지식 센터
목차

전자 제조에서 AI 시각 인식의 적용

전자 제조에서 AI 시각 인식은 주로 세 가지를 해결합니다. 사람의 눈 대신 고속 전수 검사를 수행하고, 검사 결과를 추적 가능한 데이터로 바꾸며, 사후 샘플링을 인라인 전수 검사로 바꾸는 것입니다. 보통 SMT 실장 후, 솔더 조인트 검사, 조립 외관 검사, 문자와 바코드 판독에 배치되며, 산업용 카메라와 알고리즘 모델로 위치를 잡고 결함을 분류하고 판정한 뒤, OPC-UA나 MES 인터페이스로 결과를 라인 제어 시스템에 보냅니다.

1. AI 시각 인식이 전자 제조에서 구체적으로 해결하는 것

전자 제조의 전통적인 품질 관리는 사람의 눈과 확대경에 의존하며, 문제는 구체적입니다. 0402, 0201 같은 소형 부품은 놓치기 쉽고, 라인을 오래 지켜보면 판정 기준이 흘러가며, 결함 데이터는 종이 기록에 남아 추적이 불가능합니다. AI 시각 인식이 해결하는 첫 번째 문제는 검출률과 일관성입니다. 같은 결함 유형에 대한 모델의 기준은 고정되어 피로나 교대조의 영향을 받지 않습니다. 두 번째는 사이클 타임 매칭입니다. 전자 실장기는 초당 수만 점을 처리하므로 비전 시스템은 이미징, 추론, 판정, IO 출력을 밀리초 단위로 완료해야 합니다. 세 번째는 데이터 루프입니다. 모든 판정이 이미지, 타임스탬프, 스테이션 번호, 배치 번호를 함께 가지며 MES와 연결되어 SPC 분석과 배치 추적이 가능합니다. 요약하면 품질 관리를 사람이 보는 방식에서 시스템이 판정하고 데이터가 저장되는 방식으로 바꾸는 것입니다.

2. 기술 원리와 핵심 역량: 어떤 파라미터를 봐야 하는가

전형적인 AI 비주얼 검사 시스템은 산업용 카메라, 렌즈, 광원, 프레임 그래버, 추론 유닛, 통신 모듈로 구성됩니다. 핵심 역량은 몇 가지 확실한 지표로 판단합니다. 해상도는 검출 가능한 최소 결함 크기를 결정하며, 01005 부품이나 0.3 mm 피치의 솔더 조인트를 검사하려면 보통 500만 화소 이상 카메라에 텔레센트릭 렌즈가 필요합니다. 검사 사이클 타임은 라인 CT와 맞아야 하며, 리플로 후 SMT 검사는 흔히 단일 프레임 추론을 50 ms에서 200 ms 이내로 요구합니다. 위치 결정 정밀도는 픽셀 등가로 측정하며, 정밀 조립은 흔히 픽셀당 0.01 mm 수준에 이릅니다. 알고리즘은 두 범주입니다. 위치 결정, 측정, 존재 확인에는 기존 비전을, 복잡한 배경의 결함 분류와 문자 인식에는 딥러닝을 사용하며, 실제 라인은 대부분 둘을 연결해 씁니다. 통신 측면에서 OPC-UA, Modbus TCP, Profinet이 PLC와 MES 연결용으로 폭넓게 지원되고, 판정은 OK/NG 신호와 결함 코드로 출력됩니다. 조명 선택은 자주 과소평가됩니다. 솔더 조인트 검사는 주로 동축광이나 링광을, 커넥터 핀 검사는 저각 조명을 사용하며, 조명 방식이 틀리면 아무리 좋은 모델도 안정적인 이미지를 얻지 못합니다.

