자비스가 인공지능(AI) 기반의 딥러닝 기술을 활용한 엑스레이 검사장비로 사업영역 확대에 나섰다. 자비스는 지난 2002년 문을 연 엑스레이 검사장비 제조업체다. 엑스레이가 사물을 투과하는 성질을 이용해 배터리·반도체·식품 등에 포함된 이물질을 검출하는 장비를 만든다. 최근 이 회사는 AI 기반의 딥러닝을 이용해 타사 제품과 차별화를 꾀하고 있다. 국내외 배터리업체들의 러브콜도 이어지는 추세다. 

민병석 자비스 최고기술책임자(CTO·이사)는 최근 <디일렉>과의 인터뷰를 통해 AI '딥러닝(deep learning)' 기술을 활용해 엑스선(X-ray, 이하 엑스레이) 검사장비에 대해 설명했다. 

민병석 CTO는 "엑스레이 검사장비로 어떤 제품의 내부를 정확하게 촬영하기 위해선 엑스레이를 충분히, 그리고 천천히 투과시켜야 하는데, 생산속도를 늦출 수 없다는 게 문제"라며 "이런 기술적·물리적 한계를 극복하는 기술이 AI 딥러닝 기술"이라고 설명했다., 그는 "AI 딥러닝 기술을 접목한 장비를 공정에 적용할 경우 검사시간은 단축하고 해상도는 더 높이는 효과를 낼 수 있다"고 강조했다. 

민 CTO는 "배터리 공정의 특징은 (검사) 속도가 굉장히 빠르다는 것"이라며 "300~400ppm의 속도로 지나가고, 형태도 원통형, 파우치형 등 다양해지고 있기 때문에 더 빠르면서도 더 정확하고 깨끗한 영상을 촬영하는 게 중요하다"고 설명했다. 이어 "AI 딥러닝을 통해 속도(생산성)와 해상도 문제를 해결할 수 있는 게 자비스의 강점"이라고 밝혔다.

다음은 민병석 CTO와의 인터뷰 주요 내용이다.

Q. 배터리 분야의 엑스레이 검사장비 시장 규모는 어떻게 됩니까?

A. 2021년 현재 700억원 정도의 규모입니다. 10년 후인 2030년이 되면 약 2000억원 규모의 시장이 형성될 것으로 예측하고 있습니다.

Q. 엑스레이로 어떻게 배터리 불량을 검사하는 겁니까?

A. 간단히 설명을 드리자면 엑스레이를 배터리의 위에서 아래로, 혹은 옆으로 쏩니다. 그러면 내부를 확인할 수 있죠. 주로 불량이 발생하는 부분은 배터리 내부의 양극과 음극의 정렬이 어긋나거나 단락이 맞지 않는 것입니다. 혹은 배터리가 완성된 제품 형태가 되기 전에 내용물을 돌돌 말기 전에 좍 펼쳐진 상태에서 이물질을 확인하기도 합니다. 주로 철이나 알루미늄 같은 금속제 이물질을 찾기 위한 작업입니다.

Q. 엑스레이로 배터리 내부를 검사할때 가장 까다로운점이 뭔가요?

A. 주변에 다른 물질과 이물질이 겹쳐 보이거나 하는 경우죠. 그래서 엑스레이의 화질이 좋아야 이물질을 정확하게 구분할 수 있습니다. 엑스레이를 천천히 찍으면 선명한 결과물을 얻을 수 있지만 물체와 거리가 멀거나 속도가 빠르면 화질이 나빠집니다. 그러면 이물질을 발견하기가 더 어렵죠. 배터리를 계속 생산하면서 이물질을 검사해야 하기 때문에 마냥 느리게 찍을수도 없으니 산업계에서 요구하는 속도 기준을 맞추면서 적당한 결과물을 보여줄 수 있는 중간 지점을 찾는 것이 중요합니다.

Q. 촬영 속도가 빠르면서도 고품질의 결과물을 얻을수는 없나요?

A. 엑스레이의 하드웨어적인 기술은 어느정도 상향평준화가 됐습니다. 대부분의 회사가 비슷하게 할 수 있어요. 지금도 조금씩 성능이 올라가고는 있지만 그 속도가 너무 느려서 하드웨어로 극복하기에는 한계가 있습니다. 하지만 배터리 산업은 앞으로도 빠르게 성장하겠죠. 배터리의 크기도 더 커질거고 더 빠른 속도를 요구할겁니다. 그래서 자비스는 딥러닝(deep learning) 인공지능(AI) 기술을 활용해서 이런 제약을 풀어나가고 있습니다.

