전자부품 검사의 난이도

전자부품 품질검사는 왜 유독 자동화가 어렵다고들 하나요?

부품은 계속 작아지고 집적도는 높아지는데 제품 수명 주기는 짧아지기 때문이에요.

슈나이더 일렉트릭이 만드는 차단기나 컨택터 같은 전장부품이 딱 그래요. 배전 유닛 하나에 모듈 수십 개가 조립되는데 그중 하나가 잘못 끼워져 있어도 겉으로는 멀쩡해 보여요. 이걸 육안으로 전수 검사하면 검사자 피로도에 따라 누락률이 그날그날 달라지는 문제가 생기죠. 사람이 못해서가 아니라 사람이라서 생기는 한계예요.

게다가 전장부품은 금속 표면이 많아요. 조명이 반사되면 카메라 입장에서는 매번 다른 그림이 보이는 셈이라 기존 방식의 자동 검사도 쉽지 않았던 영역이에요.

기존 AOI의 한계

이번 자동화 사례에선 AI 비전 검사로 진행하셨는데 기존에 쓰던 룰 기반 비전 검사(AOI)와 AI 비전 검사는 뭐가 다른가요?

핵심은 가성불량(False Reject)이에요. 룰 기반 비전은 "이 위치의 밝기가 기준값을 넘으면 불량"처럼 정해진 규칙으로 판정해요. 그런데 조명이 살짝 변하거나 금속 표면에서 빛이 반사되면 멀쩡한 양품도 불량으로 걸러버려요.

그러면 어떻게 되냐면 걸러진 제품을 사람이 다시 확인하는 재검 인력이 별도로 붙어요. 자동화를 했는데 사람이 또 필요해지는 거죠. 슈나이더도 정확히 이 문제를 겪고 있었어요.

AI 비전은 접근이 반대예요. 양품이 어떤 모습인지 그 정상 범위를 통째로 학습해요. 조명이 흔들려도 반사가 생겨도 정상 범위 안이면 양품으로 보고 범위를 벗어나면 불량으로 잡아요. 그래서 한 번도 학습한 적 없는 새로운 불량 유형까지 이상으로 검출할 수 있어요. 규칙이 아니라 기준을 배우는 방식이라서 가능한 일이에요.

엣지러닝의 개념

이 사례에서 자주 나오는 엣지러닝이 뭔가요? 딥러닝과는 어떻게 다른 건가요?

엣지러닝은 쉽게 말해 카메라 안에서 바로 돌아가는 가벼운 AI예요. 원래 딥러닝 비전 검사를 하려면 별도의 PC를 붙이고 이미지를 수백 장씩 모아서 학습시키는 과정이 필요했어요. 당연히 비전 엔지니어가 있어야 했고요.

엣지러닝은 사전 학습된 AI가 카메라에 이미 들어있어요. 그래서 현장에서는 양품 이미지 5~10장 정도만 추가로 학습시키면 검사 모델이 완성돼요. PC도 프로그래밍도 필요 없고 생산기술 담당자가 직접 설정할 수 있는 수준이에요. 슈나이더 사례에서 "단순 검사는 4시간 안에 양산 투입"이라는 말이 나오는 게 이 덕분이에요.

그렇다고 딥러닝이 필요 없어지는 건 아니에요. 금속 반사가 심하거나 배경이 복잡한 고난도 결함 검출은 여전히 딥러닝의 영역이에요. 정리하면 이렇게 나뉘어요.

실제 검사 공정 흐름

슈나이더 라인에서는 검사가 실제로 어떻게 흘러가나요?

투입부터 배출까지 하나의 흐름으로 이어져요. 먼저 바코드 리더가 투입 부품의 코드를 읽어서 품번을 확인해요. 그러면 그 기종에 맞는 검사 레시피가 자동으로 호출돼요. 다품종 라인에서 기종이 바뀔 때마다 세팅을 다시 잡을 필요가 없다는 뜻이에요.

