📌 핵심 요약
품질검사 자동화는 장비를 새로 사는 일보다 사람이 다시 보는 공정을 줄이는 일에서 시작하는 것이 현실적입니다. 치수·유무처럼 기준을 숫자로 쓸 수 있으면 룰베이스로 충분합니다. 긁힘·이물처럼 규칙으로 정의하기 어려운 결함부터 AI가 필요합니다. 기존 검사기를 그대로 두고 재확인 구간에 AI 판정을 더하면 효과를 먼저 숫자로 확인할 수 있습니다.
품질검사 자동화의 첫 대상은 가장 비싼 장비가 아니라, 사람이 가장 오래 붙잡혀 있는 재확인 공정입니다.
지난 10월 19일부터 사흘간 현대차·기아는 이포레스트 테크데이 2026에서 터널형 외관검사 비전 기술을 선보였습니다. 차량을 터널형 장치에 넣어 외관을 검사하는 기술입니다. 그동안 외부 전문 업체의 시스템을 쓰던 검사를 품질 향상을 위해 직접 개발했고, 앞으로 국내외 공장에 적용할 계획이라고 밝혔습니다.
완성차의 외관 검사가 데이터로 쌓이면 협력사가 받는 품질 요구도 같은 방향으로 움직일 가능성이 있습니다. 이 대목은 공개 자료에 나온 사실이 아니라 SAIGE의 해석입니다. 다만 모든 협력사가 터널형 장비를 들일 필요는 없습니다. 우리 라인의 결함과 재검 공수를 기준으로 어느 단계까지 바꿀지 정하면 됩니다.
품질검사 자동화, 육안·룰베이스·AI 3단계
세 방식은 앞의 것을 지우고 넘어가는 순서가 아닙니다. 같은 라인에서도 공정과 결함에 따라 섞어 씁니다. KGC가 원주공장에 도입한 AI 기반 실링 검사기도 내부 이물은 엑스레이로, 외관 이상은 AI 비전검사로 나눠 확인합니다.
어떤 방식을 고를지는 결함을 숫자로 정의할 수 있는지, 판정 기준이 문서로 합의됐는지에 달려 있습니다. 아래에서는 세 방식이 각각 맞는 자리와 한계를 차례로 봅니다. 한 라인 안에서도 공정마다 답이 다를 수 있습니다. 공정 단위로 나눠 보면 어느 구간을 먼저 바꿀지 판단이 쉬워집니다. 세 방식은 드는 비용의 성격도 다릅니다. 육안검사는 매달 인건비로, 룰베이스는 규칙 관리 시간으로 비용이 나갑니다. 딥러닝은 데이터 수집과 재학습 시간이 주된 비용입니다. 비용의 성격이 다르면 비교 기준도 달라집니다.
품질검사 자동화 전에도 육안검사가 맞는 공정
육안검사는 아직 사라질 방식이 아닙니다. 생산량이 적거나 품목이 자주 바뀌어 장비 투자를 회수하기 어려운 공정이면 사람의 눈이 합리적입니다. 판정 기준이 문서로 합의되지 않은 결함도 마찬가지입니다. 사람마다 다르게 판정하는 결함을 장비로 옮기면 그 편차까지 함께 옮겨집니다.
한계도 분명합니다. 검사자에 따라 기준이 달라지고, 숙련자가 빠지면 같은 품질을 유지하기 어렵습니다. 인력 공백이 품질에 미치는 영향은 육안검사 인력이 줄면 야간 검사는 어떻게 될까에서 다룹니다.
육안검사를 유지하더라도 판정 기준은 글과 사진으로 남겨 둡니다. 한도 견본과 불량 사진을 모아 두면 검사자가 바뀌어도 판정 폭을 좁힐 수 있습니다. 이렇게 쌓인 기록은 나중에 자동화로 넘어갈 때 학습 재료가 됩니다.
룰베이스가 맞는 공정
룰베이스 비전검사는 밝기·크기·위치 같은 기준을 사람이 정해 두고, 벗어나면 불량 후보로 잡습니다. 치수·유무·위치·정렬처럼 기준을 숫자로 쓸 수 있는 검사에 강합니다. 판정 이유가 규칙으로 남아 설명하기 쉽다는 장점도 있습니다.
