AI숙고는 (주)이프가 제조 현장에서 AI 를 만들고 쓰면서 든 생각을 매번 테마 하나씩 정해 적는 자리입니다. 지난 글 끝에 노코드 이야기를 예고했지만, 그보다 먼저 정리해야 할 질문이 계속 들어와 순서를 바꿉니다. 이번 테마는 "도구를 고르기 전에 문제를 정의하라" 입니다.
요즘 비전검사 문의는 열에 여덟이 이렇게 시작합니다.
"AI 딥러닝으로 검사하고 싶은데요."
그래서 무엇을 보시려는지 여쭤보면, 상당수가 이런 답이 돌아옵니다. "제품 폭이 12.5mm ±0.05 안에 들어오는지 봐야 합니다." 또는 "부품이 제자리에 있는지, 몇 개인지 세야 합니다."
둘 다 딥러닝을 쓰면 오히려 손해인 검사입니다. 오늘은 왜 그런지, 그리고 룰베이스와 딥러닝을 각각 어디에 써야 하는지, 둘을 같이 쓰면 어떤 그림이 나오는지 정리하겠습니다.
왜 모두가 딥러닝부터 떠올리게 되었나
이유는 단순합니다. 최근 몇 년간 사람들이 접한 AI 의 성공 사례가 전부 "사람이 규칙으로 쓰기 어려운 문제" 였기 때문입니다. 고양이 사진 구분, 번역, 대화. 그러다 보니 "어려운 문제는 AI 가 푼다"는 인상이 생겼고, 검사도 어려우니 AI 겠지 하는 연결이 만들어졌습니다.
그런데 제조 검사에는 다른 종류의 어려움이 있습니다. 대화형 AI 가 잘 못하는 어려움, 즉 "정확히 몇 mm 인가" 입니다. 그리고 이건 20년 넘게 머신비전이 해 온 일이고, 룰베이스가 압도적으로 잘합니다.
룰베이스가 이기는 자리 : 답이 숫자로 정의되는 검사
기준이 규격서에 숫자로 적혀 있는 검사는 룰베이스가 정답입니다.
| 검사 항목 | 왜 룰베이스인가 |
|---|---|
| 치수 · 간격 · 각도 | 에지를 픽셀 단위(서브픽셀까지)로 찾아 계산. 0.01mm 단위 재현성이 나오고, 값이 왜 그렇게 나왔는지 설명된다 |
| 위치 · 정렬 · 틀어짐 | 기준 패턴을 찾아 좌표와 각도를 산출. 보정값을 그대로 설비에 넘길 수 있다 |
| 유무 · 개수 | 정해진 영역에 있는지 없는지, 몇 개인지 세는 일. 규칙이 명확하다 |
| 코드 · 문자 판독 | 규격이 정해진 기호를 읽는 일. 전용 알고리즘이 훨씬 빠르고 정확하다 |
| 색상 · 인쇄 위치 | 기준값과의 차이를 수치로 비교. 임계값 조정이 즉시 반영된다 |
여기서 딥러닝을 쓰면 무슨 일이 생기냐면, 학습 데이터를 모으는 데 몇 주를 쓰고도 룰베이스보다 정밀도가 떨어집니다. 딥러닝 검출은 결함이 "있다/없다"와 "대략 어디"는 잘 맞히지만, 경계를 0.01mm 단위로 일관되게 집어내는 일은 설계 목적이 아닙니다. 게다가 값이 왜 그렇게 나왔는지 설명이 어려워 고객사 품질 감사에서 곤란해집니다.
룰베이스의 진짜 강점은 "설명 가능성"
치수 검사에서 NG 가 나면 운영자가 묻습니다. "왜 NG 예요?" 룰베이스는 답할 수 있습니다. "폭이 12.58mm 로 측정됐고 상한이 12.55mm 입니다." 판정 기준을 0.01 올리면 결과가 어떻게 바뀌는지도 즉시 압니다. 이 투명함이 양산 라인에서 신뢰를 만듭니다.
딥러닝이 이기는 자리 : 말로 규칙을 못 쓰는 검사
반대로 불량을 규칙으로 적어 내려가다 막히는 순간이 딥러닝의 자리입니다. 판단 기준은 간단합니다. 숙련 검사원에게 "이건 왜 불량이에요?"라고 물었을 때 "보면 알아요" 라는 답이 나오면 딥러닝 후보입니다.
| 검사 항목 | 왜 딥러닝인가 |
|---|---|
| 비정형 외관 결함 | 얼룩 · 이물 · 버 · 변색처럼 모양과 크기가 매번 다르다. 임계값 하나로 잡으면 과검이 폭증한다 |
| 배경이 복잡한 표면 | 가공 무늬 · 텍스처 위의 결함. 정상 무늬와 결함을 규칙으로 가르기 어렵다 |
| 불량 유형 분류 | 같은 NG 라도 스크래치인지 찍힘인지 구분해 공정에 피드백해야 할 때 |
| 미지 · 신규 결함 | 어떤 불량이 나올지 모를 때. 정상만 학습해 벗어난 것을 잡는 이상 탐지가 유효하다 |
| 조립 상태의 "느낌" | 부품이 살짝 뜬 것, 눌린 것처럼 여러 단서를 종합해 판단해야 하는 경우 |
딥러닝을 고를 때 미리 계산해야 할 비용
- 데이터 : 정상뿐 아니라 불량 샘플이 필요합니다. 불량이 한 달에 두 개 나오는 라인이면 학습 데이터 모으는 데만 반년입니다. 이럴 때가 이상 탐지를 쓰는 자리입니다
- 유지 : 로트가 바뀌고 조명이 노후되면 성능이 흔들립니다. 재학습 담당자가 필요합니다
- 설명 : "왜 NG 인가"에 숫자로 답하기 어렵습니다. 고객사 요구가 있으면 미리 합의해야 합니다
딥러닝이 비싼 기술이라서 신중하라는 말이 아닙니다. 룰베이스로 되는 것을 딥러닝으로 하면 비용만 늘고 정밀도는 떨어지기 때문입니다.
