비전 검사 시스템 (Vision Inspection System)
1. 개요
비전 검사 시스템은 산업용 카메라와 이미지 처리 소프트웨어를 이용하여 제품의 외관, 치수, 조립 상태 등을 자동으로 검사하고 판정하는 품질 관리 시스템이다.
산업 현장에서의 주된 목적은 생산 공정 중 발생하는 불량품을 실시간으로 검출하여 불량률을 낮추고, 최종 제품의 품질 일관성을 확보하는 것이다. 전통적인 육안 검사는 검사자의 숙련도나 컨디션에 따라 판정 기준이 달라지는 주관성이 개입되며, 고속 생산 라인에서 검사 속도의 한계가 있다. 반면, 비전 검사 시스템은 정해진 알고리즘에 따라 객관적이고 일관된 판정이 가능하며, 인간의 눈으로 식별하기 어려운 미세 결함까지 고속으로 검출할 수 있다는 핵심적인 이점을 가진다.
2. 시스템 구성 요소
비전 검사 시스템은 광학적 정보를 디지털 데이터로 변환하는 하드웨어와 이를 분석하는 소프트웨어의 유기적인 결합으로 구성된다.
2.1 하드웨어 및 소프트웨어 구성
| 구성 요소 |
역할 |
주요 선택 기준 |
| 조명 (Lighting) |
대상체의 특징을 극대화하여 이미지 대비(Contrast)를 형성 |
광원 종류(LED, 레이저), 조사 방식(돔, 링, 바), 파장(적색, 청색, IR) |
| 카메라 (Camera) |
빛을 전기적 신호로 변환하여 디지털 이미지 생성 |
해상도(Resolution), 프레임 레이트(FPS), 센서 타입(CMOS, CCD) |
| 렌즈 (Lens) |
빛을 모아 이미지 센서에 상을 맺게 함 |
초점 거리, 배율, 왜곡률, 조리개 값(F-number) |
| 프레임 그래버 (Frame Grabber) |
카메라의 영상 데이터를 PC로 전송 및 제어 |
인터페이스 표준(GigE, Camera Link, USB 3.0), 전송 속도 |
| 분석 소프트웨어 |
획득한 이미지에서 특징을 추출하고 합/불 판정 수행 |
처리 속도, 라이브러리 지원 범위, UI 편의성, AI 모델 통합 가능 여부 |
3. 시스템의 분류
시스템의 물리적 배치와 운용 방식에 따라 다음과 같이 분류한다.
- 인라인(In-line) 검사: 생산 라인에 직접 통합되어 제품이 이동하는 과정에서 실시간으로 검사하는 방식이다. 전수 검사가 가능하며, 불량 발생 시 즉각적인 라인 정지나 배출(Reject) 제어가 가능하다.
- 오프라인(Off-line) 검사: 샘플링 검사나 고정밀 분석을 위해 별도의 검사 스테이션에서 수행하는 방식이다. 라인 속도에 영향을 주지 않고 정밀한 분석이 가능하지만, 전수 검사가 어렵고 피드백 속도가 느리다.
4. 작동 원리 및 프로세스
비전 검사 시스템은 일반적으로 다음과 같은 표준 워크플로우를 통해 판정을 수행한다.
- 이미지 획득 (Acquisition): 조명에 의해 강조된 대상체의 광학 정보가 렌즈를 통해 카메라 센서에 도달하고, 이를 디지털 이미지 파일로 변환하는 단계이다.
- 전처리 (Preprocessing): 분석 효율을 높이기 위해 노이즈를 제거하거나 대비를 향상시키는 과정이다. 필터링(Filtering), 이진화(Binarization[^1]), 기하학적 보정 등이 포함된다.
- 특징 추출 (Feature Extraction): 전처리된 이미지에서 검사에 필요한 핵심 정보를 추출한다. 에지(Edge[^2]) 검출, 블롭(Blob[^3]) 분석, 색상 추출 등이 수행된다.
- 판정 (Decision): 추출된 특징을 미리 설정된 기준값(Threshold)이나 학습된 모델과 비교하여 양품(OK) 또는 불량(NG)으로 최종 판정한다.
