머신비전 영상처리는 어떤 순서로 시작해야 할까요?

• 목록
• 답변
• 글쓰기
• 옵션
  • 수정
  • 삭제

카메라 화면에는 제품이 또렷하게 보이는데 검사 결과는 자꾸 달라지나요? 초보자가 머신비전 프로젝트에서 가장 자주 겪는 문제는 알고리즘 성능보다 영상처리 순서를 정하지 못하는 것입니다. 좋은 검사는 복잡한 AI 모델에서 시작하지 않습니다. 무엇을 불량으로 판단할지 정의하고, 안정적인 이미지를 만든 뒤, 필요한 특징만 차례로 추출하는 데서 출발합니다.

머신비전 영상처리는 무엇을 하는 기술일까요?

사람의 눈 대신 기준을 수치로 확인합니다

머신비전은 카메라로 영상을 취득하고 소프트웨어가 크기, 위치, 밝기, 색상, 문자와 표면 상태를 분석해 합격 여부를 판단하는 시스템입니다. 사람이 제품을 보며 흠집이 크다고 느끼는 것과 달리, 시스템은 흠집 면적 15픽셀 이상처럼 판단 기준을 숫자로 표현해야 합니다. vision이라는 용어의 배경은 지식백과의 vision 설명에서도 확인할 수 있습니다.

영상처리는 단순히 사진을 예쁘게 보정하는 작업이 아닙니다. 검사 대상이 배경에서 잘 분리되도록 만들고, 필요한 특징을 측정 가능한 데이터로 바꾸는 과정입니다. 예를 들어 병뚜껑 유무 검사는 원형 영역의 밝기나 면적을 측정할 수 있고, 라벨 검사는 위치 보정 후 문자 인식과 인쇄 결함 검사를 조합할 수 있습니다.

• 존재 검사: 부품, 나사, 라벨이 지정 위치에 있는지 확인합니다.
• 치수 검사: 폭, 간격, 각도와 원의 지름을 픽셀 또는 실제 단위로 측정합니다.
• 외관 검사: 스크래치, 오염, 찍힘처럼 정상 표면과 다른 영역을 찾습니다.
• 인식 검사: 문자, 바코드, 형상과 제품 종류를 판별합니다.

처음부터 모든 불량을 잡으려 하지 마세요. 한 가지 불량을 사람이 같은 기준으로 구분할 수 있는지부터 확인하면 개발 범위를 빠르게 좁힐 수 있습니다.

검사 목표는 어떻게 숫자로 바꿔야 할까요?

불량 이름보다 허용 기준을 먼저 적습니다

검은 점을 찾겠다는 요구만으로는 영상처리 조건을 만들기 어렵습니다. 점의 최소 크기, 허용 개수, 검사 위치, 제품별 색상 차이와 판정 시간을 함께 정해야 합니다. 가령 흰색 플라스틱 표면에서 지름 0.3mm 이상의 검은 이물을 한 개라도 검출한다는 식이면 필요한 해상도와 조명을 계산할 수 있습니다.

정상 샘플만 보고 조건을 정하면 양산에서 과검출이 늘어납니다. 정상 30개와 대표 불량 10개처럼 실제 변동이 담긴 샘플을 모으고, 작업자마다 판단이 갈리는 경계 샘플도 포함하세요. 검출률만 높이고 싶다는 목표는 정상 제품을 불량으로 버리는 비율까지 함께 높일 수 있으므로 미검출과 과검출의 비용을 비교해야 합니다.

1. 검사할 결함의 위치와 최소 크기를 기록합니다.
2. 합격과 불합격의 경계 샘플을 생산·품질 담당자가 함께 확정합니다.
3. 한 제품에 허용되는 검사 시간을 밀리초 단위로 정합니다.
4. 미검출률과 과검출률의 목표치를 각각 설정합니다.
5. 판정 이미지와 측정값을 얼마나 오래 보관할지 결정합니다.