실제로 가장 좋은 답은 대개 "같이"
현장에서 저희가 만드는 시나리오는 거의 전부 하이브리드입니다. 자주 쓰는 세 가지 조합을 소개합니다.
조합 1. 룰베이스로 자리를 잡고, 딥러닝으로 결함을 본다
가장 기본이자 가장 많이 쓰는 구성입니다. 제품이 트레이 위에서 매번 조금씩 틀어져 들어오는데, 이 상태로 AI 에 바로 넣으면 같은 결함도 위치가 달라져 학습 효율이 떨어집니다.
패턴 매칭으로 기준 위치를 찾아 각도까지 보정(룰베이스) → 보정된 좌표로 검사 영역을 잘라냄(룰베이스) → 그 영역만 AI 로 외관 판정(딥러닝)
AI 는 항상 같은 구도의 이미지만 보게 되므로 적은 데이터로도 성능이 잘 나오고, 결함 위치도 제품 좌표계로 바로 환산됩니다.
조합 2. 딥러닝으로 찾고, 룰베이스로 잰다
"버가 있으면 불량"이 아니라 "버가 0.2mm 넘으면 불량"인 경우입니다. 어디에 생길지 모르는 버를 규칙으로 찾기는 어렵지만, 일단 찾은 뒤 크기를 재는 일은 룰베이스가 정확합니다.
AI 로 결함 후보 위치를 검출(딥러닝) → 그 위치에서 길이 · 면적을 측정(룰베이스) → 규격 숫자로 판정(룰베이스)
이렇게 하면 NG 사유가 "AI 가 그렇게 판단해서"가 아니라 "버 길이 0.23mm, 상한 0.20mm"가 됩니다. 품질 회의에서 쓸 수 있는 근거가 남습니다.
조합 3. 이상 탐지로 거르고, 룰베이스로 재확인한다
불량 샘플이 거의 없는 신규 공정에 씁니다. 정상 제품만 학습시켜 "평소와 다른 것"을 걸러 내고, 걸러진 것만 룰베이스 측정과 사람 확인으로 넘깁니다. 전수 검사의 부담을 줄이면서 미지의 불량도 놓치지 않는 구성입니다.
고르는 기준, 질문 네 개면 됩니다
| 질문 | 내용 | 답에 따른 선택 |
|---|---|---|
| 1 | 불량 기준을 숫자로 쓸 수 있는가 | 쓸 수 있다 → 룰베이스 |
| 2 | 숙련자가 "보면 안다"고 답하는가 | 그렇다 → 딥러닝 |
| 3 | 불량 샘플을 100장 이상 모을 수 있는가 | 어렵다 → 룰베이스 또는 이상 탐지 |
| 4 | NG 사유를 숫자로 보고해야 하는가 | 그렇다 → 최종 판정은 룰베이스로 |
네 질문을 검사 항목마다 따로 던지는 것이 핵심입니다. 한 제품에 검사 항목이 다섯 개면 답도 다섯 개입니다. "이 제품은 AI 로 합니다"가 아니라 "치수 세 항목은 룰베이스, 외관 두 항목은 AI" 가 맞는 설계입니다.
결국 중요한 건 도구가 아니라 문제 정의
AI 는 강력한 도구지만 만능 열쇠는 아닙니다. 그리고 룰베이스는 오래된 기술이지만 낡은 기술이 아닙니다. 두 방식 모두 잘하는 자리가 분명히 있고, 그 자리를 구분하는 일은 도구가 대신해 주지 않습니다.
먼저 "무엇을 불량이라 부를 것인가"를 정하십시오. 그게 정해지면 어떤 도구를 쓸지는 거의 자동으로 결정됩니다.
저희가 Vision Agent 를 만들 때 2D 룰베이스 알고리즘과 AI 검사 노드를 같은 시나리오 안에서 이어 쓰도록 설계한 이유도 여기에 있습니다. 둘 중 하나를 고르라고 하면 현장은 반드시 한쪽에서 손해를 봅니다. 섞어 쓸 수 있어야 검사 항목마다 최선을 고를 수 있습니다.
지금 검토 중인 검사 항목을 알려 주시면, 항목별로 룰베이스와 AI 중 어느 쪽이 맞는지, 하이브리드로 가면 어떤 구성이 되는지 정리해 드리겠습니다. 판단이 애매한 항목은 샘플 이미지로 사전 검토도 해 드립니다.
다음 AI숙고 테마는 처음 예고했던 "노코드가 정말 개발자를 없애는가" 로 이어가겠습니다.
