전국 단위로 단일 공정의 소규모 검사 자동화부터 다품종·다공정 기반의 대규모 사업까지 대응하며 생산환경과 검사 목적 예산에 맞춰 구축 범위를 설계할 수 있습니다.
공공전문 여성기업 웰리더메오 WELEADER MEO
용역 견적 이메일 문의
weleadergroup@naver.com
🔻카카오 1:1 상담/문의 🔻
http://pf.kakao.com/_NaCFxj/chat
AI 불량 검출 시스템은 제품을 카메라로 촬영한 뒤 AI와 머신비전 기술을 이용해 스크래치 균열 오염 인쇄 이상 조립 오류 부품 누락 등의 불량을 자동 판정하는 시스템입니다. 사람이 육안으로 반복 검사하던 공정을 자동화하거나 검사 결과를 데이터로 남기는 데 활용할 수 있습니다.
다만 도입 전 가장 먼저 확인할 것은 AI 모델이 아니라 불량의 정의와 실제 촬영 조건입니다. 동일한 제품이라도 불량 크기 표면 재질 반사 정도 생산속도 제품 위치 변화 카메라·렌즈·조명 조건에 따라 검출 난도가 크게 달라집니다.
불량을 얼마나 구체적으로 정의했는지가 개발의 출발점입니다
“불량품을 찾아주세요”라는 요구만으로는 AI 검사 기준을 만들기 어렵습니다.
실제 개발에서는 무엇을 불량으로 판단할 것인지 세분화해야 합니다.
예를 들어 금속 부품의 외관검사라면 다음과 같이 기준이 나뉠 수 있습니다.
표면 스크래치
찍힘
균열
이물질
변색
가공 흔적
홀 위치 이상
형상 변형
포장제품이라면 검사 대상이 달라집니다.
라벨 부착 여부
라벨 위치
인쇄 누락
글자 번짐
바코드 인쇄 상태
밀봉 상태
내용물 누락
포장 파손
전자·조립품이라면 부품 누락 방향 오류 조립 위치 나사 체결 여부 등으로 검사 기준이 달라질 수 있습니다.
AI 불량 검출 전문 개발 업체와 상담할 때는 단순히 “외관검사를 자동화하고 싶다”보다 어떤 상태를 정상으로 보고 어떤 상태부터 불량으로 분류할 것인지를 구체화하는 것이 중요합니다.
같은 스크래치라도 검출 가능성은 다를 수 있습니다
스크래치 검출을 예로 들면 단순히 카메라 해상도를 높인다고 해결되는 것은 아닙니다.
검토해야 할 조건은 다음과 같습니다.
스크래치의 최소 폭과 길이가 어느 정도인지 제품 표면이 무광인지 유광인지 금속처럼 빛을 반사하는 재질인지 표면에 정상적인 가공선이나 무늬가 있는지를 확인해야 합니다.
스크래치가 0.2mm 수준인지 2mm 수준인지에 따라서도 필요한 카메라와 렌즈 구성이 달라질 수 있습니다.
제품이 컨베이어를 따라 빠르게 이동하는 경우에는 촬영 순간의 흔들림을 줄일 수 있는 셔터 조건과 조명도 함께 검토해야 합니다.
즉 AI 모델이 불량을 구별하기 전에 카메라가 그 불량을 선명하게 촬영할 수 있어야 합니다.
AI 불량 검출에서 조명이 중요한 이유
머신비전 기반 검사에서는 조명이 결과에 큰 영향을 줍니다.
사람의 눈에는 동일한 제품처럼 보여도 카메라는 반사광 그림자 주변 조도 변화에 민감하게 반응할 수 있습니다.
금속이나 유광 플라스틱은 조명 위치가 조금만 달라져도 정상 제품 표면에 강한 빛이 생겨 스크래치처럼 보일 수 있습니다.
반대로 작은 균열이나 미세한 요철은 일반 조명에서는 거의 보이지 않지만 특정 각도의 조명을 사용하면 더 선명하게 나타날 수 있습니다.
따라서 현장에 따라 링조명 바조명 백라이트 돔조명 등 다양한 광학 구성을 검토할 수 있습니다.
