를 확인하고 개선 부분을 쉽게 수정 보완할 수 있도록 순차별 작동 정보 표시와 구조, 파라미터 변경 방법을 제공하는 것이고 둘째는 프로그램 코딩 (coding) 작업없이 비전 검사가 가능한 작업을 구성할 수 있는 소프트웨어 플랫폼 (platform)을 구축하는 것이다.

그림 9에 구매하여 사용할 수 있는 비전 검사 platform software 4가지를 나타내었다. 각각의 프로그램은 사용 방법에 차이는 있으나 레고처럼 미리 제공되는 검사 블록을 조합하여 다양한 비전 검사를 수행한다는 코딩 (coding) 없는 프로그램의 핵심 철학은 같다. 그러나 사용 방법과 지원하는 카메라 사양 등 세부적 차이가 있으며 초보자가 시험해보기에는 비용, 사용 교육, 기술적 Q&A 지원 면에서 쉽게 시작하기 어려운 부분이 있다.

그림 9. 비전검사 Platform SW; 코딩(coding) 없이 레고처럼 블록 조립으로 검사 기능을 추가/변경/삭제할 수 있어 변화하는 요구에 즉시 대응 할 수 있는 platform software. (a) 미국 NI사 Vision Builder [11], (b) 일본 VISCO사 검사 프로그램 [12], (c) 중국 HIKROBOT사 Vision Master [13], (d) 한국 Intimax사 AnyLook, AIVI [14].

한국 인티맥스(주)사는 국내 기술로 개발된 비전 검사 플랫폼 SW AnyLook과 AI Deep-Learning 검사 모듈 AIVI를 2023년 상반기까지 공개 버전과 사용자 무료 교육을 준비한다는 계획을 세우고 있다 [14]. 2016년부터 시작된 AnyLook 플랫폼은 OpenCV, LibTorch SDK를 기반으로 하여 C#, C++ 언어로 개발되었으며 40여 개의 Rule-base, AI Tool을 제공하는 Hybrid 방식으로 현재 비전 장비에 탑재, 사용되고 있는 제품이다. 이는 누구나 점진적, 직관적으로 신뢰할 수 있는 비전 검사를 수행할 수 있고, 그 결과를 보완, 발전시켜 현장 적용까지 연계한다는 기획하에 개발, 보완, 발전되어 왔다 [14]. 또한 중국 HIKROBOT사 Vision Master SW 플랫폼도 국내에 서비스되고 있어 좋은 비교가 된다 [13].

AnyLook 프로그램은 모듈 내부에 영상처리 진행 과정을 직관적, 단계적으로 보여주고 사용자의 판단을 보조한다. 대표 사례로 그림 10에 AnyLook “Blob 검사” Tool의 3단계 내부 구조를 나타내었다. Blob 처리는 영상에서 밝기 문턱값(Threshold value) 정보를 사용하여 영상 내 특정 형태의 숫자와 크기를 산출하는 방법이다. 그림 10에서 ①단계는 문턱 값의 변경 및 계산 옵션에 따른 영상 변화를 실시간, 직관적으로 보여주며, ②단계에서는 검출된 형상을 크기, 형태 순으로 나열하고 보조 영상에 각각의 위치를 표시하여 유효한 blob을 선택할 수 있도록 안내하고, ③단계는 선택된 blob 형태가 검사 기준에 적합 여부를 보조 영상 내 위치, 크기와 수치로 제공하여 사용자의 판단을 돕는다. 마지막으로 Tool을 재실행하여 원하는 동작 및 수행 시간을 확인할 수 있다. 이처럼 AnyLook은 단계별로 가시적이고 유효한 정보를 제공하여 검사 설정에 대한 사용자의 올바른 결정을 돕는다 [14].

그림 10. 비전 검사 AnyLook 프로그램 “Blob 검사” Tool 내부 구조.

2.5. Rule-Base vs. Deep-Learning

비전 검사에는 전처리, 특징 추출, 결함 판정 등등에 다양한 영상처리 알고리즘이 사용된다. 2010년도에 진입하면서 수학식을 바탕으로 하는 기존의 Rule-base Algorithm에 학습 방식의 기계학습 (Machine Learning) Algorithm 및 신경망 (Neural) 딥러닝 (Deep-Learning) Algorithm이 실용화되고 서로의 장점을 혼용하여 사용할 수 있게 되면서 인간 시각 검사에 버금가는 인식도, 정확도 및 유연성을 기대할 수 있는 수준까지 발전되었다.

그림 11 (a)에 복잡게 진보한 Rule-base Algorithm 계보를 나타내었으며, (b)에 단일화된 AI CNN 방식 Algorithm을 도식적으로 설명하였다. 신경망을 모사한 AI는 정답 (라벨, Label)을 제시하는 지도학습과 비지도 학습으로 나누어지며 같은 구조라도 학습 데이터에 따라 적용 범위가 달라지므로 양질의 학습 영상과 정확한 정답이 표기된 라벨 데이터의 확보가 필수적이다. 비전 검사에 사용되는 AI 기능은 위치 검출 (Detection), 검사 (Segmentation), 분류 (Classification)로 크게 나누어지며 각각 기능별로 수많은 연구와 source code가 python 언어로 공개되어 있다 [6-8]. 그림 11 (c)에 산업 AI 기술을 선도하는 미국 COGNEX사 VIDI 프로그램을, (d)에 한국 인티맥스(주)사 AIVI 프로그램을 나타내었으며, 학습 수행에는 GPU가 필수적이다. AIVI는 AnyLook 플랫폼의 독립 모듈로 기능하여 Rule-base 모듈과 연계되어 수치 산출이 가능하며 사용이 간단하다는 장점이 있다.

