-
캐비테이션(Cavitation) 분석에 필요한 초고속 이미징의 5가지 핵심 조건
캐비테이션(Cavitation)은 액체 내부에서 생성된 증기 기포가 성장한 뒤 급격히 붕괴하는 현상으로, 매우 짧은 시간에 충격파와 마이크로제트 등을 발생시킨다.이러한 순간적인 변화를 분석하려면 높은 시간 해상도와 공간 해상도를 갖춘 초고속 이미징 기술이 필요하다. 이 기사에서는 캐비테이션 분석을 사례로 프레임 레이트, 공간 해상도, 트리거·동기화, 광감도 등 고속 카메라 선택의 핵심 요소 5가지를 살펴본다. ▲ 캐비테이션의 기포 거동을 관찰하는 초고속 이미징 시스템을 시각화한 모습 (이미지: AI 생성) 캐비테이션은 수처리 시스템과 선박 프로펠러, 연료 인젝터, 바이오메디컬 분야 등 다양한 영역에서 관찰된다. 이러한 현상을 분석하려면 단순히 빠른 영상을 얻는 것만으로는 충분하지 않다. 기포가 언제 형성되고 어떻게 성장 하며, 주변 기포 또는 표면과 어떤 상호작용을 거쳐 붕괴하는지를 시간 흐름에 따라 확인할 수 있어야 한다. 특히 캐비테이션 과정에서는 기포의 성장과 붕괴가 매우 짧은 시간에 연속 적으로 일어나기 때문에, 일반적인 영상 장비로는 주요 변화 단계를 놓치기쉽다. 따라서 시간 해상도가 충분한 초고속 영상 데이 터를 확보해야 기포의 형상 변화와 붕괴 과정, 충격파및 마이크로제트 발생 등을 보다 세밀하게 분석할 수 있다. 캐비테이션 분석은 초고속 이미징 시스템에 요구되는 성능을 잘 보여주는 사례다. 카메라는 충분한 프레임 레이트뿐 아니라 미세 구조를 식별할 수 있는 공간 해상도, 외부 장비와 정확하게 연동할 수 있는 트리거 성능, 짧은 노출시간에서도 영상을 확보할 수 있는 감도를 함께 갖춰야 한다. Specialised Imaging은 캐비테 이션 분석용 카메라를 선택할 때 다음 다섯 가지 요소를 주요 기준으로 제시한다. 1. 순간 거동을 포착하는 초고속 프레임레이트 캐비테이션 현상은 매우 빠르게 진행된다. 단일 기포가 성장하고 붕괴하는 데 걸리는 시간은 수 마이 크로초에 불과할 수 있으며, 붕괴 과정에서는 높은 압력의 충격파와 빠른 마이크로제트가 발생한다. 충분한 시간 해상도를 확보하지 못하면 기포 붕괴 과정의 핵심 단계를 놓치게 된다. 따라서 고속 카메라는 기포의 성장과 붕괴를 구분할수 있을 만큼 높은 프레임레이트를 제공해야 하며, 붕괴 과정에서 모션 블러를 최소화할 수 있어야 한다. 또한 외부 트리거와 진단 장비에 정밀하게 동기화할 수있어야 한다. 프레임레이트가 충분하면 충격파 방출과 마이크로제트의 침투, 기포 분열, 인접한 기포 사이의 상호작용 등을 시간 흐름에 따라 분석할 수 있다. 특히 매우 작고 수명이 짧은 마이크로버블을 관찰할 경우 프레임레 이트 부족은 일부 과정을 기록하지 못하게 만들고, 결과적으로 데이터의 완전성과 모델링 신뢰성을 떨어뜨릴 수 있다. 결국 초고속 촬영에서 높은 fps는 단순히 더 많은 장면을 기록하기 위한 요소가 아니라, 짧은 시간 안에 연속적으로 일어나는 물리적 변화를 구분하기 위한 기본 조건이라고 볼 수 있다. 2. 프레임레이트와 해상도의 균형 고속 이미징에서는 프레임레이트와 공간 해상도가 서로 독립적인 성능 요소가 아니다. 일반적으로 프레임레이트를 높이기 위해 센서의 판독 영역을 줄이면 사용할 수 있는 해상도도 제한된다. 