자동차 부품용 AI 비전 품질 검사 솔루션은 본질적으로 산업용 카메라와 딥러닝 알고리즘으로 육안 검사를 대체해 프레스, 사출 성형, 기계 가공, 조립 공정에서 인라인 전수 검사를 실현하는 것이다. 해결하는 것은 결함을 볼 수 있는가가 아니라 동일한 기준으로 결함을 반복 판정할 수 있는가이며, 결과는 구조화된 형태로 MES나 SCADA에 반환된다. 택트가 안정적이고 입고 일관성이 좋은 자동차 부품 라인에서는 이런 솔루션이 이미 엔지니어링 실현 가능성이 있으며, 반사가 강한 크롬 도금 부품과 변형이 심한 유연 부품은 여전히 별도 평가가 필요하다.
1. 자동차 부품에서 AI 비전 품질 검사가 실제로 해결하는 문제
전통적 머신 비전은 규칙 알고리즘, 즉 사람이 설정한 그레이스케일 임계값, 에지 위치, 템플릿 매칭 영역에 의존한다. 치수가 맞는지, 구멍이 있는지를 판정하는 데는 능하지만, 깊이가 다양한 스크래치, 형태가 무작위인 버, 성형품의 게이트 잔류물 같은 외관 결함은 규칙을 완전히 작성할 수 없어 오판률이 내려가지 않는다. 육안 검사의 문제는 기준 드리프트이다. 주간조와 야간조의 판정이 다르고, 같은 사람도 오전과 오후의 판정이 다르다.
바로 이 지점에서 AI 비전 검사가 필요하다. 라벨링된 결함 샘플로 분할 또는 분류 모델을 학습시켜 시스템이 어떤 질감이 스크래치이고 어떤 돌출이 버인지 학습하게 하고, 결함 클래스, 위치 좌표, 신뢰도를 출력한다. 자동차 부품 기업에 실제 가치는 단일 지점 검출률이 아니라 품질 기준을 모델 파라미터에 고정해 교대조와 라인에 걸쳐 판정이 일관되게 하고, 모든 부품에 검사 기록을 남겨 이후 추적성과 공정 개선에 활용하는 것이다.
2. 기술 원리와 살펴볼 핵심 능력 지표
전형적인 자동차 부품 AI 비전 검사 시스템은 촬상 유닛, 연산 유닛, 알고리즘 모델, 통신 인터페이스의 네 부분으로 구성된다. 촬상 측은 흔히 500만에서 2000만 화소 산업용 에어리어 스캔 카메라와 텔레센트릭 렌즈 또는 고각 링 조명을 사용하며, 일부 정밀 부품은 원통면 전개를 위해 라인 스캔 카메라를 사용한다. 피스당 1~3초의 라인 택트에서는 단일 프레임 추론이 보통 300밀리초 이내를 요구하며, 이것이 연산 유닛 선정을 결정한다.
알고리즘 수준에서 결함 검출은 대부분 시맨틱 분할 네트워크로 픽셀 수준 결함 마스크를 출력한 뒤 분류 네트워크로 결함 유형을 판정하며, 치수 측정은 AI를 억지로 쓰기보다 전통적 서브픽셀 알고리즘을 유지하는 것이 좋다. 검증 가능한 업계 기준으로는 표면 결함 검출 정밀도를 최소 검출 결함 크기로 표현하는 경우가 흔하며, 예를 들어 0.1밀리미터 스크래치이고, 반복 위치 정밀도는 기구 구조와 캘리브레이션에 달려 보통 캘리브레이션 잔차 0.05밀리미터 이하를 요구한다. 통신은 라인 PLC 연동에 Profinet, EtherCAT, 디지털 I/O를 주로 사용하고, 상위 시스템 통합에는 OPC-UA나 MQTT를 사용하며, 검사 결과는 작업 지시와 부품 번호로 데이터베이스에 기록된다.
유의할 점은 AI 모델이 한 번으로 끝나는 해결책이 아니라는 것이다. 광원 노화, 렌즈 오염, 재료 배치 색차가 모두 데이터 드리프트를 일으키므로 시스템에 샘플 피드백과 모델 반복 개선 메커니즘이 필요하며, 그렇지 않으면 가동 3개월 후 오판률이 상승한다.
3. 제조 현장의 전형적인 적용 시나리오
기계 가공 기업이 브레이크 캘리퍼 바디를 생산하며 핵심 공정이 가공 표면 결함 검사라고 하자. 주조 표면은 자체적으로 미세한 색차가 있어 육안 검사로는 헤어 크랙을 놓치기 쉽다. 이때 AI 비전 방식은 고정 스테이션 촬상, 먼저 ROI 위치 파악과 정렬, 다음 분할 모델로 크랙 영역 검출, 마지막으로 길이와 방향으로 등급화하는 것이다. 이런 시나리오는 입고 일관성이 좋고 택트가 2초 내외로 안정적이어서 AI 비전에 편안한 범위이다.