5. 주요 검사 기법
검사 대상의 특성과 요구 정밀도에 따라 룰 기반 방식과 AI 기반 방식을 선택하거나 혼용하여 사용한다.
5.1 룰 기반(Rule-based) 검사
정해진 수학적 규칙과 기하학적 기준을 바탕으로 검사하는 방식이다.
- 치수 측정: 픽셀 단위를 실제 물리 거리로 환산하여 길이, 각도, 면적을 측정.
- 유무 검사: 특정 영역에 있어야 할 부품이나 마킹의 존재 여부를 확인.
- 패턴 매칭: 기준 이미지(Template)와 현재 이미지의 상관관계를 계산하여 일치 여부 확인.
5.2 AI 기반(Deep Learning) 검사
데이터 학습을 통해 시스템이 스스로 특징을 찾아내어 판정하는 방식이다.
- 결함 분류 (Classification): 스크래치, 찍힘, 오염 등 불량의 종류를 분류.
- 세그멘테이션 (Segmentation): 픽셀 단위로 결함 영역을 정밀하게 분리하여 위치와 크기를 파악.
- 최신 트렌드: 최근에는 불량 데이터 수집의 어려움을 해결하기 위해 양품 데이터만으로 학습하여 정상 범위를 벗어난 모든 이상치를 검출하는 비지도 학습(Unsupervised Learning) 기반의 이상 탐지(Anomaly Detection) 기법이 널리 도입되고 있다.
5.3 하이브리드(Hybrid) 구성 사례
실제 산업 현장에서는 두 방식의 장점을 결합하여 신뢰성을 높인다.
- 사례: 먼저 룰 기반 검사로 제품의 정렬 상태와 기본 치수를 빠르게 확인(ROI 설정)한 후, 정밀 검사가 필요한 특정 영역에 대해서만 AI 모델을 적용하여 비정형 결함을 판정하는 방식으로 연산 효율과 정확도를 동시에 확보한다.
5.4 검사 방식 비교
| 비교 항목 |
룰 기반 검사 (Rule-based) |
AI 기반 검사 (Deep Learning) |
| 판정 기준 |
명시적인 수치 및 규칙 (Explicit) |
데이터 기반 학습 패턴 (Implicit) |
| 설정 방식 |
엔지니어가 직접 파라미터 설정 |
대량의 양/불 데이터를 통한 학습 |
| 유연성 |
기준 변경 시 규칙 수정 필요 |
새로운 데이터 추가 학습으로 대응 가능 |
| 적용 사례 |
정밀 치수 측정, 단순 유무 확인 |
비정형 결함(스크래치, 얼룩) 검출 |
| 처리 속도 |
일반적으로 매우 빠름 |
모델 복잡도에 따라 연산 자원 필요 |
6. 하드웨어 선정 가이드
최적의 검사 성능을 확보하기 위해서는 검사 대상(Object)의 특성을 분석하여 하드웨어를 선정해야 한다.
6.1 해상도 결정
필요한 카메라 해상도는 다음 수식을 통해 산출한다.
$$\text{필요 해상도} = \frac{\text{시야각(FOV)}}{\text{최소 검출 크기}} \times \text{안전 계수(3~5배)}$$
6.2 렌즈 및 조명 선정
- 렌즈 선정: 좁은 영역의 고배율 검사가 필요하면 텔레센트릭 렌즈(Telecentric Lens, 왜곡을 최소화하고 원근감을 제거한 렌즈)를 사용하고, 넓은 영역은 광각 렌즈를 사용한다.
