선별장이나 포장 설비에서 과일과 채소를 분류하는 것은 엄청나게 복잡한 일이다. 온갖 것의 크기, 색상, 흠집을 검사해야 한다. 게다가 상품이 소비자에게 도착했을 때 품질을 보장하기 위해서는 이 작업을 지극히 신속하게 처리해야 한다. 과거에는 이 모든 작업을 위해서 사람의 손을 거쳐야 했다. 다수의 인원이 일일이 과일을 선별하고 포장했다. 오늘날에는 크고 작은 업체들이 이러한 작업을 머신비전을 사용해서 처리한다. 산업용 장비로 고품질 광학 조명 플랫폼, 이미지 포착 하드웨어, 섬세하게 맞춤화된 소프트웨어를 사용해서 고품질 이미지를 획득하고 정확하게 불량을 감지한다. 이와 같은 방법으로 머신비전을 사용해서 효율, 품질, 신뢰성을 크게 높이게 되었다.
불량 감지의 복잡함
각각의 소매업자나 고객들마다 불량 감지에 대한 요구가 다를 수 있다. 더욱이 식품은 검사 시점의 상태에 따라서 수명이 제각각이다. 문제를 더 복잡하게 하는 것은, 사람 눈으로 검사한다고 했을 때 불량을 분류하는 것이 꽤 주관적이라는 것이다. 그리고 이러한 모든 작업을 아주 신속하게 처리해야 한다. 포장 업체들은 특히 그렇다. 의료 분야처럼 완벽한 정밀도를 요구하는 것은 아니나, 이 처리 과정이 신속하고 신뢰할 수 있어야 한다. 가령 예를 들면 한 컨베이어가 초당 최대 15개의 사과를 처리해야 한다. 여기에다 6개 혹은 그 이상의 레인 수를 곱하고, 이것을 다시 여러 대를 곱하면, 날마다 매시간마다 무수히 많은 수의 상품을 처리하는 것이다.
산업용 환경의 조건 또한 불량 감지를 할 때 큰 과제이다. 포장 장소는 먼지가 많고 온도가 변동적이기 때문에 센서들에 매우 가혹한 환경이다. 기계가 40℃ 이상의 온도로 작동해야 하고 공기 중에 먼지가 있더라도 잘 작동할 수 있어야 한다.
머신비전이 어떻게 불량 감지를 향상시키는가?
오늘날 머신비전은 사람의 시각적 검사를 대신해서 불량 감지를 하기 위한 핵심적인 기술로 자리잡고 있다. 이 시스템은 광학적 장비와 센서들을 통해서 실제 물체의 이미지를 자동으로 수신하고 처리한다. 사람의 인지는 전자기 스펙트럼상의 가시적인 부분으로 제한된 반면에, 머신비전 기술은 감마선에서부터 무선파에 이르기까지 전체적인 스펙트럼을 처리할 수 있다. 이미지 프로세싱 알고리즘과 결합해서 머신비전이 전통적인 방법으로는 할 수 없는 정확도, 규모, 속도로 불량을 감지할 수 있다.
머신비전이 불량 감지 효율을 높이고, 실시간 성능을 향상시키고, 수작업을 줄인다는 점에서 대규모 산업용 프로세스로 없어서는 안 될 기술이 되었다. 이로써 머신비전이 스마트 제조를 위한 중요한 기술로 부상하고 있다. 오늘날에는 소프트웨어로 전압, 카메라, 신호, 펄스, 빠져 있는 솔레노이드 같은 모든 것들에 대한 진단 기능을 포함한다. 이러한 다양한 진단 기능을 포함함으로써 필요할 때 기계 엔지니어나 전자 엔지니어에게 통보해서 시스템이 계속해서 효과적이고도 신뢰하게 작동하도록 할 수 있다.
머신비전 시스템을 가능하게 하는 기술들
산업용 환경으로 대부분의 시각적 검사 시스템은 광학적 조명 플랫폼, 카메라 같은 이미지 포착 하드웨어, 분류를 위한 이미지 프로세싱 알고리즘으로 이루어진다. 컴퓨터가 이미지를 이해하고, 분석하고, 이미지 특징에 근거해서 조치를 취하도록 하기 위해서는 이미지 프로세싱과 분석이 필요하다.
머신비전 시스템은 광학적 조명 플랫폼으로 넓은 빛 스펙트럼(자외선, 비가시광선, 적외선 등)을 사용한다. 각각의 빛이 각기 다른 불량을 감지하는 데에 적합하므로 다양한 빛을 테스트해야 한다. 하지만 단지 색상만 검사하는 것이 아니다. 머신비전 시스템은 엽록소 같은 화학적 성분을 측정할 수 있다. 그러므로 색상에만 의존하는 것과 비교해서, 과일이 얼마나 익었는지를 훨씬 더 정밀하게 측정할 수 있다. 흠집을 감지할 때도 마찬가지다. 얼룩이나 흠집은 각기 다른 스펙트럼 시그니처를 발생시킨다. 센서를 사용하고 여기에다 카메라와 빛을 결합함으로써 불량 감지를 훨씬 더 포괄적으로 할 수 있다. 겉으로 드러나지 않는 부패도 잡아낼 수 있다. 적외선으로 적합한 스펙트럼 파장을 사용함으로써 문제의 품목을 건드리지 않고도 특정한 불량을 감지할 수 있다.
