다양한 산업에서 핵심요소로 자리잡고 있는 머신비전 시장의 성장 가능성 밝다

 

머신비전은 경제성장률(GDP)을 약간 앞서 계속 성장 중이다. 하지만 우리 모두 눈앞에 있는 큰 문제는 인공지능(AI), 특히 딥러닝(DL)이다. 이 혁신적인 사건에 대해 논의하기 전에, 트렌드를 궁극적으로 뒷받침하는 머신비전 시장의 주요 이슈들을 살펴보자. 

 

경제와 산업

 

2022년은 머신비전 시장에 있어 놀라운 성장을 보인 훌륭한 한 해였다. 반면, 2023년에는 경제 불확실성과 상승하는 금리로 인해 시장이 축소되고 있다. 하지만, 머신비전 시장은 앞으로도 GDP 성장률을 넘어서는 높은 단일 자릿수 성장을 지속할 것으로 예측되고 있다.

인구 대비 축소되는 노동 인구, 농업, 의료, 제조업 등 다양한 분야의 노동력 부족, 그리고 높은 임금과 개선된 근로 환경을 요구하는 노동 조합의 요구는 머신비전의 연간 성장률이 계속 증가할 것임을 시사한다.

역사적으로, 머신비전은 보안, 가전 제품, 그리고 최근에는 자율 운전차와 같은 다른 분야에서 개발된 기술에 의존하여 새로운 트렌드를 유발했다. 하지만 이제는 전통적인 출처 밖에서 새로운 기술이 도입되면서 머신비전의 성장 가능성이 높아지고 있다.

몇 가지 외부 요인은 다음과 같다.

정찰 및 위성 이미지는 단파 적외선(SWIR)과 초분광 이미징에 대한 접근성을 높여준다.
인공지능(AI)과 딥러닝(DL)이 모든 비즈니스 및 소비자 문제에 확산될 것으로 예상된다. 2022년에는 모든 집적 회로 개발보다 엣지에서 사용되는 AI 전용 칩 개발에 더 많은 비용이 투입되었다.

최근 과거에는 디스플레이 검사와 태양 전지 검사가 머신비전이 침투할 수 있는 큰 영역이었다. 현재는 배터리 산업이 폭발적으로 성장하고 있으며, 예상되는 수요에 대비하고 품질을 보장하기 위해 고급 자동화에 대한 많은 요구가 있다. 이는 ‘다음으로 큰 것은 무엇일까?’라는 질문을 던지게 한다. 정확한 예측은 어렵지만, 생명공학 분야(예: 의료기기)와 청정 기술은 머신비전에 대한 빠른 성장과 수요를 경험할 수 있는 두 가지 영역이다.

 

인공지능(AI)

 

 

이제 머신비전 분야에서 큰 트렌드인 딥러닝(DL)을 살펴보겠다. DL은 인공지능(AI)의 한 부분일 뿐이며, 현시점에서 머신비전에 가장 중요한 요소다. AI는 머신비전에 새로운 기술은 아니다. 최초의 머신비전 소프트웨어 패키지인 SRI 알고리즘은 인공지능 기술인 최근접 이웃 분류를 포함했다. 대부분의 최신 소프트웨어 패키지는 머신러닝으로 간주되는 카메라 교정, 지형 패턴 매칭 등 AI 기술도 포함하고 있다.

DL은 파괴적인 기술이기 때문에 단순히 트렌드보다는 획기적인 발전이라고 할 수 있다. Yann LeCun이 1980년대에 합성곱 신경망을 개발한 이후로 DL은 빠르게 발전해 왔다. 초기에는 머신비전에 적용하기에 충분히 성숙하지 못했다. 지속적인 개발과 개선, 자율주행 자동차의 적용, 대학에서 진행되는 다수의 강좌를 통해 이미지 처리를 위한 DL은 주목받으며 엄청난 매력을 얻었다.