촬영 단계가 재밌는데요. 다면 검사가 필요한 부품은 멀티 카메라 스테이션이 좌우 앞뒤 4방향을 동시에 찍어요. 협동로봇이 붙은 셀에서는 로봇이 부품을 집어서 카메라에 여러 각도로 보여주기도 해요.

그다음 AI가 부품 유무와 조립 위치와 표면 결함을 항목별로 판정해요. 검사 화면에 체크리스트가 뜨고 오조립이 검출되면 즉시 경보와 함께 해당 위치가 특정돼요. 불량품은 라인에서 자동 배출되고요.

여기서 끝이 아니라 판정 결과와 불량 이미지가 슈나이더의 IIoT 플랫폼 EcoStruxure에 실시간으로 쌓여요. 이 데이터가 나중에 공정 개선의 근거가 되는데 이 얘기는 뒤에서 더 할게요.

코그넥스의 특장점

머신비전 제조사가 많은데 코그넥스는 다른 제조사와 뭐가 다른가요?

크게 세 가지를 꼽아요. 첫째는 엣지러닝을 스마트카메라에 세계 최초로 탑재했다는 점이에요. In-Sight 2800이 그 제품인데요. 보통의 딥러닝 비전은 별도 PC에서 대량의 이미지를 학습시켜야 하지만 이 방식은 카메라 단독으로 5~10장 학습이면 검사를 시작해요. AI 검사의 진입 장벽 자체를 낮춘 접근이라 다품종 소량생산 현장에서 특히 체감 차이가 커요.

둘째는 한 장비에 룰 기반 툴과 AI 툴이 같이 들어있다는 거예요. 치수 측정 같은 정형 검사는 검증된 룰 기반으로 하고 판정이 애매한 항목만 AI로 처리하는 식으로 하나의 검사 안에서 두 방식을 체인처럼 엮을 수 있어요. 장비를 이중으로 살 필요가 없죠. 하드웨어도 RGBW 멀티 컬러 조명과 일반 센서 대비 최대 16배 디테일을 확보하는 HDR 기술로 금속 반사 환경에서 유리하고요.

셋째가 사실 이 사례의 결정타인데 2D 검사부터 딥러닝과 3D 측정과 바코드 판독까지 단일 벤더 포트폴리오로 다 커버된다는 점이에요. 슈나이더가 코그넥스를 전 세계 배포 표준으로 삼을 수 있었던 이유가 여기 있어요. 공장마다 장비 브랜드가 제각각이면 유지보수 체계도 운영 교육도 따로 만들어야 하거든요. 한 포트폴리오로 통일하니 검증된 애플리케이션을 다른 공장에 그대로 복제할 수 있는 거예요.

공정별 제품 매칭

그럼 어떤 공정에 어떤 제품이 맞는 건가요?

슈나이더가 실제로 쓴 구성을 보면 답이 나와요. 부품 유무 확인이나 조립 상태 검증이나 양불 분류 같은 범용 검사는 In-Sight 2800이 담당해요. 엣지러닝으로 셋업이 빠르니까 라인 전체에 가장 넓게 깔리는 주력이에요.

금속 표면 반사가 심하거나 배경이 복잡해서 룰 기반이 감당 못 하는 고난도 결함 검출과 문자 판독(OCR)은 In-Sight D900과 VisionPro 딥러닝이 맡아요. 높이나 평탄도처럼 3차원 측정이 필요한 항목은 In-Sight 3D-L4000이 2D 검사와 3D 측정을 한 장비에서 동시에 처리하고요. 부품 이력 추적은 DataMan 8700 바코드 리더가 손상되거나 대비가 낮은 코드까지 읽어내면서 받쳐줘요.

우리 라인에 뭐가 맞을지 감이 안 잡히면 검사 대상과 불량 유형만 알려주셔도 돼요. 마로솔에서 공정에 맞는 조합을 검토해드리고 있어요.

