지식 센터
목차

지능형 비전 시스템, 사출 성형 현장에서 수동 검사를 대체하고 품질을 안정시키는 핵심 기술로 부상

사출 성형 산업은 오랫동안 어색한 현실과 마주해 왔습니다. 금형이 한 번 틀어지면 플래시, 미충전, 싱크마크, 흑점 같은 불량이 수 초 안에 배치 단위로 재현됩니다. 라인 끝의 검사원이 이를 발견할 때면 이미 수백 개의 불량품이 쌓여 있는 경우가 대부분입니다. 여기에 빠른 설비 사이클, 점점 정밀해지는 부품 형상, 하류 고객의 계속 강화되는 PPM 목표까지 더해지면, 육안으로 응시하고 샘플링에 의존하던 기존 방식은 더 이상 버티기 어렵습니다. 최근 몇 년 사이 사출 현장에서 AI 비전 검사 도입은 분명히 빨라졌으며, 자동차 부품에서 3C 전자, 의료 소모품에 이르기까지 모두 생산 사이클에 맞는 비전 솔루션을 찾고 있습니다.

1. 핵심 개념과 기술 정의

사출 성형에서 지능형 비전 시스템의 적용이란 산업용 카메라, 광원, 렌즈로 이미징 유닛을 구성하고 비전 알고리즘 소프트웨어와 결합하여, 설비가 생산한 성형품을 인라인 또는 라인 사이드에서 검사하고 외관 불량, 치수 편차, 조립 특징의 적합 여부를 자동으로 판정하며 그 결과를 라인에 피드백하여 선별이나 공정 조정에 활용하는 것을 의미합니다.

기존 머신 비전과의 차이는 지능형이라는 단어에 있습니다. 전통적인 비전은 사람이 작성한 규칙과 조정된 임계값에 의존하며, 다른 제품으로 바꾸려면 몇 시간을 다시 조정해야 합니다. 지능형 비전은 샘플로부터 복잡한 불량을 학습하는 딥러닝 모델을 도입하여, 성형품에서 흔한 경계가 모호한 불량, 예컨대 플로우 라인, 가스 마크, 색 편차, 번, 응력 백화 등에 대해 검출률이 확실히 높습니다. 시중의 일부 성숙한 솔루션은 알고리즘을 다시 작성하지 않고 새로운 레시피를 로드하는 것만으로 제품을 전환할 수 있습니다.

시스템 구성 관점에서 보면, 전형적인 사출 비전 검사 셀은 산업용 카메라(에어리어 스캔 또는 라인 스캔), 맞춤형 조명(일반적으로 백라이트, 동축광, 바 라이트의 조합), 프레임 그래버, 엣지 컴퓨팅 호스트, 알고리즘 소프트웨어 플랫폼, 그리고 사출기나 로봇과 통신하기 위한 IO 모듈로 이루어집니다. 일부 시나리오에서는 높이와 체적 검사를 위해 3D 카메라를 추가하기도 합니다.

2. 기술 원리와 핵심 역량

사출 비전 검사의 핵심 로직은 복잡하지 않습니다. 이미지를 획득하고, 비교하고, 판정하고, 출력하는 것입니다. 그러나 사출 현장에서 안정적으로 가동되려면 몇 가지 역량이 기준을 통과해야 합니다.

첫째는 사이클 정합성입니다. 소형기는 몇 초마다 1샷을 생산하고 대형기는 수십 초마다 1샷을 생산하므로, 비전 시스템은 제품 취출과 다음 샷 사이의 시간 창 안에서 이미징과 판정을 완료해야 하며 라인을 느리게 만들어서는 안 됩니다. 주류 솔루션은 부품 복잡도와 카메라 수에 따라 단일 검사를 200밀리초에서 1초 사이로 유지합니다.

둘째는 불량 인식의 일반화 능력입니다. 사출 불량에는 특징이 하나 있습니다. 동일한 불량 유형이라도 제품, 색상, 광택 수준에 따라 모습이 크게 달라집니다. 딥러닝 모델의 장점은 학습 시 충분한 샘플을 투입하면 한 번도 보지 못한 불량 변형에 대해서도 어느 정도 인식 능력을 유지한다는 점입니다. 일부 솔루션은 퓨샷 러닝도 지원하여 수십 장의 불량 이미지만으로 모델을 시작할 수 있습니다.

셋째는 사출 공정과의 연동입니다. 비전 시스템은 합격과 불합격만 판정하는 것이 아니라 불량 유형과 위치를 집계하여 설비에 피드백함으로써 파라미터 미세 조정에 활용할 수 있습니다. 예를 들어 동일 위치에서 싱크마크가 반복되면 보압 부족이나 금형 정비 시점을 의미할 수 있습니다. 이러한 폐루프 역량이 지능형 비전이 수동 검사보다 더 가치 있는 지점입니다.

넷째는 실수 방지와 추적성입니다. 매 샷의 검사 결과를 금형 번호, 시간, 설비 번호와 결합해 저장할 수 있어, 하류 고객이 클레임을 제기할 때 배치를 신속히 특정할 수 있습니다. 일부 솔루션은 불량품 이미지를 자동으로 보관하여 공정 리뷰에 도움을 줍니다.

3. 전형적인 제조 적용 시나리오

금속 인서트가 있는 커넥터 하우징을 생산하는 자동차 부품 업체를 가정해 보겠습니다. 성형 후 인서트 누락 여부, 인서트 편차 여부, 수지 미충전 여부를 확인해야 합니다. 과거에는 작업자가 확대경으로 확인했고, 하루가 끝날 무렵 눈이 피로해졌으며 유출률도 불안정했습니다. 비전 시스템을 도입하면 카메라가 두 각도에서 촬영하고 알고리즘이 인서트 존재와 부품 외관을 동시에 판정합니다. 로봇은 불량품을 곧바로 스크랩 통에 떨어뜨리고 양품은 다음 스테이션으로 흘러갑니다. 작업자는 샘플링 확인과 자재 보충만 담당합니다.

