AI 비전검사 도입 전, 공장이 준비할 5가지

카메라보다 불량 기준이 먼저입니다

“카메라만 달면 AI가 불량을 알아서 잡아 주나요?”
도입 상담에서 가장 많이 듣는 질문입니다.
AI는 사람이 정답을 붙여 둔 사진을 보고 배웁니다.
그래서 결과를 가장 크게 좌우하는 것은 카메라가 아니라 공장이 정한 불량 기준입니다.

불량 기준은 공장이 정하고, 촬영 설계와 장비 조율은 코드베이스가 맡습니다.

그림 1. 공장이 준비할 것과 코드베이스가 맡는 일

1. 불량 유형: 이름과 등급을 정합니다

먼저 라인에서 실제로 문제가 되는 불량을 적습니다.
이물, 위치 이탈, 누락, 파손처럼 이름을 붙이고 한 줄씩 정의합니다.

유형마다 등급도 정합니다.
사람이 다치거나 법규를 어길 수 있는 치명 결점, 기능 문제나 클레임으로 이어지는 중결점, 겉모양만 아쉬운 경결점은 다르게 다룹니다.
이 등급이 나중에 판정을 얼마나 엄격하게 할지 정하는 근거가 됩니다.

그림 2. 저희가 구축한 식품 용기 라인은 5개 분류로 시작했습니다.

2. 판정 기준서: 한도견본을 사진으로 옮깁니다

한도견본은 합격과 불합격의 경계를 보여 주는 기준 제품입니다.
이미 있다면 그대로 출발점이 됩니다.
없다면 이번에 함께 만듭니다.

AI에게 필요한 것은 한도견본을 사진과 글로 옮긴 판정 기준서입니다.
정의, 크기 기준, 위치 기준, 애매할 때의 규칙, 변경 이력이 들어갑니다.

그림 3. 판정 기준서 양식 예시 (이물)

가장 중요한 칸은 “애매할 때”입니다.
현장에서 애매품이나 보류품이라고 부르는 제품을 어떻게 판정할지 정해 두지 않으면, AI가 배우는 정답도 흔들립니다.
어떤 결정이든 정해 두는 것이 정하지 않는 것보다 낫습니다.

3. 검사원끼리 판정을 맞춰 봅니다

사람의 눈은 생각보다 많이 흔들립니다.
미국 샌디아 국립연구소는 2015년에 숙련 검사원 82명에게 정밀 부품을 검사하게 했습니다.
검사원들은 불량의 85%를 찾아냈지만, 양품의 35%도 불량으로 판정했습니다.

그림 4. 정밀 부품이라는 특정 조건의 결과입니다.

이것은 검사원의 실력 문제가 아닙니다.
기준을 글과 사진으로 정해 두지 않으면 판정은 더 쉽게 갈립니다.

그래서 사진을 대량으로 모으기 전에 검사원끼리 판정을 맞춰 봅니다.
같은 제품 사진을 두 사람이 따로 판정합니다.
결과가 다른 것만 모아 품질 책임자가 확정하고, 그 결정을 기준서에 적습니다.
판정이 자주 갈리는 유형은 기준서의 정의부터 다시 다듬습니다.

품질팀이 하는 계수형 측정시스템분석(MSA)과 같은 발상입니다.
정식으로 하려면 정답을 확정한 샘플을 검사원마다 두 번씩, 순서를 바꿔 판정하게 합니다.

4. 불량 사진과 샘플을 모읍니다

“불량 사진이 몇 장 있어야 하나요?”라는 질문에는 정해진 숫자가 없습니다.
불량 크기, 유형 수, 제품 모양에 따라 달라집니다.
장수보다 중요한 것은 유형별 균형입니다.
정상 사진만 많고 특정 불량이 몇 장뿐이면, AI는 그 불량을 잘 배우지 못합니다.

그림 5. 불량 4종을 각각 수천 장씩 모았습니다.

지금부터 이렇게 준비하면 됩니다.

• 불량이 나오면 폐기하기 전에 유형별로 사진을 찍어 둡니다.
• 실물은 위생 규정과 부적합품 관리 절차가 허용하는 범위에서 유형별로 모읍니다.
• 애매품도 따로 표시해 둡니다.
• 품목이 여러 개면 품목별로 나눠 둡니다.

드물게 나오는 불량은 있는 사진을 돌리거나 밝기를 바꿔 수를 늘리는 방법(이미지 증강)으로 보완할 수 있습니다.
다만 보완 수단일 뿐이므로, 실제 불량 사진도 꾸준히 모으는 편이 안전합니다.

5. 라인 정보를 알려 주세요

촬영 설계는 코드베이스가 합니다.
정확하게 설계하려면 아래 정보가 필요합니다.

• 제품 치수·재질·표면(무광, 유광, 투명 필름) → 조명 방식과 반사 대책
• 가장 작은 불량의 크기와 위치 → 카메라 해상도와 촬영 위치
• 라인 속도와 제품 간격 → 셔터 속도와 판정 속도
• 설치 공간과 창문 등 외부 빛 → 장비 배치와 빛 가림
• 품목 수와 교체 빈도 → 학습 범위
• 불량 배출 방식과 MES 기록 항목 → 설비 연결

촬영 설계와 장비 조율은 코드베이스가 맡습니다

같은 불량도 조명과 각도가 바뀌면 전혀 다르게 찍힙니다.
조명 하나가 카메라나 AI보다 결과를 더 크게 바꾸는 경우도 많습니다.
반사가 심한 필름에는 그에 맞는 조명을, 빠른 라인에는 순간적으로 번쩍이는 스트로보 조명을 씁니다.

