AI 비전으로 구현한 다품종 포장 검사
식음료 포장라인에서는 제품 종류와 포장 형식이 다양해질수록 검사 난도가 높아진다. 특히 고속 카토닝(cartoning) 라인에서는 1차 포장 제품의 수량과 제품 종류를 확인하고, 2차 포장 카톤의 접착 상태와 플랩 정렬 상태까지 안정적으로 검사해야 한다. Qualitas Technologies는 글로벌 스낵 제조사의 크래커 포장라인에 2개 스테이션으로 구성된 AI 비전 시스템을 구축했다. 이 시스템은 9개 SKU를 대상으로 인피드 단계의 수량·제품 종류 검증과 아웃 피드 단계의 카톤 결함 검사를 수행하며, UAT 기반 검증에서 전체 98.5%의 검출 정확도와 평균 150ms의 모델 실행 시간을 기록했다.
Challenge: 고속 다품종 포장라인의 검사 한계
해당 고객사의 크래커 포장라인은 자동 카토닝 장비를 기반으로 9개 활성 SKU를 처리한다. 여기에는 대형·소형 포장 형식, 지역별 수출용 제품, 여러 형태의 샌드위치 크래커 포맷이 포함된다.
포장라인 인피드에서는 카톤에 들어가기 전 1차 포장 제품의 슬러그 카운트와 제품 종류가 정확한지 확인해야 하며, 아웃피드에 서는 밀봉된 2차 카톤에 접착 갭, 플랩 갭, 플랩 정렬 불량이 없어야 한다.
검사 기준도 엄격했다. 고객사는 인피드 단계의 수량 불일치와 제품 종류 불일치에 대해 100% 정확도를 요구했다. 아웃피드 단계 에서는 카톤 결함에 대해 98%의 성능 기준을 제시했다. 접착 갭과 플랩 갭은 2.5mm 초과, 플랩 정렬 불량은 1.5mm 초과를 불량 기준으로 삼았다.
수작업 검사에는 구조적인 한계가 있었다. 고속 라인에서 작업자가 모든 카톤의 미세한 접착·플랩 허용오차를 매 교대 시간 동안 일관되게 판단하기 어렵기 때문이다. 기존에는 인피드의 수량·제품 종류 검사가 작업자의 주의와 주기적 샘플링에 의존했지만, 연속 다교대 운전에서 모든 제품 혼입이나 수량 부족을 검출하기에는 한계가 있었다. 또한 수작업 OCR 검사에서는 날짜·배치 코드의 오독 가능성도 남아 있었다.
Solution: 2개 스테이션 기반 EagleEye 비전 시스템
Qualitas Technologies는 해당 카토닝 라인에 2개의 EagleEye 비전 스테이션을 설계·구축했다. 첫 번째 스테이션은 1차 포장 인피드에 설치돼 카톤에 투입되기 전 모든 제품의 슬러그 카운트와 제품 종류를 확인하며, 빈 포장과 수량 부족, 다른 제품 변형의 혼입 등을 밀봉 전에 검출한다.
두 번째 스테이션은 2차 포장 아웃피드에 설치돼 밀봉된 카톤의 접착 갭, 플랩 갭, 플랩 정렬 불량을 고정 허용오차 기준으로 검사 한다. 동시에 날짜·배치 코드를 OCR로 판독해 추적성을 확보한 다. 두 스테이션은 라인의 PLC 제어 신호와 동기화돼 있으며, 비전 시스템이 불량을 판정하면 고객사의 기존 리젝트 프로세스에서 해당 제품을 처리할 수 있도록 구성됐다.
검사 방식은 항목에 따라 달리 적용됐다. 슬러그 카운트 검증과빈 포장·부분 충전 검출에는 룰 기반 비전이 사용됐고, 9개 SKU 의 제품 종류 식별에는 딥러닝 분류기가 적용됐다. 접착 갭과 플랩 갭, 플랩 정렬 불량 측정에는 딥러닝과 엣지 측정 방식을 함께 사용했으며, 날짜·배치 코드 판독에는 학습된 OCR 모델이 적용 됐다. 양쪽 스테이션은 모두 라인 PLC와 I/O 동기화로 연결됐다.
