산업용 머신비전 시스템을 처음 구축하는 담당자라면

• 목록
• 답변
• 글쓰기
• 옵션
  • 수정
  • 삭제

검사 문제를 장비 이름보다 먼저 정의해야 합니다

초보자가 가장 먼저 놓치는 출발점

머신비전 시스템을 처음 검토할 때 흔히 카메라, 렌즈, 조명부터 찾습니다. 하지만 실제 현장에서는 무엇을 불량으로 볼 것인지, 어느 정도 크기의 차이를 구분해야 하는지가 먼저 정해져야 합니다. 같은 흠집이라도 화장품 용기 표면의 스크래치와 자동차 부품의 치수 편차는 필요한 imaging 조건이 완전히 다릅니다.

Eye-Sys 같은 비전 및 광학 기술 솔루션 관점에서는 장비 스펙보다 검사 목적이 설계의 기준점입니다. 예를 들어 “검은 점을 찾고 싶다”는 요청만으로는 부족합니다. 점의 최소 크기, 허용 위치, 제품 재질, 제품 이동 속도, 주변 조도 변화까지 알아야 안정적인 vision system을 만들 수 있습니다.

• 검출 대상: 스크래치, 찍힘, 이물, 글자 누락, 조립 방향, 치수 편차 중 무엇인지 구분합니다.
• 불량 기준: 사람이 보기에 이상한 수준인지, 수치 기준으로 0.1mm 이상인지처럼 판정 기준을 정합니다.
• 검사 환경: 컨베이어 속도, 제품 흔들림, 먼지, 외부광 유입 여부를 함께 확인합니다.
• 후속 동작: 불량 표시만 할지, 자동 배출까지 할지에 따라 시스템 구성이 달라집니다.

초기 상담에서 가장 좋은 질문은 “어떤 카메라가 좋나요?”가 아니라 “이 불량을 어떤 조건에서 반복적으로 볼 수 있나요?”입니다.

비전 시스템은 눈 하나가 아니라 역할이 나뉜 구조입니다

카메라, 렌즈, 조명, 소프트웨어의 관계

머신비전은 사람의 눈처럼 한 부품이 모든 일을 처리하지 않습니다. 카메라는 영상을 받아들이고, 렌즈는 대상을 적절한 크기와 왜곡 수준으로 맺히게 하며, 조명은 검사 대상의 특징을 드러냅니다. 소프트웨어는 그 영상을 분석해 합격과 불합격을 판단합니다.

초보자에게 중요한 점은 한 구성품의 성능만 높인다고 전체 성능이 올라가지 않는다는 사실입니다. 카메라 화소가 높아도 조명이 표면 반사를 제대로 제어하지 못하면 불량은 흐릿하게 묻힙니다. 반대로 조명이 좋아도 렌즈 왜곡이 크면 치수 측정 결과가 흔들릴 수 있습니다.

용어를 이해하면 상담이 쉬워집니다

기초 용어가 낯설다면 먼저 시각과 광학의 개념을 가볍게 잡는 것이 좋습니다. 예를 들어 비전의 기본 의미를 보면 시각 정보가 단순한 이미지가 아니라 인지와 판단으로 이어진다는 점을 이해할 수 있습니다. 또한 광학의 개념은 렌즈와 조명 조건을 이해하는 데 좋은 출발점입니다.

1. 카메라: 검사 대상을 디지털 이미지로 변환합니다. 면적 검사에는 에어리어 카메라가, 긴 연속 소재에는 라인스캔 방식이 쓰일 수 있습니다.
2. 렌즈: 작업거리와 시야 범위를 결정하며, 왜곡과 초점 안정성에 영향을 줍니다.
3. 조명: 불량을 더 잘 보이게 만드는 핵심 요소입니다. 밝기보다 방향, 균일도, 파장이 중요할 때가 많습니다.
4. 컨트롤러와 소프트웨어: 촬영 타이밍, 영상 처리, 판정 로직, 설비 통신을 담당합니다.

처음 예산을 잡을 때는 카메라 가격만 보면 안 됩니다

초기 견적에서 빠지기 쉬운 비용

머신비전 시스템 예산을 세울 때 카메라 가격만 검색하면 실제 비용과 차이가 큽니다. 현장에 들어가는 시스템은 카메라 외에도 렌즈, 조명, 브라켓, 케이블, 트리거 센서, 산업용 PC 또는 비전 컨트롤러, 설치 작업, 알고리즘 설정, 유지보수 비용이 함께 들어갑니다.