그래서 촬영 조건은 코드베이스가 설계하고, 카메라와 조명은 그 조건에 맞춰 협력사와 조율해 고릅니다.
설치 위치와 빛 가림까지 함께 정합니다.
한 번 정한 촬영 조건은 운영 중에도 바뀌지 않도록 고정합니다.

그림 6. 찍고, 판정하고, 빼내고, 남깁니다.

그림 7. 실제 판정 화면. AI가 용기 윤곽을 그리고 위치 이탈로 판정했습니다.

시험 가동은 미검과 과검으로 봅니다

시험 가동 결과를 “정확도 몇 %” 하나로 보면 안 됩니다.
양품이 대부분인 라인에서는 AI가 전부 양품이라고 답해도 정확도가 높게 나오기 때문입니다.

그림 8. 정확도 98%가 불량을 다 놓친 결과일 수 있습니다.

그래서 두 가지를 따로 봅니다.
미검은 불량을 양품으로 판정한 것이고, 그대로 나가면 고객 클레임이 됩니다.
과검은 양품을 불량으로 판정한 것이고, 현장에서는 가성불량이라고도 부릅니다.
과검이 많으면 폐기와 재검사 비용이 늘어납니다.

그림 9. 기준을 엄격하게 하면 미검은 줄고 과검은 늘어납니다.

그래서 치명 결점은 엄격하게, 겉모양 결점은 조금 느슨하게 유형별로 기준을 따로 둡니다.

시험 가동 기간에는 교대조, 조명, 자재가 바뀌는 날이 들어가게 합니다.
처음에는 AI가 불량을 빼내지 않고 판정만 기록하게 둡니다.
그동안 검사원 판정과 비교해 유형별 미검과 과검을 확인합니다.
기준을 확정한 뒤에 자동 배출을 켭니다.
장비를 설치한 뒤 여기까지 한 달 이내에 진행합니다.

저희가 구축한 식품 용기 라인의 1차 시험 가동도 이렇게 진행했습니다.
외부 시험기관인 한국정보통신기술협회(TTA)의 검사원이 AI 판정을 함께 확인했습니다.

검사원은 어떻게 되나요

AI가 들어오면 검사원이 하는 일이 바뀝니다.
같은 제품을 반복해서 눈으로 보는 일은 AI가 먼저 맡습니다.
애매품을 먼저 보고, AI가 잘못 판정한 사례를 다시 판정하는 일은 검사원이 맡습니다.
애매품의 최종 판정은 품질 책임자가 확정합니다.

판정 기준서는 현장 검사원이 함께 만들고 다듬으며, 품질 책임자가 승인합니다.
검사원끼리 판정을 맞춰 보는 것도 사람을 평가하려는 것이 아니라 기준서를 다듬기 위한 일입니다.

도입 순서와 운영

그림 10. 장비 설치 후 시험 가동을 거쳐 한 달 이내에 본가동합니다.

AI 비전검사는 설치하고 끝나는 장비가 아닙니다.
조명이 낡거나, 렌즈가 더러워지거나, 자재 공급사가 바뀌면 성능이 조용히 떨어질 수 있습니다.

• 금속검출기 테스트피스처럼, 교대를 시작할 때 기준 샘플(골든 샘플)을 통과시켜 판정이 그대로인지 확인합니다.
• 운영 중 생긴 미검과 과검 사례는 다시 판정해 학습에 넣습니다.
• 새 품목이 들어오거나 기준서가 바뀌면 다시 학습하고 다시 검증합니다.
• MES에 쌓인 유형별, 시간대별 불량 기록으로 공정의 원인을 찾습니다.

저희가 구축한 라인에서는

식품 포장용기 라인에서 이물, 위치 이탈, 패드 누락, 용기 파손을 0.8초 안에 판정합니다.
라인에서 모은 사진 약 3만 장으로 학습했고, 10장 중 2장은 성능 확인용으로 따로 두었습니다.
1차 시험 가동에서는 TTA 검사원이 함께 확인한 가운데, 실시간 판정을 거친 양품 1,103개가 출하됐습니다.
자세한 내용은 식품 포장용기 AI 비전 전수검사 사례에 정리했습니다.

준비 체크리스트

• 불량 유형 목록과 등급 (공장)
• 판정 기준서: 합격·애매·불합격 사진과 크기·위치 기준 (공장)
• 검사원 두 사람의 교차 판정과 불일치 정리 (공장, 코드베이스 지원)
• 유형별 불량 사진과 샘플 (공장)
• 라인 정보: 치수·재질·속도·공간·배출 방식 (공장 → 코드베이스)
• 촬영 조건 설계, 카메라·조명 협력사 조율, 설치와 빛 가림 (코드베이스)
• AI 학습, 불량 배출 장치·MES 연결, 시험 가동 설계 (코드베이스)

참고 자료

• See, J. E. (2015). Visual Inspection Reliability for Precision Manufactured Parts. Sandia National Laboratories. 링크
• Association for Advancing Automation, Machine vision lighting techniques. 링크
• 의료기기 제조 및 품질관리 기준 (식품의약품안전처 고시 제2026-46호). 링크