렌즈가 AI보다 먼저다 — PCB 검사 광학 설계

PCB 표면실장(SMT) 라인의 AOI가 매일 수천 장을 통과시키다가도, 유독 특정 로트에서만 솔더 브릿지를 놓치는 경험이 있으실 겁니다. 검사 담당자 대부분은 이 순간 AI 검출 모델부터 의심합니다. 재학습 데이터를 늘리고, 임계값을 조정하고, 새 아키텍처를 시도합니다. 그런데 라인 현장에서 반복적으로 확인되는 원인은 대개 다른 곳에 있습니다 — 카메라 위에 얹힌 렌즈, 그리고 그 렌즈를 비추는 조명의 각도입니다.

이 결함을 방치하면 대가는 뚜렷합니다. 실제로 존재하는 브릿지가 AOI를 통과해 리플로우 이후까지 살아남으면, 필드 불량은 훨씬 더 비싼 리콜 비용으로 되돌아옵니다. 반대로 판정 임계값을 좁혀 놓치지 않으려 하면 오검출(과검)이 늘어 라인 정지와 재검사 인력 투입이 반복됩니다. 최근 임베디드 비전 업계에서도 같은 지적이 나왔습니다. 렌즈는 데이터 품질의 관문(gatekeeper)이며, 모델 튜닝보다 광학계 최적화의 수익이 크다는 것입니다. 이 글은 그 관점을 PCB SMT 검사의 실무 기준으로 옮겨, 광학 셋업을 먼저 점검해야 하는 이유와 구체적인 매칭표를 정리합니다.

왜 렌즈가 먼저인가 — 데이터 품질의 관문

광학계가 만들어내는 이미지가 결함의 기하학적 정보를 이미 잃어버렸다면, 그 뒤에 어떤 알고리즘을 붙여도 없는 정보를 복원할 수 없습니다. 왜냐하면 첫째, 렌즈 왜곡과 색수차는 후처리 보정으로 일부만 상쇄될 뿐 서브픽셀 단위의 엣지 위치 정보 자체는 촬영 시점에 이미 뭉개져 있기 때문입니다. 둘째, 조명 각도가 대상 표면의 반사 특성과 맞지 않으면 대비(contrast)가 애초에 생성되지 않아, 아무리 정교한 필터링을 거쳐도 없는 신호를 만들어낼 수는 없습니다. 셋째, AI 모델은 학습 데이터의 분포 안에서만 강건하기 때문에 광학 조건이 로트마다 흔들리면 검출률을 지키기 위한 재학습이 끝없이 반복되는 구조에 빠지기 쉽습니다.

실제로 최근 임베디드 비전 분야 기고에서도 산업 검사용 광학계는 초저왜곡·텔레센트릭(telecentric) 렌즈를 우선 권고하고 있습니다. 결론적으로, 오검출률이 흔들릴 때 가장 먼저 열어봐야 할 것은 모델 가중치가 아니라 렌즈 스펙 시트입니다.

대상 표면 재질과 반사율부터 확인합니다

솔루션을 제안하기 전, 대상의 표면 재질과 반사율을 먼저 확인하는 것이 순서입니다. PCB 한 장 안에도 광학적으로 전혀 다른 세 가지 면이 공존하기 때문입니다. 구리 패드는 고반사 정반사면, 솔더마스크는 저반사 매트면, 실크스크린 잉크는 반투명 산란면입니다. 같은 조명 조건에서도 이 세 표면은 서로 다른 방식으로 빛을 되돌려 보내므로, 하나의 조명·렌즈 조합으로 세 표면의 결함을 동시에 최적 대비로 잡아내기는 쉽지 않습니다.

특히 솔더볼 표면처럼 난반사가 심한 대상은 로트별 산화 상태, 플럭스 잔류물에 따라 반사 특성이 달라집니다. 이런 대상에 대해서는 특정 조명 각도가 항상 최적이라 단정하기 어렵고, 샘플 테스트 전 확언은 불가하다는 점을 미리 밝혀둡니다.

