머신 비전 시스템에서는 카메라, 렌즈, 알고리즘이 길게 논의되는 반면 조명은 부차적인 '비추기' 단계로 여겨지곤 한다. 실제로 광원 설계는 이미지 신호대잡음비의 상한을 직접 결정하며, 과노광되거나 대비가 낮은 원본 이미지는 어떤 알고리즘도 구제하지 못한다. 전자, 자동차 부품, 리튬 배터리 등 산업의 실제 생산 라인에서 조명 선정이 잘못되어 발생하는 미검출과 오판은 적지 않은 비중을 차지한다.
1. 핵심 개념과 기술 정의
광원 설계는 검사 대상의 재질, 색상, 형상, 불량 특성에 맞춰 적절한 광원 종류, 파장, 조사 각도, 조명 방식을 선택해 목표 특징이 이미지에서 최대 그레이스케일 차이를 보이도록 하는 완전한 엔지니어링 방법이다. 여기에는 검증 가능한 여러 물리 요소가 관여한다. 광원 형태(링 라이트, 바 라이트, 동축 조명, 돔 조명, 백라이트, 포인트 조명), 발광 소자(주로 LED이며 일부 시나리오에서는 할로겐이나 레이저), 파장(가시광, 근적외, 자외), 제어 방식(연속, 스트로브, 동기 트리거)이다.
AI 비전 검사 맥락에서 광원 설계의 목표는 전통 비전과 조금 다르다. 전통 규칙 기반 알고리즘은 에지와 임계값에 의존해 조명이 안정적인 대비를 추구하는 반면, 딥러닝 모델은 텍스처와 미세한 차이에 더 민감하므로 조명이 불량 가시성과 배경 일관성을 함께 균형 있게 확보해야 학습 데이터셋과 생산 라인 이미지 사이의 분포 드리프트를 피할 수 있다.
2. 기술 원리와 핵심 능력
빛과 물질의 상호작용이 이미징 결과를 결정한다. 정반사성 금속 표면은 동축 조명이나 돔 조명으로 글레어를 억제하는 것이 적합하고, 난반사성 플라스틱 부품은 저각 바 라이트로 긁힘을 부각할 수 있으며, 투명 필름이나 유리의 결함 검사는 흔히 백라이트로 암시야 또는 명시야 대비를 만든다. 파장 선택도 중요하다. 청색광은 파장이 짧아 고해상도에 적합하고, 적색광은 투과력이 강해 유분 오염을 투과해 보기에 적합하며, 자외광은 형광을 여기해 접착제나 코팅 검사에 쓸 수 있고, 근적외는 표면을 투과해 내부 구조를 보는 데 자주 쓰인다.
스트로브와 카메라 동기화는 고속 라인 시나리오의 핵심 능력이다. 스트로브는 극히 짧은 시간에 높은 밝기를 내 모션 블러를 정지시키면서 LED의 열에 의한 광량 저하를 줄인다. 조광기의 타이밍 정밀도와 트리거 지연은 이미지 일관성에 직접 영향을 준다. 또 하나 자주 간과되는 능력은 조명 균일도와 각도 조정성이다. 같은 배치 공작물이라도 스테이션마다 반사 차이가 나므로 각도 조정 가능한 마운트와 영역별 조명으로 보상해야 한다.
3. 제조 현장의 대표 적용 시나리오
전자 공장이 커넥터 핀을 검사한다고 하자. 핀이 작고 밀집해 있으며 금 도금으로 반사가 강하다. 직접 링 조명은 하얗게 날아가 버리지만, 저각 바 라이트와 동축 조명의 조합으로 바꾸면 핀 윤곽과 누락 또는 휨 특징이 선명해진다. 자동차 부품 기업이 알루미늄 합금 다이캐스팅의 표면 기공과 균열을 검사하는 경우도 보자. 주조 표면이 거칠고 이형제 잔여물이 있어, 균일한 확산 조명을 주는 돔 조명이 기공과 텍스처 배경을 분리하고 근적외 파장이 유분 오염 간섭을 줄인다.
리튬 배터리 산업의 전극 코팅 검사도 대표적이다. 전극 표면은 검은 정도가 균일하지 않고 코팅 경계에 버가 있다. 백라이트와 라인 스캔 카메라로 폭과 에지 결함을 측정하고, 전면에 고주파 스트로브 바 라이트를 라인 스캔과 결합하면 코팅 긁힘과 흑점을 포착할 수 있다. 이런 시나리오는 광원 밝기 안정성과 방열 요구가 높다. 연속 생산 중 광량 저하를 잘 통제하지 못하면 모델의 오판률이 교대조마다 흔들린다.
4. 선정 우선순위와 도입 조언
불량 특징을 먼저 정의하고 그다음 광원을 고른다. 순서를 바꾸지 않는다. 샘플을 암실로 가져가 다각도 조명을 시도하고 실제 카메라 촬영으로 대비를 평가하는 것이 스펙 시트를 읽는 것보다 신뢰할 만하다. 파장 선택은 대상의 흡수 스펙트럼과 카메라 양자 효율의 정합을 우선해야 하며, 흑백 카메라에 단색광을 쓰는 편이 컬러 카메라에 백색광을 쓰는 것보다 대개 안정적이다. 고속 라인은 스트로브 동기 방식을 반드시 평가하고 트리거 지연과 밝기 상승 시간에 여유를 두어야 한다.
구현 단계에서는 광원 에이징과 열 드리프트 시험을 수행해 수 시간 연속 점등 후 이미지 그레이스케일 평균을 다시 측정한다. 광원 마운트의 강성과 반복 체결 구조는 쉽게 간과되며, 라인 진동에 의한 각도 드리프트는 숨은 고장 원인이다. 또한 조명 솔루션을 AI 모델의 학습 데이터 수집 규격에 포함시켜야 한다. 서로 다른 조명 조건의 샘플을 반드시 커버해 모델이 조명 아티팩트를 학습하지 않도록 해야 한다. ERP 시대부터 수십 년간 축적된 제조 IT 경험, 즉 120만 고객과 누적 수천만 대 단말 배포 실적도 보여주듯, 비전 스테이션의 안정성은 이런 기초 엔지니어링 세부를 얼마나 잘 표준화했는지에 달려 있는 경우가 많다.
5. 트렌드와 결론
첫째 방향은 프로그래머블 광원이다. 영역별로 밝기와 타이밍을 독립 제어하고 AI와 결합해 적응형 조명을 구현하며, 공작물 배치가 바뀌면 조명 모드를 자동으로 전환한다. 둘째는 조명과 알고리즘의 공동 최적화로, 광 파라미터를 모델 입력의 일부로 취급해 광량이 조금 저하되어도 검사 시스템이 강건하게 유지되도록 한다. 셋째는 단파장과 다중 스펙트럼 조명이 투명·반사 부품 검사로 확산되는 것이다. 자외와 근적외 소자 가격이 내려가면서 이 흐름은 더 빨라질 것이다.
광원 설계는 조연이 아니라 AI 비전 검사 이미징 체인의 첫 관문이다. 조명을 제대로 고르면 알고리즘이 성능을 낼 여지가 생기고, 잘못 고르면 가장 비싼 카메라도 예쁘지만 쓸모없는 사진만 찍게 된다.