머신비전 실패는 캘리브레이션 생략에서 시작됩니다

• 목록
• 답변
• 글쓰기
• 옵션
  • 수정
  • 삭제

검사 불량을 카메라 탓으로 돌리면 문제는 반복됩니다

첫 번째 실수: 해상도만 높이면 된다고 믿는 것

현장에서 가장 흔한 실패는 머신비전 카메라 사양표만 보고 문제를 해결하려는 접근입니다. 불량 검출이 흔들리면 곧바로 더 높은 해상도, 더 빠른 프레임, 더 비싼 센서를 찾지만 실제 원인은 렌즈 초점, 조명 각도, 작업 거리, 제품 위치 편차에 숨어 있는 경우가 많습니다.

특히 미세 스크래치, 인쇄 번짐, 치수 오차처럼 경계가 애매한 검사는 카메라 픽셀 수보다 이미지 대비와 반복성이 먼저입니다. 비전 시스템은 눈처럼 장면을 받아들이지만, 사람처럼 상황을 이해하지는 못합니다. 그래서 입력 이미지가 흔들리면 알고리즘이 아무리 좋아도 판정은 흔들립니다.

• 렌즈 배율이 검사 대상 크기와 맞지 않으면 고해상도 카메라도 의미가 줄어듭니다.
• 조명 반사가 제품마다 다르면 동일 불량도 매번 다른 형태로 보입니다.
• 초점 심도를 무시하면 제품 높이 편차가 곧 불량 오검출로 이어집니다.
• 설치 진동을 확인하지 않으면 라인 속도가 올라갈 때만 문제가 나타납니다.

비전의 개념 자체는 시각 정보를 해석하는 능력과 연결됩니다. 용어의 기본 배경은 vision의 정의를 참고하면 이해가 쉽습니다. 다만 산업용 vision technology에서는 사람이 보는 선명함보다 장비가 매번 같은 값으로 읽을 수 있는 조건이 더 중요합니다.

캘리브레이션을 나중으로 미루면 양산 데이터가 무너집니다

두 번째 실수: 시운전 이미지만 보고 합격선을 정하는 것

샘플 몇 개로 이미지를 찍어 보고 “잘 보이네”라고 판단한 뒤 바로 양산에 들어가면, 며칠 안에 판정 기준이 흔들릴 수 있습니다. 이유는 간단합니다. 시운전 샘플은 대개 깨끗하고, 작업자는 천천히 넣고, 설비도 아직 열을 덜 받은 상태입니다. 하지만 실제 라인은 제품 표면, 온도, 위치, 속도, 먼지, 조명 열화가 동시에 변합니다.

캘리브레이션은 단순히 눈금자를 한 번 찍는 절차가 아닙니다. 픽셀과 실제 길이의 관계를 잡고, 렌즈 왜곡을 줄이고, 카메라와 검사 좌표계를 맞추는 과정입니다. 이 단계를 생략하면 오늘의 양품 기준이 다음 주에는 불량 기준이 될 수 있습니다.

전문가 팁: 검사 기준값을 정하기 전에는 양품만 모으지 말고, 경계 샘플과 실제 불량 샘플을 함께 촬영해야 합니다. 그래야 알고리즘이 편한 이미지가 아니라 위험한 이미지를 기준으로 설계됩니다.

1. 먼저 작업 거리와 렌즈 초점을 고정하고 흔들림이 없는지 확인합니다.
2. 기준 타깃으로 픽셀당 실제 길이를 계산하고 기록합니다.
3. 제품 위치가 바뀌는 범위를 일부러 만들어 좌표 보정이 가능한지 봅니다.
4. 양품, 경계품, 불량품 이미지를 따로 저장해 판정 기준을 검증합니다.
5. 라인 속도를 실제 운전 조건까지 올린 뒤 같은 기준이 유지되는지 확인합니다.

캘리브레이션을 안 하면 초반에는 빠르게 진행되는 것처럼 보입니다. 그러나 불량 원인을 추적할 때 “그때 기준 이미지가 무엇이었나”, “픽셀 크기가 실제 몇 마이크론이었나”를 답하지 못하면 개선 회의는 감으로 흐릅니다. 비전 검사의 신뢰도는 첫 이미지가 아니라 반복 측정값에서 나옵니다.

조명 조건을 고정하지 않으면 딥러닝도 헷갈립니다

세 번째 실수: 알고리즘이 빛의 변화를 알아서 처리한다고 기대하는 것

딥러닝 비전이 좋아졌다고 해서 조명 설계가 덜 중요해진 것은 아닙니다. 오히려 모델은 학습 데이터에 포함된 조명 패턴을 기준으로 판단하기 때문에, 현장 조명이 바뀌면 예측 결과가 더 은근하게 흔들릴 수 있습니다. 룰 기반 검사라면 임계값 변화로 바로 드러나지만, 딥러닝은 확률값이 조금씩 흐려져 원인 찾기가 늦어집니다.

optical technology 관점에서 빛은 검사 대상의 형상을 드러내는 도구입니다. 같은 흠집도 동축광에서는 약하게 보이고, 저각 조명에서는 길게 떠오르며, 백라이트에서는 외곽 치수만 또렷해질 수 있습니다. 따라서 “밝게 보이면 좋은 이미지”라는 생각은 버려야 합니다. 검사 목적에 맞게 어떤 정보를 강조할지 정해야 합니다.

• 표면 스크래치 검사는 저각 조명으로 미세한 요철을 살리는 경우가 많습니다.
• 홀, 외곽, 폭 측정은 백라이트가 안정적인 실루엣을 제공합니다.
• 반사 제품은 편광 필터와 확산 조명을 함께 검토해야 합니다.
• 문자 인식은 밝기보다 획의 대비와 그림자 제거가 더 중요합니다.

