거리·정밀도·조명환경에 따라 달라지는 창고 AMR용 3D 비전 설계

창고 자동화와 AMR에서 깊이 카메라는 단순한 센서 부품이 아니라 시스템 통합과 연산 자원, 유지보수까지 영향을 미치는 핵심 요소다. Orbbec은 장거리 통로 주행, 좁은 코너 이동, 빈피킹, 실외 도크등 작업 환경에 따라 필요한 거리 범위와 정밀도, 시야각, 환경 내성이 달라진다고 설명한다. 이 기사는 Orbbec이 최근 공개한 ‘Depth Camera Buyer’s Guide for Warehouse Automation & AMR Navigation’을 바탕으로 창고 자동화와 AMR에 적용되는 깊이 카메라의 주요 선택 기준을 정리했다. 용도에 따라 달라지는 깊이 카메라 요구조건 창고 자동화와 AMR에서 깊이 카메라를 선택할 때는 특정 센서 기술이나 제품부터 정하기보다 로봇이 수행하는 기능과 작업 거리, 운용 환경, 정확도 요구조건을 먼저 정의해야 한다. 장거리 통로 주행에 적합한 카메라가 빈피킹에도 적합한 것은 아니며, 반대의 경우도 마찬가지다. 장거리 팔레트 운송에서는 10m 이상의 측정 거리와 장거리에서 의 깊이 정확도, IP 등급이 중요하다. 스테레오 카메라는 거리가 멀어질수록 깊이 오차가 커질 수 있으며, 넓은 베이스라인은 장거 리에서 삼각측량 정확도를 보완하는 데 유리하다. 반대로 빈피킹이나 로봇 암 조작에서는 장거리 측정보다 0.1~1m 범위에서의 공간 정밀도가 더 중요하다. Orbbec은 실제 로봇 암작업 거리가 대체로 200~500mm이며, 이 구간에서는 3D 포인 트클라우드가 인접한 물체와 형상을 얼마나 세밀하게 구분하는 지가 핵심이라고 설명한다. 이때는 공간 정밀도뿐 아니라 인접한 포인트를 얼마나 가깝게 구분할 수 있는 최소 포인트 간격도 중요한 기준이 된다. 장거리 내비게이션과 근거리 정밀 조작을 모두 수행해야 한다면 각각의 기능에 최적화된 별도 센서를 적용하는 구성이 필요할 수 있다. <표> 창고 자동화 용도별 깊이 카메라 선택 기준 ▲ 깊이 카메라는 일반 영상과 함께 물체까지의 거리 정보를 깊이맵 형태로 생성해 AMR의 주변 환경 인식과 장애물 감지에 활용할 수 있다. Stereo·ToF·LiDAR, 적용 환경별 특성 달라 창고 자동화에서 대표적인 깊이 측정 기술은 Stereo Vision, ToF(Time of Flight), LiDAR다. 각 방식은 거리 범위와 외부 조명 대응, 호스트 연산 부하에서 서로 다른 특성을 보인다. Stereo Vision은 약 0.1m부터 20m 이상까지 비교적 넓은 거리 범위를 지원할 수 있으며, 내비게이션과 조작을 모두 포괄하기 쉽다. 능동 IR 조명을 사용하는 스테레오 방식은 천창이나 실외 도크처럼 주변광 변화가 큰 환경에서도 수동 스테레오나 ToF보다 안정적인 깊이 측정에 유리할 수 있다. ToF는 약 0.1~6m 범위의 근거리 실내 환경에 적합하고 센서 내부에서 깊이 정보를 생성하기 때문에 통합이 비교적 단순하다. 다만 강한 외부 적외선이나 햇빛에서는 성능이 저하될 수 있다. LiDAR는 제품에 따라 100m 이상의 장거리 측정이 가능해 대형 야외 물류 야드나 고속 자율주행 차량에 적합하다. Orbbec은 일반적인 실내 AMR 환경에서는 스테레오 카메라가 필요한 거리 성능을 제공하면서 비용 측면에서도 실용적일 수 있다고 설명한다. 깊이 연산을 카메라 안에서 처리하는 이유 깊이 카메라 선택에서는 센서의 거리와 정밀도뿐 아니라 깊이 데이터를 어디에서 처리하는지도 중요하다. 일부 스테레오 카메라는 좌우 원본 영상을 호스트 프로세서로 보내 깊이 연산을 수행하 는데, 고해상도·고프레임레이트에서는 호스트 연산 부담이 커질수 있다. 반면 카메라 내부 ASIC에서 깊이 연산과 컬러 정렬을 수행하면 호스트에는 처리된 깊이 스트림만 전달할 수 있다. 이를 통해 필요한 호스트 성능을 낮추고 처리 지연과 전력 소비를 줄일 수 있다. 특히 장애물 회피처럼 영상 획득부터 제어 명령까지의 시간이 중요한 AMR에서는 전체 처리 지연이 중요한 설계 조건이 된다. SDK·ROS와 동기화도 선택 기준 로봇용 깊이 카메라는 기계적으로 장착하는 것만으로 끝나지 않는다. 실제 시스템에서는 운영체제와 프로세서 플랫폼, ROS·ROS2 연동, Python 바인딩, 여러 카메라 간 동기화 등 소프 트웨어 통합 조건을 함께 확인해야 한다. Orbbec은 SDK가 지원하는 운영체제와 플랫폼, ROS·ROS2 래퍼 제공 여부, 기존 카메라 플랫폼에서 교체할 때 필요한 코드 수정 범위 등을 사전에 확인해야 한다고 설명한다. 여러 대의 카메라가 동일 공간에서 작동하는 경우에는 하드웨어 트리거를 통한 동기화 기능도 중요한 요소다. 데이터시트보다 실제 환경 검증이 중요 제조사가 제시하는 거리와 정확도 사양은 통제된 거리와 조명 조건에서 측정되는 경우가 많다. 따라서 실제 창고에 적용하기 전에는 로봇의 최소·최대 작업 거리와 조명 변화, 도크 주변의 강한 외부광 등 실제 운용 조건에서 성능을 검증해야 한다. 파일럿 단계에서는 최소·최대 거리의 깊이 정확도, 시간대별 조명 변화, 환경 조건에 따른 캘리브레이션 안정성을 확인하고, 양산·운영 단계에서는 카메라 교정 절차와 SDK 버전, OS 및 프로 세서 아키텍처의 호환성을 관리해야 한다. 카메라 장착 위치와 열관리, 애플리케이션별 튜닝값을 표준화하는 것도 다수의 AMR을 동일한 성능으로 운영하기 위한 조건이다. 또한 먼지와 습도, 세척 환경 등을 고려해 실제 현장 조건에 맞는 IP 등급을 확인해야 한다.대규모 AMR 플릿에 적용할 경우에는 센서 성능뿐 아니라 장기 공급 안정성과 제품 수명주기 지원도 살펴볼 필요가 있다. 로봇 플랫폼은 수년간 운영되는 만큼 부품 단종 시 대체 제품과 소프트 웨어 마이그레이션 경로를 제공할 수 있는지도 중요한 선정 기준이다. 최고 사양보다 용도에 맞는 센서 구성이 핵심 창고 자동화에서 깊이 카메라 선택의 핵심은 가장 높은 사양의 제품을 고르는 데 있지 않다. 장거리 내비게이션과 근거리 정밀 조작은 요구되는 거리 범위와 정밀도, 조명 대응 조건이 다르기 때문에 로봇이 수행하는 기능별로 적절한 센서를 선택해야 한다. AMR이 장애물 회피와 팔레트 인식, 빈피킹, 로봇 암 조작 등 더다양한 작업을 수행하면서 3D 비전 시스템의 역할도 확대되고 있다. 이에 따라 작업 거리와 공간 정밀도뿐 아니라 조명 변화 대응, 인카메라 연산, 동기화, SDK 호환성, 장기 공급 안정성까지 포함한 시스템 관점의 카메라 선정이 중요해지고 있다. 자료제공: Orbbec (www.orbbec.com)

2026-10-01

   배터리 상부 커버의 미세 변형까지 검출하는 3D 레이저 프로파일러

▲ SinceVision의 3D 레이저 프로파일러를 이용한 리튬이온 배터리 탑 커버 측정. 레이저로 표면을 스캔하고 획득한 높이 데이터를 3D 형상으로 변환해 분석한다. 리튬이온 배터리 제조에서는 탑 커버의 형상과 높이를 정밀하게 측정하는 공정이 요구된다. 특히 탑 커버의 평탄도와 본딩 높이, 국부적으로 가장 높게 돌출된 부분의 높이는 정량적인 측정이 필요한 항목이다.SinceVision은 이러한 배터리 탑 커버(top cover) 측정에 SRI8000시리즈 3D 레이저 프로파일링 시스템을 적용한 애플리케이션을 공개했다. SRI8000은 배터리 탑 커버의 표면 형상을 스캔해 평탄도(flatness), 본딩 높이(bonding height), 최대 돌출 높이(peak protrusion height)를 측정한다. 최대 스캔 속도는 67kHz, Z축 반복정밀도는 0.4μm로 제시됐다. SinceVision은 이를 수작업 측정을 대신해 고속 생산라인에서 적용할 수 있는 3D 측정 방식으로 설명한다. ▲ 3D 레이저 프로파일러가 배터리 탑 커버 표면을 비접촉 방식으로 스캔하는 모습. 레이저 스캔으로 표면의 높이와 형상 데이터를 획득한다. 3D 레이저 프로파일러는 어떻게 높이를 측정하나 3D 레이저 프로파일러는 대상물 표면에 레이저 라인을 투사하고, 표면 형상에 따라 변형된 레이저 정보를 이용해 높이 프로파일을 취득한다. 부품을 이동시키면서 연속적으로 프로파일을 쌓으면 표면의 높이 분포를 3차원 데이터로 구성할 수 있다. 이를 통해 특정 한 지점의 높이뿐 아니라 평탄도와 단차, 돌출부 등 표면 형상을 함께 측정할 수 있다. SinceVision의 SRI 시리즈는 센서 헤드와 컨트롤러를 일체화한 구조로 설계됐으며, 산업 자동화 시스 템과 연결해 3D 측정 데이터를 활용할 수 있도록 구성돼 있다. 평탄도와 높이를 하나의 3D 데이터로 탑 커버 측정에서 중요한 것은 단순히 특정 한 지점의 높이를 확인하는 것에 그치지 않는다. 부품 전체의 표면 상태를 스캔하고, 획득한 높이 데이터를 기반으로 서로 다른 측정 항목을 구분해야 한다.이번 애플리케이션에서 SinceVision이 제시한 측정 항목은 크게세 가지다. 탑 커버 전체의 평탄도를 확인하는 Flatness, 기준면을 중심으로 본딩 영역의 높이를 측정하는 Bonding Height, 그리고 측정 영역 가운데 가장 돌출된 위치의 높이를 확인하는 Peak Protrusion Height다. 이처럼 3D 데이터를 이용하면 한 번의 표면 스캔 데이터를 바탕으로 탑 커버의 전체적인 형상과 특정 영역의 높이를 정량적으로 확인할 수 있다.SinceVision은 자사의 3D 레이저 프로파일러가 표면을 레이저 라인으로 스캔해 높이·폭·깊이 등 3차원 프로파일 정보를 취득하는 방식이라고 설명하고 있다. 비접촉 방식으로 움직이는 부품의표면 데이터를 취득할 수 있다는 것이 3D 레이저 프로파일링의 특징이다. ▲ 3D 레이저 스캔으로 획득한 배터리 탑 커버의 높이 데이터. 표면의 높이 분포를 기반으로 평탄도와 본딩 높이, 돌출부 등을 정량적으로 분석할 수 있다. 최대 67kHz로 고속 생산라인 대응 측정 정밀도와 함께 이번 애플리케이션에서 강조되는 부분은 속도다.SRI8000 시리즈는 최대 67kHz의 스캔 속도를 지원한다. Since Vision은 이 속도를 기반으로 배터리 탑 커버를 생산라인에서 스캔 하면서 높이 데이터를 획득하도록 구성했다. Z축 반복정밀도는 0.4μ m로 제시된다. 특히 원문은 이 시스템의 적용 목적을 고속 생산라인에서 수작업 검사를 대체하는 것으로 설명한다. 즉, 작업자가 탑 커버의 높이를 개별적으로 확인하는 방식에서 벗어나, 3D 프로파일 데이터를 통해 필요한 형상 정보를 자동으로 측정하는 구조다. 여기서 중요한 것은 67kHz라는 수치가 제품 하나를 초당 6만 7000개 검사한다는 의미는 아니라는 점이다. 이는 3D 프로파일 러가 표면 프로파일을 취득하는 스캔 주파수다. 실제 한 제품의 검사 속도는 측정 영역, 이동속도, 필요한 프로파일 수 등 시스템 구성에 따라 달라질 수 있다. 탑 커버 형상을 정량 데이터로 전환 이번 애플리케이션은 3D 레이저 프로파일러가 배터리 외관을 단순히 촬영하는 장비가 아니라 표면 높이와 형상을 수치화하는 측정 장치로 사용된다는 점을 보여준다.SRI8000 시리즈가 측정하는 대상도 흠집이나 오염과 같은 일반 적인 외관 불량이 아니라 평탄도, 본딩 높이, 최대 돌출 높이다. 따라서 이 적용은 2D 영상검사보다는 배터리 부품의 3차원 치수를 정량적으로 확인하는 3D 계측 애플리케이션에 가깝다. 특히 배터리 탑 커버처럼 한 부품 안에서 여러 높이 정보를 확인 해야 하는 경우, 표면 전체를 스캔해 얻은 3D 데이터를 이용하면 필요한 위치의 높이와 전체 형상을 함께 분석할 수 있다. SinceVision은 SRI8000 시리즈를 이용해 이러한 탑 커버 형상 측정을 자동화하고, 고속 생산라인에서 수작업 검사 대신 사용할수 있는 방식으로 제시하고 있다. 최대 67kHz의 스캔 속도와 0.4 μm의 Z축 반복정밀도를 기반으로 평탄도·본딩 높이·최대 돌출 높이를 하나의 3D 측정 시스템에서 확인하는 것이 이번 애플리케 이션의 핵심이다. 자료제공: SinceVision (www.sincevision.com)

