얼마 전 작은 제조업체 사장님과 이야기할 일이 있었는데, 불량 검사를 아직도 사람이 눈으로 하고 있다는 말을 들었습니다. 하루에 수천 개씩 제품을 보는데 피로가 쌓이면 아무리 숙련된 작업자라도 놓치는 부분이 생기기 마련이죠. 그때 자주 나오는 선택지가 바로 머신비전입니다.
머신비전은 쉽게 말해 카메라와 조명, 소프트웨어를 이용해 제품을 보고 판단하는 기술입니다. 사람의 눈처럼 대상을 확인하지만, 기준이 정해지면 같은 방식으로 계속 검사한다는 점이 다릅니다. 그래서 제조 현장에서는 불량 검사, 치수 측정, 위치 인식, 바코드 판독, 로봇 가이드 같은 작업에 많이 쓰입니다.
머신비전이 필요한 상황부터 구분하기
머신비전이 멋져 보여서 바로 장비부터 알아보는 경우가 있는데, 사실 먼저 해야 할 일은 현장의 문제를 정확히 나누는 겁니다. 예를 들어 제품 표면의 흠집을 찾고 싶은지, 부품이 제 위치에 있는지 확인하고 싶은지, 아니면 포장지 인쇄가 제대로 되었는지 확인하고 싶은지에 따라 구성은 꽤 달라집니다.
단순히 있음과 없음만 판단하는 검사라면 비교적 간단한 카메라와 조명으로도 시작할 수 있습니다. 반대로 0.1mm 단위의 치수를 반복해서 재야 한다면 렌즈, 설치 거리, 조명 각도까지 더 신중하게 잡아야 합니다. 같은 머신비전이라고 해도 난이도가 크게 달라지는 셈입니다.
- 제품 유무 확인: 센서처럼 빠르게 판단하는 용도
- 외관 불량 검사: 흠집, 얼룩, 찍힘, 깨짐 등을 확인
- 치수 측정: 길이, 폭, 구멍 위치 등을 수치로 판단
- 문자·코드 인식: 바코드, QR 코드, 날짜 인쇄 확인
- 로봇 위치 보정: 부품의 좌표를 찾아 로봇에 전달
카메라보다 조명이 먼저라는 말이 나오는 이유
처음에는 대부분 카메라 성능을 먼저 봅니다. 몇 화소인지, 얼마나 빠른지, 가격이 얼마인지가 눈에 들어오죠. 그런데 현장에서 경험해보면 조명이 검사 품질을 좌우하는 경우가 많습니다. 같은 제품도 빛을 어떻게 비추느냐에 따라 불량이 또렷하게 보이기도 하고 완전히 사라진 것처럼 보이기도 합니다.
예를 들어 금속 표면의 미세한 흠집은 정면에서 빛을 비추면 반사가 심해 잘 안 보일 수 있습니다. 이럴 때는 낮은 각도에서 빛을 비추거나 링 조명, 돔 조명, 백라이트를 바꿔가며 확인합니다. 투명 플라스틱이나 유광 포장재는 반사가 많아서 더 까다롭습니다. 그래서 테스트 단계에서 실제 제품 샘플을 충분히 가져가 보는 게 좋습니다.
기본 구성은 생각보다 단순합니다
일반적인 머신비전 시스템은 카메라, 렌즈, 조명, 컨트롤러 또는 산업용 PC, 검사 소프트웨어로 구성됩니다. 여기에 제품을 일정한 위치로 보내는 지그나 컨베이어, 결과를 전달하는 PLC가 붙는 식입니다. 작은 검사라면 스마트 카메라 하나로 끝나는 경우도 있습니다. 스마트 카메라는 카메라 안에 처리 기능이 들어 있어서 별도 PC 없이 간단한 판정을 할 수 있습니다.
반대로 여러 대의 카메라가 동시에 검사하거나, AI 기반 불량 분류를 해야 하거나, 생산 이력까지 저장해야 한다면 산업용 PC를 쓰는 편이 유리합니다. 비용은 올라가지만 나중에 기능을 확장하기가 더 좋습니다.
