딥러닝 머신비전은 규칙을 사람이 일일이 프로그래밍하는 기존 룰 기반 검사와 달리, AI가 정상과 불량의 패턴을 스스로 학습해 판정하는 검사 기술입니다. 미리 정의하지 못한 비정형 불량까지 검출할 수 있어, 룰 기반 검사의 오랜 숙제였던 과검·미검 문제를 개선할 수 있습니다.
이 글에서는 머신비전의 기본 개념부터 룰 기반 검사의 한계, 딥러닝 방식과의 차이, 그리고 우리 공정에 도입이 필요한지 판단하는 기준까지 정리합니다.
머신비전(Machine Vision)은 카메라와 조명 같은 하드웨어에 판정 소프트웨어를 연결해, 사람이 해오던 시각적 판단을 기계가 대신하는 기술입니다. 검수자가 눈으로 불량과 정상을 구분하던 일을 자동화하는 것이죠.
제품 외관의 긁힘, 파편, 결함뿐 아니라 색상, 형태, 크기, 깊이, 문자까지 판독할 수 있습니다. 숙련된 작업자도 장시간 작업하면 정확도가 떨어지고 작업자마다 판정 기준이 다를 수 있지만, 머신비전은 같은 기준으로 빠르고 일관되게 검사합니다.
머신비전 시장은 2019년 약 16조 8,000억 원에서 2025년 25조 원 규모로 성장했을 만큼(그랜드뷰리서치 조사 기준) 제조 전반의 표준 기술로 자리 잡고 있습니다.
기존 머신비전의 판정 로직은 대부분 규칙(Rule-based) 기반입니다. "이 영역에서 이 크기 이상의 어두운 점은 불량" 같은 조건을 사람이 미리 프로그래밍하는 방식이죠. 설치와 세팅이 빠르다는 장점이 있지만, 제조 현장에서는 세 가지 한계에 부딪힙니다.
딥러닝 머신비전은 사람이 규칙을 입력하는 대신, AI가 정상과 불량 이미지의 패턴을 학습합니다. 차이는 세 가지입니다.
핵심은 과검과 미검을 "기준 조정"이 아니라 "판별력 향상"으로 동시에 개선한다는 점입니다.
현미경으로 봐야 할 수준의 초미세 결함, 제품마다 위치와 형태가 다른 불량이 있다면 사람과 규칙만으로는 한계가 있습니다. 작은 결함이 큰 손실로 이어지는 반도체, 이차전지, PCB 공정이 대표적입니다.
수작업 양불판정 인력을 다른 업무에 배치하지 못하고, 과검으로 정상 제품이 폐기되는 비용을 감내하고 있다면 자동화의 투자 대비 효과가 큰 상태입니다.
출하된 불량품은 리콜, 고객 항의 대응, 신뢰도 하락으로 이어집니다. 불량 유출 리스크가 큰 산업일수록 일관된 기준의 전수 검사가 필요합니다.
알티엠(RTM)의 Hubble(허블)은 위의 한계를 해결하기 위해 개발된 딥러닝 기반 AI 비전 검사 솔루션입니다.
미리 입력한 규칙 밖에서 발생하는 이물, 난반사, 새로운 불량 유형도 스스로 학습해 검출합니다. 숙련 검사원처럼 복잡하고 제각각인 검사 규칙을 적용할 수 있습니다.
일반적으로 AI 학습에는 라벨링된 이미지가 최소 1,000장 수준으로 필요하지만, Hubble은 데이터 증강 기술로 적은 데이터에서도 학습 모델을 만들고, 운영하며 축적되는 데이터로 성능을 지속 고도화합니다.
이미지 30장 수준으로 패턴을 학습해 이후 데이터의 불량 위치를 AI가 자동으로 라벨링합니다. 도입 준비 단계에서 가장 큰 부담인 라벨링 시간과 비용을 크게 줄입니다.
반드시 교체할 필요는 없습니다. 정형화된 불량 위주의 공정이라면 룰 기반도 충분할 수 있습니다. 비정형 불량, 잦은 제품 변경, 과검 비용이 문제라면 딥러닝 방식 도입을 검토할 시점입니다.
가능합니다. 데이터 증강 기술로 적은 데이터에서 시작하고, 운영 중 쌓이는 데이터로 모델을 고도화하는 접근이 일반적입니다. 데이터의 양보다 판정 기준의 일관성이 더 중요합니다.
룰 기반 검사에서는 판정 기준을 조정하는 방식이라 트레이드오프가 발생하지만, 딥러닝은 판별력 자체를 높이는 방식이라 과검과 미검을 동시에 개선할 수 있습니다.
카메라와 조명은 계속 좋아졌지만, 많은 현장의 검사 성능은 여전히 룰 기반 판정 로직에 묶여 있습니다. 비정형 불량, 과검 비용, 잦은 제품 변경으로 고민하고 있다면 판정 방식을 바꿀 시점입니다.
우리 공정에 딥러닝 머신비전이 맞는지 궁금하다면, 알티엠에 문의해 적용 가능성을 확인해보세요.
문제와 보유 데이터만 알려주세요.
담당자가 영업일 1일 내에 적합한 적용 방식을 안내해드립니다.
