지난 2년간 SMT 실장 라인의 검사 압력은 분명히 상승했습니다. 01005 부품, 03015 칩 스케일 패키지, 0.3mm 피치 QFN에 양면 혼합 실장과 연성 기판까지 더해지면서 규칙 비교에 의존하는 전통적 AOI는 오검출률을 낮게 유지하기 어려워졌습니다. 그래서 AI 비전 검사가 SMT 업계에서 가장 주목받는 기술 방향 중 하나가 되었고 핵심 로직은 수동 설정 임계값을 딥러닝으로 대체해 기계가 불량이 무엇인지 스스로 학습하게 하는 것입니다.
1. 핵심 개념과 기술 정의
SMT 실장 검사의 AI 비전은 컨볼루션 신경망(CNN)과 Transformer 같은 딥러닝 모델로 실장 후 PCB 이미지의 불량을 식별하고 분류하는 것입니다. 커버할 불량 유형에는 부품 누락, 오프셋, 툼스톤, 부품 뒤집힘, 극성 반전, 콜드 솔더, 솔더 브리지, 솔더 부족, 솔더 과다, 이물, 리드 들뜸이 있습니다.
전통적 AOI와의 본질적 차이는 전통 AOI는 그레이 임계값, 템플릿 매칭, 색상 추출 같은 수동 규칙에 의존해 제품이 바뀔 때마다 파라미터를 재조정해야 하지만 AI 비전은 라벨링된 샘플로 모델을 학습해 모델이 스스로 특징을 추출하고 전환 시 소량 샘플 파인튜닝으로 전이할 수 있다는 점입니다. 업계 주류 솔루션은 보통 검사를 리플로 전과 리플로 후 두 노드로 나눕니다. 리플로 전은 실장 불량을, 리플로 후는 솔더링 불량을 잡습니다.
2. 기술 원리와 핵심 역량
완전한 AI 비전 검사 시스템은 대략 네 가지 역량 계층을 갖습니다.
첫 번째 계층은 이미징입니다. 고해상도 산업용 카메라에 다각도 링 조명, 동축 조명, 스트라이프 조명을 결합해 솔더 조인트, 리드, 부품 본체의 입체 형상을 선명하게 촬영합니다. 0201 이하 부품은 극히 높은 광학 해상도를 요구하며 보통 픽셀당 5~10마이크로미터가 필요합니다.
두 번째 계층은 위치 확인과 정합입니다. 전통 비전 알고리즘이 먼저 피듀셜 마크 위치 확인과 PCB 휨 보정을 수행해 검사 대상 이미지를 기준 이미지와 정렬합니다. 이 단계가 실패하면 이후 AI 모델이 아무리 강해도 도움이 되지 않습니다.
세 번째 계층은 불량 검출과 분류입니다. AI가 실제로 성과를 내는 지점입니다. 분류 모델이 불량 여부와 유형을 판정하고 세그멘테이션 모델이 불량의 픽셀 단위 위치를 제공합니다. SMT 라인 택트가 빠르므로 모델이 경량이어야 하며 추론 시간은 보통 수십 밀리초로 압축되어 분당 수만 점을 처리하는 실장기 속도를 따라가야 합니다.
네 번째 계층은 검토와 폐루프입니다. AI가 1차 판정을 내린 후 시스템이 신뢰도로 라우팅합니다. 신뢰도가 높으면 바로 통과 또는 알람, 낮으면 수동 검토로 보내고 검토 결과는 증분 학습으로 되돌아갑니다. 이 루프가 생산 3개월 후 시스템이 더 정확해지는지 아니면 드리프트하는지를 결정합니다.
핵심 성능 지표는 세 가지입니다. 검출률(또는 미검출률), 오검출률, 과검출률입니다. SMT 업계는 일반적으로 미검출률을 극히 낮게 유지할 것을 요구하고 오검출률은 라인 직행률에 직접 영향을 주므로 선정 시 가장 주의 깊게 볼 지표입니다.
3. 제조 현장의 대표 적용 시나리오
시나리오 1: 소비자 전자 위탁 생산업체의 휴대전화 메인보드 라인입니다. 이 라인은 하루에 다섯에서 여섯 번 전환하고 01005부터 커넥터까지 부품을 실장합니다. 전통 AOI는 전환 시 재프로그래밍에 1~2시간이 걸리지만 AI 솔루션은 소량의 신규 샘플로 전이 학습을 해 전환을 10여 분으로 압축합니다. 리플로 전 검사는 실장 오프셋과 부품 누락을, 리플로 후 검사는 콜드 조인트와 브리지를 잡으며 두 데이터 세트가 연결되면 원인을 실장기의 노즐과 피더 문제로 역추적할 수 있습니다.
