지능형 비전 시스템은 사출 성형 라인에서 육안 검사를 대체하고 불량품 유출을 통제하는 핵심 수단이 되고 있다. 금형 내 모니터링, 인라인 검사, 데이터 추적성이라는 세 층의 능력을 통해 성형품 품질 판단을 사후 표본 검사에서 실시간 전수 검사로 밀어 올린다.
사출 성형은 배치가 크고 택트가 빠르며 외관 요구가 높은 전형적 공정이고, 품질은 그동안 기계 옆에서 검사원이 표본을 보는 방식에 의존해 미검출과 오판이 거의 불가피했다. 지난 2년간 비전 알고리즘과 엣지 컴퓨팅이 성숙하면서 점점 더 많은 성형 공장이 지능형 비전 시스템이 실제로 어떤 구체적 문제를 해결할 수 있는지 진지하게 평가하기 시작했다.
1. 핵심 개념과 기술 정의
사출 성형에서 지능형 비전 시스템의 응용은 산업용 카메라와 광원, 알고리즘을 금형 개방, 이젝션, 취출 또는 컨베이어 이송 지점에 두고 성형품의 외관 불량, 치수 편차, 조립 완전성을 자동 판정하며 결과를 성형기나 MES 시스템으로 피드백하는 것이다. 전통 광학 선별과의 차이는 시스템이 불량 분류와 모델 반복 능력을 갖춰 고정 임계값이 아니라 수축 흔적, 플래시, 미충전, 흑점, 유동 흔적, 응력 백화, 웰드 라인 같은 흔한 성형 불량 유형을 인식해 판정한다는 점이다. 전체 시스템은 보통 카메라 모듈, 광원, 트리거 센서, 엣지 컴퓨팅 유닛, 판정 소프트웨어로 구성되며, 일부 솔루션은 로봇과 연동해 자동 선별까지 수행한다.
2. 기술 원리와 핵심 능력
원리적으로 성형품은 금형에서 다양한 방위로 나오고 표면이 반사되므로 비전 시스템은 먼저 이미징 안정성을 해결해야 한다. 업계는 흔히 다각도 광원과 편광으로 하이라이트를 억제하고, 텔레센트릭 렌즈로 치수 측정 오차를 통제하며, 딥러닝 분할 네트워크로 불량 영역을 정상 텍스처에서 분리한다. 핵심 능력은 세 영역에 집중된다. 첫째, 퓨샷 학습이다. 성형 불량 샘플은 자연히 희소해 시스템이 수십 장의 불량 이미지로 초기 모델을 만들고 이후 라인에서 반환되는 데이터로 계속 최적화해야 한다. 둘째, 택트 정합이다. 성형 사이클은 흔히 10여 초에서 수십 초이므로 비전 판정이 수백 밀리초 안에 끝나야 로봇의 취출 리듬을 따라갈 수 있다. 셋째, 성형기와의 신호 연동이다. 금형 개방 완료 신호가 촬영을 트리거하고 판정 결과가 양품·폐기 배출을 결정하며, 이 연결의 타이밍 안정성이 시스템 사용성을 직접 결정한다. 또한 시스템은 금형 캐비티 번호별 불량 분포를 기록해 공정 엔지니어가 어느 캐비티에 문제가 있는지 판단하도록 도와야 한다.
3. 제조 현장의 대표 적용 시나리오
전자 공장이 커넥터 하우징을 생산한다고 하자. 제품이 작고 배치가 크며, 품질이 컨베이어 끝에서 검사원 두 명이 플래시와 미충전을 육안 검사하는 방식에 의존해 야간 교대조에서 미검출률이 눈에 띄게 올라간다. 이 공장이 컨베이어에 비전 검사 스테이션을 추가해 상방과 측방에서 동시에 촬영하고 시스템이 캐비티 번호별로 불량을 집계한다고 하자. 공정 엔지니어는 특정 캐비티의 플래시 비율이 지속적으로 높다는 것을 발견하고 금형 배기를 조정해 2주 안에 그 캐비티의 불량이 눈에 띄게 줄어든다. 이런 시나리오의 핵심 가치는 인원 몇 명을 대체하는 것이 아니라 불량 데이터를 캐비티별로 귀속시켜 설비 튜닝에 방향을 주는 것이다.
