포장 라인에서 유통기한 문자가 자꾸 빠질 때 OCR 머신비전 입문

• 목록
• 답변
• 글쓰기
• 옵션
  • 수정
  • 삭제

포장지는 빠르게 지나가는데 유통기한의 숫자 한 자리가 흐리거나, 라벨이 살짝 비뚤어져 검사에서 빠지는 일이 반복되나요? 작업자가 눈으로 전수 확인하기에는 속도가 너무 빠르고, 단순 센서로는 문자가 제대로 인쇄됐는지 판단하기 어렵습니다. 이때 활용하는 기술이 OCR 머신비전입니다.

다만 카메라만 설치하면 모든 문자를 곧바로 읽을 수 있는 것은 아닙니다. 문자와 배경의 명암, 인쇄 방식, 포장재의 반사, 컨베이어 속도까지 함께 맞춰야 안정적인 결과가 나옵니다. 처음 도입하는 분도 시행착오를 줄일 수 있도록 기초 개념부터 촬영 조건, 판정 기준과 운영 방법까지 실제 포장 라인을 기준으로 설명합니다.

포장재의 글자를 읽는 OCR 머신비전은 무엇이 다른가

OCR과 OCV, 문자 유무 검사는 목적부터 다릅니다

OCR(Optical Character Recognition)은 촬영된 이미지에서 문자를 찾아 실제 문자열로 변환하는 기술입니다. 예를 들어 카메라가 ‘2026.08.19’라는 유통기한을 촬영하면 시스템이 이를 이미지가 아닌 문자 데이터로 읽습니다. 생산 이력과 대조하거나 데이터베이스에 저장해야 할 때 적합합니다. 여기서 optical은 빛을 이용해 대상을 관찰한다는 뜻이며, 광의 기초 개념을 이해하면 조명과 반사 문제를 파악하는 데 도움이 됩니다.

반면 OCV(Optical Character Verification)는 미리 정한 문자열과 실제 인쇄 결과가 일치하는지 확인하는 데 초점을 둡니다. 제품마다 다른 일련번호를 읽어 저장해야 한다면 OCR이 필요하지만, 오늘 생산분에 동일한 소비기한이 정확히 찍혔는지만 확인한다면 OCV가 더 단순하고 안정적일 수 있습니다. 글자의 의미까지 읽을 필요 없이 인쇄 영역의 존재 여부만 확인한다면 블롭 검사나 패턴 검사로도 충분합니다.

초보자가 자주 혼동하는 부분은 사람의 시각과 카메라의 비전이 같다고 생각하는 것입니다. 사람은 문자가 조금 번져도 문맥을 이용해 추측하지만, 머신비전은 설정된 픽셀과 학습 데이터에 따라 판단합니다. vision이라는 용어의 의미처럼 보는 행위에는 단순한 촬영뿐 아니라 대상을 구분하고 해석하는 과정이 포함됩니다. 따라서 ‘사람 눈에는 보인다’는 말만으로 촬영 품질이 충분하다고 판단하면 안 됩니다.

• OCR: 로트번호, 제조번호, 유통기한처럼 매번 달라지는 문자열을 읽고 기록할 때 사용합니다.
• OCV: 정답 문자열을 알고 있으며 인쇄 내용의 일치 여부를 빠르게 검증할 때 유리합니다.
• 문자 유무 검사: 인쇄 위치에 잉크나 레이저 마킹이 존재하는지만 확인할 때 비용과 처리 시간을 줄일 수 있습니다.
• 등급 검사: 번짐, 끊김, 대비 저하 등 인쇄 품질을 수치화해야 할 때 별도의 품질 기준을 적용합니다.

현장 팁: “문자를 읽고 싶은가, 정답과 비교하고 싶은가, 인쇄 흔적만 찾으면 되는가?”를 먼저 결정하세요. 이 질문의 답이 카메라 사양보다 소프트웨어 구성과 프로젝트 비용에 더 큰 영향을 줍니다.