 

이는 고급 CPU 뿐만 아니라 그래픽 처리 장치(GPU) 및 현장 프로그래머블 게이트 어레이(FPGA)의 발전으로 인해 증가하는 계산 능력과 결합되었다. 최근에는 DL 알고리즘을 놀라운 효율과 속도로 실행하기 위해 특수 목적의 처리 칩이 대거 출시되고 있다. 이러한 칩 중 상당수는 공장 생산 라인과 같은 엣지 애플리케이션에 포함하기에 적합하다.

머신비전에서 DL의 미래는 어떻게 될까?(그림 1 참조) 장기적으로는 매우 밝다고 볼 수 있다. 하지만 업계는 머신비전 초기 및 진입 장벽이 낮은 다른 파괴적인 기술에서 볼 수 있던 패턴을 반복하고 있다. 현재 시장에 진입하는 많은 기업은 실제 현장 경험이 부족하다. 이는 기술적인 트리거다. 고객들은 기술을 운영하는 데 경험이 부족하다. 시장이 수용할 수 있는 것보다 더 많은 기업이 제품을 제공하고 있다.

 

기업들이 판매를 위해 경쟁하면서 과장된 주장을 내세우고 고객들은 흥분하고 있다. 이는 과도한 기대의 절정이다. 이는 프로젝트 실패와 극심한 회의감에 빠지는 고객 기반을 초래한다. 시간이 지남에 따라 신중하게 적절한 애플리케이션을 선택하고, 신중하게 실행하며 성공하면서 경쟁 업체들이 사라지는 반면, 기업들은 생산성의 안정기에 도달한다.

DL의 가장 큰 장애는 DL 시스템의 고품질 성능을 보장하기 위해 포괄적인 학습 이미지 세트를 수집하고 신중하게 레이블링하는 비용을 추정하는 것이다.

핵심적인 질문은 DL이 현재의 머신비전 시스템 프로그래밍 방법을 대체할 수 있는지 여부다. 지금까지는 대답은 ‘정말로는 아니다’이다. 많은 머신비전 애플리케이션에 사용할 수 있는 소프트웨어 도구는 이미 머신비전 애플리케이션 개발 속도를 높인다. DL이 가장 큰 영향을 미칠 곳은 다양한 변형 때문에 프로그래밍하기 어려운 애플리케이션이다. 예를 들어, 다양한 유형과 변형이 있는 결함 검출, 음식과 목재 등 자연 제품의 분류 및 평가 등 자연이 큰 변화를 야기하는 경우다.

마지막으로, 대규모 언어 모델(LLM)이 기술 지원 및 애플리케이션 개발을 가속화하는 방법으로 등장할 것으로 예상된다. 현재 LLMs는 데이터를 날조하는 환각 현상에 취약하다. 이 문제는 LLMs가 기술 지원을 위해 신뢰할 수 있기 전에 해결되어야 한다.

 

이미지 센서와 카메라

 

 

더 많은 메가픽셀을 사용하여 이미지에서 더 많은 디테일을 추출하는 것, 그리고 카메라 크기를 줄이고 비용을 낮추기 위해 점점 더 작아지는 픽셀 크기. 이러한 추세는 특히 이미지 센싱의 소비자 부문에서 강하게 드러나고 있다. 소비자 제품 설계는 성능 저하를 감수하더라도 저비용을 최우선으로 한다.

카메라 시야각에 두 배의 픽셀 수를 사용하면 이미지의 픽셀 수는 4배가 된다. 이러한 증가는 데이터 전송 속도를 높이기 위한 카메라 인터페이스와 적시 결과 제공을 위한 처리 능력에 대한 요구를 증가시킨다.

기본 기능만 필요한 비용 민감한 부분도 있지만, 머신비전 시장은 대부분 성능을 중요하게 생각한다. 여기서 성능은 속도일 수도 있고, 낮은 노이즈와 같은 이미지 품질일 수도 있고, 확장된 카메라 기능일 수도 있다.

머신비전 카메라 시장은 이전에는 소비자 및 보안 산업 수요에 의해 주도되었지만, 이미지 품질에 대한 요구는 머신비전 시장을 직접 타겟팅하는 신세대 이미지 센서로 해결되고 있다. 보안 시장과 일부 소비자 시장도 고품질 이미지 센서를 도입하고 있다. 후면 조명(BSI) 이미지 센서는 저노이즈, 고감도 이미지를 제공한다. BSI 이미지 센서는 두 개의 실리콘 웨이퍼를 결합하여 제조하기 때문에 제조 비용이 더 높다.

