초록 ▼

□ 연구의 목적 및 내용
○ 최종 목표
ADAMS(AI Data Analysis and Management System) 개발
인공지능 기술에 의하여 주요 자원의 가치를 가지게 된 공정 검사 및 분석 데이터들을 효율적으로 수집, 분석, 활용할 수 있는 기능

□ 구성 시스템
ㅇ 데이터 관리 시스템
ㅇ 인공지능 검사 시스템
ㅇ 자동 학습 시스템
ㅇ 학습 결과 데이터 기반 자동 학습 알고리즘
ㅇ 인공 지능 검사 알고리즘
ㅇ 데이터 관리, 분석을 위한 프레임워크

□

□ 연구의 목적 및 내용
○ 최종 목표
ADAMS(AI Data Analysis and Management System) 개발
인공지능 기술에 의하여 주요 자원의 가치를 가지게 된 공정 검사 및 분석 데이터들을 효율적으로 수집, 분석, 활용할 수 있는 기능

□ 구성 시스템
ㅇ 데이터 관리 시스템
ㅇ 인공지능 검사 시스템
ㅇ 자동 학습 시스템
ㅇ 학습 결과 데이터 기반 자동 학습 알고리즘
ㅇ 인공 지능 검사 알고리즘
ㅇ 데이터 관리, 분석을 위한 프레임워크

□ 기능
ㅇ 신구(新舊) 검사장비 통합 가능한 데이터 관리 시스템
ㅇ 인공지능이 적용된 고성능의 검사 장비/시스템
ㅇ 공정 과정에서 생성되는 데이터를 스스로 보완하는 인공지능 기반 자동 학습 시스템
ㅇ 관리 및 분석을 위한 확장성 용이한 사용자 프레임워크 및 인터페이스

○ 전체 내용
□ 인공지능 기반의 데이터 자동 생성, 수집 기능 (Generator, High Resolution 기능 탑재)
ㅇ 검사 공정에서 도출되는 모든 데이터 외 검사 및 학습에 필요한 데이터를 자동생성, 개선, 합성 등을 수행
□ 결과 데이터 기반 자동 분석 및 학습 기능
ㅇ 비지도. 지도학습에서 도출되는 결과 값을 기반으로 데이터 분석(결과 신뢰도 수치 및 가중치 부여 등)을 통해 자동으로 학습, 배포하도록 하는 기능
□ 구(舊) 검사장비와 신규 인공지능 장비와의 데이터 통합 관리 기능
ㅇ 신구(新舊) 데이터의 데이터소스 간 연결 및 통합을 통해 데이터를 단일화해 상호 검사 및 학습이 가능하도록 호환성을 높이는 기능

