룰 기반 머신비전과 딥러닝 비전의 진짜 경계

• 목록
• 답변
• 글쓰기
• 옵션
  • 수정
  • 삭제

현장에서 먼저 부딪히는 질문은 정확도보다 판정 기준입니다

Q. 딥러닝 비전이 나오면 룰 기반 머신비전은 낡은 방식인가요?

A. 아닙니다. 현장에서 더 자주 맞닥뜨리는 문제는 “최신 기술이냐”보다 “불량을 어떤 기준으로 설명할 수 있느냐”입니다. 치수, 위치, 유무, 색상 차이처럼 기준이 숫자로 떨어지는 검사는 여전히 룰 기반 머신비전이 빠르고 안정적입니다. 반대로 흠집, 오염, 눌림, 번짐처럼 사람이 봐도 경계가 애매한 결함은 딥러닝 비전이 더 자연스럽게 접근합니다.

Eye-Sys 같은 vision system 관점에서는 두 방식을 경쟁 구도로만 보지 않습니다. 카메라, 렌즈, 광학 조명, 영상 처리, 판정 로직이 하나의 검사 흐름으로 이어지기 때문입니다. 용어 자체가 헷갈린다면 vision의 기본 의미를 먼저 잡아두면 좋습니다. 산업 현장의 비전은 단순히 ‘보는 장치’가 아니라, 이미지를 해석해 생산 의사결정으로 연결하는 기술에 가깝습니다.

• 룰 기반 검사: 픽셀 위치, 밝기 임계값, 에지, 원형도, 거리처럼 명확한 수치 조건을 설정합니다.
• 딥러닝 검사: 정상과 불량 이미지를 학습해 복잡한 패턴, 질감, 비정형 결함을 구분합니다.
• 하이브리드 검사: 위치 보정과 치수 측정은 룰 기반으로, 표면 결함 판정은 딥러닝으로 나눕니다.

전문가 팁: “불량 사유를 작업자에게 숫자로 설명해야 한다면 룰 기반을 먼저 검토하고, 설명보다 발견이 중요한 결함이라면 딥러닝을 검토하는 편이 실무적으로 빠릅니다.”

Q. 그럼 첫 도입 기업은 무엇부터 물어봐야 하나요?

가장 먼저 물어볼 질문은 “AI를 쓸까요?”가 아니라 “불량의 모양이 반복되나요?”입니다. 예를 들어 커넥터 핀 빠짐, 라벨 위치 이탈, 홀 가공 누락은 반복 패턴이 분명합니다. 이런 항목은 고해상도 카메라와 적절한 optical technology 조합만으로도 충분히 높은 재현성을 확보할 수 있습니다.

하지만 주조품 표면 기포, 필름 미세 스크래치, 식품 포장 이물, 도장면 얼룩처럼 매번 다른 형태로 나타나는 결함은 이야기가 달라집니다. 이때는 단순 임계값을 조정하다가 정상품을 불량으로 잡거나, 실제 불량을 놓치는 상황이 반복됩니다. 독자님 현장에서도 “어제는 맞았는데 오늘은 왜 틀리지?”라는 말이 나온다면, 판정 방식 자체를 다시 볼 시점입니다.

1. 불량이 선, 점, 면, 색상 중 무엇으로 나타나는지 분류합니다.
2. 정상품 편차가 큰지, 불량 편차가 큰지 별도로 확인합니다.
3. 작업자가 불량 사유를 말로 설명할 수 있는지 점검합니다.
4. 생산 속도와 검사 판정 시간이 어느 정도 허용되는지 계산합니다.

룰 기반은 빠르고 설명 가능하지만, 딥러닝은 애매한 표면을 잘 봅니다

Q. 두 방식의 장단점은 현장에서 어떻게 갈리나요?

A. 룰 기반 머신비전은 설계 의도가 분명합니다. “밝기값이 이 기준보다 낮으면 불량”, “에지 간 거리가 허용 공차를 벗어나면 불량”처럼 판정 근거를 추적하기 쉽습니다. 품질팀이 리포트를 요구하거나 고객사가 검사 기준을 감사할 때도 설명이 깔끔합니다. 다만 제품 표면 질감이 조금만 바뀌어도 임계값을 다시 잡아야 하는 경우가 있습니다.

딥러닝 비전은 반대로 사람이 직감적으로 보는 결함에 강합니다. 얼룩, 찍힘, 미세한 표면 이상처럼 수식으로 설명하기 어려운 패턴을 학습할 수 있습니다. 대신 학습 데이터 품질이 낮거나, 정상품의 변동 폭을 충분히 반영하지 못하면 현장 적용 후 오검출이 늘어납니다. 광학 조건이 흔들리면 AI 모델도 같이 흔들린다는 점을 가볍게 보면 안 됩니다.

아래처럼 비교하면 선택이 조금 쉬워집니다. 특히 imaging solution을 설계할 때는 소프트웨어 성능만 보지 말고, 조명 각도와 렌즈 왜곡, 카메라 노이즈, 트리거 타이밍까지 함께 봐야 합니다. 광학의 기본 개념은 광학 설명처럼 빛의 성질을 다루는 영역과 맞닿아 있습니다.

