품질 검사 자동화 사례 분석

  • 성공한 공장은 기술만 뛰어난 것이 아니라 현장의 거부감을 줄이고, AI의 실수(과검/미검)를 제어하는
  • 운영 프로세스와 안전장치(Interlock)를 잘 구축한 공장

[성공 사례 1] 반도체/PCB 미세 패턴 검사

  • 반도체, PCB, 디스플레이 공정처럼 제품의 크기는 매우 작고 패턴은 정밀한 산업군에

  • 비지도학습 이상 탐지(Anomaly Detection)를 적용하여 성공한 대표적 사례

  • 도입 전 페인포인트 (Before)
    • 육안 검사의 한계:
      • 수 micrometers(\(\mu m\)) 수준의 미세 크랙(Crack), 이물, 패임 불량을 확인하기 위해 작업자가 고배율 현미경을 수 시간 동안 들여다봄
    • 문제 발생:
      • 검사원의 시력 저하, 피로도 누적에 따른 검사 누락(미검) 발생
      • 작업자에 따른 판정 기준 불일치
    • Rule 기반 비전의 실패:
      • 미세 회로 패턴의 아주 미세한 변형을 모두 ‘불량’으로 오인 🡪 과검률(False Positive)이 30% 이상 발생
  • AI 도입 후 혁신 내용 (After & How)
    • 적용 기술:
      • OpenVINO 기반 Anomalib (PatchCore 알고리즘) 적용
    • 구축 메커니즘:
      1. 신규 라인 설치 시 정상 제조된 양품 이미지 500장만으로 모델 학습
      2. 회로 패턴의 정상적인 기하학적 특징(Normal Feature)을 패치(Patch) 단위로 인코딩하여 저장
      3. 실시간 검사 시, 들어오는 이미지에서 정상 패턴과 약간이라도 회로 선폭이 다르거나 결이 깨진 부위를
        붉은색 Heatmap(열지도) 영역으로 0.05초 만에 표시
  • 정량적 성과:
    • 검사 속도: 개당 3초 🡪 0.1초 로 단축
    • 미검률(불량을 양품으로 통과): 0% 달성
    • 과검률(양품을 불량으로 오인): 30% 🡪 0.8%로 획기적 감소

[성공 사례 2] 자동차 용접 부위 및 외관 도장 검사

  • 자동차 차체, 가전제품 외관처럼 광택이 있고 불량의 종류가 명확한 중대형 제품 라인에

  • 고속 실시간 객체 탐지(Object Detection) 모델을 적용한 사례

  • 현장 적용 난제 (Pain Point)
    • 반사 및 광택 문제:
      • 차체 도장면이나 용접 부위는 조명 빛 반사(Glint)가 심해,
      • 빛 반사 영역을 AI가 ‘도장 얼룩’이나 ‘용접 크랙’으로 잘못 인식하는 문제 발생
    • 라인 이동 속도:
      • 멈추지 않고 연속 이동하는 컨베이어 벨트 위에서 촬영하므로 잔상(Motion Blur) 발생
  • AI 도입 후 혁신 내용 (After & How)
    • 적용 기술:
      • 편광/비반사 특수 조명계 + YOLOv8 + NVIDIA Jetson AGX Orin (Edge)
    • 구축 메커니즘:
      1. 광학계 개선:
        • 특정 각도의 반사광을 차단하는 편광 필터 렌즈 및 동축/편광 조명을 설치
        • 차체 표면의 빛 반사 노이즈 90% 제거
      2. Supervised 모델 적용:
        • 과거 수집된 용접 스패터, 기포, 스크래치, 도장 흐름 불량 3,000장에 Bounding Box 라벨링 후
        • YOLOv8 경량화 모델 학습
      3. Edge PC 즉시 추론:
        • 라인 옆 산업용 Edge PC에서 초당 60프레임 이상으로 이동하는 차체 표면을 훑으며 불량의 정확한 좌표와 종류를 식별
  • 정량적 성과:
    • 불량 유형별 정밀 분류율 98.5% 달성
    • 불량 발생 시 해당 용접 로봇의 위치(Robot ID)로 즉시 알람을 전송하여 연속 불량 발생 차단

