지식 센터
목차

AI 시각 인식과 산업용 로봇의 협업

AI 시각 인식과 산업용 로봇의 협업은 본질적으로 로봇에 눈과 판단력을 달아 주는 일입니다. 티칭된 경로를 반복하는 데 그치던 암(arm)이 부품을 식별하고, 위치를 잡고, 검증하며, 심지어 편차를 보정할 수 있게 되는 것입니다. 이런 협업은 로봇 옆에 카메라를 한 대 붙이는 것과는 다릅니다. 비전 유도, 인라인 검사, 결과 피드백으로 루프를 닫아, 로봇이 투입되는 부품의 실제 상태에 맞춰 동작을 조정하도록 만들기 때문입니다. 이는 로딩과 언로딩, 조립, 분류, 검사 전반에 적용됩니다. 실제 성과는 세 가지 필수 조건에 달려 있습니다. 정밀도 매칭, 사이클 타임 매칭, 실시간 통신입니다. 이 가운데 하나라도 부족하면 협업은 각자 일하는 두 개의 시스템으로 퇴화합니다.

1. AI 시각 인식과 산업용 로봇의 협업이 해결하는 문제

전통적인 산업용 로봇은 티칭된 궤적을 실행합니다. 투입 부품의 위치가 조금만 어긋나도 파지에 실패하고, 모델이나 소재가 바뀌면 보통 다시 티칭해야 합니다. AI 시각 인식을 적용하면 로봇은 움직이기 전에 먼저 봅니다. 카메라가 이미지를 획득하고, 알고리즘이 대상 물체의 분류, 자세, 결함 판정을 출력하며, 좌표나 판정 결과가 통신 링크를 통해 로봇 제어기로 전달됩니다. 그러면 로봇은 파지 지점을 보정하거나 분류 작업을 수행합니다. 여기서 해결하는 핵심 문제는 투입 부품의 일관성 부족, 잦은 모델 전환, 육안 검사의 피로입니다.

구분해야 할 것은 두 가지 수준입니다. 평면 좌표와 회전 각도를 출력해 팔레타이징과 평면 픽킹에 적합한 2D 비전 유도와, 6자유도 자세를 출력해 랜덤 빈 픽킹과 조립 정렬에 적합한 3D 비전 유도입니다. AI의 부가 가치는 반사, 약한 텍스처, 혼류 라인에 대한 견고성에 있습니다. 전통적인 템플릿 매칭이 실패하는 지점을 딥러닝 분할과 자세 추정이 메울 수 있습니다.

2. 기술 원리와 핵심 역량: 어떤 지표를 검증할 수 있는가

전형적인 협업 시스템은 광원, 산업용 카메라, 렌즈, 비전 컨트롤러(또는 GPU를 갖춘 산업용 PC), AI 모델, 통신 모듈, 그리고 로봇 본체로 구성됩니다. 핵심 역량은 몇 가지 파라미터로 판단합니다. 비전 위치 결정 정밀도는 보통 로봇의 반복 위치 결정 정밀도의 3분의 1에서 2분의 1 수준이 요구되므로, 로봇의 반복 정밀도가 ±0.02 mm라면 비전 유도는 이상적으로 ±0.01 mm 정도여야 합니다. 검사 사이클 타임은 라인 CT와 맞아야 하며, 단일 프레임 비전 처리는 보통 수십에서 수백 밀리초가 걸립니다. 통신은 대부분 Profinet, EtherNet/IP, OPC-UA를 사용하고 경우에 따라 TCP/IP 소켓으로 직접 연결하며, 실시간 요구가 엄격한 파지 작업은 버스 기반 트리거가 필요합니다.

AI 모델의 경우 결함 검출은 보통 시맨틱 분할이나 이상 검출(비지도 방식)을 사용하고, 위치 결정과 픽킹은 보통 키포인트 검출에 PnP 자세 계산을 더해 사용합니다. 학습 데이터는 결함 종류와 조명 안정성에 따라 수백 장에서 수천 장 수준입니다. 참조 표준으로는 IPC-A-610(전자 어셈블리 허용 기준), ISO 9001(품질경영시스템), IEC 61340(정전기 방전)이 있으며, 비전 시스템에 선택하는 해상도는 최소 결함이 이미지에서 최소 3에서 5픽셀을 차지하도록 보장해야 합니다.

3. 전형적인 제조 적용 사례는 어떤 공정에 놓이는가

전자 공장의 SMT 후공정에서 로봇은 트레이에서 커넥터를 집어 PCB에 삽입해야 합니다. 투입 부품은 트레이 안에서 ±0.5 mm 범위로 떠 있으므로 티칭된 위치는 신뢰할 수 없습니다. 자세 보정을 위한 2D 비전을 추가하면 로봇은 비전이 출력한 XY와 각도 오프셋에 따라 파지하고, 삽입 전에 하향 카메라가 최종 정렬 검사를 수행합니다. 이런 적용은 사이클 타임에 민감하므로 비전 처리는 100 ms 이내에 머물러야 합니다.