그러나 캐비테이션과 같은 마이크로 이미징에서는 시간 해상도뿐 아니라 작은 기포의 형상과 구조를 구분할 수 있는 공간 해상도 역시 중요하다. 마이크로버블을 분석하려면 기포 직경을 정확하게 측정하고, 붕괴 과정의 변형을 추적하며, 마이크로제트의 방향과 침투 정도, 주변 표면과의 상호작용까지 확인해야 한다. 프레임레이트만 높이고 해상도가 지나치게 낮아지면 기포의 경계나 형상 변화를 세밀하게 구분하기 어렵고, 반대로 해상도만 높이고 촬영 속도가 부족하면 붕괴 과정 자체를 충분히 분해해 볼 수 없다. 따라서 최대 프레임레이트만을 기준으로 카메라를 선택하기보다는 실험 목적에 따라 촬영 속도와 해상도를 조정할 수 있는 유연 성이 중요하다. 분석하려는 현상의 크기와 속도, 필요한 측정 정밀도에 따라 적절한 균형점을 찾는 것이 핵심이다. 3. 마이크로버블 분석을 위한 공간 해상도 일부 캐비테이션 연구에서는 개별 기포 수준까지 분석한다.이러한 마이크로 이미징에서는 높은 공간 해상도가 필수적이다.카메라는 증기 기포의 경계를 명확하게 구분할 수 있어야 하고, 영상을 확대했을 때 과도한 픽셀화가 발생하지 않아야 한다. 또한 정량적인 측정을 위한 정확한 스케일링과 전체 시야에서 일관된 이미지 선명도가 요구된다. 특히 기포가 터빈 블레이드나 마이크로유체 채널 같은 고체 표면과 상호작용할 경우 미세한 기포 형상 변화가 침식 패턴이나 에너지 전달과 연관될 수 있다. 이때 공간 해상도가 충분하지 않으면 기포 경계의 미세한 변화나 표면과의 상호작용을 정확하게 구분 하기 어렵다. 따라서 마이크로버블 캐비테이션을 분석할 때는 단순히 높은 촬영 속도만 확보하는 것이 아니라, 고배율 광학 시스템에서도 의미있는 공간 해상도를 유지할 수 있는지가 중요하다. 4. 외부 계측 장비와의 정밀한 동기화 고속 이미징 시스템의 역할은 영상 획득에만 그치지 않는다. 실험 환경에서는 캐비테이션이 레이저 펄스, 압력파, 빠른 밸브 작동, 음향 가진 등 외부 자극에 의해 발생하는 경우가 많기 때문에 영상 촬영 시점을 이러한 발생 메커니즘과 정확하게 맞춰야 한다. 이를 위해 카메라 시스템은 외부 트리거 입력과 정밀하고 일관된 타이밍 제어 기능을 지원해야 한다. 압력 센서나 다른 진단 장비와 연동할 수 있어야 하며, 여러 차례의 실험에서 동일한 조건으로 반복 촬영할 수 있는 성능도 필요하다. 동일한 시점에서 영상과 압력, 음향 등 다른 측정 데이터를 함께 확보할 수 있다면 개별 영상만으로는 확인하기 어려운 현상을 보다 종합적으로 해석할 수 있다. 따라서 트리거와 측정 시스템 통합은 영상 장비의 부가 기능이라기보다 정량 분석을 가능하게 하는 핵심 조건에 가깝다. 5. 짧은 노출시간에서 중요한 광감도 프레임레이트가 높아지면 한 프레임당 사용할 수 있는 노출시간은 짧아지고, 센서가 확보할 수 있는 빛의 양도 감소한다.이는 초고속 이미징에서 피할 수 없는 제약이다.캐비테이션 실험에서는 높은 배율, 제한된 광학 접근 공간, 고속 조명, 짧은 레이저 펄스 등의 조건이 함께 적용될 수 있어 광량 확보가 더욱 어려워질 수 있다. 센서 감도가 충분하지 않으면 영상 노이즈가 증가하거나 대비가 낮아지고, 이는 미세 기포의 경계와 내부 구조를 식별하는 능력에 직접적인 영향을 미친다. 