- 조명 방식별 효과 비교
| 조명 방식 | 주요 효과 | 추천 적용 대상 |
| :--- | :--- | :--- |
| 로우 앵글 (Low-angle) | 표면의 미세한 흠집, 돌출부 강조 | 금속 표면 스크래치, 단차 검사 |
| 돔 (Dome) | 그림자 제거, 균일한 면 조명 형성 | 곡면 제품, 반사광이 심한 표면 |
| 백라이트 (Backlight) | 대상체의 외곽선(Silhouette) 강조 | 외곽 치수 측정, 관통 구멍 유무 |
| 동축 (Coaxial) | 수직면의 반사광 이용, 평면 특징 강조 | 웨이퍼 패턴, PCB 회로 검사 |
7. 산업별 활용 사례
- 반도체/디스플레이: 웨이퍼의 패턴 결함 검사, OLED 패널의 픽셀 불량 및 미세 회로 단선/단락 검사.
- 자동차: 엔진 부품의 조립 누락 확인, 차체 도장면의 핀홀(Pinhole[^4]) 및 이물질 검출, 타이어 트레드 마모도 측정 및 외관 손상 검사.
- 제약/식품: 알약의 깨짐 및 변색 검사, 포장지의 실링(Sealing) 상태 확인, 이물질 혼입 여부 X-ray 비전 검사.
8. 시스템 구축 시 고려사항 및 유지보수
8.1 성능 최적화 및 관리
- 조명 환경 제어: 외부 광원(햇빛, 실내등)의 간섭을 차단하기 위해 암실(Dark box)을 구축하여 조명 조건의 재현성을 확보해야 한다.
- 택트 타임(Tact Time[^5]) 최적화: 제품 하나를 검사하는 데 걸리는 시간을 최소화하기 위해 이미지 처리 알고리즘의 효율화 및 멀티코어 프로세싱을 적용한다.
- 오검출(False Positive) 관리: 양품을 불량으로 판정하는 과검(Over-kill)을 줄이기 위해 판정 임계값을 최적화하고, 필요시 2단계 검증 프로세스를 도입한다.
- 캘리브레이션 (Calibration): 이미지의 픽셀 좌표를 실제 물리 좌표(mm)로 매핑하는 과정이다. 표준 체커보드(Checkerboard) 등을 사용하여 렌즈 왜곡을 보정하고 측정 정밀도를 유지한다.
- 정기 점검: 조명의 밝기 저하(Degradation) 및 카메라 포커스 틀어짐을 주기적으로 점검하여 검사 일관성을 유지한다.
- 데이터 백업: 학습된 AI 모델의 버전 관리 및 검사 기준 설정값의 백업 체계를 구축한다.
9. 검사 결과 데이터 활용 방안
단순한 합/불 판정을 넘어, 수집된 비전 데이터를 분석하여 공정 전체의 효율을 높일 수 있다.
- 공정 피드백 (Closed-loop Control): 특정 치수가 지속적으로 한계치에 근접할 경우, 전단 공정의 설비를 자동으로 보정하여 불량 발생을 사전 예방한다.
- 불량 유형 분석 (Pareto Analysis): 발생 빈도가 높은 불량 유형을 통계적으로 분석하여 근본적인 공정 원인을 파악하고 개선한다.
- 이력 추적 (Traceability): 제품별 검사 이미지와 판정 결과를 DB에 저장하여, 향후 고객 클레임 발생 시 해당 제품의 생산 당시 상태를 추적한다.
[^1]: 이진화(Binarization): 이미지를 흑(0)과 백(1)의 두 가지 색상으로만 표현하여 분석 대상과 배경을 명확히 분리하는 작업.
[^2]: 에지(Edge): 이미지 내에서 밝기가 급격하게 변하는 경계선으로, 객체의 형태를 파악하는 핵심 정보.
[^3]: 블롭(Blob): 'Binary Large Object'의 약자로, 이진화된 이미지에서 서로 연결된 유사한 픽셀들의 덩어리.
[^4]: 핀홀(Pinhole): 도장이나 코팅 표면에 형성된 아주 작은 바늘구멍 형태의 결함.
[^5]: 택트 타임(Tact Time): 제품 하나가 완성되어 나오는 시간 간격으로, 비전 검사에서는 이미지 획득부터 판정 완료까지의 처리 시간을 의미함.
# 비전 검사 시스템 (Vision Inspection System)
## 1. 개요
비전 검사 시스템은 산업용 카메라와 이미지 처리 소프트웨어를 이용하여 제품의 외관, 치수, 조립 상태 등을 자동으로 검사하고 판정하는 품질 관리 시스템이다.
