지식 센터
목차

Q: 전자 공장에서 AI 검사의 실제 응용 시나리오는 무엇이며, 어떤 기술 원리가 실제로 이를 떠받치는가?

A: 핵심은 한 문장이다. 전자 공장에서 AI 검사가 하는 일은 사람의 눈을 딥러닝 모델로 대체해 불량을 판정하는 것이다. 원리는 두 단계로 작동한다. 먼저 모델이 다량의 양품과 불량 이미지에서 불량 특징을 학습하게 하고, 다음으로 라인에서 실시간 추론과 비교를 수행해 판정을 출력한다.

아래에서는 구현 단계별로 풀어 보며, 여러분 공장의 상황과 대조해 볼 수 있게 한다.

1. 먼저 무엇을 검사할지 명확히 하고, 시나리오를 이미징 가능한 불량 유형으로 좁혀라

전자 공장의 AI 검사는 만능 카메라가 아니다. 첫 단계는 시나리오를 분해하는 것이다. 흔한 사례는 SMT 실장 후의 부품 틀어짐, 부품 누락, 극성 반전, 냉납이나 브리징, FPC의 스크래치와 눌림, 커넥터의 핀 변형, 하우징의 실크 인쇄 불량과 표면 얼룩이다. 이 불량들의 공통점은 특정 조명 아래에서 모두 안정적인 이미지로 담을 수 있다는 것이다. 어떤 PCBA 전자 공장이 리플로 후 AOI 스테이션을 먼저 고정하고 검사할 불량을 나열하며 유형별 판정 기준을 정의했다고 하자. 이 단계가 모델이 학습 가능한지를 결정한다. 시나리오를 좁히지 않으면 어떤 모델도 소용없다.

2. 이미징 환경을 구축하고 광학 방식으로 불량을 보이게 하라

모델이 아무리 강해도 이미지가 불선명하면 모든 것이 낭비된다. 이 연결고리는 산업용 카메라와 광원의 조합에 달려 있다. 예를 들어 평면의 스크래치에는 동축 조명, 솔더 조인트에 입체감을 주려면 저각 링 조명, 윤곽과 부품 누락에는 배면 조명을 쓴다. 핵심은 불량과 배경 사이에 대비를 만들어 이미지에서 불량이 안정적인 그레이스케일이나 색 차이를 갖게 하는 것이다. 커넥터 핀을 검사하는 어떤 전자 공장은 텔레센트릭 렌즈와 배면 조명으로 핀 간격과 변형의 안정적인 이미징을 확보해 모델에 판정 근거를 마련했다. 이미징 방식은 AI 검사의 기초이며, 기초가 흔들리면 모든 것이 무너진다.

3. 불량 검출 모델을 학습시켜라. 주류 접근은 지도 학습과 비지도 학습의 결합이다

원리 수준에서 전자 공장은 대부분 객체 검출과 분할에 합성곱 신경망을 쓴다. 불량 위치 검출에는 YOLO 계열, 솔더 조인트 분할에는 U-Net 변형, 양품과 불량 판정에는 분류 네트워크를 더한다. 실무에서는 양품 샘플이 불량 샘플보다 훨씬 많으므로 데이터 증강, 전이 학습, 심지어 비지도 이상 검출(예: 특징 재구성 방식)을 흔히 사용해 소량 샘플 불량을 커버한다. 모델이 학습하는 것은 본질적으로 불량의 텍스처, 형상, 그레이스케일 분포 특징이지 사람이 손으로 쓴 규칙이 아니다. 학습 후에는 검증 세트에서 미검률과 과검률을 확인해야 하며, 이 두 지표가 라인이 사용할 용기를 직접 결정한다.

4. 라인에 배치해 실시간 추론하라. 설비 동작과 사이클 타임에 정렬하라

학습된 모델은 여정의 절반일 뿐이고, 정말 어려운 부분은 라인에 올라가는 것이다. 추론은 산업용 PC나 엣지 컴퓨팅 박스에서 돌아야 하고, 단일 이미지 추론 시간이 라인 사이클 타임 안으로 압축되어야 한다. 예를 들어 수백 밀리초 수준이다. 동시에 PLC, AOI 설비, MES와 신호로 인터페이스해야 NG 판정이 알람, 마킹, 분류 동작을 유발할 수 있다. 어떤 전자 공장이 SMT 리플로 후 스테이션에 배치할 때 추론 서비스가 카메라 획득과 동기 트리거되게 하고 판정 결과를 MES로 바로 반환해 추적 가능하게 했다. 이 단계의 핵심은 알고리즘이 아니라 엔지니어링 통합 역량이다. 라인 사이클 타임과 맞지 않으면 정확한 모델도 라인에 올릴 수 없다.

5. 지속적으로 반복 개선하라. 라인에서 환류되는 데이터로 모델을 갱신하라

전자 공장의 자재, 공정, 배치는 변하고 모델은 흘러간다. 그래서 데이터 환류 메커니즘을 구축해야 한다. 판정이 애매한 이미지를 반환해 수동 재판정하고 학습 세트에 추가하며, 주기적으로 모델을 미세 조정하고 버전을 관리한다. 이 단계가 AI 검사가 장기적으로 미검률과 과검률을 유지할 수 있는지를 결정한다. 반복 개선 메커니즘이 없는 AI 검사는 가동 3개월 후부터 무너지기 시작한다.

주의: 처음부터 모든 불량을 커버하려 하지 말고, 불량 유형이 단일하고 이미징이 안정적인 스테이션을 시범 대상으로 골라라. 미검률과 과검률을 함께 보라. 미검률만 낮추려 하면 과검이 폭증하고 라인은 여전히 받아들이지 않는다. 이미징 방식의 가치는 흔히 과소평가되므로 광원과 렌즈에서 타협하지 말라. 정리하면 전자 공장 AI 검사의 기술 원리는 이미징, 딥러닝 추론, 라인 통합이라는 세 가지가 맞물리는 것이다. 어느 한 연결고리라도 빠지면 정착할 수 없다.

주제: AI-FAQ