도입 전에 꼭 확인할 기준 만들기
머신비전은 사람이 막연히 느끼는 ‘좋다’, ‘나쁘다’를 그대로 따라 하기 어렵습니다. 컴퓨터는 기준이 있어야 움직입니다. 그래서 양품과 불량품을 나누는 기준을 숫자나 이미지 조건으로 최대한 구체화해야 합니다. 흠집 길이가 2mm 이상이면 불량인지, 색상 차이가 어느 정도일 때 문제가 되는지, 인쇄 위치가 몇 mm 벗어나면 NG인지 정해야 합니다.
현장에서 자주 생기는 문제도 있습니다. 작업자는 불량이라고 보는데 시스템은 양품으로 판정하거나, 반대로 아무 문제 없는 제품을 불량으로 잡아내는 경우입니다. 그래서 초기에는 100개 정도만 테스트하는 것보다 다양한 조건의 샘플을 모아보는 게 좋습니다. 제품 색상, 표면 상태, 먼지, 생산 시간대, 조명 변화까지 섞이면 실제 성능이 더 정확히 보입니다.
- 양품 샘플과 불량 샘플을 충분히 준비
- 검사 속도와 생산 속도가 맞는지 확인
- 불량 기준을 숫자나 이미지 예시로 명확히 설정
- 먼지, 흔들림, 반사 같은 현장 변수를 미리 점검
- 검사 결과를 어디에 저장하고 어떻게 활용할지 결정
AI 머신비전은 언제 쓰는 게 좋을까
요즘은 AI 머신비전 이야기도 많이 나옵니다. 예전 방식은 주로 밝기, 경계선, 모양, 길이 같은 규칙을 사람이 정해주는 방식이었습니다. 반면 AI 방식은 여러 장의 이미지를 학습해 불량 패턴을 찾아냅니다. 특히 불량 모양이 매번 조금씩 다르거나, 사람이 봐도 설명하기 애매한 외관 검사에 강점이 있습니다.
다만 AI가 만능은 아닙니다. 학습 이미지가 부족하면 성능이 흔들립니다. 양품 50장, 불량 10장 정도로는 현장 전체를 대표하기 어렵습니다. 보통은 제품 종류와 불량 유형에 따라 수백 장에서 수천 장의 이미지가 필요할 수 있습니다. 또 새로운 불량이 생기면 다시 데이터를 모으고 모델을 조정해야 합니다.
그래서 처음부터 AI만 바라보기보다 규칙 기반 검사로 가능한지 먼저 확인하고, 한계가 분명할 때 AI를 붙이는 흐름이 현실적입니다. 예를 들어 부품의 위치 확인이나 길이 측정은 전통적인 머신비전이 더 빠르고 안정적인 경우가 많습니다. 반대로 천연 소재의 얼룩, 식품의 형태 차이, 스크래치처럼 모양이 일정하지 않은 문제는 AI가 더 자연스럽게 맞을 수 있습니다.
작게 시작해서 현장 데이터로 키우기
머신비전 도입은 처음부터 전 라인에 크게 깔기보다 작은 공정 하나에서 시작하는 편이 부담이 적습니다. 불량률이 높거나, 검사 시간이 오래 걸리거나, 작업자 피로가 큰 공정이 좋은 출발점입니다. 예를 들어 하루 8시간 동안 사람이 육안 검사를 하고 있고 불량 누락 때문에 재작업이 반복된다면, 투자 효과를 계산하기도 쉽습니다.
비용을 볼 때는 장비 가격만 보면 아쉽습니다. 불량 유출 감소, 재검사 시간 절감, 작업자 배치 효율, 고객 클레임 감소까지 함께 봐야 합니다. 월 100건의 불량 유출이 20건으로 줄어든다면 단순히 인건비만 줄어든 게 아니라 품질 신뢰도도 같이 올라갑니다.
솔직히 머신비전은 처음 들으면 조금 어렵게 느껴집니다. 카메라, 렌즈, 조명, 알고리즘 같은 말이 한꺼번에 나오니까요. 그런데 시작점은 의외로 단순합니다. 우리 현장에서 무엇을 놓치고 있는지, 어떤 기준으로 판단하고 싶은지, 그 판단을 얼마나 빠르고 꾸준하게 반복해야 하는지부터 적어보면 됩니다. 기술은 그다음에 맞춰 붙이는 쪽이 훨씬 덜 헤맵니다.