한 장의 이미지가 판정 결과로 바뀌는 과정

OCR 머신비전의 작업 흐름은 촬영, 전처리, 문자 영역 탐색, 분할, 인식, 판정 순서로 진행됩니다. 센서가 제품 도착을 알리면 조명이 점등되고 카메라가 이미지를 얻습니다. 소프트웨어는 기울어진 포장지를 기준점에 맞춰 보정한 뒤 밝기와 대비를 조절하고, 숫자 또는 문자가 있는 관심영역인 ROI만 잘라 처리합니다.

그다음 붙어 있는 글자를 한 자씩 나누고 각 형태를 등록된 글꼴이나 학습 모델과 비교합니다. 마지막에는 인식된 값이 생산 지시와 맞는지, 글자 수가 정상인지, 신뢰도 점수가 기준을 넘는지 판정합니다. 어느 한 단계라도 불안정하면 ‘8’을 ‘3’으로 읽거나 마침표를 노이즈로 무시하는 오류가 생길 수 있으므로 결과 문자열만 보지 말고 중간 이미지를 함께 확인해야 합니다.

1. 포토센서나 엔코더로 제품 위치를 감지합니다.
2. 노출 시간에 맞춰 조명을 켜고 흔들림 없는 원본 이미지를 촬영합니다.
3. 포장재의 기준 마크를 찾아 회전과 위치 편차를 보정합니다.
4. 문자 영역을 분리하고 배경 얼룩과 미세한 반사를 줄입니다.
5. OCR 모델이 글자를 읽은 뒤 신뢰도와 허용 형식을 계산합니다.
6. PLC에 정상·불량 신호를 보내고 불량품 이미지와 판정 이유를 저장합니다.

카메라보다 먼저 촬영 조건과 판정 기준을 맞춰야 한다

흐림과 반사를 줄이는 촬영 조건 설정 순서

컨베이어가 움직이는 동안 문자를 촬영하면 가장 먼저 확인할 값은 해상도가 아니라 모션 블러입니다. 제품이 초당 1,000㎜로 이동하고 노출 시간이 1밀리초라면 촬영 중 1㎜를 움직입니다. 글자 획 두께가 0.3㎜라면 이미 여러 픽셀에 걸쳐 번질 수 있습니다. 노출 시간을 짧게 설정하고 부족해진 밝기는 더 강한 순간 조명이나 스트로브로 보완하는 방식이 일반적입니다.

포장재 재질도 중요합니다. 무광 종이 상자는 비교적 균일하게 촬영되지만, 알루미늄 파우치나 투명 필름은 조명의 각도에 따라 문자보다 반사광이 더 밝아집니다. 정면에서 빛을 비추는 링 조명만 고집하지 말고 저각 조명, 돔 조명, 동축 조명과 편광 필터를 샘플에 적용해 비교해야 합니다. 사람의 시각이 밝기와 형태를 받아들이는 과정과 달리 카메라는 제한된 노출 범위 안의 신호만 기록하므로, 밝은 반사부가 포화되면 소프트웨어로 세부 정보를 되살리기 어렵습니다.

해상도는 전체 화소 수보다 문자 한 획에 몇 픽셀이 배정되는지로 판단하는 편이 정확합니다. 일반적인 인쇄 문자는 최소 획 폭이 약 3~5픽셀 이상 표현돼야 전처리와 분할이 수월합니다. 예를 들어 촬영 폭 200㎜를 가로 2,000픽셀로 담으면 물체 해상도는 픽셀당 0.1㎜입니다. 가장 가는 획이 0.4㎜라면 약 4픽셀이므로 초기 검토가 가능하지만, 번짐과 초점 편차를 고려하면 여유를 더 두는 것이 안전합니다.

정상과 불량을 숫자로 정의하는 방법

촬영이 선명해도 판정 기준이 모호하면 현장은 계속 흔들립니다. ‘잘 읽히면 정상’ 대신 허용 문자 형식, 글자 수, 신뢰도, 위치 편차, 인쇄 품질을 각각 수치로 정해야 합니다. 유통기한이라면 숫자 여덟 자리와 구분기호 두 개가 필요한지, 월과 일이 실제 달력 범위에 들어가는지, 생산일보다 이전 날짜는 아닌지까지 규칙으로 만들 수 있습니다.

