컴퓨터 비전
Computer Vision
컴퓨터 비전이란?
- 컴퓨터가 이미지·영상을 '보고' 이해
- 얼굴인식·불량검출·자율주행의 눈
- CNN이 대표 기술
컴퓨터 비전이 들어오면 실제로 바뀌는 것은 '판정의 일관성'입니다. 사람 검사원은 오전과 오후의 기준이 다르고 숙련도에 따라 판단이 갈리지만, 비전 검사는 같은 이미지에 같은 답을 내고 판정 근거가 된 사진과 좌표가 전부 남습니다. 그래서 도입 효과는 '사람을 줄였다'보다 불량이 어디서 왜 새 나갔는지 추적 가능해진 것에서 먼저 드러납니다. 판정 기록이 데이터로 쌓인다는 점이 설비 개선과 고객사 클레임 대응의 근거가 됩니다.
업무에서 만나는 형태는 대략 다섯 가지입니다. 이미지 전체에 이름을 붙이는 분류, 위치까지 사각형으로 잡는 탐지, 픽셀 단위로 영역을 따는 분할, 글자를 읽는 OCR, 그리고 정상 패턴만 학습해 벗어난 것을 잡아내는 이상 탐지입니다. 불량 샘플이 몇십 장뿐인 라인에서는 앞의 셋보다 이상 탐지가 현실적입니다. 요구 조건도 다릅니다. 탐지 모델은 유형별로 수백에서 수천 장의 라벨링된 이미지가 필요하고, 조명·각도·배경이 바뀌면 성능이 그대로 주저앉습니다. 처리 위치도 선택 사항이어서, 라인이 초당 여러 개를 흘려보낸다면 클라우드 왕복 대신 현장 장비에서 수십 밀리초 안에 끝내는 엣지 방식을 씁니다. 이미지를 설명해주는 멀티모달 AI와 0.2mm 흠집을 판정하는 전용 비전 모델은 쓰임이 다른 도구입니다.
현장에서 가장 자주 어긋나는 지점은 '카메라만 달면 된다'는 생각입니다. 프로젝트 공수의 절반은 조명과 지그, 즉 매번 같은 조건으로 찍게 만드는 일에 들어갑니다. 두 번째는 정확도 숫자입니다. 불량률 0.5%인 라인에서는 전부 양품이라고 답해도 정확도가 99.5%로 찍힙니다. 실제로 봐야 할 숫자는 놓친 불량의 비율인 미검율과 양품을 튕겨낸 비율인 과검율이며, 미검 한 건은 고객사 클레임으로, 과검 급증은 멀쩡한 제품 폐기와 검사원 재작업으로 돌아옵니다. 세 번째는 한 번 학습시키면 끝이라는 착각입니다. 부품 사양이나 소재 공급처가 바뀌면 몇 달 만에 검출률이 무너지므로, 분기 단위 재학습과 성능 점검을 운영 규정에 넣지 않으면 값비싼 카메라는 결국 전원이 꺼진 채 방치됩니다.
1960년대부터 연구된 오랜 분야로, 2012년 딥러닝(AlexNet)이 이미지 인식 성능을 비약적으로 끌어올리며 실용화가 가속됐습니다.
가상의 사례로 살펴보겠습니다. 자동차 부품을 만드는 A사는 임직원 180명, 연매출 420억 원 규모의 2차 협력사입니다. 외관 검사를 3교대 12명이 육안으로 해왔는데, 지난해 고객사로 흘러간 미검 불량이 9건 발생하면서 라인 정지 배상까지 물었습니다. 품질보증팀이 6개월짜리 비전 검사 도입 과제를 맡았습니다.
- 품질보증팀 박 과장이 3개월치 불량 사진 1,200장을 모아보니 라벨이 제각각이었습니다. '긁힘과 눌림을 검사원마다 다르게 적어놨더라'는 말에, 판정 기준 사진첩부터 다시 만들었습니다.
- 첫 시험 모델의 검출률은 71%에 그쳤습니다. 원인이 알고리즘이 아니라 조명이라는 진단이 나와, 설비기술팀이 링 조명과 고정 지그를 달아 촬영 조건을 통일하자 89%로 올랐습니다.
- 불량 샘플이 유형당 40장뿐이라 정상품 8,000장만 학습시키는 이상 탐지 방식으로 틀었습니다. 미검율 0.3% 이하, 과검율 5% 이하를 합격선으로 벤더 계약서에 못 박았습니다.
- 두 달간 검사원 3명이 AI 판정 뒤를 그대로 따라붙었습니다. 라인장이 '과검으로 튕긴 것만 사람이 다시 본다'는 규칙을 세우면서 하루 재확인 물량이 220개에서 60개로 줄었습니다.
- 매 분기 신규 불량 이미지 300장으로 재학습하는 일정을 품질 회의 고정 안건으로 넣었습니다. 소재 공급처가 바뀐 4분기에 검출률이 6%p 떨어진 것을 2주 만에 잡아냈습니다.
- 1년 뒤 고객사 미검 유출은 9건에서 1건으로, 개당 검사 시간은 22초에서 4초로 줄었습니다. 검사 인원 12명 중 6명은 조립·포장 공정으로 재배치했습니다.