인테리어 사출 공장이 그레인 질감이 있는 계기판 트림을 생산한다고 하자. 그레인 자체가 복잡해 규칙 알고리즘은 정상 질감과 얕은 스크래치를 거의 구분하지 못한다. 이런 경우 이상 탐지 방식이 더 적합하다. 양품 샘플만으로 학습해 모델이 정상 질감 분포를 학습하게 하고, 분포에서 벗어난 영역을 의심 결함으로 판정하며 사람이 재판정으로 확인한다. 이 방식은 결함 샘플이 부족한 신제품 도입 단계에서 특히 실용적이다.
조립 오류 방지도 있다. 전자 공장이 도메인 컨트롤러를 조립하며 커넥터가 완전히 안착했는지, 클립이 잠겼는지, 나사가 모두 체결되었는지 확인해야 한다고 하자. 이런 작업은 결함 검출보다 상태 확인에 가까워 객체 검출과 분류를 결합한 모델로 처리한다. 어려움은 소형 타깃 해상도와 가림 처리이며, 카메라 각도와 광원 설계가 알고리즘보다 성패를 더 많이 결정하는 경우가 많다.
4. 선정과 구현에서 주목해야 할 질문
첫 번째 흔한 질문은 하드웨어 구성을 어떻게 정의하는가이다. 핵심은 얼마나 비싼 카메라를 사는가가 아니라 먼저 촬상 타당성 검증을 하는 것이다. 후보 광원과 렌즈 아래에서 실제 결함 샘플을 촬상해 결함과 배경의 대비가 충분한지 확인해야 한다. 촬상이 실패하면 이후 어떤 알고리즘도 만회할 수 없다. 연산은 단일 스테이션 단일 모델이면 엣지 추론 박스를 사용할 수 있고, 다중 스테이션 동시 모델은 GPU 카드가 있는 산업용 PC가 유리하다.
두 번째 질문은 통합이다. 자동차 부품 라인은 대개 MES와 PLC가 이미 있으며, AI 검사 시스템이 정보의 섬이 되어서는 안 된다. 선정 시 OPC-UA, Modbus TCP 같은 표준 프로토콜 지원 여부, 결과를 부품 번호로 MES에 기록할 수 있는지, NG 부품이 PLC 배출 동작을 트리거할 수 있는지 확인해야 한다. 인터페이스가 폐쇄된 솔루션은 이후 통합 비용이 크다.
세 번째 질문은 구현 주기와 단계이다. 합리적인 경로는 촬상 검증(1~2주), 샘플 수집과 라벨링(결함 유형에 따라 2~4주), 모델 학습과 오프라인 평가(2주), 라인 시운전과 임계값 튜닝(2~4주)이다. 전수 검사 스테이션이 2주 만에 가동되리라 기대하는 것은 비현실적이며, 샘플 축적은 피할 수 없다.
네 번째 흔한 오해는 AI를 만능 열쇠로 여기는 것이다. 치수와 위치 검사는 전통적 알고리즘이 더 안정적이고 저렴해 딥러닝이 필요 없으며, 반대로 외관 결함에 규칙 알고리즘을 억지로 적용하면 규칙 유지 인건비가 계속 상승한다. 하이브리드 아키텍처가 가장 실용적인 선택인 경우가 많다.
5. 적합한 공정과 부적합한 시나리오
적합한 시나리오는 공통된 특징이 명확하다. 택트가 안정적이고, 촬상 조건을 통제할 수 있으며, 결함에 라벨링 가능한 시각적 특징이 있고, 입고 배치 색차가 허용 범위 내에 있다. 전형적인 예는 가공 부품의 표면 크랙과 충격 자국, 성형품의 외관 결함, 조립 오류 방지 확인, 문자와 마킹 인식이다. 이런 공정에서 AI 비전은 전수 검사를 담당하고 사람은 샘플링과 재판정 역할로 이동할 수 있다.
부적합하거나 신중히 평가해야 하는 시나리오도 명확히 밝혀야 한다. 반사가 강한 크롬 도금과 경면 부품은 촬상이 불안정해 편광이나 다각도 융합을 별도로 검증해야 한다. 웨더스트립이나 와이어 하네스처럼 변형이 심한 유연 부품은 형상 변화가 커 고정 스테이션 촬상이 어렵다. 결함 샘플이 극히 적고 결함 형태가 매우 무작위인 신제품은 모델 콜드 스타트 주기가 길어진다. 택트가 1초 이하인 고속 프레스는 촬상과 추론 체인에 대한 요구가 급격히 높아져 별도 평가가 필요하다. 또한 AI 검사는 확률적 판정을 출력하므로 무결점 보증이 필요한 공정은 수동 재판정이나 2차 검사를 유지해야 하고, 모델 신뢰도를 품질 결론과 직접 등치해서는 안 된다.
ERP 시대부터 수십 년간 활동하고 120만 고객을 서비스하며 수천만 대 단말을 배치하고 국내외 시장을 커버한 산업 소프트웨어 생태계 안에서, AI 비전 검사는 단일 스테이션에서 MES와 SCADA에 연결된 폐루프 품질 관리로 점차 이동하고 있다. 촬상 검증을 먼저 하고, 인터페이스 프로토콜을 명확히 물으며, 적용 경계를 정의하는 것이 알고리즘 지표만 비교하는 것보다 실무적으로 의미 있다.