비정형 외관 결함과 텍스처 결함을 AI 추론으로 분류·검출하여 룰 기반 과검·미검을 줄입니다.
칼집·이물 등으로 글자가 손상된 상황에서도 학습 기반 AI OCR로 안정적인 식별을 보장합니다.
오염·가공·관리 상태에 따른 변동이 큰 제품을 학습으로 추적, 양품/불량 패턴을 일반화합니다.
정형 결함은 룰, 비정형 결함은 딥러닝 · 검사 항목별 최적 조합으로 검출 신뢰도를 끌어올립니다.
데이터 수집 · 라벨링 · 학습 · 배포 · 재학습까지의 모델 운영 흐름을 표준화한 자체 파이프라인.
PCBA 실장·디스플레이 마스크·이차전지 외관·MLCC 6면 등 다수 양산 라인에서 적용·검증.
룰 기반 검사로 기준을 잡기 어려운 항목이 있습니다. 결함 모양이 매번 다르거나, 양품 자체의 편차가 커서 임계값을 정하면 과검이 폭증하는 경우입니다. 이런 항목은 사람이 판정 기준을 말로 설명하기 어렵다는 공통점이 있는데, AI 비전검사가 유효한 지점이 정확히 여기입니다.
AI 검사 도입에서 가장 자주 나오는 걱정이 불량 샘플 부족입니다. 이프는 초기에는 룰 기반으로 라인을 돌리면서 데이터를 모으고, 축적된 이미지로 모델을 학습해 단계적으로 AI 판정 비중을 늘리는 방식을 씁니다. 데이터 수집·라벨링·학습·배포·재학습 흐름을 플랫폼 안에 표준화해 두었기 때문에 운영 중에도 모델을 갱신할 수 있습니다.
한 키워드로 시작하셨더라도, 이프는 SI 시스템 개발·F-AGENT 플랫폼·검사·물류 장비 세 축으로 끝까지 책임집니다.
검토 단계에서 가장 많이 받는 질문을 모았습니다. 더 구체적인 조건은 문의 주시면 담당 엔지니어가 직접 답변드립니다.
결함 종류와 편차에 따라 다르지만, 초기에는 룰 기반으로 운영하면서 이미지를 모으고 이후 학습하는 단계적 접근을 권합니다. 사전 검토 때 보유 샘플을 보고 필요한 수량을 안내드립니다.
판정 결과와 함께 검출 영역, 신뢰도, 원본 이미지를 저장해 조회할 수 있습니다. 불량 유출이나 과검 발생 시 해당 시점 이미지를 되짚어 원인을 확인하는 구조로 구성합니다.
가능한 경우가 많습니다. 기존 설비의 촬상 조건과 PC 사양을 확인한 뒤, 취약한 항목에만 AI 추론을 추가하는 형태로 적용합니다.
데이터 수집부터 학습·배포까지의 운영 흐름을 플랫폼에 내장해 두어, 신규 결함이 발생하면 수집된 데이터로 재학습 후 반영할 수 있습니다.
검사 항목과 택타임에 따라 다릅니다. 경량 모델로 CPU 추론이 가능한 경우도 있고, 고해상도 대면적 검사에는 GPU를 사용합니다. 사전 검토에서 필요한 사양을 함께 제시합니다.
제품·공정·물량에 맞춰 최적의 검사기 구성을 제안해 드립니다. 요구사항만 알려주시면 빠르게 회신드리겠습니다.
