고해상도 카메라보다 안정적인 광학 설계가 먼저다

• 목록
• 답변
• 글쓰기
• 옵션
  • 수정
  • 삭제

해상도만 올리고 광학 조건을 방치한 실패

픽셀이 많아도 불량은 더 선명해지지 않습니다

검사 불량이 늘어났을 때 가장 흔한 반응은 카메라 해상도를 올리는 것입니다. 하지만 현장에서 더 자주 보는 실패는 고해상도 머신비전 카메라를 달고도 판정 편차가 그대로 남는 경우입니다. 문제는 픽셀이 아니라 빛, 렌즈, 거리, 초점, 반사 조건이 함께 흔들리는 데 있습니다.

예를 들어 금속 부품 표면의 미세 스크래치를 보려는 공정에서 500만 화소를 1200만 화소로 바꿨는데도 오검출이 줄지 않는 일이 있습니다. 알고 보면 조명이 검사면에 비스듬히 들어와 특정 각도에서만 흠집이 보였고, 렌즈 주변부 해상도는 중앙보다 떨어졌습니다. 이런 상태에서는 카메라가 좋아질수록 노이즈까지 더 자세히 기록하는 장비가 됩니다.

• 렌즈 분해능 부족: 센서 화소가 작아져도 렌즈가 그만큼의 세부 정보를 전달하지 못하면 실제 선명도는 오르지 않습니다.
• 작업 거리 변동: 지그 높이가 조금만 달라져도 초점면이 바뀌고, 같은 부품이 다른 품질처럼 보일 수 있습니다.
• 반사광 관리 실패: 광택 재질에서는 불량보다 하이라이트가 먼저 검출되어 기준값이 계속 흔들립니다.
• 조리개 과신: 조리개를 조이면 심도는 늘지만 광량이 줄고 노출 시간이 늘어 움직임 번짐이 생길 수 있습니다.

해상도 업그레이드는 마지막 카드에 가깝습니다. 먼저 같은 카메라로 조명 각도, 렌즈 배율, 초점 고정, 검사 거리 반복성을 잡아보면 원인이 훨씬 빨리 드러납니다.

용어를 제대로 잡아야 장비 선택도 흔들리지 않습니다

비전 시스템을 논의할 때는 사람이 보는 시각과 장비가 해석하는 영상 정보를 구분해야 합니다. 기본 개념은 vision의 용어 정의처럼 넓은 의미를 갖지만, 산업 현장의 machine vision은 조명과 광학계를 통제해 판단 가능한 데이터를 만드는 일에 더 가깝습니다.

따라서 “더 잘 보이게”가 아니라 “항상 같은 조건으로 보이게”를 목표로 잡아야 합니다. 이 차이를 놓치면 담당자는 카메라 스펙표만 비교하고, 실제 라인에서는 제품 표면 상태와 작업자 투입 방향에 따라 검출 결과가 달라집니다.

1. 새 카메라를 고르기 전 현재 영상의 실패 샘플을 50장 이상 모읍니다.
2. 정상과 불량이 갈리는 특징이 밝기인지, 윤곽인지, 색인지, 텍스처인지 분리합니다.
3. 카메라 교체보다 조명, 렌즈, 고정 지그 변경으로 해결 가능한 항목을 먼저 제외합니다.

밝게 찍는 것과 안정적으로 찍는 것은 다릅니다

조명 세기를 올리면 해결된다는 착각

두 번째로 많은 실패는 조명을 무조건 밝게 만드는 방식입니다. 화면이 밝아지면 당장은 좋아 보입니다. 그러나 imaging 품질은 평균 밝기보다 명암의 재현성, 그림자 위치, 반사 억제, 노출 여유에 더 큰 영향을 받습니다.

특히 투명 플라스틱, 유리, 도장면, 연마 금속처럼 빛을 예민하게 반사하는 소재는 밝은 조명이 오히려 검사를 망칠 수 있습니다. 불량이 있는 영역보다 표면 반짝임이 먼저 포화되면 알고리즘은 흠집과 반사를 구분하지 못합니다. 작업자는 “어제는 잡혔는데 오늘은 왜 놓치죠?”라고 묻지만, 실제 원인은 조도 변화와 위치 편차가 누적된 결과일 때가 많습니다.

• 과노출: 밝은 영역이 하얗게 날아가면 표면 정보가 사라져 후처리로도 복구하기 어렵습니다.
• 그림자 이동: 제품이 1~2mm만 틀어져도 그림자가 불량처럼 보일 수 있습니다.
• 외란광 유입: 천장 조명, 창문 빛, 작업등이 검사 이미지에 섞이면 기준값이 시간대별로 달라집니다.
• 색온도 혼합: 서로 다른 광원이 섞이면 컬러 검사에서 정상 제품이 다른 색으로 판정될 수 있습니다.

