공장에서 제품을 생산한 뒤에는 반드시 품질검사 과정이 필요합니다. 제품 표면에 작은 흠집이 있는지, 부품이 제대로 조립됐는지, 특정 부위에 균열이나 변형이 생기지는 않았는지 확인해야 하기 때문입니다.
과거에는 이러한 검사를 사람이 직접 눈으로 확인하는 경우가 많았습니다. 작업자가 제품을 하나씩 살펴보고 정상과 불량을 구분하는 방식입니다.
하지만 생산 속도가 빨라지고 검사해야 할 제품의 수가 늘어나면서 사람의 눈만으로 모든 제품을 동일한 기준으로 검사하기에는 한계가 생겼습니다.
이때 활용되는 기술 가운데 하나가 AI 비전검사(AI Vision Inspection)입니다.
AI 비전검사는 카메라로 촬영한 제품의 이미지를 인공지능이 분석해 제품의 상태를 판단하는 기술입니다. 단순히 사진을 찍어 저장하는 것이 아니라 이미지 속에서 제품의 형태, 표면 상태, 위치, 패턴 등을 분석해 정상 제품과 불량 제품을 구분하는 것이 핵심입니다.
그렇다면 AI는 도대체 어떻게 사진 한 장을 보고 공장의 불량 제품을 찾아낼 수 있을까요?
이번 글에서는 AI 비전검사의 기본 원리부터 실제 공장 검사 과정, 이미지 분류와 객체 탐지의 차이, 사람이 검사하는 방식과의 차이, 그리고 AI 비전검사가 항상 완벽한 것은 아닌 이유까지 차례대로 살펴보겠습니다.
1. AI 비전검사란 무엇일까?
AI 비전검사는 쉽게 말해 카메라와 인공지능을 결합한 자동화된 제품 검사 기술입니다.
공장 생산라인에 카메라를 설치하고 제품이 지나갈 때마다 이미지를 촬영합니다. 이후 AI 모델이 촬영된 이미지를 분석해 미리 학습한 기준에 따라 제품의 상태를 판단합니다.
예를 들어 자동차 부품을 생산하는 공장이 있다고 가정해 보겠습니다.
생산된 부품에 다음과 같은 문제가 발생할 수 있습니다.
- 표면에 미세한 흠집이 발생한 경우
- 부품에 균열이 생긴 경우
- 특정 부품이 빠진 경우
- 조립 위치가 잘못된 경우
- 제품의 형태가 기준에서 벗어난 경우
- 표면에 얼룩이나 변색이 발생한 경우
사람이 직접 검사한다면 제품을 보고 각각의 이상 여부를 판단해야 합니다.
AI 비전검사에서는 이 과정이 다음과 같이 바뀝니다.
제품 이동 → 카메라 촬영 → 이미지 분석 → 정상/불량 판단 → 검사 결과 전달
AWS의 제조 관련 자료에서도 생산라인의 카메라로 제품 이미지를 확보하고 컴퓨터 비전과 머신러닝을 이용해 자동 품질검사를 수행하는 구조를 설명하고 있습니다.
중요한 점은 AI가 카메라 자체가 아니라 카메라가 전달한 이미지 데이터를 분석하는 역할을 한다는 것입니다.
2. AI는 제품 사진을 어떻게 이해할까?
사람에게는 사진 속 제품이 하나의 물체로 보이지만 컴퓨터에게 사진은 숫자로 구성된 데이터입니다.
디지털 카메라로 촬영한 이미지는 픽셀이라는 작은 점들의 집합으로 표현됩니다. 컬러 이미지라면 각각의 픽셀에는 색상과 밝기 등에 관한 정보가 들어 있습니다.
AI 비전 시스템은 이러한 이미지 데이터를 입력으로 받아 제품의 특징을 찾아냅니다.
여기에서 중요한 기술이 컴퓨터 비전(Computer Vision)입니다.
컴퓨터 비전은 컴퓨터가 이미지나 영상 속 정보를 분석하고 그 의미를 파악할 수 있도록 하는 기술 분야입니다.