그림 11. 비전검사 Platform SW; (a) Rule-Base Algorithm, (b) AI CNN Algorithm, c) COGNEX사 VIDI SW (미국), d) 인티맥스(주)사 AIVI SW (한국).

그림 12. 비전 검사 현황; (a) 비전 검사 시장요구, (b) 다품종소량생산용 유연 검사장비.

2.6. 비전 검사 시장요구 (현재와 가까운 미래)

비전 검사 시장은 소수의 자동차, 반도체 등 선도 분야와 대다수 저단가, 다품종, 소규모 제품을 생산하는 추적 분야로 양극화되어 있다. 선도 분야에는 이미 자동 공정과 비전 검사가 정착되어 있으나 추적 분야는 낮은 자동화율과 함께 비전 검사 도입이 없거나 성공사례가 희박하다. 그러나 향후 추정되는 생산가능인구 감소로 추적 분야 자동화율 제고는 필연적이며 특히 인력 감축은 비전 도입에서 성패가 좌우될 수 있다.

비전 검사를 제조 공정에 도입하고 경제적 성과를 내려면 생산 공정 내에서 검사를 할 수 있는 자동화 장비가 필요하다. 장비 도입은 수년 내 투자비 회수가 요청되므로 불량률 감소, 감축 인력 수, 설치 및 운영 등 다각적 검토가 필요하지만, 성능과 비용에 대한 검토가 진행되면 검사 요구가 늘어나고 장비 규모, 투자비도 상향되는 경향이 있다. 비전 검토에서 장비 도입, 생산 적용까지 연결되는 성공률은 경험적으로 불과 몇 %에 불과하다.

비전 검사장비 도입에서 기술 검토 주체는 회사여야 하며, 기술 성능과 도입 효과를 확신할 수 있어야 하므로 비전 검토 단계를 제시한다. 1) 먼저 스마트폰이나 태블릿으로 검사물의 사진을 찍어보자. 눈으로 보는 것과 비슷하지만 차이도 있을 것이다. 2) 사진을 검사 프로그램에 넣고 검사 작업을 수행해보자. 3) 잘 안되는가. 프로그램에서 검사 방법, 순서를 바꿔서 시험, 조정해보자. 검사가 되는 부분과 부족한 부분, 문제점이 보일 것이다. 4) 개선을 위해 카메라 각도, 방향, 조명을 변화시키면서 찍은 사진을 프로그램에 넣어보자. 분명히 좋아졌을 것이다. 5) 성능에 만족할 때까지 4) 번 과정을 반복한다. 6) 주변 동료와 공유, 의견 청취, 보완한다. 영상으로 논의하면 설명은 최소화된다. 7) 해결하기 어려운 문제는 비전 검사 전문회사에 문의한다. 8) 완료되면 비전 검사가 불확실하다는 의견은 더 나올 수 없다 (비전 검사 공개 프로그램 AnyLook, AIVI 사용).

대한민국 대다수 제조 회사는 이미 다양한 자동화 설비를 갖추고 있다. 기존 설비의 설계, 제작, 운용 노하우를 비전 검사 자동화까지 연장해 검토해보면 자사 맞춤형의 최적화된 장비 아이디어를 얻을 수 있다. 카메라, PC, SW를 아우르는 비전 부품 가격도 낮아지고 정보도 투명해지고 있으므로 장비 가격 산출도 어렵지 않으므로 객관적이고 합리적인 도입 및 성과 예측과 투자 판단이 가능하다.

주조공정에서도 기존에 X-ray를 이용한 내부 결함 검사가 활발히 적용되고 있는 것과 같이 앞으로는 카메라를 이용한 주물 표면 검사 도구로 본 비전 검사 시스템이 널리 활용될 수 있으리라 기대한다.

3. 결론

지금까지 비전 검사 시스템의 개요, 기술 동향과 함께 스마트폰, 태블릿과 연동하여 현장에서 바로 검사 여부를 시험해 볼 수 있는 비전 검사 프로그램을 소개하였다. 최근 10여 년 동안 발전을 거듭한 Deep-Learning AI 기술은 기존의 결함 검사 알고리즘 성능을 획기적으로 개선하여 영상 검사의 수준과 신뢰도를 한껏 끌어올렸다. 발전하는 반도체 집적 기술에 힘입어 영상 센서의 가격 대비 성능이 향상함에 따라 비전 검사에 사용되는 카메라 가격은 10여 년 전에 비해 최대 1/10 정도까지 하락하였으며 가성비 높은 고성능 컴퓨터, GPU 도입과 영상 취득을 간소하게 하는 GigE, USB 카메라 인터페이스 등장 및 이를 뒷받침하는 비전 software 개발로 다수의 카메라가 요구되는 비전 검사 가격도 극적으로 하락하였다.

이제 누구나 언제 어디서든지 필요에 따라 카메라를 사용한 영상 획득과 소프트웨어를 결합하여 비전 검사를 쉽게 시험해볼 수 있는 시기가 되었으며, 시험 결과를 보완, 개선, 공유하여 자동화 장치까지 연계할 수 있는 기반 기술과 주변 여건이 성숙하였음을 알립니다.

감사의 글

머신 비전과 영상 검사의 베일을 벗기고 성능을 개선하여 기술 보급에 이바지한 분들, 코딩 없는 검사 프로그램 개발과 AI 도입에 기여한 소프트웨어 개발자, OpenCV, Python, PyTorch, LibTorch 등 공개 프로그램, 수년간 시제품 테스트 여건을 제공해준 회사 관계자, 검사장비를 수주, 개발하여 비전 보급에 기여하는 분, 검사 프로그램 및 관련 교육을 무상 제공하는 인티맥스(주) 관계자에 감사드립니다.