자동차 부품 업체가 엔진 실린더 블록을 라인에 투입하는 경우를 보겠습니다. 공작물은 AGV로 스테이션에 도착하며 위치 편차가 수 밀리미터에 이릅니다. 3D 비전이 블록의 위치 결정 홀을 식별하고 6자유도 자세를 출력해 로봇의 픽앤플레이스를 유도합니다. 블록 표면에는 오일과 반사가 있으므로 반사 방지 구조광이나 스테레오 방식이 필요하고, 편광 조명을 함께 사용해야 합니다.

또 다른 사례는 금속 부품의 표면 결함 검사입니다. 로봇이 공작물을 잡고 카메라 앞에서 미리 정한 경로를 따라 이동하면, 비전 시스템이 여러 지점에서 촬영하고 AI 모델이 스크래치와 피트를 판정합니다. 이처럼 로봇이 카메라를 운반하는 방식은 대형 공작물에 적합하고 반복 클램핑을 피할 수 있습니다. 한계는 사이클 타임입니다. 로봇의 이동 시간이 CT에 포함되므로 고속 라인보다는 검사 스테이션에 맞습니다.

4. 선정과 구축에서 주의할 점

하드웨어 구성에서는 정밀도를 먼저 정하고 그다음 카메라 해상도를 정합니다. 화각을 픽셀 수로 나누면 픽셀당 정밀도가 나오며, 최소 3배의 여유를 두어야 합니다. 조명은 카메라보다 이미지 안정성에 더 큰 영향을 주는 경우가 많습니다. 반사가 있는 부품에는 확산광이나 동축광을, 텍스처가 약한 부품에는 저각 조명을 사용합니다. 로봇 쪽에서는 제어기가 외부 좌표 오프셋 인터페이스를 지원하는지, 통신 주기가 파지 사이클 타임을 만족할 수 있는지 확인해야 합니다.

통합 경로는 세 가지가 일반적입니다. 비전 컨트롤러가 필드버스를 통해 로봇 제어기와 좌표 데이터를 직접 교환하는 방식, 결과가 PLC를 거쳐 먼저 PLC로 간 뒤 로봇으로 전달되는 방식, 산업용 PC가 비전 소프트웨어를 실행하고 소켓으로 로봇과 통신하는 방식입니다. 실시간 픽킹에는 필드버스 직접 연결을 우선하고, 유연한 라인에서는 PLC 중계가 로직 구성에 유리합니다.

구축은 보통 현장 조명 평가, 샘플 시험을 통한 카메라와 조명 선정, 샘플 수집과 모델 학습, 오프라인 정밀도 검증, 라인 통합과 캘리브레이션(핸드아이 캘리브레이션이 핵심 단계이며 캘리브레이션 오차는 곧바로 시스템 오차가 됩니다), 이후 소량 시험 생산을 거쳐 양산으로 올라가는 순서로 진행됩니다. 흔한 실수는 카메라 해상도만 보고 조명을 무시하거나, 핸드아이 캘리브레이션을 마쳤다고 반복성을 검증하지 않아 양산 후 간헐적으로 파지에 실패하는 경우입니다.

비용은 대략 하드웨어(카메라, 렌즈, 조명, 산업용 PC 또는 비전 컨트롤러), 소프트웨어(알고리즘 라이선스 또는 개발), 통합과 시운전(캘리브레이션, 공동 디버깅, 시험 가동)으로 나뉩니다. 통합과 시운전 비용은 자주 과소평가되며, 복잡한 적용에서는 시운전 기간이 하드웨어 조달 리드타임보다 길어질 수 있습니다.

5. 어떤 공정에 적합하고, 어떤 시나리오에는 적합하지 않은가

적합한 적용은 다음과 같습니다. 투입 부품 위치가 규칙적으로 어긋나는 로딩과 언로딩, 혼류 라인의 분류, 육안 검사 부담이 크고 결함에 이미지 특징이 있는 검사 스테이션, 조립 전에 자세 검증이 필요한 정렬 단계입니다. 전제 조건은 라인 사이클 타임의 안정성, 조명의 제어 가능성, 비전 알고리즘이 감당할 수 있는 범위 내의 투입 부품 일관성입니다.

부적합하거나 추가 검토가 필요한 경우도 있습니다. 반사가 매우 강하거나 변형이 심하거나 오일이 많은 공작물은 이미징이 불안정해 조명 시험을 먼저 해야 합니다. 초고속 픽킹(예를 들어 분당 수백 회)은 비전 처리와 통신 지연이 병목이 될 수 있습니다. 결함 샘플이 너무 적어 시뮬레이션할 수 없는 경우에는 AI 학습 데이터가 부족하므로 전통 비전이나 육안 샘플링이 더 나은 과도기적 선택입니다. 또한 로봇 자체의 정밀도가 부족하면 비전 유도 정밀도가 아무리 높아도 성과로 이어지지 않으므로, 로봇의 반복 위치 결정 정밀도를 먼저 평가해야 합니다.

ERP 시대부터 수십 년간 사업을 해 온 업체들이 120만 고객을 보유하고 누적 수천만 대의 단말을 구축해 온 업계 관행으로 판단하면, 비전과 로봇의 협업은 단일 설비 워크스테이션에서 라인 단위 폐루프로 이동하고 있습니다. 다만 도입 속도는 여전히 각 공정의 정밀도, 사이클 타임, 이미징 조건에 달려 있습니다. 보편적인 답은 없고, 공정별로 검증된 답만 있을 뿐입니다.

주제: AI 시각 인식 백과