빛의 성질을 이해하지 않은 채 밝기만 올리는 것은 좋은 optical technology 적용이 아닙니다. 관련 개념은 광의 기본 설명을 참고하면 방향성, 반사, 파장 같은 요소가 왜 검사 안정성과 연결되는지 이해하기 쉽습니다.

하지 말아야 할 조명 세팅 순서

실패한 프로젝트를 보면 조명 선정 순서가 거꾸로 되어 있는 경우가 많습니다. 먼저 장비를 사고, 라인에 붙인 뒤, 안 보이는 불량이 나오면 조명 브래킷을 임시로 꺾습니다. 이렇게 시작하면 시험 당시에는 통과해도 양산 중 유지보수가 어렵습니다.

1. 제품 재질과 불량 형태를 정의하기 전에 조명 종류부터 확정하지 마세요.
2. 샘플 2~3개만 놓고 노출값을 고정하지 마세요. 정상 편차와 불량 편차를 함께 봐야 합니다.
3. 검사실에서는 잘 보이는데 현장에서는 안 보이는 세팅을 승인하지 마세요.
4. 알고리즘 보정으로 조명 문제를 덮지 마세요. 보정값이 늘수록 나중에 원인 추적이 어려워집니다.

좋은 조명은 이미지를 예쁘게 만드는 장치가 아니라 판정 기준을 덜 흔들리게 만드는 장치입니다. 화면보다 히스토그램, 포화 영역, 반복 촬영 편차를 같이 보세요.

자동화보다 현장 변수 기록을 먼저 봐야 할 때

딥러닝을 넣기 전에 실패 원인을 나눠야 합니다

요즘 비전 시스템 도입 상담에서 빠지지 않는 말이 딥러닝입니다. 물론 복잡한 표면, 비정형 불량, 기존 룰로 설명하기 어려운 패턴에는 강력한 선택지가 될 수 있습니다. 그러나 모든 흔들림을 학습 데이터로 해결하려는 접근은 위험합니다. 데이터가 나쁜 상태로 쌓이면 모델은 불량을 배우는 것이 아니라 현장의 우연한 조건을 외우게 됩니다.

예를 들어 월요일 오전에 촬영한 불량 샘플은 차갑고, 오후 샘플은 조명이 달라지고, 야간 샘플은 작업자 투입 방향이 다르다면 모델은 제품 결함보다 시간대와 배경 차이를 먼저 배울 수 있습니다. 이런 상황에서 정확도가 높게 나와도 실제 라인 투입 후 금방 무너집니다. vision system의 자동화는 데이터 수집 조건이 안정된 뒤에 힘을 발휘합니다.

• NG 샘플 수만 늘리기: 불량 이미지가 많아도 촬영 조건이 뒤섞이면 학습 품질은 오르지 않습니다.
• 정상 편차 무시: 정상 제품의 허용 범위를 충분히 모으지 않으면 과검출이 급증합니다.
• 검사 위치 미기록: 어느 라인, 어느 지그, 어느 조명 조건에서 찍혔는지 없으면 개선 포인트가 사라집니다.
• 재학습 기준 부재: 소재, 공급사, 표면 처리 조건이 바뀌었을 때 모델을 언제 갱신할지 정하지 않으면 품질팀과 생산팀이 충돌합니다.

그래도 자동화가 먼저라는 주장도 틀리지는 않습니다

반대 의견도 있습니다. 생산 속도가 빠르고 검사 인력이 부족한 현장에서는 완벽한 광학 설계를 기다리기보다 우선 자동화를 넣고 데이터를 모으는 편이 현실적이라는 주장입니다. 실제로 비용 압박이 큰 라인에서는 이 접근이 더 빠른 학습 곡선을 만들기도 합니다. 다만 그때도 최소한의 기록 체계는 필요합니다.

광학의 기본 개념에서 보듯 렌즈와 빛은 이미지를 만드는 핵심 조건입니다. 자동화가 먼저라면 더더욱 조명 값, 렌즈 모델, 작업 거리, 노출 시간, 게인, 검사 위치를 함께 남겨야 합니다. 그래야 나중에 “모델이 나빠졌다”가 아니라 “입력 조건이 바뀌었다”는 사실을 구분할 수 있습니다.

1. 초기 자동화 단계에서는 판정 결과보다 원본 이미지를 먼저 보존합니다.
2. 오검출이 발생하면 알고리즘 수정 전에 촬영 조건 로그를 확인합니다.
3. 카메라, 렌즈, 조명, 지그 변경 이력을 날짜별로 남깁니다.
4. 정상 제품의 계절별, 공급사별, 작업조별 편차를 따로 묶어 비교합니다.

결국 하지 말아야 할 일은 자동화를 늦추는 것이 아니라, 조건을 모른 채 자동화 성능만 믿는 것입니다. 어떤 현장은 빠른 도입이 답이고, 어떤 현장은 광학 조건 재설계가 먼저입니다. 차이는 멋진 장비 이름이 아니라 실패했을 때 원인을 되짚을 수 있는 구조가 있느냐에서 갈립니다.