광과 광학의 차이를 이해하면 조명 선택도 더 명확해집니다. 빛의 성질을 다루는 기본 개념은 광에 대한 설명과 광학의 개념을 함께 보면 도움이 됩니다. 산업 현장에서는 이 이론을 바탕으로 렌즈, 필터, 조명, 카메라 위치를 하나의 시스템으로 묶어야 합니다.

실패 사례를 보면 조명을 마지막에 끼워 넣는 경우가 많습니다. 장비 프레임은 이미 제작됐고, 카메라 위치도 고정됐고, 남은 공간에 조명을 붙입니다. 이렇게 되면 반사각을 피할 수 없거나 작업자가 제품을 넣을 때 그림자가 생깁니다. 조명은 부품이 아니라 검사 조건입니다. 설계 초기에 자리부터 확보해야 합니다.

데이터 저장 없이 임계값만 고치면 같은 실수가 쌓입니다

네 번째 실수: 오검출이 나오면 기준값부터 낮추는 것

현장에서 “불량이 너무 많이 잡힌다”는 말이 나오면 가장 먼저 하는 행동이 임계값 조정입니다. 물론 기준값을 조절해야 할 때도 있습니다. 문제는 이미지, 조명 상태, 제품 로트, 작업 시간, 판정 결과를 저장하지 않은 채 숫자만 바꾸는 것입니다. 그러면 오늘 해결한 것처럼 보여도 다음 로트에서 같은 문제가 반복됩니다.

imaging solution은 이미지를 찍는 장치만 의미하지 않습니다. 이미지를 어떻게 저장하고, 어떤 조건에서 촬영했으며, 판정값이 어떤 흐름으로 변했는지 추적하는 운영 체계까지 포함해야 합니다. 검사 장비가 불량을 잡는 순간보다 중요한 때는, 그 불량 판정이 왜 나왔는지 설명해야 하는 순간입니다.

현장 조언: 로그는 문제가 터진 뒤 만들 수 없습니다. 검사 이미지 저장 용량이 부담된다면 전체 저장 대신 오검출, 불량, 경계값 근처 이미지만 선별 저장하는 방식부터 시작해도 충분합니다.

데이터를 남기면 억울한 오검출도 줄어듭니다. 예를 들어 특정 시간대에만 얼룩 검출이 늘어난다면 조명 온도 상승, 외부 햇빛 유입, 청소 직후 잔여 수분처럼 장비 밖의 원인을 찾을 수 있습니다. 특정 로트에서만 치수 불량이 늘어난다면 실제 공정 변화일 가능성도 있습니다. 기록이 없으면 모든 원인은 카메라 탓이 됩니다.

• 검사 이미지 파일명에 날짜, 시간, 제품 코드, 판정 결과를 포함합니다.
• 레시피 변경 이력을 남겨 누가 언제 기준값을 바꿨는지 추적합니다.
• 월별 오검출 유형을 분류해 광학 문제인지 공정 문제인지 나눕니다.
• 불량 이미지는 재학습 또는 룰 개선에 재사용할 수 있게 원본으로 보관합니다.

지금 필요한 선택은 장비 교체가 아니라 실패 원인 분리입니다

다섯 번째 실수: 현장 조건과 검사 목표를 한꺼번에 바꾸는 것

비전 검사 실패를 만났을 때 가장 위험한 대응은 카메라, 렌즈, 조명, 알고리즘, 기준값을 동시에 바꾸는 것입니다. 한 번에 여러 요소를 바꾸면 결과가 좋아져도 무엇이 효과를 냈는지 모릅니다. 반대로 결과가 나빠져도 원인을 특정할 수 없습니다. 그래서 개선은 빠르게가 아니라 분리해서 진행해야 합니다.

먼저 이미지를 고정하고 알고리즘만 바꿔 봅니다. 다음에는 알고리즘을 고정하고 조명만 바꿉니다. 그다음 렌즈, 작업 거리, 필터, 제품 위치 보정을 순서대로 확인합니다. 이렇게 하면 비싼 장비를 새로 사기 전에 현재 시스템의 한계를 숫자로 알 수 있습니다. 구매 결정도 감이 아니라 증거로 할 수 있습니다.

1. 이미지 품질 문제인지 확인합니다. 초점, 흔들림, 반사, 대비가 우선입니다.
2. 광학 설계 문제인지 봅니다. 렌즈 배율, 왜곡, 조명 각도가 맞는지 확인합니다.
3. 알고리즘 문제인지 나눕니다. 룰 기준이 불안한지, 학습 데이터가 부족한지 비교합니다.
4. 공정 변화 문제인지 확인합니다. 제품 로트, 표면 처리, 이송 속도 차이를 봅니다.

이미 설비가 멈추고 불량 유출 리스크가 큰 독자라면, 새 카메라 견적을 받기 전에 최근 1주일의 오검출 이미지와 불량 이미지를 모아 조명·초점·위치 편차부터 분류하는 편이 빠릅니다. 반대로 신규 라인을 준비 중인 독자라면, 카메라 모델 선정 전에 검사 대상 샘플과 불량 유형을 먼저 정리하고 광학 테스트 공간을 확보하는 선택이 더 안전합니다.

전자는 지금의 머신비전 시스템에서 실패 원인을 좁히는 것이 우선이고, 후자는 처음부터 optical imaging 조건을 설계하는 것이 우선입니다. 상황은 달라도 하지 말아야 할 일은 같습니다. 보이는 이미지만 믿고 캘리브레이션, 조명 조건, 로그 설계를 뒤로 미루지 마세요.