중요한 것은 특정 조명을 무조건 사용하는 것이 아니라 불량 특징이 영상에서 가장 안정적으로 나타나는 촬영 조건을 만드는 것입니다.
기존 생산라인에도 AI 불량 검출 시스템을 적용할 수 있나요?
기존 라인에도 적용을 검토할 수 있지만 설비 조건을 먼저 확인해야 합니다.
특히 다음 사항이 중요합니다.
검사 위치에 카메라를 설치할 공간이 있는지
제품이 일정한 위치와 방향으로 지나가는지
생산라인 속도가 어느 정도인지
검사 순간 제품을 정지시킬 수 있는지
연속 이동 상태에서 촬영해야 하는지
불량 판정 후 제품을 자동 배출해야 하는지
PLC와 신호를 주고받아야 하는지
MES 또는 생산관리 시스템에 검사 결과를 저장해야 하는지
예를 들어 AI가 불량을 판정한 이후 해당 제품을 자동으로 분리해야 한다면 영상분석만 개발하는 것으로 끝나지 않습니다.
검사 결과를 PLC에 전달하고 실제 제품이 배출 위치까지 이동하는 시간을 계산해 리젝터나 에어실린더 등 기존 설비를 동작시키는 과정까지 연결해야 할 수 있습니다.
따라서 시스템 구축 시에는 촬영 → AI 판정 → 설비 신호 → 불량품 분리 → 결과 저장까지 전체 흐름을 확인해야 합니다.
정상·불량 데이터는 얼마나 준비해야 하나요?
필요 데이터의 양을 일률적인 숫자로 정하기는 어렵습니다.
불량 종류가 단순하고 제품 변화가 적다면 비교적 적은 데이터로 초기 가능성을 확인할 수도 있지만 제품 종류와 표면 상태 생산 조건 불량 패턴이 다양하면 더 많은 데이터가 필요할 수 있습니다.
중요한 것은 단순 이미지 개수보다 데이터의 다양성입니다.
정상 데이터에는 실제 생산 중 발생하는 미세한 위치 변화 밝기 변화 표면의 정상적인 얼룩이나 가공 흔적 등이 포함되는 것이 좋습니다.
불량 데이터 역시 동일한 형태만 반복 수집하기보다 실제 현장에서 발생하는 여러 크기와 위치의 불량을 확보하는 것이 중요합니다.
불량품 자체가 거의 발생하지 않는 공정이라면 불량 데이터를 확보하는 방법도 초기 기획 단계에서 검토해야 합니다.
필요한 경우 현장에서 샘플을 별도로 촬영하거나 기존 검사 이력에서 이미지를 확보하고 제품 유형에 따라 학습용 데이터 구성 방식을 다르게 설계합니다.
상담 전 어떤 자료를 준비하면 좋을까요?
사업 분석과 견적을 빠르게 진행하려면 실제 생산라인을 이해할 수 있는 자료가 도움이 됩니다.
가능하다면 다음 자료를 준비할 수 있습니다.
검사 대상 제품 사진
정상 제품 이미지
불량 유형별 샘플 이미지
실제 불량품
검사하려는 최소 불량 크기
현재 생산라인 사진 또는 영상
분당 또는 시간당 생산량
제품이 이동하는 방향과 속도
기존 카메라·센서·PLC 구성
MES 또는 생산관리 시스템 연동 여부
현재 작업자의 검사 기준
과업지시서 또는 RFP
예상 예산과 희망 일정
자료가 모두 준비되어 있지 않아도 상담은 가능합니다.
다만 불량 샘플 현장 영상 생산속도 검사 기준이 구체적일수록 개발 가능 범위와 필요한 장비를 보다 정확하게 검토할 수 있습니다.
AI는 어떤 방식으로 합격과 불합격을 판정하나요?
프로젝트에 따라 여러 방식이 사용될 수 있습니다.
명확한 형태의 불량을 찾아야 하는 경우에는 특정 결함 영역을 탐지하거나 분류하는 AI 모델을 구성할 수 있습니다.
