사출 공정 난검 불량, AI 비전검사는 무엇이 다른가

사출 성형에서 검사는 오래된 주제입니다. 비전 카메라는 이미 대부분의 라인에 들어가 있습니다. 그런데도 최종 검사를 사람이 다시 하는 곳이 많습니다. 왜일까요.

룰베이스가 약한 지점

기존 비전 검사는 규칙으로 동작합니다. “이 영역의 밝기가 기준치 이하면 불량”, “이 크기 이상의 점이 있으면 불량” 같은 식입니다.

이 방식은 명확한 불량에는 잘 작동합니다. 문제는 애매한 불량입니다.

이런 결함에 규칙을 맞추려 하면 딜레마에 빠집니다. 기준을 엄격하게 하면 정상품이 불량으로 걸러져 과검이 늘고, 느슨하게 하면 진짜 불량이 빠져나갑니다. 결국 사람이 재검사하게 되고 검사 인력이 병목이 됩니다.

딥러닝 검사는 규칙을 사람이 적지 않습니다. 이미지를 보고 “정상은 이런 모습”을 모델이 스스로 학습합니다.

조명이 조금 달라지거나 각도가 바뀌어도, 학습 데이터에 그 변동이 포함돼 있으면 모델은 이를 정상 범위로 인식합니다. 규칙으로는 일일이 예외 처리해야 했던 부분입니다.

현장에서 가장 자주 묻는 질문이 “불량 사진이 별로 없는데 가능하냐”입니다.

가능합니다. 이상 탐지(Anomaly Detection) 방식은 정상 이미지만으로 학습합니다. 모델이 정상의 분포를 익힌 뒤, 그 분포에서 벗어나는 것을 이상으로 판정합니다.

이 방식의 장점은 명확합니다.

한계도 있습니다. 어떤 종류의 불량인지 분류해 주지는 않습니다. 불량 유형별 통계가 필요하다면 이후 분류 모델을 추가해야 합니다.

AI 검사가 느릴 것이라는 우려가 많습니다. 실제로 무거운 모델을 서버로 보내 추론하면 왕복 지연 때문에 라인 속도를 맞추기 어렵습니다.

해법은 엣지 추론입니다. 경량화한 모델을 카메라 옆 엣지 디바이스에 올려 현장에서 바로 판정합니다. 네트워크를 타지 않으므로 지연이 줄고, 외부로 이미지를 내보내지 않아 보안 부담도 작아집니다.

모델 경량화는 정확도와 맞바꾸는 일이라 무한정 줄일 수는 없습니다. 목표 택트 타임을 먼저 정하고, 그 안에 들어오는 선에서 가장 정확한 모델을 고르는 순서로 진행합니다.

여기까지가 “불량을 잘 찾는” 이야기입니다. 그런데 검사를 아무리 잘해도 불량률 자체는 줄지 않습니다. 만들어진 불량을 걸러낼 뿐입니다.

불량률을 줄이려면 불량이 나온 조건을 봐야 합니다. 사출 압력, 금형 온도, 냉각 시간, 재료 로트, 계절에 따른 습도. 이 변수들과 실제 검사 결과를 연결해 분석하면 어떤 조합에서 불량이 늘어나는지 확인할 수 있습니다.

검사 데이터가 공정 데이터와 연결돼 있어야 가능한 일입니다. 검사기는 검사기대로, 설비는 설비대로 데이터를 쌓고 있으면 이 분석을 할 수 없습니다. 비전검사를 도입할 때 데이터 연결 구조를 함께 잡아야 하는 이유입니다.

“정확도 99%“라는 표현은 생각보다 의미가 적습니다. 불량률이 1%인 라인에서는 전부 정상이라고 답해도 정확도가 99%입니다.

실제로 봐야 할 것은 두 가지입니다.

둘은 대체로 상충합니다. 어느 쪽을 더 피해야 하는지는 제품과 고객 요구에 따라 다릅니다. 검사 기준점(threshold)은 이 판단 위에서 정해야 하며, 기술이 아니라 경영 판단에 가깝습니다.

임픽스의 V²는 딥러닝 기반 비전 검사 솔루션으로, 정상 이미지 기반 이상 탐지와 엣지 경량 모델을 지원합니다. 품질 예측과 공정 최적화(XGBoost·유전 알고리즘 기반)를 함께 제공해 검출에서 예방까지 이어지도록 설계했습니다.