특히 노출시간이 매우 짧은 초고속 촬영 에서는 확보할 수 있는 광량 자체가 제한되기 때문에 센서 감도와 노이즈 특성이 영상 품질을 좌우하는 중요한 요소가 된다. 따라서 고속 카메라를 평가할 때는 센서의 양자효율(Quantum Efficiency), 짧은 노출시간에서의 노이즈 성능, 펄스 조명과의 호환성, 실험 목적에 맞는 광학 구성 지원 여부 등을 함께 살펴봐야 한다. 특히 제한된 광량에서도 미세 기포의 경계와 형상 변화를 선명하게 포착할 수 있는지가 중요하다. 자료제공: Specialised Imaging (specialised-imaging.com)
2026-11-01 -
와이어 하네스 조립 자동화를 위한 머신비전 기반 로봇 제어 적용 사례
자동차 산업에서 와이어 하네스 조립은 자동화하기 까다로운 공정으로 꼽힌다. 케이블이 유연해 작업할 때마다 위치와 형상이 달라지기 때문이다. 독일의 자동화 전문기업 Cellios는 TE Connectivity와 협력해 와이어 하네스 조립부터 전기적 검사까지 수행하는 모듈형 로봇 시스템을 개발했다. 이 과정에서 MVTec의 머신비전 소프트웨어 MERLIC을 활용해 단자와 커넥터의 위치를 측정하고 로봇의 움직임을 보정했다. 이번 사례는 머신비전과 정밀 로봇 제어를 결합해 수작업 중심의 조립 공정을 자동화한 기술을 살펴본다. ▲ 와이어 하네스 조립 자동화 셀. 유연한 케이블을 다루는 로봇에는 정밀한 위치 인식과 제어가 요구된다. Challenge 위치가 계속 변하는 케이블, 0.1mm 정밀도 요구 와이어 하네스는 여러 전선을 묶어 전기적 연결을 구성하는 부품 으로, 자동차의 전장 시스템에 폭넓게 사용된다. 그러나 케이블은 단단한 기계 부품과 달리 쉽게 휘어지고 작업 과정에서 위치가 달라진다. 로봇이 동일한 동작을 반복하더라도 케이블 끝에 부착된 단자의 위치와 방향이 일정하게 유지되지 않는다는 의미다. 특히 어려운 작업은 전선 끝에 압착된 단자(crimp)를 커넥터의 작은 삽입구에 정확하게 넣는 공정이다. 단자와 삽입구의 크기는 수mm 수준이며, 안정적인 삽입을 위해서는 약 0.1mm의 위치 정밀도가 요구된다. 케이블을 잡는 과정에서 단자의 위치가 미세하게 달라지기 때문에 사전에 설정한 로봇 좌표만으로는 정확한 삽입이 어렵다. 기존 와이어 하네스 제조에서는 일부 작업을 자동화하더라도 케이블 배선과 단자 삽입 등은 작업자의 수작업에 의존하는 경우가 많았다. Cellios는 이러한 한계를 해결하기 위해 개별 작업뿐 아니라 조립부터 최종 전기적 검사까지 연계하는 자동화 시스템 개발에 나섰다. ▲ 로봇 팔 위쪽의 카메라가 커넥터 위치를 측정해 로봇의 위치 보정을 지원한다. Solution 2D 머신비전과 힘 제어를 결합한 단자 삽입 Cellios는 커넥터 공급, 전선 준비, 단자 압착, 배선, 접합, 테이핑,최종 전기적 검사 등의 공정을 모듈형 로봇 셀로 구성했다. 핵심 기술은 단자 삽입 과정에서 머신비전과 로봇의 힘 제어를 함께 사용하는 방식이다. 로봇이 압착 단자(crimp)를 파지하면 한 대의 2D 카메라가 단자의 X·Y 위치와 Z축 회전각을 측정한다. 다른 카메라는 커넥터 삽입구의 위치를 확인한다. MVTec의 MERLIC은 영상 처리와 매칭 기술을 통해 로봇의 위치 보정에 필요한 정보를 제공한다. 