비정형 결함, 비전 검사 장비로 어디까지 잡을까 — 데모와 현장이 다른 이유

업체에 결함 샘플 스무 장을 보냈더니 전부 잡아냈습니다. 계약하고 라인에 올렸는데, 정작 현장에서 나오는 스크래치는 절반쯤 흘려보냅니다. 비전 검사 장비 도입에서 드물지 않게 벌어지는 일입니다. 특히 스크래치·이물·오염·변색처럼 모양과 위치가 매번 달라지는 결함에서 자주 생깁니다. 이런 유형을 비정형 결함이라고 부릅니다. 치수 초과나 부품 누락처럼 기준이 명확한 결함과 달리, “어디까지가 불량인가”를 규칙으로 적어 내려가기가 어려운 종류입니다.

왜 데모에서는 잡히고 현장에서는 안 잡힐까요. 원인은 보기보다 단순하고, 둘 중 하나입니다. 결함이 애초에 이미지에 찍히지 않았거나, 찍히기는 했는데 장비가 그것을 불량으로 정의하지 못했거나. 현장에서는 대개 두 번째만 의심합니다. “알고리즘이 부족하다”고 결론 내고 더 나은 소프트웨어를 찾아 나서죠. 그런데 조명 각도 하나 때문에 결함이 배경에 묻혀 있었던 거라면, 어떤 알고리즘을 얹어도 결과는 같습니다. 이 글에서는 두 원인을 가르는 법, 업체 데모를 검증하는 구체적인 절차, 그리고 알고리즘을 평가할 때 실제로 물어야 할 질문을 차례로 정리합니다.

비정형 결함이란? 규칙으로 정의되지 않는 결함들

검사 대상 결함은 크게 두 갈래입니다. 하나는 기준을 숫자로 적을 수 있는 결함입니다. 구멍 지름이 규격을 벗어났는지, 부품이 제자리에 있는지 같은 것들이죠. 기존 비전 검사 장비가 오랫동안 잘해 온 영역입니다.

다른 하나가 비정형 결함입니다. 같은 스크래치라도 어떤 건 길고 얕고, 어떤 건 짧고 깊습니다. 방향도 매번 다르고 표면 무늬와 겹치면 사람 눈에도 잘 안 보입니다. 규칙을 쓰는 사람이 “이런 경우”를 미리 다 적어둘 수 없다는 것이 이 유형의 본질적인 어려움입니다.

구분	정형 결함	비정형 결함
예시	치수 초과, 부품 누락·오삽입, 문자·바코드 오류	스크래치, 이물, 오염, 얼룩, 변색, 찍힘
판정 기준	숫자로 규정 가능 (치수·위치·개수)	“어디까지가 불량인가”가 사람마다 갈림
규칙 기반 대응	잘 맞음	예외를 계속 추가해야 하고, 새 유형이 나오면 다시 씀
검사원 간 편차	작음	큼

비전 검사 장비 데모에선 잡히고, 우리 라인에선 안 잡히는 이유

데모 결과가 좋았는데 현장 성적이 다른 건 업체가 속여서가 아닙니다. 데모라는 조건 자체가 세 가지 면에서 현장보다 유리하기 때문입니다.

첫째, 보내는 샘플이 이미 선별돼 있습니다. 불량 샘플을 모을 때 담당자는 대개 “누가 봐도 불량인 것”을 고릅니다. 애매해서 논쟁이 붙었던 제품은 빠집니다.

둘째, 조명이 그 샘플에 맞춰 세팅됩니다. 데모실에서는 결함이 가장 잘 드러나는 각도와 광원을 찾아가며 맞출 수 있지만, 우리 라인에는 이미 고정된 조명이 있습니다.

셋째, 합격과 불합격 경계에 있는 제품이 통째로 빠져 있습니다. 현장에서 판정이 갈리는 물량의 상당수가 정확히 그 구간에 있는데, 데모에는 그 구간이 없습니다.

결국 데모는 “이 장비가 결함을 볼 수 있는가”를 확인한 것이지, “진성불량과 가성불량을 가를 수 있는가”를 확인한 게 아닙니다.

