AI 품질 검사, 실제로 어디까지 될까? 현장 카메라에서 불량을 줄이는 시스템까지

핵심 요약

카메라 검사는 "눈에 확실히 보이는" 결함에만 잘 맞습니다. 사람 둘이 봐도 판정이 갈린다면 시스템도 똑같이 헷갈립니다.
불량품을 놓치는 쪽과 양품을 버리는 쪽 가운데 어느 쪽이 더 비싼지 먼저 정하십시오. 어느 쪽을 더 피하려 하느냐에 따라 판정 기준이 달라집니다.
가장 효과가 큰 목표는 불량을 더 잘 골라내는 것보다, 원인을 찾아 불량이 덜 생기게 하는 것입니다.

이미지로 판정할 수 있는 불량부터 고르기

카메라나 모델 이야기를 꺼내기 전에 간단한 시험부터 해 보십시오. 제품 열 개를 QC 담당자 두 명에게 주고 따로 판정하게 하는 것입니다. 두 사람의 답이 서로 다르다면 시스템도 똑같이 헷갈립니다. 시스템은 사람의 판정을 보고 배우기 때문입니다.

눈에 보이고, 영향이 분명하고, 샘플을 모을 만큼 자주 생기며, 카메라 설치 위치를 통제할 수 있는 불량(Defect)부터 시작하십시오. 판정 단위가 한 점인지, 제품 한 개인지, 상자인지, 로트(Lot)인지 정하고 크기, 위치, 심각도 기준도 함께 정합니다. 검사원 두 명의 판정이 엇갈리면 모델을 학습(Train)시키기 전에 두 사람의 기준을 맞추는 캘리브레이션(Calibration)부터 하십시오.

False Accept(불량을 양품으로 통과시키는 미검출)와 False Reject(양품을 불량으로 걸러 내는 과검출)의 비용을 나란히 놓은 비용 매트릭스(Cost Matrix)를 만드십시오. 불량품이 고객에게까지 가면 재검사보다 몇 배 비싼 대가를 치를 수 있습니다. 그래서 판정 기준은 전체 정확도(Accuracy)를 보고 정할 것이 아니라, 불량 유형별 비용과 위험을 보고 정해야 합니다.

좁게 시작하기: 불량 유형 하나 + SKU 그룹 하나 + 검사 위치 한 곳 + 합격 기준 한 세트

카메라 구성도 모델만큼 중요합니다

프로젝트가 실패하는 원인은 모델 성능보다 오후에 달라지는 조명이나 늘 놓이던 자리를 벗어난 제품일 때가 많습니다. 이미지가 일정하지 않으면 시스템이 아무리 뛰어나도 판정이 틀립니다.

개발팀 참고 · 기술 세부 사항

Lens, Distance, Focus, Lighting, Trigger, Motion을 실제 Line 속도에서 테스트합니다. Fixture로 Defect와 상관없는 회전이나 그림자를 줄입니다. 광택이 있는 제품에는 Diffuse 또는 Polarized Light가 필요할 수 있습니다. 모델이 굳이 배울 필요 없는 편차까지 학습시키려 애쓰기보다 촬영 단계에서 이미지를 바로잡는 편이 대개 더 효과적입니다.

개발팀 참고 · 기술 세부 사항

Good, Acceptable Variation, Defect 샘플을 여러 Lot, Shift, Supplier, Changeover에서 모읍니다. 테스트 세트는 Lot이나 시간 기준으로 나눕니다. 연속으로 찍힌 이미지는 서로 지나치게 비슷하므로 무작위로 섞어 나누지 않습니다. QC가 승인한 Golden Set을 만들어 고정해 두고 모든 Version을 이 세트와 비교합니다.

이미지와 함께 저장할 정보	용도
SKU/Serial/Lot	제품까지 역추적
시간/라인/교대조	현장의 패턴 파악
Machine/Cavity	근본 원인과 연결
판정 결과와 검사원	감사와 라벨 수정

QC가 같은 일을 두 번 하지 않는 사람 검토 단계

섀도(Shadow) 단계에서는 AI가 QC와 나란히 판정하되 제품을 실제로 불량 처리하지는 않습니다. 보조(Assisted) 단계에서는 AI가 확신하는 건은 통과시키고, 의심스러운 이미지는 위치를 표시해 사람에게 보냅니다. 화면에는 원본 이미지, 발견 지점, 불량 유형, 신뢰도(Confidence)가 나와야 합니다. 검사원은 이유를 적고 판정을 뒤집을(Override) 수 있지만, 이 피드백은 검토를 거친 뒤에야 학습에 쓸 수 있습니다.