• 속도: 단순 유무 검사와 위치 검사는 룰 기반이 유리한 경우가 많습니다. 딥러닝은 모델 크기와 하드웨어에 따라 추론 시간이 달라집니다.
• 설명 가능성: 고객 감사, 공정 리포트, 원인 추적이 중요하면 룰 기반이 편합니다. 딥러닝은 판정 근거를 시각화하더라도 완전한 수치 설명은 어렵습니다.
• 비정형 결함 대응: 표면 흠, 얼룩, 찍힘, 섬유질 이물처럼 형태가 계속 바뀌면 딥러닝이 강점을 보입니다.
• 운영 난이도: 룰 기반은 파라미터 관리가 핵심이고, 딥러닝은 데이터셋과 재학습 관리가 핵심입니다.

전문가 팁: “딥러닝 프로젝트가 실패하는 이유는 모델 성능 부족보다 이미지 수집 기준 부재인 경우가 많습니다. 같은 불량이라도 조명, 각도, 초점이 달라지면 서로 다른 문제처럼 보입니다.”

Q. 비용은 어느 쪽이 더 유리한가요?

초기 비용만 보면 룰 기반이 낮아 보일 때가 많습니다. 하지만 제품 종류가 자주 바뀌고, 표면 재질 변화가 잦고, 작업자가 매번 파라미터를 조정해야 한다면 운영 비용이 올라갑니다. 반대로 딥러닝은 초기 데이터 수집, 라벨링, 학습 장비, 검증 기간이 필요해 시작 비용이 커질 수 있습니다. 그래서 “싼 방식”을 찾기보다 변경이 잦은 공정인지를 먼저 봐야 합니다.

예를 들어 동일 부품을 장기간 생산하는 라인이라면 룰 기반의 안정성이 매력적입니다. 반면 다품종 소량 생산에서 외관 불량 종류가 계속 바뀐다면 딥러닝이 장기적으로 더 효율적일 수 있습니다. 실제 견적 단계에서는 카메라와 렌즈 가격보다도 샘플 수집 기간, 불량 이미지 확보 난이도, 현장 검증 횟수가 총비용을 크게 좌우합니다.

1. 샘플 확보 비용: 딥러닝은 정상과 불량 이미지를 충분히 모아야 하며, 희귀 불량은 수집 자체가 비용입니다.
2. 튜닝 비용: 룰 기반은 제품 변경 때마다 조건값을 조정할 수 있습니다.
3. 하드웨어 비용: 고속 딥러닝 추론이 필요하면 GPU IPC나 엣지 AI 장비가 추가될 수 있습니다.
4. 검증 비용: 두 방식 모두 양산 전 오검출, 미검출, 반복성 평가가 필요합니다.

인터뷰로 짚는 도입 순서: 카메라보다 샘플, 알고리즘보다 광학 조건

Q. 프로젝트를 시작할 때 가장 먼저 해야 할 일은 무엇인가요?

A. 샘플을 모으는 일입니다. 많은 현장이 카메라 해상도나 AI 모델부터 묻지만, 실제로는 정상품과 불량품의 경계 샘플이 먼저 필요합니다. 같은 스크래치라도 생산팀은 정상으로 보고, 품질팀은 불량으로 보는 경우가 있습니다. 이 기준이 합의되지 않으면 어떤 vision technology를 넣어도 판정 결과를 두고 논쟁이 생깁니다.

샘플 수집은 단순히 사진을 많이 찍는 일이 아닙니다. 제품 로트, 작업 시간대, 조명 조건, 표면 상태, 불량 위치, 작업자 판정 이력을 함께 남겨야 합니다. 특히 딥러닝 비전은 “이미지가 많다”보다 “현장 변동을 대표하는 이미지가 있다”가 중요합니다. 빛의 방향과 세기가 결함을 드러내거나 숨기기 때문에, 광의 성질을 고려한 촬영 조건 관리가 필수입니다.

• 정상품 샘플: 허용 가능한 색상 편차, 표면 질감, 치수 변동을 포함해야 합니다.
• 불량품 샘플: 대표 불량만이 아니라 경계성 불량, 약한 불량, 복합 불량을 함께 확보합니다.
• 촬영 조건: 조명 밝기, 노출, 렌즈 배율, 워킹 디스턴스, 제품 위치를 기록합니다.
• 판정 이력: 누가 어떤 기준으로 불량 판정을 했는지 남겨야 재검토가 가능합니다.

Q. 실제 도입 흐름을 단계로 나누면 어떻게 되나요?

전문가들은 대체로 “이미지 확보 → 광학 조건 고정 → 알고리즘 검토 → 파일럿 검증 → 양산 운영” 순서로 봅니다. 여기서 핵심은 알고리즘 검토보다 광학 조건 고정이 먼저라는 점입니다. 흔들리는 이미지 위에 아무리 좋은 모델을 얹어도 결과가 들쭉날쭉합니다. 반대로 선명하고 일관된 이미지는 단순한 룰 기반으로도 좋은 결과를 냅니다.

