제조 AI 비전 검사 가이드: 검사 과제 5가지와 판정 방식 고르는 법
제조 라인에 AI 비전 검사를 들이기 전에 검사 과제를 고르고, 불량 이미지가 부족한 라인에서 데이터를 준비하는 방법을 사례와 함께 설명합니다.
제조 라인의 AI 비전 검사는 판정 대상을 기준으로 외관 결함, 조립·유무, 판독, 수량 카운팅, 작업 절차 다섯 과제로 묶을 수 있습니다. 외관 결함 검사는 제품 표면을 가까이 찍는 카메라가 필요하고 작업 절차 검증은 작업대 전체를 찍는 카메라가 필요합니다. 산업통상부는 AI 팩토리 선도 프로젝트로 AI를 도입한 사업장 가운데 42곳을 점검한 결과 생산성이 평균 30.1% 높아지고 불량률이 평균 15.5% 낮아졌다고 발표했습니다(산업통상부 2026-08-04). 이 글은 다섯 과제의 판정 대상과 불량 이미지가 부족할 때의 데이터 준비, 기존 검사 장비에 AI를 연결하는 구성을 정리합니다. 이 글은 2026년 11월 기준으로 작성했습니다.
📌 3줄 요약
· 판독과 카운팅은 정답이 문자와 숫자로 정해진 과제입니다. 금속 부품 제조 I사는 수량 카운팅 PoC에서 정확도 99.7%를, CS WIND는 수기 번호를 포함한 자재 식별에서 정확도 99.9%를 기록했습니다.
· 불량 이미지가 적은 라인은 정상 이미지 이상 탐지, 소량 이미지 학습, 합성 데이터 보강으로 시작합니다. 산업 특화 비전 파운데이션 모델 제로(ZERO)는 클래스당 10장 예시 조건의 CVPR 2026 퓨샷 객체 탐지 챌린지에서 1위를 기록했습니다.
· 기존 검사 장비를 유지하는 라인은 장비 뒤에 AI 재판정 단계를 붙이고, 판정 신뢰도에 따라 자동 통과와 사람 검토를 나눕니다.
제조 비전 검사 과제 다섯 가지
| 과제 | 판정 대상 | 영상 조건 | 관련 글 |
|---|---|---|---|
| 외관 결함 | 흠집, 이물, 변형, 변색 같은 표면 불량 | 결함이 보이는 해상도와 조명 각도 | 글로벌 전자부품 제조사 사례 |
| 조립·유무 | 오조립, 부품 누락, 뚜껑·라벨 부착 상태 | 부품 위치가 화면에서 크게 바뀌지 않는지 확인 | 포천일동막걸리 사례 |
| 판독 | 자재 번호, 수기 표기, 각인 문자 | 글자가 읽히는 거리와 초점 | CS WIND 사례 |
| 수량 카운팅 | 팔레트·적재 단위의 부품 수량 | 객체 겹침과 적재 높이에 따른 가림 | 금속 부품 제조 I사 사례 |
| 작업 절차 | 작업 단계의 누락, 순서 변경, 속도 이상 | 손과 작업 대상이 함께 보이는 화각 | SOP 모니터링 소개 |
슈퍼브에이아이 제조 AI 솔루션은 외관 불량 검출과 자재·재고 수량 카운팅, 공정 병목 구간 식별을 한 플랫폼에서 다룹니다. 외관검사로 시작한 뒤 수량 관리 같은 다른 과제로 적용 범위를 넓힐 수 있습니다.
판정 방식은 무엇을 보고 고르나요?
판정 기준이 치수나 유무처럼 숫자로 고정돼 있는지, 불량 이미지를 얼마나 모을 수 있는지를 봅니다. 규격이 고정된 단일 품목의 치수·유무 판정에는 룰 기반 머신비전을 씁니다. 결함 형태가 다양하고 불량 이미지가 충분한 라인은 현장 데이터로 학습한 딥러닝 모델을, 품종이 많거나 불량 샘플이 적은 라인은 산업 이미지로 미리 학습한 비전 파운데이션 모델을 씁니다.
판독과 카운팅은 정답이 문자와 숫자로 정해져 있어 결과를 바로 채점할 수 있습니다. 금속 부품 제조 I사는 PoC에서 일반 환경 300개와 객체가 겹친 악조건 300개를 판정해 정확도를 측정한 뒤 팔레트 수량 확인을 자동화했습니다.
불량 이미지가 부족하면 어떻게 준비하나요?
불량률이 낮은 라인에서는 정상 이미지 이상 탐지, 소량 이미지 학습, 합성 데이터 보강을 씁니다.
정상 이미지 이상 탐지: 정상 제품의 특징을 학습한 뒤 정상 제품과 다른 부분을 불량 후보로 표시합니다. 불량 유형을 미리 정의하기 어려운 표면 검사에 씁니다.
