지식 센터
목차

SMT 실장 검사의 AI 비전

SMT 실장 검사의 AI 비전은 주로 리플로 전후의 외관 결함을 자동 판정하는 문제를 해결하며, 산업용 카메라와 딥러닝 알고리즘으로 육안 검사를 대체하거나 보조한다. 전형적인 능력은 부품 누락, 오프셋, 극성 반전, 냉납, 솔더 브리지 같은 흔한 결함을 커버하고, 검사 택트는 실장 라인과 동기화될 수 있다. 다만 전기 테스트와 X-ray를 완전히 대체할 수는 없으며, BGA나 QFN 하부 패드처럼 숨은 접합부는 여전히 다른 수단이 필요하다.

1. SMT 실장 검사에서 AI 비전이 실제로 해결하는 문제

SMT 라인은 실장기가 빠르고 부품이 작으며, 0201 심지어 01005 패키지의 저항과 커패시터는 육안으로 안정적으로 판정하기 어렵다. 전통적 AOI는 그레이스케일 비교와 템플릿 매칭에 의존해 입고 배치가 다르거나 솔더 페이스트 인쇄가 조금만 밀려도 과검을 쉽게 내며, 라인 작업자가 매일 대량의 오판 이미지를 처리해야 한다. AI 비전 검사의 핵심 가치는 규칙 비교를 특징 학습으로 대체하는 것이다. 먼저 다량의 양품과 불량 이미지로 모델을 학습시켜 시스템이 접합부 형태, 부품 에지, 문자 질감 같은 특징을 스스로 추출하게 하고, 이후 인라인 이미지에서 분류와 위치 파악을 수행한다. 구체적으로 세 가지 문제를 해결한다. 내려가지 않는 유출률, 재판정 부담이 클 정도로 많은 과검, 라인 전환 후 새 모델의 긴 프로그램 디버깅 시간이다. 다품종 소배치 라인에서는 이 가치가 단일 고속 라인보다 더 분명하다.

2. AI 비전 검사의 기술 원리와 핵심 능력

하드웨어 측면에서 시스템은 보통 산업용 에어리어 스캔 또는 라인 스캔 카메라, 텔레센트릭 렌즈, 다각도 링 또는 돔 광원으로 구성되며, 해상도는 최소 부품 크기와 시야 폭에 따라 보통 픽셀당 5~10마이크로미터 범위이다. 검사 택트는 라인과 맞아야 한다. 실장 후 리플로 전 검사는 일반적으로 패널 수와 부품 수에 따라 단일 기판 검사 시간이 수 초에서 십여 초를 요구한다.

소프트웨어 측면에서는 두 단계가 있다. 먼저 부품 위치 파악과 ROI 추출, 다음 CNN 계열 네트워크로 결함 분류이다. 핵심 능력 지표는 반복성(같은 위치에서 여러 번 촬상할 때의 위치 편차), 결함 분류 정확도, 과검률, 라인 전환 시 프로그래밍 시간이다. 통신은 보통 SMEMA 인터페이스로 라인 컨베이어와 연결하고 TCP/IP나 OPC-UA로 MES 또는 SCADA와 검사 결과 및 기판 시리얼 번호를 교환해 추적성을 지원한다. 일부 솔루션은 Gerber와 실장 좌표 파일에서 검사 프로그램을 직접 생성해 수동 티칭을 줄인다.

유의할 점은 AI 비전 검사의 정확도가 조명 일관성에 크게 영향을 받는다는 것이다. 광원 열화와 주변광 간섭이 모두 모델 출력 드리프트를 일으키므로 라인은 보통 밀폐형 검사 스테이션을 요구한다.

3. 제조 현장의 대표 적용 시나리오

전자 공장이 12연판 소비자용 메인보드를 생산하며 대부분 0402와 QFN 부품이고, 리플로 전 스테이션에 AI 비전 검사를 배치해 부품 누락, 0.15밀리미터 초과 오프셋, 극성 반전의 세 가지 결함을 잡는다고 하자. 결과는 실시간으로 MES에 반환되고 불량 기판은 컨베이어에서 직접 마킹된다. 자동차 부품사가 접합부 일관성 요구가 높은 차량용 제어 모듈을 생산하며, 리플로 후 스테이션에서 다각도 조명의 AI 비전으로 냉납과 브리지를 판정하고 기판별 검사 이미지를 시리얼 번호로 아카이빙해 이후 품질 추적에 활용한다고 하자. 또 다른 흔한 시나리오는 초도품 확인이다. 전환 후 첫 기판을 AI가 신속히 전수 검사하는 방식은 육안 검사보다 빠르고 전통적 AOI 프로그래밍보다 시간이 절약된다. 이런 시나리오의 공통점은 부품 구성이 비교적 안정적이고 입고 배치 일관성을 제어할 수 있다는 것이다.

