비전 모델 기반 불량률 모니터링

"이번 로트 불량, 언제부터 늘었어?" 라인에서 이 질문이 나올 때쯤이면 이미 불량 제품 수백 개가 흘러간 뒤입니다. 사후 샘플 검사로는 늘어나는 순간을 잡기 어렵습니다.

비전 모델 기반 불량률 모니터링은 라인 카메라가 찍은 이미지를 모델이 실시간으로 판정해, 불량이 한 건 늘기 시작한 순간을 곧바로 잡아내는 시스템입니다. 검사원의 눈에 의존하던 품질 관리를 전수·실시간 데이터로 바꿉니다.

이 글은 이런 시스템이 라인에 자리 잡으면 무엇이 달라지는지, 추론을 어디서 돌릴지, 도입할 때 무엇을 조심해야 하는지를 정리한 가이드입니다.

도입 전 vs 도입 후

한 번 자리 잡으면 품질 관리의 호흡 자체가 바뀝니다. 가장 자주 보고되는 변화 다섯 가지입니다.

불량 발견 시점 — 로트가 끝나고 샘플 검사로 발견 → 늘어나는 순간 실시간 경보.

검사 커버리지 — 표본 일부만 육안 검사 → 전수 자동 판정.

판정 일관성 — 검사원·교대조마다 기준이 흔들림 → 같은 모델이 같은 기준으로.

원인 추적 — "왜 늘었지" 회의로 며칠 → 불량 유형·위치 통계가 바로.

검사원의 일 — 단순 육안 반복 → 경보 확인·예외 판단·기준 개선.

한 사이클의 풍경

제품 하나가 카메라를 지나 판정·경보까지 가는 한 사이클입니다. 정상은 조용히 카운트만 쌓이고, 불량 의심만 담당자에게 올라갑니다.

추론을 어디서 돌릴까

같은 모델도 어디서 돌리느냐에 따라 반응 속도와 운영 부담이 갈립니다. 라인 지연 허용치가 첫 분기점입니다.

밀리초 단위 반응이 필요한 고속 라인은 엣지 추론이, 운영 편의와 모델 갱신이 중요하면 클라우드가, 둘의 절충이 필요하면 온프렘 서버가 흔히 채택되는 구성으로 알려져 있습니다.

현장의 함정

가장 큰 함정은 학습 데이터에 없던 새 불량 유형입니다. 정상 패턴만 학습한 이상탐지(anomaly detection)를 병행해, 알던 불량은 분류하고 처음 보는 불량은 "이상"으로라도 잡는 이중 구조가 권장됩니다.

조명·렌즈·제품 색이 바뀌면 정확도가 급락합니다. 모델보다 촬영 환경 표준화가 먼저라고 알려져 있습니다.

오검(정상을 불량으로)이 잦으면 현장이 경보를 꺼버립니다. 임계값을 처음엔 높게 잡고 피드백으로 조금씩 낮추는 편이 안전합니다.

기존 검사기와 무엇이 다른가

공장에는 이미 룰 기반 머신비전 검사기가 있는 경우가 많습니다. 이 둘은 경쟁이 아니라 층이 다릅니다. 기존 검사기는 "치수가 규격 안인가"처럼 미리 정한 규칙을 빠르게 검사합니다. 딥러닝 비전 모델은 그 위에 "정상과 미묘하게 다른가"를 더합니다. 스크래치·얼룩·변색처럼 규칙으로 정의하기 어려운 외관 불량과 학습에 없던 새 유형까지 잡아내는 보완재로 평가됩니다. 기존 설비를 걷어내지 않고 판정 층을 한 겹 얹는 구조입니다.

성공의 신호

이 시스템의 성과는 다음 네 가지 지표로 측정하기를 권장합니다.

미검출률(놓친 불량) — 육안 검사 대비 절반 이하면 확산 단계.

오검률(정상 오경보) — 5% 미만 유지.

불량 인지까지 시간 — 로트 단위(수시간) → 분 단위.

검사 인력 시간 — 단순 육안 시간 절반을 예외 분석으로 전환.

라인에 얹어보고 싶다면

이 가이드는 비전 불량 모니터링 도입 판단에 필요한 핵심을 정리한 것입니다. 사내에서 직접 시작한다면 한 라인·한 불량 유형으로 촬영 환경을 표준화하는 것부터 출발할 수 있습니다.

여러 라인으로 어떻게 확산할지, 엣지·클라우드 중 무엇이 맞을지를 함께 설계하고 싶다면 권앤컴퍼니의 강의·PoC 옵션을 활용할 수 있습니다.

불량 모니터링 도입, 30분 무료 상담으로 가능성부터 함께 검토할 수 있습니다 → 상담 신청하기