특히 이미지와 관련된 AI에서는 크게 다음과 같은 방식으로 문제를 나눠 생각할 수 있습니다.
| 방식 | AI가 알아내는 것 | 공장 검사 예시 |
|---|---|---|
| 이미지 분류 | 이미지 전체가 무엇인지 | 정상 제품 / 불량 제품 |
| 객체 탐지 | 어떤 대상이 어디에 있는지 | 제품 안에서 결함 위치 찾기 |
| 세그멘테이션 | 대상의 영역을 픽셀 단위로 구분 | 흠집이 발생한 영역 표시 |
| 이상 탐지 | 정상적인 패턴에서 벗어났는지 | 평소와 다른 표면 패턴 발견 |
Google의 컴퓨터 비전 자료에서도 이미지 분류는 이미지의 내용을 식별하는 작업으로, 객체 탐지는 이미지 속 객체의 위치를 찾아내는 작업으로 설명하고 있습니다.
즉, AI 비전검사는 하나의 기술만 사용하는 것이 아니라 검사 목적에 맞는 여러 컴퓨터 비전 기술을 조합할 수 있는 분야라고 볼 수 있습니다.
3. 실제 공장에서는 어떤 순서로 불량을 찾을까?
AI 비전검사를 이해하는 가장 쉬운 방법은 실제 생산라인을 하나의 흐름으로 보는 것입니다.
① 제품이 검사 위치로 이동합니다
생산된 제품이 컨베이어벨트를 따라 이동합니다.
이때 제품이 카메라 앞을 지나가면 검사 시스템이 촬영을 시작합니다.
여기서 중요한 것이 제품의 위치와 촬영 타이밍입니다.
제품이 카메라 앞에서 너무 빠르게 움직이거나 촬영 위치가 매번 달라지면 이미지의 품질과 형태가 달라질 수 있습니다.
따라서 실제 시스템에서는 카메라뿐만 아니라 조명, 센서, 제품 위치 등을 함께 설계해야 합니다.
② 카메라가 제품을 촬영합니다
AI가 제품을 검사하려면 먼저 제품의 상태가 이미지에 제대로 나타나야 합니다.
여기에서 의외로 중요한 것이 조명입니다.
예를 들어 금속 부품에 작은 흠집이 있다고 가정해 보겠습니다.
조명이 적절하면 흠집이 명확하게 나타날 수 있지만 조명이 너무 강하거나 약하면 흠집이 잘 보이지 않을 수 있습니다.
따라서 AI 비전검사는 단순히 “좋은 카메라를 설치하면 된다”는 문제가 아닙니다.
카메라의 위치와 렌즈, 조명의 방향과 밝기, 제품의 이동 속도 등 여러 요소가 함께 고려돼야 합니다.
AWS의 제조용 컴퓨터 비전 자료에서도 공장 환경의 조명 변화와 카메라 구성, 렌즈 및 위치 등이 이미지 품질에 영향을 줄 수 있는 요소로 설명됩니다.
③ 이미지에서 검사할 부분을 확인합니다
촬영된 이미지 전체를 무조건 똑같이 분석하는 것은 효율적이지 않을 수 있습니다.
예를 들어 자동차 부품 사진에서 실제로 검사해야 하는 부분이 특정 나사 구멍이나 용접 부위라면 해당 영역을 집중적으로 분석할 수 있습니다.
이때 객체 탐지나 이미지 분할과 같은 컴퓨터 비전 기술을 사용할 수 있습니다.
“무엇이 있는가?”를 찾는 것과
“어디에 있는가?”를 찾는 것은 서로 다른 문제이기 때문입니다.
4. 이미지 분류와 객체 탐지는 어떻게 다를까?
AI 비전검사를 이해할 때 자주 등장하는 개념이 이미지 분류와 객체 탐지입니다.
둘의 차이를 간단한 예로 살펴보겠습니다.
제품 사진 한 장에 스마트폰 부품이 있다고 가정해 보겠습니다.
이미지 분류
AI에게 다음과 같은 질문을 하는 방식입니다.
“이 제품은 정상인가, 불량인가?”
결과는 예를 들어 다음처럼 나올 수 있습니다.
