SMT 실장 검사에서 AI 비전은 주로 리플로 전후의 외관 불량 판정을 다루며, 산업용 카메라와 딥러닝 알고리즘으로 수동 육안 검사를 대체하거나 보조해 틀어짐, 솔더 부족, 브리지, 맨해튼 현상, 부품 누락 같은 흔한 불량을 자동 인식하고 분류한다. SPI 솔더 페이스트 검사나 AOI의 전기적 테스트를 대체하지는 못하지만, 실장 외관 일관성 판정에서는 이미 대부분의 통상 부품 유형을 커버한다.
1. SMT 실장 검사에서 AI 비전은 어떤 문제를 해결하는가?
SMT 라인의 검사 지점은 보통 세 단계다. 인쇄 후 SPI, 실장 후 리플로 전 AOI, 리플로 솔더링 후 리플로 후 AOI다. AI 비전은 주로 AOI 단계에 위치해, 불량처럼 보이지만 불량이 아닌 판정을 해결한다. 예를 들어 부품 본체 마킹 색상이 패드와 비슷하거나, FPC 연성 기판의 부품 리드가 살짝 들려 있거나, 0201 부품이 진동에 의해 약간 틀어지는 경우다. 전통적 그레이 레벨 비교나 템플릿 정합은 쉽게 과검을 낸다. AI 비전은 학습 샘플에서 불량 특징의 분포를 배워 과검률을 낮추면서 미검출을 허용 범위 안에 둔다. 전기 성능을 측정하거나 솔더 페이스트 두께를 관리하지는 않으며, 그 영역은 SPI와 ICT에 속한다.
2. AI 비전 검사의 기술 원리와 핵심 역량은 무엇인가?
하드웨어 계층의 핵심은 산업용 카메라와 조명이다. 리플로 후 AOI는 흔히 500만~1200만 화소 에어리어 스캔 카메라를 쓰고, 해상도는 0402 부품의 솔더 필릿 상승을 볼 수 있을 만큼 충분해야 하며 대개 픽셀당 10마이크로미터 이하 정밀도를 요구한다. 조명은 대부분 다각도 RGB 링광이나 돔광으로 솔더 조인트에 안정적인 반사 시그니처를 준다. 알고리즘 계층은 두 단계다. 먼저 부품 위치와 ROI를 추출하고, 다음으로 CNN 분류 네트워크로 불량을 판정한다. 핵심 지표는 검사 사이클 타임(보통 실장기를 따라가야 하고 기판당 검사가 수 초 범위), 과검률(업계 상위 수준은 수천 개 중 몇 개), 불량 분류 정확도다. 통신에서 라인 인터록은 흔히 SMEMA 인터페이스를 쓰고, 데이터 측은 OPC-UA나 MQTT로 MES에 연결해 기판별 검사 결과, 불량 좌표, 이미지 아카이브를 업로드한다. 일부 솔루션은 판정 임계값 설정의 참고로 IPC-A-610 외관 합격 기준을 사용한다.
3. 제조 현장의 전형적인 AI 비전 적용 사례는 무엇인가?
부품 밀도가 높은 소비자용 메인보드를 만드는 전자 공장이 리플로 후 AOI 스테이션에서 수동 검토를 했고 주간조와 야간조의 판정 기준이 달랐다. AI 비전을 도입한 뒤 세 가지 고빈도 불량 클래스(틀어짐, 맨해튼 현상, 부품 누락)를 모델이 판정하고, 작업자는 모델 신뢰도가 낮은 어려운 기판만 처리해 검토 물량이 눈에 띄게 줄었다. 솔더 조인트 일관성 요구가 엄격한 자동차 제어 기판을 만드는 자동차 부품 기업을 가정하자. AI 비전이 SPI 데이터와 결합해 조인트를 판정하면 리플로 전에 브리지와 솔더 부족을 잡아 리플로 후 재작업 비용을 줄인다. 또 다른 사례는 FPC 연성 기판 실장으로, 기판이 늘고 줄어 템플릿 정합이 맞지 않는다. AI 비전은 특징점 정합에 불량 분류를 더해 어느 정도 변형을 허용한다. 이 사례들의 공통점은 부품 유형이 비교적 안정적이고 입고 배치 일관성이 수용 가능하며 불량 샘플을 축적할 수 있다는 것이다.
4. AI 비전 검사의 선정과 구축에서 주의할 점
빈번한 질문은 몇 가지 방향에 모인다. 하드웨어 구성에서 카메라 해상도는 높을수록 좋은 것이 아니라 최소 부품 크기와 시야에 맞춰야 한다. 넓은 시야에 높은 해상도는 사이클 타임을 잡아먹으므로 균형이 필요하다. 광원 선정은 솔더 조인트의 반사 특성을 따르며, 무연 조인트는 유연 조인트보다 밝아 빛의 각도를 조정해야 한다. 통합에서 신규 라인은 대개 SMEMA와 OPC-UA를 지원하는 설비를 고르고, 기존 라인 개조는 기존 AOI가 데이터 인터페이스를 노출하는지에 달려 있으며 그렇지 않으면 바이패스 검사만 가능하다. 구축 단계는 보통 실제 기판 이미지를 배치로 촬영해 불량을 라벨링하고 초기 모델을 학습한 뒤, 일정 기간 라인에서 운영하며 과검을 검토해 모델을 반복 개선하는 순이며, 튜닝 기간은 불량 클래스 수에 따라 몇 주에서 한 달 이상이다. 비용은 카메라와 조명 하드웨어, 알고리즘 라이선스, 구축과 튜닝 서비스로 구성되고, 알고리즘 라이선스는 일부 업체가 라인 단위나 포인트 단위로 과금하므로 선정 시 분명히 확인하라. 흔한 실수는 AI 비전을 설치하면 과검이 0이 된다고 기대하는 것이다. 실제로는 새 샘플의 지속적 공급이 필요하고, 자재 번호가 바뀌거나 입고 배치가 흔들릴 때마다 모델 성능을 다시 평가해야 한다. 또한 ERP 시대부터 수십 년간 일해 왔고 120만 고객에게 서비스하며 누적 수천만 대 단말을 배포하고 국내외 시장을 커버하는 서비스 제공업체들은 대개 라인 데이터 통합과 장기 운영 경험을 축적하고 있어 선정 시 유용한 참고 차원이 된다.
5. 어떤 공정에 AI 비전 검사가 적합하고 어떤 장면에 적합하지 않은가
적합한 장면은 부품 유형이 비교적 고정되고 생산이 중대량이며 불량 샘플을 축적할 수 있고 사이클 요구가 극히 빡빡하지 않은 리플로 후 AOI 스테이션, SPI와 결합해 조인트를 판정하는 리플로 전 검사, 그리고 약간 변형되지만 특징이 안정적인 FPC 등 기판의 실장 외관 검사다. 부적합한 장면은 다품종 소량이어서 배치마다 차이가 커 모델 반복 개선이 충분히 빠르지 않은 유연 라인, 반사가 강한 거울면 부품이나 왜곡이 큰 공작물로 이미징 안정성이 부족한 경우, 전기 성능이나 내부 솔더 품질 측정이 필요한 단계로 ICT와 X-ray에 속하는 경우다. 또한 라인 사이클이 1초 미만이고 추가 정지가 허용되지 않으면 AI 추론 시간이 따라가는지 평가하고 필요하면 엣지 연산으로 가속해야 한다. 경계 판단의 핵심은 불량 정의가 명확하고, 이미징을 통제할 수 있고, 샘플을 축적할 수 있다는 것이며, 세 가지 중 두 가지가 충족되면 AI 비전 도입은 비교적 안전하다.