정상 제품과 다른 패턴을 찾아야 하는 경우에는 이상 탐지 방식도 검토할 수 있습니다. 이상 탐지는 정상 제품의 특징을 학습한 뒤 정상 패턴에서 벗어난 부분을 찾아내는 방식입니다.
단 모든 불량검사에 AI가 필요한 것은 아닙니다.
위치 길이 색상 치수처럼 규칙이 명확한 경우에는 전통적인 머신비전 알고리즘이 더 적합할 수도 있습니다.
반대로 형태 변화가 많거나 사람이 경험적으로 판정하던 표면 불량은 AI 기반 분석이 더 유리할 수 있습니다.
실제 시스템에서는 머신비전 알고리즘과 AI 모델을 함께 사용하는 방식도 가능합니다.
즉 개발 단계에서는 “AI를 사용한다”가 목표가 아니라 가장 안정적으로 불량을 판정할 수 있는 방식이 무엇인지 선택하는 것이 중요합니다.
AI 불량 검출 시스템 구축 과정
1. 검사 기준을 정의합니다
현재 작업자가 어떤 기준으로 합격과 불합격을 구분하는지 확인합니다.
불량 종류와 최소 크기 허용 범위 애매한 경계 샘플을 함께 정리해야 합니다.
2. 생산라인과 촬영환경을 분석합니다
제품 이동 속도 촬영 공간 제품 방향 진동 조도 주변 반사환경을 확인합니다.
3. 카메라·렌즈·조명 구성을 검토합니다
불량이 영상에 명확하게 보이도록 화각과 해상도 촬영거리 조명 방식을 결정합니다.
4. 정상·불량 데이터를 수집합니다
실제 생산환경에서 데이터를 수집하고 정상·불량 샘플을 정리합니다.
5. 데이터 라벨링과 정제를 진행합니다
불량 위치나 유형을 표시하고 잘못 촬영되거나 중복된 데이터를 정리합니다.
6. AI 모델과 판정 로직을 개발합니다
불량 종류에 따라 객체 탐지 분류 세그멘테이션 이상 탐지 등의 방식을 검토합니다.
7. 실제 생산속도에서 테스트합니다
정지된 샘플 이미지에서만 검증하지 않고 실제 컨베이어 속도와 조명 조건에서 검사합니다.
8. PLC·MES 등 기존 시스템과 연동합니다
필요한 경우 검사 결과를 설비에 전달하거나 생산 이력을 MES에 저장합니다.
9. 오탐·미탐을 분석하고 판정 기준을 조정합니다
정상제품을 불량으로 판단하는 오탐과 실제 불량을 놓치는 미탐을 구분하여 분석합니다.
10. 현장 실증과 최종 검수를 진행합니다
실제 생산조건에서 일정 기간 운전하면서 정확도 처리속도 설비 신호 데이터 저장 등을 함께 확인합니다.
검사 결과는 어떻게 관리할 수 있나요?
현장 요구사항에 따라 검사 결과를 관리자 화면에서 관리하도록 구성할 수 있습니다.
예를 들어 생산일자 품목 생산라인 검사 결과 불량 유형 불량 이미지 등을 저장하고 검색할 수 있습니다.
불량 종류별 발생 추이를 통계로 보여주거나 특정 시간대에 불량이 증가했는지 확인하는 기능을 추가할 수도 있습니다.
MES와 연동하는 경우 생산 LOT나 작업지시 정보와 검사 결과를 연결하는 구조도 검토할 수 있습니다.
이러한 데이터는 단순히 불량품을 걸러내는 용도를 넘어 향후 공정 개선이나 불량 원인 분석을 위한 자료로 활용할 수 있습니다.
견적은 어떤 요소에 따라 달라지나요?
AI 불량 검출 시스템의 비용 차이가 가장 크게 발생하는 부분은 검사 난도와 광학·설비 구성입니다.
주요 견적 변수는 다음과 같습니다.