산업 현장에서의 주된 목적은 생산 공정 중 발생하는 불량품을 실시간으로 검출하여 불량률을 낮추고, 최종 제품의 품질 일관성을 확보하는 것이다. 전통적인 육안 검사는 검사자의 숙련도나 컨디션에 따라 판정 기준이 달라지는 주관성이 개입되며, 고속 생산 라인에서 검사 속도의 한계가 있다. 반면, 비전 검사 시스템은 정해진 알고리즘에 따라 객관적이고 일관된 판정이 가능하며, 인간의 눈으로 식별하기 어려운 미세 결함까지 고속으로 검출할 수 있다는 핵심적인 이점을 가진다.
## 2. 시스템 구성 요소
비전 검사 시스템은 광학적 정보를 디지털 데이터로 변환하는 하드웨어와 이를 분석하는 소프트웨어의 유기적인 결합으로 구성된다.
### 2.1 하드웨어 및 소프트웨어 구성
| 구성 요소 | 역할 | 주요 선택 기준 |
| :--- | :--- | :--- |
| **조명 (Lighting)** | 대상체의 특징을 극대화하여 이미지 대비(Contrast)를 형성 | 광원 종류(LED, 레이저), 조사 방식(돔, 링, 바), 파장(적색, 청색, IR) |
| **카메라 (Camera)** | 빛을 전기적 신호로 변환하여 디지털 이미지 생성 | 해상도(Resolution), 프레임 레이트(FPS), 센서 타입(CMOS, CCD) |
| **렌즈 (Lens)** | 빛을 모아 이미지 센서에 상을 맺게 함 | 초점 거리, 배율, 왜곡률, 조리개 값(F-number) |
| **프레임 그래버 (Frame Grabber)** | 카메라의 영상 데이터를 PC로 전송 및 제어 | 인터페이스 표준(GigE, Camera Link, USB 3.0), 전송 속도 |
| **분석 소프트웨어** | 획득한 이미지에서 특징을 추출하고 합/불 판정 수행 | 처리 속도, 라이브러리 지원 범위, UI 편의성, AI 모델 통합 가능 여부 |
## 3. 시스템의 분류
시스템의 물리적 배치와 운용 방식에 따라 다음과 같이 분류한다.
- **인라인(In-line) 검사**: 생산 라인에 직접 통합되어 제품이 이동하는 과정에서 실시간으로 검사하는 방식이다. 전수 검사가 가능하며, 불량 발생 시 즉각적인 라인 정지나 배출(Reject) 제어가 가능하다.
- **오프라인(Off-line) 검사**: 샘플링 검사나 고정밀 분석을 위해 별도의 검사 스테이션에서 수행하는 방식이다. 라인 속도에 영향을 주지 않고 정밀한 분석이 가능하지만, 전수 검사가 어렵고 피드백 속도가 느리다.
## 4. 작동 원리 및 프로세스
비전 검사 시스템은 일반적으로 다음과 같은 표준 워크플로우를 통해 판정을 수행한다.
1. **이미지 획득 (Acquisition)**: 조명에 의해 강조된 대상체의 광학 정보가 렌즈를 통해 카메라 센서에 도달하고, 이를 디지털 이미지 파일로 변환하는 단계이다.
2. **전처리 (Preprocessing)**: 분석 효율을 높이기 위해 노이즈를 제거하거나 대비를 향상시키는 과정이다. 필터링(Filtering), 이진화(Binarization[^1]), 기하학적 보정 등이 포함된다.
3. **특징 추출 (Feature Extraction)**: 전처리된 이미지에서 검사에 필요한 핵심 정보를 추출한다. 에지(Edge[^2]) 검출, 블롭(Blob[^3]) 분석, 색상 추출 등이 수행된다.
4. **판정 (Decision)**: 추출된 특징을 미리 설정된 기준값(Threshold)이나 학습된 모델과 비교하여 양품(OK) 또는 불량(NG)으로 최종 판정한다.
