AI 비전검사와 룰 기반 비전 비교 | 어떤 검사에 어떤 방식이 맞을까?

AI 비전검사와 룰 기반 비전, 무엇을 기준으로 선택해야 할까?

검사 자동화에서 AI가 항상 더 높은 성능을 보장하는 것은 아니며, 룰 기반이 항상 단순한 검사에만 적합한 것도 아닙니다. 중요한 것은 결함의 정의 가능성, 정상 제품의 편차, 필요한 설명성, 데이터 확보 수준과 유지관리 체계를 기준으로 검사 방식을 선택하는 것입니다.

Problem | 알고리즘부터 선택하면 생기는 문제

치수·위치·유무처럼 기준이 명확한 항목에 무조건 AI를 적용하면 학습·검증·버전관리 부담이 커질 수 있습니다. 반대로 표면 무늬와 정상 편차가 크고 결함 형상이 일정하지 않은 외관검사를 고정 Threshold와 Rule만으로 해결하려 하면 Lot 변화에 따라 조건 조정이 반복될 수 있습니다. 현장 검색질문은 'AI 비전검사와 머신비전 차이', '딥러닝 검사가 필요한 경우', '룰 기반 검사를 언제 써야 하는가'로 정리할 수 있습니다.

Technology | 검사 특성에 따라 역할을 분리

룰 기반은 Edge, Line, Blob, Pattern, Geometry처럼 판정 논리를 명시적으로 정의할 수 있는 유무·위치·치수·형상 검사에 우선 검토할 수 있습니다. AI·딥러닝은 정상 편차가 크거나 결함의 형태가 불규칙해 사람이 규칙을 일일이 정의하기 어려운 분류·이상탐지·외관검사에서 후보가 됩니다. 실제 설비에서는 위치보정과 치수는 Rule, 표면 결함은 AI처럼 Hybrid 구조도 현실적입니다.

Engineering Concept | Hybrid 검사 Architecture

제품 감지 → Trigger → 조명·Camera → 위치보정 Rule → ROI 정규화 → 치수/유무 Rule → AI Classification 또는 Anomaly Detection → 결과 Fusion → PLC Handshake → NG Tracking/Reject → 이미지·판정값 저장 구조로 구성할 수 있습니다. AI 결과도 단독 신호로 사용하기보다 Confidence, 검사조건, Recipe와 제품 ID를 함께 관리해야 추적성이 좋아집니다.

Proof | Sample Test에서 비교할 항목

동일한 양품·불량·경계 샘플과 동일한 광학조건에서 Rule과 AI 후보를 비교합니다. False Reject와 False Accept를 분리하고, 품종·Lot·표면·위치 변화에 대한 반복성, 처리시간, 재학습 필요성, 운영자가 원인을 해석하고 조건을 유지할 수 있는지를 함께 확인합니다. 데이터가 부족하거나 결함 정의가 미확정이면 정확도 수치를 먼저 약속하지 않고 추가 샘플 확보를 Gate로 둡니다.

RFQ | 검사방식 선정에 필요한 자료

제품 사진·도면, 양품/불량/경계 샘플, 최소 검출 결함과 CTQ, 품종 수, 표면·색상 편차, 목표 Takt, 설치거리와 FOV, 기존 Camera·Lens·조명, PLC, NG 처리, 검사 이력 저장 요구사항을 제공하면 Rule·AI·Hybrid 중 어느 구조가 적합한지 Sample Test 범위를 정의할 수 있습니다.

관련글: https://www.ajinnetworks.co.kr/post/machine-vision-sample-test

머신비전·AI 검사 기술검토 / RFQ: https://www.ajinnetworks.co.kr/services?rfq_source=R_VISION#contact