단순 유무 검사라면 비교적 작은 예산으로 시작할 수 있지만, 고정밀 치수 측정이나 미세 결함 검출은 광학 설계와 테스트 시간이 더 필요합니다. 특히 반사가 강한 금속, 투명 필름, 곡면 플라스틱은 촬영 조건을 잡는 데 드는 엔지니어링 비용이 장비 가격만큼 중요합니다.

대략적인 예산 감각

실제 가격은 브랜드, 해상도, 현장 난이도, 커스터마이징 범위에 따라 크게 달라집니다. 다만 초보 담당자라면 아래처럼 비용 항목을 나누어 생각하면 견적서를 이해하기 쉽습니다.

• 기본 검사 구성: 단일 카메라, 표준 렌즈, 단순 조명, 기본 판정 로직 중심입니다. 비교적 빠르게 도입할 수 있습니다.
• 정밀 검사 구성: 고해상도 카메라, 저왜곡 렌즈, 특수 조명, 안정적인 지그가 필요합니다. 샘플 테스트 기간을 충분히 잡아야 합니다.
• 자동화 연동 구성: PLC, 로봇, 배출 장치, MES 연동까지 포함될 수 있습니다. 검사 장비가 아니라 생산 라인 일부로 봐야 합니다.
• 유지보수 비용: 렌즈 오염, 조명 수명, 제품 변경에 따른 레시피 수정 비용을 미리 고려합니다.

예산을 줄이고 싶다면 먼저 검사 항목을 줄이는 편이 장비 품질을 낮추는 것보다 안전합니다. 검사 목적이 선명할수록 필요한 optical 구성이 단순해집니다.

현장 샘플 테스트가 설계의 절반을 결정합니다

도면보다 샘플이 더 많은 것을 말해줍니다

초보 프로젝트에서 가장 위험한 판단은 사무실 회의만으로 검사 가능 여부를 단정하는 것입니다. 머신비전은 실제 표면 상태, 제품 편차, 라인 진동, 주변 조명에 민감합니다. 도면상 같은 제품이라도 사출 조건, 코팅 상태, 포장재 반사에 따라 영상 품질이 달라집니다.

따라서 초기 단계에서는 양품과 불량품 샘플을 최대한 다양하게 모아야 합니다. 특히 애매한 경계 샘플이 중요합니다. 사람이 봐도 판단이 어려운 샘플을 시스템이 안정적으로 구분해야 한다면, 그 기준을 수치화하거나 검사 조건을 더 엄격히 설계해야 합니다.

샘플 테스트에서 확인할 항목

샘플 테스트는 단순히 “보인다, 안 보인다”를 확인하는 시간이 아닙니다. 어떤 조명 방향에서 특징이 살아나는지, 초점 심도는 충분한지, 처리 속도는 라인 속도를 따라가는지까지 봐야 합니다. 이 과정에서 technology 선택이 구체화됩니다.

1. 양품 편차 확인: 정상 제품끼리도 색상, 표면, 위치가 얼마나 달라지는지 확인합니다.
2. 불량 재현성 확인: 같은 불량이 여러 번 촬영해도 비슷하게 나타나는지 봅니다.
3. 오검출 가능성 확인: 먼지, 물방울, 라벨 주름처럼 불량이 아닌 요소가 불량처럼 보이는지 검토합니다.
4. 라인 조건 반영: 제품이 정지 상태인지 이동 중인지, 흔들림이 있는지, 트리거 위치가 일정한지 확인합니다.

빛의 성질도 함께 이해하면 테스트 결과를 해석하기 쉬워집니다. 예를 들어 반사, 산란, 투과 같은 개념은 조명 선택에 직접 연결되므로 광에 대한 기본 설명을 참고하면 현장 대화가 훨씬 명확해집니다.

초보자가 헷갈리는 검사 방식은 이렇게 나누면 쉽습니다

분류, 측정, 문자 인식은 목적이 다릅니다

머신비전 검사라고 해서 모두 같은 방식으로 동작하지 않습니다. 어떤 시스템은 제품이 있는지 없는지를 판단하고, 어떤 시스템은 부품의 위치를 찾으며, 또 다른 시스템은 미세한 치수 차이를 측정합니다. 목적이 다르면 카메라 배치와 조명, 소프트웨어 알고리즘도 달라집니다.

