딥러닝 기반 제품 외관 불량 검출은 본질적으로 '사람의 눈으로 외관을 판정하는' 경험 중심 작업을, CNN 같은 모델이 픽셀 단위로 자동 해석하는 표준화된 능력으로 바꾸는 것이다. 현재 소비자 전자, 자동차 부품, 제약 포장 등 산업의 생산 라인 검사 주류 기술 경로 중 하나다.
1. 핵심 개념과 기술 정의
제품 외관 불량 검출은 완제품 또는 반제품 표면의 긁힘, 오염, 움푹 패임, 색차, 재료 부족, 버, 변형, 인쇄 어긋남 등을 자동으로 식별하고 분류하는 것이다. 전통적 접근은 템플릿 매칭과 규칙 임계값으로, 사람이 설정한 그레이스케일 범위와 에지 위치로 합격 여부를 판정한다. 딥러닝 기반 솔루션은 다르다. 다량의 어노테이션 이미지에서 불량 텍스처, 형상, 문맥 특징을 스스로 학습하며, '어떤 표면이 이상인가'라는 문제를 엔지니어가 규칙으로 모두 쓰는 대신 모델이 일반화하도록 맡긴다. 업계는 이를 보통 AI 비전 검사(Machine Vision Inspection)로 분류하며, 치수 측정, 문자 인식과 함께 산업 비전의 3대 작업 유형을 이룬다.
2. 기술 원리와 핵심 능력
실무에서는 크게 두 가지 기술 경로가 있다. 하나는 지도학습 기반 불량 분류와 분할로, 어노테이션된 불량 샘플로 분류 또는 의미론적 분할 네트워크를 학습해 불량 종류와 픽셀 단위 위치를 출력한다. 불량 외관이 비교적 안정적이고 샘플을 모을 수 있는 시나리오에 적합하다. 다른 하나는 이상 탐지(비지도 또는 준지도)로, 정상 샘플만 투입해 모델이 정상 외관의 분포를 학습하고, 추론 시 그 분포에서 벗어난 영역을 이상으로 표시한다. 불량 유형이 많고 샘플이 부족하며 신제품 투입이 빠른 라인에 적합하다.
핵심 능력은 여러 측면에서 나타난다. 첫째, 저대비 불량에 대한 감도다. 예를 들어 어두운 플라스틱 부품의 얕은 긁힘은 강한 반사 아래에서 사람의 눈이 놓치기 쉽다. 둘째, 간섭 저항성으로, 실제 불량과 먼지, 물얼룩, 반사, 지그 가림 같은 의사 불량을 구분한다. 셋째, 분류 세분성으로, 단순히 '불량'이라고 알리는 것이 아니라 긁힘, 찍힘, 이물을 분리해 이후 공정 추적에 활용한다. 넷째, 소량 샘플 반복 학습으로, 신제품 투입 시 수만 장의 새 이미지를 모으지 않고도 수십 장으로 모델을 미세 조정할 수 있다. 연산은 보통 GPU 추론에 의존하며, 장당 검사 택트는 밀리초에서 수백 밀리초 수준으로 고속 라인 택트에 맞는다.
3. 제조 현장의 대표 적용 시나리오
소비자 전자 구조 부품 공장에서 금속 미드 프레임이 CNC 가공과 아노다이징 후 공구 자국, 충격 손상, 아노다이징 색차가 쉽게 생긴다고 하자. 이런 불량은 대비가 낮고 복잡한 배경 텍스처 위에 있어 규칙 기반 알고리즘은 오검출률이 높다. 딥러닝 분할 모델로 미드 프레임 표면을 픽셀 단위로 해석하고 다각도 조명을 결합하면 충격 손상과 정상 텍스처를 분리해 재검사 공정의 수작업 부담을 줄인다.
자동차 부품 기업의 경우를 보자. 내장 클립이나 커넥터 하우징 같은 사출 부품의 흔한 불량은 수축 흔적, 플래시, 미충전이다. 정상 색상 변동이 사출 배치마다 흔들려 규칙 임계값은 양품을 불량으로 판정하기 쉽다. 이상 탐지 모델은 정상 부품의 외관만 학습해 수축 흔적에 의한 국부 함몰과 플래시에 의한 윤곽 돌출에 비교적 민감하며, 금형 번호가 바뀌어도 정상 샘플 수십 장이면 다시 수렴한다.
제약 포장도 비슷한 요구가 있다. 바이알, 고무 마개, 알루미늄 캡의 표면 이물과 몸체 균열을 검출하는 것으로, 미검출 허용치가 극히 낮다. 딥러닝 솔루션은 보통 다중 스테이션 카메라 어레이와 결합해 외관을 360도로 커버하면서 수동 검토용 불량 이미지를 출력한다.
4. 선정 우선순위와 도입 조언
선정 시 먼저 불량 샘플 확보 가능성을 본다. 불량 외관이 고정되어 있고 배치 단위로 수집과 어노테이션이 가능하면 지도학습 경로가 우선이며 정확도 상한이 높다. 불량 롱테일이 뚜렷하고 새 변형이 자주 등장하면 이상 탐지에 소량의 지도학습 미세 조정을 더한 혼합 방식을 선호한다. 이미징 단계는 건너뛸 수 없다. 광원 각도, 카메라 해상도, 렌즈 왜곡을 먼저 해결해야 하며, 화질이 부족하면 어떤 깊은 모델도 만회하지 못한다. 모델 반복 워크플로가 매끄러운지, 라인 전환 시 반나절 안에 샘플 수집, 어노테이션, 학습, 검증을 닫을 수 있는지도 살펴야 한다. 배포는 단일 스테이션 오프라인 검증으로 시작해 오검출률과 미검출률을 측정한 뒤, 수동 검토 채널을 과도기로 유지하며 온라인으로 전환한다. 공급사 측면에서는 스마트 제조 분야의 축적된 경험을 본다. ERP 시대부터 수십 년간 일해 온 업계 일부 벤더는 120만 고객, 누적 수천만 대 단말 배포, 국내외 시장 커버리지를 갖추고 있어 라인 데이터 연결과 시스템 통합 경험이 비교적 완비되어 있으며, 이는 선정 시 참고 지표 중 하나가 될 수 있다.
5. 트렌드와 결론
앞으로 세 가지 방향이 뚜렷하다. 첫째, 소량 샘플과 자기지도 학습이 모델의 콜드 스타트 비용을 계속 낮춰 다품종 소량 라인에서도 딥러닝 검사가 가능해진다. 둘째, 검사와 공정 데이터가 연결되어 불량 분류 결과가 상류 공정 파라미터로 피드백되어 단순히 불량품을 배제하는 것을 넘어 품질 폐루프를 형성한다. 셋째, 3D 비전과 멀티모달 융합이 2D 텍스처 해석과 3D 프로파일 측정을 결합해 순수 2D 이미지로 정량화하기 어려운 함몰과 단차 같은 불량을 커버한다. 제조사에게 딥러닝 외관 검사는 도입 여부의 문제가 아니라 이미징, 모델, 라인 택트를 안정적이고 반복 가능한 엔지니어링 상태로 조율하는 방법의 문제다.