□ 연구개발성과
□ 주요 기능 구현
ㅇAdams에 적용된 각각의 서비스는 개별적으로 작동하며 학습, 검증 및 데이터 분석에 필요한 복합과정을 상호 연동 하며 수행할 수 있도록 구성하였음.
ㅇ서비스를 마이크로화하여 관리 편의성, 속도 개선, 디플로이 및 스케일링에 유리하게 구성할 수 있으며 새로운 서비스에 대한 설계, 구성 및 추가가 용이 함
ㅇ데이터 관리 시스템
- 학습 요청 서비스 (Training Request Service)
학습 요청에 대한 객체를 생성하고 데이터베이스에 저장하여 이력 관리
- 학습 결과 서비스 (Training Result Service)
학습 결과 객체를 생성하고 데이터베이스에 저장하여 관리
- 평가 결과 서비스 (Evaluation Result Service)
이미 학습이 완료된 학습 파일에 대해서 신규 테스트 셋을 설정하고 성능 평가한 결과를 데이터베이스에 저장하여 관리할 수 있도록 기능 지원
- 모델 저장 서비스 (Model Storage Service)
인공지능 알고리즘 모델을 선택하고 표준화된 형태로 관리
- 학습 데이터 셋 서비스 (Data Group Service)
학습 수행을 위한 학습 데이터를 생성하고 관리
ㅇ 인공지능 검사 시스템
- 평가 서비스 (Evaluation Service)
선택된 인공지능 모델에 대해서 테스트 입력을 수행하고 인공지능 검사를 수행하여 결과를 도출해내는 서비스
ㅇ 자동 학습 시스템
- 학습 서비스 (Training Service)
학습 요청을 바탕으로 인공지능 알고리즘의 학습을 시작하고 결과를 도출하는 서비스
반복수행이 진행되며 주요 중간 지점의 학습 중가 파일을 저장하여 최적의 학습 결과 선택 지원
- 연속 학습 서비스 (Continuous Training Service)
업데이트된 학습 셋을 이용하여 지속 학습을 수행하여 계속적으로 학습 결과를 도출하고 최적의 상태를 자동적으로 선정할 수 있도록 관리
- 학습 셋 생성 서비스 (Training Set Builder Service)
신규 생성되는 데이터를 사전에 정의된 기준에 맞추어 학습 셋으로 추가하여 지속적으로 학습 셋을 갱신 관리 수행
- 학습 베스트 모델 선정 서비스 (Model Validation Service)
복수개의 인공지능 모델에 대해서 정해진 테스트 셋을 이용하여 성능을 도출하고 결과를 비교하여 최적의 모델을 선정할 수 있도록 지원
ㅇ 학습 결과 데이터 기반 자동 학습 알고리즘
- 자동 레이블링 생성 기능
선택된 인공지능 학습 모델을 이용하여 신규 생성된 데이터 셋의 레이블 정보를 자동적으로 생성
- 인공지능 불량 생성 알고리즘
학습셋의 특징 위치 기준으로 유사한 특성의 이미지를 삽입하여 데이터를 생성하는 알고리즘
ㅇ 인공 지능 검사 알고리즘
- 산업 이미지 데이터에 최적화된 인공지능 알고리즘 적용
- 메모리, 연산시간 극대화 및 병렬 수행이 가능한 구조로 기존 알고리즘을 최적화하여 기존대비 약 150% 연산 속도 향상 효과 달성

□ 최종 성능 달성
ㅇ 검사장비/시스템 처리 속도 및 메모리 최적화
- 160회/초 @ 1Mpixel : 모델 최적화와 실시간 추론 최적화 기능 적용하여 GPU 1대 장착된 시스템 1대가 처리할 수 있는 최대 처리속도
- 1.3Mbyte @ 10Mpixel : 네트워크 퓨징 및 데이터 양자화를 이용한 추론 학습 데이터 사이즈 최적화
ㅇ 검사 프로세스 병렬 관리
- Active-Active 방식의 검사기 운용 및 관리 시스템의 장애 모니터링 기능 구축으로 장애 발생시에도 정상적으로 검사의 연속성 확보
- 검사 프로세스 병렬 생성 수행해도 1ms 이내 생성하고 추가 overhead 는 없음
ㅇ 자동 결함 생성으로 인공지능 학습률 개선
- 실험 테스트 셋 기준 99% 이상 정확도 달성

□ 사업화 추진
ㅇ웨이퍼 반도체의 불량을 분석하고 판정하는 검사 시스템 사업화 수행
- 검사기 및 데이터 입력 시스템 상용화
ㅇ자동차 외관 검사기의 검사 시스템 사업화 수행 (사업기간 종료 이후)
- 멀티 PC 기반의 인공지능 검사 시스템의 검사기
- 검사기, 자동학습기, 데이터 관리 시스템 상용화

□ 연구개발성과의 활용계획 (기대효과)
□ 적용 대상
ㅇ멀티 카메라나 멀티 검사기로 인해 데이터 소스가 여러 포인트이며 데이터 생성이 많은 구조의 AI 검사 솔루션
ㅇ검사 시스템수가 많고 동일한 검사를 수행해야 하는 AI 검사 솔루션
ㅇ반도체, 디스플레이, PCB 등 고정밀 데이터 분석이 필요한 제조공정
ㅇ자동차 외관검사, 배터리 외관 검사 등 입체적인 대상물을 여러 방향에서 데이터 수집하여 검사해야 할 필요가 있는 품질 관리 공정

