기계/자동차/부품

Nikkei Robotics_2017. 3 Cool Topic 요약 (p3~5)

큐피, 원재료 수입검사에 딥러닝 도입
구글 TensorFlow 이용, 베이비 푸드 공장에 대응

대형 식품업체인 큐피(Kewpie)가 업계에서 타기업보다 한 발 먼저 자사공장에서의 AI(인공지능) 기술 도입에 들어간다. 식품의 원재료인 야채 등의 검사에 딥러닝(심층학습)에 의한 화상인식을 도입한다. 이르면 2017년 중순경에 베이비 푸드 등의 생산을 담당하는 사가현(佐賀県) 도스(鳥栖)공장에서 도입할 예정이며, 2017년 후반에는 샐러드 등을 생산하는 아오모리현(青森県)의 카이조우(階上) 공장으로의 도입을 검토 중에 있다.

큐피는 드레싱 소스, 샐러드, 베이비 푸드 등의 상품에 야채를 대량으로 사용하고 있다. 딥 러닝에 의한 고밀도의 화상인식 성능을 활용하여 상품의 원재료가 되는 야채 자체의 변색 및 불량, 작은 돌이나 나뭇조각 등의 혼입물 등을 자동으로 검출할 수 있게 한다. 시작(試作)ㆍ개념검증(PoC)를 거쳐「기술적으로 유효하다는 것을 확인할 수 있었다」(큐피 집행역원 생산본부장 와타나베 씨). 이미 도스공장의 세부 설계를 실시하고 있다.

일반적으로 식품업계에 있어서 원재료의 수입검사는 상품의 품질을 담보로 하는 필수 공정이다. 예를 들어, 당근에는 중심부분의 섬유질이 나무처럼 딱딱해지는「목화」라는 현상이 있다. 지상으로 줄기를 뻗어 꽃을 피우기 위해 그것을 지지하는 뿌리부분이 단단해 진다. 목화된 부분은 나무조각과 같은 상태가 되기 때문에 식품으로써는 사용할 수는 없으므로 검사 공정에서 제거할 필요가 있다.

식품 업체가 야채 등을 사용할 경우, 반드시 농산물을 그대로의 상태로 매입하는 것이 아니라, 껍질을 벗겨 커팅해 냉동시키는 등 1차 가공품을 사들이는 경우도 있다. 1차 가공품은 그 가공업자 측에서 품질검사를 하고 있지만, 그것을 구입하는 식품업체 측에서도 자체에서 책임지는 매입검사가 필요하다. 이것을 위한 농산물과 1차 가공품, 양쪽 모두 만일의 경우를 위해 검사를 실시하게 된다.

큐피의 경우, 이러한 야채 검사는 기존에는 사람에 의해 직접 눈으로 보면서 시행해 왔다. 사람으로도 충분히 정확한 검사가 실시되었지만, 종업원의 작업 부하 경감 및 검사의 품질, 속도의 향상을 위하여 딥러닝의 도입에 착수했다.

-- 기존의 검사장치는 정밀도 부족 --
큐피가 딥러닝에 착안한 것은 야채 등의 농작물 특유의 모양이 불균등 하다는 점과 불량의 종류가 다양한 점에 유연하게 대처할 수 있게 하기 위함이다. 야채 등의 검사용으로 전용 장비가 시중에 판매되고 있긴 하지만,「감자 등 특정의 농산물 전용인 것이 많다. 검출이 가능한 불량도「싹이 나와있다」등의 단일 불량만이 특화된 것이 많으며, 정밀도의 면에서는 당사의 요구 수준에 못 미쳤다」(큐피 생산본부 생산기술부팀 오리키(降旗) 씨).

이 외에도 전용 검사장치는 (1)외형 측정법이 커서 공장 내에서의 설치 공간이 커진다, (2)내부에 글라스를 사용하기 때문에 글라스를 가지고 들어가는 것 자체가 금지되어있는 식품공장의 수요에는 맞지 않다, (3)검사 시의 환경 온도는 15도 이하 등으로 정해져 있어, 주위에 있는 종업원들에게는 낮은 실내온도가 부담이 되는 등의 문제가 있었다. 딥러닝에 의한 검사라면 현장에는 카메라와 컴퓨터를 설치하기만 하면 되며, 공간을 줄일 수도 있다(省 스페이스).

검사를 위해 촬영한 영상은 모두 클라우드 쪽으로 저장되므로, 만일 원재료에 불량이 발생한 경우, 그 불량의 종류 및 양을 해석하여 분석하는 것이 가능하다. 이 점도 큐티가 딥러닝에 의한 화상인식에 착안한 이유이다. 「1차 가공자 및 농가 등에 불량의 발생을 전달하여 피드백 하는 경우에도 사람에 의한 검사에 비해 객관적이고 정량적으로 설명할 수 있게 되어 함께 개선에 돌입할 수 있게 된다」(당사의 와타나베 씨).