이 단계에서 독자님이 공급사에 던져야 할 질문도 구체적이어야 합니다. “AI 되나요?”보다 “불량 샘플 80장과 정상 샘플 300장으로 예비 검증이 가능한가요?”, “제품 색상이 바뀌면 재학습이 필요한가요?”, “오검출 이미지를 현장에서 저장해 다음 학습에 반영할 수 있나요?”처럼 물어보면 프로젝트의 실력이 드러납니다.

1. 1단계: 검사 목적 정의 - 유무, 치수, 위치, 외관, 이물 중 무엇을 잡을지 정합니다.
2. 2단계: 이미지 조건 확정 - 카메라, 렌즈, 조명, 노출을 고정해 반복 촬영합니다.
3. 3단계: 방식 선택 - 수치 기준이 명확하면 룰 기반, 패턴이 비정형이면 딥러닝을 검토합니다.
4. 4단계: 파일럿 테스트 - 실제 라인 속도와 진동, 먼지, 온도 조건에서 검증합니다.
5. 5단계: 운영 체계 설계 - 이미지 저장, 판정 로그, 모델 버전, 재학습 기준을 정합니다.

딥러닝이 답처럼 보여도 피해야 할 현장은 분명히 있습니다

Q. 딥러닝 비전을 쓰면 안 되는 경우도 있나요?

A. 있습니다. 불량 기준이 법규나 고객 도면의 수치 공차로 명확히 정해져 있다면 딥러닝만으로 끝내기 어렵습니다. 예를 들어 홀 지름, 부품 간 거리, 인쇄 위치 오차처럼 숫자 결과가 필요한 검사는 측정 알고리즘과 캘리브레이션이 중심이 됩니다. 딥러닝은 보조적으로 이상 후보를 찾을 수 있지만, 최종 판정은 수치 기반 로직이 더 적합할 수 있습니다.

또한 불량 샘플이 거의 없고, 생산 조건도 자주 바뀌며, 현장에 모델을 관리할 담당자가 없다면 무리한 AI 도입은 위험합니다. 딥러닝은 설치 순간보다 운영 과정이 더 중요합니다. 신규 원자재, 다른 표면 처리, 조명 교체, 카메라 위치 변경이 생기면 모델이 처음 의도한 분포 밖의 이미지를 만나게 됩니다. 이때 재검증 없이 계속 돌리면 품질 리스크가 커집니다.

• 수치 증빙이 필수인 검사: 치수, 간격, 위치, 원형도처럼 측정값이 필요한 항목은 룰 기반 또는 계측 알고리즘이 중심입니다.
• 불량 샘플이 극히 적은 공정: 학습 데이터가 부족하면 딥러닝 모델이 현장 변동을 충분히 배우지 못합니다.
• 제품 변경 주기가 매우 짧은 라인: 매번 데이터 수집과 검증을 반복할 여력이 있는지 봐야 합니다.
• 설명 책임이 큰 산업: 고객 클레임, 감사, 추적성이 중요한 분야에서는 판정 근거를 남기는 구조가 필요합니다.

Q. 그래도 혼합 방식이 필요한 경계 상황은 무엇인가요?

가장 현실적인 답은 혼합 방식입니다. 예를 들어 먼저 룰 기반으로 제품 위치를 잡고, 관심 영역만 잘라 딥러닝 모델에 넣을 수 있습니다. 이렇게 하면 모델이 배경 노이즈를 덜 보고, 판정 속도도 줄일 수 있습니다. 반대로 딥러닝이 이상 후보를 찾은 뒤, 해당 영역의 면적이나 길이를 룰 기반으로 계산해 등급을 나누는 방식도 가능합니다.

다만 이 글에서 다루지 못한 경계도 있습니다. 의료 영상, 자율주행, 보안 감시처럼 규제와 안전 책임이 큰 영역은 일반 제조 검사와 평가 기준이 다릅니다. 또 초고속 라인, 투명 소재, 반사율이 큰 금속 표면, 편광 조명이 필요한 소재는 별도의 광학 실험이 먼저입니다. 그래서 Eye-Sys 관점의 좋은 출발점은 특정 기술을 고르는 것이 아니라, “우리 결함은 숫자로 설명되는가, 이미지 패턴으로 설명되는가, 그리고 현장에서 계속 같은 모습으로 나타나는가”를 확인하는 일입니다.

1. 룰 기반 우선: 위치 보정, 치수 측정, 유무 검사, 바코드 확인처럼 기준이 분명한 항목.
2. 딥러닝 우선: 스크래치, 얼룩, 찍힘, 오염처럼 형태가 계속 달라지는 항목.
3. 혼합 권장: 위치는 고정되어 있지만 표면 결함 양상이 다양한 항목.
4. 추가 실험 필요: 투명체, 반사체, 곡면, 미세 패턴처럼 광학 조건에 따라 이미지가 크게 바뀌는 항목.