## 5. 주요 검사 기법
검사 대상의 특성과 요구 정밀도에 따라 룰 기반 방식과 AI 기반 방식을 선택하거나 혼용하여 사용한다.
### 5.1 룰 기반(Rule-based) 검사
정해진 수학적 규칙과 기하학적 기준을 바탕으로 검사하는 방식이다.
- **치수 측정**: 픽셀 단위를 실제 물리 거리로 환산하여 길이, 각도, 면적을 측정.
- **유무 검사**: 특정 영역에 있어야 할 부품이나 마킹의 존재 여부를 확인.
- **패턴 매칭**: 기준 이미지(Template)와 현재 이미지의 상관관계를 계산하여 일치 여부 확인.
### 5.2 AI 기반(Deep Learning) 검사
데이터 학습을 통해 시스템이 스스로 특징을 찾아내어 판정하는 방식이다.
- **결함 분류 (Classification)**: 스크래치, 찍힘, 오염 등 불량의 종류를 분류.
- **세그멘테이션 (Segmentation)**: 픽셀 단위로 결함 영역을 정밀하게 분리하여 위치와 크기를 파악.
- **최신 트렌드**: 최근에는 불량 데이터 수집의 어려움을 해결하기 위해 양품 데이터만으로 학습하여 정상 범위를 벗어난 모든 이상치를 검출하는 **비지도 학습(Unsupervised Learning) 기반의 이상 탐지(Anomaly Detection)** 기법이 널리 도입되고 있다.
### 5.3 하이브리드(Hybrid) 구성 사례
실제 산업 현장에서는 두 방식의 장점을 결합하여 신뢰성을 높인다.
- **사례**: 먼저 룰 기반 검사로 제품의 정렬 상태와 기본 치수를 빠르게 확인(ROI 설정)한 후, 정밀 검사가 필요한 특정 영역에 대해서만 AI 모델을 적용하여 비정형 결함을 판정하는 방식으로 연산 효율과 정확도를 동시에 확보한다.
### 5.4 검사 방식 비교
| 비교 항목 | 룰 기반 검사 (Rule-based) | AI 기반 검사 (Deep Learning) |
| :--- | :--- | :--- |
| **판정 기준** | 명시적인 수치 및 규칙 (Explicit) | 데이터 기반 학습 패턴 (Implicit) |
| **설정 방식** | 엔지니어가 직접 파라미터 설정 | 대량의 양/불 데이터를 통한 학습 |
| **유연성** | 기준 변경 시 규칙 수정 필요 | 새로운 데이터 추가 학습으로 대응 가능 |
| **적용 사례** | 정밀 치수 측정, 단순 유무 확인 | 비정형 결함(스크래치, 얼룩) 검출 |
| **처리 속도** | 일반적으로 매우 빠름 | 모델 복잡도에 따라 연산 자원 필요 |
## 6. 하드웨어 선정 가이드
최적의 검사 성능을 확보하기 위해서는 검사 대상(Object)의 특성을 분석하여 하드웨어를 선정해야 한다.
### 6.1 해상도 결정
필요한 카메라 해상도는 다음 수식을 통해 산출한다.
$$\text{필요 해상도} = \frac{\text{시야각(FOV)}}{\text{최소 검출 크기}} \times \text{안전 계수(3~5배)}$$
### 6.2 렌즈 및 조명 선정
- **렌즈 선정**: 좁은 영역의 고배율 검사가 필요하면 텔레센트릭 렌즈(Telecentric Lens, 왜곡을 최소화하고 원근감을 제거한 렌즈)를 사용하고, 넓은 영역은 광각 렌즈를 사용한다.
