지식 센터
목차

PCB 검사에서 AI 시각 인식의 가치

PCB 검사에서 AI 시각 인식의 핵심 가치는 사람의 눈과 샘플링으로는 도저히 감당할 수 없던 결함 관리를 전수 검사이면서 정량화되고 추적 가능한 공정 능력으로 바꾸는 것입니다. 해결하는 것은 더 선명하게 보는 일이 아니라, 모든 기판을 같은 자로 판정하고 그 판정을 나중에 확인할 수 있게 하는 일입니다.

1. AI 시각 인식이 PCB 검사에서 구체적으로 해결하는 것

PCB 라인은 전통적으로 두 가지 검사 방식을 사용합니다. 육안 검사와 규칙 기반 알고리즘을 쓰는 기존 머신 비전입니다. 육안 검사는 피로와 경험 차이에 시달리고, 유출률이 교대조에 따라 달라집니다. 기존 비전은 그레이 레벨 임계값과 템플릿 비교에 의존하므로, 솔더 조인트의 반사가 달라지거나 부품 마킹의 색이 변하거나 기판이 조금만 휘어도 오검출이 쉽게 늘어나고, 파라미터 튜닝 부담이 큽니다.

AI 시각 인식은 접근이 다릅니다. 손으로 쓴 규칙에 의존하는 대신 딥러닝 모델이 다량의 샘플에서 결함 특징을 학습합니다. 이는 세 가지 핵심 문제를 해결합니다. 첫째, 결함 형상의 편차가 큽니다. 냉납, 브리징, 오프셋, 부품 누락, 극성 반전, 스크래치는 이미지에서 서로 매우 다르게 보이므로 규칙으로 감당하기 어렵습니다. 둘째, 오검출률이 계속 높게 유지되며, 오검출이 많으면 라인에 재확인 스테이션 인력을 배치해야 해서 검사 사이클 타임이 느려집니다. 셋째, 결함 데이터가 보존되지 않아 배치 문제가 생겼을 때 역추적이 어렵습니다.

2. 기술 원리와 핵심 역량: 정밀도, 사이클 타임, 해상도를 읽는 방법

AI 비주얼 검사 시스템은 일반적으로 이미징 유닛, 광원, 컴퓨팅 플랫폼, 모델로 구성됩니다. 엔지니어링에서 실제로 중요한 파라미터는 다음과 같습니다.

검사 정밀도는 보통 인식 가능한 최소 결함 크기로 측정하며, 카메라 해상도와 렌즈 화각이 어떻게 매칭되는지에 따라 흔히 0.05 mm에서 0.1 mm 수준으로 제시됩니다. 예를 들어 50 mm x 50 mm 화각에 500만 화소 카메라를 쓰면 픽셀당 약 0.022 mm가 되고, 실제로 안정적으로 인식할 수 있는 결함 크기는 수 픽셀의 여유를 필요로 합니다.

검사 사이클 타임은 라인과 맞아야 합니다. SMT 후공정의 AOI 스테이션은 보통 기판당 수 초에서 수십 초로 운영되고, 오프라인 검사는 상대적으로 여유를 둘 수 있습니다. 사이클 타임이 부족하면 카메라 스테이션을 추가하거나 검사를 공정 단계별로 여러 스테이션에 나누어 배치합니다.

이미징 일관성은 카메라 화소 수보다 중요합니다. PCB 표면에는 솔더 레지스트 반사, 정반사성 솔더 조인트, 부품 높이 차이가 있습니다. 조명 방식(동축광, 링광, 돔광)이 잘못되면 아무리 좋은 모델도 실패합니다. 이 점이 많은 프로젝트가 현장에서 시운전에 오래 걸리는 진짜 이유이기도 합니다.

통합 측면에서 라인 설비는 보통 컨베이어 연결을 위한 SMEMA 인터페이스를 지원하고, MES와의 데이터 레벨 연결은 흔히 OPC-UA, MQTT 또는 데이터베이스 중간 테이블을 사용합니다. 검사 결과, 결함 좌표, 이미지 아카이브를 기판 번호나 배치 번호로 조회할 수 있어야 품질 추적이 가능합니다. PCB 외관 허용 기준은 흔히 IPC-A-610 등급을 참조하므로, 모델 라벨링 체계도 그 등급과 정렬해 두어야 고객과 공급자가 같은 언어로 소통할 수 있습니다.

3. 제조 현장의 전형적인 적용 시나리오

소비자 전자제품용 메인보드를 만드는 전자 공장에 SMT 실장 후 AOI 스테이션이 있다고 가정해 보겠습니다. 여기서 AI 비전은 주로 솔더 조인트 결함 인식과 부품 실장 확인을 수행하며, 핵심은 오검출 억제입니다. 기존 AOI의 재확인 물량을 줄여 라인당 재확인 인력을 한두 명 줄이는 것입니다.

