📌 핵심 요약
비전검사 소프트웨어는 크게 네 유형으로 나뉩니다. 장비 내장형과 룰베이스 라이브러리, 딥러닝 플랫폼과 오픈소스입니다. 고르는 기준은 모델 성능 하나가 아니라 판정이 기존 장비의 어디에 들어가고 누가 운영하느냐입니다. 라벨링과 재학습, 배포 이력을 맡을 사람이 없다면 도구 비용이 낮아도 운영에서 막힙니다.
비전검사 소프트웨어를 고를 때 먼저 볼 것은 알고리즘이 아니라 판정이 기존 장비의 어디에 들어가느냐입니다.
반도체 기판(PCB)을 만드는 한 고객사는 룰베이스 검사기가 올린 결함 후보를 사람이 다시 확인하는 부담이 컸습니다. 이 현장은 검사기를 바꾸지 않았습니다. 검출 결과를 AI가 한 번 더 판정하는 단계를 뒤에 붙이고, 재확인이 필요한 항목만 사람에게 넘겼습니다.
같은 검사 소프트웨어라도 이렇게 들어가는 자리가 다릅니다. 장비에 딸려 오는 프로그램, 직접 짜는 라이브러리, 학습까지 맡는 플랫폼은 담당자가 떠안는 일부터 달라집니다.
비전검사 소프트웨어 유형 비교
정해진 순위는 없습니다. 대신 유형마다 강한 자리와 먼저 물어야 할 질문이 다릅니다. 업체를 고르는 단계라면 비전 검사 업체 유형과 선정 기준을 함께 보면 좋습니다. 아래 표는 우리 라인에서 무엇부터 확인할지 정리하는 출발점으로 씁니다. 유형 하나로 모든 공정을 덮을 필요도 없습니다.
| 유형 | 판정 방식 | 강한 자리 | 먼저 확인할 것 |
|---|---|---|---|
| 장비 내장형 | 장비 제조사가 제공한 규칙·모델 | 정해진 품목의 반복 검사 | 신규 결함과 다른 장비로의 확장 범위 |
| 룰베이스 라이브러리 | 밝기·크기·위치 규칙을 직접 구현 | 치수·유무처럼 기준이 명확한 검사 | 규칙으로 정의되지 않는 결함 |
| 딥러닝 플랫폼 | 이미지로 학습한 모델 | 스크래치·이물 같은 비정형 결함 | 학습 데이터, 실행 환경, 운영 기능 |
| 오픈소스 | 모델과 파이프라인을 직접 구성 | 내부 개발 역량이 있는 연구·개발 조직 | 유지보수 담당과 현장 연동 공수 |
장비 내장형 비전검사 소프트웨어
장비 내장형은 검사기와 프로그램을 한 공급사가 맞춰 주는 방식입니다. 카메라, 조명, 판정 화면이 처음부터 묶여 있어 시작이 빠릅니다. 품목이 자주 바뀌지 않는 라인이라면 가장 단순한 선택지입니다.
약점은 경계에서 드러납니다. 신규 결함이 나오거나 다른 공급사의 장비를 함께 쓰면 공급사의 업데이트를 기다려야 하는 경우가 생깁니다. 계약 전에 판정 기준을 누가 얼마나 고칠 수 있는지부터 물어야 합니다. 장비 내장형은 설치와 교육이 한 업체 안에서 끝나는 장점이 있습니다. 반면 판정 로직이 장비에 묶여 있어 다른 라인으로 옮기기 어렵습니다. 같은 결함을 여러 라인에서 보는 공장이라면 기준을 한곳에서 관리할 수 있는지도 확인합니다. 라인을 늘릴 때 같은 판정 기준을 그대로 옮겨 쓸 수 있는지도 미리 물어봅니다. 교체 주기와 유지보수 범위도 함께 확인합니다.
룰베이스 라이브러리로 만드는 비전검사 소프트웨어
룰베이스 라이브러리는 밝기, 크기, 위치 같은 조건을 엔지니어가 직접 짜는 도구입니다. 판정 이유가 숫자로 남기 때문에 치수와 유무 검사에서는 여전히 강합니다. AI로 바꿔야 할 이유가 없는 공정도 많습니다.
문제는 기준을 조일수록 정상품까지 걸린다는 점입니다. 룰을 풀면 놓치는 불량이 늘고, 조이면 과검이 늘어나는 구조입니다. 조명과 표면 편차가 큰 제품일수록 규칙만으로 둘을 함께 잡기 어렵습니다.
그렇다고 기존 규칙을 버릴 필요는 없습니다. 규칙이 잘 맞는 항목은 그대로 두고, 과검이 몰리는 항목만 AI가 다시 판정하게 구성하면 됩니다. 라이브러리 방식은 규칙을 짜고 고칠 개발 인력이 있어야 유지됩니다. 담당자가 바뀌어도 규칙을 고칠 수 있도록 설정 근거를 문서로 남깁니다. 규칙 변경 이력도 날짜별로 남겨 둡니다.
