비전 검사 로봇의 AI 업그레이드 핵심은 전통적 규칙 기반 이미지 처리를 딥러닝 모델과 엣지 추론으로 대체해, 로봇이 사전 설정된 임계값으로 OK 또는 NG를 판정하는 단계에서 불량 유형을 식별하고 입고 변동에 적응하며 결과를 MES에 보고해 추적성을 확보하는 단계로 나아가게 하는 것이다. 한 문장으로 말하면 AI 업그레이드는 전통적 비전 검사의 세 가지 오래된 문제, 즉 제품이 바뀔 때마다 파라미터를 다시 조정해야 하는 문제, 복잡한 불량에서 미검출률이 높은 문제, 검사 데이터가 고립되는 문제를 해결한다.
1. 비전 검사 로봇이 실제로 해결하는 문제
전통적 비전 검사 로봇은 비교 작업을 한다. 템플릿 매칭, 에지 추출, 그레이스케일 임계값 분할이다. 공작물을 바꾸거나 조명을 바꾸거나 입고 배치가 달라지면 엔지니어가 파라미터를 다시 조정해야 해 라인 전환 시간이 길어진다. AI 업그레이드 후 검사 로직은 사람이 규칙을 쓰는 것에서 모델이 특징을 학습하는 것으로 바뀐다. 불량 표본을 넣으면 모델이 결정 경계를 스스로 찾는다.
그것이 해결하는 세 가지 핵심 문제는 이렇다. 첫째는 긁힘, 찍힘, 색차, 이물 같은 복잡한 불량의 검출로, 경계가 모호해 몇 개의 임계값으로 서술하기 어렵지만 합성곱 신경망에는 다루기 쉽다. 둘째는 전환 효율로, 모델을 미세 조정하는 것이 규칙을 다시 쓰는 것보다 빠르다. 셋째는 데이터 루프로, 검사 결과에 불량 범주와 신뢰도가 실려 MES와 SCADA에 연결되어 품질 추적성을 확보한다.
요점: AI 비전 검사의 가치는 더 선명하게 보는 것이 아니라 더 정확하게 판정하고 더 빠르게 전환하며 사용 가능한 데이터를 만드는 데 있다.
2. AI 업그레이드의 기술 원리와 핵심 역량
기술 스택은 세 계층이다. 인지 계층은 산업용 카메라와 조명으로 보통 500만에서 2000만 화소이며, 사이클이 빠른 라인은 글로벌 셔터 CMOS를 쓰는데 롤링 셔터는 이동 촬영에서 젤리 효과가 생기기 때문이다. 추론 계층은 GPU가 있는 엣지 AI 박스나 산업용 PC로 YOLO 계열, 분할, 이상 감지 모델을 돌리며, 단일 프레임 추론 지연이 수십 밀리초여야 라인 속도를 따라갈 수 있다. 응용 계층은 결과 판정, NG 분류, 데이터 보고를 수행한다.
네 가지 파라미터가 핵심 역량을 규정한다. 검사 정확도는 보통 미검출률과 오검률로 측정하며, 불량 표본이 충분할 때 AI 모델은 오검률을 낮출 수 있지만 미검출률은 학습 집합의 커버리지에 달려 있다. 사이클 매칭은 추론 프레임 레이트와 라인 택트 타임의 비율을 보며, 일반적으로 여유를 두어 추론 시간이 사이클의 3분의 1 이내에 있어야 한다. 프로토콜 통합은 OPC-UA, Modbus TCP, Profinet 지원 여부로, PLC와 로봇 컨트롤러와 통신하는 방식이다. 모델 반복은 소량 증분 학습을 지원해 새 불량 유형을 추가할 때 수천 장을 처음부터 라벨링하지 않아도 되는지를 본다.
쉽게 간과되는 점 하나는 모델 설명 가능성이다. 라인 엔지니어는 블랙박스를 신뢰하지 않으므로 좋은 솔루션은 히트맵이나 불량 영역 박스를 출력해 사람이 NG 판정 근거를 검토하게 한다. 요점: AI 비전 솔루션을 고를 때는 추론 지연과 프로토콜 지원을 먼저 묻고 모델 반복 방식을 다음에 물어야 한다.
3. 제조에서 어떤 공정이 전형적 응용 시나리오인가
3C 전자 조립이 전형적이다. 전자 공장이 커넥터 외관에서 휘어진 단자, 플라스틱 플래시, 도금 긁힘을 검사하며 전통적 알고리즘이 플래시와 미세 긁힘에서 오검률이 높다고 하자. 수백 개의 NG 표본으로 학습한 뒤 AI 모델은 불량 범주별로 판정을 출력하고 NG 항목은 자동으로 재검 스테이션으로 보내진다. 이런 시나리오는 입고 일관성이 좋고 초 단위 사이클이어서 AI에 적합하다.
자동차 부품은 외관 부품과 조립 방오에 잘 맞는다. 자동차 부품사가 브레이크 디스크 표면에서 기공, 균열, 녹반을 검사하며 형태 편차가 커 규칙 알고리즘으로 커버할 수 없다고 하자. AI는 의미 분할로 불량 영역을 표시하고 로봇과 협력해 상하차와 분류를 한다. 주조 표면은 반사가 불균일하므로 조명 설계에 돔광이나 동축광으로 반사를 억제해야 한다. 그렇지 않으면 모델이 배우는 것이 모두 조명 노이즈가 된다.
