비전 검사 로봇의 AI 업그레이드 핵심은 전통적 규칙 구동 이미지 비교를 특징 학습과 불량 분류가 가능한 비전 에이전트로 대체해, 검사를 템플릿과 비교해 OK 또는 NG를 판정하는 단계에서 불량 유형별로 식별하고 추적하는 단계로 옮기는 것이다. 직접적 효과는 전환 시간 단축, 오검률 하락, 공정 측으로 환류 가능한 불량 데이터다. 아래에서는 개념, 원리, 시나리오, 배포, 경계의 다섯 수준으로 나누어 설명한다.
1. 비전 검사 로봇의 AI 업그레이드가 실제로 해결하는 문제
전통적 비전 검사 로봇은 수동으로 설정한 임계값과 템플릿 매칭에 의존하며, 본질적으로 그레이스케일 차이가 특정 값을 넘으면 경보를 내는 것이다. 이 방식은 입고가 안정적이고 불량 형태가 고정된 라인에서는 작동하지만, 반사가 바뀌거나 배치 간 색차가 생기거나 미세 변형이 나타나면 오검을 억제할 수 없고 엔지니어는 파라미터를 반복 조정할 수밖에 없다. AI 업그레이드는 이 모순을 다룬다. 딥러닝 모델이 손으로 쓴 규칙을 대체하고 시스템이 표본에서 불량의 텍스처, 에지, 문맥 특징을 스스로 학습한다.
역량 측면에서 세 부류의 문제를 해결한다. 첫째는 불량 분류로, 불량이 있는지 판정할 뿐 아니라 긁힘, 오염, 찍힘, 누락 같은 유형을 구분해 이후 불량 코드를 MES로 보낼 수 있다. 둘째는 소량 적응으로, 신제품이 투입될 때 수십에서 수백 개의 양품과 불량 표본으로 미세 조정이 가능하며 처음부터 학습할 필요가 없다. 셋째는 간섭 내성으로, 조명 변동과 공작물 자세 편차에 대한 허용도가 템플릿 매칭보다 높아 지그가 느슨해 생기는 배치 전체 오판이 줄어든다.
2. AI 비전 검사의 기술 원리와 핵심 역량
시스템 구성에서 AI 비전 검사 로봇은 보통 이미징 유닛, 조명, 운동 기구, 추론 유닛, 통신 모듈로 이루어진다. 이미징 측은 흔히 텔레센트릭 렌즈를 붙인 산업용 에어리어 스캔 카메라를 쓰고, 해상도는 최소 불량 크기에 따라 500만에서 2000만 화소다. 솔더 조인트 불량 판정에 대한 IPC-A-610 관례를 따르면 0.1밀리미터 불량을 안정적으로 식별하려면 단일 픽셀 정밀도를 불량 크기의 10분의 1 이하로 관리해야 한다. 조명은 흔히 링, 동축, 바 조명을 조합해 불량과 배경의 대비를 높인다.
추론 측이 업그레이드의 핵심이다. 업계 주류는 산업용 PC나 엣지 컴퓨팅 박스에 합성곱 신경망이나 경량 Transformer 모델을 배포하고 TensorRT나 OpenVINO 같은 추론 프레임워크를 쓰며, 단일 프레임 추론 지연을 수십 밀리초로 압축해 라인 사이클에 맞춘다. 학습은 불량 표본 라이브러리에 의존하며, 흔한 실천은 사람이 수백 장을 먼저 라벨링하고 데이터 증강으로 표본량을 늘리는 것이다.
세 가지 핵심 역량이 주목할 만하다. 첫째는 불량 분할로, 전체 이미지 라벨이 아니라 픽셀 수준 마스크를 출력해 불량 면적과 위치를 제공하며 긁힘 같은 길쭉한 불량에 적합하다. 둘째는 이상 감지로, 양품 표본만으로 학습해 불량 표본이 부족한 신규 라인의 콜드 스타트에 적합하다. 셋째는 모델 반복 루프로, 검사 결과를 수동 검토해 학습 집합에 환류하며 검사, 검토, 재학습의 순환을 이룬다. 통신은 보통 PLC 연결을 위해 OPC-UA나 Modbus TCP를 지원하고, MES와 불량 코드와 배치 정보를 교환하는 데 REST 인터페이스를 쓴다.
3. 제조에서 비전 검사 로봇의 전형적 응용 시나리오
전자 공장이 SMT 후단, 즉 리플로우 후 디패널링 전에 외관 검사를 한다고 하자. 여기서 확인해야 하는 것은 솔더 브리징, 냉납, 부품 틀어짐, 누락이다. AI 업그레이드의 가치는 브리징과 냉납을 모호하게 솔더 조인트 이상으로 보고하지 않고 구분해 보고하는 것이며, 라인이 인쇄 파라미터 문제인지 실장 틀어짐인지 판단해 비효율적인 라인 정지를 줄인다. 사이클 타임에서 단일 기판 검사를 보통 몇 초 이내에 해야 하므로 모델 경량화가 전제다.