딥러닝 플랫폼과 오픈소스, 어디까지 직접 할까
딥러닝 플랫폼과 오픈소스는 비정형 결함을 이미지로 학습한다는 점이 같습니다. 차이는 모델 바깥의 일을 누가 맡느냐입니다. 플랫폼은 데이터 관리부터 라벨링과 학습, 배포까지 한 도구로 묶습니다. 오픈소스는 이 연결을 팀이 직접 만듭니다.
오픈소스는 라이선스 비용이 없고 구조를 마음대로 바꿀 수 있습니다. 대신 담당 개발자가 떠나면 파이프라인도 함께 멈추기 쉽습니다. 개발 조직이 계속 붙어 있을 라인인지가 판단 기준입니다.
플랫폼을 비교할 때는 지원하는 판정 방식도 봅니다. 우리 결함에 맞는 판정 방식이 있어야 합니다. 분류와 검출, 세그멘테이션과 OCR, 이상 탐지 가운데 무엇이 필요한지 먼저 정합니다. 불량 샘플이 적은 공정이라면 정상 이미지만 학습하는 이상 탐지와 가상 결함 생성 기능을 먼저 확인합니다. 오픈소스를 쓰더라도 라벨링과 배포를 맡을 사람을 먼저 정합니다.
비전검사 소프트웨어, 모델보다 운영이 어려운 이유
모델은 시작일 뿐입니다. 데모에서 잘 나온 모델도 라인에 올리면 데이터와 품목, 조명이 계속 바뀝니다. 데모와 현장이 갈리는 광학 조건은 비정형 결함 글에서 따로 다뤘고, 여기서는 도구가 맡아야 할 운영 범위를 봅니다.
운영 범위를 정할 때는 사람과 도구의 몫을 나눠 적습니다. 누가 라벨링 기준을 정하고 누가 새 모델을 라인에 올리는지가 빠지면 도구가 있어도 멈춥니다. 도입 검토 단계에서 이 담당자를 이름으로 적어 두면 운영 공백을 미리 볼 수 있습니다. 아래 두 항목은 운영에서 먼저 끊기기 쉬운 지점입니다. 도구를 비교할 때도 이 두 지점을 얼마나 덜어 주는지를 기준으로 삼습니다. 담당자가 바뀌어도 같은 기준으로 운영되는지가 오래 쓰는 도구를 가르는 지점입니다. 운영 담당이 정해지면 도구 선택 기준도 그 사람의 일을 중심으로 다시 정리됩니다.
라벨링과 배포 이력은 누가 관리할까
불량 이미지에 정답을 다는 라벨링은 담당자가 바뀔 때마다 기준이 흔들리기 쉬운 작업입니다. 그래서 라벨을 빠르게 다는 기능만큼 기준을 함께 보는 화면이 있어야 합니다. 수작업 부담을 줄이는 방법은 AI 라벨링 글에 정리돼 있습니다.
배포 이력도 같은 문제입니다. 어느 라인에 어느 버전의 모델이 올라가 있는지 모르면 판정이 달라졌을 때 원인을 찾을 수 없습니다. 품질 감사에서 판정 근거를 물었을 때 답할 기록이 남아 있어야 합니다. 라벨링 기준이 사람마다 다르면 같은 결함이 서로 다른 이름으로 쌓입니다. 그래서 결함 이름과 판정 예시를 정한 기준서를 먼저 만듭니다. 모델을 바꿀 때마다 어떤 데이터로 학습했는지 함께 기록하면 성능이 달라진 원인을 거슬러 찾을 수 있습니다. 기준서는 신규 결함이 생길 때마다 함께 고칩니다.
현장 데이터 재학습이 끊기는 지점
재학습은 대개 도구가 없어서가 아니라 데이터가 돌아오지 않아서 끊깁니다. 검사자가 고친 판정이 학습 데이터로 이어지지 않으면 모델은 처음 상태에 머뭅니다. 과검과 미검을 고친 결과를 모으는 경로가 먼저 있어야 합니다. 판정에 보류 상태를 두면 사람이 다시 볼 이미지만 따로 모을 수 있고, 여기서 나온 판정이 다음 학습의 재료가 됩니다.
신규 불량이나 레시피 변경은 이 경로를 가장 먼저 시험합니다. 양산 뒤에 어떤 일이 벌어지는지는 AI 비전검사 한계 글에서 이어서 다룹니다.
비전검사 소프트웨어 선택 체크리스트
기능 목록을 비교하기 전에 두 가지를 먼저 확인합니다. 지금 쓰는 장비와 어떻게 이어지는지, 그리고 라인 속도 안에서 어디에 설치해 돌릴지입니다. 도입 절차 전체는 품질검사 자동화 단계 글에서 볼 수 있습니다.
체크리스트는 업체 설명을 듣기 전에 우리 쪽 조건부터 적는 데 씁니다. 장비 모델과 통신 방식, 라인 속도, 설치할 PC 위치를 먼저 정리합니다. 이 조건이 정해져 있어야 업체마다 답을 같은 기준으로 비교할 수 있습니다. 샘플 테스트를 요청할 때도 같은 조건을 함께 전달합니다. 조건이 빠진 상태의 데모 결과는 우리 라인 결과와 다를 수 있습니다. 그래서 체크리스트는 도입 결정 뒤에도 설치 범위를 확인하는 문서로 계속 씁니다. 설치 뒤에 조건이 바뀌면 이 문서부터 고쳐 이력을 남깁니다.
