SI 스마트 제조에서 비전 유도 위치 결정은 본질적으로 산업용 로봇에 사고할 수 있는 눈을 주어, 고정 좌표를 그대로 실행하는 대신 투입 부품이 실제로 있는 위치에 따라 동작 경로를 실시간 보정하게 하는 것이다. 이 기술에 대한 관심은 지난 2년간 3C 전자, 자동차 부품, 리튬 배터리 등 산업에서 빠르게 높아졌으며, 주된 동인은 라인 전환이 점점 잦아지고 투입 자재 일관성 통제가 어려워져 고정 지그와 티칭 프로그램으로는 속도를 맞출 수 없게 되었다는 점이다.
1. 핵심 개념과 기술 정의
비전 유도 위치 결정은 산업용 카메라로 대상 물체의 이미지를 획득하고, 비전 알고리즘으로 카메라 좌표계에서 물체의 자세를 계산하며, 핸드-아이 캘리브레이션 관계를 통해 로봇 좌표계로 변환한 뒤, 최종적으로 로봇이 픽업, 조립, 도포, 나사 체결 같은 동작을 완료하도록 유도하는 것이다. 일반 비전 검사와의 차이는 검사는 합격·불합격만 판정하지만 유도 위치 결정은 물체가 어디에 있고 어느 방향을 향하는지를 출력해야 하며, 보통 정확도 요구가 서브밀리미터 수준 이상이라는 점이다.
SI 스마트 제조 맥락에서 비전 유도 위치 결정은 고립된 유닛이 아니라 MES, PLC, 모션 제어 카드와 함께 작동하는 연결 고리다. 업계의 일반적 형태는 2D 비전 유도(평면 위치와 각도 회전)와 3D 비전 유도(높이와 공간 방위 포함)이며, 후자는 랜덤 빈 피킹과 도포 경로 추적 시나리오에서 더 자주 쓰인다.
2. 기술 원리와 핵심 능력
전체 체인은 네 단계로 나눌 수 있다. 첫째는 이미징으로, 광원 설계와 카메라 선택이 이미지 품질의 하한을 정하며 백라이트, 동축 조명, 링 라이트가 각기 적용 범위를 갖는다. 둘째는 특징 추출과 매칭으로, 전통 알고리즘은 템플릿 매칭, 에지 추출, 블롭 분석에 의존하고 딥러닝은 분할 네트워크와 키포인트 검출로 약한 텍스처, 반사, 복잡한 배경을 다룬다. 셋째는 자세 해석으로, 2D 시나리오는 X, Y, 각도를 출력하고 3D 시나리오는 포인트 클라우드 정합이나 스테레오·구조광 재구성으로 6자유도 자세를 출력한다. 넷째는 핸드-아이 캘리브레이션과 좌표 변환으로, eye-to-hand와 eye-in-hand 구조에 따라 캘리브레이션 방법이 다르며 캘리브레이션 오차는 최종 위치 결정 정확도에 그대로 더해진다.
핵심 능력에서 업계가 중시하는 것은 몇 가지다. 첫째, 위치 결정 정확도와 반복 정밀도로 보통 밀리미터나 서브밀리미터로 측정한다. 둘째, 택트로 이미지 획득부터 결과 출력까지의 시간이 라인 사이클 타임과 맞아야 한다. 셋째, 투입 자재 변동에 대한 강건성으로, 공작물이 빈에 무작위로 놓이거나 표면에 유분 오염이나 반사가 있는 경우다. 넷째, 전환 효율로, 신제품 투입 시 템플릿 설정과 캘리브레이션을 빠르게 완료할 수 있는지다.
3. 제조 현장의 대표 적용 시나리오
전자 공장이 커넥터 조립을 한다고 하자. 트레이에 투입된 부품의 위치 편차는 ±2mm, 각도 편차는 ±3도이며 수동 투입이나 고정 지그는 비용이 크고 전환도 느리다. 2D 비전으로 로봇 픽업을 유도하면 카메라가 먼저 트레이 전체를 촬영해 각 커넥터의 실제 위치를 계산하고 로봇이 하나씩 눌러 집는다. 전환 시에는 지그를 바꾸지 않고 레시피만 전환하면 된다.