[실패 사례] AI 비전 도입 실패의 진짜 원인

  • 많은 공장이 “AI 모델 정확도 99%”만 믿고 현장에 배포했다가 3개월 만에 전원을 꺼버림
  • 실패 원인 1: 계절 변동 및 광학계 오염 (하드웨어 관리 부재)
    • 상황:
      • 5월에 구축 완료된 AI 비전 시스템이 99.8%의 완벽한 성능을 보임
    • 문제 발생:
      • 7~8월 여름철이 되자 창문으로 들어오는 외광(햇빛)의 각도와 세기가 바뀌고,
      • 공장 내 유분/분진이 카메라 보호 글래스에 누적 오염됨
    • 결과:
      • AI 눈에 들어오는 전체적인 이미지 스펙트럼이 변하여
      • 갑자기 모든 양품을 NG(불량)로 팝업을 띄우기 시작함(과검 폭발)
      • 작업자가 귀찮아서 시스템 전원을 꺼버림
  • 실패 원인 2: MLOps 체계 부재 (Model Drift)
    • 상황:
      • 원자재 공급사가 변경되거나, 금형 부품을 새로 교체함
    • 문제 발생:
      • 제품의 표면 색상이나 기본 무늬(Texture)가 아주 미세하게 바뀌었으나,
      • AI 모델은 이를 ‘새로운 형태의 불량’으로 오인함
    • 결과:
      • 데이터 재학습(Re-training) 파이프라인이 없어,
      • 한 번 만든 모델을 수정하지 못하고 시스템이 폐기됨

성공적인 현장 안착을 위한 3대 안전장치

  • AI 검사기를 도입할 때 반드시 함께 설계해야 하는 운영적 안전장치(Interlock)

  • 하드웨어 내구성 및 환경 차단 (Enclosure & Auto-cleaning):
    • 카메라와 조명을 완벽히 밀폐된 암실(Dark Box) 구조 안에 넣고 외광을 100\% 차단
    • 카메라 보호 글래스 전면에 에어 블로워(Air Knife)를 주기적으로 쏴서 먼지/유분을 자동 청소하는 메커니즘 부착
  • 이중 검증 프로세스 (Human-in-the-loop / 2-Stage Verification):
    • AI가 OK로 판단한 것은 통과시키되, AI가 NG로 판단한 제품은 즉시 버리지 않고 별도 재검사 라인으로 보냄
    • 베테랑 작업자가 AI가 띄워준 Heatmap 화면만 보고 2차 최종 승인(Confirm)을 눌러 과검으로 인한 생자재 폐기를 방지
  • MLOps 기반 주기적 재학습 체계:
    • 현장에서 과검/미검이 발생한 변종 이미지들을 자동으로 저장(Data Collection)
    • 한 달에 한 번 최신 데이터로 모델을 재학습시켜 업데이트하는 정기 유지보수 체계 구축


  • 비전 AI 검사 자동화의 성패는 알고리즘 성능이 아니라 ‘현장 환경 제어’와 ‘실수 방지 안전장치’에서 결정됨
  • 아무리 똑똑한 AI를 들여와도 카메라 렌즈에 기름때가 끼고 햇빛이 들어오면 AI는 눈이 멀어버림
  • AI 비전 검사를 기획 시에는
    • ‘광학계를 보호할 완벽한 암실/청소 장치’,
    • ‘AI의 과검을 작업자가 쉽게 2차 검증할 수 있는 UI/UX’
    • 를 함께 설계해야 365일 멈추지 않는 진짜 스마트 팩토리를 완성할 수 있음

© 2020. AiDALab Co. All rights reserved.

Powered by Hydejack v9.2.1