검사 제품 종류
불량 유형 수
최소 검출 크기
제품 크기와 표면 재질
생산라인 속도
검사 위치 수
카메라 수
카메라 해상도
렌즈와 조명 구성
기존 불량 데이터 확보 여부
신규 데이터 수집 필요성
PLC 연동 범위
MES 및 외부 시스템 연동
검사 결과 저장 및 관리자 화면
GPU 또는 산업용 PC 구성
현장 설치 범위
실증 기간
유지관리 범위
카메라 한 대로 한 면만 검사하는 시스템과 여러 카메라를 이용해 제품의 상·하·좌·우를 동시에 검사하는 시스템은 장비와 시스템 구조가 달라집니다.
또한 제품 종류가 자주 변경된다면 품목 변경 기능이나 모델 관리 기능이 추가로 필요할 수 있습니다.
정확도는 어떤 방식으로 검수해야 하나요?
검출 정확도는 데이터 품질 촬영환경 불량 유형 제품 변화 판정 기준 등에 따라 달라지므로 초기 샘플 테스트와 현장 실증을 통해 목표 성능을 설정하는 것이 안전합니다.
또한 하나의 전체 정확도 수치만 보는 방식은 실제 현장 판단에 부족할 수 있습니다.
예를 들어 불량을 정상으로 놓친 경우와 정상제품을 불량으로 분류한 경우는 생산현장에 미치는 영향이 서로 다릅니다.
따라서 검수에서는 다음을 구분하는 것이 좋습니다.
미탐
실제 불량 제품을 AI가 정상으로 판단한 경우입니다.
오탐
정상 제품을 AI가 불량으로 잘못 판단한 경우입니다.
처리속도
생산라인 속도 안에서 촬영부터 판정까지 완료되는지 확인합니다.
반복성
동일한 제품을 반복 검사했을 때 판정이 안정적으로 유지되는지 확인합니다.
환경 변화 대응
시간대별 조도 변화나 제품 위치 변화가 발생해도 결과가 크게 흔들리지 않는지 확인합니다.
공공기관 또는 연구개발 사업이라면 검수 방법과 테스트 샘플 구성 판정 기준을 사전에 문서화하는 것이 좋습니다.
일정이 길어지는 가장 흔한 이유는 데이터와 현장 조건입니다
AI 불량검사 프로젝트는 프로그램 화면 개발보다 데이터 확보와 현장 실증에서 일정 변수가 발생하는 경우가 많습니다.
예를 들어 실제 불량 샘플이 충분하지 않거나 신규 제품 생산 일정이 늦어질 수 있습니다.
카메라 설치 위치를 변경해야 하거나 생산라인을 정지할 수 있는 시간이 제한되어 테스트 일정이 길어질 수도 있습니다.
또한 PLC 프로그램 수정 MES 연동 승인 서버 보안정책 검토 등이 추가되면 관련 담당 부서와 협의 시간이 필요합니다.
따라서 구축 일정은 개발기간만 보는 것이 아니라 데이터 수집 장비 설치 생산라인 테스트 설비 연동 담당자 검수 기간을 포함해 계획하는 것이 현실적입니다.
공공기관·연구기관 사업에서는 무엇을 확인해야 하나요?
AI 품질검사나 제조 AI 실증 사업에서는 기술 결과뿐 아니라 과업지시서와 최종 산출물의 일치 여부가 중요합니다.
주요 검수항목은 다음과 같습니다.
검사 대상과 불량 기준의 정의
카메라·렌즈·조명 사양
학습 데이터 구성 기준
AI 판정 방식
오탐·미탐 테스트
실제 생산속도에서 처리 가능 여부
PLC·MES 연동 결과
검사 이미지와 판정 결과 저장
사용자와 관리자 기능
통계 산출 기준
장애 발생 시 처리 방법
요구사항 변경이력
교육과 매뉴얼
테스트 결과서
완료보고서
계약 내용에 따라 요구사항 정의서 기능 명세서 시스템 구성도 개발 결과물 테스트 결과서 사용자·관리자 매뉴얼 교육자료 완료보고서 등이 산출물에 포함될 수 있습니다.
소스코드와 디자인 원본 AI 모델 파일 등 제공 범위는 계약 조건에 따라 사전에 정하는 것이 좋습니다.
AI 불량 검출 개발 업체는 어떤 기준으로 선정해야 하나요?
