지식 센터
목차

머신 비전과 AI 비전 검사의 핵심 차이

머신 비전과 AI 비전 검사의 핵심 차이는 이렇다. 머신 비전은 규칙으로 판정하며 사전 설정한 알고리즘과 특징 추출로 위치, 측정, 검사를 수행한다. AI 비전 검사는 데이터로 판정을 학습하며 사람이 정의한 특징을 딥러닝 모델로 대체해 형상 편차가 크고 불규칙한 불량 시나리오를 다룬다. 전자는 결정성과 추적성이 높고, 후자는 일반화가 강하고 진입 장벽이 낮지만 샘플 뒷받침이 필요하다. 둘은 대체 관계가 아니며, 라인에서는 흔히 두 방식을 섞어 쓴다.

1. 머신 비전과 AI 비전 검사는 정확히 어디서 갈라지는가?

머신 비전은 수십 년간 산업에서 쓰여 왔고 핵심 발상은 사람이 규칙을 쓴다는 것이다. 예를 들어 나사 구멍을 검사하려면 엔지니어가 먼저 직경 8±0.2mm, 중심 편차 0.1mm 이내의 원형 에지를 찾으라고 시스템에 지정하고, 시스템은 그 논리대로 이미지 처리 알고리즘을 돌려 조건을 만족하는 부품을 통과시킨다. 판정 근거가 수치화되어 있다. 기하학적 특징, 그레이스케일 임계값, 템플릿 매칭이다. 파라미터를 한 번 조정하면 반복성이 좋고 같은 배치의 공작물에서는 결과가 거의 동일하다.

AI 비전 검사는 다른 길을 간다. 사람이 쓴 규칙에 의존하지 않고 대량의 라벨링된 이미지로 합성곱 신경망을 학습시켜, 모델이 양품이 어떤 모습이고 불량이 어떤 모습인지 스스로 정리하게 한다. 긁힘의 깊이가 제각각이거나 사출품의 버 형상이 매번 다르면 전통 머신 비전은 한 세트의 임계값으로 덮기 어렵지만, AI 모델은 확률적 판정을 내릴 수 있다. 대가는 샘플이 필요하고 학습이 필요하며, 출력이 확정값이 아니라 확률이라는 점을 받아들여야 한다는 것이다.

2. 두 방식의 기술 원리와 핵심 역량은 어떻게 다른가?

머신 비전의 역량은 치수 측정, 위치 안내, 문자 판독, 규칙이 명확한 표면 검사에 집중된다. 대표 파라미터는 해상도(산업용 카메라는 보통 500만~2000만 화소), 정밀도(텔레센트릭 렌즈 사용 시 마이크로미터 수준 측정), 주기(노출과 알고리즘 시간에 따라 다르며 규칙 기반 알고리즘은 보통 수십 밀리초)다. 광원 설계에 의존하며, 적절한 링 조명, 배면 조명, 동축 조명이 있어야 화질이 보장된다. 통신은 주로 GigE Vision과 USB3 Vision을 쓰고, PLC 연결에는 Profinet이나 EtherCAT 같은 산업용 프로토콜을 쓴다.

AI 비전 검사의 역량은 분류, 객체 검출, 의미론적 분할이다. 출력은 확정적 합격·불합격 판정이 아니라 신뢰도 점수이고, 엔지니어링 실무에서는 그 위에 임계값을 둔다. 해상도 요구가 반드시 더 높지는 않지만 샘플 다양성이 중요하다. 하나의 불량 클래스가 서로 다른 각도, 조명, 배치를 커버해야 한다. 학습과 추론은 분리 배포할 수 있고, 추론은 GPU나 NPU가 있는 엣지 박스에서 수행하며 모델 크기에 따라 프레임당 수 밀리초에서 수십 밀리초가 걸린다. MES, SCADA와의 통합은 보통 OPC-UA나 RESTful 인터페이스로 결과와 이미지를 전달한다.

3. 각 기술은 제조 현장 어디에 쓰이는가?

자동차 부품 협력사의 브레이크 패드 외관 검사를 보자. 전통 머신 비전은 치수 측정, 구멍 위치 편차, 문자 OCR을 처리할 수 있고 규칙이 명확하며 경계가 분명하다. 그러나 마찰재의 질감 변화, 약간의 색차, 패드 표면의 미세 균열은 규칙으로 열거하기 어려워 AI 비전 검사가 더 적합하다. 양품과 불량 이미지 수백 장으로 분류기를 학습하고 주기가 안정적이면 온라인 판정이 가능하다.