원인 ① 애초에 이미지에 안 찍혔습니다

두 갈래 중 먼저 걸러내야 할 쪽은 이겁니다. 결함이 이미지에 담기지 않았다면 그 뒤는 볼 것도 없습니다. 어떤 알고리즘도 없는 정보를 복원하지는 못하니까요. 그런데 현장에서는 이 가능성을 잘 의심하지 않습니다. 사람 눈에 보이는 결함이니 카메라에도 당연히 찍혔으리라 전제하는 거죠. 실제로는 물건을 손에 들고 각도를 바꿔 가며 보는 행동 자체를, 라인에 고정된 비전 검사 장비의 카메라는 하지 못합니다.

확인할 건 두 가지입니다. 조명과 픽셀당 실제 크기입니다. 조명은 감이 아니라 원리로 고릅니다. 고반사 금속 표면의 스크래치는 정면에서 비추면 반사광에 묻히지만, 빛을 비스듬히 까는 다크필드 조명에서는 흠집만 빛을 산란시켜 뚜렷하게 드러납니다. 픽셀당 크기는 카메라 화소 수가 아니라 픽셀 하나가 몇 mm를 담는가입니다. 화소 수가 같아도 시야가 넓으면 작은 흠집은 주변 색에 뭉개집니다. 아래 네 단계로 역산하면 업체가 제시한 사양이 우리 결함을 담을 수 있는지 계약 전에 확인됩니다.

단계	계산	예시
① 잡아야 할 결함 크기	—	0.2mm 스크래치
② 필요한 픽셀 수	검출 3~5픽셀 (Commonlands Optics)	5픽셀
③ 필요한 픽셀당 크기	① ÷ ②	0.04mm/픽셀
④ 필요한 가로 픽셀 수	시야 폭 ÷ ③	100mm 시야 → 2,500픽셀 이상

조명 방식별로 어떤 결함에 맞는지는 후속 글에서 따로 다룹니다.

원인 ② 찍혔는데 진성·가성을 못 가릅니다

광학 조건이 모두 맞았다고 해봅시다. 결함이 선명하게 찍혔습니다. 그래도 문제는 남습니다. 찍힌 그것이 정말 걸러내야 할 불량인지 판단해야 하기 때문입니다. 표면에 잠깐 앉은 먼지, 세척 후 남은 물 얼룩, 소재 자체의 광택 차이, 공정에서 자연스럽게 생기는 색 편차 — 전부 이미지에서는 결함처럼 보입니다. 사람이 재검할 때 “이건 괜찮은 거예요” 하고 그냥 넘기는 것들이죠. 비정형 결함 검사가 어려운 진짜 이유가 여기 있습니다.

잡아내는 것보다 가려내는 것이 훨씬 어렵습니다.
검출만 놓고 보면 민감도를 올리면 그만이지만, 그러면 가성불량까지 전부 딸려 올라옵니다.

판정 기준이 사람 머릿속에 있으면, 학습 데이터도 흔들립니다

그런데 이 구분은 기술 문제이기 전에 합의 문제입니다. 같은 스크래치 이미지를 놓고 검사원 세 명에게 물으면 판정이 갈리는 일이 드물지 않습니다. 기준이 문서에 적혀 있지 않고 숙련자의 경험 안에 있기 때문입니다. 게다가 그 기준은 고정되어 있지도 않습니다. 고객사 클레임이 들어오면 조여지고, 납기 압박이 오면 느슨해집니다. 이 상태가 AI 검사 도입에서 조용한 걸림돌이 됩니다. 딥러닝 모델은 사람이 붙여 준 정답을 보고 배우는데, 그 정답 자체가 흔들리면 모델이 배우는 기준도 같이 흔들리기 때문입니다. 알고리즘을 아무리 고도화해도 무엇이 불량인지에 대한 합의가 없으면 그 위에 세운 판정은 안정되지 않습니다. 업체를 검토하기 전에 우리 안에서 먼저 정리해야 하는 부분입니다.

업체 데모, 이렇게 검증하세요 — 샘플 구성이 전부입니다

데모의 목적을 바꾸는 것부터 시작합니다. 대부분의 데모는 “이 장비가 우리 결함을 잡을 수 있는가”를 확인하는 자리로 잡힙니다. 그런데 앞에서 본 것처럼 진짜 질문은 “진성불량과 가성불량을 가릴 수 있는가”입니다.

