딥러닝 검사 시대, 카메라 스펙보다 먼저 확인해야 할 것

최근 산업용 카메라·프레임그래버를 공급해온 업체가 AI 딥러닝 검사 전문기업, 산업용 비전센서 전문기업과 잇따라 대리점 계약을 맺었다는 소식을 접했습니다. 하드웨어 공급사가 소프트웨어 포트폴리오를 확장하는 흐름은 우연이 아닙니다. PCB 표면 실장(SMT) 라인에서는 30~50μm급 미세 크랙, 이물, 브릿지 결함이 룰베이스 알고리즘의 임계값을 교묘히 피해 유출되고, 이는 곧 필드 클레임과 신뢰도 하락으로 이어집니다. 결국 답은 하드웨어 광학 셋업을 먼저 다잡고, 그 위에 딥러닝 분류를 얹는 것입니다.

룰베이스 알고리즘의 구조적 한계

룰베이스 검사는 조명 각도와 노출 조건이 조금만 흔들려도 판정 기준 자체가 흔들립니다. 임계값을 고정된 콘트라스트 차이에 의존하기 때문에, 동일한 결함도 조도(lx)가 바뀌면 다르게 읽힙니다. 예를 들어 솔더 브릿지처럼 반사율이 높은 금속 표면은 난반사 패턴이 촬영 각도마다 달라져, 어제는 걸러지던 결함이 오늘은 통과되는 일이 실제로 벌어집니다. 그래서 미검출을 줄이려 임계값을 낮추면 과검출이 늘고, 반대로 하면 유출이 늘어나는 트레이드오프에서 쉽게 벗어나지 못합니다.

딥러닝이 메우는 빈틈, 그러나 순서는 광학이 먼저

딥러닝 분류는 이 트레이드오프를 통계적으로 완화해 줍니다. 다양한 조명 변주를 학습 데이터에 포함시키면, 단일 임계값이 아니라 특징 패턴 전체로 결함 여부를 판단할 수 있기 때문입니다. 다만 이는 학습 데이터의 품질이 이미 좋을 때만 성립하는 이야기입니다. 카메라 분해능이 부족하거나 조명 배치가 어긋나 크랙이 애초에 이미지에 담기지 않는다면, 아무리 정교한 모델도 존재하지 않는 정보를 만들어낼 수는 없습니다. 마치 초점이 어긋난 빈티지 렌즈로는 아무리 필름을 바꿔도 상이 또렷해지지 않는 것과 같습니다. 광학 셋업을 먼저 최적화하고, 그 결과물 위에서 딥러닝이 판정 정교함을 더하는 순서가 반드시 지켜져야 합니다. 특히 SMT 부품처럼 금속 광택면과 무광 레진면이 혼재된 표면은 반사율 편차가 커서, 실제 샘플 테스트 전에는 특정 조명 방식의 효과를 확언할 수 없습니다.

아래는 PCB SMT 검사를 가정했을 때 하드웨어와 알고리즘이 함께 맞춰야 할 최소 골격입니다.

이 표가 시사하는 바는 명확합니다. 결함 사이즈가 정해지면 그에 맞는 분해능과 WD가 먼저 결정되고, 딥러닝 파라미터는 그 위에서 미세 조정되는 후행 변수일 뿐입니다.

현장 체크포인트

• 대상 표면의 재질과 반사율을 먼저 확인했는가 (난반사가 심한 재질은 샘플 테스트 전 확언 불가)
• 목표 결함 사이즈(μm) 대비 카메라 분해능과 렌즈 배율이 충분한가
• 렌즈·조명 배치에서 WD(작동거리)가 실제 설치 공간과 충돌 없이 확보되는가
• 딥러닝 학습 데이터가 조명 변주와 결함 유형을 충분히 포함하는가