고반사 표면 결함, 필터링 순서 하나로 갈린다 — 바이래터럴 필터와 온보드 AI 카메라의 역할 분담

[이미지: 다크 배경 위 유광 금속 하우징 표면 클로즈업. 표면 절반은 노이즈로 흐릿하게, 절반은 골드 톤 하이라이트만 남기고 결함 경계가 블루 라인으로 선명하게 드러나는 대비 구도. Canvas 벡터 일러스트 톤 — 이미지 별도 제작 예정]

도입 — 필터가 결함을 지워버리는 순간

고반사 금속 하우징이나 유광 사출 부품을 검사하다 보면, 필터링 단계 하나 때문에 결과가 완전히 뒤집히는 경우를 자주 마주하게 됩니다. 정반사 하이라이트로 포화된 영역에 일반적인 스무딩 필터를 그대로 적용하면, 노이즈와 함께 결함의 경계 자체가 뭉개져 미검출로 이어집니다. 반대로 노이즈를 남긴 채 민감도를 높이면 정반사 하이라이트의 경계가 결함처럼 분류되어 오검출이 폭증하고, 라인은 불필요하게 자주 멈추게 됩니다. 두 경우 모두 방치하면 결국 후공정에서의 불량 유출 비용이나 생산성 손실이라는 형태로 되돌아옵니다.

해법은 필터를 하나로 통일하지 않는 데 있습니다. 결함 유형에 맞춰 필터 종류를 구분 적용하고, 그 위에 딥러닝 분류 모델을 얹는 구조를 표면 반사율에 맞게 설계해야 합니다. 최근 등장한 고해상도 센서와 임베디드 AI 카메라는 이 파이프라인 전체를 카메라 자체에서 실시간으로 처리하는 방향으로 흘러가고 있습니다.

본문 — 반사율, 필터, 분류 모델의 연결고리

필터를 고르기 전에 표면의 반사율 특성부터 확인해야 합니다. 정반사 성분이 강한 표면은 국소적으로 밝기가 포화되는 영역이 넓게 형성되며, 이 포화 영역은 일반적인 가우시안이나 미디언 필터를 거치면서 결함 경계와 함께 뭉개지기 쉽습니다. 예를 들어 유광 사출 하우징은 하이라이트 포화 영역이 결함과 유사한 밝기 패턴을 만들어내는 경우가 많아, 필터링에 앞서 노출과 조명 조건으로 포화 자체를 먼저 억제해야 합니다. 이는 소프트웨어 이미지 처리만으로 하드웨어 광학 셋업의 결함을 완전히 덮을 수 없다는 원칙과 같은 맥락입니다. 반사율을 실측하지 않은 채 필터 파라미터부터 고정하면, 로트가 바뀔 때마다 재조정이 필요해집니다.

결함 유형에 따라 최적 필터가 다릅니다. 미디언 필터는 이물이나 점형 결함처럼 솔트-페퍼성 노이즈를 제거하는 데 강하지만, 주변 픽셀의 중앙값으로 치환하는 과정에서 결함 경계가 다소 흐려질 수 있습니다. 반면 바이래터럴 필터는 고전적 스무딩 필터 중 유일하게 노이즈 억제와 에지 보존을 동시에 만족한다는 점에서, 크랙처럼 선형 경계가 판정의 핵심이 되는 결함에 더 적합합니다. 다만 바이래터럴 필터는 연산량이 상대적으로 크기 때문에, 라인 택트타임 안에서 처리하려면 필터 파라미터(공간 표준편차, 값 표준편차)를 결함 크기에 맞춰 최소화하는 튜닝이 필요합니다. 실무적으로는 점형 결함이 지배적인 라인에는 미디언 필터를, 선형·경계형 결함이 중요한 라인에는 바이래터럴 필터를 앞단에서 분기 적용하는 구조가 안정적입니다.

딥러닝 분류 모델의 공개 벤치마크 수치를 그대로 현장에 대입해서는 안 됩니다. 최근 발표된 개선형 YOLOv8s 기반 표면 결함 검출 모델은 피로 크랙 검출에서 F1-score 0.990, 선형 크랙 0.935, 종합 mAP 0.963이라는 인상적인 수치를 보고했습니다. 그러나 이 수치는 특정 조명·촬영 조건에서 얻어진 벤치마크이며, 최근 리뷰 논문에서도 지적하듯 고반사 금속 표면에 특화된 결함 검출 연구는 저반사 소재 대비 상대적으로 축적된 데이터가 적습니다. 따라서 고반사 표면 결함 필터링과 분류 파이프라인을 설계할 때는 공개 벤치마크를 참고치로만 삼고, 실제 라인 데이터로 재검증하는 과정을 반드시 거쳐야 합니다.

