머신 비전과 AI 비전 인식의 핵심 차이는 다음과 같다. 머신 비전은 '규칙으로 답을 찾고', AI 비전 인식은 '데이터로 답을 학습한다'. 전자는 사람이 정의한 특징과 임계값으로 판정하고, 후자는 딥러닝 모델이 스스로 특징을 추출한다. 생산 라인 검사 현장에서 규칙이 바뀌거나 불량 유형이 변하면 머신 비전은 파라미터를 다시 조정하거나 프로그램을 다시 작성해야 하는 경우가 많지만, AI 비전 인식은 샘플을 추가하고 재학습하면 적응할 수 있다.
1. 핵심 개념과 기술 정의
머신 비전은 보다 엔지니어링 지향적인 개념이다. 카메라, 렌즈, 광원, 프레임 그래버, 알고리즘 소프트웨어로 사람의 눈을 대체해 측정, 위치 결정, 검사, 식별을 수행한다. 1980~1990년대에 산업 현장에 들어왔으며, Keyence나 Cognex 같은 업체의 비전 시스템과 Halcon, VisionPro 같은 알고리즘 라이브러리가 대표적이다. 핵심 논리는 '특징 공학(feature engineering)'이다. 엔지니어가 에지, 그레이스케일 차이, 면적, 원형도를 보라고 시스템에 지정하면, 시스템은 미리 설정한 임계값과 비교해 OK 또는 NG를 출력한다.
AI 비전 인식은 머신 비전의 한 갈래로, CNN(합성곱 신경망)과 Transformer 같은 딥러닝 모델로 이미지 이해 작업을 수행한다. 사람이 작성한 규칙에 의존하지 않고, 라벨링된 이미지로 모델을 학습시켜 불량 텍스처, 문자 형상, 객체 윤곽에 대한 특징 표현을 모델이 스스로 학습한다. 대표 작업은 분류, 객체 검출(YOLO 계열 등), 의미론적 분할, 이상 탐지다. 업계에서 흔히 말하는 'AI 비전 검사'와 '딥러닝 불량 검출'은 대부분 이 범주에 속한다.
둘은 대체 관계가 아니다. 완전한 AI 비전 시스템에서 카메라, 광원, 렌즈 같은 이미징 하드웨어는 여전히 머신 비전의 기반이며, 달라지는 것은 그 뒤의 판정 논리다.
2. 기술 원리와 핵심 능력
머신 비전의 판정 체인은 이미지 전처리, 특징 추출, 임계값 판정이다. 엔지니어는 불량이 어떻게 생겼는지 정확히 알아야 그에 맞는 특징 조합을 설계할 수 있다. 장점은 논리가 투명하고 해석 가능하며 연산 요구량이 낮아 일반 산업용 PC로도 구동된다는 점이다. 한계도 분명하다. 반사, 낮은 대비, 형태 변화가 큰 불량, 복잡한 배경에서는 규칙을 모두 나열하기 어렵다. 예를 들어 전자 공장에서 커넥터 핀을 검사할 때 핀이 일정하지 않은 각도로 기울고 표면에 반사 도금이 있어 전통 비전은 튜닝이 극히 어렵다.
AI 비전 인식의 체인은 데이터 라벨링, 모델 학습, 추론 배포다. 모델은 많은 샘플에서 특징을 자동으로 학습하며 조명 변화와 불량 외관 차이에 더 강건하다. '규칙으로 표현할 수 없지만 이상은 눈에 보이는' 작업, 예를 들어 직물 결함, 주조품 기공, 용접 비드 형성 불량 등을 처리할 수 있다. 대가는 샘플과 라벨링, 학습 주기가 필요하고 추론 단계에서 보통 GPU가 필요하다는 점이다. 또 다른 핵심 능력은 이상 탐지다. 정상 샘플만으로 학습해도 미지의 불량에 대해 높은 이상 점수를 줄 수 있어, 불량 샘플이 부족한 신규 라인에 매우 실용적이다.
3. 제조 현장의 대표 적용 시나리오
자동차 부품 기업이 엔진 실린더 블록 표면을 검사한다고 하자. 불량 유형은 기공, 긁힘, 충격 손상이며 위치가 무작위이고 형태도 다양하다. 전통 머신 비전은 불량 유형마다 특징을 설계해야 하고 주조 배치가 바뀌면 곧바로 실패할 수 있다. AI 비전 인식은 수백 장의 불량 이미지와 정상 이미지를 모아 검출 모델을 학습시키면, 양산 후 신규 배치에 대한 일반화 성능이 확실히 좋고, 라인 전환 시 새 샘플을 촬영해 재학습하면 된다.
