자동차 부품 외관검사, 조명 설계가 먼저입니다

지난 8월 한국머신비전산업협회 뉴스레터를 통해, 9월 9일부터 하노이 ‘Automation World Vietnam 2026’에서 자동차 부품 외관검사용 AI 비전 시스템이 선보인다는 소식을 접했습니다. 반가운 소식이지만, 현장에서 이런 시스템을 마주할 때마다 제 눈은 늘 같은 지점부터 살핍니다. 검사 대상물의 표면이 빛을 어떻게 받아내고 있는가 하는 점입니다.

자동차 부품은 금속 도장면, 크롬 도금 부품, 사출 성형 트림 등 반사율이 제각각인 소재가 한 라인 안에 섞여 있습니다. 이 차이를 무시하고 획일적인 확산 조명만 적용하면 미세 스크래치나 찍힘 결함이 배경 콘트라스트에 묻혀 카메라 센서에는 거의 균일한 면으로 기록됩니다. 이 상태로 양산에 들어가면 육안 재검에서도 놓치는 결함이 그대로 출하되어 품질 클레임이나 리콜로 이어질 리스크를 안게 됩니다. 해법은 단순합니다. 소재의 반사 특성에 맞춘 조명 설계를 먼저 확정하고, 그 위에 AI 알고리즘으로 곡면·반사 패턴별 오검출을 줄이는 이중 구조를 쌓는 것입니다.

표면 재질별 반사 특성부터 짚어야 하는 이유

외관 검사를 설계할 때 가장 먼저 확인하는 것은 알고리즘이 아니라 표면 그 자체입니다. 같은 금속이라도 도장면은 반정반사에 가깝고, 크롬 도금 부품은 정반사에 매우 가까우며, 사출 성형 트림은 무광 확산 반사를 보입니다. 특히 크롬 도금면처럼 난반사가 극심한 표면은 개체마다 반사 패턴이 달라지므로, 실물 샘플 테스트 전까지는 특정 조명 조건이 통한다고 확언할 수 없습니다.

동축낙사 조명과 암시야 조명, 상황별 선택 기준

정반사에 가까운 크롬 도금 부품이나 광택 도장면에는 동축낙사 조명이 유리한 경우가 많습니다. 카메라 광축과 조명 광축을 일치시키면 정상 평면부는 균일하게 밝게 반사되지만, 찍힘·이물처럼 각도가 틀어진 결함부는 반사광이 렌즈 밖으로 빠져나가 어둡게 대비됩니다. 반대로 스크래치처럼 각도가 낮은 선형 결함은 암시야 조명이 유리합니다. 다만 최적 입사각은 부품 곡률과 도금 상태마다 달라지므로, 최종 각도는 반드시 실물 샘플로 검증해야 합니다.

AI 알고리즘의 역할과 하드웨어가 만드는 한계

딥러닝 분류 알고리즘은 다양한 곡면·반사 패턴을 학습해 국소 밝기 변화와 실제 결함의 텍스처 차이를 구분하므로, 동일한 광학 셋업에서도 오검출률을 유의미하게 낮춥니다. 그러나 결함부와 정상부의 콘트라스트 자체가 확보되지 않은 이미지, 즉 난반사로 결함이 배경에 완전히 묻힌 이미지에서는 아무리 정교한 알고리즘도 존재하지 않는 정보를 복원할 수 없습니다. 소프트웨어는 광학 셋업이 만든 콘트라스트 위에서만 성능을 낼 수 있습니다.

위 표에서 보듯 정반사면과 난반사면은 서로 다른 조명 전략이 필요하며, 알고리즘의 신뢰도 임계값 역시 광학 셋업이 만든 콘트라스트 수준에 맞춰 별도로 튜닝해야 합니다.

현장 체크포인트

• 검사 대상 부품별 표면 재질(도장면·크롬 도금·사출 성형)과 반사율을 사전에 구분했는가
• 렌즈와 조명 배치 시 WD(작동거리)가 충분히 확보되어 조명 간섭 없이 촬영 가능한가
• 동축낙사·암시야 조명 중 결함 유형에 맞는 방식을 실물 샘플로 검증했는가
• 알고리즘의 신뢰도 임계값이 오검출과 미검출 사이에서 현장 양산 조건에 맞게 튜닝되었는가