OCR 신뢰도는 모델이 자신의 예측을 얼마나 확신하는지 나타내지만 절대적인 정답 확률과 완전히 같지는 않습니다. 처음부터 99%처럼 과도하게 높은 문턱을 적용하면 정상 제품이 대량으로 배출될 수 있고, 너무 낮추면 오인식이 통과합니다. 양품과 불량품을 각각 충분히 촬영해 점수 분포를 확인하고, 두 집단이 겹치는 구간은 재검사 대상으로 분리하는 3단 판정이 실용적입니다.

예를 들어 신뢰도 90 이상은 정상, 70 미만은 불량, 70~89는 재촬영 또는 작업자 확인 대상으로 운영할 수 있습니다. 숫자는 장비와 포장 상태에 따라 달라지므로 그대로 복사하면 안 됩니다. 최소한 정상 샘플에는 인쇄 농도, 포장 주름, 위치 편차의 극단 조건을 포함하고, 불량 샘플에는 누락·번짐·이중 인쇄·잘못된 날짜를 고르게 넣어야 합니다.

• 형식 조건: 날짜 구분기호, 숫자 개수, 허용 가능한 영문 접두어를 지정합니다.
• 논리 조건: 존재하지 않는 날짜나 생산 지시와 다른 로트번호를 차단합니다.
• 품질 조건: 문자별 신뢰도, 최소 대비, 획의 끊김 비율을 설정합니다.
• 위치 조건: 인쇄 영역이 포장 디자인의 허용 범위를 벗어났는지 검사합니다.
• 추적 조건: 원본 이미지, 인식 문자열, 판정 시각과 설비 번호를 함께 보관합니다.

도입 조언: 양품 열 장으로 성공한 데모보다 한 시간 연속 운전에서 발생한 경계 샘플이 더 가치 있습니다. 교대조, 잉크 잔량, 포장재 공급 롤과 생산 속도가 달라질 때도 같은 기준이 유지되는지 시험하세요.

야간 생산에서 오판이 늘기 전에 FAQ와 실수를 점검한다

현장 담당자가 자주 묻는 OCR 머신비전 질문

Q. 기존 CCTV나 고해상도 웹캠을 사용해도 되나요?
정지된 제품을 저속으로 시험하는 단계에서는 가능할 수 있습니다. 그러나 산업용 카메라는 외부 트리거, 짧고 정확한 노출, 장시간 연속 운전, 렌즈 고정과 PLC 통신을 고려해 설계됩니다. 컨베이어 속도가 빠르거나 판정 신호로 제품을 배출해야 한다면 일반 영상 장비보다 산업용 글로벌 셔터 카메라가 안정적입니다.

Q. 딥러닝 OCR이면 조명 설정을 하지 않아도 되나요?
그렇지 않습니다. 딥러닝은 글꼴 변화, 약간의 번짐과 복잡한 배경에 강하지만 이미지에 기록되지 않은 획을 복원하는 만능 기술은 아닙니다. 반사로 글자가 완전히 사라졌거나 심한 흔들림이 생기면 학습량을 늘려도 한계가 있습니다. 광학 조건으로 변동을 줄인 뒤 알고리즘으로 남은 편차를 처리하는 순서가 비용과 유지보수 측면에서 유리합니다.

Q. 대략적인 구축 비용은 어느 정도인가요?
단일 촬영 지점의 기본 구성은 카메라, 렌즈, 조명, 센서, 제어기 또는 산업용 PC, 소프트웨어 라이선스와 설치 작업으로 나뉩니다. 간단한 한 줄 문자 검사는 수백만 원대에서 검토할 수 있지만, 고속 라인 동기화와 딥러닝 학습, 자동 배출, 생산관리시스템 연동, 방진·방수 하우징이 포함되면 수천만 원 이상이 될 수 있습니다. 가격표보다 필요한 판독률, 오배출 허용치와 저장 기간을 먼저 제시해야 과잉 사양을 피할 수 있습니다.