- **조명 방식별 효과 비교**
| 조명 방식 | 주요 효과 | 추천 적용 대상 |
| :--- | :--- | :--- |
| **로우 앵글 (Low-angle)** | 표면의 미세한 흠집, 돌출부 강조 | 금속 표면 스크래치, 단차 검사 |
| **돔 (Dome)** | 그림자 제거, 균일한 면 조명 형성 | 곡면 제품, 반사광이 심한 표면 |
| **백라이트 (Backlight)** | 대상체의 외곽선(Silhouette) 강조 | 외곽 치수 측정, 관통 구멍 유무 |
| **동축 (Coaxial)** | 수직면의 반사광 이용, 평면 특징 강조 | 웨이퍼 패턴, PCB 회로 검사 |
## 7. 산업별 활용 사례
- **반도체/디스플레이**: 웨이퍼의 패턴 결함 검사, OLED 패널의 픽셀 불량 및 미세 회로 단선/단락 검사.
- **자동차**: 엔진 부품의 조립 누락 확인, 차체 도장면의 핀홀(Pinhole[^4]) 및 이물질 검출, 타이어 트레드 마모도 측정 및 외관 손상 검사.
- **제약/식품**: 알약의 깨짐 및 변색 검사, 포장지의 실링(Sealing) 상태 확인, 이물질 혼입 여부 X-ray 비전 검사.
## 8. 시스템 구축 시 고려사항 및 유지보수
### 8.1 성능 최적화 및 관리
- **조명 환경 제어**: 외부 광원(햇빛, 실내등)의 간섭을 차단하기 위해 암실(Dark box)을 구축하여 조명 조건의 재현성을 확보해야 한다.
- **택트 타임(Tact Time[^5]) 최적화**: 제품 하나를 검사하는 데 걸리는 시간을 최소화하기 위해 이미지 처리 알고리즘의 효율화 및 멀티코어 프로세싱을 적용한다.
- **오검출(False Positive) 관리**: 양품을 불량으로 판정하는 과검(Over-kill)을 줄이기 위해 판정 임계값을 최적화하고, 필요시 2단계 검증 프로세스를 도입한다.
### 8.2 유지보수 및 캘리브레이션
- **캘리브레이션 (Calibration)**: 이미지의 픽셀 좌표를 실제 물리 좌표(mm)로 매핑하는 과정이다. 표준 체커보드(Checkerboard) 등을 사용하여 렌즈 왜곡을 보정하고 측정 정밀도를 유지한다.
- **정기 점검**: 조명의 밝기 저하(Degradation) 및 카메라 포커스 틀어짐을 주기적으로 점검하여 검사 일관성을 유지한다.
- **데이터 백업**: 학습된 AI 모델의 버전 관리 및 검사 기준 설정값의 백업 체계를 구축한다.
## 9. 검사 결과 데이터 활용 방안
단순한 합/불 판정을 넘어, 수집된 비전 데이터를 분석하여 공정 전체의 효율을 높일 수 있다.
- **공정 피드백 (Closed-loop Control)**: 특정 치수가 지속적으로 한계치에 근접할 경우, 전단 공정의 설비를 자동으로 보정하여 불량 발생을 사전 예방한다.
- **불량 유형 분석 (Pareto Analysis)**: 발생 빈도가 높은 불량 유형을 통계적으로 분석하여 근본적인 공정 원인을 파악하고 개선한다.
- **이력 추적 (Traceability)**: 제품별 검사 이미지와 판정 결과를 DB에 저장하여, 향후 고객 클레임 발생 시 해당 제품의 생산 당시 상태를 추적한다.
---
[^1]: **이진화(Binarization)**: 이미지를 흑(0)과 백(1)의 두 가지 색상으로만 표현하여 분석 대상과 배경을 명확히 분리하는 작업.
[^2]: **에지(Edge)**: 이미지 내에서 밝기가 급격하게 변하는 경계선으로, 객체의 형태를 파악하는 핵심 정보.
[^3]: **블롭(Blob)**: 'Binary Large Object'의 약자로, 이진화된 이미지에서 서로 연결된 유사한 픽셀들의 덩어리.
[^4]: **핀홀(Pinhole)**: 도장이나 코팅 표면에 형성된 아주 작은 바늘구멍 형태의 결함.
[^5]: **택트 타임(Tact Time)**: 제품 하나가 완성되어 나오는 시간 간격으로, 비전 검사에서는 이미지 획득부터 판정 완료까지의 처리 시간을 의미함.