가장 효과가 큰 목표는 검사 데이터로 불량이 생기는 원인 자체를 줄이는 것입니다

페일 세이프(Fail-safe)도 설계해야 합니다. 카메라가 꺼지거나, 이미지가 흐리거나, 엣지 디바이스(Edge Device)가 느려지면 시스템은 알림을 띄우고 기존 검사 방식으로 돌아가야 합니다. 이런 상황을 "불량 없음"으로 처리해서는 안 됩니다. 판정 결과는 테스트할 수 있는 방식으로 불량 배출 장치(Reject Mechanism)와 연결하고, 엉뚱한 위치에서 배출하지 않도록 인터록(Interlock)을 둡니다.

자동 배출(Automated Reject) 전에 통과해야 할 게이트

골든 세트와 여러 조건의 실제 라인 테스트 통과
False Accept가 위험 허용 기준보다 낮음
이미지에서 해당 제품과 판정까지 추적 가능
시스템 이상 시 수동 검사로 전환할 체계 마련
작업자와 QC가 알람과 판정 변경(Override) 방법을 이해함

불량품 골라내기에서 불량 줄이기로

개발팀 참고 · 기술 세부 사항

검사 결과를 Parameter, Tool, Cavity, Supplier, Maintenance 데이터와 연결합니다. 설비 셋업이나 Lot 변경 뒤에 어떤 Defect가 늘었는지 일일 Pareto로 정리합니다. AI가 라인 끝에서 불량품을 골라내기만 하면 Inspection Cost는 줄 수 있어도 Scrap은 줄지 않습니다. 다음 목표는 Trend를 Process Engineer에게 알려 원인을 고치게 하는 것입니다.

개발팀 참고 · 기술 세부 사항

Defect Escape, False Reject, Scrap, Rework, Inspection Time, Customer Claim, Cost per Good Unit을 추적합니다. 조명, 카메라, Package, SKU, 원자재가 바뀌면 Drift를 점검합니다. Model을 바꿀 때마다 Version, Test, Approval, Rollback 절차가 있어야 합니다.

그래서 좋은 비전 시스템은 따로 떨어진 카메라가 아니라 품질 시스템(Quality System)의 일부입니다. 불량 데이터를 더 자세하고 빠르게 모아 주지만, 기준과 근본 원인, 고객에 대한 책임은 여전히 회사에 있습니다.

QUALITY TIP · 정확도 하나로는 부족합니다

혼동 행렬(Confusion Matrix)을 비용으로 읽기

False Accept는 불량품이 빠져나가는 것이고, False Reject는 양품이 보류되거나 버려지는 것입니다. 두 경우의 비용은 같지 않습니다. 품질팀과 재무팀이 건별 비용을 매기게 한 뒤, 정확도가 가장 높아 보이는 값을 고르지 말고 실제 위험을 기준으로 임계값(Threshold)을 정하십시오.

검사원 두 명의 판정이 엇갈리면 시스템도 같은 식으로 헷갈리므로 기준부터 맞춰야 합니다

가상 사례: 병뚜껑에 반사된 빛 때문에 시스템이 긁힘을 대량으로 찾아냈습니다. 첫 번째 팀은 학습을 몇 차례 더 돌렸습니다. 두 번째 팀은 조명 각도를 바꾸고 고정 지그(Fixture)를 달아 뚜껑이 늘 같은 자리에 오게 했고, False Reject가 곧바로 줄었습니다. 이 사례의 교훈은 컴퓨터 비전 일의 절반이 모델이 아닌, 이미지를 제대로 얻는 엔지니어링이라는 점입니다.

Golden 50

QC 사이에서 판정 논쟁이 가장 많았던 어려운 이미지 50장을 고릅니다. 라벨과 그 이유에 합의한 뒤 학습에는 절대 쓰지 않는 세트로 보관하고, 버전이 바뀔 때마다 이 세트로 테스트합니다. 쉬운 이미지는 모델이 작동하는지를 알려 주고, 경계에 걸린 이미지는 시스템이 회사와 같은 기준으로 판단하는지를 알려 줍니다.

팁: AI가 확신하는 이미지보다 확신하지 못하는 이미지를 QC에게 먼저 보여 주십시오. 사람의 시간을 꼭 필요한 곳에 쓰고, 시스템 개선에 더 쓸모 있는 샘플을 모을 수 있습니다.