업체를 비교할 때는 AI 모델 자체보다 광학환경과 생산라인 전체를 함께 검토하는지 확인하는 것이 중요합니다.
다음과 같은 질문을 해볼 수 있습니다.
실제 불량의 최소 크기를 확인하는가
제품 재질과 반사를 확인하는가
카메라와 렌즈 선정 근거를 설명하는가
조명 테스트를 진행하는가
생산속도에 맞는 촬영 조건을 검토하는가
정상·불량 데이터 확보 방법을 설명하는가
AI가 필요한 영역과 일반 머신비전으로 처리할 영역을 구분하는가
오탐·미탐 검증 방법을 제시하는가
PLC·MES 연동 범위를 구체적으로 설명하는가
현장 실증 과정을 포함하는가
유지보수와 모델 재학습 범위를 명확히 하는가
특히 제품 종류나 포장 디자인이 자주 변경되는 현장이라면 신규 품목이 추가될 때 모델과 검사 설정을 어떻게 관리할지도 확인할 필요가 있습니다.
2026년 구축이라면 이후 데이터까지 남겨야 합니다
2026년 사업에서 AI 불량 검출 시스템을 처음 도입한다면 초기부터 모든 제품과 모든 불량을 한 번에 자동화하기보다 우선순위가 높은 품목이나 대표 불량부터 적용하는 방식도 검토할 수 있습니다.
초기 실증 과정에서 정상·불량 이미지와 판정 결과를 체계적으로 축적하면 이후 다른 제품이나 불량 유형으로 확대할 때 중요한 학습 자료가 됩니다.
특히 2027년도 준비를 함께 진행한다면 차년도에 필요한 카메라 증설 신규 품목 추가 서버 또는 GPU 비용 MES 연동 확대 유지관리 모델 재학습 실증기간을 미리 검토해 예산 항목을 구성하는 것이 좋습니다.
AI 검사는 설치한 날 완성되는 장비라기보다 실제 생산 데이터가 축적되면서 안정성과 활용 범위를 고도화할 수 있는 시스템으로 보는 것이 현실적입니다.
웰리더메오는 개발과 사업 수행 흐름을 함께 관리합니다
웰리더메오는 공공전문 여성기업으로 과업지시서를 기반으로 요구사항을 정리하고 단계별 시연과 수정이력을 관리하는 방식으로 사업을 협의합니다.
표준 문서 대응 · 납기 준수율 100%
제조 AI 또는 연구개발 사업에서는 시스템 구축 이후 실증 결과를 정리하기 위한 결과보고 디자인 시스템 소개영상 성과 홍보 콘텐츠 발표자료 행사 또는 캠페인이 함께 필요한 경우가 있습니다.
웰리더메오는 AI 개발뿐 아니라 기획·디자인·영상·마케팅·행사·SNS 및 소셜 콘텐츠 업무를 하나의 사업 흐름에서 협의할 수 있습니다.
여러 서비스를 일괄 적용하는 방식이 아니라 실제 사업에 필요한 범위를 구분하여 일정과 결과물 간의 연결성을 관리하는 방향으로 진행합니다.
과업지시서와 현장 자료가 있다면 먼저 검토할 수 있습니다
AI 불량 검출 전문 개발 업체를 찾고 있다면 과업지시서 또는 현재 검사하고 있는 제품과 불량 샘플을 기준으로 개발 가능 범위를 검토할 수 있습니다.
상담 과정에서는 사업 목적 검사 제품 불량 유형 실제 이용자와 관리자 생산속도 카메라 설치환경 정상·불량 데이터 기존 PLC·MES 구성 예상 예산과 희망 일정을 확인합니다.
이를 바탕으로 필요한 카메라·렌즈·조명 구성 AI 개발 범위 시스템 연동 관리자 기능 현장 실증 범위를 구체화하고 구축 방향을 제안할 수 있습니다.
초기 구축 이후에도 새로운 제품과 불량 유형이 추가될 수 있기 때문에 단기 납품에만 초점을 맞추기보다 운영 과정에서 축적되는 검사 데이터를 기반으로 시스템을 지속적으로 개선할 수 있는 장기적인 협업 방향을 지향합니다.