약점은 규칙으로 정의되지 않는 변화입니다. 기준을 조이면 정상까지 걸리는 과검이 늘고, 풀면 불량을 놓치는 미검이 늘어납니다. 룰 조정만으로 둘을 함께 줄이기 어려운 이유는 AOI 과검률이 오르는 이유에서 자세히 다뤘습니다.
💡 과검과 미검
과검(Overkill)은 검사기가 불량이라 했는데 사람이 양품으로 바꾼 경우입니다. 미검(Underkill)은 검사기가 양품이라 했는데 사람이 불량으로 바꾼 경우입니다.
품질검사 자동화에 딥러닝이 필요한 결함
긁힘·이물·찍힘·얼룩처럼 모양과 위치가 매번 다른 결함은 규칙으로 쓰기 어렵습니다. 이런 비정형 결함에는 정상·불량 이미지를 학습하는 딥러닝 방식이 맞습니다. 규칙을 더 촘촘히 쓰는 것으로는 풀리지 않는 영역입니다.
딥러닝이 모든 문제를 푸는 것은 아닙니다. 결함이 이미지에 찍히지 않으면 어떤 모델도 판정하지 못합니다. 조명과 해상도가 먼저 맞아야 하는 이유는 비정형 결함이 데모와 현장에서 다른 이유에 정리했습니다.
딥러닝은 정해진 규칙 대신 사례로 기준을 배웁니다. 그래서 정상품의 모양 편차가 클수록 정상 이미지를 넉넉히 모아야 합니다. 판정 결과를 사람이 다시 확인해 학습에 돌려주는 구조까지 갖춰야 현장 성능이 유지됩니다. 한 번 학습하고 끝내는 방식으로는 새로 나타나는 불량에 대응하기 어렵습니다.
품질검사 자동화 판단 기준
어느 단계가 맞는지는 업종보다 결함과 공수에서 갈립니다. 아래 표를 우리 라인 기준으로 채우면 상사에게 올릴 근거가 됩니다.
표의 네 항목은 서로 따로 움직이지 않습니다. 결함 모양이 비정형이어도 재확인 물량이 적으면 육안검사로 버틸 수 있습니다. 반대로 숫자로 정의되는 결함이라도 품종이 자주 바뀌면 규칙 관리 부담이 커집니다. 한 항목만 보고 결론을 내리지 말고 네 칸을 함께 채워 봅니다.
| 확인할 것 | 육안검사 유지 | 룰베이스 | AI 추가 검토 |
|---|---|---|---|
| 결함 모양 | 판정 기준 미합의 | 숫자로 정의 가능 | 모양·위치가 매번 다름 |
| 재확인 공수 | 물량이 적어 부담 작음 | 후보가 적어 부담 작음 | 불량 후보 재확인이 많음 |
| 품종 변경 | 소량에 변경이 잦음 | 변경이 적음 | 변경이 있어도 재학습 담당이 있음 |
| 불량 샘플 | 거의 없음 | 많지 않아도 됨 | 정상 이미지나 소량 불량 확보 |
결함 유형과 과검 공수
먼저 불량을 유형별로 나누고, 유형마다 불량 후보가 몇 건 올라오는지 셉니다. 그다음 사람이 재확인해 양품으로 되돌린 건수를 붙입니다. 되돌리는 비율이 높은 유형이 첫 번째 후보입니다.
재검 일지가 없어도 시작할 수 있습니다. 한 교대분의 불량 후보를 표본으로 잡아 유형과 재검 시간만 적어도 첫 판단에는 충분합니다. 야간과 주간을 나눠 세면 검사자별 편차도 함께 보입니다.