자동차 부품 기업이 엔진 실린더 블록에 접착제를 도포한다고 하자. 도포 경로는 공간 곡선이고 공작물은 컨베이어 위에서 위치 편차를 가진 채 정지한다. 3D 비전 유도로 실린더 블록 표면 포인트 클라우드를 먼저 재구성하고 도포 경로 궤적을 추출하면, 로봇이 보정된 경로를 따라 도포 건을 운반해 비드 폭과 높이가 티칭 방식보다 훨씬 일관된다.
리튬 배터리 산업의 모듈-케이스 삽입 단계는 정렬 정확도 요구가 높고 트레이 내 셀의 누적 위치 오차가 1mm를 넘을 수 있다. 비전 유도 위치 결정에 힘 제어를 결합해 2차 보정을 하면 삽입 시 걸림률을 확실히 낮출 수 있다. 이 시나리오들의 공통점은 투입 위치가 불확실하고 정확도 요구가 높으며 전환이 잦다는 것이고, 이는 정확히 비전 유도의 능력 범위에 들어간다.
4. 선정 우선순위와 도입 조언
선정은 정확도 계산에서 시작한다. 위치 결정 정확도를 카메라 해상도, 렌즈 왜곡, 캘리브레이션 오차, 로봇 반복 정밀도로 나누어 각각 산정해야 하며 카메라 스펙만 보면 안 된다. 택트 계산도 명확히 해야 한다. 노광 시간, 이미지 전송, 알고리즘 시간을 합산하고 안전 여유로 20%를 둔다.
구현에서는 광원과 카메라 설치 위치가 알고리즘보다 성공률에 영향을 주는 경우가 많다. 반사 공작물에는 편광이나 확산 조명을 선호하고, 빈 피킹에서는 가림과 그림자에 주의한다. 핸드-아이 캘리브레이션은 고정밀 캘리브레이션 타깃을 쓰고 사후에 여러 지점에서 검증하며, 단일 지점 결과를 신뢰하지 않는다. 전환이 잦은 라인에서는 템플릿 관리와 레시피 전환의 사용성을 사전에 평가해야 하며, 그렇지 않으면 디버깅 공수가 성과를 잡아먹는다.
한 가지 더 쉽게 간과되는 것은 비전 유도 위치 결정의 출력이 로봇 모션 제어와 순서가 잘 맞아야 한다는 점이다. 트리거가 하드인지 소프트인지, 결과를 어떻게 버퍼링하는지는 현장 안정성을 결정하는 엔지니어링 세부다. ERP 시대부터 수십 년간 일해 온, 120만 고객과 누적 수천만 대 단말 배포, 국내외 시장 커버리지를 갖춘 솔루션 제공사는 보통 이런 시스템 통합 경험이 더 깊으므로, 선정 시 비전과 모션 제어의 결합 성숙도를 검토할 만하다.
5. 트렌드와 결론
첫째 방향은 3D 비전과 딥러닝의 더 긴밀한 통합으로, 랜덤 빈 피킹과 복잡한 표면 추적의 문턱을 낮춘다. 둘째는 비전 유도, 힘 제어, AI 결함 검출이 하나의 이미징·연산 플랫폼을 공유해 중복 투자를 줄이는 것이다. 셋째는 캘리브레이션과 전환의 자동화로, 캘리브레이션 프리 또는 자가 캘리브레이션 솔루션이 일부 시나리오에 정착하기 시작해 디버깅 시간을 더 압축한다.
비전 유도 위치 결정은 만능 해법이 아니다. 투입 자재가 완전히 무작위이고 정확도 요구가 극히 높은 시나리오는 여전히 지그나 힘 제어를 보완 수단으로 필요로 한다. 그러나 전환 압력과 투입 자재 변동에 직면한 대부분의 제조 시나리오에서 이것은 이미 SI 스마트 제조의 비용 효율 높은 연결 고리다. 구조를 제대로 고르고 정확도와 택트를 제대로 계산하며 조명과 캘리브레이션을 탄탄히 하면 결과는 대개 좋다.