DNA MAKER · SOLUTION BLUEPRINT

지식에서 실제로 문제를 해결하는 시스템으로

문제의 핵심

실험실에서 정확한 비전 AI라고 해서 곧 품질 시스템이 되지는 않습니다. 조명, 불량 기준, 선별, 추적성이 함께 맞물려 돌아가야 합니다.

단계별 해결 방법

불량 분류 체계(Defect Taxonomy)와 False Accept/Reject 비용 매트릭스 작성
촬영 스테이션(Imaging Station)을 설계하고 여러 로트와 교대조의 이미지로 골든 세트 구성
Shadow → Assisted → Automated 순서로 시험 운영하면서 페일 세이프와 변경 관리 갖추기

카메라 결과를 품질 시스템에 연결해 모델이 따로 놀지 않게 합니다

무엇이 불량인지, 어느 범위까지 허용하는지, 어떤 오류가 큰 피해로 이어지는지는 고객사 품질팀이 정합니다. DNA Maker는 그 기준을 이미지, 라벨, 판정 이유, 제품 정보를 빠짐없이 쌓아 두는 데이터·검토 워크플로로 옮깁니다. QC가 먼저 봐야 할 이미지를 먼저 보고, 판정을 쉽게 고치고, 결과에서 로트나 제품까지 거슬러 올라갈 수 있도록 화면과 사용 흐름을 설계합니다. 정확도라는 숫자 하나로 품질 문제 전체를 설명할 수 있다고 주장하지는 않습니다.

저희는 라벨링·검토 웹 애플리케이션, 추적성 대시보드, 모바일 QC 도구를 개발하고 비전 모델, 엣지 디바이스, 불량 배출 장치, 기존 업무 시스템을 연동합니다. 버전 관리, 골든 세트, 드리프트 모니터링도 함께 갖춥니다. DNA Maker는 활용 사례 검토, 화면 프로토타입, 아키텍처 설계, 소프트웨어 개발에서 AI 에이전트가 불량 추세를 요약해 팀이 이어서 분석하게 하는 단계까지 도울 수 있습니다. 이미지와 검사 기준은 이미 있는데 이것을 어떻게 하나의 시스템으로 엮을지 모르겠다면, 저희가 품질팀, 엔지니어링팀과 이야기를 나누며 효과를 측정할 수 있고 생산에도 안전한 흐름을 함께 만들겠습니다.

SOFTWARE ENGINEERING GLOSSARY

소프트웨어 엔지니어링 용어집

경영진, 업무 책임자, 개발팀이 같은 용어를 서로 다르게 이해하지 않도록 정리한 표입니다. 외울 필요는 없고, 의미와 예시, 오른쪽 열의 질문까지 함께 읽으면 됩니다. 이 질문을 던지면 개발을 시작하기 전에 숨어 있던 범위와 위험, 비용이 드러나는 경우가 많습니다.

용어	의미	쉬운 예시	개발팀에 물어봐야 할 질문
Computer Vision	이미지나 영상을 분석하는 AI	제품 표면의 흠집 찾기	실제 조명, 각도, 라인 속도에서 테스트해 보았습니까?
Label	모델을 학습시키고 테스트하려고 이미지에 붙이는 정답	이미지에 Good 또는 Scratch 표시	검사원끼리 판정이 얼마나 일치하고, 잘못된 라벨은 어떻게 고칩니까?
Confidence Score	모델이 자기 답을 얼마나 확신하는지 나타내는 값	점수가 낮은 건은 QC가 다시 확인	어느 점수 구간을 사람에게 넘기며, 그 이유는 무엇입니까?
Traceability	판정 결과에서 해당 제품까지 거슬러 찾아갈 수 있는 능력	시리얼 번호와 로트로 이미지 검색	결과에서 어떤 데이터까지 거슬러 찾을 수 있어야 합니까?
Model Drift	실제 환경이 바뀌면서 모델 성능이 떨어지는 현상	조명이나 포장이 바뀌어 판정이 어긋남	어떤 변화가 생기면 다시 테스트하거나 재학습해야 합니까?

내일 해 볼 일: QC에게 어려운 이미지 30장을 고르게 하고 판정 정의에 함께 합의하게 하십시오. 그래도 사람끼리 의견이 갈리면 모델 학습은 미루고 기준부터 고치십시오.