지식 센터
목차

PCB 검사에서 AI 시각 인식의 적용

PCB 검사에서 AI 시각 인식의 가치는 한 문장으로 요약할 수 있습니다. PCB 외관 검사를 육안과 확대경에 의존하는 샘플링 방식에서 전수, 정량화, 추적 가능한 자동화 단계로 옮겨, 전자 제조 라인의 수율 상한과 납기 리듬을 직접 결정한다는 것입니다.

1. 핵심 개념과 기술 정의

PCB, 즉 인쇄 회로 기판은 전자 제품의 어머니라 불립니다. 배선은 더 미세해지고 층수는 늘어나며 부품은 더 작아지고 있어, 현미경 아래에서 육안으로 불량을 찾는 방식은 속도를 따라가기 어렵습니다. PCB 검사에서 AI 시각 인식의 역할은 산업용 카메라로 이미지를 획득한 뒤 딥러닝 모델로 기판에 문제가 있는지, 문제가 있다면 어떤 유형에 속하는지를 판정하는 것입니다.

전통적인 머신 비전은 규칙과 템플릿 매칭에 의존하여 배선 반사, 기판 색상 차이, 미세 변형 상황에서 오판이 잦습니다. AI 시각 인식은 다릅니다. 양품과 불량 이미지의 대규모 세트로 학습하여 모델이 불량 특징을 스스로 익힙니다. 주요 검사 항목으로는 단선, 단락, 흠집, 버, 잔류 동, 이물, 패드 오염, 문자 흐림, 홀 편차 등이 있습니다. 시스템은 OK 또는 NG만 출력하지 않고 불량 유형, 좌표 위치, 신뢰도까지 제공하여 이후 추적과 공정 개선에 도움을 줍니다.

2. 기술 원리와 핵심 역량

이러한 시스템이 실제로 배치되려면 몇 가지 핵심 역량이 함께 작동해야 합니다.

1. 이미지 획득과 전처리. 고해상도 산업용 카메라와 다각도 조명으로 표면 반사와 그림자를 안정적으로 제어합니다. 전처리에서는 노이즈 제거, 보정, 정렬을 수행하여 동일 배치 기판의 이미지를 상호 비교할 수 있게 합니다.

2. 딥러닝 불량 인식. 분류 모델은 불량 존재 여부를 판정하고, 분할 모델은 불량 윤곽을 그리며, 검출 모델은 불량 위치를 찾습니다. 이들을 결합하면 큰 불량과 미세한 배선 이상을 모두 잡아낼 수 있습니다.

3. 퓨샷 러닝과 지속 학습. PCB 불량 샘플은 본질적으로 희소하며, 업계 솔루션은 보통 데이터 증강과 전이 학습을 사용해 샘플 수에 대한 의존을 줄입니다. 생산 중 발견된 난이도 높은 샘플을 피드백하여 재학습시키면 모델이 새로운 품번과 공정 드리프트에 점차 적응할 수 있습니다.

4. MES, SPC와의 연계. 검사 결과를 실시간으로 업로드하고 배치, 설비, 교대조별로 불량 분포를 집계합니다. 특정 불량 유형이 계속 나타나면 완제품 샘플링을 기다리지 않고 시스템이 사전에 경고할 수 있습니다.

5. 사이클 정합성. PCB 검사는 흔히 라인 중간이나 끝에 위치하며, 검사 속도가 라인 사이클을 따라가야 합니다. 업계에서는 일반적으로 GPU 가속 추론, 병렬 카메라, 영역 우선순위 전략으로 기판당 검사 시간을 압축합니다.

3. 전형적인 제조 적용 시나리오

시나리오 1은 전자 공장의 다층 기판 최종 외관 검사입니다. 이 공장은 배선 폭과 간격이 매우 미세한 소비자 가전 메인보드를 생산하며, 수동 검사는 유출률이 불안정합니다. 공장이 최종 검사 스테이션에 AI 시각 검사 장비를 배치하여 모든 기판을 전수 검사하고 불량을 자동 분류하며 좌표를 표시한다고 가정해 보겠습니다. 그 결과 눈의 피로에서 오는 변동이 사라지고 불량 기판이 조립으로 흘러 들어가지 않으며 클레임 위험이 분명히 낮아집니다.