시장에서 새로운 이미지 센싱 기술들이 출시되고 있다. 단파 적외선(SWIR) 이미징, 다중 스펙트럼 및 초분광 이미징, 깊이 센싱용 TOF(Time-of-Flight) 이미징, 편광 센싱 등이 있다.

이 네 가지 중 SWIR는 가장 많이 채택되고 있다. SWIR 카메라의 가격은 하락했지만, InGaAs로 만든 이미지 센서를 사용하는 SWIR 이미징은 실리콘으로 만든 이미지 센서를 사용하는 가시광 이미징보다 여전히 비싸다. 또한 사람들은 적외선 파장을 볼 수 없기 때문에 가시광 이미징보다 더 복잡하다. 그럼에도 불구하고 SWIR은 가시광 이미징으로는 해결하기 어려운 많은 문제를 해결할 수 있으며 지속적인 채택을 기대할 수 있다.

 

3D 이미징 기술

 

3D 이미징 기술은 계속해서 발전하고 있지만, 예전에 예측했던 폭발적인 증가 속도는 아니다. 이러한 성장 제한의 한 요인은 대부분의 3D 이미징 작업이 복잡하기 때문이고, 다른 장치 (예: 로봇)에 유용한 형태로 3D 이미징 데이터를 해결하는 데 필요한 계산 요구사항 때문이기도 하다.

3D 이미징 기술을 구분하는 중요한 요소는 삼각측량에 의존하는지 여부다. 삼각측량은 일반적으로 정확도가 높은 데이터를 제공하지만 데이터가 없는 막힘(occlusion) 위험이 있다.

LiDAR 및 ToF 이미징은 삼각측량에 의존하지 않아 막힘 문제가 없다. LiDAR는 중간 거리 센싱에 적합하며, 공간 해상도는 보통이다. ToF 이미징은 역시 공간 해상도가 보통이고 측정 가능한 깊이 범위가 제한적이지만 LiDAR보다 더 빠르게 깊이 데이터를 수집한다. LiDAR 및 ToF 영상은 자율 주행 차량의 항법 분야에서 활용되고 있다.

두 개의 카메라만 사용하는 스테레오는 특정 용도에 사용되지만 깊이 정보를 제공하기 위해 선명한 특징이 필요하다. 스테레오의 깊이 정보는 상당히 희박할 수 있다. 스테레오 카메라를 패턴 프로젝터(일반적으로 의사-랜덤 점 패턴 투영)와 함께 사용하면 증강 스테레오가 된다. 투사된 점은 스테레오가 감지할 수 있는 더욱 밀집한 특징 배열을 제공하며 더 풍부한 깊이 정보를 제공한다. 증강 스테레오는 로봇 유도 및 그립 부품 위치 파악에 활용되고 있다.

레이저 프로파일 측정, 또는 시트 라이트 이미징은 매우 밀집한 깊이 정보 라인을 제공하며 점점 더 많은 측정 분야에서 사용되고 있다.

프로젝터가 카메라 시야각 방향으로 광 패턴을 투사하는 구조화된 빛은 아직도 로봇 시각에 가장 널리 사용되는 깊이 센싱 기술이다. 일련의 패턴을 투사함으로써 매우 우수한 깊이 해상도를 얻을 수 있다. 구조화된 빛은 로봇 부품 수집 및 빈 피킹을 위한 고해상도 3D 데이터를 얻는 데 주요한 방법이다.

 

다중스펙트럼 및 초분광 이미징

 

 

상대적으로 새로운 영상 기술 중 하나는 다중스펙트럼 및 초분광 이미징이다. 두 기술 모두 다양한 스펙트럼 대역에서 이미지를 캡처한다.

