다품종 PCB 라인에 적용된 AI 비전 센서, 오검출률 저감 사례 분석
전자부품 제조 라인에서 비전 검사는 이미 필수 공정으로 자리 잡았다. PCB 상의 부품 실장 상태 확인, 납땜 품질 검사, 마킹 판독, 외관 스크래치 검출 등 다양한 공정에서 카메라 기반 자동 검사가 활용되고 있다.
그러나 다품종·고변동 생산 환경이 확대되면서 현장에서는 반복적인 오검출과 재세팅 문제가 빈번하게 발생하고 있다. 이는 단순한 장비 성능 이슈라기보다, 전통적인룰 기반 비전 시스템 구조에서 비롯되는 경우가 많다. 이러한 현상은 몇 가지 공통된 문제 유형으로 정리될 수 있으며, 대표적으로 다음 네 가지가 지적된다.
대표적인 4가지 비전 문제
1. 조명 변화가 만드는 미세한 차이
전자부품은 금속 패턴, 솔더링 면, 실크 인쇄 영역 등 서로 다른 반사 특성을 가진 요소로 구성된다. 리플로우 공정 이후 표면 광택이 미세하게 달라지거나 주변 조명 조건이 변하면 영상 대비 역시 변화한다. 룰 기반 비전은 픽셀 밝기 임계값과 에지 대비를 기준으로 판별하기 때문에, 동일한 양품이라도 히스토그램 분포가 달라지면 오검출이 발생할 수 있다. 특히 고속라인에서는 조명 조건의 작은 변화도 판정 결과에 직접적인 영향을 미친다.
2. Lot 변경과 제품 편차
전자부품 생산은 Lot 단위로 진행된다. 부품 공급처 변경이나 PCB 소재 차이, 실장 공정 미세 편차는 외관 특성에 영향을 준다. 육안으로는 허용 범위 내에 있는 차이라도, 사전에 정의된 에지폭이나 색상 임계값을 벗어나면 비전 시스템은 이를 불량으로 판단한다. 모델 체인지 주기가 짧아질수록 이러한 편차는 더욱 빈번해지고, 결과적으로 재세팅 빈도와 엔지니어 개입이 증가하게 된다.
3. 위치 오차와 고정 ROI 구조
고속 컨베이어에서 PCB가 이동하는 과정에서 미세한 위치 오차나 기울어짐은 피하기 어렵다. 그러나 ROI와 기준 좌표를 고정한 검사 구조에서는 위치 편차가 곧 오검출로 이어질 수 있다. 특히 반사광이 강한 부품 영역에서는 각도 변화에 따라 할레이션이 발생해 정상 제품이 불량으로 인식되는 사례도 나타난다.
4. 설정 난이도와 운영 부담
전자부품 검사에서는 엣지, 면적, 색상, 거리 측정 등 다양한 툴 조합이 사용된다. 초기 설치 시 엔지니어가 조건을 설계해야 하며, 이후 제품 변경이나 조건 변화가 발생하면 다시 세팅을 조정해야 한다. 숙련 인력 부족 상황에서 이러한 구조는 운영 리스크로 이어진다. 자동화 설비임에도 불구하고, 조건 변화에 대응하기 위해 반복적인 수동 개입이 필요하기 때문이다.
AI 기반 비전 시스템의 대응
이러한 환경 변화에 대응하기 위해 최근 주목받고 있는 기술이 AI 기반 비전 센서다. 학습 기반 접근은 사전에 고정된 단일 특징을 찾는 대신, 정상 패턴을 학습해 전체 형상을 인식하는 방식이다. 이를 통해 조명 변화나 미세한 위치 편차에 대한 허용 범위를 넓힐 수 있다.
대표적인 사례로 KEYENCE의 IV 시리즈는 AI를 내장한 비전 센서로, 복잡한 툴 설정없이 학습 기반으로 양·불 판정을 수행하도록 설계됐다. 직관적인 설정 인터페이스를 통해 작업자 수준에서도 조건 조정이 가능하도록 구성된 점이 특징이다. 또한 내장 조명과 고속 이미지 처리 기능을 통해 외관 변화에 대한 안정성을 확보했다.
모델 변경과 제품 편차가 빈번한 전자부품 검사 환경에서는 이러한 학습 기반 구조가 운영 효율 측면에서 유리할 수 있다. 전자부품 외관 검사에서 반복적으로 발생하는 오검출 문제는 단순한 장비 성능 한계라기보다, 변화에 민감한 검사 구조에서 비롯 되는 경우가 많다. 다품종·고변동 생산 환경이 일반화되는 가운 데, 비전 시스템의 경쟁력은 더 이상 해상도나 속도만으로 결정되지 않는다.
변화에 얼마나 안정적으로 대응할 수 있는지가 핵심 기준으로 부상하고 있으며, AI 기반 비전 기술은 이러한 요구에 대응하는 하나의 현실적 대안으로 자리 잡아가고 있다.
▲ KEYENCE의 IV 시리즈
자료제공: KEYENCE(www.keyence.com)
