[성공 사례] "장비가 놓친 결함은 모두 사람 몫", 글로벌 전자부품·정밀 기자재 제조사의 외관 검사 AI 전환
전자부품·정밀 기자재 외관 검사에서 룰 기반 장비의 한계로 정체된 직행률을, 딥러닝 AI 재판정 체계로 바꿔가고 있는 사례입니다.
전자부품과 정밀 제품 산업에서 품질의 기준은 '무결점'에 가까워지고 있습니다. 완제품의 성능이 그 안에 들어가는 기자재의 표면 품질에서 갈리기 때문입니다. 검사에 대한 투자도 같은 속도로 커지고 있습니다. Mordor Intelligence에 따르면 글로벌 표면 비전 검사 장비 시장은 2026년 50.9억 달러에서 2031년 74.6억 달러 규모로 성장할 전망이며, 반도체 공정의 무결점 제조 요구가 성장을 이끌고 있습니다.
그런데 장비 투자가 곧 검사 완결로 이어지지는 않습니다. 자동 광학 검사 장비(AOI·AFVI)는 미리 정의된 규칙으로 결함을 찾기 때문에, 찍힘·눌림·미세 스크래치처럼 형태가 일정하지 않은 표면 결함 앞에서는 커버리지가 급격히 떨어집니다. 룰을 강화하면 정상품까지 불량 후보로 쏟아지고(과검), 완화하면 불량이 고객사로 흘러갑니다(미검). 그 간극은 결국 사람의 눈이 메우게 되고, 정밀 기자재일수록 육안 재검 의존은 더 깊어집니다.
글로벌 생산 거점을 운영하는 전자부품·정밀 기자재 제조사 P사도 같은 구조에 갇혀 있었습니다. 늘어나는 수주 물량을 소화하려면 해외 생산 공장의 검사 병목부터 해소해야 했지만, 검사 장비를 늘리는 것만으로는 답이 되지 않았습니다. P사는 슈퍼브에이아이와 함께 단계적 검증을 거쳐, 딥러닝 AI 기반의 외관 검사 판정 체계 구축을 진행하고 있습니다.
글로벌 전자부품·정밀 기자재 제조사의 외관 검사 AI 전환 사례
검사 장비를 들여도 직행률은 제자리였다
P사의 외관 검사 공정은 자동 광학 검사 장비가 1차로 결함 후보를 걸러내고, 검사 인력이 육안으로 최종 판정하는 이중 구조였습니다. 문제는 이 구조에서 사람 손을 거치지 않고 통과하는 물량, 즉 직행률이 사실상 정체되어 있었다는 점입니다.
룰 기반 검출의 낮은 커버리지
자동 광학 검사 장비는 미리 정의된 규칙으로만 결함을 찾기 때문에 탐지할 수 있는 결함 유형이 일부에 그쳤고, 나머지 대부분은 장비를 통과해 사람이 잡아내야 하는 영역으로 남았습니다.
과검이 만든 전수 재검 구조
장비는 미검출을 막기 위해 조금이라도 의심스러우면 불량 후보로 처리합니다. 그 결과 정상품까지 재검 대기열에 쌓였고, 검사 인력이 제품당 수 분씩 걸리는 육안 검사를 사실상 전수 수행했습니다. 공장 인력의 상당 부분이 검사 업무에 묶이면서, 생산량이 검사 인력 규모에 종속되는 구조가 굳어져 있었습니다.
축적되지 않는 검사 이력 데이터
기존 검사 공정에서는 판정의 근거가 되는 검사 이력 데이터가 축적되지 않는 구조였습니다. 불량의 원인을 분석하거나 검사 기준을 개선하려 해도 근거 데이터가 없어, 품질 관리가 그날그날의 판정으로 끝나는 한계가 있었습니다.
장비 교체 없이 판정 구조를 바꾸는 외관 검사 AI 재판정
P사가 요구한 방향은 분명했습니다. 초기 비용과 리스크를 줄이기 위해 하드웨어 교체 없이, 소프트웨어 중심으로 접근한다는 것입니다. 슈퍼브에이아이는 기존 장비가 쏟아내는 불량 후보를 딥러닝 AI가 2차로 재판정해 진짜 결함과 가짜 결함을 구분하는 구조를 설계했고, AI 판정이 직행률 개선으로 실제 이어지는지를 사업의 판단 기준으로 삼았습니다.
슈퍼브 플랫폼은 데이터 수집부터 라벨링, 학습, 평가까지 AI 모델 개발 전 과정을 하나의 파이프라인으로 자동화하는 비전 인텔리전스 플랫폼입니다. 이번 사업의 데이터 구축과 반복 학습도 이 파이프라인 위에서 진행되고 있습니다.
1. 결함 데이터 전수 분석으로 우선순위 확정
먼저 해외 생산 공장에서 확보한 대규모 검사 이미지와 결함 데이터를 분석했습니다. 백여 개가 넘는 불량 코드로 흩어져 있던 결함을 발생 빈도와 품질 영향도 기준으로 재분류하자, 오염·이물·구김·찍힘·들뜸·박리·스크래치 등 소수의 상위 결함군에 발생이 집중되는 파레토 구조가 확인됐습니다. 전 결함을 한 번에 노리는 대신, 직행률에 영향이 큰 상위 결함군부터 학습하는 우선순위가 이 분석에서 나왔습니다.
