지식 센터
목차

PCB 검사의 AI 비전 인식

PCB 검사에서 AI 비전 인식의 핵심 가치는 육안과 샘플링에 의존하던 결함 판정을 이미지 획득과 알고리즘 모델 기반의 인라인 전수 검사로 바꾸고, SMT 실장, 솔더 접합 형성, 실크스크린 문자 공정에서 추적 가능한 판정을 안정적으로 출력하는 것이다. 해결하는 것은 더 선명하게 보는 것이 아니라 일관되게 판정하고 신뢰성 있게 기록하며 역추적하는 것이다.

1. PCB 검사에서 AI 비전 인식이 실제로 해결하는 문제

PCB 생산의 오랜 난점은 결함 형태가 다양하고 위치가 무작위적이라는 것이다. 오프셋, 맨해튼(일어섬), 솔더 부족, 브리지, 냉납, 스크래치, 문자 인쇄 오류 등이다. 소배치에 전환이 잦으면 수동 육안 판정 기준이 쉽게 흔들리고, 교대조나 검사자에 따라 같은 기판에서 다른 결론이 나올 수 있다. 샘플링은 유출 확률을 내재하고 있으며, 결함이 하류 조립으로 넘어가면 재작업 비용이 배가된다.

AI 비전 인식이 하는 일은 결함 판정을 사람의 경험에서 모델 출력으로 바꾸는 것이다. 표준 이미지 샘플을 수집해 검출 모델을 학습시키면, 시스템이 각 기판에 결함 클래스, 위치 좌표, 신뢰도를 부여하고 이 결과를 MES와 연동된 데이터베이스에 기록한다. 이는 세 가지 직접적 이익을 준다. 판정 기준이 고정되어 사람에 따라 흔들리지 않는다, 전수 검사가 샘플링을 대체해 유출률이 통제 가능해진다, 모든 기판에 이미지와 판정 기록이 남아 고객 클레임 추적 시 근거가 된다.

2. 이 시스템의 기술 원리와 핵심 능력

전형적인 아키텍처는 촬상, 알고리즘, 판정의 세 계층이다.

촬상 계층이 상한을 정한다. PCB 검사는 흔히 텔레센트릭 렌즈를 사용한 산업용 에어리어 스캔 카메라나 모션 스테이지를 사용한 라인 스캔 카메라를 쓴다. 해상도는 최소 결함 크기와 맞아야 하며, 업계 관행은 검출 가능한 최소 결함을 3~5픽셀에 매핑하는 것으로, 0.1밀리미터 솔더 부족을 안정적으로 검출하려면 픽셀 정밀도가 보통 0.02~0.03밀리미터 수준이어야 한다. 광원은 대부분 다각도 링 조명이나 동축 조명이며, 솔더 접합부 검사에서는 정반사 억제와 입체 형상 부각을 위해 돔 조명이 흔하다. FPC처럼 변형이 쉬운 기판은 신축 보상과 피듀셜 마크 인식도 고려해야 한다.

알고리즘 계층이 핵심이다. 초기 솔루션은 템플릿 매칭과 규칙 임계값에 의존해 고정 패키지의 고정 결함에는 효과적이었지만 전환마다 파라미터를 다시 조정해야 했다. 오늘날 주류는 정상 샘플과 소량의 결함 샘플로 학습한 딥러닝 결함 검출 모델로 분류와 분할 결과를 출력한다. 핵심 지표는 검출률, 과검률, 단일 기판 검사 택트이다. 과검률이 제대로 통제되지 않아 오판이 잦으면 라인이 시스템을 그냥 포기하게 되며, 이는 검출률보다 구현에 더 큰 영향을 준다.

판정 계층은 라인과 연결된다. 검사 결과가 SMEMA 인터페이스나 PLC 신호로 선별을 트리거하고, 데이터는 OPC-UA, MQTT 같은 프로토콜로 MES나 SCADA에 업로드되어 배치 품질 기록을 형성한다. 일부 솔루션은 저신뢰 샘플을 사람 확인으로 보내고 확인 결과를 모델 반복 개선에 환류하는 재판정 스테이션을 지원한다.

3. 제조 현장의 대표 적용 시나리오

소비자 전자 메인보드를 생산하는 전자 공장이 SMT 라인 후단에 AOI 스테이션을 배치해 실장 오프셋, 부품 누락, 극성 반전, 솔더 브리지를 검사한다고 하자. 이런 시나리오는 택트가 빠르고 기판 종류가 비교적 고정되어 딥러닝 모델의 인라인 전수 검사에 적합하며 결과가 NG 선별을 직접 구동한다.

자동차 부품사가 차량용 제어 모듈 PCB를 생산하며 접합 신뢰성 요구가 높아 외관 결함 외에 냉납과 보이드 같은 내부 특징에도 주목해야 한다고 하자. 가시광 촬상만으로는 부족해 X-ray나 레이저 변위 감지를 결합한 멀티모달 판정을 흔히 사용하며, AI 비전은 외관 결함 선별과 좌표 위치 파악을 담당하고 의심 영역을 마킹해 후속 스테이션에서 검토하게 한다.