2026-10-01

   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)

2026-10-01

   ToF 3D 카메라 오차의 원인 ... 현장에서 놓치기 쉬운 5가지 변수

3D 비전 도입이 확대되면서 ToF(Time-of-Flight) 기반 카메라의 활용 범위도 빠르게 넓어지고 있다. 물류 자동화, 로봇 핸들링, 부피 측정, 이물 검출 등 다양한 산업에서 3D 데이터의 중요성이 높아지는 가운데, ToF 기술은 실질적인 대안으로 자리 잡고 있다. 다만 ToF 시스템의 성능은 카메라 사양보다 촬영 환경과 대상 조건에 의해 먼저 결정된다. 동일 장비라도 적용 환경에 따라 결과 편차가 크게 발생하는 이유다. 본 기사는 현장에서 빈번하게 발생하는 오류 원인을 중심으로, ToF 3D 카메라 성능에 영향을 미치는 주요 변수 5가 지를 정리했다. 1. 대상의 움직임은 깊이 데이터의 왜곡을 유발한다 ToF 3D 카메라는 일반 카메라와 달리 단일 프레임이 아닌 복수의 마이크로 프레임을 기반으로 깊이 정보를 계산한다. 이 과정에서각 프레임 간 위상 차이를 이용해 거리를 산출하기 때문에, 촬영 대상이나 카메라가 움직일 경우 데이터 정합이 무너질 수 있다. 특히 컨베이어 기반 검사 환경에서는 이러한 문제가 더욱 두드러 진다. 대상 물체가 카메라 시야를 통과하는 속도가 지나치게 빠를 경우, 하나의 깊이 프레임을 구성하는 과정에서 위치 정보가 일관 되지 않게 수집되며, 결과적으로 포인트 클라우드가 왜곡된다.이러한 현상은 로봇 핸들링이나 자동 분류 공정에서 오동작으로 이어질 수 있다. 물체 위치가 실제보다 앞뒤로 어긋나면서 그립 실패나 충돌이 발생할 수 있기 때문이다. ☞ 설계 기준: 대상 이동 속도는 카메라 프레임 속도와 마이크로 프레임 구성 시간을 기준으로 설정해야하며, 필요 시 고속 모드를 적용하되 정확도 저하를 함께 고려해야 한다. 2. 반사 특성이 극단적인 물체는 깊이 오류를 키운다 ToF 카메라는 대상 물체의 표면 특성에 매우 민감하게 반응한다.특히 빛을 거의 반사하지 않는 어두운 물체와, 반대로 거울처럼 빛을 강하게 반사하는 물체는 모두 문제를 일으킨다. 어두운 물체는 입사된 빛을 흡수해 반사 신호가 부족해지며, 이로 인해 깊이 데이터가 비거나 불완전하게 형성된다. 반면 금속이나 광택 표면과 같이 반사율이 높은 물체는 센서에 과도한 신호를 전달해 픽셀 포화를 유발하고, 실제보다 가까운 위치에 데이터가 형성되는 오류가 발생한다. 이러한 문제는 단일 설정으로 해결하기 어렵기 때문에, 노출 시간과 게인 값을 상황에 맞게 조정해야 한다. 일반적으로 원거리 또는 저반사 대상에는 긴 노출과 높은 게인을 적용하고, 근거리 또는 고반사 대상에는 짧은 노출과 낮은 게인을 적용하는 방식이 사용된다. 또한 이미지 누적, 신뢰도 임계값 설정, 공간 필터링과 같은 후처리 기법이 병행되어야 안정적인 데이터를 확보할 수 있다. 반사 특성이 혼재된 환경에서는 HDR 방식이 효과적인 대안이 될 수있다. ☞ 설계 기준: 반사 특성이 다양한 환경에서는 단일 노출 설정이 아닌 노출 분리(HDR) 및 신호 필터링 전략을 전제로 시스템을 구성해야 한다. 3. 투명체는 ToF의 대표적인 한계 영역이다 투명 소재는 ToF 3D 카메라 적용에서 가장 까다로운 대상 중 하나다. 플라스틱이나 유리와 같은 물체는 빛을 대부분 통과시키기 때문에 센서로 돌아오는 반사 신호가 충분하지 않다. 이로 인해 카메라는 물체 자체가 아니라 뚜껑, 라벨, 또는 배경과 같은 일부 반사 요소만을 인식하게 된다. 특히 물체 측면에서는 깊이 데이터가 비거나 불규칙하게 나타나며, 포인트 클라우드가 끊어지는 현상이 발생한다. 더 큰 문제는 데이터의 일관성이 유지되지 않는다는 점이다. 동일한 물체라도 촬영 각도나 위치에 따라 깊이 데이터가 크게 달라 지며, 프레임 간 변동성이 증가한다. 정면에서는 비교적 정상적인 형태로 보이더라도, 각도를 바꾸면 왜곡이 급격히 증가하는 경우가 많다. 이러한 특성 때문에 투명체를 대상으로 하는 경우에는 완전한 3D 복원보다는, 일부 특징 영역을 안정적으로 검출하는 방향으로 접근하는 것이 현실적이다. 이를 위해 이미지 누적, 노출 조정, 필터링 등을 복합적으로 적용하는 전략이 필요하다. ☞ 설계 기준: 투명체 전체의 안정적인 3D 데이터 확보가 어려운 경우에는 라벨이나 캡 등 비투명 영역을 활용하는 방법을 검토할 수 있다. 4. 장면이 복잡할수록 오차는 커진다 ToF 카메라는 빛의 왕복 시간을 기반으로 거리를 계산하기 때문에, 빛의 경로가 복잡해질수록 오류 가능성이 증가한다.특히 빛이 여러 표면에 반사된 후 센서로 돌아오는 멀티패스 현상은 대표적인 오류 원인이다. 이 경우 물체는 실제보다 더 멀리 있는 것처럼 인식되거나, 각진 구조가 둥글게 변형되는 등 형태 왜곡이 발생한다. 산업 현장에서는 이러한 현상이 예상보다 자주 발생한다. 예를 들어 금속 구조물이나 복잡한 설비 주변에서는 빛이 여러 번 반사 되면서 깊이 데이터가 불안정해질 수 있다. 또한 바닥이나 배경의 반사율이 높을 경우, 물체와 배경 간 간섭이 발생해 형태가 변형 되는 사례도 나타난다. ☞ 설계 기준: 멀티패스 오류를 줄이기 위해서는 배경을 단순화하고 반사 율이 높은 요소를 제거하는 환경 설계가 필수적이다. 5. 거리 설정이 틀리면 위치 자체가 어긋난다 ToF 카메라는 측정 가능한 거리 범위를 기반으로 동작하며, 이 범위를 벗어나는 대상에 대해서는 ‘랩어라운드’ 현상이 발생할 수있다.이 현상은 실제로는 카메라보다 멀리 있는 물체가 오히려 앞쪽에 나타나는 형태로 나타나며, 깊이 데이터 해석을 크게 왜곡시킨다. 특히 복수의 물체가 존재하는 환경에서는 이러한 오류가 누적되어 전체 장면 인식에 영향을 줄 수 있다.또한 ToF 카메라는 거리 모드에 따라 서로 다른 주파수를 사용하 며, 장거리 측정 시에는 낮은 주파수를 사용하게 된다. 이 경우 측정 범위는 넓어지지만, 깊이 정밀도는 상대적으로 낮아지는 특성이 있다. ☞ 설계 기준: 애플리케이션에 맞는 거리 모드를 선택하고, 불필요한 거리 범위는 소프트웨어적으로 제한하는 것이 필수적이다. ToF 성능은 ‘카메라’보다 ‘환경 설계’에서 결정된다 ToF 3D 카메라의 성능은 카메라 자체의 사양뿐 아니라 촬영 환경과 대상 물체의 특성에 크게 영향을 받는다. 대상의 움직임과 표면 반사 특성, 투명도, 주변 구조, 측정 거리 등이 달라지면 깊이 데이터의 정확도와 안정성도 달라질 수 있다. 같은 카메라를 사용 하더라도 대상이 빠르게 움직이거나, 반사율이 지나치게 높거나 낮거나, 빛이 여러 경로로 반사되는 환경에서는 포인트클라우드의 왜곡이나 데이터 손실이 발생할 수 있다. 또한 ToF 시스템에서는 하나의 성능을 높이는 과정에서 다른 조건과의 절충이 필요할 수 있다. 빠르게 움직이는 대상을 측정하기 위해 높은 프레임 속도를 사용하면 정확도나 측정 거리에서 제약이 생길 수 있고, 저반사 물체를 보다 선명하게 촬영하기 위해 노출 시간이나 이미지 누적을 늘리면 데이터 생성 속도가 낮아질 수있다. 장거리 측정을 위한 거리 모드 역시 측정 범위를 넓히는 대신 깊이 정밀도에 영향을 줄 수 있다. 따라서 ToF 기반 시스템을 설계할 때는 최대 측정 거리나 프레임 속도와 같은 개별 사양만을 기준으로 판단하기보다 실제 애플리 케이션의 조건을 함께 검토해야 한다. 대상의 이동 속도와 표면 특성, 배경의 반사율, 필요한 측정 범위를 먼저 파악하고, 이에 맞춰 노출과 게인, 필터링, 거리 모드 등을 설정해야 한다. 특히 복잡한 장면이나 반사 특성이 서로 다른 물체가 혼재하는 경우에는 하나의 설정만으로 안정적인 데이터를 확보하기 어렵다.이미지 누적과 신뢰도 임계값, 공간 필터링, HDR, 거리 범위 제한 등의 기능은 이러한 조건 차이를 보완하는 데 활용할 수 있다. 결국 안정적인 3D 데이터를 확보하려면 카메라 선택과 함께 촬영 환경, 대상 특성, 장면 구성, 데이터 처리 조건을 하나의 시스템으로 고려해야 한다. 실제 장면에서 발생하는 데이터 변화를 확인하고 애플리케이션에 맞는 설정을 적용하는 과정이 ToF 시스템 성능 확보의 핵심이다. 자료제공: LUCID (www.thinklucid.com)