비전검사 소프트웨어의 SDK와 장비 연동 범위
장비사 엔지니어에게는 학습 화면보다 SDK가 먼저입니다. 학습된 모델을 기존 검사 프로그램에서 호출할 수 있는지, 판정 결과를 어떤 형식으로 돌려주는지 문서로 확인합니다. 장비 교체 없이 판정만 더하는 방법은 비전검사기 업그레이드 글에서 다룹니다.
SAIGE VISION은 데이터 관리부터 라벨링과 모델 학습, 배포까지 한 흐름으로 제공합니다. 학습된 모델은 SDK로 현장에 적용합니다. 룰 기반 AOI 뒤에 AI 필터를 더한 세이지 적용 현장에서는 과검률이 3% 수준으로 내려갔고, 결함 후보의 80%를 AI가 자동 판정했습니다. 수치는 라인과 제품에 따라 달라지므로 우리 샘플로 다시 재야 합니다. 연동 시험에는 실제 라인의 트리거 신호와 결과 전송 방식까지 포함합니다.
현장 설치형 비전검사 소프트웨어와 택타임
검사 이미지를 회사 밖으로 내보낼 수 있는지는 초기에 정해야 합니다. 보안 기준이 엄격한 라인이라면 현장 설치형인지부터 확인합니다. SAIGE VISION은 현장 설치형으로 제공되어 검사 이미지가 회사 밖으로 나가지 않습니다.
검사 방식도 이 단계에서 정합니다. 이미지를 얻는 즉시 판정하는 실시간 검사는 택타임 안에 결과를 내야 하고, 저장된 이미지를 묶어 판정하는 일괄 검사는 시간 여유가 있습니다.
실행 환경은 택타임과 함께 봅니다. 2026 AI 머신비전 컨퍼런스에서 세이지 대표가 설명했듯, 지금의 AI 비전 검사기는 카메라 한두 대마다 GPU 검사 PC와 전장 일식이 붙는 구조입니다. 그래서 라이선스뿐 아니라 검사 PC, 전력, 배선 공수까지 같이 계산해야 합니다. 비용을 품의서에 옮기는 방법은 비전검사 비용 글에 있습니다.
비전검사 소프트웨어 자주 묻는 질문
라이브러리는 검사 기능을 조합할 수 있는 부품에 가깝습니다. 검사 소프트웨어는 여기에 판정 화면, 결과 저장, 장비 연동까지 묶은 완성형을 뜻하는 경우가 많습니다. 내부 개발자가 있다면 라이브러리가, 없다면 완성형이 맞습니다.
라이선스 비용은 줄지만 전체 비용이 반드시 줄지는 않습니다. 라벨링 도구와 배포 관리, 장비 연동과 유지보수를 직접 만들고 지켜야 하기 때문입니다. 담당 인력의 공수를 함께 계산해 비교합니다.
학습과 고속 라인의 추론에는 GPU를 쓰는 구성이 일반적입니다. 다만 필요한 사양은 이미지 크기, 모델 구조, 택타임에 따라 달라집니다. 우리 라인 조건으로 추론 시간을 직접 재 보는 방법이 가장 정확합니다.
네, 현장 설치형으로 제공합니다. 검사 이미지가 회사 밖으로 나가지 않으며, 학습된 모델은 SAIGE VISION SDK를 통해 현장 검사 프로그램에 적용합니다. 연동 범위는 장비 구성에 따라 샘플 이미지로 먼저 확인합니다.
비전검사 소프트웨어 핵심 요약
- 검사 소프트웨어 네 유형은 강한 자리가 서로 다릅니다. 장비 내장형과 룰베이스 라이브러리, 딥러닝 플랫폼과 오픈소스입니다.
- 라벨링, 배포 이력, 재학습을 누가 맡는지까지 도구 비용과 함께 따집니다.
- SDK 연동, 설치 방식, 택타임을 우리 샘플로 확인한 뒤 고릅니다.
- 업체를 비교하기 전에 우리 장비와 라인 조건부터 적어 두고 모든 업체에 같은 기준으로 묻습니다.
📚 함께 읽으면 좋은 글
- AI 비전검사 원리와 도입 가이드 — AI 판정의 원리부터 보고 싶을 때
- 룰베이스 과검을 줄인 PCB 외관검사 사례 — 기존 장비에 AI 필터를 연동한 흐름
- 제조업에 특화된 MLOps의 필요성 — 배포 뒤 모델 운영을 더 깊게 볼 때
참고 출처
- SAIGE VISION 제품 페이지 (세이지, 2026.10 수정본)
- 룰베이스 PCB 외관검사 구축 사례 (세이지)
- 홍영석, 「AI 품질 검사의 확장 방향」, 2026 AI 머신비전 컨퍼런스 발표자료 (2026.10.16)
© SAIGE All Rights Reserved.