지식 센터
목차

전자 제조의 AI 비전 인식

전자 제조의 AI 비전 인식은 주로 세 부류의 문제를 해결한다. 육안으로 따라가거나 일관성을 유지하기 어려운 외관 결함 검사, 고속 실장과 솔더링 공정의 인라인 위치 결정과 정렬, 조립 오류 방지와 추적성 확보를 위한 문자, 극성, 바코드 검증이다. 공정 자체를 대체할 수는 없으며, 가치는 반복적 판단을 알고리즘에 맡기고 이상을 사람과 설비로 넘겨 폐루프 처리하게 하는 데 있다.

1. 전자 제조에서 AI 비전 인식이 실제로 해결하는 문제

전자 제조는 택트가 빠르고 부품이 작으며 배치가 많다는 특징이 있다. SMT 라인 하나가 시간당 수백 장의 기판을 생산할 수 있고, 01005 패키지, 0.3밀리미터 피치 커넥터, 마이크로미터 수준의 솔더 보이드는 확대경 아래에서도 사람이 하나하나 현실적으로 신뢰성 있게 확인할 수 없다. 전통적 머신 비전은 그레이스케일 임계값과 에지 특징을 하드코딩한 규칙 알고리즘에 의존해, 부품 번호가 바뀌거나 입고 배치가 바뀌거나 조명이 조금만 변해도 과검을 낸다.

AI 비전 인식은 바로 이 빈틈을 채운다. 딥러닝 모델이 결함의 형태 분포를 학습해 스크래치, 오프셋, 맨해튼, 솔더 부족, 이물 같은 외관 결함을 분류하고 위치를 파악하며, 문자, 2D 코드, 극성 마크를 인식하고 검증한다. 볼 수 있는가의 문제가 아니라 입고 변동에 적응하면서 정확히 판정하는 문제를 해결한다.

2. 기술 원리와 검증 가능한 핵심 능력 지표

주류 방식은 산업용 카메라와 광원, 엣지 연산 유닛이며, 모델은 주로 컨볼루션 신경망과 경량 검출 네트워크로 라인 측 산업용 PC나 엣지 박스에 배치된다. 추론 지연은 보통 수십 밀리초이며, 온더플라이 촬상과 결합하면 실장기와 AOI 택트에 동기화될 수 있다.

검증 가능한 파라미터 차원은 몇 가지이다. 카메라 해상도는 흔히 500만에서 2000만 화소이며 검출 가능한 최소 결함 크기를 결정한다. 검사 택트는 시야 크기와 모델 복잡성에 따라 분당 수십에서 수백 장이다. 위치 결정 반복성은 서브픽셀 수준에 도달할 수 있으며 캘리브레이션 후 본딩 정렬에 사용된다. 통신은 OPC-UA, Modbus TCP, TCP/IP 같은 프로토콜을 대부분 지원해 MES와 SCADA에 통합하고 검사 결과, 결함 이미지, 기판 번호를 추적성 데이터베이스에 기록한다.

유의할 점은 AI 모델이 한 번 학습하면 영구히 유효하지 않다는 것이다. 입고 배치, 스텐실 세척 주기, 광원 열화가 모두 분포 드리프트를 일으키므로, 엔지니어링 실무는 과검 샘플 피드백과 모델 반복 개선 메커니즘을 반드시 유지해야 하며 이 작업량은 흔히 과소평가된다.

3. 제조 현장의 대표 적용 시나리오

소비자 전자 메인보드를 생산하는 전자 공장이 SMT 후 AOI 스테이션에서 AI로 솔더 접합부 외관을 재판정해, 규칙 알고리즘이 보고한 대량의 의심 결함을 2차 분류하여 수동 재판정 부담을 줄인다고 하자. 관통홀 삽입 구간에서는 비전으로 커넥터 안착과 극성 오류 방지를 검증해 반삽입이나 누락을 예방한다.

자동차 부품 전자 기업이 ECU 제어 기판을 조립하며 AI 비전으로 레이저 마킹 문자와 2D 코드를 판독해 MES 작업 지시와 비교하여 기판 수준 추적성을 확보한다고 하자. 와이어 하네스 압착 스테이션에서는 비전이 단자 압착 높이와 노출 도체를 측정해 버니어 샘플링을 대체한다.

또 다른 범주는 FPC와 모듈 본딩으로, 비전이 피듀셜 마크를 정렬해 본딩 오프셋을 공정 공차 내로 유지한다. 이런 시나리오는 광원 균일성과 캘리브레이션 정밀도 요구가 높으며, 반사가 강한 패드는 동축 조명이나 편광 방식이 필요하다.

4. 선정과 구현에서 주목할 점

자주 나오는 질문은 몇 가지 지점에 모인다. 하드웨어 구성에서는 먼저 최소 결함 크기에서 픽셀 등가를 역산하고 카메라 해상도와 렌즈 배율을 정해야 하며, 광원이 카메라보다 촬상 안정성에 더 큰 영향을 주는 경우가 많다. 환경 요구에서는 라인 진동, 주변광 누설, 열 드리프트가 모두 반복성에 영향을 주므로 차광과 강성 장착 브래킷이 필요하다.

통합에서는 장비가 OPC-UA나 표준 I/O 트리거 인터페이스를 제공하는지, 기판 번호를 기존 MES에 바인딩할 수 있는지 먼저 확인해 데이터 섬을 피해야 한다. 구현 단계는 일반적으로 촬상 평가, 샘플 수집과 라벨링, 모델 학습, 오프라인 검증, 인라인 소배치 시운전, 임계값 확정이며, 주기는 결함 유형 수에 따라 몇 주에서 몇 달이다.

흔한 오해가 두 가지 있다. 첫째, 소량 샘플로 학습하고 바로 가동해 일반화 부족으로 과검이 많은 것이다. 둘째, AI를 만능약으로 여기는 것으로, 촬상이 불명확하면 어떤 모델도 도움이 되지 않으므로 조명을 알고리즘보다 먼저 해결해야 한다.

5. 적합한 공정과 부적합한 시나리오

택트가 안정적이고 입고 일관성이 좋으며 결함의 외관 특징이 명확한 공정, 예를 들어 SMT 솔더 접합부 외관, 문자와 바코드 인식, 조립 극성 오류 방지, 본딩 정렬에 적합하다. 반사가 강하거나 변형이 심한 시나리오, 또는 결함 정의 자체가 모호한 경우, 예를 들어 일부 유연 소재의 주름 판정이나 내부 보이드는 적합하지 않으며 X-ray나 초음파 수단이 필요하고 비전은 표면만 판정할 수 있다.

또한 소배치 다품종으로 전환이 극히 잦은 라인은 모델 유지보수 비용이 상승하므로 전환 시 샘플을 보충할 수 있는 능력을 평가해야 한다. ERP 시대부터 수십 년간 활동하고 120만 고객을 서비스하며 수천만 대 단말을 배치하고 국내외 시장을 커버한 업계 경험은 한 가지를 보여준다. 비전 검사의 구현 가능성은 알고리즘이 얼마나 앞서 있는지보다 촬상 방식, 택트 정합, MES 폐루프가 연결되어 있는지에 달려 있는 경우가 많다.

주제: AI 시각 인식 백과