초보자를 위한 머신비전 도입 방법, 공장 검사 자동화는 이렇게 시작하세요

머신비전이 필요한 순간을 먼저 찾기

얼마 전 작은 제조업체를 운영하는 지인과 이야기했는데, 불량품을 사람이 눈으로 확인하다 보니 하루에도 몇 번씩 놓치는 경우가 생긴다고 하더라고요. 제품 수량이 적을 때는 괜찮지만, 생산량이 하루 1,000개를 넘기 시작하면 사람의 집중력만으로는 한계가 빨리 옵니다. 이럴 때 자주 등장하는 기술이 바로 머신비전입니다.

머신비전은 쉽게 말해 카메라와 조명, 소프트웨어를 이용해 제품 상태를 자동으로 판단하는 시스템입니다. 단순히 사진을 찍는 장비가 아니라, 찍은 이미지를 분석해서 불량 여부, 치수 차이, 위치 틀어짐, 표면 흠집 같은 것을 찾아냅니다. 예를 들어 병뚜껑이 제대로 닫혔는지, 전자부품 납땜이 빠졌는지, 포장 라벨이 비뚤어졌는지 같은 일을 사람 대신 확인할 수 있습니다.

처음부터 거창하게 전 공정을 자동화하려고 하면 비용도 커지고 실패 확률도 높아집니다. 그래서 가장 먼저 해야 할 일은 ‘반복적이고 기준이 분명한 검사’를 찾는 것입니다. 눈으로 봤을 때 OK와 NG가 비교적 명확하게 나뉘는 작업이 머신비전 도입 1순위입니다.

검사 목표를 숫자로 바꾸는 방법

머신비전 프로젝트가 애매해지는 가장 큰 이유는 목표가 흐릿하기 때문입니다. “흠집을 잘 잡아야 한다”보다 “0.3mm 이상 스크래치를 검출한다”가 훨씬 좋습니다. “라벨이 틀어지면 안 된다”보다 “기준 위치에서 좌우 2mm 이상 벗어나면 불량 처리한다”처럼 표현해야 장비 선정과 알고리즘 설계가 쉬워집니다.

현장에서 많이 쓰는 검사 기준은 대략 이런 식입니다.

• 치수 검사: 길이, 폭, 구멍 지름, 간격 측정
• 유무 검사: 부품 누락, 나사 빠짐, 스티커 부착 여부 확인
• 표면 검사: 찍힘, 오염, 스크래치, 변색 확인
• 위치 검사: 제품 방향, 조립 위치, 라벨 정렬 상태 확인
• 문자 인식: 날짜, 로트번호, 바코드, QR 코드 판독

사실 이 단계에서 샘플 이미지가 꽤 중요합니다. 양품 100장, 불량품 100장 정도만 모아도 어떤 문제가 반복되는지 보입니다. 불량 유형이 3가지인지 10가지인지, 조명에 따라 이미지가 얼마나 달라지는지, 제품 표면이 반짝이는지 같은 조건도 확인할 수 있습니다. 근데 실제 현장에서는 샘플을 충분히 모으지 않고 장비부터 고르는 경우가 많습니다. 그러면 나중에 “이 불량은 왜 못 잡지?”라는 문제가 생기기 쉽습니다.

카메라보다 조명이 더 중요할 때가 많습니다

머신비전이라고 하면 보통 카메라 성능을 먼저 떠올립니다. 물론 해상도와 렌즈도 중요합니다. 하지만 실제로는 조명이 결과를 크게 좌우합니다. 같은 제품이라도 빛을 정면에서 비추는지, 옆에서 비추는지, 링 조명을 쓰는지, 백라이트를 쓰는지에 따라 불량이 보이기도 하고 완전히 사라지기도 합니다.

예를 들어 투명 플라스틱 제품의 외곽선을 보고 싶다면 뒤에서 빛을 비추는 백라이트가 유리합니다. 금속 표면의 미세한 흠집을 찾을 때는 낮은 각도의 조명이 더 잘 맞는 경우가 많습니다. 반대로 인쇄된 글자를 읽는 작업이라면 표면 반사를 줄이는 조명 구성이 필요합니다.

카메라 해상도는 검사하려는 최소 크기와 연결해서 계산하는 편이 좋습니다. 0.2mm짜리 결함을 안정적으로 잡고 싶다면 화면에서 그 결함이 최소 몇 픽셀 이상으로 보여야 합니다. 보통은 결함 하나가 3~5픽셀 이상 확보되어야 판정이 안정적입니다. 그래서 “500만 화소면 충분하다”처럼 단순하게 고르기보다, 시야 범위와 검사 기준을 같이 놓고 계산해야 합니다.

