인터뷰 라온피플 윤기욱 상무이사

라온피플은 2010년에 산업용 비전 분야에 대한 기술을 개발하는 회사로 시작했다. 카메라 제품부터 산업용 바코드 리더기 제품, 영상처리를 위해 빠른 전송을 위한 그래버보드까지 다양한 제품을 만들어왔다. 최근에는 소프트웨어 분야로 회사의 체질을 변경하고 있다. 과거에는 하드웨어 쪽에 비중이 더 컸다면 최근에는 소프트웨어나 솔루션, 나아가 토털 서비스까지 기획하고 있다. 또한 인공지능 기반 비전검사 소프트웨어 솔루션을 제공하고 있다.

국내 머신비전 선두주자인 라온피플 윤기욱 상무이사에게 머신비전 업계의 동향과 회사의 비전에 대해 들었다.

Q. 라온피플은 국내에서 가장 먼저 AI를 비전머신에 적용한 회사로 알려져 있다. 동기가 무엇인가.

A. 기본적으로는 영상처리 알고리즘들은 정해진 룰에 의해서 높은 성능을 내기 위해서 짜여진다. 그러나 그런 알고리즘들은 외형의 불량을 검출하는데 한계가 있다. 외형불량에 대해 정의하는 것은 어렵기 때문이다. 외형 불량들을 영상으로 처리해서 자동화하려는 시도가 있었지만 한계가 있었다. 2016년부터 딥러닝을 이용해서 비정형적인 외형의 품질까지 검사하는 솔루션을 연구하기 시작했다. 2016년부터 내부적으로 연구를 시작하고 2017년에 제품으로 내놓게 됐다.

품질 기준이 예전에는 기능적인 품질이었다면 최근에는 외관, 미적인 부분에 대한 품질 요구사항이 굉장히 높아졌다. 산업의 생산제품이 대부분 부품이 많다. 완성품도 많지만. 예를 들어 배터리나 칩같은 내부에 들어가는 부품들도 다 외형검사를 한다. 외형의 작은 불량이라도 있다면 불량처리하는 기능에 대한 요구가 많아지고 있다.


Q. 국내외 머신비전 시장이 스마트팩토리 산업과 맞물려 발전하고 있다 들었는데, 현황은 어떤가.

A. 공장에서 자동화는 이제 당연한 요구사항이 됐다. 스마트팩토리의 가장 큰 특징은 분석과 분석에 의한 사전대응이다. 기존 방식의 비전검사 알고리즘도 양불 검출은 할 수 있다. 그러나 불량일지라도 어떤 유형의 불량인지 구분하는 것은 또 다른 이야기이다. 외형의 얼룩이 있거나, 도금이 벗겨졌거나, 찍힌 자국이 있는 제품들을 불량으로 검출할 수 있지만, 그 종류를 파악하는 것은 굉장히 어려운 일이다. 이런 일을 가능하게 하는 것이 딥러닝 비전검사 기술이다. 양불검사에서 그치는 것이 아니라 다양한 정보를 통해 더 정확하게 검사한다는 측면에서 딥러닝 비전검사는 스마트 팩토리와 연관이 많이 있다.

딥러닝 비전검사 기술이 무조건 더 좋다는 뜻은 아니다. 룰기반이 더 강한 부분도 분명히 있다. 규칙처럼 정해진 검사기준으로 있다면 룰기반이 훨씬 정확하다. 그러나 비정형적인 불량을 검사에서는 딥러닝 쪽이 훨씬 우월한 성능을 보인다.


Q. 라온피플의 머신비전은 타사의 제품과 어떤 차별성이 있나.

A. 가장 큰 차별성은 원천기술 보유다. 국내 머신비전 관련된 업체들은 대부분 외산 기술을 들여와서 솔루션화 하는데 특화되어 있다. 대부분 일본, 미국, 독일의 기술을 들여와서 사용한다. 하드웨어 쪽은 일부 업체들이 자체제작 하는 경우도 있지만 대부분 외국업체 기술을 가져다 쓰고 있다. 그러나 우리는 처음부터 자체적인 원천기술을 개발하는데 중점을 뒀다.

카메라 기술도 직접 개발해서 쓰고 있고, 비전 처리하는 알고리즘도 자체 개발하는 것을 원칙으로 하고 있다. 그렇기 때문에 고객의 요구사항에 굉장히 유연하게 대응할 수 있다. 가격적인 부분에서 기술적인 부분까지, 고객의 사소한 커스터마이징 요구도 내부적으로 대응할 수 있다.



Q. 최근 딥러닝 기반 머신비전에 대한 관심이 늘어나는 것 같다.

A. 2016년도에 스위스의 한 기업이 최초로 딥러닝을 산업용 비전검사에 적용해서 제품을 내놨다. 국내에도 제품을 소개하면서 국내에서도 딥러닝 기반 머신비전에 대한 관심이 높아졌다. 게다가 2016년에 알파고 대국이 있고나서 일반인들도 딥러닝의 가능성에 대해서 관심을 가지기 시작했다.