이를 통해 케이블의 유연한 특성과 앞선 가공 과정에서 발생한 위치 편차에 대응한다. ▲ 머신비전 카메라를 이용해 압착 단자의 위치와 방향을 측정한다. 삽입 단계에서는 로봇에 장착된 힘·토크 센서가 작용한다. 머신 비전이 단자와 삽입구의 기하학적 위치를 파악한다면, 힘 제어는 실제 삽입 과정에서 발생하는 힘을 감지하고 조절한다. 이를 통해 미세한 위치 차이로 부품이 손상될 가능성을 줄이면서 정밀한 삽입 작업을 수행하도록 설계했다. Cellios는 영상 처리 소프트웨어로 MVTec MERLIC을 적용하고, MQTT와 REST 인터페이스를 통해 머신비전 시스템을 로봇 셀의 제어 환경과 연동했다. MERLIC은 로우코드(Low-Code) 기반 개발 환경을 제공해 복잡한 프로그래밍 없이 영상 처리 기능을 구성할 수 있도록 지원한다. 실제로 Cellios의 직원 두 명은 별도의 추가 교육 없이 동영상 자료와 예제 애플리케이션을 활용해 비전 애플리케이션을 구현했다. 유연한 케이블을 파지하고 조작하는 과정 역시 중요하다. 로봇 그리퍼는 서로 다른 굵기의 케이블을 취급하도록 구성돼 있으며, 위치 인식과 파지 동작을 연계해 작업 대상의 변화에 대응한다. Result 수작업 중심의 조립 공정을 로봇 시스템으로 구현 Cellios와 TE Connectivity는 와이어 하네스 조립 공정 전반을 자동화하는 시스템의 시제품을 개발하고, 2025년 11월 공개했다. 특히 위치가 일정하지 않은 단자와 커넥터를 각각 측정하고 로봇의 움직임을 보정하는 방식으로, 작업자의 육안 확인과 숙련도에 크게 의존했던 단자 삽입 공정을 로봇으로 자동화하는 방식을 구현했다. 이 시스템은 단자 삽입 과정의 데이터를 디지털 방식으로 기록하고 모니터링할 수 있도록 구성됐다. 이는 조립 과정의 추적성을 확보하고, 문제 발생 시 작업 이력을 확인하는 데 활용될 수 있다. Insight 정밀 위치 인식과 힘 제어의 결합이 핵심 이번 사례는 머신비전이 단순한 완제품 검사 기술을 넘어 로봇의 조립 동작을 직접 지원하는 핵심 기술로 활용될 수 있음을 보여준다. 유연한 케이블처럼 작업 과정에서 형상과 위치가 변하는 부품은 고정된 좌표와 반복 동작만으로 다루기 어렵다. 따라서 실제 부품의 위치를 측정하고 그 결과를 로봇 제어에 반영하는 과정이 필요하다. Cellios는 MERLIC 기반 머신비전으로 단자와 커넥터의 위치를 파악하고, 힘·토크 센서로 삽입 과정을 제어하는 방식을 채택했다. 영상 기반 위치 보정과 물리적 접촉 제어를 결합했다는 점에서, 이번 사례는 유연 부품의 정밀 조립 자동화에 적용할 수 있는 기술적 접근법을 제시한다. Cellios는 향후 머신비전을 활용한 추가 품질검사와 공정 편차를 감지하고 대응하는 셀프 힐링(Self-Healing) 기능도 검토하고 있다. 이는 머신비전의 역할을 조립 위치 보정에서 공정 상태의 감시와 제어로 확장하려는 방향이다. 자료출처: MVTec (www.mvtec.com)
2026-11-01 -
투명·고반사 반도체 소재의 3D 정밀 검사 기술