본 잡지가 2016년 4월호에 해설한 바와 같이, 큐피는 로봇을 사용한 자동화로의 대응에 적극적인 기업이다. 2012년경부터 지금까지 약 5년간, 이바라기(茨城)현에 있는 본사 공장의 고카(五霞)공장을 시작으로, 아이치 현의 코로모(挙母)공장 및 사가현의 도스공장 등 복수의 공장에서 박스포장 작업 등에 로봇도입이 이어지고 있다. 이번 딥러닝에 의한 화상인식의 도입도 이런 자동화 대응의 연장선에 있다.

-- 고기 감자조림의 원재료에 적용 --
큐피가 딥러닝을 적용하는 것은 우선 감자의 매입검사이다. 큐피는 마요네즈와 드레싱 제품으로 유명하지만, 베이비 푸드 사업에도 손을 대고 있으며,「소고기소보로 고기감자조림」이라는 품종으로 감자를 많이 사용하고 있다. 이 검사공정으로 딥러닝을 사용한다.

큐피가 딥러닝에 의한 검사의 최초 적용 대상으로 감자를 선택한 이유는「소고기 소보로 고기감자조림」 등에 사용되는 감자가 비교적 검사하기 쉬운 특징을 갖추고 있기 때문이다. 큐피는「소고기소보로 고기감자조림」 등의 베이비 푸드에 있어서 감자의 1차 가공품을 원재료로 사용하고 있다. 감자를 약 1cm의 주사위 모양으로 잘라서 냉동시킨「냉동 다이스컷 감자」이다. 1차 가공품이기 때문에 일반적인 농산물처럼 모양의 고르지 않거나 가지런하지 않은 것이 적어, 큐피가 취급하는 야채의 원재료 중에서도 화상인식의 대상으로 가장 다루기 쉬웠다.

딥러닝에 의한 검사는 컨베어 위에 이 다이스컷 감자를 나열하여 카메라로 촬영하는 것으로 시작한다. 냉동 다이스컷 감자는 매입 단계에서 주사위 모양의 감자가 서로 들러붙은 상태가 되어 있다. 그렇기 때문에 큐피에서 한 번 해동시켜 서로 떨어뜨린 상태에서 검사한다. 또한 당사의 매입검사에서는 원재료의 냄새 등도 확인하기 때문에 도입 후의 사람에 의한 검사는 철폐하지 않고 겸용해서 시행한다.

감자 다음으로 딥러닝을 검토하고 있는 것이 믹스 빈즈이다. 완두콩, 붉은 강낭콩, 병아리콩의 세 종류를 혼합한 것으로 샐러드 등에 자주 사용된다. 세 종류의 콩은 큐피가 개별로 매입하여 혼합해 찌는 과정 등에서 콩이 터지거나 껍질이 벗겨지는 등의 불량이 발생하는 것 때문에 그 점을 눈 여겨 확인하고 있었다. 이것을 2017년 후반까지 딥러닝으로 검출하게 만들 계획이다. 큐피의 오리키 씨는「이 두 종류의 원재료에 적용이 가능하게 된다면, 대체적으로 다른 야채의 검사에 대해서도 순차적으로 딥러닝을 적용시켜 나갈 수 있을 것이다」라고 말한다.

-- 학습은 정상 데이터 만으로 --
큐피는 딥러닝의 학습방법에도 머리를 짜내었다. 훈련 데이터로 정상인 상태의 화상만을 사용하는 것으로, 그것과 다른 것은 정상범위를 벗어나는 불량으로 검출할 수 있게 했다. 전에 설명한 것과 같이, 야채의 불량은 야채의 종류마다 다양한 패턴이 있으며「모든 불량 패턴에 대하여 데이터를 수집하는 것은 어렵다」(큐피 생산본부 생산기술부 차세대기술담당 오기노(荻野 차장). 정상 데이터의 학습만으로 불량을 검지할 수 있는 방법으로는 본 잡지가 2016년 6월호에서 해설한「생성 모델」이라는 타입의 딥 뉴럴네트 (Deep Neural Network)를 사용하는 방법이 있다. 큐피는 상세히 밝히지 않지만, 그런 방법을 사용하고 있을 가능성이 큰 것으로 보고 있다.

딥러닝의 프레임워크(Framework)로써는 미국 구글이 개발한 오픈 소스의「TensorFlow」를 채택했다. TensorFlow는 구글이 이 소프트웨어를 사용하는 클라우드 서비스를 전개하고 있기 때문에「클라우드와 친화성이 높다는 이유로 결정했다」(오기노 씨)라고 말한다.

큐피는 일본 국내의 그룹회사를 포함해 80곳 이상의 공장을 보유하고 있다. 원재료의 검사는 거의 모든 공장에서 실시되고 있기 때문에 향후 다른 공장에서 딥러닝에 의한 검사를 전개할 경우, 클라우드 상에서 실시될 수 있도록 한다면 도입하기가 쉬워지게 될 것이다.

그러나, 최초에 도입한 사가현의 도스공장에서는 감자 검사에서의 TensorFlow를 공장내의 온프레미스(On-premise)의 컴퓨터로 작동시킨다. 딥러닝의 시스템 구축에 있어서는 TensorFlow의 이용에 정통한 기업으로써 구글로부터 브레인패드(Brainpad)를 소개받아 지원을 받았다.

 -- 끝 --