예산도 목표에 따라 달라집니다. 단순 유무 검사는 기본 카메라와 규칙 기반 도구로 충분할 수 있지만, 미세 표면 결함은 고해상도 카메라와 정밀 광학계, 전용 조명이 필요합니다. 따라서 장비 가격부터 묻기보다 검출해야 하는 최소 특징과 생산 속도를 먼저 제시하는 편이 정확한 견적에 도움이 됩니다.

좋은 원본 영상은 어떤 조건을 갖춰야 할까요?

알고리즘보다 조명과 노출을 먼저 고정합니다

영상처리 소프트웨어는 원본 이미지에 없는 정보를 새로 만들 수 없습니다. 제품의 흠집과 정상 무늬가 비슷한 밝기로 촬영되면 임계값을 아무리 조정해도 안정적으로 분리하기 어렵습니다. 조명의 방향, 파장, 확산 방식과 카메라 노출 시간을 바꾸며 결함 대비가 가장 크게 나타나는 조건을 찾아야 합니다. 빛의 기본 성질이 궁금하다면 광에 대한 용어 설명을 참고할 수 있습니다.

자동 노출과 자동 화이트밸런스는 보기 좋은 화면을 만들지만 검사 기준을 흔들 수 있습니다. 첫 제품에서 밝기를 자동으로 맞춘 뒤 양산 중에는 노출, 게인과 색상 값을 고정하는 방식이 안전합니다. 금속처럼 반사가 심한 대상은 확산 조명이나 편광 필터를 시험하고, 윤곽을 측정할 때는 대상 뒤에서 비추는 백라이트를 우선 검토합니다.

• 렌즈와 보호창의 먼지를 제거한 뒤 기준 영상을 저장합니다.
• 최고·최저 밝기 픽셀이 지나치게 몰리지 않는지 확인합니다.
• 주간과 야간, 설비 진동과 외광 변화 조건에서 다시 촬영합니다.

전처리부터 판정까지 어떤 순서로 구성할까요?

위치 보정 후 필요한 특징만 측정합니다

가장 이해하기 쉬운 흐름은 영상 취득 → 관심 영역 설정 → 위치 보정 → 전처리 → 특징 추출 → 판정입니다. 먼저 제품이 존재하는 영역만 잘라내면 연산량과 배경 잡음을 줄일 수 있습니다. 제품 위치가 매번 달라진다면 패턴 매칭이나 기준 모서리를 이용해 좌표를 맞춘 다음 같은 영역을 검사해야 합니다.

전처리에는 밝기 보정, 노이즈 제거, 대비 강화와 이진화가 포함됩니다. 이진화는 기준값보다 밝은 픽셀과 어두운 픽셀을 나누는 간단한 방법이지만, 조명이 변하면 결과도 달라집니다. 그 뒤 연결된 픽셀 덩어리인 블롭의 면적과 길이를 측정하거나, 에지에서 경계 위치를 찾고, OCR로 문자를 읽습니다. 여러 필터를 무조건 겹치면 작은 결함까지 지워질 수 있으니 각 단계 전후 이미지를 비교하세요.

1. ROI 설정: 검사와 무관한 컨베이어와 지그 영역을 제외합니다.
2. 정렬: 기준 패턴으로 제품의 이동과 회전을 보정합니다.
3. 전처리: 결함은 강조하되 원래 형상을 훼손하지 않을 정도만 적용합니다.
4. 특징 추출: 면적, 평균 밝기, 원형도, 길이 등 판정에 필요한 값만 구합니다.
5. 판정: 샘플 데이터에서 확인한 상한과 하한을 기준으로 합격 여부를 냅니다.
6. 기록: 결과값과 원본 또는 불량 이미지를 저장해 추후 원인을 추적합니다.

필터를 추가할 때는 무엇이 개선됐는지 한 문장으로 설명할 수 있어야 합니다. 설명할 수 없는 단계는 유지보수 시 가장 먼저 혼란을 만듭니다.

초보자가 자주 막히는 질문은 무엇일까요?