반도체 제조에서는 생산 전 과정에서 치수 확인, 핵심 형상 검사, 결함 검출, 조립 상태 확인 등이 요구된다. 소자와 패키지 구조가 미세해질수록 필요한 측정 정확도와 반복성도 높아지는데, 검사 대상이 투명하거나 반사성이 높으면 측정 난도는 더욱 커진다. LMI Technologies는 유리 웨이퍼, 디스플레이 기판, 광학 부품, 연마 표면, 첨단 패키징 소재를 대표적인 검사 난제로 꼽는다. 표면 반사는 필요한 형상을 가릴 수 있고, 굴절은 측정 정확도에 영향을 줄 수 있다. 표면 간 대비가 낮거나 형상이 복잡하고 경사가 급한 경우에도 안정적인 3D 데이터를 얻기가 어렵다. 특히 TGV(Through Glass Via)는 유리 기판을 관통하도록 미세 비아를 형성하는 기술로, 투명한 기판에 만들어진 미세 구조를 정밀하게 측정해야 한다. 반사와 굴절의 영향을 받는 유리 소재 특성까지 고려해야 하기 때문에 3D 측정 난도가 높은 검사 대상 가운데 하나다. ▲ Gocator 4000 시리즈를 이용한 실리콘 웨이퍼 3D 검사. 동축 라인 공초점 기술로 반사·투명·복잡 표면의 형상을 측정한다. 사각 영역 줄이고 급경사 형상까지 측정 Gocator 4000 시리즈는 이러한 검사 과제에 대응하기 위해 동축 라인 공초점 기술을 사용한다. LMI에 따르면 이 방식은 투명·반사·복합 표면을 고해상도 3D로 측정하고, 사각 영역을 최소화하는 동축 광학 구조를 통해 기존 검사 방식에서 데이터가 누락되기 쉬운 형상의 표면 정보를 취득하도록 설계됐다. 동축 광학 구조는 급경사 형상과 깊은 홈, 돌출 구조처럼 측정 시사각 영역이 발생하기 쉬운 대상에 유리하다. Gocator 4000 시리즈는 시리즈 기준으로 프로파일당 1920 포인트, 최대 1.9 μm의 X 해상도, 최대 5.0 mm의 측정 시야(FOV), 최대 ±85°의 경사각, 가속 시 최대 36 kHz의 스캔 속도를 지원한다. 다만 이 수치는 개별 모델과 설정에 따라 달라질 수 있으므로 실제 적용에서는 해당 모델의 사양 확인이 필요하다. 센서에는 GoPxL 소프트웨어가 탑재돼 측정과 분석, 검사를 엣지 에서 직접 수행한다. LMI는 이를 통해 외부 데이터 처리 구성을단순화하고 인라인 환경에서 검사 결과를 빠르게 활용할 수 있다고 설명한다. 웨이퍼부터 TGV·BGA·와이어 본딩까지 LMI가 제시하는 적용 범위는 웨이퍼 검사에만 한정되지 않는다.반도체 패키징, BGA 검사, 와이어 본딩 검사, 정밀 계측, 표면 결함 검출, 유리 기판 및 TGV 검사 등 다양한 공정에서 동축 라인 공초점 기반의 3D 측정을 활용할 수 있다. BGA의 미세 범프나 복잡한 와이어 본딩 구조처럼 형상 변화가 크고 사각 영역이 발생하기 쉬운 대상에서는 표면 데이터의 누락을 줄이면서 형상을 안정적으로 측정하는 것이 중요하다. 투명·반사 소재 검사의 핵심은 단순히 해상도를 높이는 데 있지 않다. 반사와 굴절, 급경사와 깊은 구조처럼 측정을 방해하는 조건에서도 안정적인 3D 데이터를 확보하고, 이를 인라인 검사 흐름에서 바로 분석할 수 있어야 한다. LMI는 동축 라인 공초점 기술을 이러한 반도체 검사 과제에 대응하는 방법으로 제시하고 있다. 자료제공: LMI Technologies (www.lmi3d.com)
2026-11-01 -
고속·AI 비전 시스템에서 중요해지는 시스템 통합과 데이터 처리