도입 기간과 운영 인력

머신비전 도입 기간은 얼마나 걸리나요? 비전 전문 인력이 없어도 운영이 되나요?

동일 유형의 AI 비전 검사 스테이션이라면 보통 1~2개월을 봐요. 검사 요구사항 정의와 광학 설계에 2~3주. 현장 설치와 애플리케이션 구성에 1~2주. 양산 검증과 안정화에 2~4주 정도예요. 여기서 애플리케이션 구성 자체는 엣지러닝 기준으로 4시간이면 끝나요. 기간의 대부분은 광학 설계와 양산 안정화에 쓰이는 거예요.

운영 인력 질문은 상담 때 정말 많이 받는데요. 엣지러닝의 존재 이유가 바로 그거예요. 신제품이 나와서 검사 항목이 바뀌면 예전에는 비전 업체를 다시 불러야 했지만 지금은 현장 엔지니어가 양품 이미지를 몇 장 찍어서 직접 학습시키면 돼요. 다품종 생산에서 기종 전환할 때마다 겪던 셋업 부담이 근본적으로 줄어드는 거죠.

물론 검사 항목의 난이도나 라인 조건에 따라 기간과 구성은 달라져요. 이건 현장 사진과 불량 샘플을 보고 판단하는 게 정확해서 사전 검토를 권해드려요.

고객사 현장에서 컨설팅 진행 중인 마로솔 로봇 전문가

글로벌 표준화 전략

슈나이더가 이 시스템을 전 세계 공장의 표준으로 삼은 이유는 뭔가요?

한 라인에서 검증이 끝난 검사 애플리케이션을 표준 블루프린트로 문서화해서 다른 라인과 다른 공장에 복제 배포하는 체계를 만들었어요. 새 공장에 검사를 깔 때마다 처음부터 설계할 필요 없이 검증된 것을 가져다 쓰는 거예요. 구축 기간은 대폭 줄고 어느 공장에서든 같은 품질 기준이 유지돼요. 다공장을 운영하는 기업이라면 이 구조가 주는 이득이 정말 커요.

그리고 검사 데이터를 EcoStruxure 플랫폼에 모아서 불량이 왜 생겼는지 역추적해요. 특정 설비에서 불량이 반복되면 그 설비의 파라미터를 조정해서 불량 발생 자체를 줄이는 거죠. 검출에서 끝나는 게 아니라 발생을 줄이는 폐루프 품질 체계예요.

슈나이더 GSC 유럽의 데이터&애널리틱스 디렉터 로랑 샹투아조는 코그넥스 솔루션이 인증을 거쳐 생산 라인의 배포 표준으로 자리 잡았고 앞으로도 검사를 한층 더 발전시켜 나가겠다고 밝혔어요. 일회성 프로젝트가 아니라 계속 확장 중인 인프라라는 뜻이에요.

도입 효과 정리

마지막으로 이 사례의 도입 효과를 정리해주신다면요?

다섯 가지로 요약할 수 있어요. 육안과 기존 AOI가 놓치던 불량까지 잡아내는 품질 향상. 전수 자동 검사와 가성불량 감소로 얻는 재검 공수와 폐기 비용 절감. 엣지러닝과 블루프린트 복제가 만든 구축 속도와 기종 대응력. 불량 데이터로 설비를 조정하는 데이터 기반 공정 개선. 그리고 검사 이력의 완전한 추적성 확보로 리콜 대응력까지 갖춘 스마트팩토리 고도화예요.

저는 이 사례에서 제일 눈여겨볼 게 순서라고 봐요. 검사기 도입이 목적이 아니라 복제 가능한 검사 표준을 만드는 게 목적이었고 그 표준을 뒷받침한 게 셋업 빠른 엣지러닝이었어요. 공장이 하나든 여럿이든 이 순서로 접근하면 첫 라인의 투자 가치가 몇 배로 커져요.