2026-10-01

복잡한 수동 조립공정, AI 머신비전으로 작업 오류 줄인다

제품 종류가 많고 생산 수량이 적은 조립공정에서는 모든 작업을 자동화하기 어렵다. 제품마다 조립해야 할 부품과 작업 순서가 달라 작업자의 판단과 숙련도가 여전히 중요한 역할을 하기 때문이 다. 이처럼 작업자가 중심이 되는 생산환경에서도 머신비전은 자동화의 범위를 넓힐 수 있다. 작업자를 대체하는 것이 아니라 작업 단계마다 필요한 정보를 제공하고, 중요 조립 상태를 자동으로 확인하는 방식이다. 스위스 라이나흐(Reinach)에 위치한 Endress+Hauser Flow(엔 드레스하우저 플로우)는 이러한 접근법을 수동 조립공정에 적용 했다. 작업대 상부에 설치된 카메라와 머신비전 소프트웨어를 이용해 작업자의 조립 과정을 지원하고, 각 공정 단계가 올바르게 수행됐는지를 실시간으로 확인한다. 시스템은 회사의 웹 기반 제조실행시스템(MES)과 연계돼 작업 지시부터 검사 결과 관리까지 하나의 흐름으로 연결된다. ▲ Endress+Hauser의 수동 조립 작업대. 상부 카메라가 작업물을 촬영한다. 다품종 소량생산에서 작업자와 머신비전의 결합 Endress+Hauser의 조립공정은 제품 변형이 많고 생산 배치가 작은 것이 특징이다. 이런 환경에서는 정형화된 대량생산 라인과 달리 완전자동화를 적용하는 데 한계가 있다. 기존에는 품질을 확보하기 위해 두 명의 작업자가 교차 확인하거나 추가 검사를 실시하는 방식이 주로 사용됐다. Endress+Hauser는 생산 작업자의 부담을 줄이는 동시에 조립 과정에서 오류를 조기에 발견하기 위해 머신비전을 이용한 디지털 작업 지원 시스템을 구축했다. 핵심은 검사를 생산공정 마지막에 집중시키는 것이 아니라 조립이 진행되는 과정 안에 포함시키는 것이다. 조립 중 잘못된 상태를 발견하면 바로 수정할 수 있기 때문에 오류가 이후 공정으로 넘어 가거나 최종 검사 단계에서 뒤늦게 발견되는 것을 방지할 수 있다. ▲ 작업자가 작업물을 스캔해 제품별 조립 정보를 불러오는 모습. MES가 작업을 지시하고 머신비전이 조립 상태 확인 머신비전 시스템은 Endress+Hauser의 웹 기반 MES와 통합돼 작동한다.먼저 MES는 현재 제품이 올바른 공정 단계에 있는지 확인한다.해당 작업대가 그 공정을 수행하기에 적합한지, 로그인한 작업자 에게 작업 권한이 있는지도 함께 확인한다. 조건이 충족되면 화면을 통해 이미지와 텍스트 형태로 작업 방법을 표시한다. 이와 동시에 MVTec의 머신비전 소프트웨어 MERLIC이 백그라운 드에서 해당 제품에 필요한 레시피 데이터와 파라미터를 불러온 다. 이후 카메라 영상을 분석해 필요한 조립 작업이 제대로 수행됐 는지를 확인하고, 완료된 작업 단계는 다시 MES로 전달한다. MES 와 머신비전이 각각 작업 관리와 시각적 검증을 담당하는 구조다. 바코드에서 제품별 조립 정보 불러와 작업대는 높이 조절이 가능한 테이블을 기반으로 구성되며, 상부 레일에는 작업물을 내려다보는 카메라가 설치돼 있다. 검사 대상은 주로 조립이 거의 완료된 유량계다.작업자가 먼저 부품에 부착된 바코드를 읽으면 해당 제품에 필요한 조립 정보가 호출된다. 화면에는 제품을 어떤 순서로 조립해야 하는지, 어떤 부분에 주의해야 하는지를 설명하는 메시지와 이미지가 나타난다. 각 코드에는 현재 부품을 단계별로 어떻게 조립해야 하는지에 관한 정보가 연결돼 있다. 생산 배치가 1개인 제품에서도 각각의 제품 정보에 맞춰 작업 순서를 제공할 수 있기 때문에 다품종 소량 생산 환경에 대응할 수 있다. 머신비전은 작업자의 조립 과정도 동시에 확인한다. 대표적으로 시스템은 씰(seal)이 정상적으로 장착됐는지 영상으로 검사한다.중요한 공정 단계가 제대로 완료된 것이 확인되면 결과가 MES로 전송되고 해당 제품은 다음 공정으로 진행할 수 있다. ▲ MERLIC이 조립 과정에서 씰 장착 여부를 자동으로 확인한다. 산업용 PC·액체렌즈 카메라·거리 센서로 시스템 구성 작업대의 머신비전 시스템은 비교적 간결하게 구성됐다. 주요 하드웨어는 산업용 PC, 레이저 거리 센서, 가변 초점을 지원하는 액체렌즈 카메라(liquid-lens camera)이며, 제품의 코드를 읽기 위한 바코드 스캐너도 사용된다. 카메라가 영상을 획득하면 MERLIC이 이를 처리하고 분석한다.카메라와 머신비전 소프트웨어는 작업자가 별도로 조작하지 않아도 백그라운드에서 동작한다. 시스템이 올바른 작업 수행 여부를 자동으로 인식하고 확인하면 사용자 인터페이스가 다음 작업 단계로 넘어가는 방식이다. 여기에는 일반적인 영상처리뿐 아니라 AI 기반 머신비전 기술도 적용됐다. Endress+Hauser가 사용하는 주요 기술은 시맨틱 세그멘테이션(Semantic Segmentation)과 객체 검출(Object Detection)이다. 시맨틱 세그멘테이션은 영상의 각 픽셀을 분류해 오류가 존재하는 영역을 픽셀 수준으로 특정한다. 객체 검출은 영상에서 대상 객체의 위치를 찾아 바운딩 박스 형태로 표시하고 객체 클래스를 식별한다. 두 기술을 이용해 조립 과정에서 필요한 부품이나 상태를 인식하고, 작업 단계가 제대로 수행됐는지를 확인한다. 공정 중 검사에서 코드 자동 인식까지 확대 Endress+Hauser는 현재 적용 중인 머신비전 시스템의 기능을 추가로 확대할 계획이다. 향후에는 머신비전 소프트웨어가 부품에 있는 코드를 바코드 리딩 및 OCR(광학문자인식) 기술로 직접 읽고, 해당 코드에 연결된 디지털 정보를 자동으로 호출하도록 할 예정이다. 이 방식이 적용되면 작업자가 별도의 스캐너를 이용해 코드를 읽는 대신 작업물을 카메라 아래에 놓는 것만으로 제품 정보를 인식할 수 있다. 이후 같은 카메라를 이용해 작업 진행 과정까지 검사할 수 있어 제품 식별과 공정 검사를 하나의 비전 시스템에서 연속적으로 수행할 수 있게 된다. Endress+Hauser는 2025년 3월부터 해당 머신비전 소프트웨어를 실제 생산환경에서 사용해왔다. 본사에서 개발과 테스트, 검증을 진행한 뒤 안정성과 신뢰성을 확인했으며, 2025년 가을부터 다른 글로벌 생산거점으로 시스템을 확대하기 시작했다. 이번 사례는 머신비전의 역할이 완전자동화 설비에만 국한되지 않는다는 점을 보여준다. 특히 제품 변형이 많고 작업자의 개입이 필수적인 조립공정에서는 작업 지시와 머신비전 검사, MES를 연결해 작업자의 판단을 지원하는 방식으로 활용할 수 있다. 자동화 하기 어려운 수작업 영역에 비전을 적용하고, 공정이 진행되는 시점에서 조립 상태를 확인한다는 것이 이 시스템의 핵심이다. 자료제공: MVTec (www.mvtec.com)

2026-09-01

SWIR 카메라의 결함 픽셀을 줄이는 방법

단파적외선(SWIR) 센서를 탑재한 산업용 카메라는 가시광으로 확인하기 어려운 비가시광 영역의 검사에 활용된다. Sony SenSWIR 계열과 같은 InGaAs 기반 센서는 400~1700nm 범위에서 감도를 제공해 가시광과 NIR, SWIR 영역을 함께 포괄한다. 이러한 InGaAs 기반 SWIR 센서는 적용 범위와 이미지 품질 측면에서 활용성이 확대되고 있지만, 실리콘 기반 CMOS 센서에 비해 결함 픽셀 관리가 중요하다. 이번 기사에서는 SWIR 이미지 품질에 영향을 주는 결함 픽셀의 특성을 살펴보고, 센서 온도 관리와 정적·동적 픽셀 보정, 냉각 구조를 통해 이를 줄이는 방법을 소개한다. <그림1> Sony SenSWIR 센서의 전자기 스펙트럼 및 파장 범위 가시광부터 SWIR까지 확장된 센서 감도 영역 전자기 스펙트럼에서 단파적외선(SWIR, Short-Wavelength Infrared)은 일반적으로 900~2500nm 범위로 정의된다. 산업용 카메라 시장에서는 900~1100nm 영역을 근적외선(NIR, Near Infrared)으로 구분하기도 한다. 이는 실리콘 기반 센서가 최대 약 1100nm까지 감도를 가질 수 있기 때문이다. Sony의 SenSWIR 센서는 400~1700nm 범위에서 감도를 제공해 가시광 영역과 NIR, 그리고SWIR 스펙트럼의 상당 부분을 포괄한다. 기존 CMOS 센서와 비교한 SWIR 센서의 특성 특수InGaAs 센서: 기존의 특수 InGaAs 센서는 900~1700nm의 비가시광 영역에서만 동작할 수 있었다. 이러한 센서는 가격이 높고 사용 가능한 파장 범위가 제한적일 뿐 아니라 이미지 품질에도 한계가 있었다.Sony SenSWIR InGaAs 센서는 감도 범위를 400nm의 가시광 영역까지 확장해 보다 안정적인 이미지 품질을 제공한다. 또한 가격 경쟁력이 개선됐으며, 다양한 애플 리케이션에 보다 유연하게 적용할 수 있다. 실리콘 기반 센서: Sony SenSWIR를 포함한 InGaAs 센서는 기술적 특성상 실리콘 기반 CMOS 센서보다 결함 픽셀이 많이 발생한다. 현재의 실리콘 기반 CMOS 센서는 낮은 노이즈, 높은 다이내믹 레인지, 적은 결함 픽셀 등 우수한 이미지 품질을 제공한다.이에 비해 InGaAs 센서는 결함 픽셀 관리가 상대적으로 중요하기 때문에, 이미지 품질을 확보하려면 카메라 제조업체가 적절한 보정과 열 관리 방식을 적용해야 한다. <그림2> SWIR 센서의 원시 이미지에서는 예상대로 다수의 결함 픽셀이 나타난다(사진 왼쪽). 필요한 개선 처리를 적용한 후의 이미지(오른쪽). SWIR 애플리케이션에서 결함 픽셀 줄이기 1단계: 특허 열 설계를 통한 결함 픽셀 발생 억제 이미지 센서의 온도를 가능한 한 낮게 유지하면 결함 픽셀이 처음부터 발생하는 것을 상당 부분 억제할 수 있다. 이에 따라 이후 카메라 펌웨어에서 수행해야 하는 보정 부담도 줄일 수있다. 예를 들어 Baumer CX.SWIR.XC 카메라는 냉각 핀이 통합된 특허 열 하우징 설계를 적용했다. 냉각 핀은 센서와 카메라 내부 전자부품에서 발생하는 열을 외부로 효과적으로 방출해 센서 온도를 지속적으로 낮게 유지하도록 돕는다.또한 36 × 36mm의 비교적 큰 하우징은 넓은 표면적을 통해 열 방출을 돕고 이미지 센서 주변의 열 축적을 방지한다. 2.1W의 낮은 소비전력 역시 다른 SWIR 카메라에 비해 열 발생을 줄이는 데 기여한다. 이러한 여러 조치를 결합함으로써 센서의 열을 최대한 줄이고 결함 픽셀 발생을 억제할 수 있으 며, 결과적으로 보다 안정적인 이미지 평가에 도움이 된다. <그림3> 냉각 핀이 통합된 특허 열 하우징 설계. 결함 픽셀을 최소화하고 암전류를 낮게 유지하려면 센서 온도를 가능한 한 낮게 유지해야 한다. 2단계: 카메라 펌웨어를 통한 추가 결함 픽셀 보정 열 하우징을 최적화하고 열 유입을 최대한 줄이더라도 결함 픽셀의 발생을 완전히 막을 수는 없다. 따라서 남아 있는 결함 픽셀은 카메라 펌웨어를 통해 추가로 보정할 수 있다. Baumer는 카메라 펌웨어에서 정적 결함 픽셀 보정과 동적 결함 픽셀 보정을 함께 사용한다. 생산 과정에서 각 SWIR 카메라가 일반적으로 동작하는 온도 범위에서 결함 픽셀을 측정하고, 확인된 픽셀의 좌표를 카메라 내부에 저장한다. 저장 된 각 픽셀은 카메라에서 실시간으로 보정된다. 보다 높은 수준의 관리가 필요한 사용자는 필요할 경우 이러한 좌표를 직접 읽어 자체적으로 보정하거나, 문서화를 위해 좌표 데이터를 외부에 저장할 수도 있다. 또한 온도나 노출 시간이 달라지면 새로운 결함 픽셀이 추가로 나타날 수 있다. 이러한 결함은 ‘동적 결함 픽셀 보정 (Dynamic Defect Pixel Correction)’ 기능으로 보정된다. 사용자는 각 애플리케이션에 맞는 결과를 얻을 수 있도록 보정이 작동하는 임계값을 직접 조정할 수 있다. <그림4> 센서 온도에 따른 결함 픽셀 수와 정적·동적 결함 픽셀 보정 범위 3단계: 고정밀 측정을 위한 통합 냉각 파이프의 선택적 사용 비가시광 영역에서 특히 높은 정밀도가 요구되는 애플리케이션에서는 카메라에 통합된 특허 냉각 파이프를 선택적으로 사용할 수 있다. 이 냉각 파이프는 압축공기나 물과 같은 액체를 공급해 카메 라를 추가로 냉각할 수 있도록 설계됐으며, 특히 센서와 렌즈등 민감한 부품의 온도를 낮추는 데 사용된다. 발생한 열은 냉각 파이프를 통해 외부로 효율적으로 배출된다. 이를 통해 측정에 필요한 안정적인 온도 조건에 보다 빠르게 도달하고, 높은 이미지 품질을 유지할 수 있다. 이 방식은 두 가지 주요 효과를 제공한다. 첫 번째는 열 안정화 시간 단축이다. 일반 카메라는 열적으로 안정화되기까지 최대 약 60분이 걸릴 수 있지만, 냉각 파이프를 사용하는 경우 약 10분으로 단축될 수 있다. 이에 따라 나노미터 수준과 같은 고정밀 측정에서 사용할 수 있는 결과를보다 빠르게 얻고 대기 시간을 줄일 수 있다. 두 번째는 렌즈 시스템의 열 드리프트 억제다. 카메라 전자부 품에서 발생하는 열이 렌즈 쪽으로 전달되는 것을 억제함으로써 렌즈 시스템의 열 드리프트를 줄일 수 있다. 이는 광학계를 포함한 전체 카메라 시스템의 측정 정확도 향상에 기여한다. 이를 통해 사용자는 애플리케이션에서 보다 높은 정밀도로, 그리고 더 빠르게 측정을 수행할 수 있다. <그림5> 선택적으로 사용할 수 있는 통합 냉각 파이프. 통합 냉각 파이프를 통해 고정밀 이미지 데이터를 확보하고 측정 사이클 시간을 단축할 수 있다. SWIR 이미지 품질을 위한 열 관리와 픽셀 보정 앞서 살펴본 것처럼 결함 픽셀 발생 가능성이 높은 이미지 센서에서도 카메라 제조업체가 적절한 대응 방식을 적용하면 이미지 품질을 개선할 수 있다. Baumer는 특허 열 하우징 설계와 카메라 펌웨어 기반의 결함 픽셀 보정 기능을 결합하는 방식을 적용하고 있다. 이를 통해 결함 픽셀의 발생을 최대한 억제하는 동시에, 남아 있는 결함 픽셀도 보정한다.이러한 접근은 고정밀 SWIR 애플리케이션에서도 보다 안정 적인 이미지 품질을 확보하는 데 활용될 수 있다. 자료제공: Baumer (www.baumer.com)

