AI 비전 검사에서 엣지 컴퓨팅의 배포 방식은 추론을 클라우드에서 생산 라인 옆 엣지 노드로 내리는 것을 중심으로 합니다. 로컬 연산으로 이미지 전처리, 모델 추론, 결과 출력을 수행하고 필요한 경우에만 구조화된 데이터를 클라우드로 반환합니다. 직접적인 이점은 검출 응답 시간이 밀리초 수준으로 단축되고, 대역폭 사용량이 크게 줄며, 네트워크가 끊겨도 라인 운영이 계속된다는 것입니다. 다음 내용은 개념 정의, 기술 원리, 적용 시나리오, 실행 포인트, 적용 경계의 다섯 부분으로 구성됩니다.
1. 엣지 컴퓨팅은 AI 비전에서 실제로 어떤 문제를 해결하는가?
전통적인 클라우드 AI 비전 체인은 카메라가 이미지를 촬영하고 클라우드로 업로드하고 클라우드가 추론하고 결과를 반환하는 구조입니다. 전체 체인이 네트워크 지터의 영향을 크게 받아 단일 왕복이 수백 밀리초에 달하는 경우가 많아 고속 라인에는 불리합니다. 엣지 컴퓨팅은 추론 단계를 카메라에 가까운 산업용 PC나 엣지 박스로 옮겨 세 가지를 해결합니다. 첫째는 실시간성으로 로컬 추론 지연을 보통 수십 밀리초 이내로 유지할 수 있습니다. 둘째는 대역폭으로, HD 산업용 카메라 한 대가 초당 매우 방대한 원본 이미지 데이터를 생성하므로 이를 모두 클라우드로 보내는 것은 비용이 큽니다. 따라서 엣지는 판정 결과와 예외 이미지만 업로드합니다. 셋째는 가용성으로, 네트워크가 끊겨도 로컬 검사는 멈추지 않으며 이는 연속 생산을 요구하는 제조 환경과 부합합니다. 간단히 말해 엣지 컴퓨팅은 클라우드를 대체하는 것이 아니라 빨라야 하는 부분은 로컬에 두고 집계와 분석이 필요한 부분은 클라우드에 맡기는 것입니다.
2. 기술 원리와 핵심 역량은 무엇인가?
전형적인 엣지 AI 비전 아키텍처는 세 계층으로 구성됩니다. 획득 계층은 GigE Vision 또는 USB3 Vision 산업용 카메라와 조명, 렌즈를 사용합니다. 엣지 추론 계층은 GPU 또는 NPU를 갖춘 엣지 컴퓨팅 장치에서 실행되며, 일반적으로 외장 그래픽 카드를 장착한 산업용 PC, 임베디드 AI 박스, AI 가속이 가능한 IPC 등입니다. 플랫폼 계층은 모델 관리, 데이터 어노테이션 피드백, 원격 운영과 유지보수를 담당합니다.
핵심 역량은 몇 가지 강한 지표로 요약됩니다. 추론 지연은 로컬 엣지 폐루프에서 일반적으로 20~100 ms를 달성할 수 있으며 모델 복잡도와 하드웨어 연산 성능에 따라 달라집니다. 검출 정확도는 분류 작업의 경우 99% 이상의 정확도를 달성할 수 있고, 결함 세그멘테이션 정확도는 어노테이션 품질과 모델 선택에 좌우되며 보통 mAP 또는 IoU로 측정합니다. 해상도는 사이클 타임과 매칭되어야 합니다. 예를 들어 SMT 실장 검사는 밀리초 수준의 사이클 타임으로 운용되는 경우가 많아 고프레임 카메라와 경량 모델의 조합이 필요합니다. 프로토콜 통합 측면에서 엣지 노드는 보통 OPC-UA, Modbus TCP 또는 Profinet으로 PLC와 통신하고 MQTT 또는 HTTP로 MES나 SCADA와 통신하며, OK와 NG 신호, 결함 유형, 이미지 경로를 데이터베이스에 기록합니다. 일반적인 모델 배포 형식은 ONNX와 TensorRT로, 엣지에서 양자화와 압축을 지원하여 FP32를 INT8로 변환해 처리량을 높입니다.
3. 어떤 제조 공정이 엣지 AI 비전에 적합한가
전자 공장이 리플로 이후 테스트 이전 스테이션에서 PCBA 외관 검사를 수행하며 부품 틀어짐, 냉납, 이물을 검출해야 하는 경우를 가정해 봅시다. 이런 스테이션은 사이클 타임이 빠르고 불량 샘플이 적습니다. 조명을 고정한 상태에서 엣지에 경량 세그멘테이션 모델을 배포하면 단일 기판 검사를 수백 밀리초 이내로 유지할 수 있고, NG 이미지는 로컬에 보관하고 OK 데이터는 클라우드로 집계해 SPC 분석에 활용할 수 있습니다.
자동차 부품 기업이 가공 부품의 치수와 표면 결함을 검사하며 공작물의 반사가 심하고 품종이 많은 경우를 가정해 봅시다. 엣지 노드는 여러 모델을 전환할 수 있어 작업 지시 번호로 해당 모델을 로드하고, 검사 결과를 OPC-UA로 라인 PLC에 직접 기록해 선별에 사용할 수 있습니다. 현장 네트워크가 복잡하기 때문에 단선 시 엣지 측의 저장 후 전송(store-and-forward) 기능이 이런 시나리오에서 특히 가치가 있습니다.
