안녕하세요. (주)이프입니다. AI 비전검사 상담에서 자주 듣는 말이 있습니다. "요즘은 AI 로 다 되지 않나요? 치수 측정도 AI 로 해 주세요." 결론부터 말하면, AI 는 모든 검사를 대신하지 않습니다. 치수처럼 정해진 기준을 재는 일은 룰 기반이 더 잘하고, 모양이 매번 다른 외관 결함은 AI 가 더 잘합니다. 오늘은 두 방식의 특징과 장단점, 실제로 함께 쓰는 예시, 그리고 거꾸로 AI 가 룰 기반 검사의 세팅을 돕는 방향까지 정리합니다.
한 줄 요약
재는 일은 룰, 알아보는 일은 AI. 그리고 AI 는 사람이 룰을 세팅하는 시간을 줄여 주는 쪽으로도 발전하고 있습니다.
주요 특징 및 장단점
AI 기반 비전 검사는 룰 기반 방식과 비교했을 때 다음과 같은 차이가 있습니다.
| 구분 | 룰 기반 비전검사 | AI 기반 비전검사 |
|---|---|---|
| 동작 방식 | 사람이 정한 규칙(에지, 밝기, 형상, 거리)으로 판정 | 양품 · 불량 이미지로 학습한 모델이 판정 |
| 잘하는 일 | 치수 · 간격 · 각도 측정, 위치 · 정렬, 개수 · 유무, 색 판별 | 스크래치 · 이물 · 얼룩 · 덴트처럼 모양이 일정하지 않은 결함, 거친 표면 · 복잡한 배경 |
| 정밀도 | 서브픽셀 에지와 캘리브레이션으로 mm 단위 측정, 반복 측정으로 산포 · Cpk 검증 | 결함이 있는지, 어디에 있는지를 찾는 데 강함. 정밀 치수의 기준값으로 쓰기에는 부적합 |
| 재현성 · 설명 | 같은 입력이면 같은 결과, 왜 NG 인지 수치로 설명 가능 | 판정 근거가 학습 데이터에 달려 있어 데이터 관리가 중요 |
| 준비 | 샘플 몇 장으로 시작, 규칙과 파라미터 세팅이 필요 | 라벨링된 학습 이미지가 필요, 불량이 드물면 데이터 확보가 과제 |
| 변화 대응 | 조명 · 표면이 바뀌면 파라미터 재조정 | 새 불량 유형은 이미지를 추가해 재학습 |
"치수 측정도 AI 로 되나요?" 에 대한 답
치수 측정에서 중요한 것은 같은 제품을 몇 번 재도 같은 값이 나오는가입니다. 룰 기반 측정은 에지 위치를 소수점(서브픽셀) 단위로 찾고, 캘리브레이션한 배율로 mm 로 환산하며, 반복 측정으로 산포와 공정능력(Cpk)을 확인할 수 있습니다. 측정값이 왜 그렇게 나왔는지도 에지 위치로 설명됩니다.
AI 는 "여기에 결함이 있다", "이 영역이 대상이다" 를 찾는 데 강합니다. 그래서 치수 검사에서 AI 의 자리는 측정 자체가 아니라 측정 전 단계입니다. 배경이 복잡하거나 대상과 배경의 색이 비슷해 룰로 대상을 분리하기 어려울 때, AI 로 대상만 남긴 뒤 룰로 정밀하게 재는 방식이 현실적인 답입니다.
검사 유형별 추천 방식
| 검사 항목 | 추천 | 이유 |
|---|---|---|
| 외경 · 내경 · 간격 · 피치 | 룰 기반 | 서브픽셀 에지와 캘리브레이션으로 반복성 확보 |
| 위치 · 정렬 보정량 | 룰 기반 | 기준 마크 매칭과 좌표 계산이 정확 |
| 부품 유무 · 개수 | 룰 기반 우선, 어려우면 AI | 형상이 일정하면 룰, 겹침 · 반사가 심하면 AI 검출 |
| 스크래치 · 이물 · 얼룩 · 덴트 | AI | 모양 · 크기 · 위치가 매번 달라 규칙으로 정의하기 어려움 |
| 불량 샘플이 거의 없는 외관 | AI 이상 탐지 | 양품만으로 학습해 정상과 다른 부분을 찾음 |
| 복잡한 배경 위 대상의 치수 | 하이브리드 | AI 로 대상 분리 → 룰로 측정 |
함께 쓰는 하이브리드 예시
예시 1. 치수는 룰, 얼룩은 AI
원형 부품의 내경 · 외경 · 진원도는 룰 기반으로 재고, 표면의 얼룩은 AI 로 찾은 뒤 두 결과를 한 판정으로 묶습니다. 한 시나리오 안에서 항목별로 가장 잘 맞는 방식을 고르는 것이 하이브리드입니다.