필터링과 추론이 카메라 온보드로 내려가는 흐름도 함께 살펴볼 필요가 있습니다. 프레임을 별도 PC로 전송한 뒤 필터링과 추론을 수행하는 구조는 해상도가 올라갈수록 전송 지연과 데이터량 부담이 커집니다. 최근 소개된 임베디드 AI 비전 시스템은 외부 PC 없이 카메라·라인 컨트롤러 인접 단에서 판정까지 완료하는 구조를 채택하고 있으며, 비슷한 시기에 5.0MP급 BSI(이면조사형) 센서를 탑재한 신형 GigE 카메라도 출시되어 해상도와 온보드 처리 능력이 함께 상향되는 추세입니다. 해상도가 올라간다는 것은 동일 화각(FOV) 안에서 결함 하나가 차지하는 픽셀 수가 늘어난다는 의미이므로, 필터 커널 크기나 바이래터럴 필터의 공간 표준편차도 픽셀 단위로 재환산해야 합니다. 필터-분류 파이프라인을 설계할 때는 향후 이런 온보드 처리로 이전될 가능성을 염두에 두고, 연산량이 큰 필터의 파라미터를 처음부터 경량화 방향으로 설정해 두는 편이 유리합니다.

[이미지: 필터 분기 파이프라인 다이어그램. 다크 배경, 골드/블루 Canvas 도식. 입력 이미지 → 반사율 확인 분기 → (점형 결함: 미디언 필터) / (선형 결함: 바이래터럴 필터) → 분류 모델 → 판정 순서를 플로우차트로 표현 — 이미지 별도 제작 예정]

핵심 골격 — 고반사 표면 결함 필터링 파라미터 매칭표

구분	항목	기준값(참고)
① 최소 검출 불량 사이즈	사출 하우징 표면 이물	40 μm
	금속 부품 헤어라인 크랙	35 μm
② 광학 셋업	조명	동축낙사(브라이트필드) 기본 + 저각 암시야 보조
	렌즈	WD(작동 거리) 사전 확보 필수, 화각 대비 실효 분해능 픽셀 환산 필요
	센서	5MP급 BSI 센서 기준 화소당 실효 검출 한계 재산정
③ 알고리즘 파라미터	점형 결함 전처리	미디언 필터(커널 3×3~5×5)
	선형 결함 전처리	바이래터럴 필터(에지 보존, σ_space·σ_range 결함 크기별 튜닝)
	분류 모델	YOLOv8s 계열, mAP 벤치마크는 참고치로만 사용
	검증	공개 데이터셋 수치를 사내 로트 데이터로 재검증 필수

이 표가 시사하는 바는, 고반사 표면 결함 필터링에서 필터 종류 선택이 렌즈나 조명 스펙 못지않게 검출율을 좌우하는 변수라는 점입니다. 결함 유형별로 필터를 분기하지 않고 하나의 필터로 전체 파이프라인을 통일하면, 특정 결함군에서 구조적인 미검출 또는 오검출이 반복될 수 있습니다.

비교 관점 — 미디언 필터만으로 충분한 경우

모든 라인에 바이래터럴 필터가 필요한 것은 아닙니다. 결함이 대부분 이물이나 점형 얼룩처럼 국소적이고 경계가 단순한 경우라면, 연산량이 적은 미디언 필터만으로도 충분한 고반사 표면 결함 필터링 성능을 확보할 수 있습니다. 이 경우 바이래터럴 필터 도입에 따르는 연산 자원과 지연 증가를 피하고 미디언 필터 기반의 경량 파이프라인을 선택하는 편이 유리할 수 있습니다. 다만 이 판단 역시 실제 결함 유형 분포를 로트 단위로 확인하지 않고서는 내리기 어려우며, 샘플 테스트 전 확언은 불가합니다.

현장 체크포인트

WD(작동 거리)가 렌즈·조명 배치와 물리적으로 간섭하지 않는지 사전 실측했는가.
결함 유형(점형/선형)을 로트 단위로 분류해 미디언 필터와 바이래터럴 필터 적용 기준을 정했는가.
공개 벤치마크(F1, mAP 등) 수치를 사내 데이터로 재검증하는 절차를 마련했는가.
센서 해상도가 바뀔 때 필터 커널 크기와 공간 표준편차를 픽셀 단위로 재환산했는가.
별도 검토가 필요합니다 — 검사 대상물의 이송·정렬 기구부는 본 검토 범위에 포함되지 않습니다.

고반사 표면 결함, 필터링 순서 하나로 갈린다 — 바이래터럴 필터와 온보드 AI 카메라의 역할 분담

도입 — 필터가 결함을 지워버리는 순간

본문 — 반사율, 필터, 분류 모델의 연결고리

핵심 골격 — 고반사 표면 결함 필터링 파라미터 매칭표

비교 관점 — 미디언 필터만으로 충분한 경우

현장 체크포인트

참고 자료

답글 남기기 응답 취소

도입 — 필터가 결함을 지워버리는 순간

본문 — 반사율, 필터, 분류 모델의 연결고리

핵심 골격 — 고반사 표면 결함 필터링 파라미터 매칭표

비교 관점 — 미디언 필터만으로 충분한 경우

현장 체크포인트

참고 자료

당신이 좋아할 만한

3D 검사로 바꾸면 오히려 놓치는 결함 구간

렌즈가 AI보다 먼저다 — PCB 검사 광학 설계

머신비전 검사, 소프트웨어보다 물리가 먼저다

답글 남기기 응답 취소