초기에는 스펙트럼 대역의 수를 기준으로 이 두 기술을 구분했다. 다중스펙트럼 이미지는 최대 10개의 대역을 가지고 있고, 초분광 이미지는 10개 이상의 대역을 가지고 있다. 최근에는 다중스펙트럼 이미지는 몇 개의 분리되고 반드시 연속적인 스펙트럼 대역을 가지고 있으며, 초분광 이미지는 더 많은 수의 연속적인 스펙트럼 대역을 가지고 있다는 점에서 구분된다. 간단히 말하면, 초분광 이미지는 일종의 이미지 분광계라고 할 수 있다.

물질의 화학적 성분은 어떤 스펙트럼 대역을 흡수하고 어떤 대역을 반사하거나 투과하는지 결정하기 때문에 초분광 이미지는 ‘화학 이미지’에 사용될 수 있다. 이는 재활용과 같은 분야에서 알려지지 않은 물질을 이미지화하고 식별하는 데 유용하다. 또한 다중스펙트럼 이미지에 사용할 특정 이미징 대역을 결정하는 데에도 활용할 수 있다.

다중스펙트럼 및 초분광 이미징은 비교적 복잡한 이미징 기술이다. 특히 초분광 이미지는 높은 데이터 대역폭과 상당한 계산 능력이 필요하다.

초분광 이미지는 일반적으로 가시광선에서부터 단파 적외선(SWIR) 파장까지 포함하므로 광범위한 스펙트럼, 균일한 광원 확보가 과제다. 백열등은 성능이 좋지만 LED에 비해 수명이 매우 짧다. 조명 업체들은 가시광선과 SWIR 영역을 모두 포함하는 광범위한 스펙트럼 LED 광원을 제공하기 위해 노력하고 있지만, 이러한 광원은 일부 응용 분야에서는 스펙트럼이 불균일하여 사용하기 어렵다.

대량 생산 응용 분야에서는 일반적으로 초분광 이미지를 사용하여 어떤 부분의 광 스펙트럼이 응용 분야에 유용한지 평가한 다음, 특정 스펙트럼 대역만을 처리하는 다중스펙트럼 이미지 센서를 설계하는 방식이 일반적이다.

이 두 기술 모두 머신비전 분야에 새롭게 도입된 기술이며 농업, 식품 분류, 식품 가공, 재활용 분야에서 큰 가능성을 보여준다. 다중스펙트럼 및 초분광 이미지는 아직 머신비전이 널리 보급되지 않은 화학 산업에서 새로운 기회를 창출할 수 있다.

 

렌즈

 

 

더 많은 화소와 더 큰 이미지 센서에 대한 요구가 증가함에 따라 렌즈 성능 향상 필요성도 높아지고 있다.

그러나 광학 기술 업계는 이러한 증가하는 요구에 다소 느리게 대응하고 있다. 렌즈 설계 도구는 향상된 렌즈 설계를 좀 더 쉽게 만들어주지만, 제조 허용 오차는 다른 부품에 비해 매우 엄격하다. 그러나 더 엄격한 허용 오차조차도 충분하지 않다. 새로운 요구 사항이 단순 조립으로는 충족되지 않으며 수동 또는 특수 자동화를 통해 미크론 단위 정밀 조립이 필요하다.

 

또한 기존의 나사형 고정 링은 이러한 조립 허용 오차에서는 사용할 수 없으며 접착제가 필요하다. 이러한 요구 모두 최신 이미지 센서용 렌즈 제작에 더 많은 시간과 노력이 필요하다는 것을 의미한다. 따라서 이러한 이미지 센서용 렌즈 비용은 훨씬 더 높을 것이다.

SWIR 카메라 시장 성장과 함께 더 많은 SWIR 렌즈도 출시되고 있다.
산업용 카메라 렌즈의 한 가지 트렌드는 내구성 강화다. 자동차에 사용되는 렌즈는 진동과 때로는 충격에도 견딜 수 있어야 하고, 야외에서 사용되는 렌즈는 습기에 밀봉되어야 하며 넓은 온도 변화에도 견딜 수 있어야 한다.

