(주)쓰리디산업영상은 소프트웨어 기술을 근간으로 비전검사에 대한 토털 솔루션을 보유하고 있으며 다양한 분야에서 비전검사 자동화 전문가로 활약하고 있다. 이번 호는 (주)쓰리디산업영상이 제시하는 ‘AI 비지도 방식 비전검사와 오토인코더 모델’에 대해서 설명한다. 

오토인코더 모델

AI 신경망(Neural Network)으로 구현된 오토인코더(AutoEncoder) 모델은 양품 영상만을 학습한 후 검사영상의 부분적인 변화(결함)를 검출해내는 비지도(Unsupervised) 방식 영상검사에 이용된다. 

검출기술의 핵심은 학습영상의 특징(Feature)만을 추출, 압축하도록 모델 신경망 내부 파라미터를 조정하고 이를 이용해 검사대상 영상의 이상(결함)부분 특징을 자동으로 제거하는데 있다. 결함이 있는 영상의 경우 입력과 출력이 (결함영역에서) 다르게 나타나며 이 차이를 결함으로 인지, 판독한다. 일반적으로 오토인코더의 응용 분야는 이상 감지(Anomaly Detection)와 노이즈 제거(denoising) 분야이며 비지도 영상 검사는 이상 감지 분야 응용에 속한다. 

오토인코더 모델은 영상 데이터를 압축해 몇 개의 숫자로 인코딩(Encoding)한 후 이 숫자들을 생성(복원)하여 원래의 영상 데이터 크기로 재현해내는 병목 구조를 가지며, 이 과정에서 영상 내부의 특징을 학습하고 저장한다. 신경망이 소수의 숫자 모음으로부터 복잡한 영상(Image)을 복원해낸다는 설정은 얼핏 미스터리처럼 보이나 실험으로 확인되므로 신기하지만 믿을 수밖에 없다.

AI 비지도 방식 응용

산업 제품을 영상 검사하는 분야에서 AI Deep-Learning 결함검출 기술을 적용하는 경우 가장 문제가 되는 부분은 충분한 결함 데이터의 확보이다. 특히 산업구조가 소량 다품종으로 진화하면서 신규 제품의 생산 주기가 단축되어 의미있는 불량 시료 확보가 점점 어려워지는 추세이다. 따라서 굳이 불량샘플을 사용하는 지도학습보다 ‘사람처럼 양품을 기억해 비교 검사하는 방법이 없을까’라는 질문에서 시작하여 정상 데이터만으로 이상 검사를 구현할 수 있는 비지도학습이 개발됐으며, 오토인코더 구조가 비지도학습 구현의 핵심 기능을 담당하고 있다.

(주)쓰리디산업영상의 뛰어난 경쟁력

소프트웨어 기반 기술회사인 (주)쓰리디산업영상은 산업용 2D/3D X-ray 검사 소프트웨어 1위 기업으로 다양한 내수 및 수출실적을 보유하고 있다. (주)쓰리디산업영상은 수년에 걸쳐 4차 산업혁명 협업에 적합한 유연한 비전 검사 소프트웨어를 개발해 왔으며 현재도 AI를 포함한 다양한 영상 도구 개발에 매진하고 있다.

(주)쓰리디산업영상은 AnyLook, AIVI 레고 조립방식 소프트웨어를 근간으로 카메라, 조명, 검사 기구를 포함한 토털 솔루션을 지향하며 다양한 영역에서 비전 검사가 필요한 고객에게 다가가고 있다. 

▲산업 비전 검사에서 양품 영상을 학습해 변화를 검출하는 비지도 방식 AI는 생산 초기라서 라벨링에 필요한 불량 샘플이 부족하거나 새로운 형태의 불량이 발생하는 경우 등 정규 데이터가 부족한 다양한 경우에 사용된다. (물론 미세한 불량을 정교하게 인식하는 부분에서는 한계를 보이기도 한다.) 비지도 방식을 구현하는 모델의 하나인 오토인코더 방식은 입력 영상 데이터의 크기를 점점 줄여나가 몇 개의 숫자까지 압축한 후, 이를 다시 점차로 확장(생성)해 원래 크기의 영상 데이터까지 출력을 복원하는 대칭 형태를 가진다. 이때 입력과 출력에 동일한 영상들을 제공하면서 모델 내부 파라미터를 학습(조율)해 나가면 결국 제공한 영상 데이터 내부에 잠재하는 특징(Feature)만 모델 내부 파라미터에 선별된다. 학습이 끝난 오토인코더 모델에 결함이 있는 영상을 제공하면 결함 특징은 생성 과정에서 배제되고(학습되지 않았으므로), 입력 출력 영상 차이를 계산하면 결함만 남는 구조이다. 오토인코더 모델에서 신기한 부분은 신경망이 영상을 생성해내는 능력인데, 두 번째 그림처럼 마티스(Matisse) 명화를 오토인코더가 복원한 시험에서 나타나듯이 몇몇 숫자로부터 시작하여 복잡한 영상까지 정교하게 생성(재현)해내는 능력이 신경망에 있음을 보여주고 있다. (그림 출처: Improving Unsupervised Defect Segmentation by Applying Structural Similarity to Autoencoders, (주)쓰리디산업영상)