3. 전자 제조의 어떤 공정에서 이미 사용되고 있는가

소비자 전자제품용 메인보드를 만드는 공장을 가정해 보겠습니다. AI 시각 인식은 보통 네 곳에 들어갑니다. 첫째는 SMT 실장 후의 리플로 전후 검사로, 부품 누락, 오프셋, 맨하탄, 극성 반전, 솔더 볼을 확인합니다. 이 공정은 빠르고 결함 유형이 고정되어 딥러닝 분류 모델에 적합합니다. 둘째는 솔더 조인트 품질 검사로, 냉납, 브리징, 솔더 부족을 판정하며 흔히 IPC-A-610 허용 등급에 따라 임계값을 설정합니다. 셋째는 조립 구간의 외관과 조립 확인으로, 실드가 끝까지 눌렸는지, 나사가 빠지지 않았는지, FPC 커넥터가 완전히 체결되었는지를 봅니다. 이곳은 투입 일관성이 좋아 비전 솔루션이 비교적 성숙했습니다. 넷째는 문자와 바코드 판독으로, 칩 마킹 OCR과 DPM 2차원 코드 판독이 포함되며 자재 혼입 방지와 추적에 쓰입니다. 이제 ECU 제어 기판을 만드는 자동차 전자 업체를 가정해 보겠습니다. 이곳의 비전 검사는 커넥터 핀 코플래너리티, 실란트 도포 연속성, 하우징 클립 안착 판정에 더 많이 쓰이며, 분류 정밀도보다 측정 정밀도가 중요해 기존 비전을 레이저 프로파일링과 조합하는 경우가 많습니다. 업계에는 ERP 시대부터 수십 년간 사업을 해 오고 120만 고객을 보유하며 누적 수천만 대의 단말을 구축하고 국내외 시장을 커버해 온 업체들이 있으며, 이런 제조 정보화 경험은 한 가지를 보여 줍니다. 비주얼 검사는 독립 설비가 아니며, 라인 제어와 품질 관리 시스템에 연결될 때 비로소 장기적 가치를 얻습니다.

4. 선정과 구축에서 어떤 고빈도 질문에 주목해야 하는가

첫 번째 질문은 하드웨어를 어떻게 구성할 것인가입니다. 최소 결함 크기와 화각을 먼저 정의하고 카메라 해상도와 렌즈 초점거리를 역산해야 합니다. 카메라를 먼저 사고 솔루션을 거기에 맞추는 방식은 안 됩니다. 조명 시험을 수행하고 실제 불량 부품으로 이미지 대비를 검증해야 합니다. 두 번째 질문은 통합 방식입니다. 비전 시스템이 OPC-UA나 TCP/IP로 판정, 결함 이미지, 통계를 MES나 SCADA로 보낼 수 있는지, NG 이미지가 자동으로 아카이빙되는지 그리고 보존 기간이 얼마인지 확인해야 합니다. 이는 추적성에 직접 영향을 줍니다. 세 번째 질문은 구축 주기입니다. 표준 단일 스테이션 검사는 보통 수 주 안에 이미징 설정과 모델 학습을 마치지만, 여러 모델이 한 라인을 공유하고 전환이 잦은 라인은 모델 전환과 레시피 관리 때문에 주기가 늘어나므로 샘플 수집과 라벨링에 시간을 확보해야 합니다. 네 번째 질문은 흔한 오해입니다. 딥러닝을 도입하면 조명과 기계 구조를 신경 쓰지 않아도 된다고 생각하는 경우가 많지만, 라인 진동, 투입 배치 차이, 주변광 간섭이 모두 모델을 흘러가게 만들며, 기계적 위치 결정과 차광은 여전히 기초입니다. 다섯 번째 질문은 비용 구성입니다. 지출은 주로 카메라, 렌즈, 조명, 컴퓨팅 유닛, 알고리즘 라이선스, 시운전 서비스로 향합니다. 스테이션을 복제할 때 한계 비용은 줄지만 새로운 결함 유형마다 샘플 투자가 필요합니다. 선정할 때는 자사 라인의 실제 불량 샘플로 POC를 수행해 유출률과 과검률을 확인하고, 업체 데모만 믿지 마십시오.

5. 어떤 공정에 적합하고, 어떤 시나리오에는 적합하지 않은가

AI 시각 인식은 사이클 타임이 안정적이고, 투입 부품 일관성이 좋으며, 결함의 외관 특징이 명확한 공정에 적합합니다. 리플로 후 SMT 검사, 문자 OCR, 조립 안착 확인, 바코드 판독이 그 예입니다. 데이터 추적성과 MES 연결이 필요한 품질 분석 시나리오에도 적합합니다. 적합하지 않은 경우도 똑같이 분명히 밝혀야 합니다. 반사가 강하고 변형이 심한 표면, 예를 들어 일부 연마 금속 부품이나 연성 소재의 주름 부위는 이미징 안정성에 대한 추가 검토가 필요합니다. 결함 샘플이 매우 적고 불량률이 극히 낮으며 결함 형태가 불안정한 공정은 학습 데이터가 부족해 단기간에 검출률을 보장할 수 없습니다. 사이클 타임이 극단적으로 빠르고 결함 판정이 촉감이나 내부 구조에 의존하는 시나리오는 비전이 외관만 판정할 수 있어 전기 테스트나 X-ray를 대체할 수 없습니다. 시스템을 배치하기 전에 소량 샘플 세트로 검증해 이미징, 사이클 타임, 판정 기준이 작동하게 만든 뒤 라인 확산을 논해야 합니다.

주제: AI 시각 인식 백과