전자 공장에서는 표면 요구가 높은 휴대폰 미드 프레임을 사출하는데, 흑점, 스크래치, 백색 마크는 허용되지 않습니다. 이런 불량은 반사 표면에서 육안으로도 보기 어렵고, 움직이는 라인에서 빠르게 판정하는 것은 더욱 어렵습니다. 비전 솔루션은 다각도 바 조명을 사용해 특정 각도에서 불량이 대비를 갖도록 하고, 알고리즘은 픽셀 단위 분할로 불량 영역을 표시합니다. 라인 속도는 떨어지지 않지만 출하 전 클레임은 분명히 줄어듭니다.

또 다른 시나리오는 주사기 플런저, 배양 접시 같은 의료 소모품입니다. 이런 제품은 높은 청정도와 치수 일관성을 요구하며, 1샷에서 수십 개의 캐비티가 생산되는 경우가 많습니다. 비전 시스템은 1샷 전체를 한 번에 이미징하여 모든 캐비티의 플래시, 미충전, 공차 초과 치수를 동시에 판정하고 캐비티별 불량 분포를 집계할 수 있습니다. 특정 캐비티가 계속 불량이면 시스템은 해당 금형 캐비티의 청소나 수리가 필요할 수 있다고 알려 줍니다.

4. 선정 포인트와 도입 조언

비전 시스템을 고르는 일은 카메라 픽셀 수만의 문제가 아닙니다. 사출 현장에는 미리 피해야 할 함정이 몇 가지 있습니다.

1. 조명 설계가 카메라보다 중요합니다. 성형품은 반사성, 투명성 또는 어두운 색을 띠며, 조명이 잘못되면 아무리 좋은 카메라도 불량을 드러낼 수 없습니다. 공급업체에 실제 부품으로 조명 테스트를 수행하고 이미지 품질을 확인한 뒤 결정하도록 요구하십시오.

2. 알고리즘이 제품 전환을 감당해야 합니다. 사출 업체는 금형 교체가 잦은데, 비전 시스템이 신제품마다 몇 시간씩 재조정을 요구하면 라인이 기다릴 수 없습니다. 레시피 관리와 전환 시 원클릭 스위칭을 지원하는 솔루션을 선택하십시오.

3. 라인과의 통신이 되어야 합니다. 비전 시스템은 사출기, 로봇, MES와 통신해야 하며 그렇지 않으면 고립된 섬이 됩니다. OPC UA, Modbus TCP 같은 프로토콜이 지원되어야 합니다.

4. 오판율이 수용 가능해야 합니다. 오판이 전혀 없는 비전 시스템은 없으며, 핵심은 유출률과 과검률의 균형을 맞출 수 있는지입니다. 불량품을 놓치는 것도, 양품을 불량으로 판정하는 것도 모두 손실입니다. 양산 투입 전에 알려진 양품과 불량품 배치로 검증하고 데이터에 근거해 결정하십시오.

5. 도입 리듬은 라인 사이드에서 시작해 인라인으로 이동하는 것이 좋습니다. 초기에는 비전 시스템을 라인 사이드에 두고 샘플링 또는 전수 검사를 수행하고, 안정적으로 운영된 뒤 라인에 내장해 인라인 검사로 전환하십시오. 이 방식은 사이클 타임에 미치는 영향이 적고 팀이 경험을 쌓을 시간을 줍니다.

일부 서비스 제공업체는 사출 비전 분야에서 상당한 현장 경험을 축적했으며, 3,200명 이상의 최종 사용자 피드백과 사출 불량에 대한 불량 샘플 라이브러리 및 조명 설계에서 탄탄한 기반을 갖추고 있습니다. 15개 이상 산업을 아우르는 120개 이상의 고객사 기반 역시 이 접근 방식이 다양한 시나리오에서 검증되었음을 보여 줍니다.

5. 트렌드와 요약

첫 번째 방향은 3D 비전의 확산입니다. 2D 비전은 외관 불량에 대해 이미 상당히 성숙했지만, 높이, 체적, 휨 같은 3차원 특징은 여전히 3D 카메라가 필요합니다. 3D 카메라 원가가 하락하면서 사출 비전은 표면을 보는 단계에서 3차원 측정 단계로 이동할 것입니다.

두 번째 방향은 사출 공정 파라미터와의 심층 연동입니다. 비전은 더 이상 품질 게이트에 그치지 않고 공정 최적화를 위한 센서가 될 것입니다. 불량 데이터가 설비의 적응형 조정으로 피드백되는 이 루프가 안정적으로 작동하면 무인 사출 공장은 한 걸음 더 나아갈 것입니다.

세 번째 방향은 엣지 컴퓨팅과 클라우드 플랫폼의 결합입니다. 엣지는 실시간 판정을 수행하고 클라우드는 모델 반복 개선과 공장 간 데이터 집계를 담당합니다. 여러 설비의 불량 데이터가 학습을 위해 모이면 모델은 사용할수록 더 정확해집니다.

사출 성형에서 금형과 공정은 기초이지만, 품질 관리 수단은 업그레이드가 필요합니다. 지능형 비전 시스템은 만능 해결책은 아니지만, 수동 검사를 대체하고 출하 품질을 안정시키는 측면에서 이미 피할 수 없는 선택지가 되었습니다. 올바른 솔루션을 고르고 도입 속도를 잘 조율하면 라인의 수율 상한을 한 단계 끌어올릴 수 있습니다.

주제: AI 시각 인식 백과