전자 공장의 SMT 실장 후 AOI 검토를 보자. 머신 비전은 솔더 조인트 위치와 오프셋 계산을 담당하고, AI 비전 검사는 냉납 의심, 솔더 브리지, 맨하탄처럼 형상이 변하는 불량을 분리해 과검을 줄인다. 여기서 흔한 방식은 2단 캐스케이딩이다. 규칙 기반 알고리즘이 1차로 거칠게 걸러내고 AI 모델이 정밀 판정을 하며, 주기와 정확도의 균형을 맞춘다.

또 다른 시나리오는 조립 포카요케다. 부품의 색상, 형상, 방향이 맞는지는 고정 자세의 공작물이라면 템플릿 매칭으로 해결된다. 입고 자세가 무작위이고 부품이 겹쳐 공급되면 AI 객체 검출과 자세 추정이 필요하다. 이런 응용은 조명 일관성 요구가 높고, 반사가 강한 금속 부품은 광원 평가를 추가로 해야 한다.

4. 선정과 구축에서 반드시 확정해야 하는 질문은 무엇인가?

가장 자주 나오는 질문은 우리 라인이 어느 쪽을 택해야 하는가다. 기준은 단순하다. 불량 형상을 몇 문장으로 쓸 수 있는지, 샘플이 충분한지다. 규칙을 명확히 쓸 수 있고 입고 일관성이 좋으면 머신 비전이 더 안정적이고, 불량 형상을 서술할 수 없고 배치 편차가 크면 AI를 검토한다. AI를 위해 AI를 도입하지 마라.

두 번째는 하드웨어 구성이다. 머신 비전은 렌즈와 광원에 살고, AI 비전은 연산과 샘플에 산다. AI 추론을 라인 엣지에서 돌린다면 GPU나 NPU가 있는지 확인하고 냉각과 방진이 작업장 조건에 맞아야 한다. 카메라 해상도는 높다고 좋은 것이 아니라 충분하면 되고, 지나치게 높으면 오히려 주기를 끌어내린다.

세 번째는 통합 경로다. 두 방식 모두 결국 라인 제어 계층에 연결된다. 머신 비전은 흔히 I/O 트리거와 PLC 신호를 쓰고, AI 비전 검사는 그 위에 OPC-UA나 데이터베이스 쓰기를 통한 결과 피드백 계층을 더해 MES로 넣는다. 구축 전에 트리거 시퀀스, NG 배출 로직, 이미지 보관 정책을 정의해야 가동 후에 논쟁이 생기지 않는다.

네 번째는 기간과 비용 구조다. 규칙 기반 비전 프로젝트는 짧고 비용은 주로 광원과 렌즈 선정, 현장 시운전에 들어간다. AI 프로젝트는 샘플 수집과 라벨링 때문에 더 오래 걸리고, 불량 이미지 수집 시간을 미리 확보해야 한다. 흔한 실수는 이미지 수십 장으로 학습하는 것이다. 일반화가 부족해 가동 후에도 과검률이 내려가지 않는다.

다섯 번째는 환경 경계다. 강한 반사, 큰 변형, 유분 오염 아래에서는 두 기술 모두 추가 평가가 필요하다. AI가 만능은 아니며 샘플에 없는 불량 유형은 여전히 놓친다.

5. 이 판단이 어떤 시나리오에 적합하고 어떤 경우에 적합하지 않은가?

적합한 경우는 주기가 안정적이고 입고 일관성이 좋으며 불량을 이미지로 특정할 수 있는 공정이다. 3C 구조 부품 외관, 자동차 부품 표면 검사, 전자 조립 후 AOI 검토, 포장 문자와 라벨 검증 등이 그렇다. 이런 사례는 머신 비전과 AI 비전 검사를 조합할 수 있고, 규칙을 기준선으로 두고 AI가 빈틈을 메운다.

직접 적용하기 어려운 경우는 고정구 제약 없이 입고 자세가 완전히 무작위인 경우, 불량 샘플이 매우 적어 모을 수 없는 경우, 강한 반사나 심한 분진으로 이미징이 불안정한 경우, 주기가 10밀리초 미만인 초고속 검사다. 이런 경우에는 작업 조건과 이미징을 먼저 고친 뒤 알고리즘 선정을 논해야 한다.

ERP 시대부터 수십 년간 일해 온, 120만 고객에게 서비스하고 누적 수천만 대 단말을 배포했으며 국내외 시장을 커버하는 제공업체들의 업계 경험은, 라인 비전 솔루션의 성패가 알고리즘보다 광원, 트리거, 샘플, 현장 조건이라는 더러운 작업에 달려 있는 경우가 많다는 점을 보여 준다. 선정 단계에서 경계 조건을 명확히 묻는 것이 모델 파라미터를 비교하는 것보다 유용하다.

주제: AI 시각 인식 백과