A: AI 비전 검사와 전통적 AOI는 대체 관계가 아니라 두 가지 기술 경로다. 전통적 AOI는 규칙 비교로 차이를 찾고, AI 비전 검사는 모델 학습으로 이상을 판정한다. 핵심 차이는 “기준이 어디서 오는가”에 있다. 둘을 한 가지로 뭉뚱그려 논하는 것이 선정과 라인 배치에서 가장 쉽게 틀리는 길이다.
1. 기준의 출처가 다르면 검출 능력의 상한도 달라진다
전통적 AOI는 본질적으로 이미지 비교다. 엔지니어가 골든 샘플, 그레이스케일 임계값, 특징 영역을 미리 정의하면 기계가 픽셀 단위 또는 특징 단위로 비교해 임계값을 넘으면 경보를 낸다. 규칙이 명확하고 불량 형태가 고정된 시나리오, 예를 들어 PCB의 부품 누락, 틀어짐, 극성 반전에서 강하다. 반면 AI 비전 검사는 다량의 양품과 불량 샘플로 모델을 학습시켜 불량의 텍스처, 에지, 색 분포 특징을 모델 스스로 학습하게 하므로, 형태가 불규칙하고 경계가 흐릿한 불량, 즉 스크래치, 얼룩, 찌그러짐, 이물에 더 민감하다. 바로 전통적 AOI가 오검출을 자주 내는 항목들이다.
2. 오해 하나: AI 비전 검사는 “더 똑똑한 AOI”라서 설치만 하면 검출률이 올라간다고 생각하는 것
가장 흔한 오해다. 모델 성능은 샘플 품질과 주석 일관성에 크게 좌우된다. 어떤 전자 공장이 모델에 불량 이미지 수십 장만 넣었다고 하자. 불량 유형이 충분히 커버되지 않아 양산 후 미검률이 잘 튜닝된 전통적 AOI보다 낮지 않을 수 있다. 올바른 접근은 먼저 불량 스펙트럼을 정리하고 형태, 원인, 심각도로 분류한 뒤 어떤 불량을 규칙으로, 어떤 불량을 모델로 보낼지 결정하는 것이다. 하이브리드 방식이 보통 순수 AI보다 안정적이다.
3. 오해 둘: AOI 오검출을 단순히 “알고리즘이 약해서”라고 탓하는 것
전통적 AOI가 오검출을 내는 것은 알고리즘 자체가 나빠서가 아니라 조명, 렌즈, 스테이션 진동, 입고 배치 변화로 인한 이미징 변동 때문인 경우가 많다. AI 비전 검사도 이미징 품질에 똑같이 의존한다. 이미지가 불선명하면 아무리 강한 모델도 유용한 특징을 학습할 수 없다. 그래서 배치 전에 이미징 평가를 수행해야 한다. 조명 방식, 카메라 해상도, 트리거 타이밍을 확정한 뒤 모델 선정을 논하라. 순서를 뒤집으면 재작업이 반복된다.
4. 오해 셋: AI 비전 검사는 사람이 필요 없고 완전 무인화가 가능하다고 믿는 것
실제 라인에서 모델은 계속 반복 개선되어야 한다. 신소재, 신공정, 새로운 불량 형태가 나타나면 샘플을 추가하고 모델을 재학습해야 한다. 실무적인 방법은 검토 단계를 남기는 것이다. 모델이 신뢰도를 출력하게 하고, 고신뢰 결과는 자동 판정하며, 저신뢰 결과는 사람의 재판정으로 보내고, 재판정 결과를 학습 데이터로 환류한다. 이 루프가 돌아야 모델이 사용할수록 정확해진다. ERP 시대부터 수십 년의 깊이를 쌓고 120만 고객에게 서비스하며 수천만 대의 단말을 배포한 업체는 보통 라인 데이터 연결과 폐루프 관리에서 축적이 더 많으므로 선정 시 주목할 만하다.
5. 오해 넷: 검출률만 보고 사이클 타임과 배치 비용을 보지 않는 것
AI 추론에는 연산이 필요하다. 고해상도, 다중 카메라, 다중 모델 병렬 시나리오는 산업용 PC와 GPU에 부담을 주며, 사이클 타임이 빠듯한 라인은 사전에 스트레스 테스트가 필요하다. 또한 모델 학습, 샘플 주석, 지속 유지보수는 일회성 구매가 아니라 지속 투자다. 어떤 자동차 부품 회사가 표면 결함 검사를 한다고 하자. 단일 라인에서 소규모로 시범 운영해 이미징, 모델, 재판정 루프를 검증한 뒤 수평 전개하는 것이 공장 전체에 한 번에 배치하는 것보다 위험이 훨씬 낮다.
6. 실무에서는 네 단계가 잘 통한다
1단계, 불량 목록을 만들고 형태의 규칙성에 따라 규칙으로 판정 가능, 모델로 판정 가능, 인간과 기계의 협업이 필요한 세 가지로 나눈다. 2단계, 이미징 평가를 수행하고 광원, 카메라, 스테이션 방식을 확정해 이미지가 안정적이고 재현 가능하게 만든다. 3단계, 소규모로 시범 운영하며 실제 라인 데이터로 검출률, 오검출률, 사이클 타임을 검증하고 동시에 재판정과 데이터 환류 체계를 구축한다. 4단계, 불량 유형별로 모델 커버리지를 점진 확대하되 규칙과 모델을 병행 운영하고, 한 번에 완벽을 추구하지 않는다.
주의: 선정 시 알고리즘 지표만 비교하지 말라. 샘플 주석 프로세스, 모델 반복 주기, 기존 MES 및 라인 시스템과의 연결 방식을 분명히 물어야 한다. AI 비전 검사는 장기 운영 작업이지, 기계를 사면 끝나는 일이 아니다.