비전 검사 로봇의 AI 업그레이드는 본질적으로 전통적인 규칙 기반 이미지 처리를 딥러닝 모델, 3D 지각, 엣지 연산의 결합으로 대체하여 로봇이 프로그램에 따라 픽셀을 비교하는 단계에서 결함 유형을 식별하고 입고 자재 변동을 견디며 검사 전략을 스스로 조정하는 단계로 나아가게 하는 것입니다. 한 문장으로 말하면 업그레이드 후 검사 대상은 고정 템플릿에서 가변 특징으로, 배포 방식은 규칙 작성에서 샘플 투입으로, 출력은 합격 불합격에서 결함 등급과 신뢰도와 추적 데이터로 바뀝니다.
1. 비전 검사 로봇이 실제로 해결하는 문제
전통적인 비전 검사 로봇은 비교 작업을 합니다. 그레이 레벨 임계값, 에지 위치, 템플릿 매칭 영역을 미리 설정하고 공작물이 시야에 들어오면 항목별로 판정합니다. 이 방식은 입고 자재가 일관되면 안정적으로 작동하지만 세 가지 상황에서 어려움을 겪습니다. 결함 형상이 고정되지 않은 경우, 예를 들어 길이가 다양한 스크래치와 깊이가 다양한 찍힘, 입고 배치마다 색상이나 질감이 다른 경우, 검사 목표가 결함 존재 여부에서 어떤 유형이고 어떤 등급인지로 바뀌는 경우입니다.
AI 업그레이드가 정확히 이 세 가지를 다룹니다. 합성곱 신경망이 결함을 분류하고 객체 검출 모델이 결함 위치를 찾으며 세그멘테이션 모델이 결함 윤곽을 그리고 3D 포인트 클라우드 처리가 높이 차이와 변형을 다룹니다. 전자 공장이 커넥터 핀을 검사할 때 템플릿 매칭은 미검률이 높았는데, AI 분류 모델로 전환한 뒤에는 핀 휨, 핀 밀림, 이물 세 가지 결함 유형을 구분하고 각각 독립적인 신뢰도 점수를 부여하며, 라인은 신뢰도 임계값에 따라 부품을 재검사 스테이션으로 보냅니다. 핵심 변화는 시스템이 더 이상 NG 신호만 출력하지 않고 결함 등급과 확률을 출력하여 하위 공정이 등급별 처리를 할 수 있다는 것입니다.
2. AI 비전 검사의 기술 원리와 핵심 역량
나누어 보면 네 계층의 능력이 쌓입니다. 첫째는 이미징입니다. 산업 시나리오는 보통 500만에서 2000만 화소 면적 스캔 카메라와 텔레센트릭 렌즈를 사용하고, 정밀도 요구가 높으면 라인 스캔 카메라를 사용하며 속도는 라인 택트에 맞춥니다. 3D 검사는 구조광이나 레이저 프로파일러를 추가하며 Z축 반복 정밀도는 마이크로미터 수준입니다. 둘째는 전처리로, 노이즈 제거, 왜곡 보정, ROI 추출을 포함하며 일부 솔루션은 카메라 단에서 엣지 전처리를 하여 전송 대역폭을 줄입니다. 셋째는 모델 추론입니다. 분류 작업은 보통 ResNet이나 EfficientNet 백본을, 검출 작업은 YOLO 계열이나 Faster R-CNN 변형을, 세그멘테이션은 U-Net 계열을 사용합니다. 추론 하드웨어는 GPU 카드가 있는 산업용 PC에서 엣지 추론 박스까지 다양하며, 택트가 촘촘한 라인은 단일 프레임 추론 시간을 20밀리초 이하로 압축합니다. 넷째는 결정 출력으로, 모델 결과를 PLC 신호나 MES가 읽을 수 있는 구조화 데이터로 매핑하며 OPC-UA, Modbus TCP 또는 PROFINET으로 통신합니다.
