지식 센터
목차

품질 검사에서의 산업용 AI 카메라

산업용 AI 카메라는 공장 품질 검사의 주력 하드웨어가 되고 있다. 이미지 획득과 AI 추론을 같은 하우징에 담아 라인의 결함 검지가 더 이상 클라우드 왕복에 의존하지 않는다. 지난 1년간 NVIDIA는 Blackwell Ultra를 출시하고 Rubin 아키텍처를 예고했으며, AMD는 Instinct MI350/MI400으로 뒤따랐고, Intel은 Gaudi 3와 Core Ultra 엣지 칩으로 가격 대비 성능 시장에 자리했다. 이런 연산 공급의 변화가 산업용 AI 카메라를 볼 수 있는 단계에서 판단할 수 있는 단계로 직접 밀어올렸다.

1. 핵심 개념과 기술 원리

산업용 AI 카메라는 본질적으로 이미지 센서를 갖춘 엣지 컴퓨팅 장치다. 일반 네트워크 카메라와 세 가지 점에서 다르다. 첫째, 센서 사양이 더 높아 글로벌 셔터, 높은 다이내믹 레인지, 저조도 촬영이 사실상 표준이고 일부 모델은 변화한 픽셀만 데이터로 출력하는 이벤트 카메라나 스마트 비전 센서를 통합해 백엔드 연산 부하를 줄이기 시작했다. 둘째, NPU나 전용 AI 가속 칩을 내장해 보통 수 TOPS에서 수십 TOPS 범위이며 결함 분류, 객체 검지, 세그멘테이션 모델을 로컬에서 실행할 수 있다. 셋째, 산업 시나리오에 맞춘 인터페이스와 방진방수 설계로 PoE 전원, IP67 보호 등급, GigE Vision이나 USB3 Vision 프로토콜을 지원해 기존 라인에 쉽게 통합된다.

원리는 빛이 렌즈를 통해 센서에 도달하고 이미지 신호 프로세서가 노이즈 제거, 화이트 밸런스, 왜곡 보정을 수행한 뒤 결과가 NPU로 가서 추론되는 구조다. 모델은 보통 경량 컨볼루션 네트워크나 Transformer 변형이며, 클라우드나 로컬 서버에서 학습하고 배치 시 INT8 또는 심지어 INT4로 양자화해 프레임 레이트가 라인 택트 시간을 따라가도록 한다. 멀티모달 융합은 지난 2년간의 새로운 방향으로, 예컨대 가시광과 적외선, 또는 2D와 3D 포인트 클라우드를 결합해 반사, 투명, 저대비처럼 기존 비전이 다루기 어려운 결함에 대응한다.

2. 주요 제품과 솔루션 비교

공장 AI 카메라는 현재 대략 세 가지 노선을 따른다. 첫째는 기존 산업용 카메라 제조사의 AI 업그레이드로 기존 카메라에 NPU를 추가하는 방식이다. 장점은 광학과 인터페이스가 성숙하다는 점이고 단점은 연산이 보수적이라는 점이며, 결함 유형이 적고 모델이 고정된 시나리오에 적합하다. 둘째는 칩 벤더가 주도하는 엣지 AI 박스와 일반 카메라의 조합이다. NVIDIA Jetson, Intel Core Ultra, AMD Ryzen 임베디드 플랫폼 모두 대응 솔루션이 있어 라인 요구에 따라 카메라와 연산을 선택하는 유연성이 높지만, 통합 작업이 상당히 필요하고 방열과 진동에 주의해야 한다. 셋째는 일체형 AI 카메라로 센서, 연산, 조명, 통신을 하나의 유닛에 결합해 배치가 가장 빠르고 공간이 제한적이거나 개조가 필요한 시나리오에 적합하며, 대신 연산 상한이 있고 카메라 위치 재조정의 유연성이 떨어진다.

어느 노선을 택할지는 결함 복잡도, 라인 속도, 예산에 달려 있다. 자동차 부품 기업이 결함 유형이 20가지가 넘고 모델 전환이 잦은 금속 부품 표면을 검사한다고 가정하면 엣지 박스와 고해상도 카메라의 조합이 더 적합하다. 전자 공장이 결함 정의가 명확하고 택트 요구가 빡빡한 커넥터 외관을 검사하는 경우에는 일체형 AI 카메라가 더 간편한 경우가 많다.

3. 공장 AI 하드웨어의 전형적 응용 시나리오

3C 전자 조립 라인이 배치가 가장 집중된 곳이다. 커넥터 핀 휨, 화면 스크래치, 배터리 전극 버는 사람의 눈이 피로해지고 놓치기 쉬운 결함이지만 AI 카메라는 매 제품을 촬영하고 판정할 수 있다. 한 전자 공장은 SMT 실장 후 AI 카메라를 추가해 리플로 이후 AOI 재판정에 활용했고, 오검률을 낮춰 라인 인원이 카메라가 표시한 의심 부품만 처리하도록 했다.