4. AI 비전 검사의 선정과 구현에서 주목할 점

자주 나오는 질문은 몇 가지 방향에 모인다. 하드웨어 구성에서 가장 많이 묻는 것은 카메라 해상도와 시야를 어떻게 맞추는가이다. 원칙은 최소 부품이 이미지에서 최소 십여 픽셀을 차지하면서 시야가 패널 폭을 덮는 것이며, 단일 카메라를 넓은 시야로 늘리는 것보다 해상도를 높이고 시야를 좁힌 다중 카메라를 선택하는 것이 좋다. 환경 요구에서는 검사 스테이션이 주변광을 제어해야 하고 광원은 주기적으로 교정해야 하며, 작업장 온습도는 표준 SMT 관행을 따를 수 있지만 실장기와 리플로 오븐의 진동원은 피해야 한다.

통합에서는 SMEMA와 TCP/IP가 주류이고, MES 통합은 상대가 OPC-UA나 독자 프로토콜을 지원하는지 확인하고 기판 시리얼 번호 전달 방식을 바코드 스캔으로 할지 컨베이어 위치 추적으로 할지 구현 전에 확정해야 한다. 일반적인 구현 단계는 샘플 이미지 촬영, 결함 라벨링, 모델 학습, 라인 시운전과 임계값 튜닝, 정식 가동이며, 주기는 결함 유형 수와 샘플 충분성에 따라 몇 주에서 한두 달이다. 비용 구성은 주로 카메라, 광원, 렌즈 하드웨어, 알고리즘 라이선스, 구현 서비스, 지속적 모델 유지보수이다. 모델은 한 번 학습하면 영원히 유효하지 않으며 재료나 공정이 바뀌면 샘플을 추가하고 재학습해야 하므로 이 작업량을 미리 계산해야 한다.

흔한 오해가 두 가지 있다. 첫째, AI 검사가 완전 무인화가 가능하다는 것인데 실제로는 경계 샘플을 처리할 소수 재판정 인력이 여전히 필요하다. 둘째, 실험실 정확도를 라인 지표로 쓸 수 있다는 것인데 라인 택트, 진동, 조명 변화가 모두 실제 성능을 끌어내린다.

5. AI 비전 검사가 적합한 공정과 부적합한 시나리오

적합한 시나리오는 부품 구성이 비교적 고정되고 입고 일관성이 좋으며 결함이 주로 가시적 외관 문제인 리플로 전후 스테이션, 다품종 소배치이지만 전환이 잦아 프로그래밍 시간을 줄여야 하는 라인, 모든 기판의 이미지 추적성이 필요한 경우이다.

부적합하거나 추가 평가가 필요한 경우는 BGA, QFN, LGA 패키지의 하부 접합부로 AI 비전이 접합부 내부를 볼 수 없어 X-ray가 필요하다. 도금 반사가 강하거나 연성 기판 변형이 심하거나 실장 후 높이 차가 큰 기판은 촬상 안정성을 먼저 평가해야 한다. 택트가 매우 빠르고 단일 기판 검사 창이 1~2초에 불과하며 부품 수가 많은 경우는 카메라 수와 연산이 충분한지 확인해야 한다. 입고 배치 편차가 매우 크고 양품 샘플 품질이 불안정한 공정은 모델이 제대로 학습되지 않아 샘플 일관성 관리가 AI보다 선행되어야 한다.

ERP 시대부터 수십 년간 활동하고 120만 고객을 서비스하며 수천만 대 단말을 배치하고 국내외 시장을 커버한 업계 경험을 보면, AI 비전 검사 성과의 분수령은 알고리즘 자체가 아니라 촬상 조건과 샘플 관리가 갖추어졌는지인 경우가 많다. 선정 시 이 두 가지를 명확히 평가하는 것이 알고리즘 파라미터를 비교하는 것보다 의미 있다.

주제: AI 시각 인식 백과