전자 공장에서 PCB 기판의 부품 실장을 검사하는 경우를 보자. 부품 누락, 위치 틀어짐, 극성 반전, 냉납 중에서 누락과 틀어짐은 규칙이 명확해 머신 비전이 빠르고 안정적으로 처리한다. 냉납은 형상이 솔더 양과 온도의 영향을 크게 받아 규칙으로 덮기 어렵고 AI 모델의 분류가 더 적합하다. 실제 생산 라인은 흔히 하이브리드 구조를 쓴다. 규칙 기반 비전이 높은 택트의 확실한 위치 결정과 측정을 맡고, AI 모델이 복잡한 불량 판정을 맡는다.
또 다른 범주는 조립 완전성 검사다. 가전 기업이 세탁기 패널의 버튼 조립을 검사한다고 하자. 버튼 색상이 비슷하고 문자가 작아 전통 비전은 문자 누락과 조립 오류의 차이를 쉽게 오판한다. AI 비전 인식은 객체 검출과 문자 인식 모델을 결합해 버튼 유무, 위치 편차, 문자 내용 일치 여부를 동시에 출력할 수 있다.
4. 선정 우선순위와 도입 조언
먼저 작업의 확실성부터 본다. 불량 규칙을 명확히 작성할 수 있고 택트 요구가 높으며 연산 예산이 빠듯하면 머신 비전이 우선이다. 불량 형태가 매우 다양해 규칙을 쓸 수 없고 샘플을 충분히 축적할 수 있다면 AI 비전 인식을 검토한다.
다음은 샘플 기반이다. AI 모델 성능은 학습 데이터의 커버리지에 크게 좌우된다. 라인을 막 가동해 불량 샘플이 수십 장뿐이라면 이상 탐지로 시작하거나 규칙 기반 비전으로 버티고, 성급히 지도학습 모델을 도입하지 않는 것이 좋다. 샘플이 수백 장 이상 쌓여 주요 불량 유형을 커버하게 되면 분류나 검출 모델 학습이 더 신뢰할 만하다.
이미징 품질은 공통 전제다. 조명 설계가 나쁘면 어떤 AI 모델도 구제하지 못한다. 반사, 그림자, 모션 블러는 광학 단계에서 해결해야 하며, 알고리즘이 보상해 주리라 기대해서는 안 된다.
배포는 하이브리드 구조를 권장한다. 규칙 기반 비전이 위치 결정, 측정, 높은 택트 판정을 맡고 AI 모델이 복잡한 불량 분류와 이상 스크리닝을 맡으며, 두 출력을 같은 판정 계층에서 융합한다. 이렇게 하면 라인 택트를 지키면서 복잡한 불량 커버리지를 높일 수 있다.
ERP 시대부터 이어온 수십 년의 업계 경험, 즉 120만 고객, 누적 수천만 대 단말 배포, 국내외 시장 커버리지가 말하는 것은 하나다. 제조 현장의 비전 요구는 단일 기술로 해결된 적이 없으며, 핵심은 작업에 맞는 방법을 고르는 것이다.
5. 트렌드와 결론
첫째 방향은 하이브리드 구조의 보편화다. 규칙 기반 비전과 AI 모델은 더 이상 양자택일이 아니라 한 시스템 안에서 역할을 나누며, 경량 모델이 엣지에서 택트를 지키고 클라우드가 모델 반복과 샘플 관리를 담당한다.
둘째 방향은 소량 샘플과 자기지도 학습의 현장 진입이다. 잦은 라인 전환과 부족한 불량 샘플이 일상이므로, 퓨샷 학습, 이상 탐지, 생성형 데이터 증강이 AI 비전의 샘플 문턱을 계속 낮출 것이다.
셋째 방향은 비전과 공정 데이터의 연결이다. 불량 판정은 더 이상 이미지만 보지 않고 설비 파라미터와 공정 곡선을 결합해 공동 판정하며, 이는 시스템 통합 역량의 기준을 높인다.
처음으로 돌아가자. 머신 비전은 규칙 기반, AI 비전 인식은 데이터 기반이다. 어느 쪽을 고를지는 불량을 규칙으로 명확히 서술할 수 있는지, 샘플을 충분히 쌓을 수 있는지에 달려 있다. 대부분의 산업 현장에서 답은 둘 다 필요하다는 것이다.