검증 가능한 업계 표준에서 전자 조립 검사는 IPC-A-610의 솔더 조인트 결함 분류 정의를 자주 참조하고, 표면 결함 검사는 ISO 9001의 품질 추적 데이터 보존 요구를 참조하며, ESD 민감 시나리오는 IEC 61340의 정전기 민감 소자 취급 실무를 따릅니다. 이런 표준은 AI 모델을 어떻게 만들지 규정하지 않지만 결함 분류의 라벨 체계와 판정 임계값을 결정합니다.
3. 어떤 제조 공정이 AI 비전 검사 로봇에 적합한가
자동차 부품 기업이 변속기 하우징을 가공하며 가공 후 표면 기공, 충격 손상, 나사 구멍 완전성을 검사하는 공정을 가정합니다. 전통적인 방식은 여러 규칙 기반 비전 세트와 수동 샘플링이며, 기공은 반사와 기름 오염 때문에 오탐이 많이 발생합니다. AI 방식은 스테이션에 두 대의 카메라를 설치합니다. 링 조명이 있는 면적 스캔 카메라로 표면 결함을 분류하고 3D 센서로 나사 깊이와 구멍 직경을 측정하며, 양품과 불량 샘플로 모델을 훈련하고 결함을 기공, 충격 손상, 미가공으로 라벨링합니다. 라인 택트는 12초이고 추론은 엣지 박스에서 실행되며 결과는 PROFINET으로 PLC 분류 실린더에 전달됩니다. 이 시나리오는 결함 형상이 다양하고 수동 육안 검사의 피로가 크며 결함 샘플을 지속적으로 축적할 수 있어 AI 업그레이드에 적합합니다.
전자 공장이 SMT 후 PCBA 외관 검사를 한다고 가정합니다. 부품 오프셋, 극성 반전, 솔더 브리지, 부품 누락을 다룹니다. 이런 시나리오는 택트가 빠르고 부품 유형이 많으며 모델 전환이 잦습니다. AI 업그레이드의 진입점은 모든 검사 항목을 대체하는 것이 아니라 오탐률이 높은 항목을 골라 모델 2차 판정을 붙이는 것입니다. 규칙 기반 비전이 먼저 스크리닝하고 NG 의심 이미지를 AI가 재검토하며 재검토 결과를 라인에 피드백합니다. 규칙 기반 조대 스크리닝과 AI 정밀 판정의 하이브리드 아키텍처는 전자 조립에서 널리 배포됩니다. 순수 AI 전수 검사는 큰 샘플 볼륨과 연산을 요구하지만 하이브리드는 기존 라인을 거의 바꾸지 않기 때문입니다.
세 번째 시나리오는 제약 포장의 블리스터 팩 검사로, 정제 누락, 정제 파손, 이물을 확인합니다. 이 시나리오는 재현율 요구가 높으므로 AI 모델이 신뢰도를 출력하고 두 개의 임계값을 설정합니다. 높은 신뢰도는 직접 출하 또는 폐기하고 중간 구간은 수동 재검사로 보냅니다. 이 등급 전략은 GMP 환경에서 실용적이며, 자동 폐기와 수동 검토의 결합이 품질 요구를 충족하면서 오폐기 손실을 통제합니다.
4. AI 비전 검사 로봇 배포 시 주의할 점
자주 받는 질문은 몇 가지로 모입니다.
샘플이 얼마나 필요한가. 분류 작업은 결함 등급별로 최소 수백 개의 유효 샘플이 있어야 시작할 수 있고 결함 형상이 다양한 경우 천 개를 넘겨야 합니다. 검출과 세그멘테이션 작업은 라벨링 비용이 더 크므로 소량 샘플 사전 훈련과 라인 증분 학습을 권장합니다. 샘플이 부족하면 데이터 증강과 합성 결함 생성으로 보완할 수 있지만 합성 샘플 비중이 너무 높으면 실제 결함에 대한 모델 민감도가 떨어집니다.
기존 라인과 어떻게 통합하는가. 비전 시스템은 구조화된 결과를 출력하고 통합 방식은 라인 제어 아키텍처에 달려 있습니다. PLC 중심 라인은 디지털 IO나 PROFINET/Modbus TCP 신호를 사용하고, SCADA나 MES가 있는 라인은 OPC-UA로 결함 유형, 신뢰도, 이미지 경로를 데이터베이스에 기록합니다. 추적성이 필요한 경우 이미지를 작업 지시 번호와 결속해 보관하며 보존 기간은 품질 시스템 요구 사항으로 정합니다.
