지난 2년간 제조업의 AI 비전 인식에 대한 관심은 '도입할지'에서 '어떻게 고를지'로 빠르게 옮겨갔다. 라인 검사, 행동 규정 준수 모니터링, 안전 보호, 창고 재고 집계까지 거의 모든 연결 고리가 비전 시스템으로 재정의되고 있다. 그러나 실무적인 문제가 발목을 잡는다. 알고리즘이 아무리 강해도 이미징 품질이 따라오지 못하면 모두 허사다. 하드웨어 선정은 바로 이런 시스템이 실제 생산에서 돌아갈 수 있는지를 결정하는 첫 관문이다.
1. 핵심 개념과 기술 정의
AI 비전 인식 시스템은 본질적으로 산업용 카메라로 이미지를 획득하고, 딥러닝 모델로 객체 검출, 분류, 분할 또는 행동 판정을 수행한 뒤 결과를 PLC, MES 또는 알람 장치로 출력한다. 전통 머신 비전과의 차이는 전통 비전이 규칙과 특징 공학에 의존하는 반면, AI 비전은 데이터 기반이라 복잡한 배경, 비표준 불량, 자세가 다양한 대상에 훨씬 잘 적응한다는 점이다.
하드웨어 계층에서 완전한 AI 비전 인식 시스템은 보통 산업용 카메라(센서와 렌즈 마운트 포함), 렌즈, 광원과 조광기, 프레임 그래버 또는 엣지 컴퓨팅 박스, 연산 플랫폼(산업용 PC, 엣지 서버 또는 GPU 모듈), 통신과 IO 모듈로 구성된다. 선정은 각 부품에서 '좋은' 버전을 골라 조립하는 일이 아니라, 검사 정확도, 택트, 환경 적응성을 축으로 하는 시스템 수준의 정합이다.
2. 기술 원리와 핵심 능력
카메라는 선정의 첫 결정 지점이다. 에어리어 스캔 카메라는 부품 표면 결함이나 문자 인식처럼 정적 또는 준정적 검사에 적합하고, 라인 스캔 카메라는 연속 이동하는 웹, 스트립, 원통 표면 검사에 적합하며 엔코더와 동기화해야 한다. 해상도는 높을수록 좋은 것이 아니다. 최소 결함 크기를 광학 배율로 나눠 필요한 픽셀을 산출한 뒤 20~30%의 여유를 둔다. 프레임 레이트는 라인 택트와 맞아야 하며, 고속 라인은 롤링 셔터가 만드는 모션 왜곡을 피하기 위해 글로벌 셔터를 써야 한다.
센서 유형은 현재 CMOS가 주류이며 양자 효율과 다이내믹 레인지에서 뚜렷한 발전이 있다. 다만 극저조도나 근적외선 대역에서는 일부 시나리오에서 여전히 sCMOS나 특수 센서를 검토해야 한다. 인터페이스는 GigE가 중장거리 배선에 적합하고, USB3.0은 단거리 고대역폭에 적합하며, Camera Link와 CoaXPress는 고속 고해상도 시나리오를 겨냥한다. 선정 시 프레임 그래버와 케이블 비용을 과소평가하지 않았는지 확인해야 한다.
렌즈는 자주 간과되지만 이미징 경계를 직접 결정한다. 텔레센트릭 렌즈는 왜곡이 작아 정밀 치수 측정에 적합하고, FA 렌즈는 범용성이 높아 넓은 시야의 결함 검출에 적합하며, 고해상도 카메라는 해상력이 맞는 렌즈와 조합해야 픽셀이 낭비되지 않는다. 광원은 AI 비전의 '보이지 않는 알고리즘'이다. 링 라이트, 백라이트, 동축 조명, 바 라이트가 각기 다른 대비 문제를 해결하며, 스트로브 조광기는 고속 노광과 결합해 주변광 간섭을 억제할 수 있다.
연산 플랫폼 선택은 모델 복잡도와 라인 수에 달려 있다. 경량 단일 지점 검사는 엣지 컴퓨팅 박스로 충분하고, 다중 카메라, 다중 스테이션, 고프레임 레이트 영상 스트림 분석은 GPU 엣지 서버나 외장 그래픽 카드를 갖춘 산업용 PC가 필요하다. 비디오 스트림당 디코딩, 추론, 후처리에 소모되는 연산량을 명확히 계산해야 하며, 명목 TOPS 수치만 보면 안 된다.
3. 제조 현장의 대표 적용 시나리오
전자 공장에서 커넥터 외관을 검사한다고 하자. 불량은 핀 기울어짐, 플라스틱 버, 단자 긁힘이고 최소 결함은 약 0.05mm이며 라인 택트는 분당 300개다. 이 시나리오에는 500만~1200만 화소 에어리어 스캔 카메라에 텔레센트릭 렌즈, 글로벌 셔터, 백라이트와 동축 조명 조합, 엣지 컴퓨팅 박스에서의 로컬 추론, IO를 통한 직접 배출이 적합하다. 흔한 선정 실수는 움직이는 커넥터를 롤링 셔터로 촬영해 이미지 번짐으로 미검출이 생기는 것이다.