2026-09-01

AI 비전으로 고반사 금속부품 미세결함 자동 검사 시스템 적용 사례

고광택 금속 표면은 반사로 인해 미세 결함을 안정적으로 검출하기 어려운 검사 대상이다. 결함은 특정 각도와 조명 조건에서만 드러나는 경우가 많고, 수작업 육안 검사는 검사자 상태와 작업 시간에 따라 품질 편차가 발생할 수 있다. 오스트리아의 Danube Dynamics는 메카트로닉 출입 솔루션 제조기업 EVVA와 협력해, 잠금 실린더와 실린더 코어 등 고정밀 금속 부품의 표면 결함을 자동으로 검사하는 AI 기반 품질관리 시스템을 개발했다. 이 시스템은 IDS의 USB 3 uEye XCP 흑백 카메라, 폐쇄형 테스트 박스, RGBW 조명, AI 평가를 결합해 0.1mm 이하의 미세 결함을 검출하고, 유로박스 단위 검사 시간을 30초 이상에서 5초 미만으로 단축한 사례다. ▲ IDS uEye XCP 카메라와 AI 이미지 처리는 EVVA의 고광택 금속 잠금 부품 표면 검사를 자동화하는 데활용됐다. Challenge 반사 표면의 미세 결함 검사 EVVA의 금속 부품은 여러 공정 단계를 거치며 엄격한 품질 기준을 충족해야 한다. 검사 대상에는 잠금 실린더, 실린더 코어, 정밀 가공 또는 도금 처리된 출입 기술용 부품이 포함된다. 이들 부품에서는 0.1mm 이하의 스크래치와 도금 오류 같은 미세 결함을 검출해야 하지만, 이러한 결함은 육안으로 확인하기 어려운 경우가 많다. 가장 큰 과제는 고광택 금속 표면의 반사였다. 반사광은 표면의 세부 정보를가리고, 결함은 특정 시야각이나 조명 조건에서만 드러날 수 있다. 안정적인 평가를 위해서는 여러 관점과 반복 가능한 조명 조건이 필요했지만, 수작업 육안 검사만으로는 일관된 품질을 유지하기 어려웠다. 이에 따라 결함을 안정적으로 검출하고, 작업자를 지원하 며, 생산 공정에 안정적으로 통합될 수 있는 자동 검사 솔루션이 요구됐다. ▲ EVVA의 기계식 잠금 실린더와 같은 고정밀 금속 부품은 고광택 표면 특성으로 인해 미세 스크래치와 도금 결함 검출이 까다롭다. ▲ Danube Dynamics가 개발한 AI 기반 검사 시스템은 유로박스에 배열된 금속 부품을 촬영하고, 표면 결함을 자동으로 평가한다. Solution 폐쇄형 박스와 RGBW 조명 Danube Dynamics는 IDS 카메라를 활용해 AI 기반 검사 시스템을 개발했 다. 이 시스템은 400 × 300mm 유로박스 안에 정렬된 부품을 한 번에 촬영 하고, 표면 결함을 자동으로 평가하도록 구성됐다. 최대 126개의 부품을 박스에 배열해 한 번의 검사 과정에서 처리할 수 있으며, 반사 영향을 줄이기 위해 맞춤형 조명을 갖춘 폐쇄형 테스트 박스를 사용했다. 조명은 개별 제어가 가능한 4개의 RGBW 바를 사용했다. 서로 다른 색상과 조명 각도를 적용해 다양한 결함 패턴이 드러나도록 했으며, 조명·이미지 품질·AI 평가의 조합이 검사 안정성의 핵심 요소로 작용했다. 고광택 금속 표면에서는 결함이 특정 조명 각도에서만 보일 수 있기 때문에, 단일 조건이 아니라 정의된 조명 조건을 반복적으로 확보하는 구성이 중요했다. 이미지 획득에는 IDS의 흑백 산업용 카메라 USB 3 uEye XCP, U3-36P0XCP-M-GL Rev. 1.2가 사용됐다. 이 카메라는 onsemi의 19.80MP AR2020 센서를 기반으로 하며, 5136 × 3856픽셀의 5K UHD 해상도를 제공한다. 1/1.8인치 롤링셔터 센서와 4:3 화면비는 미세 표면 결함을 세밀하게 포착하는 데 활용됐다. 시스템에는 초점거리 8.5mm의 IDS 렌즈, Type 20M11-C08528도 함께 적용됐다. 카메라는 유로박스 전체를 고해상도로 촬영하고, AI는 각 부품의 미세 결함을 분석한다. 이때 중요한 것은 단순한 픽셀 수뿐 아니라 정의된 조명 조건에서 반복 가능한 이미지를 얻는 것이다. 흑백 카메라는 관련 표면 특징을 높은 대비로 표현하는 데 도움이 되며, 표준 인터페이스를 통해 전체 시스템에 통합돼 개발 부담을 줄이고 운영 중 안정적인 검사 결과를 확보할 수 있도록 했다. ▲ EVVA의 출입 솔루션은 보안과 안전이 요구되는 환경에 적용되며, 관련 금속 부품에는 높은 수준의 품질 관리가 요구된다. Result 검사 시간 5초 미만으로 단축 AI는 숙련된 전문가도 거의 알아차리기 어려운 편차를 검출했으며, 특히 검사 시간 단축 효과가 뚜렷했다. 기존 수작업 육안 검사는 유로박스 1개당 30 초 이상이 걸렸지만, 자동 검사 시스템 적용 후 검사 시간은 5초 미만으로 줄었다. 이 검사 과정은 4개의 정의된 조명 시나리오를 기반으로 한다. 각 부품에 대해 4장의 이미지가 생성되며, 이후 AI 추론은 실린더당 약 10ms의 처리 시간으로 수행된다. 즉, 다수 부품을 한 번에 촬영하면서도 미세 결함을 빠르게 평가할 수 있는 구조를 구현한 것이다. 검사 프로세스도 디지털화됐다. 검사 결과는 체계적으로 문서화되고 통계적으로 평가될 수 있으며, 기존에는 기록되지 않았던 스크랩과 편차도 추적 가능해졌다. 이 시스템은 수작업 품질관리를 완전히 대체하는 것이 아니라, 작업자를 지원하고 반복 가능한 검사 프로세스를 생산 공정 안에 통합하는 방식이다. 또한 EVVA는 AI를 독립적으로 재학습할 수 있게 됐다.새로운 제품 변형이나 오류 패턴을 자체적으로 시스 템에 통합할 수 있어, 기본 시스템 구조를 바꾸지 않고 향후 요구사항 변화에 대응할 수 있다. Insight AI 검사도 이미지 조건이 좌우한다 이번 사례는 고광택 금속 부품 검사에서 AI만으로는 충분하지 않으며, 안정적인 이미지 획득 조건이 함께 갖춰져야 한다는 점을 보여준다. 반사가 강한 표면에서는 결함이 조명 각도와 시야 조건에 따라 보이거나 사라질 수있기 때문에, 폐쇄형 검사 환경과 제어 가능한 RGBW 조명, 고해상도 흑백 카메라의 조합이 중요하다. Danube Dynamics와 EVVA의 사례는 표준적인 머신 비전 적용보다 난도가 높은 표면 검사에서도, 조명 설계와 고해상도 영상 획득, AI 평가를 결합하면 미세 결함 검출과 검사 시간 단축을 동시에 구현할 수 있음을 보여준다. 특히 검사 결과의 디지털 문서화와 AI 재학습 가능성은 향후 제품 변형과 품질 기준 변화에 대응하는 기반이 된다. 자료제공: IDS (en.ids-imaging.com)

2026-09-01

하이브리드 AI 비전으로 완성한 고속 오더 피킹 시스템

독일의 로봇 자동화 전문기업 EEP-Robotics는 유로 팔레트에 적재된 골판지 박스와 플라스틱 적재 운반체(KLT)를 자동으로 처리하는 오더 피킹 시스템을 구축했다. 이 시스템은 4대의 PhoXi 3D Scanner L과 하이브리드 소프트웨어 구조를 결합해 박스와 KLT뿐 아니라 적재 층 사이의 분리용 판지, 목재 프레임, 스트레치 밴드까지 감지한다. 로봇은 3D 스캔 결과에 따라 적합한 그리퍼를 자율적으로 선택하며, 서로 다른 크기와 형태의 박스 등 7종 적재물을 시간당 250회 피킹 성능으로 처리한다. ▲ EEP-Robotics가 구축한 3D 비전 기반 오더 피킹 시스템. 하나의 로봇 셀에서 다양한 박스와 KLT를 자동으로 처리한다. ▲ 로봇과 3D 비전 시스템을 결합한 EEP-Robotics의 오더 피킹 셀 Challenge 복잡한 비정형 팔레트 처리 EEP-Robotics의 고객사는 유로 팔레트에 적재된 다양한 골판지 박스와 플라스틱 적재 운반체를 자동으로 디팔레 타이징해야 했다. 단순히 팔레트 위의 박스를 인식하는 수준을 넘어, 무작위로 배열된 물체의 위치와 경계를 정확하게 파악해야 하는 작업이었다. 적재 형태도 일정하지 않았다. 서로 다른 크기와 형태의 박스 및 적재 운반체 7종을 처리해야 했으며, 적재 층 사이에 놓인 얇은 간지와 목재 프레임, 제품을 고정하는 스트레치 밴드도 함께 감지해야 했다. 이러한 요소를 제대로 구분하지 못하면 피킹 오류나 제품 손상으로 이어질 수 있었다. 팔레트 전체 높이를 측정해야 한다는 점도 과제였다. 일반 적인 센서의 고정된 측정 범위만으로는 높은 팔레트 전체를 정밀하게 스캔하기 어려웠다. 따라서 측정 범위를 확대하면서도 로봇의 위치 결정에 필요한 3D 데이터의 해상도와 정밀 도를 유지해야 했다. 처리 속도 역시 중요한 조건이었다. 시스템은 로봇의 그리퍼 교체 작업을 포함하면서도 최소 시간당 250회의 피킹 성능을 달성해야 했다. 이를 위해 3D 스캐너와 로봇, PLC, 그리퍼 교환 시스템이 안정적으로 동기화돼야 했다. ▲ 4대의 PhoXi 3D Scanner L은 천장형 서보 축 시스템에 장착돼 팔레트 전체 높이를 고해상도로 스캔한다. Solution 3D 비전과 AI 소프트웨어 결합 EEP-Robotics는 4대의 PhoXi 3D Scanner L을 천장형 서보 축시스템에 장착했다. 스캐너를 고정된 위치에 설치하는 대신 서보 축을 따라 수직으로 이동하도록 구성해, 팔레트의 전체 높이를 스캔할 수 있도록 했다. 이를 통해 일반적인 센서의 측정 범위를 넘어서는 높은 팔레트를 처리하면서도, 로봇 피킹에 필요한 고해상도 3D 데이터를 확보할 수 있도록 했다. 솔루션의 핵심은 Photoneo의 온보드 소프트웨어와 EEP가 자체 개발한 AI 알고리즘을 결합한 하이브리드 소프트웨어 구조다.Photoneo의 내장 객체 인식 소프트웨어는 팔레트 최상단에 놓인 골판지 박스와 플라스틱 적재 운반체를 감지하고, 각 물체의 위치를 계산한다. 박스와 KLT처럼 표준화된 대상은 Photoneo의 기존 인식 파이프라인을 이용해 빠르게 처리한다. 반면 적재 층 사이의 분리용 판지, 목재 팔레트 프레임, 스트레치 밴드처럼 형태와 위치가 일정하지 않은 대상은 EEP의 맞춤형 소프트웨어가 담당한다. EEP는 자체 개발한 애플리케이션을 Docker 컨테이너 형태로 Photoneo 컨트롤러에서 실행할 수 있도록 구성했다. 이 소프트웨어는 스캔 과정에서 생성된 원시 3D 포인트 클라우드 데이터에 접근해, 표준 객체 인식만으로 처리하기 어려운 요소를 별도로 분석한다. 원문에 따르면 이 맞춤형 처리에는 TensorFlow와 PyTorch 등의 기술이 활용됐다. 비전 작업은 메인 로봇 셀을 제어하는 EEP PLC의 트리거 명령 으로 시작된다. EEP의 맞춤형 소프트웨어가 명령을 전달받으면 Photoneo의 표준 애플리케이션을 실행해 팔레트를 스캔한다.Photoneo의 내장 파이프라인은 박스와 KLT 같은 표준 객체를 감지하고, 동시에 EEP 소프트웨어는 동일한 스캔에서 생성된 원시 3D 포인트 클라우드를 가져와 자체 AI 알고리즘으로 분리용 판지, 목재 프레임, 스트레치 밴드 등을 분석한다. 이후 Photoneo의 표준 인식 결과와 EEP의 맞춤형 분석 결과는 하나의 데이터로 통합된다. 통합된 결과는 다시 EEP PLC로 전달되며, PLC는 이 정보를 바탕으로 로봇의 피킹 위치와 작업 순서를 제어한다. 실제 작업에서는 팔레트가 로봇 셀 내부로 자동 공급되고, KUKA 로봇이 스캔 결과와 작업 대상에 따라 필요한 그리퍼를 자동으로 선택한다. 피킹한 물품은 라벨링 공정을 거치며, 트레이의 경우 RFID 태그를 판독한 뒤 고객 컨베이어 시스템의 토트 또는 컨테이너로 옮겨진다. ▲ 로봇은 3D 스캔 결과에 따라 적합한 그리퍼를 사용해 대상 적재물을 피킹한다. Result 시간당 250회 피킹과 7종 적재물 처리 EEP-Robotics가 구축한 시스템은 서로 다른 크기와 형태를 가진 7종의 골판지 박스 및 플라스틱 적재 운반체를 처리하면서 시간당 250회의 피킹 성능을 구현했다. 로봇은 Photoneo 3D 스캐너와 동기화돼 작동하며, 작업 대상에 따라 그리퍼를 자율적으로 교체해 박스와 KLT를 처리한다. Photoneo는 이 솔루션의 주요 이점으로 사용 편의성과 높은 맞춤화 가능성, 다른 애플리케이션으로의 확장성, 일관되고 안정적인 작동을 제시한다.이 시스템은 2024년 Photoneo Technology & Applications Conference에서 1위를 수상했다. 이번 사례는 3D 비전과 맞춤형 AI 처리, 자동 그리퍼 교체를 결합해 다양한 박스와 적재 운반체가 혼재한 물류 공정의 자동화 가능성을 보여줬다. 자료제공: Photoneo(www.photoneo.com)