산업 제조에서 머신비전은 갈수록 중요한 역할을 맡고 있다.고성능 비전 시스템은 다수의 개별 센서를 대체하고 보다 컴팩트하고 유연한 자동화 솔루션 구현을 가능하게 한다. 이를 통해 개발자와 엔지니어는 생산 품목 변화에 보다 유연하게 대응하고, 정밀한 품질검사 시스템을 구축할 수 있다. 최근에는 카메라 자체의 성능뿐 아니라 하드웨어와 소프트웨 어, 시스템 통합의 연계가 중요해지고 있다. 특히 고성능·데 이터 집약적인 환경에서는 각 구성요소가 원활하게 연결돼야 안정적이고 확장 가능한 자동화 시스템을 구현할 수 있다. AI 도입이 확대되면서 산업용 이미지 처리의 활용 범위도 넓어지고 있다. 결함 검출부터 적응형 애플리케이션까지 다양한 분야에서 AI 활용이 늘고 있으며, 이에 따라 머신비전 시스템의 연산 성능과 데이터 처리 구조에 대한 요구도 함께 높아지고 있다. ▲ 반도체 검사 공정에 적용되는 고정밀 머신비전 차세대 자동화를 위한 통합 머신비전 최신 하드웨어를 비교적 쉽게 확보할 수 있게 됐지만 산업용 머신비전 시스템 자체의 복잡성은 오히려 커지고 있다. 오늘날의 비전 애플리케이션은 광학계와 카메라, 머신 제어, 소프트웨어 스택, 이미지 처리 및 AI 추론을 위한 컴퓨팅 플랫 폼이 정밀하게 연계되는 구조로 구현된다. 특히 고속 애플리케이션과 멀티카메라 시스템에서는 데이터 처리와 동기화, 전체 시스템 아키텍처에 높은 성능이 요구된 다. 높은 생산 속도에서도 안정적인 운전과 일관된 처리 성능을 확보해야 하기 때문이다. AI 기반 품질검사는 머신비전의 활용 범위를 넓히는 동시에 연산 성능과 메모리 대역폭에 대한 요구도 증가시킨다. 따라서 초기 평가 단계부터 실제 생산라인 적용에 이르기까지 하드웨어와 소프트웨어, 데이터 처리 구조를 하나의 시스템 관점에서 설계하는 것이 중요하다. 시스템 오버헤드는 줄이고 이미지 처리에 집중 적절한 하드웨어를 선택하는 것만으로는 충분하지 않다. 카메 라와 소프트웨어를 얼마나 효율적으로 연계하는지도 시스템 성능에 영향을 미친다.Baumer neoAPI는 C++, C#, Python을 지원하는 프로그래밍 인터페이스로, 카메라 통합과 설정을 지원한다. 특히 GigE Vision 3.0과 RDMA를 함께 사용하면 이미지 데이터를 전송하는 과정에서 CPU의 개입을 줄일 수 있다. 일반 적인 데이터 처리에서는 네트워크를 통해 들어온 이미지가 CPU와 시스템 메모리를 거치는 과정이 필요하지만, RDMA 는 데이터 이동 과정에서 CPU 부담을 줄이는 데 활용된다. 또한 카메라가 데이터 재전송을 관리해 잠재적인 이미지 손실을 줄일 수 있다. 이를 통해 높은 대역폭을 요구하는 멀티카 메라 시스템이나 AI 워크플로에서도 실제 이미지 처리와 비전 알고리즘에 보다 많은 시스템 자원을 활용할 수 있다. GPU 가속 AI 이미지 처리를 위한 neoAPI 카메라 해상도와 프레임 속도가 높아지고 AI 이미지 처리가 확대되면서 GPU와 전용 AI 가속기의 활용도 증가하고 있다.Baumer neoAPI는 설정 가능한 이미지 버퍼 관리와 NVIDIA GPUDirect를 지원한다. 이를 통해 RDMA 데이터 전송 경로를 GPU 메모리까지 확장할 수 있다. 즉, 이미지 데이터를 CPU를 거쳐 다시 GPU로 전달하는 대신 GPU 메모리로 직접 전송할 수 있다. 