2. 반복 학습으로 결함 인식 범위를 단계적으로 확장
라벨링 가이드 수립, 어노테이션, 학습, 평가로 이어지는 사이클을 짧은 주기로 반복하며 모델을 고도화합니다. 미세 패턴 인식에 강한 트랜스포머(Transformer) 계열 모델을 적용해 사전 검증 단계에서 반복 학습에 따른 성능 개선 추세를 확인했고, 구축 단계에서는 학습 데이터와 결함 유형을 넓혀가며 인식 범위를 확장하고 있습니다.
3. 신뢰도 기반 자동 직행 구조 설계
모델 개발과 함께, AI 판정 결과를 신뢰도(Confidence)에 따라 세 구간으로 나누는 운영 구조를 설계했습니다. 고신뢰 구간은 사람 개입 없이 자동 직행하고, 중신뢰 구간은 검사 전문가가 검토하며, 저신뢰 구간은 재학습 대상으로 분류합니다. 사람이 검토한 결과는 다시 학습 데이터로 쌓여(HITL, Human-in-the-Loop) 자동 직행 구간이 점차 넓어지는 구조입니다.
검사 라인에 생기고 있는 변화
이번 사업의 목표는 검사 장비의 교체가 아니라 판정 구조의 전환입니다. 구축이 진행되면서 다음과 같은 변화가 나타나고 있습니다.
- 감으로 알던 결함이 데이터가 되고 있습니다: 육안으로만 확인되던 결함이 유형·빈도·분포 데이터로 정리되면서, 어떤 결함이 어디서 자주 발생하는지 보여주는 결함 지도가 만들어지고 있습니다. 품질 개선의 근거 자료가 쌓이기 시작한 것입니다.
- 판정의 기준이 생기고 있습니다: 사람마다 다르던 판정을 AI 신뢰도 구간이라는 공통 기준 위에 올려, 숙련도에 따른 품질 편차를 줄일 토대를 마련했습니다.
- 육안 재검의 부하가 줄어드는 구조를 확보했습니다: AI가 과검(가짜 불량)을 걸러내면 검사 인력은 판단이 어려운 진짜 불량 후보에만 집중하게 됩니다. 직행률과 검사 효율을 함께 끌어올리는 구조입니다.
- 투자 리스크를 단계적으로 관리하고 있습니다: 대규모 설비 투자에 앞서 소프트웨어 중심 검증으로 가능성을 확인한 뒤 구축에 들어가, 단계마다 성과를 확인하고 다음 투자를 결정하는 방식으로 진행하고 있습니다.
과검 필터링에서 글로벌 확산까지, 단계별 확장 로드맵
이번 사업은 데이터 범위와 결함 커버리지를 넓혀가는 단계별 시나리오로 설계됐습니다.
- 1단계: 기존 검사 장비에 AI 재판정을 연동해 과검(가짜 불량)을 필터링, 육안 재검 부하 경감
- 2단계: 검사 원본 이미지까지 데이터 확보 범위를 넓혀, 장비가 놓치던 미검출 영역까지 AI 검사 범위 확대
- 3단계: AI 중심 검사 체계로 전환하고, 검증된 모델을 글로벌 생산 거점으로 확산
정밀 기자재 외관 검사, 룰의 한계는 데이터로 넘습니다
전자부품·정밀 기자재의 외관 검사는 룰 기반 장비만으로 완결되지 않습니다. 무결점 요구는 높아지는데 결함의 형태는 점점 미세하고 비정형적이어서, 룰과 육안 사이의 간극이 검사 병목이 되기 때문입니다. P사의 사례는 장비를 바꾸지 않고도, 장비가 쏟아내는 판정 데이터를 딥러닝 AI로 다시 읽는 것만으로 이 간극을 좁혀갈 수 있음을 보여줍니다.
슈퍼브에이아이는 결함 데이터 분석과 라벨링, 반복 학습, 신뢰도 기반 운영 설계까지 제조 현장의 검사 AI 도입 전 과정을 함께합니다.
자주 묻는 질문 (FAQ)
기존 자동 광학 검사 장비(AOI)를 교체해야 하나요?
아니요. 기존 장비가 1차로 검출한 이미지를 딥러닝 AI가 2차 재판정하는 구조라 하드웨어 투자 없이 시작할 수 있습니다. 이번 사례도 기존 장비에서 수집된 데이터를 기반으로 진행되고 있습니다.
결함 데이터가 많지 않아도 학습이 가능한가요?
가능합니다. 결함 발생 분포를 먼저 분석해 빈도와 품질 영향도가 큰 상위 유형에 학습을 집중하고, 짧은 주기의 반복 학습으로 성능을 끌어올립니다. 운영 중 쌓이는 검토 결과를 재학습에 활용해 희귀 결함까지 단계적으로 확장합니다.
도입은 어떤 절차로 진행되나요?
보유하신 검사 데이터의 분석에서 시작합니다. 결함 분포와 데이터 품질을 진단해 적용 가능 범위를 먼저 확인하고, 소규모 검증으로 성능과 효과를 확인한 뒤 본 구축으로 확장하는 단계적 절차로 진행됩니다.
해외 공장의 생산 데이터 보안은 어떻게 관리되나요?
데이터는 보안 환경을 고려한 절차에 따라 이동·백업되며, 고객사 요구에 따라 온프레미스 구축을 포함한 폐쇄 환경 운영이 가능합니다. 데이터는 합의된 사업 목적 범위에서만 사용됩니다.
함께 보면 좋은 성공 사례
