Damian

 4차산업과 관련하여 제조공정에서 품질관리 목적으로 심심치 않게 등장하는 비전검사 설비는 제조공장의 공정설비의 끝단에서 공정설비의 사이 사이로 포지션을 변경하여, 전공정의 불합리를 검출하고 제조에 필요한 공정장비 파라미터를 최적하기 위하여 불량을 검출하고 데이터를 확보하기에 나서고 있다.

  AI와 관련하여 머신비전은 그러한 비전 검사설비에서 핵심이되는 컴포넌트로 불량검사의 역할을 톡톡히 하게되는데,

제조업체의 생산력과 직결되는 수율을 담당할 뿐만아니라, 공정의 생산량과 연결지어 실상은 제품이 빠르게 다음 공정으로 넘어가는 순간을 포착하여 빠른 속도로 검사를 완료해야한다.(비전검사 설비는 대체로 수백 마이크로 초의 검사 시간을 갖는다.)

 그러한 까닭에 머신비전 검사 장치는 룰베이스의 알고리즘을 최적화하여 C/C++의 언어로 작성하게되며, 광학기술에 따른 보정된 해상도를 가진다. 산업용 카메라와 고정된 영역에서 일정한 백라이트가 비추며, 검사간 제품의 위치와 배경이 일정하기에 이미지상 객체의 위치를 알아내는 알고리즘은 필요치 않으며 다만, 제품의 품질에 따라 제품의 이미지만 다르게 변하고 AI의 영역은 정말 필요한 상황(분류문제 등)에서만 사용하게 된다.

 어떻게 사용하고 구성하느냐에 따라 다르지만 기존의 룰베이스 방법론에서 AI를 사용하여 간소한 차이의 정확도를 얻는 과정에서 필요 이상으로 공정장비의 장점인 빠른 Cycle Time을 손해볼 이유가 없다면 굳이 사용할 필요가 없다고 생각된다.

 면접을 핑계로 업체를 돌아다니며 몇개의 불량샘플 사진을 확인했을 때에도 AI의 기술력 보다는 기존의 알고리즘 최적화하는 방법이나, 카메라 이외의 다른 컴포넌트(바코드기기) 등의 컴포넌트에 대한 학습량이 더 집중적으로 공부하는 편이 유용하다고 느낄 정도이다.

생산설비에 관련하여 이미지처리는 산업용 카메라로 얻어진 또는 X-ray, E-beam을 통해 얻어진 흑백이미지였다.