 

조명

 

 

LED는 여전히 머신비전 조명 시장을 지배하고 있으며, 새로운 도전 과제도 꾸준히 등장하고 있다. LED 조명의 주된 발전은 효율(전력 입력에 대한 광 출력 증가)과 특히 근적외선(NIR) 및 단파 적외선(SWIR) 영역에서 이용 가능한 파장 범위 증가에 있다. 하지만 LED 기술 발전은 전통적인 백열등과 같은 기존 조명을 LED로 대체하는 데 많은 자원이 투입되면서 다소 지연되고 있다.

또 다른 지속적인 발전은 프로그래밍 가능 조명 컨트롤러이다. 이 컨트롤러는 LED에 과전류를 공급하여 매우 짧고 강렬한 빛 파동을 생성하여 머신비전의 고속 응용 분야 활용을 촉진한다.

다중분광 및 초분광 이미징을 지원하기 위해 다양한 파장의 LED 어레이를 사용하여 필요한 스펙트럼 범위를 커버하는 LED 광원이 출시되고 있다. 현재 이러한 광원은 스펙트럼적으로 불균일하며, 이 문제를 완화하기 위해 특히 LED 위에 사용되는 형광체에 대한 연구가 활발히 진행되고 있다.

조명 분야의 또 다른 성장 영역은 자외선(UV) 조명이다. 이것은 형광 이미지를 위한 여기광으로 사용되거나 UV 범위에 적합한 카메라 및 렌즈로 직접 UV 범위를 이미지화하는 데 사용된다. 이밖에도 세척, 기계적 및 환경적 스트레스에도 견딜 수 있는 견고한 LED 광원을 개발하기 위한 노력도 증가하고 있다.

 

연산 능력, 에너지 효율적인 컴퓨팅

 

 

CPU에 있어서 전력은 큰 문제다. 이것이 인텔이 ARM에게 점점 뒤쳐지는 주된 이유이기도 하다. 많은 사람들은 전 세계 데이터 센터가 416테라와트, 전체 전력 사용량의 약 3%를 소비한다는 사실을 알지 못한다. 데이터 센터들이 이런 엄청난 에너지를 사용하는 만큼, CPU와 GPU의 성능을 유지하거나 향상시키면서 전력 소비를 줄이려는 노력은 당연한 일이다.

AI와 머신 러닝의 발전으로 그래픽 처리 장치(GPU)에 대한 수요와 성능은 급속히 증가했다. GPU는 일반적으로 병렬적으로 작동할 수 있는 수많은 프로세서를 가지고 있다. 그림 3은 인기 있는 GPU 개발 플랫폼을 보여준다.

낮은 수준의 GPU는 100개가 조금 넘는 코어를 가지고 있고, 높은 수준은 4,000개 정도의 코어를 가진다. GPU 코어는 CPU 코어와 직접 비교하기 어렵지만, 일반적으로 속도가 느리고 기능이 제한적이다. 그러나 특수화된 아키텍처와 대규모 병렬 처리를 통해 강력한 성능을 제공한다.

FPGA(Field-Programmable Gate Array)는 명령어를 불러오지 않고 매우 복잡한 계산을 처리하도록 맞춤 설정할 수 있는 논리 회로다. FPGA는 대부분의 머신비전 카메라 뿐만 아니라 많은 이미지 처리 프로세서에서 사용된다.

앞서 DL 논의에서 언급했듯이, 엣지에서 실행되는 DL 모델에 전력을 공급하는 특수 프로세서가 있다. 이러한 DL 전용 프로세서를 포함하는 제품들이 이미 출시되고 있으며, 앞으로 더 다양한 제품들이 나올 것으로 예상된다.

 

 

SaaS, 공장 현장의 저항과 해결 방안

 

SaaS는 기업용 소프트웨어 시장에서 빠르게 성장하는 사업 모델이다. 판매자에게는 안정적인 수익원을 제공하고 사용자에게는 초기 비용 절감과 향상된 서비스 및 지원이라는 이점이 있다. 하지만 공장 현장에서는 SaaS 도입에 대한 저항이 존재한다. 

