AI 비전 검사와 전통적 AOI의 핵심 차이는 이것입니다. 전통적 AOI는 규칙과 비교해 무엇이 다른지를 찾고, AI 비전 검사는 샘플에서 학습해 그것이 무엇이며 합격인지를 판정합니다. 전자는 프로그램화된 검사 도구이고 후자는 인지 능력을 갖춘 판정 시스템입니다. 지난 3년간 전자, 자동차 부품, 신에너지 등 산업에서 AI 비전 검사에 대한 문의가 급증했는데 그 이유는 복잡하지 않습니다. 라인 전환이 잦아지고 불량 형상이 더 까다로워져 수작업으로 규칙을 작성하는 AOI로는 더 이상 따라갈 수 없기 때문입니다.
1. 핵심 개념과 기술 정의
전통적 AOI는 Automated Optical Inspection의 약자로, 본질적으로 사전 설정 규칙에 기반한 이미지 비교 시스템입니다. 엔지니어가 솔더 조인트가 어디에 있어야 하는지, 면적이 얼마나 커야 하는지, 그레이스케일 범위가 어떻게 되는지를 미리 알려줍니다. 검사 시 카메라가 이미지를 캡처하면 시스템이 각 영역을 표준 템플릿과 픽셀 단위로 비교하고, 결과가 임계값을 초과하면 알람을 발생시킵니다. 그 로직은 차이 찾기이므로 위치가 고정되고 불량 형상이 안정적인 시나리오에 적합합니다.
AI 비전 검사는 다른 로직을 따릅니다. 수작업 규칙에 의존하지 않고, 라벨링된 불량 샘플을 대량으로 모델에 학습시켜 양품과 불량품이 어떤 모습인지 시스템이 스스로 학습하게 합니다. 검사 시 모델이 특징을 추출하고 이미지를 분류하여 OK/NG와 불량 유형(스크래치, 오염, 콜드 솔더, 부품 누락 등)을 출력합니다. 그 로직은 특징 인식이므로 위치 이동, 조명 변화, 불규칙한 불량 형상에 더 잘 적응합니다.
한 문장으로 말하면, 전통적 AOI는 표준 정답과 대조해 채점하고 AI 비전 검사는 문제를 읽고 스스로 판정합니다.
2. 기술 원리와 핵심 역량
전통적 AOI의 핵심 강점은 안정성과 속도입니다. 고정 위치에서 치수 측정, 부품 누락 검출, 오프셋 판정을 매우 빠르게 수행하며 사이클 타임은 밀리초 수준입니다. 약점도 분명합니다. 다른 제품으로 바꾸면 이미지를 다시 캡처하고 영역을 다시 그리고 임계값을 다시 설정해야 하며 여기에 수 시간에서 며칠의 디버깅이 필요합니다. 또한 반사, 그림자, 약간의 색차가 있으면 오검출률이 눈에 띄게 상승합니다.
AI 비전 검사의 핵심 강점은 일반화와 적응성입니다. 업계에서 흔히 쓰이는 딥러닝 불량 검출 솔루션을 보면 보통 세 단계로 구성됩니다. 이미지 전처리, 특징 추출 네트워크, 불량 분류 또는 세그멘테이션 헤드입니다. 학습에는 수백에서 수천 장의 불량 이미지를 투입해 모델이 서로 다른 불량의 텍스처와 경계 특징을 구별하도록 합니다. 추론 시에는 불량이 위치를 옮기거나 형상이 변하거나 조명이 흔들려도 모델은 안정적인 판정을 제공합니다.
역량 격차는 여러 차원에서 드러납니다. 전환 속도에서 AI 솔루션은 보통 소량의 신규 샘플만으로 재학습이나 파인튜닝이 가능해 수십 분 내에 가동할 수 있지만 전통적 AOI는 재프로그래밍이 필요합니다. 오검출 제어에서 AI 모델은 약간의 색차나 소재 텍스처 같은 허용 가능한 자연 변동을 학습할 수 있지만 전통적 AOI는 임계값을 완화할 수밖에 없고 완화하면 미검출이 발생합니다. 불량 분류에서 AI는 불량 유형을 직접 출력하지만 전통적 AOI는 이상이라는 신호만 보고할 수 있어 이후 수동 재판정이 필요합니다.
3. 제조 현장의 대표 적용 시나리오
전자 공장의 PCBA 기판 검사를 생각해 봅시다. 전통적 AOI는 부품 누락, 오프셋, 극성 반전은 잡아낼 수 있지만 콜드 솔더, 솔더 볼, 경미한 툼스톤은 놓치거나 오검하기 쉽습니다. 전환 때마다 기종별로 새 프로그램이 필요하고 엔지니어는 하루 대부분을 AOI 튜닝에 씁니다. AI 비전 검사 솔루션은 양품과 불량 샘플로 먼저 학습시키고, 가동 후 콜드 조인트와 솔더 볼 인식이 눈에 띄게 개선되며, 전환에는 소량의 신규 샘플만 필요해 디버깅 시간이 수 시간에서 수십 분으로 줄어듭니다.