2026-09-01

UVA로 검출하기 어려운 물질을 식별하다! UVC LED 기반 비파괴 형광 이미징 기술

산업용 UV 조명은 수은 램프에서 LED로 점차 전환되고 있다. 수은 UV 경화 램프를 전 세계적으로 즉시 금지하는 규정은 없지만, 수은 사용 감축을 위한 국제적 흐름과 에너지 효율, 유지보수 비용에 대한 요구가 LED 채택을 앞당기고 있다. 다만 머신비전 관점에서 더 중요한 변화는 광원의 종류보다 파장을 정밀하게 선택할 수 있게 됐다는 점이다. UVA와 UVC, 무엇이 다른가 수은 램프는 비교적 낮은 비용으로 높은 출력을 제공하고 여러 UV 파장을 동시에 방출한다. 반면 수명이 수백 시간 수준으로 짧고, 공급 전력의 상당 부분이 열로 손실된다. 예열이 필요해 필요할 때만 켜는 운전도 어렵다. LED는 일반적으로 1만 시간 이상의 수명과 즉시 점등, 단일 파장 출력을 제공해 검사 대상의 분광 특성에 맞춰 광원을 설계하기 쉽다. UVA LED는 365·385·395·405nm를 중심으로 기술과 관련 소재가 성숙했다. ProPhotonix의 백서 『UVC Illumination:Unlocking Applications Unachievable with UVA Light』에 따르면, 395~405nm 영역의 일부 UVA LED는 공급 전력의 약 40%를 광출력으로 변환한다. 형광 증백제와 광개시제도 이 파장대에 맞춰 개발돼 일반적인 형광 검사와 경화에서는 UVA가 여전히 우선적인 선택이다. 이에 비해 단파장 UVC LED는 효율이 1% 미만인 경우가 많아 광량과 비용 측면에서는 불리하다. 그러나 파장이 짧아 광자 하나가 가진 에너지가 높고, UVA에서는 충분히 유도하기 어려운 특정 전자 여기와 형광 반응을 일으킬 수 있다. 또 265~290nm 영역에서 약 5nm 간격으로 파장을 선택할 수 있어 특정 물질의 흡수 대역에 맞춘 조명 설계가 가능하다. <표1> UVA와 UVC의 검사 특성 형광 검사에서는 광원의 전체 출력만큼 대상 물질의 흡수 대역과 LED 중심파장이 일치하는지가 중요하다. 파장이 짧을수록 광자 하나의 에너지가 커지므로, UVC는 광변환 효율이 낮더라도 특정 물질에서는 UVA보다 강한 형광 반응을 유도할 수 있다. 반대로 대상 물질의 흡수 대역과 맞지 않으면 광출력을 높여도 충분한 대비를 얻기 어렵다. 따라서 실제 검사에서는 출력 수치보다 대상 물질에 적합한 여기 파장을 먼저 선정해야 한다. 이러한 특성을 고려하면 UVC의 역할은 UVA를 전면 대체하는 것이 아니라, 기존 파장으로는 충분한 대비를 만들기 어려운 검사에서 선택적인 형광 신호를 얻는 데 있다. 이 차이는 정제의 유효성 분과 투명 플라스틱처럼 일반 조명에서 구분이 어려운 대상에서 분명하게 나타난다. UVC로 정제 성분을 구분하다 제약 제조의 품질검사는 생산 배치에서 일부 정제를 추출해 실험실에서 성분을 분석하는 파괴검사에 크게 의존한다. 표본검사는 전체 품질을 추정할 수 있지만 생산된 모든 정제의 함량 편차와 개별 이상치를 확인하지는 못한다. 정제를 손상시키지 않고 생산라 인에서 검사할 수 있다면 추적성과 품질보증 수준을 높일 수 있다. 유효성분은 각각 고유한 흡수와 형광 방출 특성을 갖는다. 아세틸 살리실산, 즉 아스피린은 분말 상태에서 288nm와 315nm 부근에서 강한 형광을 나타내는 것으로 보고됐다. ProPhotonix의 백서는 아스피린 기반 발포정과 파라세타몰 기반 정제의 반응을 비교했다. 백서의 <그림1> 캡션을 기준으로 실험에는 385nm UVA 와 285nm UVC 조명이 사용됐다. <그림1> 385nm UVA 조명(왼쪽)에서는 파라세타몰 정제와 아스피린 발포정이 유사한 보라색으로 나타난다. 285nm UVC 조명(오른쪽)에서는 아스피린 발포정만 청색 형광을 방출해 두 정제를 구분할 수 있다. 이 결과는 특정 유효성분의 여기 파장에 맞는 UVC 조명을 적용 하면 외형이 유사한 정제를 형광 반응으로 구분할 수 있음을 보여 준다. 형광 강도와 유효성분의 양 사이에 충분한 상관관계가 확보된다면 발광 신호를 이용한 함량 추정과 인라인 선별로 확장할 가능성도 있다. 다만 백서에 제시된 비교 영상만으로는 실제 생산라인에서의 정량 정확도와 반복성을 판단하기 어렵다. 실제 정량검사에는 정제의 코팅과 색상, 표면 상태, 생산 편차가 신호에 미치는 영향을 검증하고 규제 기준에 맞는 공정 검증을 거쳐야 한다. <그림2> 385nm UVA 조명(왼쪽)에서는 PET 시료의 대비가 낮지만, 285nm UVC 조명(오른쪽)에서는 청색 형광이 나타나 시료의 형상이 뚜렷해진다. 투명 플라스틱을 형광으로 검출하다 식품 생산라인에서 투명 플라스틱 조각은 제거해야 할 주요 이물 질이지만, 가시광을 대부분 통과시키고 카메라로 돌아오는 반사 광이 적어 기존 비전 시스템으로 안정적으로 검출하기 어렵다. 대상과 배경의 광학 특성이 비슷하면 조명 각도나 편광을 조정해도충분한 대비를 얻지 못할 수 있다. 2025년 발표된 연구에서는 여러 플라스틱의 UV 형광 특성을 분석했으며, PET는 315nm 미만의 파장 영역에서 최대 여기 반응을 나타냈다. 같은 PET 시료에 385nm와 285nm 조명을 각각 조사한 결과, UVA에서는 소재가 거의 투명하게 나타났지만 UVC에서는 청색 형광을 방출해 배경과 구분됐다. 플라스틱마다 최적의 여기 파장이 다르므로 여러 파장을 제공하는 다중파장 조명을 구성할 수도 있다. 각 파장에서 얻은 형광 영상의 차이를 분석하면 검사 대상이 되는 플라스틱 성분을 분류하고 이물질을 선별하는 방식으로 발전시킬 수 있다. 플라스틱 소재 식별에는 초분광 이미징도 활용된다. 초분광 카메라는 픽셀별 분광 정보를 제공하지만, 높은 장비 비용과 제한적인 프레임 속도로 인해 전수검사 적용이 어려울 수 있다. 형광 기반 방식은 대상 물질이 강하게 반응하는 파장을 먼저 선택하고 일반 CMOS 카메라로 발광 영상을 촬영한다. 조건이 맞는다면 비교적 단순한 구성으로 고속 인라인 검사를 구현할 가능성이 있다. UVC, UVA를 보완하는 선택적 광원 UVC는 UVA를 대체하는 범용 광원이 아니라, 기존 파장으로 검출 하기 어려운 물질을 선택적으로 식별하는 보완 광원이다. 핵심 가치는 높은 출력보다 파장 선택성과 높은 광자 에너지에 있다. 실제 적용에서는 대상 물질의 흡수·형광 특성을 확인한 뒤 LED 파장, 광강도, 광학 필터, 카메라 감도와 생산라인 속도를 함께 최적화해야 한다. 또한 UVC가 작업자에게 노출되지 않도록 차광 구조와 인터록 등 안전 대책을 함께 적용해야 한다. 기술 개선과 함께 UVC 기반 머신비전의 적용 분야도 확대될 전망이다. 자료제공: ProPhotonix(www.prophotonix.com)

2026-08-01

이벤트 기반 카메라를 활용한 실시간 3D 입자 추적 기술

유동 진단은 공기나 물에 투입한 추적 입자의 움직임을 촬영해 속도와 방향, 난류와 와류를 분석하는 기술이다. 기존 고속 카메라는 높은 시간 해상도를 제공하지만 대용량 데이터 처리와 정밀한 촬영 설정이 필요하다. 이 기사에서는 픽셀 단위의 밝기 변화만 기록하는 이벤트 기반 카메라를 여러 대 결합해 입자의 3차원 위치와 궤적을 재구성하는 방법을 살펴본다. 고속 카메라의 한계를 보완하는 이벤트 기반 비전 유동 진단은 공기와 물 등 유체에 추적 입자를 투입하고, 입자의 위치 변화를 영상으로 계산해 속도와 방향, 난류와 와류를 분석하는 기술이다. 기존 고속 카메라는 정밀한 영상을 제공하지만 촬영 영역 전체를 프레임 단위로 저장하기 때문에 데이터 전송과 저장, 처리에 큰 부담이 따른다.노출시간과 조명, 광학계 설정이 적절하지 않으면 모션 블러나 어두운 영역, 입자 누락도 발생할 수 있다. 이벤트 기반 카메라는 각 픽셀에서 일정 수준 이상의 명암 변화가 발생한 순간만 기록한다. 출력 데이터에는 픽셀 좌표와 발생 시각, 밝기의 증가 또는 감소 정보가 포함되며, 움직임이 없는 배경은 대부분 데이터로 생성되지 않는다. 따라서 빠른 입자 움직임을 높은 시간 정밀도로 관찰 하면서도 전체 데이터량을 줄일 수 있다. IDS 사례에 적용된 Sony IMX636 센서는 약 100μ s의 시간 정밀도를 제공한다. 1kHz 측정에서는 최대 약 1만 개, 10kHz에서는 약 1000개의 입자를 동시에 추적할 수 있다. 다만 측정 주기와 입자 수가 늘어날수록 데이터와 연산량도 증가하므로 요구 해상도와 처리 성능의 균형이 필요하다. 여러 시점으로 입자의 3D 위치 재구성 한 대의 카메라는 입자의 수평·수직 위치만 측정할 수 있어 깊이 방향의 움직임을 정확히 판단하기 어렵다. 3차원 유동 측정에서는 일반적으로 3~4 대의 카메라를 서로 다른 각도에 배치하고, 동일한 측정 체적을 영상 영역이 일부 겹치도록 촬영한다. 각 영상에서 동일한 입자에 해당하는 픽셀과 카메라 위치 정보를 결합하면 삼각측량을 통해 입자의 3차원 위치를 계산할 수 있다. 시점이 많아질수록 입자 궤적의 재구성 정확도와 안정성도 높아진다. 이 방법은 독일항공우주센터(DLR) 추진기술연구 소가 수행해 온 이벤트 기반 유동 진단 연구를 기반으로 한다. 여러 시점을 결합한 측정은 입자영상 유속계(PIV)와 3차원 입자추적유속계(PTV), 엔진 블레이드 사이의 복잡한 압축 충격파 구조 분석 등에 활용할 수 있다. 정확한 3차원 재구성을 위해서는 카메라 보정과 시간 동기화가 필수다. 먼저 각 카메라의 이벤트 데이터를 기하학적으로 정합한 뒤, 동기화된 이벤 트에서 입자의 3차원 위치를 직접 계산하거나 각카메라 시점에서 입자의 움직임을 먼저 추적한 후 3차원 궤적 으로 재구성한다. IDS 시스템은 트리거 입력을 통해 모든 데이터 스트림에 기준 타임스탬프를 기록하고, 하드웨어 인히 비트 기능을 이용해 서로 다른 컴퓨터에 연결된 카메라도 동시에 시작한다. 시험에서는 동기화된 4대의 카메라가 약 20μ m 크기의 추적 입자를 여러 방향에서 촬영했다. ▲ 서로 다른 각도에 배치된 4대의 IDS EVS 카메라가 약 20μm 크기의 추적 입자를 동시에 촬영한다. 각 카메라의 데이터를 결합해 입자의 3차원 위치와 이동 경로를 재구성한다. 이벤트 누적으로 유동 구조 가시화 이벤트 데이터는 완성된 프레임이 아니므로 일정 시간 동안 발생한 이벤트를 시간적·공간적으로 누적해 분석한다. 누적된 픽셀 위치와 타임스탬프는 입자가 이동한 흔적을 만들며, 이를 여러 카메라의 보정 정보와 결합하면 측정 체적 내부의 3차원 입자 궤적을 재구성할 수 있다. 일정 시간 동안 이벤트를 누적하면 입자의 이동 흔적이 형성되며, 이를 통해 역류, 와류 형성, 난류, 국부적인 속도 변화와 충격파 전파 등 복잡한 유동 현상을 시각화할 수 있다. ▲ 추적 입자의 움직임을 분석해 측정 영역 내 유체 흐름을 시각화한 결과. 화살표는 유체의 이동 방향과 유동 구조를 보여준다. 실시간 분석과 능동 유동 제어 데이터량이 줄어들면 유동장을 실시간으로 평가하는 것도 가능해진다. IDS가 소개한 연구에서는 초당 250개가 넘는 3차원 유동장을 분석했다. 하나의 유동장은 특정 시점에서 측정 체적 내부에 있는 입자들의 위치와 이동 상태를 나타내며, 이를 연속 생성하면 빠르게 변하는 난류와 와류를 추적할 수 있다. ▲ 4대의 이벤트 기반 카메라가 수집한 입자 데이터를 실시간으로 처리해 유체 흐름을 분석하는 화면. 데이터 전송률은 카메라당 초당 약 1000만 이벤트다. 실시간 유동 정보는 플랩이나 노즐 등의 기계 요소를 제어하는 능동 유동 제어에 활용할 수 있다. 유동 박리나 와류를 감지하고 해당 요소를 제어함으로써 실시간 측정 정보를 활용하는 적응형 시스템으로 확장할 수 있다. 또한 IDS uEye EVS 는 Prophesee Metavision SDK와 연동되며, 이벤트 데이터의 임베디드 처리를 통해 로봇, 산업 자동화, 자율비행 플랫폼과 같은 소형 시스템으로 적용 범위를 넓힐 수 있다. 다만 이벤트 기반 카메라는 기존 고속 카메라를 완전히 대체 하는 기술은 아니다. 전체 장면의 높은 공간 해상도와 완전한 영상 정보가 필요할 때는 프레임 기반 카메라가 적합하다. 이벤트 기반 비전은 변화가 빠른 움직임을 적은 데이터로 포착해야 하는 분야에서 기존 시스템을 보완하며, 기존 고속 카메라 중심의 방식보다 비용과 시스템 구성을 간소화하면서 3차원 유동 진단의 적용 범위를 넓히는 기술로 활용될 수 있다. 자료제공: IDS(en.ids-imaging.com)