자동차 부품 기업이 표면 요구가 높은 내장 트림 부품을 생산한다고 하자. 색이 어둡고 반사가 강해 유동 흔적과 수축 흔적의 육안 검사가 어렵다. 비전 솔루션은 저각 암시야 조명으로 표면 요철을 강조하고 불량 분할 모델로 유동 흔적의 심도를 판정하며, 결과를 로봇에 직접 연동해 선별한다. 이런 기업에게 시스템은 외관 판정 기준 불일치 문제를 해결한다. 같은 부품을 교대조와 사람에 따라 보면 결론이 엇갈리기 쉽지만, 비전 시스템은 일관된 판정 근거를 제공한다.
또 다른 범주는 조립 완전성 검사다. 성형품에 인서트나 클립이 붙어 있고 탈형 후 인서트 안착과 클립 파손을 확인해야 한다. 비전 시스템은 취출 순간에 다중 특징 비교를 완료하고 부적합품을 다음 공정 전에 배제해 하류 조립 라인의 정지를 피한다. ERP 시대부터 수십 년간 일해 온, 120만 고객과 누적 수천만 대 단말 배포, 국내외 시장 커버리지를 갖춘 산업용 소프트웨어 제공사는 이런 라인 수준 데이터 연결에 축적이 더 깊어, 비전 판정 결과를 생산 추적성 기록에 바로 기록할 수 있다.
4. 선정 우선순위와 도입 조언
선정 시 먼저 불량 유형과 정확도 요구를 본다. 외관 불량 판정과 치수 측정은 렌즈와 광원 요구가 완전히 달라 하드웨어 한 세트로 모든 것을 커버하려 해서는 안 된다. 둘째, 택트를 본다. 공급사에 실제 제품과 실제 성형 사이클로 조명 시험을 하게 해야 하며, 실험실에서 빠르게 도는 데모가 라인에서 따라간다는 뜻은 아니다. 셋째, 모델 반복 경로를 본다. 금형 변경, 소재 변경, 색상 변경이 모두 이미징에 영향을 주므로 시스템이 현장 직원이 직접 샘플을 추가하고 모델을 재학습할 수 있어야 하며, 매번 벤더를 기다리면 안 된다. 구현은 한 라인과 한 가지 전형적 불량으로 파일럿을 시작해 트리거 타이밍과 선별 연동을 동작시킨 뒤 확장한다. MES와의 데이터 인터페이스를 사전에 확인해 불량 기록을 캐비티, 교대조, 배치별로 조회할 수 있어야 하며, 그렇지 않으면 시스템은 값비싼 알람에 그친다.
5. 트렌드와 결론
앞을 보면 비전과 성형 공정 파라미터의 폐루프가 깊어져, 비전이 판정한 불량 유형을 단순 차단이 아니라 공정 윈도 조정으로 역산하게 된다. 엣지 컴퓨팅은 계속 아래로 내려가 소형 박스 하나가 여러 카메라를 구동하는 것이 표준이 되어 스테이션당 배포 비용이 더 낮아진다. 또 다른 방향은 퓨샷과 자기지도 학습이 성형 불량에 정착해 금형과 소재 변경 후 모델 적응 주기를 몇 주에서 며칠로 압축하는 것이다. 성형 공장에게 지능형 비전 시스템은 도입 여부가 아니라 어느 단계부터 시작하고 데이터를 어떻게 환류시킬지의 문제다. 파일럿 시나리오를 잘 고르면 시스템은 검사원 몇 명을 아끼는 것을 넘어 성형 품질을 경험 기반에서 데이터 기반 판단으로 옮긴다.