또 다른 유형은 조립 포카요케(poka-yoke)로, 예를 들어 와이어 하네스 연결과 나사 체결 순서의 검증입니다. 엣지 AI 비전과 동작 인식을 결합하면 작업자의 동작이 SOP를 따르는지 판정하고 실시간으로 안내할 수 있습니다. 이런 시나리오는 지연에 민감하지만 정확도 요구는 상대적으로 완화되어 있어 엣지 박스로 충분합니다.
4. 배포 선정과 실행 시 유의할 점
하드웨어를 어떻게 구성하는가. 먼저 각 카메라의 해상도와 프레임 레이트를 확인하고 초당 추론할 이미지 수를 추정한 뒤 이미지당 추론 시간을 곱해 연산 요구량을 역산합니다. GPU 엣지 장치는 다채널 고해상도 시나리오에, NPU 임베디드 박스는 단일 채널이나 저전력 시나리오에 적합합니다. 현장에서는 광온도 동작과 팬리스 또는 방진 설계에 유의해야 하며, 전력 변동이 큰 작업장에는 UPS를 추가해야 합니다.
주변광을 어떻게 통제하는가. AI 비전은 만능이 아니며 조명 안정성이 모델의 상한을 직접 결정합니다. 엣지 배포 전에 현장의 조도 변화, 반사, 배경 간섭을 평가하고 필요한 곳에 차광판이나 능동 조명을 추가해야 합니다. IEC 61340과 관련된 정전기 보호 요구사항도 정전기에 민감한 전자 작업장에서는 시공 사양에 포함해야 합니다.
통합을 어떻게 처리하는가. 엣지 노드는 섬이 아니며 기존 MES와 SCADA에 연결되어야 합니다. 실행 시 PLC 브랜드와 프로토콜을 먼저 확인하고, 그 다음 MES 측 인터페이스 방식이 데이터베이스 중간 테이블인지 메시지 큐인지 확인합니다. 검사 결과의 데이터 구조는 미리 정의해 이후 재작업을 피해야 합니다.
실행 단계는 대략 현장 조사와 POC 검증, 모델 학습과 엣지 적응, 소량 시험 운전, 라인 전환과 지속적 피드백 최적화입니다. 기간은 공정 복잡도에 따라 다르며, 단순한 포카요케 사례는 몇 주 안에 가동할 수 있고 복잡한 결함 검사는 데이터 축적 기간이 더 필요합니다.
흔한 오해가 두 가지 있습니다. 하나는 엣지 배포를 하면 모델 반복 관리를 하지 않아도 된다고 생각하는 것입니다. 실제로는 라인 전환과 입고 소재 변화가 모델 드리프트를 일으키므로 이미지 피드백과 재학습 체계를 구축해야 합니다. 다른 하나는 네트워크와 전원 시공을 과소평가하는 것입니다. 엣지 노드가 늘어나면 배선, 방열, IP 계획이 모두 상당한 엔지니어링 작업이 됩니다.
5. 적합과 부적합의 경계 판단
적합한 시나리오는 사이클 타임이 안정적이고 입고 소재가 비교적 일관되며 조명을 통제할 수 있는 공정입니다. 예를 들어 전자 조립 외관 검사, 가공 부품 치수 측정, 조립 포카요케, 포장 라벨 검증 등입니다. 이런 시나리오에서는 엣지 추론 지연이 낮고 모델을 통제할 수 있으며 투자 수익이 명확합니다.
신중히 평가해야 하는 시나리오는 반사가 심하고 변형이 크며 불량 샘플이 매우 적은 공작물입니다. 예를 들어 주조 내부 결함이나 복잡한 곡면 외관입니다. 여기서는 엣지 연산이 병목이 아니라 데이터 품질과 모델 일반화가 병목이므로 먼저 POC를 수행한 뒤 결정해야 합니다. 전환이 극히 잦은 다품종 소량 라인의 경우 모델 전환과 어노테이션 비용을 미리 계산해야 합니다.
엣지 AI 비전으로 바로 가기에 부적합한 시나리오는 검사 기준 자체가 모호하고 사람의 경험에 의존하는 공정으로, 판정 기준을 수치화한 뒤에야 모델을 논의할 수 있습니다. 또한 초고속 라인에서 비전만으로는 커버할 수 없어 다중 센서 융합이 필요한 구간입니다. 업계의 벤더들은 ERP 시대부터 수십 년간 스마트 제조를 수행해 왔고 국내외 시장에서 120만 고객과 수천만 대의 터미널을 서비스해 왔으며, 이러한 엣지 배포 계획은 보통 전체 스마트 제조 아키텍처 안에서 인지 계층의 구성 요소로 계획되는 것이지 단독으로 구매하는 것이 아닙니다. 선정 시에는 지연, 정확도, 프로토콜, 운영의 네 가지 지표를 공정 요구와 정렬하는 것이 단순히 연산 사양을 비교하는 것보다 의미 있습니다.