AI 비전 검사는 품질 검사 직무를 어떻게 바꾸나: 머신비전 구조, 적용 범위, 검사원이 준비할 것

사진: Homa Appliances / Unsplash

1. 사람 눈 검사의 한계, 비전 검사가 들어오는 이유

외관 검사는 제조 현장에서 가장 많은 사람이 하는 일 중 하나예요. 라인 끝에서 제품을 집어 돌려 보고, 스크래치·찍힘·이물·변색·누락을 찾아 양품과 불량을 나눠요. 그런데 사람 눈은 한계가 있어요. 두 시간이 지나면 집중력이 떨어지고, 같은 불량을 아침과 저녁에 다르게 판정하고, 검사원마다 기준이 달라요. 작은 결함은 조명과 각도에 따라 보였다 안 보였다 해요.

비전 검사는 이 문제를 카메라와 소프트웨어로 풀어요. 같은 조명, 같은 각도, 같은 기준으로 하루 수만 개를 똑같이 봐요. 판정 결과가 데이터로 남아 어느 설비, 어느 시간에 불량이 늘었는지 바로 알 수 있어요. 고객사가 "전수 검사 데이터"를 요구하는 업종(자동차 부품, 전자, 배터리, 반도체)에서는 거의 필수가 됐어요.

최근 몇 년 사이 달라진 건 AI(딥러닝)가 들어온 거예요. 예전 비전 검사는 "이 위치에 구멍이 있는가", "이 치수가 범위 안인가"처럼 규칙으로 정의할 수 있는 것만 했어요. AI는 "이런 게 스크래치다"를 사진 수백 장으로 배워서, 말로 정의하기 어려운 외관 결함도 잡아요. 그래서 사람이 하던 외관 검사 자리에 AI 비전이 들어오기 시작했어요.

2. 머신비전 시스템의 구성: 조명·카메라·렌즈·소프트웨어

구성 요소	역할	현장에서 관리할 것
조명	결함이 사진에 드러나게 함. 링·바·돔·백라이트·동축 등 종류가 많음	조명 밝기 저하(LED 노화), 오염, 위치 틀어짐. 비전 문제의 절반은 조명
카메라	제품을 찍음. 해상도(화소), 컬러/흑백, 라인스캔/에어리어스캔	렌즈 오염, 초점 틀어짐, 고정 볼트 풀림, 케이블 접촉
렌즈	시야 범위와 배율, 왜곡을 정함. 텔레센트릭 렌즈는 치수 측정용	먼지·기름 오염, 조리개·초점 링 움직임
트리거·센서	제품이 정위치에 왔을 때 촬영 신호를 줌	센서 오염, 타이밍 어긋남(흔들린 사진)
소프트웨어	사진을 분석해 판정. 규칙 기반 또는 AI 모델	판정 기준(임계값) 관리, 모델 재학습, 결과 데이터 확인
배출 장치	불량으로 판정된 제품을 라인에서 빼냄	배출 타이밍, 에어·푸셔 작동 확인

현장에서 꼭 기억할 것은 "비전은 조명이 8할"이라는 말이에요. 아무리 좋은 AI도 사진에 결함이 안 찍히면 못 잡아요. 조명이 어두워지거나 각도가 틀어지면 어제까지 잡던 불량을 오늘 놓쳐요. 그래서 비전 검사 설비의 일상 관리는 조명과 렌즈 상태 확인이 중심이에요.

3. 규칙 기반 검사와 AI 검사의 차이

구분	규칙 기반(전통 머신비전)	AI(딥러닝) 비전
판정 방식	사람이 규칙을 정함. "이 영역 밝기가 X 이하면 불량", "치수가 범위 밖이면 불량"	양품·불량 사진을 수백~수천 장 보여 주고 모델이 특징을 스스로 배움
잘하는 것	치수 측정, 유무·위치·개수 확인, 바코드·문자 읽기, 정형화된 패턴	스크래치·찍힘·얼룩·이물·변형처럼 모양이 제각각인 외관 결함
약한 것	모양이 매번 다른 결함, 조명·배경 변화	학습하지 않은 새 불량, 데이터가 적은 희귀 불량, "왜 불량인지" 설명
도입 작업	엔지니어가 규칙과 임계값을 세팅	불량 사진 수집·라벨링(이게 어떤 불량인지 표시)·학습·검증
운영 중 관리	임계값 조정	오판정 사례 수집 → 재학습. 데이터 관리가 핵심

실제 현장은 둘을 섞어 써요. 치수와 유무는 규칙으로, 외관 결함은 AI로 보는 식이에요. AI 검사에서 가장 중요한 건 좋은 학습 데이터예요. 어떤 사진이 불량이고 어떤 종류인지 정확히 표시(라벨링)된 데이터가 많을수록 잘 잡아요. 이 라벨링을 누가 가장 잘할까요? 그 제품의 불량을 매일 보던 검사원이에요.