예를 들어 병뚜껑 유무 검사는 비교적 단순한 존재 검사에 가깝습니다. 반면 반도체 부품의 패턴 결함은 미세한 차이를 안정적으로 구분해야 하므로 고해상도 이미징과 정밀한 조명 설계가 필요합니다. 박스의 인쇄 문자를 읽는 OCR 검사는 글자 대비와 왜곡 보정이 핵심입니다.

검사 목적별 접근 차이

• 유무 검사: 부품 장착 여부, 라벨 부착 여부처럼 빠른 판정이 중요합니다. 속도와 안정성이 핵심입니다.
• 외관 검사: 스크래치, 오염, 찍힘을 찾습니다. 표면 재질에 맞는 조명 선택이 성패를 좌우합니다.
• 치수 측정: 길이, 폭, 간격, 각도를 수치로 판단합니다. 렌즈 왜곡과 캘리브레이션 관리가 중요합니다.
• 위치 보정: 로봇이나 장비가 제품 위치를 따라가도록 좌표를 제공합니다. 반복 정밀도와 통신 속도를 봐야 합니다.
• 문자 인식: 날짜, 로트 번호, 바코드, QR 코드를 읽습니다. 인쇄 품질과 조명 반사 조건을 함께 관리해야 합니다.

처음 도입하는 담당자라면 한 번에 모든 기능을 넣기보다, 생산 손실을 가장 많이 줄일 수 있는 검사부터 시작하는 편이 좋습니다. 작은 성공 경험이 쌓이면 이후 공정으로 확장할 때 내부 설득도 쉬워집니다.

딥러닝 비전이 필요하냐는 질문에는 샘플 수로 답해야 합니다

규칙 기반과 딥러닝의 현실적인 선택

요즘 머신비전 상담에서 가장 자주 나오는 질문 중 하나는 “딥러닝을 써야 하나요?”입니다. 답은 생각보다 단순하지 않습니다. 불량 특징이 선명하고 기준이 명확하다면 기존 규칙 기반 영상처리만으로도 충분합니다. 반대로 불량 형태가 매번 다르고 사람의 감각적 판단에 가까운 경우라면 딥러닝 비전이 유리할 수 있습니다.

다만 딥러닝은 마법처럼 모든 불량을 알아서 찾는 도구가 아닙니다. 충분한 양품과 불량 이미지, 일관된 라벨링 기준, 현장 변경에 따른 재학습 관리가 필요합니다. 초보 프로젝트라면 먼저 규칙 기반으로 가능한지 확인하고, 한계가 뚜렷할 때 딥러닝을 검토하는 순서가 현실적입니다.

“딥러닝이면 조명은 덜 중요하지 않나요?”에 대한 답

많은 분이 딥러닝을 쓰면 조명이나 광학 설계가 덜 중요해진다고 생각합니다. 실제로는 반대에 가깝습니다. 입력 이미지가 불안정하면 모델은 불량 특징이 아니라 우연한 그림자, 반사, 배경 차이를 학습할 수 있습니다. 좋은 optical technology는 딥러닝 모델의 부담을 줄여주는 기반입니다.

• 규칙 기반이 적합한 경우: 불량 형태가 일정하고, 밝기 차이나 경계선이 명확하며, 판정 기준을 수식이나 임계값으로 표현할 수 있을 때입니다.
• 딥러닝이 적합한 경우: 표면 무늬가 복잡하고, 불량 모양이 다양하며, 사람이 경험적으로 판단하는 외관 검사를 자동화할 때입니다.
• 도입 전 준비: 최소 수백 장 이상의 대표 이미지를 모으고, 양품과 불량의 경계 기준을 작업자 간에 맞춰야 합니다.
• 운영 시 주의: 제품 색상, 소재, 공급처가 바뀌면 기존 모델 성능이 달라질 수 있어 주기적인 검증이 필요합니다.

초보자에게 가장 실용적인 기준은 “샘플을 모을 수 있는가”입니다. 데이터가 부족하면 딥러닝보다 촬영 조건을 개선하는 편이 더 빠르고 안정적일 수 있습니다. 반대로 충분한 데이터와 명확한 라벨링 체계가 있다면 딥러닝은 복잡한 외관 검사의 강력한 선택지가 됩니다.