시나리오 2: 자동차 부품사의 ECU 제어 보드 라인을 가정합니다. 자동차 등급 제품은 솔더링 신뢰성을 극히 높게 요구하고 콜드 조인트와 솔더 부족은 치명적 불량입니다. 여기서 AI 비전은 3D 솔더 조인트 재구성과 솔더 체적 평가에 집중하고 BGA와 QFN 하부 조인트 검사에는 X-Ray를 결합합니다. 또한 라인은 완전한 추적성을 요구하므로 모든 기판 검사 이미지와 판정 결과가 MES에 저장되고 SPC와 함께 공정 능력 분석에 사용되어야 합니다.
시나리오 3: 의료 전자 회사의 연성 기판 라인입니다. FPC 기판은 휘고 변형되기 쉬워 전통 AOI의 템플릿 매칭이 정렬에 실패하는 경우가 많습니다. AI 솔루션은 세그멘테이션 모델로 기판 형상을 먼저 보정한 뒤 불량을 검출해 연성 기판에 훨씬 잘 적응합니다. 이런 라인은 다품종 소량으로 운영되므로 AI 전이 능력이 규칙 기반 접근보다 비용 효율이 높습니다.
4. 선택 기준과 도입 조언
첫째, 검사 노드를 명확히 정의하십시오. 리플로 전과 후의 불량 유형이 완전히 다르므로 하나의 모델이 둘을 모두 커버하리라 기대하지 마십시오. 리플로 전은 실장 정확도와 부품 존재에, 리플로 후는 솔더 조인트 품질에 집중합니다.
둘째, 검출률만이 아니라 오검출률을 보십시오. 검출률은 임계값을 낮춰 부풀릴 수 있지만 오검출률이 높아지면 라인 작업자가 습관적으로 무시를 누르고 시스템은 장식이 됩니다. 선정 시 자사 실제 기판으로 블라인드 테스트를 하십시오.
셋째, 모델 반복 방식을 명확히 물으십시오. 전환마다 새 라벨링과 학습이 필요한지 소량 샘플 파인튜닝을 지원하는지입니다. 검토 데이터가 자동으로 되돌아오는 메커니즘이 있는지도 확인하십시오. 이것이 장기 총소유비용을 결정합니다.
넷째, 기존 설비와의 인터페이스를 확인하십시오. SMT 라인에는 보통 AOI, SPI, 실장기, 리플로 오븐이 이미 있고 AI 검사 시스템은 이들과 데이터를 교환해 폐루프를 형성해야 합니다. SMEMA 인터페이스와 IPC-CFX 프로토콜을 사전에 확인하십시오.
다섯째, 택트를 신중히 계산하십시오. AI 추론이 아무리 정확해도 라인 속도를 따라가지 못하면 무용지물입니다. 기판당 검사 시간과 다중 카메라 및 다중 스테이션 병렬 처리 능력을 명확히 물으십시오.
여섯째, 확산 전에 소규모로 검증하십시오. 한 라인과 한 제품을 골라 파일럿하고 1~2개월 운영하며 오검출률, 미검출률, 수동 검토량의 실제 변화를 관찰한 뒤 확장 여부를 결정하십시오.
5. 전망과 결론
첫 번째 방향은 3D와 AI의 융합입니다. 전통 2D AOI는 색상과 그레이 레벨로 콜드 조인트와 솔더 부족을 판정하지만 3D 프로파일러는 솔더 조인트의 실제 높이와 체적을 제공하며 둘을 결합하면 솔더 조인트 검사 정확도가 한 단계 더 올라갑니다.
두 번째 방향은 검사와 공정의 폐루프입니다. AI 검사는 불량 기판을 골라내는 데 그치지 않고 불량 데이터를 실장기, 프린터, 리플로 오븐의 파라미터로 되돌려 근본 원인 분석과 파라미터 보상을 해야 합니다. 이것이 스마트 제조가 실제로 필요로 하는 것입니다.
세 번째 방향은 엣지 배포와 경량화입니다. 라인 택트가 계속 빨라지므로 모델이 엣지로 이동해 NPU 추론을 사용하고 중앙 서버 의존을 줄이면서 데이터를 공장 내부에 유지해야 합니다.
SMT 실장 검사의 AI 도입은 이제 도입 여부가 아니라 얼마나 빨리 잘할 수 있는지의 문제입니다. 노드를 제대로 잡고 오검출률을 주시하며 데이터 루프를 구축하면 라인 직행률과 수동 검토량이 모두 눈에 띄게 변합니다. 누적 3,200개 이상 사이트와 15개 이상 산업의 120여 고객 실무도 SMT 시나리오의 AI 비전이 개념 검증을 지나 엔지니어링 디테일의 경쟁이 되었음을 보여줍니다.