정상 98% / 불량 2%
즉, 이미지 전체를 기준으로 제품의 상태를 분류하는 것입니다.
객체 탐지
이번에는 질문이 달라집니다.
“불량이 있다면 정확히 어디에 있는가?”
AI는 이미지 안에서 문제가 있는 영역을 찾아 위치 정보를 제공할 수 있습니다.
예를 들어 제품 오른쪽 상단에 작은 균열이 있다고 판단할 수 있습니다.
Google의 객체 탐지 자료에서도 객체 탐지는 이미지나 영상 안에서 여러 객체의 존재와 위치를 찾는 작업으로 설명됩니다.
따라서 실제 제조 현장에서는 제품 전체의 정상/불량 여부를 판단하는 것과 결함의 위치를 찾는 것이 서로 다른 작업이 될 수 있습니다.
5. AI는 불량을 어떻게 학습할까?
AI 비전검사의 핵심에는 학습 데이터가 있습니다.
예를 들어 공장에서 생산되는 부품의 사진을 준비한다고 생각해 보겠습니다.
정상 제품
- 흠집 없음
- 균열 없음
- 부품 위치 정상
- 표면 상태 정상
불량 제품
- 표면에 균열 존재
- 특정 부분에 흠집 존재
- 부품 누락
- 비정상적인 변형
이런 이미지를 AI 모델이 학습하면서 정상과 불량 사이의 시각적인 특징을 찾아가게 됩니다.
Google의 이미지 분류 학습 자료에서도 이미지 분류 모델은 목표 클래스를 정하고 라벨이 지정된 예제 이미지를 이용해 모델을 학습시키는 방식으로 설명됩니다. 또한 CNN은 이미지의 픽셀 데이터에서 형태나 질감과 같은 특징을 점진적으로 학습하는 데 활용됩니다.
다만 여기서 중요한 점이 하나 있습니다.
사진을 많이 넣는 것만으로 좋은 검사 모델이 만들어지는 것은 아닙니다.
제품의 종류, 조명, 카메라 각도, 불량의 종류 등이 실제 생산환경과 크게 다르면 모델의 판단 성능이 달라질 수 있습니다.
6. 실제 사례로 이해해 보는 AI 비전검사
예를 들어 한 공장에서 금속 부품을 하루에 수만 개씩 생산한다고 가정해 보겠습니다.
이 부품에는 작은 균열이나 표면 흠집이 발생할 수 있습니다.
사람이 모든 부품을 하나씩 검사한다면 다음과 같은 과정이 필요합니다.
부품 확인 → 표면 관찰 → 정상/불량 판단 → 불량품 분류
AI 비전검사를 적용하면 다음과 같은 구조를 만들 수 있습니다.
부품 이동 → 카메라 촬영 → AI 분석 → 불량 의심 제품 표시 → 분류 장치 또는 작업자에게 전달
예를 들어 AI가 특정 부품에서 평소와 다른 표면 패턴을 발견하면 해당 제품을 추가 검사 대상으로 분류할 수 있습니다.
여기서 중요한 것은 AI가 반드시 최종 판정을 독점해야 한다는 뜻은 아니라는 점입니다.
검사 결과에 따라
- AI가 정상으로 판단한 제품은 자동 통과
- AI가 명확한 불량으로 판단한 제품은 별도 분류
- 판단이 애매한 제품은 사람이 다시 확인
하는 식으로 사람과 AI가 역할을 나눌 수도 있습니다.
실제로 AWS가 소개한 비전검사 사례에서도 AI의 예측 결과에 사람의 검토를 결합하고, 사람의 검토 결과를 다시 데이터와 모델 개선에 활용하는 방식이 소개됩니다.
7. 사람이 검사하는 것과 AI 비전검사는 무엇이 다를까?