2017년도에는 딥러닝 적용에 관해서 고객들이 관심을 많이 보였지만 구체적인 방안은 없었다. 어떻게 딥러닝을 적용해야 하는지 문의하는 수준이었다. 그러나 올해 같은 경우에는 고객들이 굉장히 구체적으로 본인들의 제조현장에 어떤 형식으로 적용할지 계획까지 가지고 있는 경우가 많았다. 솔루션을 제공하는 업체들도 점차 많아지고 있다.


Q. 딥러닝, 소프트웨어 분야 인력을 충원하는데 어려움은 없었나.

A. 초기에는 딥러닝 연구인력이 아닌 영상처리 연구인력을 가지고 시작했다. 매년 많은 수의 신규인력을 채용하는데 올해 같은 경우는 딥러닝 연구를 해온 석사, 박사졸업생들이 많았다. 매주 블로그에 딥러닝 관련 기술기고를 하고 있다. 현재 100회 정도 연재를 진행했는데 딥러닝을 공부하는 학생이나 개발자들이 많이 참고하고 있다. 블로그를 통해 학생들에게 나름 인지도가 생겨서 최근에는 우수한 인력들이 많이 지원하고 있다.


Q. 인공지능을 접목하는데 있어 데이터가 중요한 것으로 알고 있다. 라온피플은 어떻게 데이터를 수집하고 있나.

A. 데이터 수집은 고객이 준비해야 하는 부분이다. 예를 들어 반도체 웨이퍼의 표면검사와 배터리 표면검사는 각각 요구하는 검사사양이 다르다. 결국은 고객이 요구하는 데이터들을 받아야한다. 초기 데이터는 딥러닝에 적용하기 위한 기본적인 요구사항이다. 다만 데이터를 얼마만큼 준비해야 하는지가 딥러닝 솔루션들의 차별점이다.

우리는 계속 산업 분야에서 비전검사를 해왔기 때문에 산업현장에서 촬영되는 이미지의 특성과 일반적으로 촬영되는 이미지의 특성 사이의 차이점을 반영할 수 있다. 진동이나, 조명 불균형 등 설치 조건이 완전히 동일할 수 없기 때문에 산업현장에서 발생할 수 있는 차이를 반영해서 만들어낸다.

딥러닝 머신비전은 준비단계를 얼마나 최소화하고 빨리 적용할 수 있는가가 경쟁력이다. 우리는 고객들에게는 받는 이미지 20~100장 정도로 퍼포먼스를 올릴 수 있는 우리의 경쟁력이다.


Q. 머신비전 사업상 어려운 점은 없었나.

A. 이 업계는 보안이 철저하게 요구되는 분야다. 고객들과 직접적인 관계를 맺지 않으면 데이터를 확보하기 어렵다. 반도체와 디스플레이 분야는 현재 중국과 굉장히 경쟁관계에 있어 특히 보안이 굉장히 철저하다. 그렇기 때문에 제품에 대한 정보나 데이터는 꿈도 꿀 수 없다. 검사를 진행한 사례가 많이 있지만 공개적으로 홍보도 불가능하다.

딥러닝이 적용된 덕분에 그나마 지금은 나아진 부분도 있다. 예전에 룰기반 머신비전은 전문가들이 알고리즘을 일일이 만들었어야 했다. 비전 영상처리 전문가들이 영상을 보고, 분석하고, 머릿속에 시나리오를 세우고, 검사 알고리즘을 만들어서 제공해야 했다. 결국 검사 소프트웨어를 만드는 주체는 영상처리 전문가들이었다.

그러나 딥러닝 같은 경우에는 학습을 통해 알고리즘을 만들어낸다. 데이터만 명확하게 구분되어 있으면 정확한 소프트웨어가 나오는 것이다. 고객은 누구보다 양품과 불량품 데이터를 정확하게 알고 있기 때문에 중간 과정에서 영상처리 전문가가 사라지는 것이다. 고객이 우리의 학습툴을 사용해 직접 테스트하고 공장에 적용한 사례도 있다. 지금처럼 보안을 요구하는 케이스에 맞는 경우라고 볼 수 있다.


Q. 향후 보완할 점이 있다면.
A. 현재는 데이터 분석 쪽에 집중하고 있다. 딥러닝의 판정과정은 앞서 넣어준 데이터의 공통적인 특징들을 뽑아내는 과정이다. 판단로직에 대한 신뢰도 부분을 올리는 것도 중요하지만, 이분법적인 양불의 판단이 아니라 세부적인 데이터 수치화에 대한 부분을 연구하고 있다. 또한 딥러닝에 도움이 되지 않는 가짜 데이터에 대한 연구 등을 툴에 녹여내려고 하고 있다.


Q. 회사 최종 비전은 무엇인가.

A. 지금은 산업용 영상처리 솔루션을 제공하고 있지만, 영상으로 할 수 있는 기술 영역을 넓혀나가려고 하고 있다. 딥러닝을 연구하면서 가능성을 많이 봤다. 최근에는 의료영상에 준비를 하고 있다. 그 외에도 보안이나 무인점포 등 영상 솔루션의 적용범위를 확장하려고 하고 있다. 비전에 한계를 정하지 않고 다양한 분야에서 제품을 만들어 내고 싶다.