규칙 기반 검사와 AI의 경계를 구분합니다

Q. 흑백 카메라와 컬러 카메라 중 무엇이 좋나요?
색상 자체가 판정 기준이면 컬러가 필요하지만, 치수와 윤곽 또는 밝기 차이만 본다면 흑백 카메라가 효율적입니다. 흑백 센서는 같은 해상도에서 세부 밝기 정보를 다루기 쉽고 데이터량도 상대적으로 작습니다. 사람의 시각과 장비의 검출 방식은 다르므로 시각의 개념을 함께 살펴보면 이해에 도움이 됩니다.

Q. 임계값 방식보다 AI가 항상 정확한가요?
그렇지 않습니다. 위치와 밝기가 안정적이고 불량 형태가 명확하면 규칙 기반 검사가 빠르고 결과를 설명하기 쉽습니다. 반대로 정상 무늬가 다양하거나 결함 모양을 숫자 몇 개로 표현하기 어렵다면 딥러닝 분류나 이상 탐지를 고려할 수 있습니다. 다만 학습 이미지 수집, 라벨 검수, 재학습과 모델 버전 관리 비용이 추가됩니다.

Q. 검사 결과가 하루마다 달라지는 이유는 무엇인가요?
먼저 알고리즘보다 외광, 렌즈 오염, 제품 높이, 설비 진동과 카메라 자동 설정을 확인하세요. 같은 기준 샘플을 매일 촬영해 평균 밝기와 기준 위치를 기록하면 변화 원인을 찾기 쉽습니다. 소프트웨어 값만 반복해서 바꾸면 실제 원인을 가리고 불안정한 조건이 누적될 수 있습니다.

• 오검출이 늘면 최근 정상 이미지부터 비교합니다.
• 미검출이 생기면 결함 대비와 최소 픽셀 크기를 확인합니다.
• 처리 시간이 길면 ROI 크기와 불필요한 필터 수를 줄입니다.
• OCR이 불안정하면 글자 높이, 인쇄 번짐과 조명 균일도를 점검합니다.

양산 조건이 바뀔 때 판정 기준은 어떻게 지킬까요?

기준 샘플과 변경 이력을 함께 관리합니다

시험실에서 잘 작동한 머신비전도 양산에서는 제품 공급처, 표면 재질, 인쇄 잉크와 주변 조명의 변화에 영향을 받습니다. 정상 제품의 밝기 분포와 주요 측정값을 주기적으로 기록하고, 기준 범위를 벗어나면 즉시 임계값을 넓히기보다 촬영 환경부터 확인하세요. 판정 조건을 수정할 때는 이전 값, 변경 이유, 적용 시점과 승인자를 남겨야 품질 이슈가 발생했을 때 추적할 수 있습니다.

카메라나 조명을 교체할 때도 같은 모델이라는 이유로 기존 설정을 그대로 사용하면 안 됩니다. 개체별 감도 편차와 설치 각도 차이가 있을 수 있으므로 기준 샘플로 재검증하고, 정상·불량 이미지 세트를 다시 통과시켜야 합니다. 저장 공간이 허용된다면 오검출과 미검출 사례뿐 아니라 일정 비율의 정상 이미지도 보관하세요. 정상 상태가 서서히 달라지는 드리프트를 발견하는 데 유용합니다.

• 매일: 렌즈 오염, 조명 점등 상태와 기준 샘플 결과를 확인합니다.
• 정기 점검: 검출률, 과검출률과 처리 시간의 추세를 비교합니다.
• 부품 교체 후: 초점, 밝기, 좌표와 치수 환산값을 다시 검증합니다.
• 품종 추가 시: 기존 조건을 복사만 하지 말고 새 경계 샘플을 포함합니다.

AI 모델, 카메라 펌웨어와 영상처리 라이브러리는 시간이 지나며 업데이트되고 생산 소재도 바뀔 수 있습니다. 업데이트 직후 현장에 적용하기보다 고정된 검증 이미지로 이전 버전과 결과를 비교하고, 필요한 경우 되돌릴 수 있도록 버전과 설정 파일을 함께 보관하는 운영 방식이 중요합니다.