과검은 재검 공수만 키우지 않습니다. 재확인이 반복되면 검사자가 진짜 불량을 놓치기 쉬워지고, 수율 데이터도 흐려집니다. 이 숫자가 없는 상태에서 솔루션을 비교하면 어떤 제안이 맞는지 판단할 기준이 사라집니다. 유형별 숫자를 표 한 장으로 정리해 두면 PoC 합격 기준을 정할 때 그대로 쓸 수 있습니다. 재확인 시간이 특히 긴 유형에는 따로 표시를 해 둡니다.
품종 변경 빈도로 보는 품질검사 자동화
공정은 크게 연속 공정과 배치 공정으로 나뉩니다. 컨베이어·식품·제지처럼 같은 제품이 이어지는 연속 공정은 레시피 변경이 적습니다. 반도체·PCB처럼 로트 단위로 움직이는 배치 공정은 변경이 잦습니다.
변경이 잦은 라인은 초기 정확도보다 유지 부담을 먼저 봐야 합니다. 룰베이스는 품목마다 규칙을 다시 짜야 하고, AI는 새 품목 데이터를 모아 다시 학습해야 합니다. 둘 다 공짜가 아닙니다. 누가, 얼마나 자주, 어떤 도구로 바꿀지 정해 두지 않으면 도입 뒤 성능이 서서히 떨어집니다.
변경이 잦은 라인이라면 신규 품목이 들어올 때 필요한 이미지 수와 재학습 일정을 미리 정합니다. 품목 전환 첫 주의 과검·미검을 따로 기록하면 유지 부담을 숫자로 볼 수 있습니다. 이 기록은 다음 품목 전환 계획을 세울 때도 기준이 됩니다.
불량 데이터 양은 얼마나 필요할까
정해진 장수는 없습니다. 결함 크기, 정상품 편차, 목표 미검률에 따라 달라집니다. 불량 샘플이 적은 현장은 정상 이미지만 학습해 벗어난 것을 찾는 이상 탐지(Anomaly Detection)를 검토할 수 있습니다. 실제와 비슷한 가상 결함 이미지를 만드는 방식(Defect Generation)도 있습니다.
그렇다고 불량을 전혀 모으지 않아도 된다는 뜻은 아닙니다. 성능을 확인할 실제 불량 샘플이 있어야 과검과 미검을 잴 수 있습니다. 샘플은 로트와 조명 조건이 섞이게 모으고, 눈에 잘 띄는 불량만 고르지 않습니다. 정상 이미지도 원자재 로트나 계절에 따라 달라지므로 한 시점에만 모으지 않습니다. 수집 기간과 조건을 함께 적어 두면 PoC 결과를 해석할 때 근거가 됩니다. 샘플 목록에는 촬영 날짜도 함께 남깁니다.
품질검사 자동화 순서, 재확인 공정부터
가장 어려운 공정부터 손대면 첫 프로젝트에서 멈추기 쉽습니다. 품질검사 자동화는 효과를 숫자로 확인하기 쉬운 구간에서 시작해 넓혀 가는 것이 안전합니다.
첫 구간이 정해지면 그 구간의 현재 수치부터 기록합니다. 기준선이 있어야 다른 라인으로 넓힐지 숫자로 결정할 수 있습니다. 첫 구간에서 정한 라벨링 기준과 운영 방식은 다음 라인에서 그대로 다시 씁니다. 그래서 첫 구간은 성과만큼 운영 방식을 정리하는 기회로 봐야 합니다. 확산 순서를 처음부터 다 정할 필요는 없습니다. 첫 구간 결과를 보고 재확인 비중이 다음으로 큰 구간을 고르면 됩니다. 이렇게 하면 투자 규모를 단계마다 다시 판단할 수 있고, 현장 담당자의 부담도 한 번에 몰리지 않습니다. 확산 결정은 첫 구간의 전후 수치를 보고 내리고, 그 자리에서 다음 구간 후보도 함께 정합니다.
품질검사 자동화의 첫 대상이 재확인 공정인 이유
재확인 공정에는 이미 이미지가 있고, 사람의 판정 결과도 남아 있습니다. 학습 재료와 정답이 함께 있는 구간입니다. 기존 검사기의 결과를 그대로 쓰기 때문에 라인을 크게 바꾸지 않아도 됩니다.
