산업용 카메라 해상도는 높을수록 좋은 것이 아니다. AI 검사가 얼마나 작은 불량까지 볼 수 있는지, 그리고 시스템이 충분히 빠르게 돌아 라인을 따라갈 수 있는지를 결정한다. AI 비전 검사 도입에서 해상도 선정은 가장 과소평가되기 쉽고 비용 낭비가 가장 많이 생기는 단계다.
1. 핵심 개념과 기술 정의
산업용 카메라 해상도는 센서의 유효 수광 픽셀 수를 말하며, 보통 '가로 픽셀 x 세로 픽셀'로 표기한다. 예를 들어 500만 화소는 2448 x 2048에 해당한다. 자주 혼동되는 또 다른 개념인 검사 정밀도와는 다르다. 해상도는 하드웨어 파라미터이고, 검사 정밀도는 '픽셀 하나가 나타내는 실제 물리 크기'로 mm/pixel 단위로 측정한다. AI가 불량을 검출할 수 있는지를 실제로 결정하는 것은 전체 픽셀 수가 아니라 정밀도다.
간단한 환산을 해보자. 시야 폭이 100mm이고 500만 화소 카메라(가로 약 2448픽셀)를 쓴다고 하면 단일 픽셀 정밀도는 약 0.04mm다. 2000만 화소 카메라(가로 약 5472픽셀)로 바꾸면 단일 픽셀 정밀도는 약 0.018mm가 된다. 불량이 이미지에서 1~2픽셀만 차지하면 AI 모델이 안정적인 특징을 학습하기 어렵고 검출률이 눈에 띄게 흔들린다.
2. 기술 원리와 핵심 능력
해상도는 세 가지 경로로 AI 검사에 영향을 준다.
첫째는 특징 판별력이다. AI 검사 모델은 분류, 객체 검출, 분할 네트워크 어느 것이든 본질적으로 픽셀 수준의 텍스처, 에지, 그레이스케일 차이를 추출한다. 긁힘, 오염, 미세 재료 부족 같은 불량이 이미징 후 1~2픽셀만 차지하면 합성곱 커널이 샘플링하는 정보가 부족해 학습 중 손실 함수가 높은 정확도로 수렴하기 어렵다. 업계 경험으로는 불량의 짧은 변이 최소 3~5픽셀을 덮어야 안정적인 인식 근거가 된다.
둘째는 시야와 해상도의 균형이다. 해상도를 높이면 시야를 줄이거나 정밀도를 높여야 하며 둘 다 가질 수는 없다. 자동차 부품 기업이 직경 80mm 플랜지 면을 검사하고 최소 불량이 0.05mm라고 하자. 5픽셀 커버리지를 기준으로 하면 단일 픽셀 정밀도는 0.01mm여야 하고 가로 최소 8000픽셀이 필요하므로 1000만 화소급 카메라부터 시작해야 한다. 500만 화소 카메라로 플랜지 면 전체를 억지로 촬영하면 정밀도가 부족해 어떤 AI도 만회하지 못한다.
셋째는 연산과 택트로 이어지는 연쇄 반응이다. 2000만 화소 컬러 이미지는 500만 화소 대비 단일 프레임 데이터량이 네 배다. AI 추론 시간, 이미지 전송 대역폭, 광원 안정성 요구가 모두 함께 올라간다. 라인 택트가 장당 300밀리초라면 고해상도 카메라에 대형 모델 추론을 더할 경우 라인 전체 효율을 쉽게 끌어내린다. 이 지점에서는 보통 '영역 분할 촬영과 다중 카메라 스티칭'과 '낮은 해상도와 최적화된 광학 배율' 사이에서 절충해야 한다.
3. 제조 현장의 대표 적용 시나리오
전자 공장이 커넥터 단자 외관을 검사한다. 불량은 단자 변형, 도금 긁힘, 부착 이물이다. 단자 폭은 0.3mm에 불과하고 긁힘 폭은 약 0.02mm다. 일반 500만 화소 카메라로 트레이 전체를 촬영하면 단일 픽셀 정밀도가 0.1mm여서 긁힘이 1픽셀도 차지하지 못하고, AI 모델은 학습 시 양성 샘플에서 거의 아무것도 배우지 못한다. 텔레센트릭 렌즈와 함께 1200만 화소로 바꾸면 단일 픽셀 정밀도가 0.02mm로 올라가 긁힘이 2~3픽셀을 덮고, 분할 네트워크와 함께 검출 안정성이 개선된다.