4. 잘 맞는 검사와 아직 어려운 검사

잘 맞는 검사

• 조명과 위치를 고정할 수 있는 평평한 제품의 표면 결함 (필름, 시트, 전극, 판재, 라벨)
• 부품 유무·방향·개수 확인 (커넥터 핀, 나사 체결, 라벨 부착, 포장 내용물)
• 치수·위치 측정 (구멍 위치, 간격, 외형 치수)
• 용접 비드·납땜 상태처럼 패턴이 일정한 외관
• 바코드·문자·날짜 인쇄 확인

아직 어려운 검사

• 광택·투명·굴곡이 심한 제품 (반사 때문에 조명 세팅이 어려움)
• "괜찮은 정도"가 애매한 결함 (미세 얼룩, 색 차이). 양품·불량 경계를 사람도 못 정하면 AI도 못 해요.
• 희귀 불량 (연 몇 건이라 학습 데이터가 없음)
• 촉감·소리·무게처럼 사진에 안 찍히는 특성
• 제품 종류가 자주 바뀌어 매번 재학습이 필요한 다품종 소량 라인

그래서 AI 비전을 도입해도 사람 검사가 완전히 없어지지 않아요. AI가 "불량 의심"으로 걸러낸 것을 사람이 최종 확인하거나, AI가 못 보는 항목을 사람이 보거나, 신제품 초기에는 사람이 검사하며 데이터를 모으는 식으로 역할이 나뉘어요.

5. 도입 현장에서 직무는 어떻게 바뀌나

구분	도입 전	도입 후
검사원	제품을 하나씩 눈으로 보고 판정	AI 판정 결과 모니터링, 불량 의심품 최종 확인, 오판정 사례 수집·라벨링, 조명·렌즈 상태 점검
품질 담당	검사 기준서 관리, 샘플링 검사, 불량률 집계	판정 기준(임계값) 관리, 재학습 주기 결정, 검사 데이터로 불량 원인 공정 추적
설비 보전	기계·전기 설비 중심	카메라·조명·센서·PC 점검 추가, 통신 장애 대응
생산 오퍼레이터	생산 집중	비전 알람 1차 대응(제품 위치 틀어짐, 조명 오류), 배출품 처리

핵심은 검사원이 "보는 사람"에서 "가르치고 관리하는 사람"이 되는 거예요. AI가 양품을 불량으로 잡으면(과검출) 생산이 멈추고, 불량을 양품으로 보내면(미검출) 고객 불만이 와요. 이 둘을 줄이는 일은 제품을 가장 잘 아는 검사원이 오판정 사례를 모아 다시 가르칠 때 가장 잘 돼요. 이 역할을 맡은 사람은 현장에서 "비전 담당"으로 자리가 생겨요.

6. 현장 직장인이 준비할 것

• 불량 유형을 말로 정리하기: 내가 보는 불량을 "종류, 위치, 크기, 원인 공정"으로 분류해 둔 사람은 AI 학습 데이터를 만드는 데 바로 투입돼요.
• 조명·카메라 기본 이해: 어떤 조명이 어떤 결함을 드러내는지, 초점과 노출이 뭔지 정도만 알아도 비전 설비 일상 관리가 가능해요. 비전 장비 업체의 무료 세미나와 온라인 자료가 많아요.
• 판정 화면 읽기: 비전 소프트웨어의 결과 화면(양품률, 불량 종류별 건수, 오판정 목록)을 매일 보고 "왜 오늘 과검출이 늘었나"를 생각하는 습관.
• 엑셀로 데이터 다루기: 검사 결과를 표로 정리하고 경향을 보는 능력이 품질 직무로 가는 길이에요.
• 관련 자격·교육: 품질경영기사·산업기사, 비전 장비 제조사 교육 수료, 기초 통계(SPC) 교육이 도움이 돼요.

AI 비전은 검사원을 없애는 게 아니라, 검사원이 알고 있는 "불량에 대한 지식"을 시스템에 옮기는 일이에요. 그 지식을 가장 많이 가진 사람이 옮기는 일을 맡게 돼요. 지금 라인 끝에서 제품을 보고 있다면, 오늘 본 불량을 종류별로 적어 두는 것부터 시작해 보세요.

함께 보면 좋은 글

※ 이 글은 작성일 기준의 일반적인 설명이며 투자 조언이 아니에요.