시나리오 2는 자동차 부품 업체의 자동차용 PCB 솔더링 후 검사입니다. 자동차 전장은 높은 신뢰성을 요구하며, 콜드 조인트, 솔더 브리지, 솔더 부족은 모두 고장을 유발할 수 있습니다. 이 회사가 리플로우 후에 AI 비전 스테이션을 추가하여 솔더 조인트 형상과 리드 편차에 집중한다고 가정해 보겠습니다. 시스템은 불량을 유형별로 집계해 공정 엔지니어에게 피드백함으로써 인쇄와 리플로우 프로파일을 조정하게 합니다. 이런 시나리오에서 AI 비전은 폐기품을 선별하는 데 그치지 않고 공정 최적화의 데이터 원천이 됩니다.

시나리오 3은 통신 장비 공장의 연성 기판 검사입니다. FPC는 변형이 쉬워 전통적인 비전은 특징 위치를 잡기 어렵습니다. 공장이 변형 보정 알고리즘을 갖춘 AI 비전을 사용해 먼저 정렬한 뒤 검사하여 휨으로 인한 오판을 억제한다고 가정해 보겠습니다. 연성 기판 검사는 조명과 알고리즘에 더 높은 요구를 하지만, 일단 안정적으로 가동되면 라인 자동화 수준이 분명히 올라갑니다.

4. 선정 포인트와 도입 조언

첫째, 검사 항목과 정확도 요구를 사전에 정의하십시오. 모든 불량이 AI에 적합한 것은 아니며, 일부 치수 측정 항목은 전통적인 비전이 더 안정적입니다. 불량을 명확히 나열한 뒤 AI가 어디까지 커버할 수 있는지 판단하십시오.

둘째, 오경보와 유출의 균형을 보십시오. 라인은 생산을 멈추는 오경보를 두려워하고, 불량품이 빠져나가는 유출도 두려워합니다. 선정 시 데모 환경만 묻지 말고 유사 기판 유형에서의 실측 성능을 확인하십시오.

셋째, 샘플 축적과 모델 반복 개선 메커니즘에 주의하십시오. PCB는 품번이 많고 리비전이 잦아, 새로운 품번에 얼마나 빨리 적응하는지가 초기 정확도보다 중요합니다.

넷째, 라인 통합 난이도를 고려하십시오. 검사 장비가 기존 라인과 통신 프로토콜, 반입 반출 방식, 데이터 인터페이스에서 맞는지가 안정화 기간을 직접 좌우합니다.

다섯째, 총비용을 계산하십시오. 장비 투자 외에 유지보수, 재학습, 인력 교육에 드는 장기 비용을 함께 계산해야 합니다. 15개 이상 산업을 아우르는 120개 이상 고객의 업계 경험과 3,200명 이상 최종 사용자의 피드백은 선정 시 기준선 참고 자료로 활용할 수 있습니다.

5. 트렌드와 요약

방향 1은 검사와 공정의 폐루프화입니다. AI 비전이 불량을 발견하면 인쇄, 실장, 리플로우 파라미터와 자동으로 연계되어 검사, 분석, 조정의 루프를 형성하고 숙련 경험에 대한 의존을 줄입니다.

방향 2는 엣지 컴퓨팅과 경량 모델입니다. 추론을 라인 엣지로 옮기면 지연과 대역폭 부담이 줄어, 더 많은 중소형 라인이 AI 비전을 감당할 수 있게 됩니다.

방향 3은 멀티모달 융합입니다. 가시광, 적외선, 3D 프로파일 이미징을 결합하면 내부 보이드나 층간 편차처럼 육안으로 보이지 않는 불량 유형까지 커버할 수 있습니다.

주제로 돌아가면, PCB 검사에서 AI 시각 인식의 가치는 사람이 보는 행위를 대체하는 데 있지 않고 검사를 정량화, 추적, 피드백이 가능한 데이터 노드로 바꾸는 데 있습니다. 전자 제조사 입장에서는 검사 데이터를 먼저 활용하는 곳이 수율과 납기에서 더 쉽게 격차를 만들 수 있습니다.

주제: AI 시각 인식 백과