예시 2. AI 배경 제거 → 룰 기반 측정
Vision Agent 의 AI 배경 제거 노드는 남길 대상을 감싸는 영역만 그리면, 앱에 함께 설치되는 AI 분할 모델이 대상의 윤곽을 찾아 배경을 지웁니다. 별도 학습 없이 바로 쓰고, 배경을 지운 이미지와 대상 마스크를 다음 측정 · 블롭 노드로 넘깁니다. 사내 합성 시험(대비가 애매한 이미지 224장)에서 정답 영역과의 평균 일치율은 0.948 이었습니다.
단, 제품 위치가 바뀌는 라인에서는 얼라인 결과를 연결해 영역이 제품을 따라가게 해야 하고, 추출 면적이 0 이거나 모델이 없으면 조용히 넘어가지 않고 에러로 알립니다.
반대 방향 : AI 와 자동화가 룰 기반 세팅을 돕는다
룰 기반 검사의 약점은 세팅입니다. 조명 · 노출을 찾고, 노드를 고르고, 파라미터와 판정 범위를 정하는 데 사람의 시간과 경험이 많이 듭니다. 최근 방향은 AI 가 판정을 대신하는 것만이 아니라, 사람이 룰을 세팅하는 시간을 줄여 주는 것입니다. Vision Agent 에 들어 있는 기능으로 정리하면 다음과 같습니다.
1. 촬상 조건 추천 (이미지 최적화)
노출 · 게인 · 조명 값을 조합마다 바꿔 가며 촬영하고, 지정한 영역에서 초점 · 에지 · 대비 · 불량 대비를 재서 종합 점수 순위로 추천합니다. 포화되거나 너무 어두운 조합은 추천에서 빼고 사유를 표시합니다. 실물 장비 없이 기준 이미지로 시험하는 시뮬레이션 모드도 있습니다.
2. AI Helper : 문장으로 시나리오 초안
"홀 직경 측정해서 5.2±0.1mm 벗어나면 NG" 처럼 검사 내용을 문장으로 적으면, 검증된 예제와 저장된 시나리오에서 비슷한 구성을 찾아 노드 · 연결 · 판정 스펙까지 갖춘 초안을 만듭니다. 문장 속 스펙은 판정 노드의 최소 · 최대값으로 들어가고, 왜 그렇게 구성했는지 근거도 보여 줍니다. 규칙과 예제로 판단이 안 되는 요청에서만 장비 PC 안의 로컬 LLM 에 묻습니다.
3. 인텔리전트 모드 : 다음 노드 추천과 흐름 점검
시나리오를 만드는 동안 선택한 노드 다음에 흔히 오는 노드를 점수와 이유로 추천하고, [+] 한 번에 알맞은 포트로 연결합니다. 이미지 입력이 빠졌거나 판정 노드가 없는 등 흐름의 빈틈도 찾아 버튼 하나로 고칩니다. 규칙 · 통계 계산이라 즉시 응답합니다.
4. 도면 기반 검사 세팅
도면(DXF)을 끌어놓으면 치수와 공차를 읽어 검사 특성 표를 만들고, 촬상 이미지와 도면의 두 점을 맞추는 것만으로 배율 · 회전 · 원점을 정합합니다. 그러면 검사 항목, 검사 영역, 판정 범위가 자동으로 계산되고 시나리오로 적용됩니다. 치수 검사를 사람이 하나하나 세팅하던 시간을 크게 줄이는 방향입니다.
정리 : 고객이 기억하면 좋은 세 가지
| 번호 | 내용 |
|---|---|
| 1 | 치수 · 위치처럼 재는 일은 룰 기반이 기준입니다. AI 는 측정 전 대상 분리 같은 보조 역할에 씁니다 |
| 2 | 모양이 일정하지 않은 외관 결함은 AI 가 맞습니다. 다만 학습 이미지와 불량 기준 관리가 함께 필요합니다 |
| 3 | AI 는 판정뿐 아니라 촬상 조건 · 시나리오 · 파라미터 세팅을 돕는 도구로도 쓰입니다. 최종 판정 기준은 사람이 정합니다 |
룰 기반과 딥러닝을 어디에 쓸지에 대한 생각은 이전 AI숙고 글 "룰베이스 비전과 AI 딥러닝 검사, 어디에 무엇을 써야 하나" 에서도 다뤘습니다. 함께 읽어 보시면 좋습니다.
마치며
AI 와 룰 기반은 경쟁 관계가 아니라 역할이 다른 도구입니다. 한 제품 안에서도 항목마다 맞는 방식이 다르고, 두 방식을 한 시나리오에서 함께 쓸 수 있어야 현장에서 오래 버팁니다. 우리 제품의 어떤 항목에 무엇이 맞는지 궁금하시면 샘플 이미지와 검사 기준을 보내 주세요.
홈페이지 : www.intelligentfactory.co.kr/business/platform
☎ 070-7543-2022 · ✉ hssong@intelligentfactory.co.kr · 🌐 www.intelligentfactory.co.kr
아래 QR 코드를 카카오톡으로 스캔하시면 바로 상담이 연결됩니다.