효과를 재기도 쉽습니다. 재확인 대상 수, 재검 시간, 과검·미검 건수를 전후로 비교하면 됩니다. 세이지 적용 현장에서는 룰 기반 AOI 뒤에 AI 필터를 더해 과검률을 3% 수준까지 낮췄습니다. 결함 후보의 80%를 AI가 자동 판정하고, 육안 재검은 20%만 남았습니다. 값은 라인과 제품에 따라 달라집니다.
AI가 판정을 전부 가져가는 구조도 아닙니다. 판정을 양품(OK)과 불량(NG)으로만 나누지 않고 보류(Hold)를 둡니다. 애매한 건은 사람에게 넘기고, 그 결과를 다시 학습 재료로 씁니다.
시작 범위는 좁을수록 좋습니다. 라인 하나와 재확인 비중이 큰 결함 유형 한두 개로 시작합니다. 범위가 좁아야 라벨링 기준을 빨리 합의하고, 전후 수치도 흔들림 없이 비교할 수 있습니다.
PCB 라인 사례, 장비는 두고 판정만 바꾼 과정
🏭 반도체 기판(PCB) 제조사 현장 (고객사 정보는 익명 처리)
룰베이스 검사기가 결함 후보를 많이 올려 육안 재확인 부담이 커지고 있었습니다. SR 잉크와 표면 반사처럼 정상 패턴의 변형이 많고, 신규 모델 전개도 잦았습니다. 이 현장은 검사기를 바꾸지 않고 룰베이스 결과를 AI가 OK·NG·재검으로 나누도록 흐름을 바꿨습니다. 재확인이 필요한 항목만 사람에게 넘어가면서 재검 공수가 줄었습니다.
눈여겨볼 점은 기존 검사 기준을 그대로 활용했다는 것입니다. 현장 데이터를 다시 학습해 과검을 계속 낮추는 구조도 함께 만들었습니다.
재확인 공정이 없는 현장도 있습니다. 광학 렌즈 제조 현장은 숙련 검사 인력이 부족해 야간 생산분 검사가 늦어지는 것이 병목이었습니다. 이 현장은 렌즈마다 검사 영역을 자동으로 잡아 표면 결함을 AI가 판정하는 체계를 구축하고 있습니다(구축 진행 중).
품질검사 자동화에서 결재자가 묻는 것
담당자가 확신해도 결재는 다른 질문에서 갈립니다. 팀장과 공장장이 보는 것은 정확도 숫자보다 비용과 실패 위험입니다.
담당자는 기술 검토 결과를 결재자의 언어로 옮겨야 합니다. 정확도 대신 줄어드는 재검 시간과 남는 위험을 적고, 실패했을 때 되돌리는 방법도 함께 적습니다. 결재자가 묻기 전에 답을 준비해 두면 검토가 빨라집니다. 아래 두 질문은 품의서에서 빠지기 쉬운 항목입니다. 품의서는 기술 문서가 아니라 의사결정 문서입니다. 결재자가 바로 판단할 수 있도록 한 장 안에 숫자와 위험, 다음 단계를 담습니다. 자세한 기술 내용은 첨부로 돌리고, 결재 뒤 무엇을 언제 보고할지도 미리 적어 둡니다. 보고 항목은 재확인 건수, 미검 건수, 보류 처리 시간처럼 처음 기준선과 같은 숫자로 맞춥니다. 그래야 결재자가 전후를 바로 비교할 수 있습니다.
품질검사 자동화의 비용 대비 효과
품의서에는 장비값과 함께 지금 치르고 있는 비용을 적어야 합니다. 재확인 건수에 건당 재검 시간과 인건비를 곱하면 재검 비용이 나옵니다. 여기에 불량 유출 클레임과 야간 검사 지연, 고객사 품질 감사 대응 부담을 항목으로 더합니다.
효과는 금액 하나로만 적지 않습니다. 재확인 대상이 얼마나 줄었는지, 미검이 늘지 않았는지, 검사 이력이 남는지를 함께 보여 줍니다. 과검만 줄고 미검이 늘었다면 그 자동화는 성공이 아닙니다. 도입 전 한 달 치 재검 기록을 기준선으로 잡아 두면 전후 비교가 쉬워집니다. 재확인 건수와 미검 건수는 같은 기간으로 맞춰 비교합니다.
