공장라인의 불량품을 더 정확하게 골라낸다

[파이낸셜뉴스] 대구경북과학기술원(DGIST) 로봇및기계전자공학과 박상현 교수팀이 미국 스탠퍼드 대학팀과 협력해 공장라인에서 불량제품을 감지할 수 있는 '논리적 이상 감지' 기술을 개발했다. 지금까지 나왔던 인공지능이 적용된 논리적 이상 감지 모델이 90%를 넘지 못하는 성능을 보인 반면 연구진의 기술은 98%를 넘어섰다.

AI를 활용한 이 기술은 산업용 영상에서 발생하는 논리적 이상을 정확하게 감지해 스마트 팩토리의 불량 검출 성능을 크게 향상시킬 것으로 보인다.

14일 DGIST에 따르면, 연구진은 각각의 부품을 정확하게 영역화하는 모델을 먼저 학습하고 이를 이용해 이상감지를 수행하는 모델을 만들었다.

논리적 이상은 카메라로 촬영된 영상 안의 구성요소 개수와 배열 또는 구성과 같은 기본 논리 제약을 위반하는 데이터를 말한다.

영상 내 일부분만 검사하면 비교적 쉽게 검출 가능한 구조적 이상과 달리 논리적 이상은 영상 전체의 다양한 구성요소를 구분할 수 있어야 한다.

기존 AI 모델은 논리적 이상 감지에서 AUROC 점수가 평균 90%를 넘기지 못하고 저조했다. AUROC는 모델이 얼마나 잘 예측하는지를 평가하는 도구로, 성능이 우수할수록 100%에 가까워진다.

일반적으로는 영역화 모델을 학습하기 위해 픽셀 단위의 레이블 작업이 필요하다. 이로 인해 발생하는 막대한 노동력 문제를 해결하기 위해 소수의 정답지를 활용하는 퓨삿 영역화 기법을 함께 제안했다.

모델 학습에 사용된 영상들은 동일한 방식으로 조합되어 있어, 각 영상은 다르지만 부품 개수나 픽셀 수가 유사하기 때문에 히스토그램을 활용한 목적함수를 최소화해 영역화 모델을 효과적으로 학습했다. 이를통해 기존 퓨샷 영역화 기법들보다 정확성이 우수했다.

또, 영상의 영역화 정보를 활용해 논리적 이상감지와 구조적 이상감지를 동시에 수행하는 모델을 만들었다. 총 3개의 메모리 뱅크를 활용해 테스트 영상과 비교하며 이상감지 점수를 효과적으로 계산하는 방법을 사용했다.

그결과, 기존의 기법이 논리적 이상감지에서 평균 90% 이하의 성능을 기록한 것에 반해 제안한 기법은 평균 98%의 성능을 기록했다.

박상현 교수는 "이번에 논리적 이상감지 성능을 향상시켜 스마트 팩토리에서의 불량검출에 사용되는 비용을 획기적으로 줄일 수 있을 것"이라고 말했다.

한편, 연구진이 이번에 개발한 기술은 그 우수성을 인정받아 AI분야 최상위 학회인 'AAAI'에 발표됐다.

[e-mail] 김만기 기자