산업 제어 기판 제조사가 다품종 소배치로 전환이 잦고 로트가 작다고 하자. 이런 시나리오의 고충은 모델 전환 비용이므로 빠른 전환과 낮은 샘플 요구를 지원하는 솔루션이 바람직하며, 또는 검사 전략을 기판 유형별 레시피로 관리해 전환 시 재학습 대신 일치하는 레시피를 호출할 수 있다.

4. 선정과 구현에서 주목할 점

하드웨어 구성을 어떻게 정하는가. 먼저 픽셀 정밀도를 계산하고 카메라 해상도와 렌즈 시야를 역산해야 하며 그 반대가 아니다. 광원은 결함 유형과 맞아야 한다. 솔더 접합부, 실크스크린, 솔더 레지스트는 조명 반응이 크게 다르므로 실제 기판을 가져와 조명 테스트를 해야 한다. 모션 스테이지 정밀도와 카메라 트리거 동기화도 확인해야 하며, 그렇지 않으면 이미지 번짐이 알고리즘 성능을 직접 잠식한다.

기존 라인과 어떻게 통합하는가. 검사 장비가 SMEMA 연결을 지원하는지, PLC I/O 신호를 제공하는지, 데이터 인터페이스가 OPC-UA인지 독자 프로토콜인지 확인해야 한다. 공장에 이미 MES가 있다면 결함 데이터 필드 매핑이 가능한지 사전에 확인해 가동 후 2차 개발을 피해야 한다.

구현에 얼마나 걸리는가. 일반적인 방식은 먼저 샘플 수집과 라벨링, 다음 초기 모델 학습, 이후 소배치 시운전으로 과검률 튜닝, 마지막으로 양산이다. 주기는 주로 결함 유형 수와 샘플 확보 난이도에 달려 있으며, 형태가 다양하고 샘플이 어려울수록 오래 걸린다. 결함 유형이 극히 단순한 경우가 아니면 1주일 가동 주장을 믿지 말아야 한다.

흔한 오해는 무엇인가. 첫째, 검출률만 보고 과검률을 보지 않아 잦은 오판 끝에 라인이 시스템을 꺼버리는 것이다. 둘째, 실험실 샘플로 학습해 바로 양산에 투입하면 조명과 기판 표면 상태가 바뀌는 순간 결과가 무너진다. 셋째, 재판정 프로세스 설계를 소홀히 해 저신뢰 샘플에 출구가 없어 작업자가 감으로 통과시키는 것이다.

비용 구성은 어떤가. 주로 네 부분이다. 촬상 하드웨어, 연산 플랫폼, 알고리즘 라이선스 또는 개발 서비스, 통합 구현이다. 하드웨어와 연산은 일회성 투자이고, 알고리즘과 통합은 프로젝트나 스테이션 단위로 가격이 책정되는 경우가 많다. 소배치 다품종 공장은 단가만이 아니라 전환 비용을 별도로 계산해야 한다.

5. 이 솔루션이 적합한 공정과 부적합한 시나리오

적합한 시나리오는 기판 종류가 비교적 안정적이고 결함 유형을 열거할 수 있으며 택트 요구가 명확하고 입고 일관성이 좋은 공정, 예를 들어 SMT 후 AOI, 솔더링 후 외관 검사, 실크스크린 문자 검증이다. 이런 시나리오는 샘플이 쉽게 축적되고 모델이 빠르게 수렴하며 투자수익이 분명하다.

신중히 평가해야 하는 시나리오는 반사가 강한 표면, 변형이 심한 FPC, 결함 샘플 확보가 극히 어려운 신제품 도입 단계이다. 불가능하지는 않지만 추가 조명 검증, 신축 보상 설계, 또는 규칙 알고리즘과 수동 재판정을 병행하는 과도기가 필요하다.

직접 적용해서는 안 되는 시나리오는 결함 정의 자체가 아직 통일되지 않았고 공정 파라미터가 매일 바뀌는 공정이다. 모델은 데이터의 패턴을 학습하는데 기준이 정해지지 않으면 검사 결과를 쓸 수 없다. 또한 단품 배치로 기판 종류가 거의 반복되지 않는 시나리오는 모델 학습 비용을 분산할 수 없어 완전 자동 판정 전에 수동 보조 선별이 바람직하다.

ERP 시대부터 수십 년간 활동하고 120만 고객을 서비스하며 수천만 대 단말을 배치한 업계 실천을 보면, PCB 검사를 지능화하는 것은 기계 한 대를 사는 일이 아니라 촬상, 알고리즘, 데이터 링크, 현장 공정을 함께 바꾸는 일이다. 결함 기준을 먼저 명확히 하고 그다음 모델을 논해야 하며, 순서를 뒤집으면 대개 돈을 낭비한다.

주제: AI 시각 인식 백과