2026-08-01

TDI 비전 시스템으로 구현하는 고속 웨이퍼 표면 결함 검사

반도체 전공정의 웨이퍼 표면 검사에서는 CMP, 세정, 연마 공정 에서 발생할 수 있는 파티클, 스크래치, 헤이즈, 오염과 같은 서브마이크론급 결함을 높은 속도로 안정적으로 검출해야 한다. TDI(Time Delay Integration) 라인 스캔 이미징은 낮은 조도에 서도 신호를 누적해 감도를 높일 수 있지만, 카메라 사양만으로 검사 성능을 확보할 수는 없다. 모션 동기화, 광학 정렬, 조명 보정, 실시간 전처리와 후단 처리 아키텍처를 하나의 이미지 획득 파이프라인으로 설계해야 고속 스캔에서도 일관된 이미지 품질을 유지할 수 있다. 고속·고감도를 동시에 확보하는 TDI CMP, 세정, 연마 등 반도체 공정에서는 넓은 웨이퍼 면적을 빠르게 주사하면서도 작은 파티클과 미세 스크래치, 흐릿한 헤이즈, 국부 오염을 놓치지 않아야 한다. 검사 폭과 스캔 속도, 결함 분해 능을 동시에 높이려는 요구가 커질수록 이미지 획득 단계의 작은 불안정성도 판정 결과에 크게 반영될 수 있다. TDI 라인 스캔 카메라는 이동하는 대상의 동일 위치를 여러 센서 라인에서 연속 촬영하고 그 신호를 누적한다. 짧은 노출로 고속 이동을 따라가면서도 누적 신호를 통해 감도를 확보할 수 있어 저조도·고처리량 조건의 웨이퍼 검사에 적합하다. 다만 이 장점은 스테이지 이동 속도와 라인 획득 주기가 정밀하게 일치할 때 유지 된다. 고배율 광학계와 연속 스캔을 결합하면 넓은 영역의 미세 패턴을 높은 해상도로 획득할 수 있다. 그러나 해상도와 라인 속도를 높일수록 초점, 진동, 조명 균일도, 데이터 처리량에 대한 허용 범위는 더욱 좁아진다. <그림1> TDI 웨이퍼 표면 검사 셋업. 안정적인 고속 스캔을 위해 스테이지 이동과 라인 획득 주기의 정밀한 동기화가 필요하다. <그림2> TDI 웨이퍼 검사 셋업과 고배율 획득 이미지 예시. 연속 스캔을 통해 넓은 검사 영역의 미세 구조를 확인할 수 있다. 이미지 품질을 좌우하는 모션 동기화와 정렬 고속 TDI 이미지의 선명도는 렌즈와 센서 성능뿐 아니라 광학축, 검사 대상의 자세, 스테이지 이동, 엔코더 신호가 얼마나 일관되게 맞물리는지에 달려 있다. 라인 획득 주기와 실제 이동량 사이에 작은 불일치가 생기면 동일 위치의 신호가 어긋난 채 누적되고, 스캔 방향으로 번진 블러나 에지 왜곡이 나타난다. 이러한 열화는 촬영 이후의 소프트웨어 보정만으로 완전히 복구하기 어렵다. 배율이 높아질수록 피사계 심도는 좁아지고 초점 변화에 대한 민감도는 커진다. 실제 웨이퍼의 휨이나 표면 기울어짐, 장비의 미세 진동도 시야 전체의 초점 일관성을 떨어뜨릴 수 있다. 따라서 셋업 단계에서는 구조화된 얼라인먼트 패턴으로 기하학적 일관 성을 확인하고, 여러 관심 영역(ROI)의 확대 영상과 라인 프로파일을 비교해 초점과 동기화 상태를 검증해야 한다. 엔코더 스케일링도 실제 스테이지 이동량에 맞춰 조정해야 한다. <그림3> 스테이지 이동 속도와 라인 획득 속도가 일치하지 않을때 발생하는 기하학적 왜곡을 보여준다. <그림4> 멀티 ROI 기반 캘리브레이션 검증 워크플로우. 스캔 영역의 여러 ROI에서 확대 영상, 라인 프로파일과 밝기 분포를 확인해 초점, 동기화 및 신호 균일성을 검증한다. 조명과 스캔 방향을 고려한 캘리브레이션 웨이퍼 표면은 반사 특성이 강하고 조명 입사 방향에 민감하다. 같은 장비 조건에서도 조명 배치, 스캔 방향, 장비 온도 변화에 따라 배경 밝기와 셰이딩 패턴이 달라질 수 있다. 특히 정방향과 역방향 스캔에서는 광원의 상대적인 입사·반사 관계가 바뀌어 서로 다른 밝기 분포가 나타날 수있다. 하나의 보정값을 모든 조건에 공통 적용하면 배경 불균일이 커지거나 저대비 결함의 가시성이 낮아질 수 있다. 따라서 조명 조건별 플랫 필드 보정(FFC) 세트를 구성하고, 양방향 스캔을 사용하는 경우에는 스캔 방향별 프로파일을 분리하는 편이 안정적이다. 보정 후에는 평균 밝기만 확인하기보다 히스토그램과 의사 컬러 시각화를 함께 사용해 시야 전반의 셰이딩과 국부 불균일을 확인해야 한다. 캘리브레이션의 목적은 생산 중 조건 변화에서도 배경 신호를 일정하게 유지하는 데 있다. 중앙부와 가장자리를 포함한 멀티 ROI 검증을 반복하면 위치별 초점과 신호 품질의 편차를 조기에 확인할 수 있다. 8.2 GB/s 데이터에 대응하는 실시간 파이프라인 고해상도 TDI 검사에서는 이미지 품질만큼 데이터 처리량이 중요하다. Basler가 제시한 예에 따르면 16K TDI 카메 라가 500 kHz로 동작할 때 생성되는 원시 이미지 데이터는 약 8.2 GB/s에 이른다. 이미지 전처리에 허용되는 시간은 수 마이크 로초에 불과하므로, 획득 속도와 후단 처리 속도가 맞지 않으면 인터페 이스 대역폭과 처리 지연이 시스템 병목으로 이어질 수 있다. 이를 줄이려면 배경 정규화, 적응형 임계값 처리, 컬럼 노이즈 억제와 같은 전처리를 이미지 획득 속도에 맞춰 수행하고, 프레임 그래버에서 GPU 와 IPC로 데이터를 안정적으로 전달해야 한다. 저대비 결함 검사에서는 컬럼 노이즈나 배경의 미세한 기울기도 실제 결함 신호를 가릴 수 있다. 획득 단계에 가까운 위치에서 전처리를 수행하면 후단 GPU·CPU의 연산 부하와 저장 시스템의 부담을 줄이고, 분석 자원을 결함 분류와 판정에 집중할 수 있다. <그림5> 대면적 웨이퍼 검사를 위한 분산 처리 아키텍처. 복수의 프레임 그래버와 산업용 PC에 FPGA·GPU·CPU 처리 자원을 분산해 데이터 처리량을 확장한다. FPGA 전처리로 병목을 줄이는 분산 아키텍처 검사 폭과 해상도가 증가하면 한 대의 컴퓨터에 모든 처리 작업을 집중하기 어렵다. 여러 IPC와 GPU에 워크로드를 분산하면 처리 성능을 확장할 수 있지만 데이터 분배, 동기화, 장비 간 지연 관리가 복잡해진다. 따라서 카메라, 프레임 그래버, 전처리, 분석, 저장의 역할을 구분하고 각 단계의 지속 가능한 데이터 대역폭을 기준으로 아키텍처를 설계해야 한다. 기존 구조에서는 프레임 그래버가 전달한 대용량 원시 데이터를 IPC의 GPU 와 CPU가 순차적으로 처리한다. FPGA 최적화 구조에서는 플랫 필드 보정, 이미지 정제, 세그멘테이션과 같은 반복적이고 지연에 민감한 연산을 프레임 그래버 단계에서 수행할 수 있다. 후단으로 전달되는 데이터와 연산량이 줄어들면 GPU와 CPU는 이미지 분석과 결함 분류에 더 많은 자원을 사용할수 있다. <그림6> 기존 처리 구조와 FPGA 최적화 구조의 비교. 플랫 필드 보정과 이미지 정제, 세그멘테이션을 프레임 그래버 단계에서 수행해 후단 GPU·CPU의 처리 부담을 줄인다. Basler는 이러한 방향의 구현 수단으로 TDI 라인 스캔 카메라, 데이터 포워딩 프레임 그래버, 소프트웨어와 관련 구성 요소를 결합한 CoaXPressover-Fiber TDI 비전 시스템을 제시한다. 핵심은 특정 인터페이스나 단일 부품보다 전체 데이터 경로를 함께 최적화하는 데 있다. 웨이퍼 TDI 검사 설계에서 확인할 핵심 고속 웨이퍼 검사의 성능은 센서 사양 하나로 판단하기 어렵다. 카메라 해상 도와 라인 속도가 충분하더라도 동기화, 광학 정렬, 캘리브레이션, 데이터 전송 중 어느 한 단계가 획득 속도를 따라가지 못하면 전체 검사 성능이 낮아질수 있다. 카메라 성능을 완성하는 통합 이미지 파이프라인 TDI 라인 스캔 이미징은 고속과 고감도를 동시에 확보할 수 있는 유력한 웨이퍼 검사 방식이다. 그러나 생산 환경의 신뢰성은 카메라 사양만으로 결정되지 않는다. 모션 동기화, 광학 정렬과 초점, 조명별 캘리브레이션, 실시간 전처리와 후단 처리 아키텍처가 하나의 시스템으로 맞물려야 한다. 데이터가 생성되는 지점에서 품질을 검증하고 필요한 전처리를 거친 데이 터를 안정적으로 전달하는 통합 설계가 이미지 무결성과 처리량, 확장성을 함께 확보하는 핵심이다. 자료제공: Basler(www.baslerweb.com)