항목별 계산은 비전검사 비용, 장비값보다 재검 공수를 먼저 계산해야 하는 3가지 이유에서 다룹니다. 예산이 부담이라면 제조 AI 지원사업을 함께 검토할 수 있습니다.
실패 위험과 PoC
가장 흔한 실패는 데모에서 잡히던 결함을 우리 라인에서 놓치는 경우입니다. 그래서 PoC(개념 검증)는 합격 기준부터 문서로 정합니다.
- 어떤 결함을 불량으로 볼지 정의합니다.
- 과검과 미검의 목표 수치를 합의합니다.
- 택타임 안에 판정이 끝나는지 재는 방법을 정합니다.
- 보류 건을 누가 처리할지 정합니다.
PoC를 통과한 뒤의 운영도 결재 항목입니다. 신규 불량이 나오거나 레시피가 바뀌면 모델을 다시 학습해야 합니다. 누가 라벨링 기준을 관리하고 어떤 주기로 모델을 배포할지를 품의서에 함께 적으면 실패 위험에 대한 답이 됩니다.
SAIGE VISION은 기존 검사 장비를 바꾸지 않고 그 결과를 AI가 다시 판정하는 방식으로 적용할 수 있습니다. 데이터 관리부터 라벨링, 모델 학습, 배포까지 한 곳에서 다룹니다. 현장 설치형이라 검사 이미지가 회사 밖으로 나가지 않습니다.
도입은 샘플 확인부터 시작합니다. 결함과 목표를 협의하고 샘플로 가능성을 본 뒤, 학습과 프로그램 개발을 거쳐 현장에 연동합니다. 운영 중에는 현장 피드백으로 모델을 다시 학습합니다.
품질검사 자동화 자주 묻는 질문
사람이 결함 후보를 다시 확인하는 공정부터 시작하는 것이 현실적입니다. 이미지와 사람의 판정 결과가 함께 있어 효과를 재기 쉽기 때문입니다.
전부 없애는 것을 첫 목표로 삼기는 어렵습니다. 소량 품목이나 기준이 합의되지 않은 결함은 사람이 맡고, 반복 판정부터 줄이는 방식이 일반적입니다.
네, 같이 쓸 수 있습니다. 룰베이스가 치수·유무와 1차 후보를 맡고, AI가 후보를 다시 판정해 과검을 거르는 구성이 대표적입니다.
네, 가능합니다. SAIGE VISION은 검사 대상과 결함, 목표 기준을 협의한 뒤 샘플 이미지로 가능성을 먼저 확인합니다. 그 결과를 보고 라벨링과 모델 학습, 현장 연동으로 넘어갑니다.
품질검사 자동화 핵심 요약
- 육안검사, 룰베이스, 딥러닝은 결함과 공정에 따라 섞어 쓰는 방식입니다.
- 단계는 네 가지로 판단합니다. 결함 유형과 재확인 공수, 품종 변경과 불량 샘플입니다.
- 품질검사 자동화는 이미지와 정답이 함께 있는 재확인 공정부터 시작하는 것이 안전합니다.
- 결재에는 현재 재검 비용과 PoC 합격 기준을 함께 올립니다.
📚 함께 읽으면 좋은 글
- AI 검사 솔루션 가이드 — 도입이 멈추는 장벽을 시장 흐름과 함께 봅니다.
- 비전 검사 업체, 어떻게 고를까? — 단계를 정한 뒤 업체 유형을 고를 때 참고합니다.
참고 출처
- 현대자동차그룹, 이포레스트 테크데이 2026 개최 (2026.10)
- 전자신문, KGC AI 품질검사·태양광 확대 (2026.11.4)
- SAIGE, PCB 외관검사 구축 사례
- SAIGE, 렌즈 외관검사 자동화 사례 (구축 진행 중)
© SAIGE All Rights Reserved.