소프트웨어 정의 조명(Software-Defined Lighting): 하나의 헤드로 암시야와 동축낙사를 오가는 검사 셋업

검사 라인에서 카메라 앞에 물체 하나가 지나갈 때마다, 그 표면은 단 하나의 재질로 이루어져 있지 않은 경우가 많습니다. 같은 부품 안에서도 무광 몰딩부와 니켈 도금 단자부가 함께 있는 사출품, 혹은 솔더 마스크와 노출된 구리 패드가 뒤섞인 PCB 어셈블리처럼, 영역마다 반사율이 크게 달라지는 대상이 오히려 표준에 가깝습니다.

문제는 이런 대상에 조명 하나를 고정해 놓고 검사하면, 한쪽 영역에서 결함이 선명해지는 순간 다른 영역은 과다 노출되거나 콘트라스트를 잃는다는 점입니다. 조명 각도를 현장에서 재조정하는 동안 라인은 멈추고, 무리하게 절충된 단일 조명 조건으로 검사를 강행하면 미검출이 조용히 누적됩니다. 오검출이야 재검사로 걸러낼 수 있지만, 미검출은 그대로 출하됩니다.

최근 업계에서 주목받는 접근은 조명 헤드 자체를 다채널로 만들고, 검사 레시피마다 필요한 각도·확산도의 조합을 소프트웨어로 전환하는 방식입니다. 이 글에서는 이 소프트웨어 정의 조명(Software-Defined Lighting) 구조가 실제로 어떤 광학적 이점을 가지는지, 그리고 이를 뒷받침하는 인터페이스·알고리즘 동향을 함께 정리합니다.

다중 채널 조명이 필요한 이유: 한 대상, 여러 반사 특성

암시야(Dark Field)와 동축낙사(Coaxial) 조명은 원리부터 상반됩니다. 암시야는 저각(통상 0~45° 범위)으로 빛을 비스듬히 쏘아 평활한 면에서는 카메라로 반사광이 들어오지 않게 하고, 스크래치나 크랙처럼 표면이 꺾인 지점에서만 산란광이 렌즈로 들어오게 만드는 방식입니다. 반면 동축낙사는 빔스플리터를 통해 광축과 정확히 평행한 빛을 내려보내, 거울처럼 매끈한 면에서는 균일한 정반사가 카메라로 곧장 돌아오게 하고 결함이 있는 지점에서는 반사가 흐트러지도록 유도합니다.

같은 대상이라도 무광 영역은 암시야가, 고광택 금속 영역은 동축낙사가 유리합니다. 두 조명을 물리적으로 나누어 배치하면 검사 스테이션이 늘어나고 사이클 타임이 길어집니다. 최근 UnitX가 소개한 OptiX 이미징 시스템처럼, 32채널로 독립 제어되는 광원을 하나의 헤드에 통합해 그레이징 링(암시야)·동축(브라이트필드)·돔 확산·백라이트 상태를 100 ms 이내에 순차 전환하는 구조가 소프트웨어 정의 조명의 대표적 사례로 제시되고 있습니다[1]. 결함 유형별로 최적 조명 조건을 소프트웨어 레시피로 저장해 두면, 동일 스테이션에서 여러 재질을 순차 검사할 수 있다는 점이 핵심 시사점입니다.

전환 속도를 받쳐주는 인터페이스: GigE Vision 3.0의 역할

조명을 빠르게 전환해도 그만큼 빠르게 영상을 끌어오지 못하면 사이클 타임 이득이 상쇄됩니다. Association for Advancing Automation(A3)이 공식 발표한 GigE Vision 3.0은 RoCEv2(RDMA over Converged Ethernet v2) 프로토콜을 채택해, 영상 패킷 처리에서 CPU를 우회함으로써 지연을 줄이고 대역폭 활용도를 높인 것이 특징입니다[2]. 여러 조명 상태를 순환하며 프레임을 연속 캡처하는 다중 레시피 검사에서는, 이런 저지연 인터페이스가 조명 전환 속도(< 100 ms 수준)를 실제 처리량으로 이어주는 병목 해소 지점이 됩니다. Automate 2026(시카고)에서 다중 카메라 GigE Vision 3.0 데모가 공개된 점도 이 방향의 산업 채택이 진행 중임을 보여줍니다[2].

