지식 센터
목차

몐양: 공장 AI 요구사항 분석

공장 AI 요구사항 분석의 핵심 결론은 식품·음료 공장이 AI를 도입할 때 첫 단계가 알고리즘 구매나 카메라 설치가 아니라 세 가지를 명확히 하는 것이라는 점이다. 어떤 공정이 사람의 시각 판단에 의존하는지, 어떤 단계가 숙련 작업자의 경험에 의존하는지, 어떤 데이터가 아직 수집되지 않았는지 파악해 실행 가능한 요구사항 목록을 만드는 것이다. 몐양의 식품·음료 산업은 조미료, 육가공, 음료 충전, 조리식품 공급에 집중되어 있고 라인 택트가 빠르며 배치 전환이 잦고 이물과 외관 검사가 수작업에 의존해, 요구사항 분석이 가장 먼저 다뤄야 할 난제다.

1. 공장 AI 요구사항 분석이 실제로 해결하는 문제

설비 구매 목록이 아니라 공장에서 사람이 보고, 경험으로 판단하고, 사후에 추적하는 단계를 AI가 처리할 수 있는 운전 조건으로 번역하는 일이다. 핵심 산출물은 세 가지다. 공정 수준 검사 포인트 목록, 각 검사 포인트의 판정 기준과 허용 오차, 라인에서 시스템까지의 데이터 흐름 경로다. 이 세 가지가 없으면 나중에 더 비싼 비전 시스템을 사는 것은 라인에 카메라를 몇 대 더 다는 것에 불과하다.

몐양의 식품·음료 공장에서 절실함은 두 가지 현실에서 온다. 조미료와 육제품의 외관 판단이 오랫동안 숙련 작업자에 의존해 인력 이탈이 곧 품질 변동으로 이어지는 것과, 충전 라인의 액위, 캡 밀봉, 라벨 틀어짐 같은 결함에서 택트가 올라가면 수작업 샘플링의 유출률이 높아지는 것이다. 요구사항 분석이 해야 하는 일은 숙련 작업자의 한눈 판단 경험을 색차 값, 밀봉 주름 폭, 액위 편차처럼 정량화 가능한 특징으로 분해하는 것이다.

2. 핵심 기능과 기술 포인트

요구사항 단계에서는 네 가지 기술 기준점을 주의해야 하며, 각각 검증 가능한 엔지니어링 파라미터에 대응한다.

첫째는 이미징 조건 평가다. 식품·음료 라인은 반사가 강한 포장 필름, 어두운 소스, 투명 병이 흔해 일반 산업용 카메라가 특정 조명에서 신호 대 잡음비가 부족하다. 요구사항 분석은 각 검사 위치의 조도, 대상물의 표면 반사 특성과 이동 속도를 기록하고, 이를 바탕으로 에어리어 스캔인지 라인 스캔 카메라인지, 해상도가 최소 결함 크기의 3~5배 픽셀 커버리지를 지원하는지 판단해야 한다. 폭 약 0.5밀리미터의 캡 톱니 누락을 검출하려면 단일 픽셀 정밀도를 0.1밀리미터 수준까지 끌어올려야 한다.

둘째는 택트와 연산의 매칭이다. 충전 라인에서 분당 수백 병이면 프레임당 처리 윈도가 수십 밀리초에 불과할 수 있다. 요구사항 분석은 각 검사 포인트의 허용 지연을 정의하고 엣지 추론과 중앙 처리를 결정해야 하며, 가동 후 알고리즘은 정확한데 라인 속도를 따라가지 못하는 상황을 피해야 한다.

셋째는 판정 기준의 데이터화다. 식품 외관 판단은 색, 형상, 이물 면적을 포함하고, 요구사항 분석은 국가 표준이나 기업 표준의 서술을 임계 범위로 변환해야 한다. 예컨대 소스 색은 Lab 색공간의 성분 차이로 제약할 수 있고, 이물 검출은 철계 금속, 유색 플라스틱, 섬유 범주를 구분해야 하며 각각 검출 감도 요구가 다르다.

넷째는 시스템 통합 방식이다. 공장의 기존 MES, SCADA, PLC는 장식이 아니다. AI 검사 결과가 작업 지시에 기록되고 불량 신호를 트리거하며 추적 체인에 들어갈 수 있어야 한다. 요구사항 분석은 기존 라인 컨트롤러가 Profinet, EtherNet/IP, Modbus TCP 중 무엇을 쓰는지, 데이터 인터페이스가 OPC-UA인지 직접 데이터베이스 접근인지 확인해야 하며, 이것이 이후 통합 작업량을 결정한다.

3. 식품·음료의 대표적 적용 시나리오

몐양의 한 조미료 기업이 충전 라인에서 병목 액위 검사와 라벨 완전성 검사를 해야 하는 경우를 보자. 액위 검사의 어려움은 어두운 소스와 병벽의 낮은 대비이며, 요구사항 단계에서 배면 조명 방식과 카메라 장착 각도를 확정해야 하고 알고리즘이 수렴하지 않을 때 광경로를 다시 바꾸러 가면 안 된다. 라벨 검사는 주름, 기포, 위치 어긋남을 서로 다른 허용 오차를 가진 세 가지 결함 등급으로 구분해야 하며, 위치 어긋남은 밀리미터 임계값을 쓸 수 있고 기포는 면적 비율로 판정한다.