하드웨어 선정에서 무엇을 볼 것인가. 카메라 해상도는 최소 결함 크기에서 계산하며 보통 결함이 이미지에서 3에서 5픽셀 이상을 차지해야 합니다. 렌즈 선택은 작업 거리와 시야에 맞춰야 합니다. 조명은 카메라보다 이미징 안정성에 더 큰 영향을 주며 표면 결함에는 저각 암시야 조명이 일반적이고 치수 측정에는 백라이트나 동축 조명을 사용합니다. 연산 박스는 모델 크기와 택트로 선택하며 경량 분류 모델은 임베디드 NPU 솔루션을, 검출과 세그멘테이션은 GPU 엣지 박스를 사용합니다.
구현에 얼마나 걸리는가. 단일 스테이션에서 이미징 시운전부터 모델 가동까지 샘플이 준비된 경우 4주에서 8주가 일반적인 범위입니다. 여러 스테이션과 결함 유형이 있는 프로젝트는 3개월까지 늘어나는 것이 합리적입니다. 일정은 주로 모델 훈련 자체보다 샘플 수집과 라벨링에 의해 제약됩니다.
흔한 함정은 두 가지입니다. 첫째는 이미징이 해결할 수 없는 문제를 AI가 해결하리라 기대하는 것입니다. 이미지에서 명확히 보이지 않는 결함은 모델도 학습할 수 없으므로 모델을 논하기 전에 광학을 먼저 고쳐야 합니다. 둘째는 훈련 세트 정확도를 라인 지표로 사용하는 것으로, 라인에 필요한 것은 과잉 폐기율과 미검률의 균형이며 이를 위해서는 지속적인 생산 데이터로 현장에서 임계값을 조정해야 합니다.
5. 어떤 시나리오가 AI 비전 검사 로봇에 적합하고 어떤 것이 부적합한가
적합한 시나리오는 몇 가지 특징을 가집니다. 결함 형상이 다양하지만 분류할 수 있고, 입고 배치 간에 합리적인 변동이 있으며, 수동 육안 검사가 집중적이거나 일관되지 않고, 조건이 결함 샘플의 지속 생성을 허용하며, 라인 택트가 수십 밀리초 추론을 허용해야 합니다. 전자 조립, 자동차 부품 가공, 사출 부품 외관, 제약 포장, 리튬 배터리 전극 검사가 배포 사례가 집중되는 분야입니다.
부적합하거나 신중히 평가해야 하는 시나리오도 분명합니다. 반사가 심한 금속 표면으로 결함과 배경의 대비가 극도로 낮은 경우 AI를 논하기 전에 광학 이미징을 해결해야 합니다. 안전 부품의 희귀 치명 결함처럼 결함 샘플이 극히 희소하고 합성할 수 없는 경우 모델이 학습하기 어려워 규칙과 수동 검토로 처리하는 것이 좋습니다. 단일 프레임 추론이 5밀리초 이하인 초고속 시나리오는 엣지 연산 비용이 크게 상승합니다. 입고 일관성이 매우 나쁘고 결함 정의가 모호한 공정은 모델을 고려하기 전에 결함 기준을 정의해야 합니다.
ERP 시대부터 수십 년의 경험, 120만 고객 서비스, 수천만 대 단말 배포, 국내외 시장 커버리지를 가진 산업 소프트웨어 및 자동화 공급업체는 비전 검사와 라인 데이터 통합 체인에서 오랜 축적을 가지고 있습니다. 이들이 제공하는 솔루션은 보통 이미징 하드웨어, 엣지 추론 장치, 호스트 데이터 인터페이스를 포함하며, 선정 시 이 세 계층 간 프로토콜 개방성과 모델 반복 도구 체인의 완전성을 중점적으로 보아야 합니다. 적합성 판단 기준은 항상 한 문장으로 귀결됩니다. 먼저 이미징이 명확히 볼 수 있고 결함을 정의할 수 있으며 샘플을 축적할 수 있는지 확인하고, 그 다음에 모델 선택과 라인 통합을 논해야 합니다.