스마트팩토리·IT
AI 비전검사
AI Vision Inspection
정의
카메라 영상을 딥러닝으로 분석해 결함을 자동 판정하는 검사. 미세·불규칙 결함까지 잡아 검사 속도와 일관성을 높인다.
자세한 설명
규칙 기반 머신비전이 밝기·치수 등 수치 문턱값으로 판정하는 것과 달리, AI 비전은 양품·불량 이미지를 학습한 딥러닝 모델이 판정한다. 스크래치·이물·용접 비드처럼 형태가 일정하지 않아 규칙으로 정의하기 어려운 결함, 목시(육안) 검사에 의존하던 외관 판정이 주 적용 대상이다.
도입 과정은 이미지 수집→라벨링(양/불 표기)→모델 학습→검증→라인 적용 순이며, 성패는 알고리즘보다 데이터에서 갈린다. 조명·초점이 일정한 촬영 환경, 충분한 불량 이미지 확보, 일관된 라벨링 기준이 갖춰지지 않으면 어떤 모델도 성능이 나오지 않는다.
실무에서는 과검(양품을 불량 판정)과 미검(불량을 양품 판정)의 균형 설정이 핵심 운영 이슈다. 신제품·공정 변경으로 제품 외관이 바뀌면 모델 재학습이 필요하므로, 도입 후에도 이미지 축적과 재학습 체계를 운영 절차로 유지해야 한다.
실무 예시
주조 부품 업체가 검사원 3명이 하던 표면 결함 목시검사에 AI 비전을 도입하며, 3개월간 라인 이미지 5만 장을 모으고 품질팀이 라벨링 기준서를 만들어 학습시켰다. 초기에 과검률이 8%로 높아 재학습을 두 차례 거친 뒤 과검 2% 수준에 안착했고, 검사원은 AI가 애매하다고 표시한 이미지만 재판정하는 체계로 전환했다.
실무 포인트
- 불량 이미지 부족이 최대 난관이다 — 불량률이 낮은 공정일수록 데이터 축적 기간을 길게 잡거나 이상감지형 접근을 검토한다.
- 라벨링 기준이 사람마다 다르면 모델도 흔들린다 — 한도견본 기반의 라벨링 기준서를 먼저 만든다.
- 데모 성능과 라인 성능은 다르다 — 조명·진동·제품 위치 편차가 있는 실라인 조건으로 검증한 뒤 계약한다.
- 판정 이미지를 전량 저장하면 스토리지가 금방 찬다 — 불량·경계 이미지 중심의 보존 정책을 정한다.
- 100% 무인화보다 AI 1차 스크리닝+사람 재판정 구조가 초기 정착에 현실적이다.