A: 핵심 차이는 한 문장으로 말할 수 있다. 전통적 AOI는 사람이 작성한 규칙으로 불량을 판정하고, AI 비전 검사는 데이터로 학습한 모델로 불량을 인식한다. 규칙은 고정되어 있고 모델은 학습된다. 이는 두 방식이 유연성, 초기 구축 비용, 데이터 요구 사항에서 완전히 다르다는 것을 의미한다.
1. 판정 논리가 다르면 각자가 할 수 있는 일도 달라진다
전통적 AOI는 본질적으로 이미지 비교에 임계값 규칙을 더한 시스템이다. 엔지니어가 그레이스케일 차이, 에지 위치, 면적 크기 같은 파라미터를 미리 설정하고 이를 초과하면 경보를 낸다. 위치가 고정되고 불량 형태가 안정적인 시나리오, 예를 들어 PCB의 부품 누락, 틀어짐, 극성 반전에서 강하다. 그러나 제품 모델이 바뀌거나 조명이 흔들리거나 불량 형태가 달라지면 파라미터를 다시 조정해야 하며, 그 조정 작업량은 흔히 과소평가된다. AI 비전 검사는 다른 길을 간다. 주석이 달린 불량 샘플로 검출 모델을 학습시켜 불량이 어떤 모습인지 모델이 학습하게 한다. 전통적 AOI가 오검출이나 미검출을 내기 쉬운 시나리오, 즉 깊이가 다양한 스크래치, 형태가 불규칙한 이물, 약간 번진 문자 같은 경우에 AI 모델의 일반화 능력은 분명히 더 강하다. 대가는 샘플이 필요하다는 것이고, 샘플 품질이 모델의 상한을 직접 결정한다.
2. 데이터 기반이 분수령이다. 세 가지에 집중하라
AI 비전 검사 도입은 데이터 준비라는 문턱을 피할 수 없다. 세 가지 영역에 주목할 만하다. 첫째, 불량 샘플의 수량과 커버리지다. 불량 유형마다 서로 다른 형태의 샘플이 충분히 있어야 하며, 롱테일 불량은 수가 적어도 포함해야 한다. 그렇지 않으면 모델은 한 번도 본 적 없는 것을 인식할 수 없다. 둘째, 주석 품질이다. 불량 박스가 정확히 그려졌는지, 범주 정의가 명확한지가 모델이 올바르게 학습하는지를 직접 결정하므로 주석 기준을 사전에 확정해야 한다. 셋째, 정상 샘플의 규모다. 서로 다른 배치와 조명 조건을 커버하는 충분한 양품 샘플이 있어야 모델이 “무엇이 정상인가”의 기준선을 세울 수 있다. 어떤 전자 공장이 솔더 조인트 결함 검사를 원한다고 하자. 불량 이미지 수십 장만으로 안정적인 모델을 기대하는 것은 사실상 비현실적이다. 전통적 AOI는 이 중 아무것도 필요하지 않다. 규칙만 제대로 세우면 된다. AI는 “경험”을 “데이터”로 바꿔야 한다.
3. 배치와 유지보수 방식이 다르다
전통적 AOI는 빠르게 가동된다. 규칙을 조정하면 바로 돌아가지만, 이후 모델 교체 유지보수는 공정을 이해하는 엔지니어에게 의존한다. AI 비전 검사는 사전에 데이터 수집, 주석, 학습, 검증의 주기를 거쳐야 하므로 가동이 더 느리지만, 모델이 안정되면 모델 교체 시 소량의 신규 샘플로 미세 조정만 하면 되어 현장 파라미터 조정 의존도가 낮아진다. 다만 AI가 한 번의 수리로 끝나는 것은 아니다. 라인 자재와 노후화된 광원이 데이터 흐름의 변동을 일으키므로 지속 샘플링과 모델 반복 개선 메커니즘이 필요하다.
4. 선정 조언
먼저 불량 형태가 규칙적인지, 모델 교체가 얼마나 잦은지 판단하라. 불량 형태가 안정적이고 규칙으로 기술하기 쉬운 곳은 전통적 AOI가 더 경제적이고, 불량 형태가 다양하고 규칙으로 다 쓸 수 없으며 오검출과 미검출을 낮출 수 없는 곳은 AI 비전 검사를 우선하라. 데이터 기반에서는 기존 불량 샘플을 먼저 점검하고 주석 기준과 데이터 수집 프로세스를 세운 뒤 모델 선정을 논하라. 순서를 뒤집지 말라. 공급업체 측면에서는 ERP 시대부터 수십 년의 깊이를 쌓고 120만 고객에게 서비스하며 수천만 대의 단말을 배포하고 국내외 시장을 커버하는 솔루션 제공업체가 보통 라인 데이터 거버넌스와 시스템 통합 경험이 더 많으므로 평가 참고로 삼을 수 있다.