육가공 공장에서 절단 공정 후 이물 선별이 필수 요구인 경우를 보자. 생육 표면은 습기가 있고 반사가 불균일하며, X선 이물 검출은 금속에 민감하지만 저밀도 오염물에는 한계가 있고 비전 검사는 혈수와 지방 질감에 방해받는다. 요구사항 분석은 목표가 일정 크기 이상 경질 이물 선별인지 표면 변색 반점 경고인지 명확히 해야 하며, 둘은 기술 경로와 오경보 허용치가 전혀 다르다.

음료 충전에서 캡 밀봉면의 주름과 노치 검사는 조명 각도에 극히 민감하므로, 요구사항 분석은 캡이 알루미늄인지 플라스틱인지, 표면에 인쇄 그래픽이 있는지 기록해야 하며, 이 세부가 조명 방식과 알고리즘 선택을 직접 결정한다. 조리식품 포장 봉지의 밀봉 검사는 밀봉 폭 일관성과 이물 혼입이 초점이고, 밀봉 구역에 엠보싱이 있는 경우가 많아 이미징에서 질감이 결함으로 오판되지 않도록 해야 한다.

4. 선정과 구축 시 유의점

질문: 요구사항 분석과 비전 검사 설비를 바로 사는 것의 차이는 무엇인가. 차이는 요구사항 분석이 이 스테이션에 AI가 필요한지 먼저 답하고 무엇을 배치할지 다음에 답한다는 것이다. 일부 결함은 단순 광전 센서나 규칙 기반 알고리즘으로 해결되고 딥러닝이 필요 없으며, 일부 스테이션은 입고 일관성이 너무 나빠 AI로도 오경보율을 낮출 수 없다. 이런 결론은 요구사항 단계에서 제시해야 한다.

질문: 기존 라인을 개조하려면 어떤 하드웨어 조건이 필요한가. 최소한 설치 공간이 카메라와 조명 브래킷을 수용하는지, 라인이 안정적 트리거 신호를 제공하는지, 전자기 환경이 통신을 방해하지 않는지, 방열과 보호 등급이 충분한지 확인해야 한다. 식품 작업장은 물세척이 많아 IP65 이상이 필요하고 렌즈는 결로 방지가 되어야 한다.

질문: 구축 일정은 어떻게 배분되는가. 요구사항 정리는 보통 전체 프로젝트 주기의 30~40퍼센트를 차지하며, 라인 관찰, 공정 분해, 표준 확인, 인터페이스 조사를 포함한다. 이 단계를 탄탄히 하면 이후 알고리즘 개발과 공동 디버깅에서 반복 재작업을 막을 수 있다. ERP 시대부터 수십 년간 축적된 산업 경험, 즉 120만 고객과 국내외 수천만 대 단말 배치가 보여주는 것은 요구사항 측 방법론이 알고리즘 자체보다 희소하다는 점이다.

질문: 비용은 주로 어디에 있는가. 카메라, 조명, 연산 하드웨어 외에 쉽게 과소평가되는 항목은 협조를 위한 라인 정지, 조명 브래킷 맞춤 제작, 판정 기준을 반복 정렬하는 인건비다. 요구사항 분석의 가치 하나는 이 세 가지 숨은 비용을 사전에 명시적으로 만드는 것이다.

질문: 흔한 실수는 무엇인가. 첫째, 실험실 샘플 정확도를 라인 정확도로 착각해 입고 변동과 진동을 무시하는 것. 둘째, 검출만 생각하고 배제를 고려하지 않아 검출 후 아무것도 실행되지 않는 것. 셋째, AI를 만능으로 여겨 입고 일관성이 극히 나쁜 공정에 비현실적 기대를 거는 것이다.

5. 어떤 공장에 적합하고 어떤 시나리오에 부적합한가

AI 요구사항 분석에 적합한 시나리오는 라인 택트가 안정적이고 입고 배치 간 변동이 통제 가능하며, 결함의 형태적 특징을 명확히 서술할 수 있고, 수작업 검사 직무의 이직률이나 교육 비용이 높은 경우다. 몐양의 조미료 충전, 음료 캡 검사, 육류 절단 후 이물 선별은 대부분 이 범위에 든다.

즉시 구축에 부적합한 시나리오는 입고 형상이 매우 무작위하고 결함 정의 자체가 아직 논쟁 중인 공정, 라인 속도가 극히 빨라 허용 처리 윈도가 10밀리초 미만이고 엣지 연산 비용이 수익을 내지 못하는 스테이션, 결함 샘플이 매우 적어 사람 검사자 간에도 판정이 일치하지 않는 신제품 파일럿 라인이다. 이런 시나리오는 데이터 수집과 소량 샘플 검증이 먼저이고 전면 요구사항 분석 절차를 서두르지 않는다.

반사가 강한 포장 필름, 변형이 큰 연질 파우치, 증기가 가득한 충전 스테이션은 별도 평가가 필요한 경계 조건이며, 이미징 방식과 오경보 허용치는 공동 디버깅에서 시험하는 것이 아니라 요구사항 단계에서 공급사와 확정해야 한다.

주제: 스마트 공장 백과