Q. 엑스레이 검사 장비에 AI를 사용한다고요? 어떻게 하는겁니까?

A. 아까 엑스레이를 천천히 찍으면 선명한 결과물을 얻을 수 있지만 빠르게 찍으면 품질이 안좋다고 말씀드렸죠? 일단 같은 제품을 놓고 빠르게 찍기도 하고 느리게 찍기도 합니다. 그러면 고품질과 저품질의 결과물을 모두 얻을수 있죠. 그런 데이터를 딥러닝 AI를 활용해서 충분할만큼 반복 학습시킵니다. 그러면 나중에 엑스레이 영상을 빠르게 촬영해서 품질이 안 좋은 결과물이 나와도, AI가 결과물을 가다듬어서 좀더 보기좋게 작업해서 보여줍니다. 기술적으로는 굉장히 복잡하지만 간단히 설명하자면 이렇습니다.

Q. AI가 임의로 결과물을 보정하게 되면 정확도가 떨어질 수도 있는 것 아닙니까?

A. 좋은 지적입니다. 우리가 이물질을 찾기 위해서 엑스레이 검사를 하는데, AI가 이물질을 보정해서 없는것처럼 보여주면 안되겠죠. 단순히 깔끔하게 예쁘게 보는 게 목적이 아니니까요. 이런 부분을 해결하는 것이 실제로 회사가 가지고 있는 노하우라고 할 수 있습니다.

Q. 그런 문제는 어떻게 해결합니까?

A. 알고리즘에 입력하는 데이터의 양이 많아질수록 정확도는 상승합니다. 불량 데이터도 많아야 하죠. 예를 들어 제품 생산 초기에는 동그란 형태의 이물질이 많았는데 최근에 사각형 모양의 이물질이 생겼다고 가정해볼까요? AI는 동그란 형태의 이물질을 학습했기 때문에 사각형 모양의 이물질은 잡아내지 못할 수도 있습니다. 그래서 사각형 모양의 이물질 데이터도 충분한 양을 확보해서 AI를 학습시켜야 합니다. 그런데 이물질이 많이 나오는게 아니잖아요? 대부분은 정상이고 아주 미세한 확률로 이물질이 나오는건데, 그 이물질 데이터를 구하는 것 자체가 쉽지 않습니다. 그렇다고 무작정 민감도를 올려버리면 소위 말하는 오버킬, 그러니까 정상인데 불량품이라고 판정할 수도 있는거고요. 이런 부분을 해결하는게 기술적인 노하우라고 할 수 있죠. 

Q. AI라고 만능은 아니네요?

A. 단점도 있죠. 아까도 말씀드렸다시피 딥러닝을 사용하려면 아주 많은 양의 데이터가 필요합니다. 사람의 얼굴 같은 데이터야 인터넷에 널렸지만, '배터리 생산 과정에서 들어가는 이물질' 같은 데이터는 얻기가 어렵죠. 데이터가 많을수록 신뢰가 올라가지만, 반대로 말하면 데이터가 적으면 신뢰성이 낮아집니다. 또, 딥러닝은 튜닝이 안돼요. 간단하게 말하면 블랙박스입니다. 내부를 뜯어고칠수가 없어요. 옛날 머신러닝 기법의 알고리즘은 그때그때 수정하면서 개선할수 있는데 딥러닝은 안됩니다.

Q. 그런 문제를 해결할수 있는 방법은 없습니까?

A. 있습니다. 가장 쉬운 방법으로 앙상블 기법이라는게 있습니다. 이게 뭔 말이냐면, 딥러닝 AI가 데이터를 학습할때 AI 하나로만 학습하지 말고 세 개로 학습을 하는겁니다. 모델이 세 개인거죠. 각각의 모델이 만든 결과를 합산해서 최종 결과를 제출하는 방식입니다. 간단하게 말하면 세 배더 많이 일하게 하는겁니다.

Q. 듣기로는 간단하네요? 단점은 없습니까? 

A. 물론 설명을 드리기 위해서 간단하게 말한거고 실제로는 복잡한 과정을 거쳐야 합니다. 이 방식의 단점은 한 번 해야 할걸 세 번 하니까 그만큼 무거워진다는겁니다. 시간과 비용이 그만큼 많이 들어가는거죠. 그래서 이러한 작업을 병렬로 처리해서 가볍게 만든다거나 하는 방식도 연구되고 있습니다. 이렇게 하면 성능이 꽤 높아지고, 세계 시장에서도 충분히 인정받을만큼 이물질 검사 기술을 확보할 수 있게 됩니다.

Q. 요약하자면, AI를 활용해서 엑스레이의 물리적 한계를 극복할수 있다는 건가요?

A. 그렇죠. 기존에는 엑스레이 촬영 시간을 늘려야지만 좋은 화질이 나왔었는데 이제는 시간을 짧게 잡아도 해상도 복원 기술 등을 사용해서 고품질의 결과물을 얻을 수 있는 겁니다. 그리고 다양한 보완 기술을 활용해서 예상하지 못했던 형태의 이물질도 정확하게 검출할 수 있게 되고요. 딥러닝은 데이터가 쌓일수록 정교해집니다. 앞으로 더 빠른 속도와 정밀성을 요하는 검출 기술이 요구될텐데 이런 분야에서 핵심 기술로 얼마든지 응용될 수 있다고 생각합니다.

이상원 기자 다른기사 보기