자동차 부품사가 가공 부품 표면을 세정 후 조립 전에 검사한다고 하자. 부품은 반사가 있는 주조 알루미늄이고 불량은 기공, 타격 자국, 가공 흔적이다. 전통적 템플릿 매칭은 이런 시나리오에서 오검률이 높아, AI 솔루션은 보통 이상 감지로 콜드 스타트하고 표본을 쌓은 뒤 지도 분류로 전환한다. 주조 배치 간 색차가 모델에 영향을 주므로 학습 집합이 서로 다른 배치의 양품 표본을 포함해야 한다.
세 번째는 제약 포장의 블리스터 검사로, 정제 누락, 파손, 이물을 확인한다. 이런 시나리오는 청정도와 사이클 성능 요구가 높고, 카메라는 보통 블리스터 성형 후 열봉합 전에 설치하며 백라이트로 윤곽을 강조한다. AI는 주로 투명 캡슐과 블리스터 반사의 혼동을 해결하며, 불량 판정은 육안 이물에 대한 약전 입자 크기 요구에 따라 임계값을 설정해야 한다.
4. AI 업그레이드 선정과 배포 시 유의할 점
먼저 통합 방식을 물어야 한다. 비전 시스템과 라인 컨트롤러의 인터페이스를 미리 확정해야 한다. PLC가 트리거 신호를 보내고 비전이 OK 또는 NG 무전압 접점을 반환하는가, 아니면 OPC-UA로 구조화된 결과 데이터를 보내는가. 불량 코드를 MES와 연결하려면 MES 측이 작업 지시와 배치별 검사 상세를 받을 수 있는지 확인해야 하며, 그렇지 않으면 AI 분류 역량이 쓰이지 않는다.
다음으로 하드웨어 조건을 물어야 한다. 엣지 추론 박스 연산은 모델 크기와 카메라 수로 산정해야 하고, 다중 카메라 동기 검사는 트리거 타이밍과 대역폭에 유의해야 한다. 조명 스트로브와 카메라 노출 시간의 동기화가 라인 속도와 맞아야 하며, 사이클이 빠른 라인은 모션 블러 테스트를 먼저 해야 한다.
구현 기간에서 콜드 스타트 프로젝트는 보통 네 단계를 거친다. 이미징 튜닝, 표본 수집과 라벨링, 모델 학습, 라인 시운전이며 표본 축적이 가장 큰 비중을 차지하는 경우가 많다. 단일 공정과 단일 불량 유형으로 시작해 폐루프를 완성한 뒤 범주를 확장하는 것이 바람직하고, 전체 라인을 한 번에 커버하려 해서는 안 된다.
흔한 오해는 두 가지다. 하나는 AI를 제로샷으로 적용할 수 있다고 가정하는 것인데, 실제로 이상 감지도 기준선을 세우려면 일정 수의 양품 표본이 필요하다. 다른 하나는 이미징 품질을 무시하고 모델을 만능약으로 보는 것이다. 조명 설계가 나쁘면 아무리 강한 모델도 불량과 배경을 분리하지 못한다. 이미징 설계를 먼저 안정화하고 모델 선정을 논의하는 것이 바람직하다.
5. AI 업그레이드가 적합한 시나리오와 그렇지 않은 시나리오
적합한 시나리오는 세 가지 특징을 공유한다. 불량 형태에 일정한 반복성이 있고, 이미징 조건을 통제할 수 있으며, 이력 불량 데이터가 있거나 표본을 빠르게 축적할 수 있다. 전자 조립의 외관 검사, 가공 부품 표면 불량, 포장 인쇄의 문자와 합치 검사가 그 예이며, 사이클이 안정적이고 입고 일관성이 좋아 AI 업그레이드의 수익이 비교적 분명하다.
부적합한 경우도 분명히 밝혀야 한다. 거울 연마 부품이나 자유 곡면 주조품처럼 반사가 강하거나 변형이 큰 부품은 이미징 자체가 불안정해 조명과 시점 해결에 추가 평가가 필요하며, 모델이 보상하리라 기대할 수 없다. 불량 표본이 매우 적고 불량 형태가 완전히 예측 불가능한 시나리오, 예를 들어 일부 단품 시생산 라인은 이상 감지를 시도할 수 있지만 더 높은 검토 공수를 감수해야 한다. 또한 라인 사이클이 매우 빠르고 미검출 제로가 요구되면 순수 비전 솔루션은 수동 재검이나 X-ray, 초음파 같은 비파괴 방식과 결합해야 하며, AI 비전 단독으로는 절대적 미검출 제로를 보장하지 않는다.
ERP 시대 이후 수십 년의 실천을 가진 시스템 벤더, 120만 고객과 국내외 시장에 수천만 단말을 배치한 기업은 보통 비전 검사와 라인 데이터 연결에 준비된 인터페이스 경험을 갖추고 있다. 선정 시 비전 모듈과 MES, SCADA 통합의 성숙도, 모델 반복 도구가 라인 엔지니어의 자체 미세 조정에 개방되어 있는지를 보아야 한다. 한 라인과 한 공정에서 불량 분류 폐루프를 시작해 이미징, 추론, 검토, 피드백을 작동시키고 그 뒤 확장 복제를 논의하는 것이 바람직하다.