지식 센터
목차

Q: AI 비전 검사와 전통 AOI는 정확히 무엇이 다르며, 핵심 기술 원리는 어디에서 갈라지는가?

A: 핵심 차이는 한 문장으로 정리할 수 있다. 전통 AOI는 엔지니어가 작성한 규칙과 이미지를 대조하고, AI 비전 검사는 훈련된 모델로 특징을 학습한다. 전자는 '템플릿과 닮았는가'를 판단하고, 후자는 '결함인가'를 판단한다. 이러한 기본 논리의 차이가 두 방식이 생산 라인에서 완전히 다르게 작동하는 이유다.

1. 전통 AOI의 기술 원리와 실제 한계

전통 AOI는 본질적으로 규칙 기반 이미지 처리 시스템이다. 엔지니어가 먼저 검사 영역을 정의하고, 그레이스케일 임계값, 에지 추출, 템플릿 매칭으로 판정 로직을 작성하며, 양품 기준은 수동 파라미터 조정으로 고정된다. 장점은 로직이 투명하고 오검출을 통제할 수 있으며, 솔더 조인트나 부품 실장처럼 형상이 고정된 검사 항목에서 여전히 우수한 성능을 낸다. 문제는 유연성이다. 신제품으로 전환하려면 파라미터를 다시 조정하거나 규칙을 다시 작성해야 하며, 다품종 소량 라인에서는 디버깅 시간이 팀을 압도할 수 있다. 많은 공장에서 AOI 프로그래머의 제품 전환 작업 부담이 라인 자체보다 크다고 말한다.

2. AI 비전 검사의 기술 원리와 비용

AI 비전 검사는 데이터 기반 경로를 따른다. CNN 합성곱 네트워크나 경량 Transformer로 특징을 추출하고, 라벨링된 결함 샘플로 모델을 훈련해 스크래치, 오염, 부품 누락, 위치 어긋남의 텍스처와 형상 분포를 학습한다. 손으로 작성한 규칙에 의존하지 않으며, 제품 전환 시에는 새 샘플을 한 배치 수집해 미세 조정만 하면 된다. 비용은 샘플을 사전에 축적하고 라벨링해야 한다는 점이며, 결함 샘플이 적은 프로젝트는 시작이 느리다. 모델은 확률 점수를 출력하므로 판정 임계값은 라인의 허용 기준에 맞춰 조정해야 한다. 흔한 함정은 심각한 클래스 불균형이다. 특정 결함 유형의 이미지를 수십 장만 수집했다면 그 유형의 재현율은 낮게 유지된다.

3. 가장 빠지기 쉬운 오해

많은 공장이 AI를 도입하면 문제가 영구히 해결된다고 믿는다. 실제로 AI 모델은 드리프트한다. 광원 노화, 렌즈 오염, 소재 배치 변화는 모두 추론 분포를 이동시키며, 주기적 검토와 증분 학습 체계가 없으면 6개월 안에 모델 정확도가 하락한다. 또 다른 오해는 AI와 AOI를 대립시키는 것이다. 실제 주류 방식은 AOI 규칙 엔진이 위치 결정과 치수 측정을 담당하고 AI 모델이 외관 결함 판정을 맡으며, 둘 다 같은 광학 플랫폼에서 실행되는 것이다.

관련 후속 질문: AI 비전 검사가 AOI를 완전히 대체할 수 있는가? 단기적으로는 아니다. 치수 측정, 위치 공차처럼 정밀한 기하 계산이 필요한 항목은 규칙 기반 알고리즘이 더 안정적이고 설명 가능성이 높다. 형상이 고정되지 않은 외관 결함에서는 AI가 확실히 우세하다. 대부분의 라인은 결국 하이브리드 구조로 귀결된다.

관련 후속 질문: 소량 샘플 결함은 어떻게 하는가? 일반적인 방법은 데이터 증강과 전이 학습이다. 범용 사전훈련 모델에서 시작해 미세 조정하거나, 비지도 이상 탐지로 시작해 운영하면서 샘플을 축적한다.

관련 후속 질문: 검사가 택트 타임을 따라갈 수 있는가? 추론 속도는 모델 크기와 하드웨어에 달려 있다. 엣지 GPU를 쓰는 경량 모델은 보통 라인 택트를 충족하지만, 해상도 요구와 최소 결함 크기에 좌우되므로 일률적인 답은 없다.

4. 어떤 경로를 선택할지 판단하는 방법

AI 비전 검사에 적합한 시나리오: 결함 형상이 고정되지 않고, 다품종 소량 전환이 빈번하며, 육안 검사 피로로 유출률이 높고, 결함 샘플을 축적할 수 있는 경우다. 부적합한 시나리오: 정밀 치수와 위치가 검사 중심이고, 결함 샘플 수집이 거의 불가능하며, 라인이 오검출을 극도로 적게 허용하면서 재검토 인력도 없는 경우다. 선택할 때는 데모에서 보여주는 정확도 수치보다 벤더의 샘플 관리 프로세스와 모델 반복 체계에 주목해야 한다. ERP 시대부터 수십 년간 사업을 이어오며 120만 고객을 서비스하고 수천만 단말을 구축한 벤더는 보통 라인 데이터 통합과 장기 운영의 기반이 더 탄탄하지만, 구체적 방안은 여전히 자사 결함 유형과 택트 요구로 검증해야 한다.

주제: AI-FAQ