자동차 부품 업체의 금속 부품 표면 검사를 생각해 봅시다. 스탬핑과 기계 가공 후 표면에는 스크래치, 찌그러짐, 버, 녹 반점이 생길 수 있습니다. 고정 조명과 템플릿 비교를 쓰는 전통적 AOI는 곡면 반사나 약간의 회전에서 알람이 빈번합니다. AI 비전 검사 솔루션은 다각도 조명과 세그멘테이션 모델을 결합해 불량 영역을 배경에서 분리한 뒤 분류할 수 있습니다. 라인 속도를 그대로 유지하면서 미검출률과 과검출률을 모두 낮출 수 있습니다.
신에너지 기업의 전극 코팅 검사를 생각해 봅시다. 코팅 과정에서 생기는 흑점, 줄무늬, 박리 노출은 형상이 무작위이고 대비가 낮아 고정 임계값으로는 거의 커버할 수 없습니다. 다량의 불량 샘플로 학습한 AI 솔루션은 고속 권취 중에 불량 위치와 유형을 실시간으로 표시하고 해당 세그먼트는 슬리팅에서 바로 배출됩니다. 이 시나리오에서 AI 비전 검사의 가치는 AOI를 대체하는 것이 아니라 AOI가 할 수 없는 부분을 커버하는 것입니다.
4. 선택 기준과 도입 조언
첫째, 검사 작업의 유형을 파악하십시오. 단순히 위치 확인, 치수 측정, 부품 누락 판정이라면 전통적 AOI로 충분하며 AI가 필요하지 않습니다. 불량 형상이 불규칙하고 전환이 잦으며 오검출률이 계속 높다면 AI 비전 검사를 고려하십시오.
둘째, 샘플 확보 능력을 보십시오. AI 모델은 샘플에 의존합니다. 불량률이 극히 낮아 수개월 동안 불량 이미지 수백 장을 모을 수 없다면 데이터 증강이나 이상 탐지가 가능한지 평가해야 합니다. 누적 3,200개 이상 사이트에서 사용 중인 이상 탐지 솔루션은 양품 샘플만으로 학습할 수 있어 콜드 스타트 시나리오에 적합합니다.
셋째, 총소유비용을 계산하십시오. 전통적 AOI는 소프트웨어 라이선스 비용은 낮지만 전환 디버깅의 인건비가 높습니다. AI 솔루션은 초기 투자가 더 필요할 수 있지만 전환이 빠르고 오검출이 적어 시간이 지날수록 라인 다운타임과 재판정 인력이 눈에 띄게 줄어듭니다. 15개 이상 산업의 120여 고객 피드백에서 가장 자주 언급된 효과는 전환 효율입니다.
넷째, 일괄 해결을 목표로 하지 마십시오. 한 라인, 한 스테이션에서 파일럿으로 시작해 실제 생산 데이터로 모델 안정성을 검증한 뒤 점진적으로 확대하십시오. AI 비전 검사는 즉시 완벽하지 않으며 지속적인 하드 케이스 샘플과 모델 반복이 필요합니다.
5. 전망과 결론
첫 번째 방향은 AI와 전통적 AOI의 융합입니다. 많은 검사 장비가 규칙 기반 알고리즘과 AI 모델을 나란히 운용할 것입니다. 규칙은 고속 위치 확인과 측정을, AI는 불량 분류와 어려운 판정을 담당합니다. 두 방식은 서로를 대체하는 것이 아니라 보완합니다.
두 번째 방향은 소량 샘플과 자기 학습입니다. 전환은 점점 빨라지고 매번 수천 장의 이미지를 라벨링하는 것은 불가능합니다. 업계는 퓨샷 학습과 자기 지도 학습을 발전시켜 모델이 수십 개 샘플만으로 새로운 제품군에 적응하도록 하고 있습니다.
세 번째 방향은 엣지 배포와 실시간 성능입니다. AI 비전 검사는 산업용 PC에서 엣지 컴퓨팅 박스로 이동하고 있으며 추론 지연은 밀리초 수준으로 낮아지고 라인 PLC와 직접 연결되어 검사와 배출이 한 단계에서 이루어집니다.
원래 질문으로 돌아가면 AI 비전 검사와 전통적 AOI는 하나가 다른 하나를 대체하는 문제가 아니라 서로 다른 로직을 가진 두 가지 검사 방식입니다. 규칙이 통하는 곳에서는 AOI가 더 빠르고 안정적이며 규칙이 통하지 않는 곳에서는 AI 비전 검사가 더 낫습니다. 선택할 때는 먼저 불량 형상과 전환 빈도를 보고 다음으로 샘플과 데이터 기반을 보고 마지막으로 총비용을 보십시오. 이 구분만 명확히 하면 라인 검사 계획이 잘못된 방향으로 가지 않습니다.