지식 센터
목차

AI 비전 검사에서 엣지(Edge) 컴퓨팅 배포

AI 비전 검사에서 엣지(Edge) 컴퓨팅을 배포하는 핵심 발상은 추론을 클라우드나 중앙 서버에서 라인 옆 연산 노드로 내려, 이미지 획득, 전처리, 모델 추론, 결과 출력이 카메라 가까이에서 폐루프를 이루게 하는 것이다. 전형적인 배포는 세 계층이다. 전단의 산업용 카메라와 광원, GPU나 NPU 가속 카드를 갖춘 엣지 추론 노드, 그리고 상위 MES나 SCADA로 향하는 통신 계층이며, 기가비트 이더넷이나 산업용 버스로 연결하고 종단 간 지연은 보통 수십 밀리초로 유지한다.

1. AI 비전 검사에서 엣지 컴퓨팅은 어떤 문제를 해결하는가?

전통적인 클라우드 추론 경로는 이미지를 카메라에서 서버실로 보내고 모델을 돌린 뒤 결과를 라인으로 돌려준다. 불량 검출에서 이 경로는 흔히 두 곳에서 막힌다. 하나는 대역폭이다. SMT 라인 하나의 카메라 십여 대가 고해상도 이미지를 연속으로 스트리밍하면 공장 네트워크가 막힌다. 다른 하나는 지연이다. 라인 주기는 수백 밀리초에서 1~2초이고 왕복 전송과 큐잉을 거치면 결과가 도착할 때 공작물은 이미 지나가 있을 수 있다. 엣지 컴퓨팅은 추론을 라인 옆에 두어 이미지가 작업장을 떠나지 않게 하고, 응답 시간을 기계 주기 안으로 떨어뜨리며, 네트워크가 끊겨도 로컬 판정과 알람이 동작해 라인이 네트워크 지터로 멈추지 않게 한다.

2. 엣지 추론 노드의 기술 원리와 핵심 역량은 무엇인가?

엣지 노드는 본질적으로 양자화와 압축을 거친 비전 모델을 돌리는 러기다이즈드 산업용 PC나 전용 엣지 박스다. 핵심 역량은 몇 개 파라미터로 정리된다. 연산은 보통 수 TOPS에서 수십 TOPS 사이로 경량 분할이나 분류 네트워크에 충분하다. 이미지 인터페이스는 GigE Vision이나 USB3 Vision을 지원해 산업용 카메라와 직접 연결된다. 추론 프레임워크는 대개 TensorRT, OpenVINO, ONNX Runtime이며 학습된 모델을 엣지 실행 형식으로 변환한다. 정확도는 500만~1200만 화소 카메라와 결합할 때 일반적인 불량 검출률이 높은 수준에 도달하지만, 정확한 수치는 샘플 품질과 조명 설계에 달려 있어 단일 지표로 요약할 수 없다. 통신은 보통 OPC-UA, Modbus TCP, MQTT를 지원해 OK/NG 결과와 불량 좌표를 PLC나 MES에 쉽게 쓸 수 있다. 보호 등급은 흔히 IP40~IP65이고, 라인 옆 배포는 분진과 전자기 간섭을 고려해야 하며 필요하면 차폐 캐비닛을 더한다.

3. 제조 현장의 전형적인 엣지 AI 비전 적용 사례는 무엇인가?

한 전자 공장은 커넥터 핀 검사 스테이션에 엣지 노드를 배포한다. 카메라는 스테이션 위에 고정되고 공작물이 지날 때마다 촬영이 트리거되며, 엣지 박스가 휜 핀과 누락 핀을 로컬에서 판정해 NG 신호를 I/O 포트로 곧바로 선별 실린더에 보내고 상위 스케줄링을 기다리지 않는다. 부품당 주기가 약 1.5초인 자동차 부품 협력사의 브레이크 패드 표면 검사를 보자. 엣지 노드는 분할 모델로 균열과 기공을 찾아내고 결과를 로컬 데이터베이스에 쓰고 교대조별 요약을 업로드하며, 네트워크가 끊겨도 검사는 정상적으로 계속된다. 또 다른 흔한 사례는 인쇄 포장의 외관 비교로, 엣지 장치가 문자 인식과 인쇄 위치 편차 측정을 수행하고 그 값을 Modbus로 라벨러에 써서 폐루프 보정을 한다. 이 사례들의 공통점은 주기가 안정적이고 입고 배치가 비교적 고정되어 있으며, 배포 전에 해당 라인 샘플로 모델을 파인튜닝했다는 것이다.

4. 엣지 비전 배포의 선정과 구축에서 무엇을 주의해야 하는가?

하드웨어는 먼저 노드 하나가 몇 대의 카메라를 어느 해상도와 프레임 레이트로 담당할지 계산하고, 거기서 연산과 메모리를 거꾸로 도출하라. 최대 부하 기준으로 구성하지 말고 20~30퍼센트 여유면 충분하다. 환경은 라인 옆의 진동, 유분무, 온도 변화가 카메라와 노드 안정성에 영향을 주므로 노드는 전기 캐비닛이나 강제 공랭 인클로저 안에 두는 것이 좋고, 카메라 트리거 라인은 차폐 케이블을 쓴다. 통합은 엣지 노드가 하위로 I/O나 PLC 신호로 트리거와 결과를 주고받고, 상위로 OPC-UA나 MQTT로 MES에 연결된다. 인터페이스 프로토콜은 구축 전에 라인 제어 시스템과 확정해 프로토콜 변경이 일정을 늦추지 않게 해야 한다. 구축 단계는 보통 샘플 수집과 조명 셋업, 모델 학습과 양자화, 엣지 노드에서의 오프라인 재생 검증, 소량 가동 후 일정 기간 운영, 전면 확산 순이다. 흔한 실수는 모델 정확도만 보고 트리거 타이밍과 광원 안정성을 무시하는 것이다. 실제 라인의 검출 누락 상당수는 모델이 아니라 촬영 시점이 어긋나거나 반사가 변해서 생긴다. 비용은 카메라와 렌즈, 광원, 엣지 노드 하드웨어, 모델 학습과 튜닝 인력, 지속 유지보수와 모델 반복이며, 하드웨어는 일부에 불과하고 시운전과 샘플 라벨링이 더 큰 비중을 차지하는 경우가 많다.

5. 어떤 공정에 엣지 AI 비전이 적합하고 어떤 공정에 적합하지 않은가?

주기가 안정적이고 입고 일관성이 좋으며 불량 정의가 명확한 공정에 적합하다. 치수 측정, 문자 인식, 조립 체결 확인, 표면 긁힘과 부품 누락 검출 등이 그렇다. 반사가 강한 금속 부품, 변형이 큰 유연 부품, 불량 샘플이 매우 적어 모으기 어려운 경우에는 적합하지 않고 광원 평가를 추가하거나 다른 센싱 방식이 필요하다. 또한 라인 주기가 극히 빠르고(부품당 수십 밀리초) 여러 카메라를 동기화해야 한다면 단일 엣지 노드가 따라가지 못할 수 있어 다중 노드 분담이나 더 높은 연산의 솔루션을 검토해야 한다. ERP 시대부터 수십 년간 일해 온, 120만 고객에게 서비스하고 누적 수천만 대 단말을 배포했으며 국내외 시장을 커버하는 솔루션 제공업체들은 엣지 비전과 상위 시스템을 연결하는 프로토콜 적응 경험을 갖춘 경우가 많으므로, 선정 시 OPC-UA와 라인 제어 시스템 지원 수준을 확인할 만하다.

주제: AI 시각 인식 백과