혁신적인 머신 러닝과 고해상도 이미지 처리가 구현되면서 많은 산업에서 품질 관리가 완전 자동화로 이루어지고 있습니다. 새로운 이미지 처리 알고리즘으로 각 제품 단위를 일일이 검사하면서 제조 결함을 찾아낼 수 있어 선택한 일부 단위를 직접 눈으로 보면서 검사할 필요가 없어졌습니다. 이제는 이 공정으로 공급망 내 위조 제품도 찾아내고 있습니다.
머신 러닝용 이미지 인식의 기본
머신 러닝(ML: Machine-learning) 알고리즘은 특정 영역에서 방대한 양의 데이터를 사용해 보다 효율적인 결과를 내도록 공정을 최적화합니다. ML 시스템은 스스로 학습하며 패턴과 상관관계를 인식하며 데이터 포인트를 연결합니다. 이렇게 하려면 견실한 알고리즘, 대량의 관련 정보 데이터 세트, 좁은 영역, 구체적인 목표가 있어야 합니다.
일부 ML 선두업체와 연구자들은 수백 종의 산업에서 혁신할 때 적용할 수 있는 획기적인 기술이 딥 러닝이라고 봅니다. 그 동안 이론적인 연구가 많이 이루어졌으므로 이제는 ML을 사용하고 ML을 지속 가능한 사업 모델로 바꿀 때입니다.
이미지 인식에서는 모든 이미지를 정확하게 식별하여 데이터 세트와 관련된 이미지를 구분하는 것이 관건입니다. ML 기반 시스템에 노출되는 정확한 사진의 예가 많을수록 패턴을 파악하여 현장에서 차이점을 식별할 수 있는 정확도가 높습니다.
회로기판의 결함 감지용 ML 알고리즘
최근 PCB 육안 검사의 자동화가 크게 발전했지만 일부 연구에서 기계를 사용하는 기존의 분류 및 특징 추출 알고리즘보다 딥 러닝의 성능이 훨씬 더 뛰어난 것으로 확인되었습니다.[1]
대부분의 PCB 제조 시설에서 처음에는 자동 검사(AOI) 기계로 결함을 감지했습니다. 이후 품질 검사 엔지니어가 표시가 있는 각 PCB를 확인합니다.
아쉽게도 AOI 기계는 회로 기판에 먼지, 종지 파편, 작은 기포 같은 미세 입자, 긁힌 자국, 작은 구멍이 있으면 결함으로 잘못 분류하는 경우가 많습니다. 그리고 숙련된 엔지니어도 검사 과정에서 실수를 합니다. 따라서 품질 관리 절차의 정확도를 개선하려면 학습이 제대로 이루어진 ML 시스템을 사용해야 합니다.
작년에 대만의 원지 대학(Yuan Ze University) 연구자들이 YOLO(you-only-look-once) 합성곱 뉴럴 네트워크를 사용해 98.79%의 정확도로 PCB의 결함을 감지했다는 연구를 발표했습니다.[2]
실제로 현재 YOLO가 다른 단순한 분류기보다 널리 사용되고 있습니다. 이것은 단순하면서, 통일된 개체 감지 모델로, 전체 이미지를 사용해 바로 학습할 수 있습니다. 고속 YOLO는 가장 빠른 범용 개체 감지기입니다. YOLOv2는 다양한 감지 데이터 세트에서 다른 감지 시스템과 비교할 때 개체 감지의 실시간 속도와 정확도의 트레이드 오프 측면에서 최고의 성능을 제공합니다.
그 논문에 따르면 이 연구팀은 11,000개 이미지, 24개 합성곱 계층,완전 연결 계층 2ㄱ래를 사용했습니다. Tiny YOLOv2 알고리즘을 학습시키기 위해 연구자들은 Keras 프레임워크[3]를 Nvidia TITAN V GPU에서 실행했습니다.