골격 표준 — 검출 사이즈·광학 셋업·알고리즘 매칭표

PCB SMT 검사에서 자주 다루는 세 가지 결함 유형을 기준으로, 검출 목표 사이즈와 그에 대응하는 광학 셋업·알고리즘 파라미터를 정리하면 다음과 같습니다.

결함 유형	① 최소 검출 사이즈	② 광학 셋업(조명·렌즈)	③ 알고리즘 파라미터
솔더 브릿지	25 μm	저각 암시야(약 15°) + 텔레센트릭 렌즈, WD 35 mm, FOV 42 mm	엣지 대비 임계값 0.18, 모폴로지 클로징 3×3 px
부품 코플래너리티(뜬 리드)	40 μm	동축낙사(coaxial epi) + 8K 라인스캔, 해상력 8.3 μm/px	서브픽셀 엣지 피팅 ±0.3 px, 그림자 폭 기반 높이 추정
실크 인쇄 번짐·오염	60 μm	확산 돔 조명(디퓨즈) + NIR 대역통과 필터	국소 대비 정규화(CLAHE) + 분류기 신뢰도 임계값 0.85

시사점은 명확합니다. 결함 사이즈가 작아질수록 조명 각도와 WD 설정이 알고리즘 파라미터보다 검출률에 먼저 영향을 미치며, 25 μm급 브릿지처럼 미세한 대상일수록 광학 셋업을 먼저 고정한 뒤에야 알고리즘 튜닝의 효과가 재현성 있게 나타납니다.

카메라 스펙과 WD 확보 — 최근 장비 동향

라인스캔 카메라 스펙을 검토할 때는 해상력뿐 아니라 WD(Working Distance, 작동 거리) 확보 여부를 반드시 함께 확인해야 합니다. 최근 공개된 8K 라인스캔 카메라는 10GigE·RDMA 인터페이스로 대역폭 병목을 완화했고, NIR 대역 감도를 높인 글로벌 셔터 센서도 함께 발표됐습니다. 다만 8K급 해상력을 확보해도 WD가 라인 구조물과 간섭하는 조건이라면 렌즈를 아무리 좋은 것으로 바꿔도 설치 자체가 불가능합니다. 신규 라인 설계 시에는 카메라·렌즈 스펙 선정과 동시에 조명 하우징, 상판 구조물과의 물리적 간섭을 검토해 WD를 먼저 확정하는 순서를 권장합니다.

AI AOI의 위치 — 렌즈 다음에 오는 알고리즘 최적화

그렇다고 알고리즘의 역할이 작다는 뜻은 아닙니다. 최근 AOI 장비들은 AI 기반 레시피 자동 티칭, 자동 바이오프(auto buy-off) 기능으로 프로그래밍 공수를 크게 줄이는 방향으로 발전하고 있습니다. 이미 설치된 라인에서 광학계를 통째로 교체하기 어려운 경우에는, 다중 노출 융합이나 HDR 합성 같은 알고리즘적 보완으로 상당 부분을 만회할 수 있는 것도 사실입니다. 다만 이 보완은 반사율 편차가 크지 않은 대상물에 한정된 이야기이며, 소프트웨어 이미지 처리만으로 하드웨어 광학 셋업의 결함을 완전히 덮을 수 있다고 보는 것은 이 글에서 경계하는 지점입니다. 알고리즘은 광학이 만들어낸 대비를 더 정밀하게 읽어내는 역할이지, 애초에 없는 대비를 만들어내는 역할은 아닙니다.

현장 체크포인트

• WD(작동 거리)가 조명 하우징·상판 구조물과 간섭 없이 확보되었는지 먼저 확인합니다.
• 검사 대상 표면(구리 패드·솔더마스크·실크)별 반사율 차이를 실측하고, 난반사가 큰 로트는 샘플 테스트 전 결론을 내리지 않습니다.
• 오검출률이 흔들릴 때는 모델 재학습보다 렌즈 왜곡·조명 각도 재점검을 먼저 수행합니다.
• 최소 검출 사이즈 기준(μm)을 광학 셋업표와 함께 문서화해 레시피 변경 이력을 추적합니다.