룰 기반과 AI 기반을 구분해서 선택하기

머신비전 소프트웨어는 크게 룰 기반 방식과 AI 기반 방식으로 나눠볼 수 있습니다. 룰 기반은 밝기, 경계선, 길이, 면적, 위치 같은 규칙을 사람이 설정하는 방식입니다. 제품 모양이 일정하고 검사 기준이 명확하면 빠르고 안정적입니다. 예를 들어 구멍이 있는지 없는지, 라벨 위치가 몇 mm 벗어났는지 확인하는 작업에는 룰 기반이 잘 맞습니다.

AI 기반은 불량 형태가 다양하거나 사람도 말로 설명하기 어려운 패턴을 찾을 때 유리합니다. 식품 표면의 얼룩, 원단의 미묘한 조직 차이, 주조품의 불규칙한 결함처럼 케이스가 복잡한 작업에서 효과를 보는 경우가 많습니다. 다만 AI는 학습 데이터가 필요합니다. 불량 이미지가 너무 적거나 생산 조건이 자주 바뀌면 성능이 기대만큼 나오지 않을 수 있습니다.

솔직히 처음 도입하는 회사라면 모든 것을 AI로 해결하려고 하기보다 룰 기반으로 가능한 검사를 먼저 자동화하는 편이 부담이 적습니다. 그다음 불량 패턴이 복잡한 공정에 AI를 붙이는 방식이 현실적입니다. 장비 비용뿐 아니라 운영 난이도까지 생각하면 이 순서가 꽤 안정적입니다.

작게 시작해서 현장 조건을 검증하기

머신비전은 책상 위 테스트와 생산 현장 결과가 다를 때가 있습니다. 현장에는 진동, 먼지, 조명 변화, 제품 위치 편차, 작업자 개입 같은 변수가 있기 때문입니다. 그래서 처음부터 전체 라인에 설치하기보다 한 공정에서 파일럿 테스트를 해보는 게 좋습니다.

파일럿 단계에서는 최소한 세 가지를 확인해야 합니다. 첫째, 실제 생산 속도에서 이미지가 흔들리지 않는지 봐야 합니다. 둘째, 양품을 불량으로 잡는 비율과 불량을 놓치는 비율을 따로 확인해야 합니다. 셋째, 작업자가 판정 결과를 쉽게 이해하고 대응할 수 있어야 합니다. 검사 정확도가 높아도 현장 화면이 복잡하면 운영이 불편해집니다.

예를 들어 하루 8시간 동안 10,000개를 검사하는 라인이라면 오검출률 1%만 되어도 100개를 사람이 다시 확인해야 합니다. 숫자로 보면 꽤 큰 차이입니다. 그래서 단순히 “정확도 99%”라는 말만 보고 판단하기보다는, 실제 생산량 기준으로 재검사 부담이 어느 정도인지 계산해보는 편이 좋습니다.

예산을 잡을 때 빠뜨리기 쉬운 항목

머신비전 비용은 카메라 가격만 보면 안 됩니다. 렌즈, 조명, 컨트롤러, 소프트웨어 라이선스, 설치 브라켓, 통신 연동, 유지보수까지 들어갑니다. 작은 유무 검사 장비는 수백만 원대에서 시작할 수 있지만, 고속 라인이나 정밀 치수 검사, AI 분석까지 포함하면 수천만 원 이상으로 커질 수 있습니다.

특히 기존 설비와 연동하는 부분을 가볍게 보면 안 됩니다. 검사 결과를 PLC로 보내서 불량품을 배출해야 하는지, MES에 데이터를 저장해야 하는지, 이미지 로그를 몇 개월 동안 보관해야 하는지에 따라 작업 범위가 달라집니다. 나중에 추가하면 비용과 시간이 더 들 수 있습니다.

개인적으로는 첫 프로젝트에서 가장 중요한 목표를 ‘완벽한 자동화’가 아니라 ‘반복 검사 부담을 줄이고 불량 데이터를 쌓는 것’으로 잡는 편이 좋다고 봅니다. 머신비전은 한 번 설치하고 끝나는 장비라기보다, 현장 데이터를 보면서 기준을 다듬어가는 도구에 가깝습니다. 작은 검사 하나라도 안정적으로 돌아가기 시작하면 그다음 공정으로 넓혀가는 판단이 훨씬 쉬워집니다.