주요 저항 영역은 크게 4가지로, 보안, 예산, 안정성, 자동 업데이트를 들 수 있다. 

보안: 공장 장치를 웹에 연결하는 것은 보안상의 우려를 야기한다. 해커는 약간의 노력으로 생산 라인을 마비시킬 수 있다. 상호 연결된 장치를 꿈꾸는 4차 산업혁명이 진행됨에 따라 보안 위협 대응 방안도 발전할 것이다. 예를 들어, OPC UA 표준은 모든 데이터의 암호화를 포함한다.

예산: 산업 현장은 다양한 부서에 예산을 배정한다. 이 중 하나는 감가 가능한 구매 비용인 CAPEX(Capital Expenditures)이고, 다른 하나는 전기료 등과 같은 비용으로 처리되는 비용이다. 이 두 가지 지출 방식 중 어느 것을 선택하는지는 회사 수익과 장부 가치에 영향을 미친다. SaaS를 사용하려면 예산을 재조정해야 한다.

안정성: 대부분의 SaaS 프로그램은 지속적인 클라우드 연결에 의존하며, 데이터 전송이 어디에서든 중단되면 작동이 중단될 위험이 있다. 데이터 전송 경로의 실패는 공장을 일시적으로 중단시킬 수 있다. 하지만 Microsoft Office 365는 이러한 문제를 완화할 수 있는 모델을 제공한다. Office 365에서는 계산은 로컬에서 이루어지며 라이센스 확인 및 업데이트 다운로드를 위해 장치가 한 달에 한 번만 인터넷에 연결해야 한다.

자동 업데이트: 자동 소프트웨어 업데이트는 유지 관리 부담을 줄이고 보안 유지에 도움이 된다. 하지만 업데이트로 인해 애플리케이션 프로그램 자체를 변경해야 하는 경우도 있다. 이러한 경우 SaaS 공급업체가 적절한 업데이트 마이그레이션 프로세스를 보유하지 않으면 공장 운영에 지장을 초래할 수 있다.

 

표준

 

A3, EMVA, JIIA 등이 개발한 자발적 표준은 카메라 표준이 계속 증가하는 가운데 카메라와의 인터페이스 기능을 향상시켜 머신비전의 확산을 가속화했다. 새로운 카메라 표준은 예상되지 않지만, 이미지 센서와 카메라의 발전에 맞추어 기존 표준은 개정 과정에 있다.

안전 및 환경 문제를 다루는 강제적 규격은 갈라지고 있다. 국가들은 자체 규격을 개발하고 있으며, 일부 경우 제품이 요구사항을 충족하는지 확인하기 위해 국내 시험을 요구하고 있다. 이러한 추세는 비용 부담을 증가시키고 신제품 출시를 지연시킨다.

 

머신비전은 GDP보다 약간 더 빠르게 성장하고 있다. 배터리 제조가 최근 가장 주목받는 분야다. 과장과 실망이 가라앉은 후 딥러닝은 중요한 요소가 될 것이다.

카메라는 더 높은 이미지 해상도와 더 빠른 속도를 향한 추세다. SWIR은 카메라 시장의 성장 부문이다. 다중 스펙트럼 및 초분광 이미징은 머신비전에 새로운 시장을 제공할 준비가 되어 있다.

렌즈는 더 큰 센서와 더 작은 픽셀에 더 엄격한 허용 오차와 더 높은 정밀도 조립으로 대응하고 있다. 견고한 렌즈도 점점 더 많이 출시되고 있다.

조명은 UV 및 SWIR 영역으로 확장되고 있으며, 특히 초스펙트럼 이미징에 적합한 광원에 특별한 주의를 기울이고 있다. 또한 견고성 강화도 두드러지고 있다.

컴퓨터 성능은 계속 증가하고 있으며 전력 소비에 대한 관심도 높아지고 있다.

SaaS는 잠재적인 트렌드이며, 머신비전에 광범위하게 적용되기 전에 우려사항에 대한 심각한 주의가 필요하다. 안전 및 환경 기준 준수는 새로운 부품 도입을 제한할 수 있다.

 

헬로티 김진희 기자 |