자동차 부품 기업의 브레이크 디스크 표면 검사를 보자. 공작물 직경이 크고 표면 반사가 균일하지 않으며 불량 유형이 많고 경계가 흐릿하다. 여기에는 확산 돔 조명을 갖춘 고다이내믹 레인지 카메라, 결함 면적으로부터 산출한 해상도, 분류 모델만이 아니라 분할 모델을 구동할 수 있는 연산 플랫폼이 필요하다. 일반 링 라이트를 쓰면 반사 영역이 실제 불량을 덮어버려 어떤 알고리즘 튜닝으로도 구제할 수 없다.
행동 인식 시나리오도 있다. 창고 기업이 지게차 운전자의 안전벨트 착용 여부와 무단 이탈 여부를 검출하려 한다. 이런 응용은 높은 해상도를 요구하지 않지만 현장 커버리지와 프레임 레이트가 필요하다. 광각 렌즈를 갖춘 200만 화소 네트워크 카메라와 경량 자세 추정 모델을 구동하는 엣지 박스로 충분하다. 핵심은 설치 각도와 조명 보상이지 픽셀을 더 쌓는 것이 아니다.
4. 선정 우선순위와 도입 조언
하드웨어보다 검사 대상을 먼저 정의해야 하며 순서를 바꿀 수 없다. 최소 결함 크기, 시야, 작업 거리, 라인 속도 네 가지 파라미터를 명확히 적고, 카메라 모델에서 역산하는 대신 공급사가 그에 맞춰 광학 설계를 하도록 해야 한다.
환경 평가를 건너뛰지 않는다. 분진, 습기, 유분 미스트, 전자기 간섭, 주변광 변화는 각각 카메라 보호 등급, 광원 형태, 케이블 선정에 영향을 준다. IP67 카메라라도 일반 렌즈에 보호 하우징이 없으면 렌즈 끝으로 습기가 들어온다.
연산 여유는 남기되 낭비하지 않는다. 모델 반복, 새 검사 항목, 다중 카메라 확장이 모두 연산을 소모하므로 현재 수요의 1.5배로 구성하는 것이 현실적이다. 동시에 소프트웨어 스택이 주류 딥러닝 프레임워크의 모델 배포를 지원하는지 확인해, 알고리즘 팀이 하드웨어에 맞춰 추론 코드를 다시 쓰지 않도록 해야 한다.
통신 프로토콜은 종단 간 연결되어야 한다. 카메라 트리거, 결과 출력, PLC 핸드셰이킹, MES 업로드까지, 통합 단계에서 게이트웨이를 추가하지 않도록 선정 단계에서 IO 모듈과 프로토콜 지원(Profinet, EtherCAT, Modbus TCP 등)을 확인한다.
ERP 시대부터 수십 년간 축적된 업계 경험, 즉 120만 고객, 누적 수천만 대 단말 배포, 국내외 시장 커버리지가 보여주는 것은 하나다. 하드웨어 선정의 함정은 보통 스펙 시트가 아니라 시나리오 정합과 시스템 통합 세부에 있다. 이런 시스템의 가치는 어느 단일 부품이 얼마나 강한지가 아니라, 카메라, 렌즈, 광원, 연산, 통신이 전 구간에서 같은 검사 목표로 정렬되는지에 있다.
5. 트렌드와 결론
첫째 방향은 엣지 스마트 카메라다. 추론이 카메라에 내장되어 산업용 PC와 프레임 그래버가 필요 없어지며, 포인트가 흩어지고 배선이 어려운 시나리오에 적합하다. 다만 연산과 모델 유연성에는 여전히 한계가 있어 단기간에 분리형 구조를 완전히 대체하지는 않는다.
둘째 방향은 다중 스펙트럼과 3D 비전의 융합이다. 2D 텍스처에 3D 포인트 클라우드를 더하면 반사, 가림, 높이 차이 검사처럼 2D가 어려워하는 불량 유형을 다룰 수 있고, 하드웨어 비용도 내려가 검토 대상에 포함할 만하다.
셋째 방향은 하드웨어와 모델의 공동 설계다. 카메라 파라미터, 광원 타이밍, 노광 전략을 더 이상 하드웨어 엔지니어가 단독으로 정하지 않고, 모델 입력 요구사항을 기준으로 알고리즘 팀과 함께 역산해 정의한다. 이런 협업은 라인 비전 프로젝트의 표준 관행이 되어갈 것이다.
한 문장으로 돌아가자. AI 비전 인식 시스템의 하드웨어 선정 핵심은 가장 비싼 카메라를 사는 것이 아니라 이미징 체인을 검사 작업에 맞추는 것이다. 명확한 시나리오, 계산된 파라미터, 이해된 환경이 하드웨어가 알고리즘 배포의 병목이 되지 않게 한다.