하지만 광학적 조명 시스템과 카메라가 아무리 정교하다고 하더라도 이러한 장비들은 이미지를 생성할 뿐이다. 컴퓨터 소프트웨어가 그 이미지를 처리하고 의사결정을 함으로써, 솔레노이드를 작동시켜서 문제가 있는 것들을 컨베이어에서 제거할 수 있다. 이렇게 하기 위해서는 하드웨어, 소프트웨어 플랫폼, 드라이버, 네트워킹 프로토콜 같은 것들이 필요하다. 바로 이 지점에서 시스템-온-모듈(SOM)을 사용함으로써 개발 작업을 간소화할 수 있다. SOM은 센서, 카메라, IoT 시스템을 통합할 수 있다.
이러한 한 솔루션이 Digi International의 ConnectCore® 93 SOM이다. 이 SOM은 의료, 산업용, 에너지, 교통 같은 다양한 애플리케이션에 사용하도록 설계되었다. Digi ConnectCore 모듈은 하이엔드 에지 디바이스를 겨냥한 것으로서, 높은 컴퓨팅 성능과 카메라 인터페이스들을 제공하므로 커넥티드 및 임베디드 디바이스로 산업용으로 요구되는 신뢰성을 달성하고자 할 때 사용하기에 적합하다. 제품의 특징으로는 Cortex-M33 코어, 인공지능/머신러닝(AI/ML) Arm Ethos U65 마이크로 신경망 프로세싱 유닛, 최대의 전력 효율을 달성하는 NXP 전원 관리 IC를 들 수 있다.
AI와 딥러닝이 머신비전 시스템을 어떻게 변화시키고 있는가?
처음에는 AI를 사용하는 것에 약간의 주저함이 있었는지 몰라도, 이제는 제조 프로세스로 AI가 점점 더 많이 도입되고 있다. 이전에는 모폴로지(morphology)를 분석하고, 임계를 생성하고, 측정과 비교를 통해서 불량을 감지하는 방법으로 이미지 프로세싱 알고리즘을 개발해야 했다. 이러한 작업들을 거의 전적으로 사람의 손을 거쳐서 했으며, 결과적으로 대부분이 시행착오를 수반했다. AI와 딥러닝을 활용함으로써 수천 장의 이미지를 포착하고, 분류하고, 이 데이터를 바탕으로 AI를 학습시킬 수 있다.
AI는 사람이 결정하기 어려워하는 것이나 주관성을 제거할 수 있으며, 머신비전 시스템의 신뢰성을 높인다. 처음에 학습 데이터가 중요하며, 해마다 다른 요구사항과 시스템이 등장하는 것에 따라서 이러한 딥러닝 알고리즘을 계속해서 학습시켜야 한다. 이미지를 지속적으로 자동으로 저장하도록 함으로써 변경이 필요할 때 필요한 데이터를 사용해서 조치를 취할 수 있다. 앞으로 산업용 환경으로 불량을 감지하고 분류하기 위해서 AI가 필수적인 요소가 될 것이 확실하다.
산업용 환경으로 머신비전의 미래
현재로서는 이러한 모든 정보를 처리하기 위해서 아주 강력한 컴퓨터를 필요로 하며, 기계 장비와 시스템 또한 대형이다. 하지만 미래에는 이러한 모든 정교하고 비싼 시스템들을 더 작은 시스템으로 통합하고 이것을 카메라 자체에다 내장할 수 있을 것이다. 다른 어떤 것과 마찬가지로, 큰 것에서 시작해서 점점 더 가격을 내리고 접근성을 높이게 될 것이다. 그리고 마침내는 불량을 분류하기 위해서 50,000장의 이미지가 필요하지 않을 것이다. 머신비전이 이 추세대로 계속된다면, 모든 것이 간소화되고, 전자 시스템의 가격이 떨어지고, 이러한 모든 요소를 하나의 전일적인 시스템으로 통합할 수 있게 될 것이다.
불량 감지에 있어서 또 다른 중요한 개발은 내부적 불량을 감지하는 것이다. 예를 들어서 농산물 분류에 있어서 분광기(spectrometer)를 사용함으로써 과즙 함량이나 당도와 지방 함량 같은 것을 감지할 수 있다. 현재는 이러한 정교한 센서들이 가격이 매우 비싸고 정확도를 유지하도록 조정하기가 매우 복잡하다. 하지만 고객들의 기대가 계속해서 높아짐에 따라서 이러한 분광기 기반 센서의 사용이 늘어나고 더 높은 수준의 고객 서비스를 제공할 수 있게 될 것이다.
맺음말
불량 감지는 오랫동안 복잡한 프로세스였다. 농산물은 특히 그렇다. 머신비전은 고품질 광학적 조명 플랫폼, 이미지 포착 하드웨어, 섬세하게 맞춤화된 소프트웨어를 사용해서 고품질 이미지를 획득하고 향상된 불량 감지를 달성한다. 기술이 계속해서 진보하고 새로운 기술들이 등장하는 것에 따라서 머신비전 시스템이 불량 감지의 효율, 품질, 신뢰성을 계속해서 향상시킬 것이다.
글 : 후안 이바라 / 제공 : 마우저 일렉트로닉스