2026-08-01

모든 품질 검사에 AI가 필요한 것은 아니다! Vision AI와 룰 기반 검사의 선택 기준

Vision AI는 기존 룰 기반 이미지 처리를 대체하는 만능 해법이 아니다. 검사 조건을 명확한 규칙으로 정의할 수 있는지, 충분한 학습 데이터와 사이클타임을 확보할 수 있는지에 따라 적합한 방식이 달라진다. senswork가 2026년 2월 발간한 백서 『Vision AI for Industrial Quality Assurance』를 바탕으로 두 방식의 선택 기준과 하이브리드 구성 방안을 살펴본다. 산업용 품질 검사에서 Vision AI는 기존 룰 기반 이미지 처리와 다른 방식으로 문제를 해결한다. 룰 기반 방식은 사람이 검사 조건을 직접 정의 하지만, Vision AI는 학습 이미지에서 판정에 필요한 특징과 패턴을 학습한다. 그러나 모든 검사에 Vision AI가 적합한 것은 아니다. 치수와 위치, 형상처럼 판정 기준을 명확한 규칙으로 표현할 수 있다면 룰 기반 이미지 처리가 더 빠르고 단순하다. 반면 제품 편차가 크고 결함 형태가 일정하지 않아 예외 규칙이 계속 늘어나는 검사에서는 Vision AI가 유리할 수 있다. senswork는 두 방식의 선택 기준을 검사 대상의 복잡성 자체보다 검사 조건을 안정적인 규칙으로 정의할 수 있는지에서 찾아야 한다고 설명한 다. 핵심은 “AI를 적용할 수 있는가”가 아니라 “AI를 적용해야 하는가”를 먼저 판단하는 데 있다. 이 과정은 한 번으로 끝나지 않는다. 생산 현장에서 새로운 데이터가 쌓이면 모델을 다시 평가하고 필요에 따라 재학습해야 한다.따라서 Vision AI는 단일 검사 알고리즘이라기보다 데이터 수집과 성능 검증, 운영 관리가 함께 필요한 검사 시스템에 가깝다. <그림1> Vision AI 프로젝트의 반복적 워크플로. 데이터 선별·정리와 라벨링, 모델 학습·평가, 생산 배포에 이어 공정 모니터링과 데이터 수집·평가가 순환한다. 선택 기준은 복잡성 자체보다 규칙화 가능성 Vision AI 도입을 판단할 때 가장 먼저 볼 것은 검사 대상이 복잡한지 여부가 아니다. 더 중요한 기준은 그 복잡성을 명확한 규칙으로 통제할 수 있는지다. 특정 위치의 치수, 부품 유무, 형상, 각도, 면적처럼 판정 기준을 수치나 기하학적 조건으로 표현할 수 있다면 기존 룰 기반 이미지 처리가 여전히 효율적이다. 반대로 검사 대상의 편차가 크고 결함 형태가 일정하지 않으며, 현장 작업자가 ‘보면 알지만 말로 정의하기 어려운’유형의 결함이라면 Vision AI가 유리할 수 있다. 표면 스크래치, 얼룩, 찍힘, 오염, 변색처럼 예외가 계속 발생하는 검사에서는 규칙을 추가할수록 시스템이 복잡해지고 유지 보수 부담도 커진다. Vision AI는 결함 조건을 일일이 나열하는 대신 실제 이미지 사례에서 판정 패턴을 학습한다. 다만 Vision AI는 룰 기반 방식처럼 특정 판정의 원인을 임계값이나 프로그램 조건으로 직접 추적하기 어렵다. 독립된 검증 데이터와 성능 지표, 운영 중 모니터링 및 재학습 이력을 통해 신뢰성을 관리해야 하는 이유다. <표1> Vision AI와 룰 기반 이미지 처리의 적용 조건 룰 기반 방식이 강한 영역은 여전히 분명하다 룰 기반 이미지 처리의 가장 큰 장점은 결정론적이라는 점이다.특정 임계값과 거리, 면적, 각도, 위치를 기준으로 판정하기 때문에 결과를 추적하기 쉽다. 불량 판정이 발생했을 때 어떤 규칙이 작동했는지 설명할 수 있고, 공정 변경 시 수정해야 할 조건도 비교적 명확하다. 품질 문서화나 고객 감사 대응에서 판정 근거가 중요하다면 이 설명 가능성은 큰 장점이다. 처리 속도도 중요한 차이다. senswork 백서는 비교 기준으로 룰 기반 이미지 처리의 실행 시간을 10ms 미만으로 제시한다. 검사 사이 클타임이 매우 짧고 판정 기준이 명확한 공정에서는 AI를 추가하는 것이 오히려 시스템 복잡도와 하드웨어 부담을 높일 수 있다. Vision AI, 늘어나는 예외 규칙의 부담 줄여 Vision AI가 조명과 광학계의 문제까지 대신 해결하는 것은 아니 다. 결함이 영상에 안정적으로 나타나도록 조명과 카메라, 렌즈, 촬영 위치를 구성하고 불필요한 변동을 줄이는 작업은 AI 시스템 에서도 기본 전제다. Vision AI가 필요한 지점은 기존 방식이 전혀 불가능한 곳만은 아니다. 룰 기반 시스템에서 예외 조건이 계속 늘어나는 상황도 주요 적용 대상이다. 표면 스크래치와 얼룩, 찍힘, 오염, 변색처럼 결 함의 형태가 일정하지 않으면 조명 변화, 표면 반사, 위치 편차, 배치별 색상 차이에 대응하기 위해 조건을 계속 추가하게 된다. 하지만 새 규칙이 다른 양품을 불량으로 판정하거나 새로운 불량 유형을 놓칠 수 있다. 결국 검사 시스템이 유지보수하기 어려운 규칙 집합으로 변할 수 있다. Vision AI는 실제 데이터에서 특징을 학습해 고변동 객체, 정의하기 어려운 결함, 복잡한 표면, 기존에 정의되지 않은 이상 유형을 다루는 데 활용될 수 있다. 데이터 확보와 사이클타임이 적용 가능성 좌우 Vision AI를 적용하려면 학습과 검증에 사용할 데이터가 필요하다. 백서는 초기 검토 질문으로 300장 이상의 라벨링된 학습 이미지 확보 여부를 제시한다. 다만 300장은 모든 프로젝트에 적용 되는 절대적인 최소 기준이 아니라, 초기 적용 가능성을 판단하기 위한 참고 조건이다. 중요한 것은 이미지 수만이 아니다. 실제 생산에서 발생하는 조명 변화, 제품 위치 편차, 표면 상태, 배치 차이, 결함의 크기와 형태가 데이터에 반영돼야 한다. 특정 조건에서만 촬영된 이미지로 학습한 모델은 생산라인의 변동성을 만나면 성능이 떨어질 수 있다.데이터 분류와 라벨링 기준이 일관되지 않아도 결과의 신뢰성을 확보하기 어렵다. 사이클타임도 기술 선택을 제한한다. 백서는 Vision AI의 추론 시간이 모델 복잡도에 따라 10~500ms 수준이 될 수 있다고 설명한다. 50ms 이하의 매우 짧은 검사 시간이 요구되는 공정에서는 룰기반 방식이 우선 검토될 수 있다. 다만 실제 성능은 모델 구조, 입력 영상 크기, 대상 하드웨어와 최적화 수준에 따라 달라지므로 현장 조건에서 검증해야 한다. <표2> 적용 전 확인할 질문 하이브리드 구성이 현실적인 이유 현장에서는 Vision AI와 룰 기반 이미지 처리를 둘 중 하나로만 선택할 필요가 없다. senswork는 두 방식을 결합한 하이브리드 전략을 제시한다. 룰 기반 이미지 처리로 영상을 정규화하거나 관심 영역을 분리한 뒤 AI가 분류를 수행할 수 있다. 반대로 AI가 부품의 위치를 검출하고 실제 치수 측정은 룰 기반 알고리즘이 담당 하도록 구성할 수도 있다. 빠른 분류 모델로 불량 가능성이 있는 영상을 1차 선별한 뒤, 해당 영상에만 계산량이 큰 세그멘테이션을 적용하는 방식도 가능하 다. AI는 복잡한 패턴 인식과 분류에 강하고, 룰 기반 처리는 정밀 측정과 빠른 판정, 설명 가능한 결과에 강하다는 차이를 활용하는 것이다. 결국 핵심은 AI 도입 여부가 아니라 검사 공정을 기능별로 나누는 데 있다. 어떤 단계는 규칙으로 처리하고 어떤 단계는 학습 모델에 맡길지 구분해야 한다. 이 역할 분담이 명확할수록 시스템의안정성과 유지보수성도 높아진다. AI 도입보다 검사 조건 정의가 먼저다 산업용 품질 검사에서 중요한 질문은 “AI를 쓸 것인가”가 아니다.더 정확한 질문은 “이 검사 과제를 규칙으로 안정적으로 정의할수 있는가”다. 규칙으로 정의할 수 있다면 기존 방식이 더 단순하고 빠르다. 반면 규칙이 계속 늘어나고 예외가 반복된다면 Vision AI가 실질적인 대안이 될 수 있다. Vision AI는 기존 머신비전을 대체하는 기술이라기보다 적용 범위를 넓히는 도구에 가깝다. 조명과 광학, 기구 설계, 안정적인 영상 취득이라는 기본 조건은 그대로 유지된다. 여기에 대표성 있는 데이터와 성능 검증, 운영 중 모니터링 체계를 갖출 때 Vision AI 를 생산 현장에서 안정적으로 활용할 수 있다. 자료제공: senswork(www.senswork.com)

2026-08-01

Euresys의 CodeMeter 라이선스 관리 사례

머신비전 소프트웨어는 반도체, 공장 자동화, 의료 영상 등 장기 운용과 높은 신뢰성이 요구되는 산업 분야에서 폭넓게 사용된다. 특히 이미지 분석 라이브러리와 FPGA IP 코어를 포함한 소프트웨어는 Windows와 Linux를 비롯한 다양한 산업 플랫폼에서 일관된 보호와 유연한 라이선스 관리가 필요하다. 벨기에 머신비전 기업 Euresys는 이러한 요구에 대응하기 위해 Wibu-Systems의 ‘CodeMeter’를 도입했다. 이번 사례는 Euresys가 CodeMeter를 통해 소프트웨어 IP 보호, 모듈형 라이선스 관리, 오프라인 활성화 기능을 하나의 체계로 통합한 과정을 소개한다. ▲ CodeMeter 기반 Euresys 하드웨어 동글 플랫폼 확장에 따른 보호·라이선스 과제 Euresys의 머신비전 라이브러리는 생산 라인에서 핵심 기능을 수행하는 소프트웨어다. 특히 Open eVision Studio를 비롯한 소프트웨어 포트폴리오가 확대되면서, 단순한 프로그램 보호를 넘어 다양한 고객 환경에 맞는 라이선스 관리가 중요해졌다. 기존 방식은 여러 외부 도구를 나눠 사용하는 구조였고, Windows 중심 환경에서는 일정 부분 역할을 했지만 Linux와 임베디드 산업 플랫폼까지 지원 범위가 넓어지면서 한계가 드러났다. Euresys에는 소프트웨어 IP를 불법 복제와 리버스 엔지니어 링으로부터 보호하면서도, 고객별 기능 구성과 영구 라이선스, 오프라인 활성화를 지원하는 통합 체계가 필요했다. CodeMeter 기반 통합 보호 체계 Euresys는 Wibu-Systems의 CodeMeter 기술을 도입해 소프트웨어 보호와 라이선스 관리를 하나의 체계로 통합했다.AxProtector는 Windows와 Linux에서 소프트웨어 바이너리를 암호화해 리버스 엔지니어링으로부터 보호한다. Wibu-Systems Operating Services(WOPS)에서 호스팅되는 CodeMeter License Central은 영구·기능 기반·오프라인 라이선스의 생성과 배포를 중앙에서 관리한다. 라이선스 방식은 하드웨어 동글과 소프트웨어 기반 CmActLicense 를 함께 사용한다. 산업 현장에서는 높은 보안성과 교체 편의성 때문에 하드웨어 동글 방식이 주로 활용된다. 오프라인 사용 환경도 고려됐다. 고객 장비가 외부 네트워크와 분리된 경우, 장비별 핑거프린트를 오프라인에서 생성하고 연결된 시스템에서 라이선스를 가져온 뒤 보호된 동글을 통해 로컬에서 활성화하는 2단계 절차를 적용했다. 이를 통해 네트워크와 분리된 환경에서도 소프트웨어를 보호하고, 승인된 사용자만 사용할수 있도록 했다. Euresys는 CodeMeter Software Activation Wizard(SAW)를 기반으로 자체 라이선스 매니저를 개발해 온라인·오프라인 활성화와 라이선스 이전 절차를 단순화했다. 또한 Euresys가 발급한 전용 동글만 자사 소프트웨어와 연동되도록 구성해 무단 사용을 방지했다. ▲ CodeMeter SAW를 기반으로 개발한 Euresys Neo License Manager 화면 장기 운용을 위한 크로스 플랫폼 라이선스 구현 CodeMeter 도입 이후 Euresys는 Windows와 Linux를 아우르는 통합 보호 체계를 구축했다. IP 보호와 라이선스 자동화를 하나의 시스템으로 통합하면서, 개발 단계부터 실제 운영 환경까지 이어지는 라이선스 관리 흐름을 마련했다. Wibu-Systems의 자료에 따르면 현재 Euresys 라이선스의 약 80~90%는 하드웨어 동글 방식으로 제공되며, 연간 1만~2만 개의 동글을 출하한다. 대부분의 라이선스는 기능 기반 모듈 패키지나 15~20년의 장기 운용을 전제로 한 영구 라이선스 형태로 제공된다. 이 체계는 장기간 운용되는 산업용 머신비전 시스템의 라이선스 관리에 적합하다. 고객은 인터넷 연결 여부와 관계없이 라이선스를 활성화하고 운용할 수 있으며, Euresys는 소프트웨어 IP 보호와 고객별 라이선스 발급·관리를 하나의 구조 안에서 처리할 수 있게 됐다. 자료제공: Wibu-Systems(www.wibu.com)

2026-08-01

조명·통합·유지보수까지, 성공적인 머신비전 구축 5가지 전략

머신비전은 제조 및 물류 자동화의 핵심 기술로 자리 잡았지만, 실제 프로젝트가 기대한 성과를 거두는 것은 또 다른 문제다. 적절한 조명 설계가 이뤄지지 않거나 기존 설비와의 연동이 원활하지 않을 경우 검사 정확도와 생산성이 크게 저하될수 있으며, 운영 인력 교육 부족이나 검증 절차 미흡 역시 프로젝트 실패의 주요 원인으로 지적된다. 특히 최근에는 AI 기반 머신비전 솔루션의 활용이 확대되면서 단순한 장비 도입을 넘어 데이터 처리, 시스템 통합, 운영 역량 확보, 유지보수 체계 구축까지 고려 해야 할 요소가 더욱 늘어나고 있다. 이번 기사에서는 머신비전 프로젝트 구축 과정에서 반드시 검토해야 할 핵심 요소로 조명, 시스템 통합, 운영자 교육, 현장 테스트, 유지보수 및 지원 체계를 살펴 보고, 성공적인 머신비전 도입을 위한 실무적 고려사항을 정리했다. 1. 조명(Lighting):검사 정확도를 좌우하는 첫 번째 변수 조명은 머신비전 시스템에서 가장 쉽게 간과되지만 가장 큰 영향을 미치는요소 가운데 하나다. 카메라와 소프트웨어의 성능이 아무리 뛰어나더라도 검사 대상의 특징을 명확하게 드러내지 못하면 정확한 판별은 불가능하다. 효과적인 조명은 검사 대상과 배경 간 대비를 극대화해 결함과 특징을 선명하게 드러내지만, 부적절한 조명은 반사와 그림자를 유발해 오검출과 미검출의 원인이 될 수 있다. 따라서 검사 대상의 재질과 형상, 검사 목적에 따라 적절한 조명 방식을 선택하는 것이 중요하다. 머신비전 현장에서는 검사 대상의 재질과 형상에 따라 확산 조명, 돔 조명, 암시야 조명, 배면 조명, 바 조명, 링 조명 등 다양한 방식이 활용된다. 예를 들어 광택이나 곡면 부품에는 반사를 줄이는 확산·돔 조명이 적합하고, 스크래치나 윤곽 검출에는 암시야 조명이 효과 적이다. 또한 치수 측정이나 홀 검사는 배면 조명을 통해 선명한 실루엣을 확보할 수 있다. 2. 통합(Integration):설비와 데이터를 연결하는 과정 머신비전 시스템은 자동화 설비의 핵심 요소이지만 독립적으로 운영되는 장비는 아니다. 성공적인 구축을 위해서는 PLC, HMI, 산업용 통신 네트워크 등기존 자동화 시스템과의 원활한 연동이 필수적이다. 특히 산업용 통신 프로토콜은 머신비전 시스템과 로봇, 제어 장치 간의 안정 적인 데이터 교환을 지원하며, PLC는 비전 시스템이 수집한 정보를 기반으로 설비 동작을 제어한다. HMI는 작업자가 검사 결과를 확인하고 운영 조건을 변경하는 창구 역할을 수행한다. 또한 데이터 처리 구조 역시 중요한 고려사항이다. 일부 시스템은 장치 내부 에서 데이터를 직접 처리해 지연 시간을 최소화하는 반면, 보다 복잡한 애플 리케이션은 외부 PC를 활용한 데이터 처리 방식을 채택하기도 한다. 따라서 시스템 규모와 데이터 처리 요구사항을 고려한 통합 전략 수립이 필요하다. 3.교육(Training):운영 인력의 역량이 성패를 결정한다 머신비전 시스템의 성능은 기술 자체뿐 아니라 이를 운영하는 인력의 역량에 의해 결정된다. 충분한 교육이 이뤄지지 않을 경우 생산 중단이나 품질 문제, 시스템 운영 오류 등이 발생할 수 있다. 기업은 운영자 교육과 기술 문서 관리 체계를 구축해 인력 교체가 발생하더 라도 시스템 운영 노하우가 유지될 수 있도록 해야 한다. 매뉴얼, 운영 가이드, 교육 영상 등은 신규 인력의 빠른 적응과 운영 안정성 확보에 도움이 된다. AI 기반 머신비전 시스템은 기존 규칙 기반 시스템보다 학습과 적용이 비교적 용이하다. 양품과 불량품 이미지를 기반으로 판별 기준을 학습하며, 새로운 결함 유형이나 위치 변화에도 보다 유연하게 대응할 수 있다.다만 필요한 학습 데이터의 규모는 애플리케이션에 따라 달라진다. 고정밀 검사가 요구되는 경우 수백 장 이상의 이미지가 필요할 수 있으며, 비교적 단순한 검사는 소수의 이미지로도 학습이 가능하다. 4.테스트(Testing): 실험실이 아닌 현장에서 검증하라 실제 생산 현장에서의 파일럿 테스트는 머신비전 프로젝트 성공을 위한 필수 단계다. 실험실 환경에서는 문제가 없던 시스템도 실제 생산라인에서는 조명 변화, 진동, 생산 속도 변화 등 다양한 변수로 인해 예상치 못한 문제가발생할 수 있다. 따라서 전면 도입 이전에 충분한 검증 과정을 거쳐야 하며, 파일럿 테스트 단계에서는 작업 환경과 시스템 확장성, 운영자 피드백 등을 종합적으로 평가할 필요가 있다.실제 생산 환경에서의 테스트는 불필요한 비용 발생을 줄이고, 시스템이 현장의 요구사항을 충족할 수 있는지 확인하는 과정이다. 환경 변화와 생산량 증가에 대한 대응 능력까지 검증해야 장기적인 운영 안정성을 확보할 수 있다. 5.유지보수 및 지원:장기적인 성능 유지의 핵심 머신비전 시스템의 안정적인 운영을 위해서는 정기적인 유지보수가 필수적이다. 카메라와 렌즈 청소, 센서 교정, 소프트웨어 업데이트 등 기본적인 유지보수 작업만으로도 검사 정확도 저하와 예기치 않은 다운타임을 상당 부분 예방할 수 있다. 또한 구축 이후에는 신속한 기술 지원 체계를 확보해야 한다. 새로운 생산라인 적용이나 규제 변화, 예상치 못한 운영 이슈가 발생했을 때 전문적인 지원은 시스템의 신뢰성과 활용성을 높이는 데 중요한 역할을 한다. 최근에는 예지보전 기술을 활용해 잠재적인 문제를 사전에 탐지하는 사례도 늘고 있다. 장비 상태와 성능 데이터를 분석해 부품 마모나 소프트웨어 업데이트 필요성을 조기에 파악함으로써 장애 발생 이전에 대응할수 있다. 자료제공: Cognex(www.cognex.com)