사기 거래 감지, 위조 제품, 구성품 성능
2019년에 OECD(경제협력개발기구)는 위조 및 불법 복제품이 전 세계 교역량의 3.3%를 차지한다고 보고했습니다. 이 비율은 매해 증가하고 있습니다. 위조의 영향을 가장 많이 받는 국가는 미국입니다. 적발된 가짜 상품의 24%가 미국 브랜드 또는 특허와 관련되어 있었습니다.[4]
위조 제품의 영향을 가장 많이 받은 산업은 전자 산업입니다. 필수 구성품 가격이 인상되고 공급망이 붕괴되면서 그 빈 곳을 채우기 위해 많은 가짜 상품이 시장에 들어오고 있습니다. 설상가상으로 위조 구성품 대부분은 정품 부품과 구분하기가 거의 불가능합니다.
특히 소비재 완성품의 위조 감지는 육안 검사로 가능합니다. 그러나 가짜와 진짜 제품을 구분하려면 잘 훈련된 눈과 지식이 있어야 합니다.
이점에서 이미지 인식의 장점이 큰 위력을 발휘합니다. ML 알고리즘은 수백만 개의 이미지를 분석하여 형태, 색상, 질감, 크기에서 약간의 차이와 변칙도 감지할 수 있습니다.
전자 구성품의 경우는 육안 검사가 더욱 어려워졌습니다. 시장에는 위조 장치와 중고 제품이 넘쳐납니다. 위조 부품이나 중고 부품을 사용할 경우 장비와 재산 손상, 제품 리콜, 손해 배상으로 이어질 수 있습니다.
위조 또는 변조 부품을 감지하는 정확도를 높이려면 이미지 인식 이외의 다른 방법과 ML 알고리즘도 필요합니다. 불과 몇 년 전부터 블록체인 기술이 제품과 구성품의 위변조를 막고 공급망을 보호하는 핵심 솔루션 중 하나가 되었습니다.
예를 들어, IBM은 블록체인에 이미징과 인공 지능을 결합해 제품이 정품인지 확인하고 있습니다. 그 Crypto Anchor Verifier(인공 지능 위조 감지기)[5]가 ML, 뉴럴 네트워크, 비디오 분석을 사용해 액체의 특징을 평가하고, 제품의 진위를 보다 잘 판단할 수 있는 수단인 색상, 포화도, 점성도 및 기타 화학 특징을 확인합니다. 그리고 전자 구성품의 전기 패턴 인식을 학습하여 새로운 부품을 동일한 SKU의 이전 세대와 구분할 수도 있습니다.
공급망에서 이제 막 시작 중인 AI와 ML의 역할
최근에 팬데믹으로 전 세계 공급망이 붕괴되면서 많은 공급업체와 제조업체가 어쩔 수 없이 다른 곳에서 제품과 구성품을 찾게 되었습니다. 최신 기술과 ML을 사용하면 위조 부품을 피하고 더 빠르고, 효율적이고, 정확한 품질 관리를 진행하는 데 도움이 될 수 있습니다.
이미지 인식과 ML의 정확도가 계속 개선되고 빨라지면서 많은 산업에서 품질 관리와 위조품 감지에 이를 사용하기 시작했습니다.
사업 운영을 클라우드로 옮기는 기업이 더 늘면서 학습용 데이터 가용성이 증가할 것으로 예상됩니다. AI와 ML의 능력이 기하급수적으로 커지고 있어, 얼마 지나지 않아 이러한 솔루션이 앞에서 언급한 기업들이 자사 제품의 품질과 성능을 보다 일찍 개선하는 데 기여할 것으로 보입니다.
[1] Bengio, Y.; Courville, A.; Vincent, P. Representation Learning: A Review and New Perspectives. IEEE Trans. Pattern Anal. Mach. Intell. 2013, http://doi.org/10.1109/TPAMI.2013.50
[2] Defect Detection in Printed Circuit Boards Using You-Only-Look-Once Convolutional Neural Networks. https://doi.org/10.3390/electronics9091547
[3] "Keras: the Python deep learning API." https://keras.io/.
[4] OECD/EUIPO (2019), Trends in Trade in Counterfeit and Pirated Goods, Illicit Trade, OECD Publishing, Paris, https://doi.org/10.1787/g2g9f533-en.
[5] "IBM Crypto Anchor Verifier - Overview | IBM." https://www.ibm.com/products/verifier.