시스템 구축도 단계적으로 진행됐다. 먼저 9개 SKU별 데이터셋을 확보해 모델을 학습한 뒤, 결함 유형별 양품·불량품 100개 샘플 배치를 이용해 UAT 검증을 실시했다. 이후 실제 생산 데이 터를 기반으로 엔드투엔드 검증을 수행하고, 그 결과를 토대로 Qualitas와 고객사 프로젝트팀이 시스템을 공식 승인했다.
▲ UAT 과정에서 확보한 실제 생산 이미지로 플랩 갭, 접착 갭, 플랩 정렬 불량 등 카톤 아웃 피드 결함을 검증했다.
Result: 98.5% 검출 정확도와 150ms 실행 시간
검증 결과, 시스템은 인피드의 수량 불일치와 제품 종류 불일치에서 고객 요구 수준인 100% 정확도를 충족했다. OCR도 UAT에서 100% 목표를 충족한 항목으로 제시됐다. 아웃피드의 접착 갭, 플랩 갭, 플랩 정렬 불량은 Qualitas가 제시한 98% 정확도 기준에 대해 UAT 승인을 받았다.
실제 생산 데이터를 이용한 엔드투엔드 검증에서는 항목에 따라 5,603~1만1,206장의 이미지가 분석됐다. 전체 판정에서는 5,603 장 가운데 5,522장을 정확하게 분류해 98.5%의 정확도를 기록했 으며, 이 데이터에는 실제 결함 156건이 포함됐다.
세부 항목별로는 플랩 갭 99.9%, 접착 갭 100%, 플랩 정렬 불량 99.4%, 날짜·배치 OCR 99.66%의 정확도가 제시됐다. 모델 실행 시간도 인라인 적용을 기준으로 검증됐다. 평균 모델 실행 시간은 5,600장 이상의 이미지에서 박스당 약 150ms로 유지됐으며, 자료에서는 이 속도가 포장라인의 병목이 되지 않고 인라인으로 운용하기에 충분하다고 설명한다.
다만 바코드 판독은 이번 단계의 범위에서 제외됐다. 자료에 따르면 바코드 리딩은 고객사의 신규 하드웨어 조달 전까지 이번 단계에서 제외됐고, 물리적인 인피드 리젝트 프로세스는 고객사가 소유·관리했다. Qualitas는 라인 제어 시스템에 동기화된 리젝트 출력 신호를 제공하는 역할을 맡았다. 따라서 OCR 기반 날짜·배치 코드 판독과 바코드 리딩은 구분해서 볼 필요가 있다.
▲ 아웃피드 검사 스테이션은 UV/백색 LED 조명과 중앙 에어리어 스캔 카메라를 활용해 카톤 흐름 중 플랩 갭을 검사하는 구성으로 제시됐다.
Insight: 다품종 포장검사에 적용된 AI 비전
이번 사례는 식음료 포장라인에서 AI 비전이 단순 외관 검사를 넘어 수량 확인, 제품 종류 식별, 카톤 밀봉 품질 검사, OCR 추적성 확보까지 확장될 수 있음을 보여준다. 특히 9개 SKU가 흐르는 고속 카토닝 라인에서는 제품 혼입, 수량 부족, 카톤 결함이 동시에 관리돼야 하므로, 검사 항목별로 룰 기반 비전, 딥러닝 분류, 엣지 측정, OCR을 조합한 구성이 유효하다.
또한 이 사례의 의미는 검출 성능뿐 아니라 검증 방식에도 있다. 고객과 시스템 통합 파트너가 합의한 UAT 프로토콜, 결함·양품 샘플 기반 시험, 실제 생산 데이터 검증, 정확도 로그 보관은 식음료 포장 검사에서 AI 비전 시스템을 현장에 적용하기 위한 중요한 절차다. 이는 AI 검사 시스템이 알고리즘 성능뿐 아니라 생산라인 제어, 리젝트 프로세스, 품질 감사 체계와 함께 설계돼야 한다는 점을 보여준다.
자료제공: Qualitas Technologies (www.qualitastech.com)