이 질문에 답하려면 샘플 구성을 업체가 아니라 우리가 설계해야 합니다. 세 종류를 반드시 섞으세요. 첫째, 누가 봐도 불량인 진성불량. 둘째, 검사기는 잡았지만 우리는 통과시키는 가성불량 — 먼지가 앉았거나 물 얼룩이 남았거나 광택 차이가 있는 제품들입니다. 셋째, 재검 때 사람마다 판정이 갈렸던 경계 샘플입니다. 세 번째가 특히 중요합니다. 현장에서 시간을 가장 많이 잡아먹는 물량이 정확히 거기 있으니까요. 잘 보이는 불량만 스무 장 보내면, 스무 장 다 맞히는 결과만 돌아옵니다.

샘플을 갖췄다면 조건을 맞춥니다. 가능하면 우리 라인의 조명 환경과 비슷하게 놓고 찍어야 합니다. 업체 데모실의 최적화된 조명에서 나온 성적은 우리 라인 성적을 예측해 주지 않습니다. 그리고 같은 샘플을 여러 번 통과시켜 판정이 일관되게 나오는지 확인하세요. 한 번은 불량, 한 번은 정상으로 나온다면 그 장비는 해당 결함에 대해 확신이 없는 상태입니다. 마지막으로 결과를 받을 때 정확도 숫자만 받지 말고 어디를 보고 그렇게 판정했는지 함께 요청하세요. 결함 위치를 제대로 짚었는지, 아니면 엉뚱한 부분을 보고 우연히 맞춘 것인지가 드러납니다. 우연히 맞은 판정은 라인에 올리면 재현되지 않습니다.

확인 항목	무엇을 볼 것인가
샘플 구성	진성불량·가성불량·경계 샘플 세 종류를 모두 넣었나
경계 샘플 비중	재검에서 판정이 갈렸던 샘플이 충분히 들어갔나
조명 조건	우리 라인과 비슷한 조명 환경에서 찍었나
재현성	같은 샘플을 반복 통과시켜도 같은 판정이 나오나
판정 근거	결함 위치를 정확히 짚었나, 우연히 맞춘 것은 아닌가
신규 유형	학습에 없던 결함이 나오면 어떻게 처리되나

불량을 라벨링하지 않고 학습하는 접근

두 번째 원인 — 진성·가성 기준이 흔들리면 학습 데이터도 흔들린다는 문제 — 를 다루는 길은 두 갈래입니다. 하나는 판정 기준을 문서로 정리해 라벨을 안정시키는 것이고, 다른 하나는 불량을 라벨링하는 단계 자체를 줄이는 것입니다. SAIGE VISION은 후자에 해당합니다. 불량 샘플을 모아 유형별로 이름을 붙이는 대신, 정상 이미지만 학습해 거기서 벗어나는 패턴을 찾아내는 방식으로 동작합니다. 비정형 결함처럼 사례가 드물고 모양이 매번 달라지는 유형에서 의미가 있는 접근입니다. 불량 데이터가 충분히 쌓일 때까지 기다리지 않아도 되니까요. 도입 방식도 기존 비전 검사 장비를 교체하지 않고 그 뒤에 얹는 구조라, 카메라와 조명은 그대로 둔 채 판정 단계만 보완할 수 있습니다.

자주 묻는 질문 (FAQ)

요약

• 비정형 결함이 안 잡히는 이유는 애초에 안 찍혔거나, 찍혔는데 진성·가성을 못 가르거나 둘 중 하나입니다.
• 광학 조건은 조명 방식과 픽셀당 실제 크기 두 가지로 계약 전에 검증할 수 있습니다.
• 데모는 진성불량·가성불량·경계 샘플 세 종류를 우리가 직접 구성해 돌려봐야 의미가 있습니다.

비전 검사 장비를 고르는 일은 결국 우리 결함을 우리 조건에서 직접 돌려본 결과로 판단하는 일입니다. 카탈로그의 정확도 숫자가 아니라, 우리가 구성한 샘플에서 나온 판정이 기준이 되어야 합니다.

※ 참고 출처: Commonlands Optics — Spatial Resolution in Machine Vision / A3 Automate — Machine Vision Lighting: A Brief Design Overview / Machine Vision Direct — Illumination Techniques / SAIGE VISION 이차전지 전 공정 AI 검사 사례

© SAIGE All Rights Reserved.