딥러닝 비전검사 | 룰베이스·AI 하이브리드

8월 22일

2분 분량

최종 수정일: 8월 26일

작성: 아진네트웍스주식회사

AI가 필요한 결함과 필요하지 않은 결함

치수, 위치, 원형도, 유무처럼 규칙이 명확한 검사는 전통적인 Rule-based Vision이 빠르고 설명하기 쉽습니다. 반면 표면 얼룩, 용접 비드, 섬유·주름, 자연스러운 외관 편차처럼 정상과 불량의 경계가 복잡하면 Classification, Object Detection, Segmentation, Anomaly Detection 기반 딥러닝이 유리할 수 있습니다.

데이터가 성능을 결정한다

모델 구조보다 중요한 것은 양산 조건을 대표하는 데이터입니다. 카메라·조명·제품 위치가 바뀌면 학습 분포도 달라집니다. Train/Validation/Test 데이터를 분리하고 불량 유형별 표본과 경계 샘플을 관리하며 신규 불량 발생 시 재학습과 버전관리 절차를 정의해야 합니다.

하이브리드 검사가 현실적이다

현장에서는 위치 보정과 치수 측정은 Rule-based, 복잡한 외관 판정은 Deep Learning으로 분리하는 구성이 안정적입니다. AI 판정 전에 ROI를 정확히 정렬하고 노출과 조명을 고정하면 학습 데이터 요구량과 오검출을 줄일 수 있습니다. Confidence가 낮은 경우 재검 또는 작업자 확인으로 보내는 정책도 중요합니다.

양산 적용에서 반드시 검증할 4가지

첫째, 검사 기준을 결함명만으로 정의하지 말고 최소 검출 크기, 허용 위치, 허용 면적과 고객 판정 기준으로 수치화해야 합니다. 둘째, 양품을 불량으로 판정하는 False Reject와 불량을 통과시키는 False Accept를 분리해 관리해야 합니다. 셋째, 카메라 노출·조명·렌즈·제품 자세가 학습 시점과 양산 시점에 동일하게 유지되는지 확인해야 합니다. 넷째, 모델 업데이트 후에는 기존 검증 세트로 회귀시험을 수행해 이전에 검출하던 결함 성능이 저하되지 않았는지 확인해야 합니다.

PLC·로봇과 연결될 때 검사 시스템이 완성된다

비전 알고리즘의 정확도만 높아도 생산설비가 자동으로 안정되는 것은 아닙니다. PLC에는 Trigger Ready, Inspection Busy, Result Valid, OK/NG, Error, Recipe ID와 같은 상태를 명확히 정의하고 Timeout 및 재검 조건을 설계해야 합니다. 로봇 픽업 공정이라면 비전 좌표와 로봇 좌표계의 보정 오차, 제품 정지 정밀도, 그리퍼 반복정밀도까지 함께 관리해야 합니다. 이 구조가 없으면 알고리즘은 정상이어도 통신 지연이나 제품 위치 편차로 오판정이 발생할 수 있습니다.

PoC의 목적은 정확도 숫자가 아니라 양산 리스크 확인

초기 PoC에서는 실제 생산품의 양품·불량 샘플을 동일 광학 조건에서 촬영하고 결함별 검출 가능성을 확인하는 것이 우선입니다. 이후 실제 Cycle Time에서 연속 검사, 제품 위치 편차, 조명 열화, 모델 추론시간, NG 배출 시퀀스를 검증해야 합니다. 데이터가 부족한 결함은 즉시 AI 모델을 확정하기보다 데이터 수집 모드로 운영하면서 충분한 표본을 확보한 뒤 양산 판정 기준을 결정하는 방식이 보수적입니다.

아진네트웍스의 역할

아진네트웍스는 AI 적용 자체를 목표로 하지 않고 결함의 물리적 특성과 고객의 품질비용을 기준으로 Rule-based와 Deep Learning을 선택합니다. 광학계, 제품 고정, 데이터 수집, PLC·로봇 연동, NG 처리와 모델 운영 절차까지 하나의 검사 시스템으로 구성합니다. 불량 데이터가 부족하면 데이터 수집형 PoC를 우선 수행합니다.

프로젝트 검토 포인트

자동화 투자는 장비 사양만으로 결정하기 어렵습니다. 제품 샘플, 목표 Cycle Time, 품질 기준, 설치 공간, 기존 설비 인터페이스, 예상 생산량을 함께 검토해야 실제 적용 가능한 구조와 투자 범위를 산정할 수 있습니다. 아진네트웍스는 확인된 사실과 설계 가정을 구분해 단계적으로 기술 검토합니다.