레시피 선택을 대신하는 엣지 추론

조명 레시피가 여러 개로 늘어나면, “이번에 지나가는 부품에 어떤 레시피를 적용할지”를 판단하는 과정도 필요합니다. 2026년 산업용 비전 엣지 AI 진영에서는 M.2 형태의 가속 모듈이 표준 폼팩터로 자리 잡으면서, 서브 100 ms 지연·서브 10 W 전력 수준에서 호스트 시스템 RAM을 점유하지 않고 추론을 수행하는 구성이 보고되고 있습니다[3]. 결함 분류 자체에는 YOLOv8/YOLOv10 계열을 경량화한 모델(예: 고스트 모듈 기반 파라미터 축소, 다중 스케일 특징 융합)이 2026년 다수 연구에서 제시되었고[4], 노이즈가 심한 저조도 영상에서는 학습 데이터가 충분치 않을 경우 오히려 Median·Gaussian 같은 고전적 필터가 소규모 데이터셋에서 비용 대비 성능 면에서 경쟁력을 유지한다는 2026년 8월 비교 연구도 함께 참고할 가치가 있습니다[5]. 즉 레시피 선택과 결함 분류를 하나의 엣지 보드에서 처리하되, 필터링 단계는 데이터 여건에 따라 고전적 방식과 학습 기반 방식을 절충하는 편이 현실적인 시사점입니다.

핵심 골격 매칭표 (예시 구성)

아래 표는 무광 몰딩부와 고광택 단자부가 혼재된 PCB 커넥터 어셈블리를 가정한 소프트웨어 정의 조명 예시 셋업입니다. 실제 파라미터는 대상 재질과 결함 유형에 따라 달라지므로, 사양 확정 전 반드시 확인이 필요합니다.

구분	항목	값 / 사양
① 최소 검출 불량 사이즈	솔더 브릿지·미세 크랙 기준	15 μm (예시 기준, 대상별 재검증 필요)
② 광학 셋업 — 조명	채널 구성	암시야(저각 10~15°) + 동축낙사 + 돔 확산 3채널, 레시피 전환 < 100 ms [1]
② 광학 셋업 — 렌즈/WD	렌즈 형식 및 작동 거리	준텔레센트릭 렌즈, WD 90 mm 확보 (하우징·조명 헤드 간섭 여유 포함)
② 광학 셋업 — 카메라	센서 해상도 참고치	약 24.5 MP급 글로벌 셔터, 픽셀 크기 2.74 μm 수준 산업용 센서 사례 참고 [6]
③ 알고리즘 파라미터	결함 분류 모델	경량화 YOLO 계열(고스트 모듈 적용), 입력 해상도 640×640 px 예시 [4]
③ 알고리즘 파라미터	전처리 필터	데이터셋 50~100장 미만 시 Median/Gaussian 우선, 확보 시 학습 기반 병행 [5]
③ 알고리즘 파라미터	인터페이스	GigE Vision 3.0 + RoCEv2, 다중 레시피 연속 캡처 대응 [2]

이 매칭표가 보여주는 시사점은, 조명 채널 수를 늘리는 결정이 광학 설계에서 끝나지 않고 인터페이스 대역폭과 엣지 추론 지연까지 함께 설계되어야 사이클 타임 이득이 실제로 실현된다는 점입니다. 어느 한 축만 고도화하면 나머지 축이 병목으로 남습니다.

반사율이 까다로운 재질에 대한 유보

고광택 금속이나 습식 도포면처럼 난반사가 심한 재질은 조명 각도를 몇 도만 바꿔도 콘트라스트가 크게 달라집니다. 이런 재질에서는 위 매칭표의 파라미터를 그대로 적용하기보다, 실제 샘플로 각 조명 채널의 반응을 먼저 확인하는 절차가 필요합니다. 샘플 테스트 전에는 특정 조명 조합이 특정 결함에 항상 유효하다고 확언할 수 없습니다.

현장 체크포인트

• WD(작동 거리) 확보 여부: 다채널 조명 헤드는 단일 조명 대비 하우징이 커지는 경우가 많아, 렌즈-대상 간 작동 거리가 조명 헤드와 물리적으로 간섭하지 않는지 사전 확인이 필요합니다.
• 레시피 전환 시간이 실제 라인 사이클 타임(초당 처리 개수) 대비 병목이 되지 않는지, 인터페이스 대역폭까지 포함해 실측할 것.
• 저조도·저대비 영역에서 노이즈 필터를 학습 기반으로 적용할 경우, 확보 가능한 학습 데이터 수량이 해당 방식의 최소 요구치를 충족하는지 확인할 것.
• 난반사가 심한 영역은 샘플 테스트 전 조명 조건을 확정하지 말 것.

---

참고자료 (Sources)

• [1] UnitX, “Dark-Field Illumination for Machine Vision in 2026” — unitxlabs.com
• [2] Basler AG / Automate.org, “GigE Vision 3.0 & RoCEv2 Protocol” — baslerweb.com, automate.org
• [3] ProAICraft, “Computer Vision Edge AI News in 2026” — proaicraft.com
• [4] Nature Scientific Reports, “Steel surface defect detection algorithm based on improved YOLOv10 (LAM-YOLOv10n)” — nature.com
• [5] AIP Advances (2026년 8월), “Evaluation of noise reduction methods in digital images” — pubs.aip.org
• [6] Sony Semiconductor Solutions, IMX925 산업용 글로벌 셔터 CMOS 센서 — sony-semicon.com