자동차 부품 기업이 알루미늄 합금 다이캐스팅의 표면 기공을 검사한다고 하자. 기공 직경은 0.1~0.3mm이고 시야는 200mm다. 불량을 최소 4픽셀로 덮으려면 단일 픽셀 정밀도가 0.025mm여야 하고 가로 8000픽셀, 즉 1000만 화소급이 필요하다. 이런 시나리오는 보통 전체를 고해상도로 잡지 않고 500만 화소 카메라 여러 대로 영역을 나눠 촬영해 정밀도를 보장하면서 단일 프레임 데이터량을 억제하고, AI 추론 부하를 스트림별로 분산해 택트를 더 잘 통제한다.
리튬 배터리 전극 코팅 공장이 전극 표면의 긁힘과 흑점을 검사한다고 하자. 웹 폭이 넓고 주행 속도가 빠르다. 초고해상도 라인 스캔 카메라로 전 라인을 커버하는 것은 비용과 데이터량 때문에 비현실적이다. 실무적 접근은 가로 해상도가 최소 불량 커버리지를 만족하는 라인 스캔 카메라를 쓰고, 세로 방향은 라인 레이트를 라인 속도에 맞추며, AI 모델이 라인 스캔 이미지에 대해 스트립 단위 추론을 수행하는 것이다. 여기서 해상도 선정의 핵심은 전체 픽셀 수가 아니라 가로 정밀도와 라인 레이트의 정합이다.
4. 선정 우선순위와 도입 조언
정밀도를 먼저 계산하고 그다음 해상도를 정한다. 최소 불량 크기를 요구 픽셀 커버리지로 나누어 단일 픽셀 정밀도를 얻고, 시야를 단일 픽셀 정밀도로 나누어 가로 픽셀 수를 도출한다. 이 단계를 제대로 하면 이후 우회가 크게 줄어든다.
광학을 무시하지 않는다. 해상도가 아무리 높아도 렌즈 해상력이 따라오지 못하고 조명이 고르지 않으면 이미지는 여전히 흐릿하다. 텔레센트릭 렌즈, 적절한 작업 거리, 안정적인 스트로브 조명이 픽셀만 쌓는 것보다 대개 더 나은 가치를 준다.
연산은 병행 평가해야 한다. 고해상도는 큰 이미지를 뜻하며 AI 추론 시간, 메모리 사용량, 전송 대역폭을 사전에 벤치마크해야 한다. 택트가 빠듯하면 카메라 한 대에 모든 것을 싣기보다 다중 카메라 영역 분할을 선호한다.
여유는 두되 과하지 않게. 계산된 정밀도에 20~30% 여유는 합리적이고, 그보다 훨씬 크게 잡으면 쓰지도 않을 픽셀에 연산과 비용을 지불하는 셈이다. ERP 시대부터 수십 년간 일해 온, 120만 고객과 누적 수천만 대 단말 배포 실적을 가진 솔루션 공급사는 보통 선정 단계에서 스펙 시트만 읽지 않고 실제 샘플로 이미징 검증을 수행한다.
5. 트렌드와 결론
한 방향은 '해상도와 AI의 공동 최적화'다. 점점 더 많은 솔루션이 전체 초고화소를 추구하지 않고 ROI 크롭, 다초점 융합, 초해상도 재구성으로 유효 픽셀을 필요한 곳에 쓰는 방식을 택한다.
또 다른 방향은 스마트 카메라와 엣지 연산의 하향화다. 카메라 단에서 전처리와 경량 추론을 수행해 고해상도 이미지를 원천에서 특징으로 압축하면 백엔드 부담이 줄어들며, 이는 높은 택트 라인에서 의미가 크다.
해상도는 AI 검사의 기초다. 그러나 높은 것이 항상 좋은 것은 아니다. 정밀도 요구를 계산하고 광학과 연산을 맞추며 시나리오별로 절충하는 것이 산업용 카메라를 고르는 올바른 방법이다.