이를 통해 불필요한 데이터 이동과 CPU 부하를 줄이고, 데이터 집약적인 AI 워크플로의 처리 효율을 높일 수 있다. neoAPI는 Windows 워크스테이션부터 Linux 기반 산업용및 엣지 시스템까지 다양한 플랫폼을 지원한다. 예를 들어 Windows 환경에서 Python으로 프로토타입을 개발한 뒤 서버나 NVIDIA Jetson과 같은 엣지 플랫폼에서 C++ 기반으로 전환할 수 있다. ARM 기반 플랫폼이나 Raspberry Pi와 같은 컴팩트 시스템 에서도 카메라를 분산형 아키텍처에 통합할 수 있다. 이미지가 생성되는 위치에서 일부 전처리를 수행하면 중앙 시스템 으로 전송되는 데이터량을 줄이는 데도 도움이 된다. 반도체와 디스플레이, 배터리 생산에 사용되는 고속 검사 시스템은 매우 짧은 시간 안에 방대한 양의 데이터를 생성한다.여러 대의 고해상도 카메라가 높은 프레임 속도로 이미지 데이터를 동기화해 획득하는 동시에 AI 모델은 결함과 이상, 공정 편차를 거의 실시간으로 검출해야 한다. GigE Vision 3.0과 RDMA, NVIDIA GPUDirect를 결합하면 이미지 데이터를 CPU를 거치지 않고 카메라 시스템에서 GPU 메모리로 직접 전송할 수 있다. 이를 통해 데이터 집약적인 AI 워크플로를 사용하는 복잡한 멀티카메라 시스템에서도 낮은 지연시간으로 데이터를 처리할 수 있다. 초고속·대용량 애플리케이션을 위한 고속 레코딩 또 다른 기능은 고속·대용량 애플리케이션을 위한 고속 레코딩이다.필요한 원시 데이터를 먼저 기록하면 이미지 획득과 실제 분석을 분리할 수 있다. 이를 통해 이미지 처리 과정에서 발생하는 순간적인 피크 부하를 줄이고, 연산 집약적인 작업을 보다 효율적으로 배분할 수 있다.시스템 성능 분석이나 대규모 멀티카메라 시스템의 데이터 기록에도 활용할 수 있으며, 사용되는 SSD에 따라 초당 20GB 이상의 데이터를 연속적으로 기록할 수 있다. 철도 차량 검사 시스템에서는 고해상도 멀티카메라를 이용해 고속으로 이동하는 열차와 철도 차량을 주행 중 촬영한다. 이과정에서 휠과 브레이크 부품, 팬터그래프, 표면 구조 등을 분석하기 위한 대량의 이미지 데이터가 짧은 시간 안에 생성된다.고속 레코딩을 이용하면 필요한 이미지 데이터를 연속적으로 기록하고, 실제 이미지 분석과 AI 기반 결함 검출은 이후 별도의 처리 단계에서 수행할 수 있다. 카메라를 넘어 시스템 전체를 봐야 고성능 머신비전 애플리케이션에서는 단순한 카메라 통합만 으로 시스템 요구사항을 충족하기 어렵다.고성능 하드웨어와 효율적인 데이터 파이프라인, 최적화된 소프트웨어 아키텍처가 함께 연계돼야 한다. 특히 복잡한 멀티카메라 시스템이나 데이터 집약적인 AI 워크플로에서는 카메라 자체의 성능뿐 아니라 데이터를 어떤 경로로 전송하고, 어느 연산 장치에서 처리하며, 시스템 부하를 어떻게 관리할 것인지까지 고려해야 한다. 결국 고속·고해상도·AI 기반 머신비전에서는 개별 카메라의 성능만으로 전체 시스템의 성능을 결정하기 어렵다. 높은 데이터 처리량과 낮은 지연시간, 안정적인 실시간 처리, 다양한 연산 플랫폼으로의 확장성을 함께 고려한 시스템 설계가 중요해지고 있다. 자료제공: Barmer (www.baumer.com)
2026-11-01 -
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


