머신비전 오검출 줄이기 | False Reject 원인·조명·판정 안정화 설계

9월 2일

2분 분량

머신비전 오검출, 카메라 성능보다 먼저 봐야 할 것

양품을 불량으로 판정하는 False Reject가 많아지면 재검사와 작업자 개입이 늘고 자동검사의 신뢰도가 떨어집니다. 현장에서는 알고리즘만 수정하기보다 촬상 조건부터 제품 제시, 판정 로직, PLC 배출 시퀀스까지 한 시스템으로 점검해야 합니다.

1. False Reject의 대표 원인

주요 원인은 조명 반사와 외광 변화, 제품 위치·자세 편차, 렌즈 초점과 노출 변화, 표면 재질 및 Lot 편차, 지나치게 좁은 임계값, 학습 데이터가 실제 생산 변동을 충분히 포함하지 못한 경우입니다. 특히 광택·금속·투명 소재는 조명 구조가 판정 안정성을 좌우합니다.

2. 조명과 제품 제시를 먼저 고정한다

카메라 해상도를 높이기 전에 제품이 매 Cycle 동일한 위치와 높이로 들어오는지 확인해야 합니다. Backlight, Dome, Bar, Coaxial 등 조명 방식은 검사 결함의 형태에 맞춰 선정하고 외광 차단과 노출 고정을 함께 적용합니다.

3. Rule-based와 AI를 역할별로 나눈다

유무·위치·치수·방향처럼 기준이 명확한 항목은 Rule-based가 관리하기 쉽고, 스크래치·오염·표면 이상처럼 형상 변화가 큰 결함은 AI가 유리할 수 있습니다. 실제 설비에서는 두 방식을 혼합해 검사 항목별 책임을 분리하는 구성이 효과적입니다.

4. 오검출을 데이터로 관리한다

OK/NG 결과만 저장하지 말고 제품 ID, Recipe, 측정값, 판정 Score, 이미지, 시간, 설비 상태를 함께 기록해야 합니다. False Reject 샘플을 주기적으로 분류하면 조명 문제인지 제품 변동인지 모델 문제인지 원인을 추적할 수 있습니다.

2D·3D Vision 검사 방식과 시스템 선정 기준 보기

5. 현장 적용 체크포인트

제품 속도와 Cycle Time, 제품 위치 반복정도, 검사 대상 결함, 최소 결함 크기, 조명 설치 공간, PLC 모델, NG 배출 방식, 이미지 저장 기간을 사전에 확인해야 합니다. 목표 정확도는 실제 양품·불량 샘플을 이용한 PoC에서 검증하는 것이 안전합니다.

아진네트웍스 적용 방향

아진네트웍스는 카메라만 선정하는 방식보다 제품 이송·정렬, 조명, Vision, PLC, NG Reject, 데이터 저장까지 검사 Station 전체를 기준으로 검토합니다. 기존 생산라인 Retrofit은 현재 Cycle과 설치 공간을 먼저 확인한 뒤 최소 변경 범위를 정하는 방식이 적합합니다.

AI 비전검사 적용 상담