2026-07-01

머신비전 시스템 설계를 위한 ‘해상도’ 이해

해상도(resolution)는 이미징 시스템에서 가장 중요한 사양중 하나로 꼽히지만, 실제로는 오해되거나 지나치게 단순화 되어 이해되는 경우가 많다. 산업용 애플리케이션에서 카메라를 선택할 때, 해상도가 무엇을 의미하는지, 그리고 다른 시스템 파라미터에 의해 어떻게 영향을 받는지를 정확히 이해하는 것은 성공적인 시스템 구축과 비용만 낭비하는 실패 사례를 가르는 결정적인 요소가 될 수 있다. 해상도가 실제로 의미하는 것 해상도의 가장 기본적인 의미는 센서가 포착할 수 있는 개별 픽셀의 개수다. 예를 들어 5메가픽셀(MP) 카메라는 약 500만 개의 픽셀이 격자 형태로 배열돼 있으며, 일반적으로 2448 ×2048과 같은 해상도를 갖는다. 그러나 단순한 픽셀 수는 출발점에 불과하다. 실제 시스템 해상도는 여러 요소에 의해 좌우된다. 센서 크기, 픽셀 피치(pixel pitch), 렌즈 품질, 조명 조건, 그리고 애플리 케이션의 구체적인 요구사항이 모두 영향을 미친다. 12MP 카메라가 5MP 카메라보다 무조건 ‘더 좋은’ 선택이 되는 것은 아니다. 어떤 카메라가 적합한지는 오로지 무엇을 보고자 하는지에 따라 결정된다. 올바른 렌즈 선택의 중요성 비전 시스템에서 최종 이미지 품질과 해상도를 결정하는 데있어 렌즈 역시 매우 중요한 역할을 한다. 센서는 픽셀 수를 기준으로 이론적인 최대 해상도를 규정하지만, 실제로 얼마나 많은 디테일이 픽셀에 전달되는지는 렌즈가 좌우한다. 렌즈가 미세한 디테일을 얼마나 잘 분해해 전달할 수 있는지는 변조 전달 함수(Modulation Transfer Function, MTF)로 평 가된다. MTF는 피사체의 대비와 선명도가 센서까지 얼마나 충실하게 전달되는지를 나타내는 지표다. 렌즈의 광학 품질이 낮거나 분해 능력이 충분하지 않다면, 이미지는 센서에 도달 하기도 전에 흐려진다. 이 경우 25MP 센서를 사용하더라도 실제로는 5MP 수준의 성능밖에 얻지 못하는 상황이 발생할수 있다. 컬러 vs 모노크롬 카메라 카메라 유형 선택 역시 중요하다. 컬러 카메라는 일반적으로 베이어 필터 배열(Bayer filter array)을 사용하며, 센서의 각픽셀에는 적색, 녹색, 청색 필터 중 하나만 적용된다. 이는 개별 픽셀이 완전한 색상 정보를 직접 획득하지 못한다는 의미다. 대신 디모자이싱(demosaicing, 또는 ‘디베이어 링’) 알고리즘이 인접 픽셀의 정보를 보간해 최종 이미지의각 픽셀에 대한 전체 색상 값을 재구성한다. 이 과정에서는 여러 개의 센서 픽셀이 하나의 실제 컬러 픽셀을 생성하는 데 사용되며, 보간 과정에서 아티팩트나 미세한 블러가 발생할 수있다. 그 결과 유효 해상도는 필연적으로 감소한다. 반면 모노크롬(Monochrome) 카메라는 모든 픽셀이 필터 없이 광의 세기(intensity)만을 직접 측정한다. 이로 인해 동일한 센서 크기에서도 공간 샘플링 밀도가 높아지고, 결과적으로 더 높은 유효 해상도를 확보할 수 있다. 이러한 이유로 최대한의 디테일, 선명한 에지, 높은 치수 정확도가 요구되는 애플리케이션에서는 모노크롬 카메라가 선호된다. ▲ 컬러 이미지와 모노크롬 이미지의 해상도 차이 개념 비교. 동일한 센서 크기에서도 모노크롬 방식이 더 높은 공간 분해능을 확보할 수 있다. 센서: 사양이 의미하는 바는 무엇인가 카메라 데이터시트를 살펴보면 센서와 관련된 여러 핵심 지표를 접하게 된다. 다음은 각 사양이 실제 애플리케이션에서 무엇을 의미하는지에 대한 설명이다. 메가픽셀(MP): 센서의 전체 픽셀 수를 의미한다. 한 프레임에서 센서가 포착할 수 있는 개별 이미지 데이터의 양을 규정하는 지표다. 픽셀 수가 많을수록 더 많은 디테일을 담을 수 있지만, 그만큼 더 높은 연산 성능과 저장 용량, 그리고 대역폭이 요구된다. 센서 크기(Sensor Size): 일반적으로 1/2.3″, 2/3″와 같은 분수 인치 단위로 표기된다. 다만 이 수치는 실제 센서의 물리적 대각선 길이가 아니라, 과거 비디오콘(vidicon) 튜브에서 유래한 광학 표준을 기반으로 한 것이다. 일부 제조사는 센서 크기를 mm² 단위의 유효 활성 면적이나, mm 기준의 가로·세로 길이로 표기하기도 한다. 센서 크기가 클수록 일반적으로 감도가 높고 노이즈가 낮다. 또한 줌 렌즈를 사용하는 경우 얕은 심도(depth of field)를 구현할 수 있어 특정 애플리케이 션에서 중요한 요소가 된다. 픽셀 크기(Pixel Size): 마이크로미터(μm) 단위로 측정된다.픽셀이 클수록 더 많은 빛을 수집할 수 있으며, 감도와 신호 대잡음비(SNR)가 향상되는 경향이 있다. 반면 픽셀이 작으면 동일한 센서 크기에서 더 높은 해상도를 구현할 수 있지만, 저조도 환경에서는 성능이 제한될 수 있다. 산업용 센서에서는 3.45μm, 4.8μm, 5.5μm와 같은 픽셀 크기가 흔히 사용된다. 해상도(Resolution): 가로 × 세로 픽셀 수(예: 1920 × 1080) 로 표기된다. 이는 출력 이미지의 크기와 종횡비(aspect ratio)를 나타내는 지표다. 프레임 레이트(Frame Rate): 센서가 최대 해상도에서 초당몇 장의 이미지를 캡처할 수 있는지를 의미한다. 많은 센서는 일부 픽셀을 사용하지 않거나 해상도를 낮춘 모드에서는 더높은 프레임 레이트를 구현할 수 있다. 해상도와 속도의 트레이드오프 해상도가 높아질수록 반드시 그에 따른 비용이 발생한다. 픽셀 수가 많아지면 데이터 전송 시간은 길어지고, 처리 부하는 커지며, 저장 용량 요구도 함께 증가한다. 예를 들어 12MP 카메라를 60fps로 구동할 경우, 비트 깊이와 컬러 포맷에 따라 다르지만 초당 약 2.7GB에 달하는 비압축 데이터가 생성된다. 이러한 처리량을 다루는 비전 시스템은 인터페이스, 처리 파이프라인, 저장 구조 전반에 걸쳐 고속 데이터 처리를 감당할 수 있도록 설계돼야 한다. 많은 애플리케이션에서는 단순히 픽셀 수를 극대화하는 것보다, 실제 요구 사항에 맞게 해상도를 설정하는 것이 더 효과적이다. 예를 들어 고속 검사 애플리케이션에서는 12MP 카메라를 30fps로 운용하는 것보다, 2MP 카메라를 200fps로 운용 하는 편이 더 우수한 성능을 발휘할 수 있다. 오토포커스·줌 카메라: 움직임 속의 해상도 오토포커스 줌 카메라는 초점 거리와 포커스 위치를 동적으로 변화시키며, 검사 대상에서의 유효 해상도에 직접적인 영향을 미친다. 줌 인 시 동일한 센서 해상도에서도 픽셀은 더좁은 시야에 분포해 공간 해상도가 증가하지만, 동시에 광학적 한계가 더욱 두드러진다. 이때 유효 해상도를 좌우하는 핵심 요소는 센서가 아니라 렌즈 품질이다. 색수차, 필드 커브, MTF 저하와 같은 광학적 요인은 특히 최대 줌 상태나 이미지 가장자리에서 해상도 저하를 유발할 수 있다. 또한 머신 비전 환경에서는 작업 거리 변화에도 안정적인 선명도를 유지할 수 있도록, 충분한 피사계 심도 확보와 빠른 오토포커스 성능이 함께 요구된다. 내 애플리케이션에 적합한 카메라 해상도는? 카메라 해상도를 결정할 때는 먼저 애플리케이션의 측정 또는 검출 목표부터 명확히 해야 한다. 검사 대상의 크기는 얼마 이며, 신뢰성 있게 검출해야 하는 최소 피처 크기 또는 측정 편차(d)는 어느 정도인지가 출발점이다. 이후 해당 최소 피처를 몇 개의 픽셀로 샘플링해야 하는지를 고려해, 물체 상에서의 요구 픽셀 크기를 산출한다. 일반적인 권장 기준은 최소 피처를 2~3픽셀 이상으로 샘플링해야 안정 적인 검출이 가능하며, 계측과 같은 정밀 측정 애플리케이션의 경우에는 5~10픽셀 이상을 사용하는 것이 바람직하다. 적용 예시(Examples) 가장 작은 검출 대상 피처(d)가 0.5mm, 샘플링 계수(S)가 5픽 셀, 수평·수직 시야(FOV)가 각각 150mm인 애플리케이션을 가정해 보자. 필요한 수평 픽셀 수는 다음과 같이 계산된다. 이 예제에서는 수직 방향 역시 동일한 해상도가 필요하다. 따라서 카메라에 적용되는 이미지 센서는 최소한 1500 × 1500 픽셀, 즉 약 225만 화소(2.25MP) 이상의 해상도를 갖춰야 한다. 만약 애플리케이션이 특정 공차 범위 내에서 매우 높은 측정 정확도를 요구한다면, 샘플링 계수를 10픽셀로 높게 설정할 수 있다. 이 경우 계산 결과는 다음과 같다. 즉, 이미지 센서는 수평 방향으로 최소 3000픽셀, 수직 방향으로도 3000픽셀을 제공해야 하며, 이는 총 900만 화소 (9MP)에 해당한다. 다만 대부분의 이미지 센서는 정사각형이 아닌 직사각형 구조이기 때문에, 두 번째 예제의 요구 사항을 만족하기 위해서는 실제로 4096 × 3000 픽셀 수준의 센서를 갖춘 12MP급 카메라가 필요하다. 이 단계에서는 픽셀 크기(pixel size) 역시 함께 고려해야 한다. 픽셀 크기가 클수록 픽셀당 더 많은 빛을 수집할 수 있어 감도가 향상되지만, 그만큼 센서 크기도 커지고 전체 시스템 비용 역시 증가하게 된다. 문제를 해결할 수 있는 ‘최적의 해상도’ 머신 비전에서 해상도는 단순히 메가픽셀 수를 높이는 문제가 아니다. 중요한 것은 센서 성능을 애플리케이션 요구에 정확히 맞추고, 속도·비용·광학 성능 간의 균형을 고려 하는 일이다. 고해상도·고속 처리가 요구되는 환경에서는 CoaXPress와 같은 고속 인터페이스가 고해상도 카메라의 성능을 실제 시스템 수준에서 구현하는 기반이 된다. 또한 오토포커스 줌 카메라와 같은 유연한 광학 솔루션의 등장으로, 해상도는 고정된 사양이 아니라 ‘어떤 문제를 어떻게 해결할 것인가’라는 관점에서 재정의되고 있다. 결국 최적의 해상도란 가장 높은 수치가 아니라, 애플리케이션 목적을 가장 효율적으로 달성할 수 있는 해상도다. 자료제공: ActiveSilicon(www.activesilicon.com)

2026-07-01