AI 비전검사가 사람의 검사를 무조건 대체한다고 생각하기보다는 서로 다른 장점을 가진 검사 방식으로 이해하는 것이 적절합니다.
| 구분 | 사람의 육안검사 | AI 비전검사 |
|---|---|---|
| 판단 방식 | 사람이 직접 관찰 | 이미지와 AI 모델 분석 |
| 반복 작업 | 피로도가 발생할 수 있음 | 반복 작업을 자동화할 수 있음 |
| 검사 속도 | 작업자와 공정에 따라 달라짐 | 생산라인 속도에 맞춰 설계 가능 |
| 판단 기준 | 경험과 숙련도에 영향을 받음 | 학습된 기준에 따라 판단 |
| 새로운 불량 | 경험을 활용해 발견 가능 | 학습되지 않은 유형은 어려울 수 있음 |
| 애매한 사례 | 상황을 종합적으로 판단 가능 | 추가 검토가 필요할 수 있음 |
| 환경 영향 | 피로·집중력 등의 영향을 받을 수 있음 | 조명·카메라 조건 등에 영향을 받음 |
따라서 AI 비전검사의 장점만 강조하기보다는 AI가 잘하는 일과 사람이 잘하는 일을 구분하는 것이 중요합니다.
특히 새로운 형태의 결함이나 학습 데이터에 없었던 특이 사례가 등장하면 AI가 항상 정확하게 판단한다고 보기는 어렵습니다.
8. AI 비전검사가 생각보다 어려운 이유
겉으로 보면 AI 비전검사는 간단해 보입니다.
사진을 찍고 → AI가 분석하면 끝
하지만 실제 공장에서는 훨씬 복잡한 문제가 발생할 수 있습니다.
조명이 달라지는 경우
같은 제품도 조명 방향이나 밝기에 따라 전혀 다른 이미지처럼 보일 수 있습니다.
제품의 위치가 달라지는 경우
제품이 카메라 앞에서 조금씩 회전하거나 위치가 달라지면 AI가 학습한 이미지와 실제 이미지의 차이가 커질 수 있습니다.
불량의 크기가 작은 경우
제품 전체 사진에서 매우 작은 균열이나 흠집을 찾아야 한다면 높은 해상도와 적절한 촬영 조건이 필요할 수 있습니다.
불량 종류가 계속 바뀌는 경우
기존에 학습하지 않은 새로운 결함이 발생하면 모델의 판단이 어려워질 수 있습니다.
정상 제품 자체의 차이가 존재하는 경우
제품은 완전히 똑같은 형태로만 만들어지는 것이 아닙니다.
색상이나 표면의 미세한 차이가 제조 과정에서 정상적인 범위에 포함될 수도 있습니다.
따라서 AI 비전검사에서는 무엇을 불량으로 정의할 것인지를 명확하게 정하는 작업도 중요합니다.
9. AI 비전검사는 카메라만 설치한다고 끝나는 기술이 아니다
AI 비전검사를 처음 접하면 카메라와 AI 모델만 있으면 모든 것이 해결될 것처럼 생각하기 쉽습니다.
실제 시스템은 다음과 같이 여러 요소가 연결되어 있습니다.
[제품]
↓
[조명·카메라]
↓
[이미지 확보]
↓
[이미지 전처리]
↓
[AI 모델 분석]
↓
[정상 / 불량 / 추가검사]
↓
[검사 결과 저장·관리]
이 가운데 어느 하나라도 제대로 작동하지 않으면 전체 검사 결과에 영향을 줄 수 있습니다.
예를 들어 AI 모델이 아무리 뛰어나더라도 카메라가 결함을 제대로 촬영하지 못한다면 AI가 분석할 정보 자체가 부족합니다.
반대로 좋은 이미지를 확보했더라도 학습 데이터가 실제 생산환경을 충분히 반영하지 못하면 모델의 판단이 기대와 다를 수 있습니다.
결국 AI 비전검사는 AI 모델 하나만의 문제가 아니라 카메라부터 데이터, 소프트웨어, 생산라인까지 연결된 시스템의 문제라고 볼 수 있습니다.
10. AI 비전검사는 앞으로 어떻게 활용될까?
AI 비전검사는 단순히 제품의 불량 여부를 확인하는 데서 끝나지 않을 가능성이 있습니다.
검사 결과를 생산 데이터와 연결하면 특정 시간대에 불량이 증가했는지, 특정 설비 이후에 문제가 많이 발생하는지, 특정 종류의 결함이 반복되는지 등을 확인할 수 있습니다.