자동차 부품 산업은 활용도가 더 높다. 브레이크 디스크 균열, 기어 이 표면 흠, 오링 누락은 안전 영향이 크므로 멀티모달 센서를 갖춘 AI 카메라를 도장 전과 조립 후 여러 스테이션에 체크포인트로 배치할 수 있다. 자동차 부품 기업이 프레스 라인 말단에 AI 카메라를 설치해 프레스 부품을 전수 검사한다고 가정하면, 프레스는 분당 수십 개를 생산하므로 카메라가 수십 밀리초 안에 추론과 결과 출력을 완료해야 하며 이는 엣지 연산과 모델 최적화에 대한 엄격한 요구다.

신에너지 배터리 제조도 빠르게 도입하고 있다. 전극 코팅 결함, 셀 외관 스크래치, 모듈 냉납은 고속 동작 중에도 AI 카메라와 이벤트 카메라의 결합으로 포착할 수 있다. 식품과 제약 포장 라인은 이물 검출과 라벨 검증을 더 중요하게 보며, 다중 분광 센서를 갖춘 AI 카메라는 육안으로 보기 어려운 혼입물을 식별할 수 있다.

4. 선정 기준과 배치 권장 사항

선정은 결함 특성에서 시작한다. 대비가 낮은 작은 결함에는 고해상도와 글로벌 셔터를 우선하고, 고속 동작에서 발생하는 결함에는 이벤트 카메라나 고프레임 레이트 솔루션이 더 적합하며, 결함에 3차원 정보가 필요하면 3D 카메라나 구조광을 고려한다.

연산 여유를 너무 많이 남겨도 안 되고 너무 빡빡하게 잡아도 안 된다. 양자화 모델이 소비하는 연산과 메모리는 실제로 측정해야 한다. 벤더가 제시하는 TOPS는 최고치이며 실제 추론 프레임 레이트는 메모리 대역폭과 모델 구조에 크게 좌우된다. 모델 반복 개선과 새로운 결함 유형을 수용하기 위해 라인 택트 기준으로 약 30%의 여유를 두는 것이 바람직하다.

배치 위치가 렌즈와 조명 선택을 결정한다. 역광 스테이션에는 편광 필터가 필요하고, 반사 표면에는 저각 링 조명이나 돔 조명이 필요하며, 투명 부품은 적외선 촬영이 필요할 수 있다. 통신과 전원 배선도 미리 계획해야 한다. PoE는 편리하지만 전력에 한계가 있고, 고연산 카메라는 별도 전원이 필요한 경우가 많다.

모델 유지보수는 장기적인 작업이다. 라인 전환, 자재 배치 변경, 광원 노화는 모두 모델 드리프트를 일으키므로 주기적인 증분 학습이나 새 샘플로 재라벨링이 필요하다. 원격 모델 배포와 버전 롤백을 지원하는 엣지 장치는 현장 커미셔닝 시간을 크게 절약한다.

5. 기술 동향과 전망

AI 칩의 세대 교체가 산업용 카메라의 형태를 직접 바꾸고 있다. Blackwell Ultra와 Rubin 아키텍처는 학습과 추론 성능을 더 높여 더 복잡한 결함 검지 모델이 엣지로 이동할 수 있게 한다. AMD MI350/MI400과 Intel Gaudi 3는 학습 측에서 선택지를 늘려 모델 개발 비용이 낮아질 것으로 기대된다. 엣지 AI PC 칩과 산업용 엣지 박스의 보급은 NPU를 표준으로 만들고 로컬 추론 지연을 밀리초 수준까지 낮춘다.

AI 센서 수준에서는 이벤트 카메라와 스마트 비전 센서가 더 융합될 것이다. 이벤트 카메라는 변화한 픽셀만 출력해 저전력과 저지연을 제공하며 고속 동작 검지에 적합하고, 스마트 비전 센서는 추론의 일부를 센서 단으로 옮겨 데이터 이동을 줄인다. 멀티모달 융합 센서는 가시광, 적외선, 깊이 정보를 하나의 출력으로 묶어 복잡한 조명과 재질에서 AI 카메라를 더 안정적으로 만든다.

공장 입장에서 AI 카메라는 더 이상 단일 지점 장치가 아니라 라인의 데이터 진입점이다. 로봇 컨트롤러, PLC, MES 시스템과 연결되면 결함 데이터가 공정 조정으로 되먹임될 수 있다. 15개 이상 산업에서 120여 고객과 함께한 벤더의 구축 경험은 품질 검사의 AI 하드웨어 배치가 단일 스테이션 파일럿에서 전 라인 커버리지로 이동하고 있음을 보여준다. 3,200여 설치 단말의 피드백도 같은 방향을 가리킨다. 충분한 엣지 연산, 속도를 따라가는 모델 반복, 간결하게 유지되는 배치와 유지보수가 공장이 계속 구매에 나서는 이유다.

주제: AI 하드웨어 백과