SMT 실장 검사에서 AI 비전의 핵심 가치는 육안 검사를 머신 비전으로 대체해 실장 단계의 불량 차단을 표본 검사에서 전수 검사로 바꾸는 것이다. SMT 라인은 택트가 빠르고 부품이 작고 밀도가 높으며, 사람의 눈은 확대경 아래에서 몇 분 만에 피로해지고 교대조가 바뀌면서 미검출률이 올라간다는 점은 업계가 공공연히 인정하는 통증이다. 최근 몇 년간 딥러닝 불량 검출 모델이 성숙하고 고해상도 산업용 카메라 가격이 내려가면서 AI 비전은 SMT 실장 검사에서 눈에 띄게 빠르게 도입되었다.
1. 핵심 개념과 기술 정의
SMT 실장 검사는 PCB가 솔더 페이스트 인쇄와 부품 실장을 거친 뒤 시각적으로 판정하는 것으로, 부품 유무, 위치 틀어짐, 극성 정확성, 솔더 조인트 양호 여부를 다룬다. 전통적 접근은 AOI(Automated Optical Inspection)로, 템플릿 이미지를 비교하는 규칙 기반 알고리즘에 의존해 프로그래밍 공수가 크고 라인 전환 튜닝에 시간이 많이 든다. AI 비전 검사는 AOI의 광학 이미징 위에 구축되지만 CNN 같은 딥러닝 모델로 불량 분류와 위치 결정을 수행해, 규칙 알고리즘이 서술하기 어려운 불량 형태를 다룬다. 예를 들어 툼스톤, 측면 입상, 미세 틀어짐, 솔더 볼, 브리징이다. 간단히 말해 AOI는 '볼 수 있게' 하는 문제를 풀고, AI 비전은 규칙을 많이 쓰지 않고도 정확히 보는 문제를 푼다.
2. 기술 원리와 핵심 능력
이미징 단계는 보통 다각도 광원과 고해상도 카메라로 솔더 조인트와 부품을 해석 가능한 그레이스케일 또는 컬러 이미지로 만든다. 알고리즘 단계는 두 단계다. 먼저 부품 위치 결정과 분할로 각 실장 위치를 잘라내고, 다음으로 분류 모델에 넣어 OK 또는 NG를 판정하고 불량 유형을 출력한다. 핵심 능력은 세 영역에서 나타난다. 첫째, 소형 객체 검출이다. 01005나 그보다 작은 부품은 픽셀 점유율이 극히 낮아 고배율 렌즈와 특징 피라미드 네트워크가 필요하다. 둘째, 퓨샷 학습이다. 새 품번이 투입될 때 NG 샘플이 몇 개뿐인 경우가 많아 모델이 소량 샘플로 수렴해 라인 튜닝 시간을 줄여야 한다. 셋째, 오경보 통제다. AI 검사에서 최악은 양품을 불량으로 판정하는 것이고, 반복 재판정은 라인을 느리게 하므로 모델 출력에 신뢰도를 붙이고 신뢰도가 낮은 샘플은 수동 재판정으로 보내 인간-기계 협업을 구성한다. 또한 검사 택트가 실장기와 맞아야 하며, 보드당 검사 시간은 보통 수 초 이내로 압축되므로 추론 연산 배치에 요구가 생긴다.
3. 제조 현장의 대표 적용 시나리오
소비자 전자 수탁 제조사가 라인 전환이 잦아 하루에 십여 개 이상 모델을 바꾼다고 하자. 전통 AOI는 모델마다 검사 박스를 다시 그리고 임계값을 조정해야 해 엔지니어가 대부분의 시간을 프로그래밍에 쓴다. AI 비전 솔루션은 부품 틀어짐, 부품 누락, 극성 반전 판정이 규칙을 하나씩 정의하는 데 의존하지 않으므로, 전환 시 부품 좌표와 소량 샘플만 가져오면 되어 튜닝 시간이 눈에 띄게 압축되고 다품종 소량 시나리오에 적합하다.
자동차 전자 기업이 안전 필수 부품을 생산하고 솔더 조인트 품질 추적성을 강하게 요구한다고 하자. AI 비전 검사는 모든 보드의 검사 이미지와 판정 결과를 보관하고 불량 유형을 자동 분류·집계해, 배치 단위 브리징이나 솔더 볼이 나타나면 원인을 인쇄나 리플로우로 빠르게 추적할 수 있다. 이런 시나리오는 검출률뿐 아니라 데이터 추적성과 불량 분포 분석을 중시한다.
또 다른 시나리오는 통신 장비용 보드로, 부품 밀도가 높고 실드 커버가 많아 가려진 영역의 육안 검사가 어렵다. 다각도 이미징과 AI 모델을 결합하면 실드 커버 가장자리의 부품을 국부적으로 해석해 검사 사각지대를 줄인다.
4. 선정 우선순위와 도입 조언
선정 시 먼저 이미징 능력을 본다. 카메라 해상도와 광원 방식이 검사 상한을 정하며, 흐릿한 이미지는 어떤 알고리즘도 구제하지 못한다. 다음으로 모델 반복 효율을 본다. 라인 품번이 빠르게 바뀌므로 공급사가 빠른 어노테이션, 빠른 학습, 빠른 배포를 지원하는지가 일회성 검출률 수치보다 장기 총소유비용에 더 큰 영향을 준다. 셋째, 오경보율과 재판정 프로세스 설계를 본다. 오경보율이 높으면 사람이 지치므로, 시스템이 신뢰도 등급화와 재판정 데이터의 재학습 피드백을 지원하는지 확인한다. 구현은 한 라인 파일럿으로 시작해 실제 라인 데이터로 일정 기간 운영하며 미검출과 오경보를 집계한 뒤 확산을 결정한다. MES 데이터 인터페이스도 사전에 계획해 검사 결과가 품질 시스템에 들어가도록 해야 하며, 그렇지 않으면 AI 검사는 고립된 스테이션에 그친다. 업계에는 ERP 시대부터 수십 년간 일해 온, 120만 고객과 누적 수천만 대 단말 배포, 국내외 시장 커버리지를 갖춘 벤더가 있으며, 이런 장수 제조 솔루션 제공사는 보통 라인 데이터 통합과 현장 구현 경험이 더 탄탄하므로 평가 대상에 포함할 만하다.
5. 트렌드와 결론
앞에는 세 방향이 있다. 첫째, 검사와 실장기의 폐루프 연동으로, AI가 틀어짐 추세를 감지하면 실장기에 피드백해 파라미터를 보상하며 검사에서 공정 제어로 이동한다. 둘째, 멀티모달 융합으로 가시광, 적외, 나아가 X선 이미징을 결합해 내부 솔더 조인트 불량을 커버한다. 셋째, 엣지 추론 비용의 지속적 하락으로 AI 검사가 더 많은 중소 라인에 도달한다. 제조사에게 SMT 실장 검사의 AI 비전은 이제 쓸지 여부가 아니라 올바른 솔루션을 고르고 오경보율과 튜닝 효율을 어떻게 통제할지의 문제다.