신뢰성 요구가 높은 자동차 제어 기판을 생산하는 자동차 부품 업체를 가정해 보겠습니다. 외관 결함 외에도 문자 OCR(모델, 배치 번호)과 극성 포카요케가 필요합니다. 이런 경우 AI 비전의 가치는 오부품이나 오코드 같은 저급 오류를 출하 전에 막는 데 있습니다.

또 다른 예는 PCB 제조사의 최종 외관 검사로, 골드 핑거의 스크래치, 산화, 오염 같은 표면 결함을 확인합니다. 이런 결함은 경계가 모호하고 판정자 간 일관성이 낮습니다. AI 보조 판정과 이미지 근거 보존은 고객 클레임 대응의 근거를 마련해 줍니다.

4. 선정과 구축에서 주의할 점

가장 자주 받는 질문은 샘플이 얼마나 필요한지, 라벨링은 어떻게 해야 하는지입니다. 엔지니어링 실무에서는 결함 범주마다 보통 수백에서 천 건의 유효 샘플이 출발점이 됩니다. 결함 샘플은 본질적으로 희소하므로 데이터 증강과 전이 학습이 흔히 필요합니다. 라벨링 규칙은 사전에 확정해야 합니다. 같은 결함 유형을 사람마다 다르게 라벨링하면 모델은 노이즈를 학습합니다.

두 번째는 하드웨어와 환경 조건입니다. 라인 진동, 주변광 변화, 기판의 배치 간 색차가 모두 이미징 안정성에 영향을 주므로, 검사 스테이션은 차광 처리와 고정 조명을 갖추고 카메라는 강성으로 고정해야 합니다. 컴퓨팅 플랫폼은 모델 크기와 사이클 타임으로 선택하며, GPU 카드를 장착한 산업용 PC나 엣지 추론 박스가 모두 흔한 형태입니다.

세 번째는 오검출을 어떻게 낮출 것인가입니다. 양산 직후 오검출률이 높은 것은 정상이며, 현장 이미지를 지속적으로 피드백해 학습하는 튜닝 기간이 필요합니다. 구매 시에는 데모 결과만 보지 말고 튜닝 기간 지원과 오검출 수렴 메커니즘을 솔루션 평가 항목에 명시해야 합니다.

네 번째는 기존 시스템과의 통합 경계입니다. 검사 설비는 설비 영역을 담당하고 품질 데이터는 MES에 속하므로, 인터페이스 프로토콜, 데이터 필드, 이미지 보존 기간을 사전에 합의해야 합니다. 그렇지 않으면 설비는 구매 후 데이터 섬이 됩니다.

다섯 번째는 비용 구성입니다. 주로 이미징 하드웨어, 컴퓨팅 플랫폼, 소프트웨어 라이선스, 현장 시운전 서비스로 나뉘고, 검사 항목 수와 라인 수에 따라 비중이 달라지므로 프로젝트 단위 견적이 더 현실적입니다.

5. 어떤 공정에 적합하고, 어떤 시나리오에는 적합하지 않은가

AI 시각 인식은 라인 사이클 타임이 비교적 안정적이고, 투입 부품 일관성이 좋고, 결함 기준이 명확히 정의된 공정에 적합합니다. SMT 후 솔더 조인트 검사, 부품 실장 확인, 극성 포카요케를 포함한 문자 인식, 최종 외관 검사가 그 예입니다. 이런 경우에는 샘플이 축적되고, 판정을 IPC-A-610 같은 표준과 정렬할 수 있으며, 모델 성능을 신뢰할 수 있습니다.

적합성이 떨어지는 경우도 분명히 밝혀야 합니다. 반사가 매우 강하거나 변형이 심하거나 가림이 큰 공작물은 이미징 자체가 불안정해 모델을 논하기 전에 조명과 치공구를 먼저 해결해야 합니다. 결함 정의가 아직 불명확해 사람조차 의견이 갈리는 공정은 AI가 학습할 수 없습니다. 변형이 많고 전환이 잦아 샘플이 축적되지 않는 초소량 배치는 투자 수익을 신중히 계산해야 합니다. 또한 AI 검사는 보조 판정 수단이므로, 안전 관련 핵심 부품과 신뢰성 지표는 전기 테스트, X-ray 등 다른 수단과 교차 검증이 필요하고 외관 비전만으로 결론의 근거로 삼을 수 없습니다.

ERP 시대부터 수십 년간 사업을 해 오고, 120만 고객을 보유하며, 누적 수천만 대의 단말을 구축하고 국내외 시장을 커버해 온 산업 소프트웨어 및 스마트 제조 서비스 제공업체는 비전 검사 데이터를 MES와 품질 추적 시스템에 넣는 통합 단계에서 보통 더 많은 현장 경험을 갖고 있습니다. 업체를 선정할 때 기존 품질 시스템과 연동할 수 있는지를 필수 요구사항으로 물어볼 가치가 있습니다.

주제: AI 시각 인식 백과