예를 들어 다음과 같은 패턴을 발견했다고 가정해 보겠습니다.
오전 9시부터 특정 부품의 표면 흠집이 급격히 증가했다.
이 결과를 생산설비의 작동 상태나 공정 데이터와 함께 살펴보면 단순히 불량품을 골라내는 것을 넘어 불량이 발생한 원인을 찾는 데 필요한 단서로 활용할 수 있습니다.
AWS의 제조용 컴퓨터 비전 자료에서도 이미지와 생산 관련 메타데이터를 연결해 분석하는 것이 중요한 과제로 제시됩니다.
즉, AI 비전검사의 역할은
“불량품을 찾아내는 것”
에서
“불량이 언제, 어디서, 어떤 형태로 발생하는지 파악하는 것”
으로 확장될 수 있습니다.
11. AI 비전검사의 핵심은 ‘눈’보다 ‘판단 과정’에 있다
AI 비전검사를 단순히 AI 카메라라고 생각하면 기술의 핵심을 놓치기 쉽습니다.
카메라는 제품의 모습을 촬영하는 역할을 합니다.
실제로 중요한 것은 그 이후입니다.
AI는 이미지에서 특징을 추출하고, 학습된 패턴과 비교하며, 제품이 정상인지 이상이 있는지 판단합니다.
그리고 필요하다면 결함이 발견된 위치까지 찾아낼 수 있습니다.
이를 한 문장으로 정리하면 다음과 같습니다.
AI 비전검사는 카메라로 제품을 촬영하고, 컴퓨터 비전 기술과 AI 모델을 이용해 이미지 속 정상과 이상 패턴을 분석하는 자동 품질검사 기술입니다.
마무리
AI가 공장의 불량 제품을 찾아내는 과정은 단순히 카메라로 사진을 찍고 AI에게 물어보는 방식과는 다릅니다.
제품이 일정한 위치에서 이동하고, 적절한 조명과 카메라를 통해 이미지가 확보되며, 이미지 데이터를 AI 모델이 분석하고, 그 결과에 따라 정상 제품과 불량 의심 제품을 구분하는 여러 단계가 연결됩니다.
특히 중요한 것은 AI 모델의 성능만으로 검사 품질이 결정되는 것이 아니라는 점입니다.
좋은 이미지를 확보할 수 있는 촬영 환경, 실제 생산현장을 반영한 데이터, 명확한 불량 기준, 적절한 AI 모델, 그리고 필요한 경우 사람의 재검토까지 함께 고려해야 합니다.
따라서 AI 비전검사는 사람의 눈을 단순히 AI로 바꾸는 기술이라기보다 카메라·데이터·AI·생산설비를 연결해 품질검사 과정을 자동화하는 기술이라고 이해하는 것이 더 정확합니다.
앞으로 제조업에서 AI의 활용 범위가 넓어질수록 AI 비전검사 역시 제품의 불량을 발견하는 도구를 넘어 생산 과정의 이상 징후를 파악하고 품질관리 데이터를 축적하는 중요한 기술로 활용될 가능성이 있습니다.
참고자료
- AWS — AI/ML in Manufacturing Execution Systems
제조 현장에서 AI·ML을 활용한 품질 모니터링과 자동화된 검사, 컴퓨터 비전의 활용 구조를 참고했습니다. - AWS Well-Architected Framework — Computer Vision for Automated Quality Inspection
제조환경의 카메라·조명·이미지 데이터·결함 라벨링·ML 파이프라인 등 자동 품질검사의 주요 요소를 확인했습니다. - Google for Developers — ML 실습: 이미지 분류
이미지 분류의 기본 원리와 CNN을 이용한 이미지 분석 개념을 확인했습니다. - Google for Developers — Object Detection
이미지 속 객체의 존재와 위치를 찾는 객체 탐지의 기본 개념을 확인했습니다.
※ 이 글에서 설명한 AI 비전검사의 구성과 예시는 특정 제조기업의 실제 생산라인을 그대로 재현한 것이 아니라, 기술의 원리를 이해하기 위한 일반적인 제조환경을 기준으로 설명했습니다.