□ 기술적 효과
ㅇ핵심 기술의 해외 솔루션 의존도 완화
그간 국내의 제조 산업의 자동화 기술 분야는 핵심 기술은 Cognex, Keyence 같은 외국 업체들이 핵심 제품을 제공하고 국내 업체들을 간단한 응용 어플리케이션과 서비스 제공으로 편중되어 있어 적용방식을 다양화 하거나 유연하게 요구사항에 대응하는 데에는 한계가 있었으나, 본 개발을 통해 인공지능 품질 관리 솔루션의 핵심 수준까지 국내 기술로 대응할 수 있는 경쟁력 확보
ㅇ제조 현장 관리자가 AI 기술의 성능 관리 및 개선 활용 수행 가능
인공지능을 활용한 품질 관리 솔루션은 일반적으로 제조 현장의 도메인 지식을 가지고 있는 제조 전문가가 데이터를 제공하고, 인공지능 전문가가 해당 데이터를 활용성을 분석하며 인공지능 학습 및 추론 알고리즘 개발하는 방식으로 분업화 되어 있다. 하지만 일단 개발된 후에는 제조 현장의 관리자가 지속적으로 데이터를 최적화 하고 인공지능 학습기의 성능을 관리할 필요가 있으며 본 과제의 개발 결과물인 데이터 수집 표준화, 학습 자동화 기능을 통해 이러한 작업을 가능케 함.

□ 경제, 산업적 효과
ㅇ국내 제조 산업의 가격, 품질 경쟁력 강화
국내 기업들은 본 개발의 목표물인 인공지능 기반 데이터 분석 시스템으로 제품 생산비용은 최소화하고 공정 전반에 걸친 자동화를 달성할 수 있으며, 이를 통하여 고부가가치 위주의 제품 경쟁력을 갖추어 중국의 자본, 가격에 대한 공세에 맞서 경쟁력을 회복할 수 있을 것으로 기대.
ㅇ4차산업 혁명에 대한 실질적 준비
대부분의 기업들이 4차산업 혁명과 인공지능 시대를 준비하기 위하여 데이터가 필요하다는 명제는 공감하고 있으나 구체적인 방법에 대해서는 알지 못하는 상태. 하지만 인공지능에 대한 최적의 솔루션을 검토하기 전에 우선적으로 양질의 데이터를 다양한 접근 방법에 대해서 유연하게 적용할 수 있도록 체계적이고 표준화된 형태로 수집하는 것이 필수적임. ADAMS 의 데이터 관리 및 인공지능 학습 시스템이 이러한 부분을 최적의 방식으로 준비할 수 있도록 시스템을 제공.

(출처 : 요약문 4p)

목차 Contents

• 표지 ... 1
• 제출문 ... 2
• 보고서 요약서 ... 3
• 요약문 ... 4
• 목차 ... 8
• 1. 연구개발과제의 개요 ... 9
• 1-1. 연구개발 목적 ... 9
• 1-2. 연구개발의 필요성 ... 10
• 1-3. 연구개발 범위 ... 13
• 2. 연구수행내용 및 성과 ... 26
• 2-1. 정량적 목표 및 달성 결과 ... 26
• 2-2. 1차년도 개발 상세 ... 28
• 2-3. 2차년도 개발 상세 ... 47
• 3. 목표 달성도 및 관련 분야 기여도 ... 70
• 3-1. 목표 및 달 ... 70
• 3-2. 목표의 세부 성과 달성 현황 ... 72
• 3-3. 목표 미달성 시 원인(사유) 및 차후대책(후속연구의 필요성 등) ... 75
• 4. 연구개발성과의 활용 계획 등 ... 76
• 4-1. 향후 5년간 성과활용·확산 활용방안 및 계획(활동계획) ... 76
• 4-2. 주요 성과활용 (기대)성과목표 ... 78
• 4-3. 성과활용·관리 추진체계 ... 80
• 붙임1. 사업화대상기술별 기술명세서 ... 82
• 붙임2. 참고문헌 ... 89
• 붙임3. 자체 보안관리 진단표 ... 90
• 붙임4. 공개 SW 요약서 ... 91
• 붙임5. 연구데이터 관리계획 ... 91
• 끝페이지 ... 92