소량 이미지 학습: 불량 유형별로 적은 수의 이미지로 학습을 시작합니다. 제로는 클래스당 10장의 예시로 학습하는 CVPR 2026 퓨샷 객체 탐지 챌린지에서 20개 도메인 평균 mAP 53.9로 1위를 기록했습니다. 10장은 PoC를 시작하는 양이고 운영 중에 쌓이는 이미지로 모델을 다시 학습합니다.
합성 데이터 보강: 실제 불량을 본뜬 이미지를 만들어 학습 데이터에 더합니다. 드물게 발생하는 결함 유형을 보강할 때 씁니다.
정상 이미지로 이상 탐지를 먼저 돌려 불량 후보를 모은 뒤 그 이미지로 유형 분류 모델을 학습하는 식으로 두 방법을 이어 쓸 수 있습니다.
기존 검사 장비가 있으면 어떻게 연결하나요?
기존 장비를 유지하려면 AI 재판정 단계를 장비 뒤에 붙이는 구성을 씁니다. 기존 장비가 1차로 걸러낸 불량 후보를 AI가 다시 판정해 실제 결함과 과검(정상인데 불량으로 판정한 것)을 나눕니다.
글로벌 전자부품 제조사는 AI 판정 결과를 신뢰도에 따라 세 구간으로 나누는 운영 구조를 설계했습니다. 고신뢰 구간은 사람 개입 없이 자동으로 통과시킵니다. 중신뢰 구간은 검사 전문가가 검토하고 저신뢰 구간은 재학습 대상으로 분류합니다. 신뢰도 구간을 나누는 기준은 HITL 운영 설계 가이드의 판단 기준을 따릅니다.
작업 절차도 영상으로 검증할 수 있나요?
정상 공정을 촬영한 영상을 기준으로 작업 영상을 비교해 검증합니다. 슈퍼브에이아이의 SOP 모니터링은 정상 공정 영상에서 작업의 단계, 순서, 속도, 핵심 객체를 추출합니다. 이후 다른 작업 영상을 올리면 단계 누락, 순서 변경, 속도 이상, 핵심 객체 불일치를 찾아 해당 구간 클립과 함께 보여 줍니다. 한 시연에서는 기준 작업 영상 한 편에서 26개 단계의 표준 공정 목록을 자동으로 만들었습니다(제조·물류·건설 현장의 비전 AI 실전 사례).
작업 절차 검증에는 작업자의 손과 작업 대상이 함께 보이는 화각이 필요합니다. 동작이 빠른 공정은 단계가 잘리지 않는 프레임 수로 촬영합니다.
실측: 비전 검사를 도입한 제조 현장
| 현장 | 과제 | 측정 결과 |
|---|---|---|
| 포천일동막걸리 | 조립·유무 | 카메라 3대로 뚜껑 불량, 라벨 불량, 내용물 규격 편차를 검사. 3명이 수작업으로 하던 검수를 대체하고 검사 결과를 2~3초 안에 서버로 전달 |
| 금속 부품 제조 I사 | 수량 카운팅 | 팔레트당 수량 확인 5분 이상에서 2초 이내로 단축. PoC 600개 판정 정확도 99.7% |
| CS WIND | 판독 | 수기 번호를 포함한 자재 식별 정확도 99.9% |
첫 PoC 범위는 어떻게 정하나요?
재검 물량이 가장 많은 과제 하나와 라인 하나로 정합니다. 글로벌 전자부품 제조사는 백여 개 불량 코드를 발생 빈도와 품질 영향도로 다시 분류해 상위 결함군부터 AI 검사 범위를 정했습니다. PoC에서는 정확도와 함께 사람이 다시 확인해야 하는 판정의 비율을 측정하고, 기간과 성공 기준은 비전 AI PoC 설계 가이드를 기준으로 잡습니다.
생산 영상을 공장 밖으로 보낼 수 없는 사업장은 온프레미스나 엣지 구성으로 인터넷 연결 없이 라인 내부에서 운영합니다. 구성별 차이는 비전 AI 배포 방식 가이드에 있습니다.
슈퍼브에이아이는 산업 현장의 시각 데이터를 기업이 활용할 수 있는 인텔리전스로 전환하는 비전 인텔리전스 기업입니다. 산업 특화 비전 파운데이션 모델 제로로 외관 결함 검출부터 수량 카운팅, 공정 병목 구간 식별까지 한 플랫폼에서 다룹니다.
함께 보면 좋은 콘텐츠
💬 제조 라인에 비전 검사를 검토하고 계신가요? 아래에 검사 과제와 품목, 보유한 검사 이미지 현황을 남겨주시면 영업 전화가 아니라 보유 이미지로 가능한 검사 범위 진단부터 시작합니다.