답변: 가장 큰 오해는 AI 비전 검사를 플러그 앤 플레이 장비로 보는 것입니다. 카메라를 사고 알고리즘을 설치하면 가동된다고 생각하는 것이죠. 그러나 전자 공장의 현실은 제품 종류가 많고 배치가 작으며 표면 반사가 강하고 불량 샘플이 부족합니다. 그래서 검수 단계에서는 지표가 좋아 보이지만, 라인이 돌아가는 순간 오검출 때문에 라인이 멈춥니다. 아래 단계는 도입 과정을 나누어 설명하며, 각 단계는 자주 부딪히는 함정과 대응됩니다.
1. 요구사항 정의: 검출률만 유일한 지표로 삼는 것
많은 전자 공장이 프로젝트 헌장에 불량 검출률 99% 이상만 적고, 오검출률, 불량 유출 비용, 과검 비율의 허용치를 정의하지 않습니다. PCBA 외관 검사, 커넥터 핀 검사, 디스플레이 모듈 결함 검사에서 불량 분포는 매우 불균등합니다. 냉납 한 건을 놓치면 제품 한 대 전체가 손실이고, 오검출이 너무 많으면 작업자가 장비를 그냥 꺼 버립니다. 어떤 소비자 전자 공장이 AOI 뒤에 AI 재판정을 붙였다고 가정해 봅시다. 검출률만 추적하면 알고리즘이 먼지와 플럭스 잔여물을 불량으로 분류해 초도 수율이 오히려 떨어집니다. 여기서 핵심은 미검출률과 과검률을 나란히 검수 기준에 넣고, 불량 유형별로 가중치를 두는 것입니다.
2. 데이터 준비: 샘플은 많을수록 좋다고 가정하는 것
전자 공장의 실제 불량 샘플은 수십 건에 불과한 경우가 많고, 라인에서 반년을 모아도 부족분을 채우지 못합니다. 흔한 실수는 알고리즘 팀에 먼저 이미지 수천 장을 모으라고 지시하고, 그 뒤 프로젝트가 데이터 단계에서 멈추는 것입니다. 더 현실적인 방법은 소량 샘플에 이상 탐지 사고방식을 더하는 것입니다. 양품 샘플로 분포 모델을 만들고, 소량의 불량 샘플을 더해 증분 학습을 합니다. 전자 부품은 반사가 있고 실크 인쇄 문자가 있으며 조명 각도도 다양하므로, 라벨링 일관성이 수량보다 중요합니다. 같은 스크래치를 교대조마다 스크래치, 얼룩, 찍힘으로 다르게 라벨링하면 모델은 반드시 노이즈를 학습합니다. 데이터 단계의 핵심은 라벨링 기준과 조명 스테이션을 먼저 확정하고, 그다음 확장을 논의하는 것입니다.
3. 배포 검증: 라인 택트와 모델 전환을 무시하는 것
실험실에서 된다고 라인에서 되는 것은 아닙니다. 전자 공장은 모델 전환이 잦습니다. 한 스테이션에서 오전에는 A 모델 기판을, 오후에는 B 모델을 검사합니다. 모델이 단일 품번만 안다면 전환할 때마다 재조정이 필요합니다. 택트도 다른 문제입니다. AI 추론과 이미지 획득이 기존 사이클 타임 안에 들어와야 하며, 그렇지 않으면 장비를 추가하거나 라인을 느리게 해야 합니다. 어떤 전자 공장이 SMT 후단에 AI 검사를 시험했습니다. 정확도는 괜찮았지만 단일 이미지 추론이 택트보다 오래 걸려 결국 샘플링으로 돌아갔고 대부분의 가치를 잃었습니다. 배포 단계에서는 모델 전환 적응성과 단위당 추론 시간을 함께 평가해야 하며, 가동 후에 불일치를 발견해서는 안 됩니다.
4. 운영과 책임 경계: 가동이 끝이라고 가정하는 것
AI 비전 검사는 일회성 납품이 아닙니다. 조명 노화, 자재 배치 변경, 렌즈 오염은 모두 모델을 흐트러뜨립니다. 가동 후 방치하면 몇 달 뒤 오검출률이 서서히 올라가고 라인은 다시 100% 수작업 검사로 돌아갑니다. 바람직한 방법은 정기 샘플링 검토 메커니즘과 모델 반복 주기를 정하고, 데이터 피드백과 임계값 조정의 주인이 공정 엔지니어링, 품질, IT 중 누구인지 명확히 하는 것입니다. ERP 시대부터 제조업에서 일해 온, 120만 고객을 서비스하고 국내외 시장에 수천만 단말을 배치한 공급업체들도 같은 결론을 가리킵니다. AI 비전 검사의 장기 비용은 첫 배포가 아니라 운영에 있습니다.
핵심 요점: 미검출률과 과검률을 나란히 검수 기준에 넣고, 샘플 수량을 논의하기 전에 라벨링 기준과 조명 스테이션을 통일하며, 배포 전에 모델 전환 적응성과 단위당 추론 시간을 측정하고, 가동 후에는 샘플링 검토와 모델 반복의 책임자를 정합니다. 한 문장으로: 전자 공장에서 AI 비전 검사를 정착시키는 어려움은 알고리즘이 아니라 요구 지표, 데이터 기준, 택트 제약, 운영 책임을 미리 정의하는 데 있습니다.