딥러닝 외관 검사, 어디까지 자동화할 수 있을까

딥러닝 외관 검사가 필요한 순간

제조 현장에서 외관 검사는 오랫동안 사람의 눈과 룰 기반 비전의 몫이었습니다. 하지만 불량의 형태가 일정하지 않거나, 소재 표면이 매번 다르게 반사되거나, 동일한 결함이라도 위치와 크기가 제각각인 경우 기존 방식은 한계를 드러냅니다. 스크래치, 크랙, 이물, 찍힘처럼 패턴이 불규칙한 불량이 대표적입니다. 이런 영역에서 딥러닝 기반 외관 검사가 강점을 발휘합니다.

규칙 기반 비전과 무엇이 다른가

규칙 기반 비전은 사람이 정한 기준(밝기 임계값, 면적, 엣지 등)으로 양품과 불량을 가릅니다. 기준이 명확한 치수 측정이나 위치 검출에는 빠르고 정확하지만, 기준을 숫자로 정의하기 어려운 불량에는 과검과 미검이 동시에 늘어납니다. 딥러닝은 정상과 불량 이미지를 학습해 사람이 말로 설명하기 어려운 특징까지 스스로 잡아냅니다. 그래서 표면 질감이 복잡하거나 불량 형태가 다양한 공정에 적합합니다.

핵심은 모델이 아니라 데이터입니다

많은 분들이 딥러닝 검사를 "좋은 AI 라이브러리를 쓰는 일"로 생각합니다. 실제 현장에서 결과를 가르는 것은 라이브러리가 아니라, 고객의 품질 기준을 학습 가능한 데이터로 정리하는 과정입니다. 어디까지를 불량으로 볼지, 한계 견본(경계 샘플)을 어떻게 정의할지, 조명과 각도를 어떻게 고정할지가 검출 성능의 8할을 결정합니다. 커스텀파츠는 이 기준 정리부터 함께 진행합니다.

도입 후에도 끝이 아닙니다: 재학습 체계

양산 라인은 시간이 지나면 소재 로트가 바뀌고 새로운 형태의 불량이 등장합니다. 처음 잘 맞던 모델도 과검이 늘 수 있습니다. 그래서 커스텀파츠는 운영 중 과검/미검 이미지를 저장하고, 이를 추가 학습해 손쉽게 성능을 끌어올리는 재학습 구조를 함께 설계합니다. 검사기는 납품으로 끝나는 장비가 아니라, 라인과 함께 학습하며 정확해지는 시스템이어야 합니다.

어디까지 자동화할 수 있을까

결론부터 말하면, 불량의 정의가 가능한 영역은 대부분 자동화할 수 있습니다. 다만 "전수 자동 판정"과 "사람 보조"는 구분해서 접근하는 것이 현실적입니다. 명확한 불량은 인라인 전수 검사로 차단하고, 애매한 경계 영역은 사람이 최종 확인하도록 단계적으로 설계하면 과검으로 인한 라인 정지를 줄이면서 유출도 막을 수 있습니다.

딥러닝 외관 검사 도입을 고민 중이시라면, 현재 검사하시는 부품과 불량 유형, 그리고 지금 겪고 계신 문제만 알려주세요. 커스텀파츠 엔지니어가 데이터 정리 방향부터 함께 검토해 드립니다.