• Q. 컬러 카메라가 더 잘 읽나요? 색 자체가 판정 정보가 아니라면 흑백 카메라가 감도와 처리 속도에서 유리한 경우가 많습니다. 배경색과 잉크색의 구분이 핵심일 때만 컬러 또는 특정 파장 조명을 비교하세요.
• Q. 카메라 한 대로 여러 줄을 검사할 수 있나요? 시야와 해상도가 충분하고 모든 영역에 초점과 조명이 균일하면 가능합니다. 다만 포장면의 높이가 다르거나 반사 방향이 서로 다르면 촬영 지점을 나누는 편이 안정적입니다.
• Q. 불량 이미지는 얼마나 보관해야 하나요? 품질 추적 요구와 저장 용량에 따라 정합니다. 초기 안정화 기간에는 양품까지 일정 비율로 저장하고, 안정화 후에는 불량 및 경계 판정 중심으로 보관하면 원인 분석과 용량을 함께 관리할 수 있습니다.
• Q. 모델은 한 번 학습하면 계속 사용할 수 있나요? 프린터 교체, 잉크 변경, 새 포장 디자인과 글꼴 변경이 있으면 재검증이 필요합니다. 변경 이력을 남기고 기존 모델과 새 모델의 성능을 동일 샘플로 비교하세요.

성능을 망치는 세 가지 운영 실수

첫 번째 실수는 도입 시 촬영한 깨끗한 샘플만으로 기준을 고정하는 것입니다. 실제 생산에서는 프린터 헤드 오염, 리본 주름, 필름 장력과 주변광이 계속 달라집니다. 시작 단계부터 정상의 최저 품질과 불량의 최고 품질, 즉 사람이 봐도 판단이 애매한 경계 샘플을 수집해야 합니다. 오판이 발생하면 임의로 임계값부터 낮추지 말고 원본 이미지, 조명 상태, 인식 전처리 결과를 순서대로 확인하세요.

두 번째는 카메라 브래킷과 렌즈 초점을 설치 후 방치하는 일입니다. 설비 진동으로 촬영 각도가 조금만 변해도 반사 위치와 ROI가 달라질 수 있으며, 렌즈 조리개나 초점 링이 풀리면 판독률이 서서히 떨어집니다. 기준 이미지를 저장해 현재 영상과 정기적으로 비교하고, 브래킷 체결 상태와 보호창 오염을 예방보전 항목에 넣는 것이 좋습니다.

세 번째는 전체 정확도 하나만 보고 시스템이 안정적이라고 판단하는 것입니다. 양품 9,990개와 불량 10개 중 불량을 전혀 찾지 못해도 전체 정확도는 99.9%로 보입니다. 현장에서는 불량 검출률, 정상 오배출률, 재검사 비율을 따로 기록해야 합니다. 특히 야간 생산에서만 재검사가 늘어난다면 알고리즘 탓으로 단정하지 말고 주변 조명, 설비 속도, 작업자의 자재 교체 방식이 주간과 다른지 먼저 비교해야 합니다.

1. 교대 시작 시 기준 샘플로 문자 판독과 배출 신호를 확인합니다.
2. 카메라 보호창, 조명 표면과 프린터 헤드의 오염 상태를 기록합니다.
3. 정상·불량·재검사 건수를 생산 품목과 교대조별로 나눠 봅니다.
4. 새 포장재나 잉크를 투입하기 전 기존 조건으로 사전 촬영 시험을 진행합니다.
5. 임계값 또는 OCR 모델을 변경하면 변경 전후 결과와 승인자를 이력으로 남깁니다.
6. ‘사람은 읽을 수 있다’는 이유만으로 판정을 뒤집지 말고, 해당 이미지를 다음 검증용 경계 샘플에 추가합니다.