AI 비전검사가 무엇인지, 규칙으로 판정하는 기존 머신비전과 어디가 다른지, 어떤 불량에 맞고 안 맞는지, 샘플 검토부터 라인 적용까지 도입 순서를 정리했습니다.
AI 비전검사는 기존 머신비전 검사와 무엇이 다르고, 우리 라인에 맞는지 어떻게 판단하나요?
기존 머신비전은 사람이 정한 규칙(밝기, 크기, 위치)으로 판정하고, AI 비전검사는 정상품과 불량품 이미지를 학습한 모델로 판정합니다. 스크래치나 이물처럼 모양이 제각각이라 규칙으로 정하기 어려운 불량에 잘 맞습니다. 다만 이미지에 불량이 보이지 않으면 AI도 찾지 못하므로, 촬영부터 확인하고 우리 제품 샘플로 시험한 뒤 결정합니다.
한 문장으로
AI 비전검사는 카메라로 찍은 제품 이미지를 학습된 모델이 보고 양품과 불량을 가르거나 불량 위치를 찾는 검사입니다. 외관검사를 사람 눈으로 하던 자리, 혹은 규칙으로 판정하는 머신비전이 잘 못 가르던 자리에 들어갑니다.
카메라와 조명이 먼저고 AI는 그다음입니다. 이미지에 불량이 찍혀야 모델이 배울 수 있습니다.
규칙으로 판정하는 검사와 무엇이 다른가
항목: 판정 근거; 규칙 기반 머신비전: 사람이 정한 값: 밝기, 면적, 길이, 위치; AI 비전검사: 학습한 이미지에서 모델이 익힌 기준
항목: 잘 맞는 일; 규칙 기반 머신비전: 치수, 유무, 위치처럼 값으로 정할 수 있는 판정; AI 비전검사: 스크래치, 이물, 얼룩처럼 모양이 제각각인 외관 불량
항목: 준비할 것; 규칙 기반 머신비전: 판정 규칙과 임계값; AI 비전검사: 정상품과 불량품 이미지, 라벨
항목: 새 제품이나 새 불량이 생기면; 규칙 기반 머신비전: 규칙을 고칩니다; AI 비전검사: 이미지를 더해 다시 학습합니다
항목: 자주 겪는 문제; 규칙 기반 머신비전: 조금만 달라도 불량으로 잡혀 과검이 늘어납니다; AI 비전검사: 학습에 없던 유형을 놓칠 수 있어 재학습 절차가 필요합니다
IntLearn Pro의 실제 화면입니다. 예시 프로젝트로, 고객 제품이 아닙니다.
둘 중 하나만 골라야 하는 것은 아닙니다. 치수는 측정으로 재고 외관 불량은 AI로 보는 식으로 한 라인에서 같이 쓰는 경우가 많습니다. IntLearn Pro에도 AI 엔진과 함께 치수 측정(IntMeasurement) 모듈이 들어 있습니다.
맞는 일과 맞지 않는 일
모양이 제각각인 불량과 그 표시 예시입니다. 결함과 히트맵·마스크는 설명을 위해 실제 제품 사진 위에 생성해 그린 것입니다.
AI를 먼저 검토할 만한 경우입니다.
숙련자는 보면 아는데 규칙으로 옮기기 어려운 불량
규칙을 조이면 과검이 늘고 풀면 미검이 늘어 임계값을 계속 만지는 라인
사람이 바뀌면 판정 기준이 함께 흔들리는 검사
다른 방법부터 볼 만한 경우입니다.
지금 이미지에서 불량이 보이지 않을 때: 조명과 카메라부터 다시 봅니다.
공차를 재면 끝나는 치수 검사: 측정이 더 단순합니다.
사내에서 무엇이 불량인지 합의되지 않았을 때: 기준을 먼저 맞추지 않으면 라벨도 흔들립니다.
불량 샘플이 적어도 시작할 수 있나요
불량이 드문 라인일수록 자주 나오는 질문입니다. 방법은 몇 가지가 있고, 어느 쪽이 맞는지는 제품을 봐야 합니다.
이상 탐지(IntAnomaly): 평소 제품과 다른 부분을 찾는 방식입니다.
결함 합성(IntSynthesis)과 데이터 증강(IntAugmentation): 학습 이미지를 늘립니다.
IntLearn Kinesis: 로봇·컨베이어·카메라를 가상 셀로 구성하고 합성 데이터로 학습해, 설치 전에 촬영 조건과 검사 성능을 확인합니다.
그래도 실제 불량 샘플이 있으면 시험 결과를 훨씬 믿을 수 있습니다. 불량 표본이 없는 시험으로는 미검률을 계산할 수 없습니다.
도입은 이 순서로 합니다
상담·샘플 검토: 검사 대상과 찾아야 할 불량, 라인 조건을 함께 확인합니다.
설치 전 검증: IntLearn Kinesis 가상 셀에서 촬영 조건과 검사 성능을 확인할 수 있습니다.
라인 적용: IntCloud Optic으로 찍은 영상으로 IntLearn Pro를 학습하고, 검사 패키지(.izpkg)를 IntScan Pro나 IntSight에 적용합니다.
결과 확인·재학습: 결과를 확인하고 현장 데이터로 모델을 다시 학습·검증합니다.
도입 네 단계입니다. 4단계 그림은 IntSight 설명서의 결과 화면이고 화면의 숫자는 성능 수치가 아닙니다. 샘플 그림은 3D로 렌더링한 예시입니다.
쓰던 장비가 있다면 1단계에서 저장된 이미지부터 봅니다. 자세한 항목은 기존 검사기에 AI를 추가할 때 확인할 항목에 있습니다.
결과는 무엇으로 판단하나
정확도 숫자 하나로는 판단하기 어렵습니다. 놓친 불량(미검), 양품을 불량으로 잡은 것(과검), 라인 속도를 따라가는지(처리량)를 같은 표본에서 함께 봅니다. 평가 단위를 이미지로 잡을지 제품으로 잡을지도 먼저 정합니다. 미검·과검·처리량 확인 방법에 표 양식과 함께 정리했습니다.
한계와 주의사항
이 글은 일반적인 설명입니다. 우리 제품에 적용할 수 있는지는 샘플과 촬영 조건, 공정을 검토해야 알 수 있습니다. 조명과 카메라를 바꾸지 않아도 되는지, 어떤 엔진이 맞는지도 마찬가지입니다.