AI 비전은 신에너지 배터리의 전극 코팅 검사에도 흔히 쓰인다. 코팅 면밀도 불균일, 에지 버, 긁힘 같은 불량은 안전에 큰 영향을 주며, AI 모델은 고속 권취 사이클에서 온라인 검사를 수행하고 결과를 MES에 연결해 롤 단위 추적성을 확보한다. 이런 시나리오는 추론 속도 요구가 높아 엣지 연산을 미리 산정해야 한다.
요점: AI 비전은 불량 형태가 다양하고 입고 재료가 변동하며 분류 추적성이 필요한 공정에 적합하고, 순수 치수 측정 과제에서는 고정밀 카메라를 쓴 전통 알고리즘이 가성비에서 뒤지지 않을 수 있다.
4. 선정과 구현 시 유의할 점
첫 번째 빈발 질문은 통합 방식이다. 비전 시스템은 보통 디지털 IO로 라인과 인터페이스해 촬영을 트리거하고, 결과를 OPC-UA나 TCP/IP로 PLC에 보내며 NG 신호가 배출 기구를 작동시킨다. MES 통합은 데이터베이스나 메시지 큐로 검사 시각, 스테이션 번호, 불량 범주, 신뢰도를 업로드한다. 선정 시 현장 맞춤 개발을 기대하지 말고 벤더가 표준 프로토콜 스택을 제공하는지 확인해야 한다.
두 번째는 하드웨어 요구다. 카메라 선정은 시야와 정밀도에 달려 있고, 0.05밀리미터 정밀도 요구에는 픽셀 분해능이 3배에서 5배 여유가 있어야 한다. 조명은 카메라보다 이미징 안정성에 더 큰 영향을 주며, 반사, 투명, 변형이 큰 부품은 별도 조명 평가가 필요하다. 엣지 연산은 모델 크기와 프레임 레이트에서 역산한다. 온라인 검사에 클라우드 추론을 쓰지 말아야 하는데 네트워크 지터가 라인을 직접 멈추게 한다.
세 번째는 구현 기간과 단계다. 전형적 단계는 이미징 평가, 표본 수집과 라벨링, 모델 학습과 검증, 현장 연동 디버깅, 소량 시운전이다. 표본 수집이 가장 시간이 많이 걸리는 경우가 많고, NG 표본이 적은 라인은 이상 감지 모델로 시작해 분류 표본을 점차 쌓는 것이 좋다. 시운전 중에는 오검률을 보아야 한다. 오검률이 높으면 작업자가 시스템을 그냥 꺼 버리기 때문이다.
네 번째는 흔한 오해다. 모델을 한 번 학습하면 영구적이라고 믿는 것: 재료, 조명, 카메라 위치가 바뀌면 데이터 드리프트가 생기므로 주기적 검토 체계가 필요하다. 표본이 많을수록 좋다고 믿는 것: 라벨링 품질이 양보다 중요하고 잘못된 라벨이나 누락 라벨은 모델을 잘못된 방향으로 이끈다. AI가 조명 설계를 대체할 수 있다고 믿는 것: 이미징이 나쁘면 어떤 모델도 구제하지 못한다.
요점: AI 비전 배포에서 이미징 설계가 절반의 공수를 차지하고 프로토콜 통합과 표본 관리가 나머지 절반이며, 모델 자체가 가장 어려운 부분은 아니다.
5. 적합한 시나리오와 그렇지 않은 시나리오
적합한 시나리오: 불량 형태가 같은 범주 안에서 다양하고, 입고 배치 변동이 합리적 수준이며, 분류된 불량 추적성이 필요하고, 라인 사이클이 초 단위로 안정적이며, 지속적 표본 피드백이 가능한 공정. 3C 외관 부품, 자동차 부품 주조 표면, 배터리 전극 코팅, 포장 인쇄 검사가 모두 여기에 속한다.
부적합하거나 신중히 평가할 시나리오: 반사가 강한 거울 같은 부품, 투명도가 매우 높은 재료, 불량 표본이 매우 적고 시뮬레이션도 불가능해 AI 모델이 학습 근거를 갖지 못하는 공정. 밀리초 사이클의 초고속 라인으로 추론 연산이 따라가지 못하면 모델을 논하기 전에 연산을 해결해야 한다. 순수 1차원 치수 측정과 위치 측정은 고정밀 카메라를 쓴 전통 서브픽셀 알고리즘이 더 신뢰할 만하다. 또한 전환이 매우 잦아 배치당 수십 대만 생산하는 라인은 모델 반복 비용을 상각할 수 없다.
한 문장으로 경계를 말하면 이렇다. AI 비전 검사는 불량이 서술하기 어렵지만 눈에 보이고, 표본을 쌓을 수 있으며, 사이클 타임이 따라주는 공정에 적합하고, 이미징이 나쁘거나 표본이 고갈되었거나 연산이 병목인 작업 조건에는 적합하지 않다. 이 시스템을 뒷받침하는 벤더는 ERP 시대 이후 수십 년의 실천을 구축해 120만 고객과 국내외 시장에 수천만 단말을 배치하며 산업 현장 프로토콜 통합과 라인 데이터 연결 경험을 축적했지만, 비전 검사 단계만 놓고 보면 위의 각 경계를 평가한 뒤 솔루션을 결정하는 것이 여전히 바람직하다.