전국 단위로 단일 검사공정의 소규모 구축부터 여러 생산라인을 연계하는 대규모 사업까지 대응하며 제품 특성·검사 난이도·생산속도·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
제품 불량 검출 시스템은 카메라로 촬영한 제품 이미지를 분석해 스크래치 균열 오염 인쇄 불량 부품 누락 조립 오류 등 사전에 정의한 이상을 자동으로 판정하는 검사 시스템입니다. 제조라인의 육안검사 부담을 줄이고 검사 결과를 데이터화하는 데 활용할 수 있지만 도입 가능 여부는 AI 모델보다 불량의 크기와 형태 제품 재질 조명 촬영 위치 생산속도 정상·불량 샘플 확보 상태를 먼저 확인해야 판단할 수 있습니다.
특히 같은 ‘스크래치 검출’이라도 금속처럼 빛이 반사되는 표면과 무광 플라스틱 표면은 촬영 조건이 완전히 다릅니다. 따라서 제품 불량 검출 전문 개발 업체를 선정할 때는 AI 기능만 설명하는지보다 실제 제품과 생산라인을 기준으로 광학환경과 판정 조건까지 검토하는지를 확인하는 것이 중요합니다.
불량을 먼저 정의해야 검사 시스템을 설계할 수 있습니다
제품 불량 검출에서 가장 먼저 정해야 할 것은 카메라 사양이 아니라 무엇을 불량으로 볼 것인가입니다.
예를 들어 제품 표면의 흠집을 검사한다면 단순히 “스크래치를 찾는다”가 아니라 다음 기준까지 구체화해야 합니다.
어느 위치의 흠집을 검사할 것인지
최소 어느 정도 크기부터 불량으로 판정할 것인지
길이·폭·면적 중 어떤 기준을 사용할 것인지
색상 변화나 얼룩도 불량에 포함할 것인지
제품마다 허용 가능한 편차가 있는지
동일한 흔적이라도 위치에 따라 합격·불합격이 달라지는지
사람의 육안검사에서도 작업자마다 판정이 다르다면 AI에도 명확한 기준을 가르치기 어렵습니다.
따라서 초기 단계에서는 현장 담당자와 품질 담당자가 정상과 불량의 기준을 먼저 합의하고 해당 기준을 데이터와 검사 로직으로 전환해야 합니다.
어떤 불량을 검사할 수 있나요?
제품 종류와 촬영 가능 조건에 따라 다양한 검사를 검토할 수 있습니다.
외관 표면 검사
스크래치 균열 찍힘 오염 변색 기포 코팅 이상처럼 제품 표면에서 확인되는 결함을 분석할 수 있습니다.
다만 검사해야 하는 결함이 매우 작다면 카메라 해상도와 렌즈 배율을 높여 실제 이미지에서 결함을 충분한 크기로 확보해야 합니다.
인쇄·라벨 검사
문자 누락 인쇄 위치 오류 번짐 라벨 미부착 잘못된 라벨 바코드·QR 코드 상태 등을 확인하는 구조를 검토할 수 있습니다.
이 경우 AI 판정뿐 아니라 OCR 바코드 판독 등 다른 영상처리 기술을 조합하는 방식이 적합할 수 있습니다.
부품 누락·조립 오류 검사
정해진 위치에 부품이 있는지 방향이 맞는지 조립 순서나 위치가 기준과 다른지를 확인할 수 있습니다.
제품 형상이 일정하고 검사 위치를 안정적으로 촬영할 수 있다면 자동검사에 유리합니다.
수량·충진 상태 검사
포장 안의 제품 수량 부품 개수 용기의 내용물 높이처럼 이미지로 확인 가능한 조건을 검사할 수 있습니다.
충진량처럼 정밀한 계측이 필요한 경우에는 영상만으로 충분한지 또는 센서·중량계 등 별도 장비와 함께 판단해야 하는지도 검토해야 합니다.
검사 정확도는 AI 모델보다 촬영 조건에서 무너지는 경우가 많습니다
정확도에 영향을 주는 요소는 크게 제품 광학환경 데이터 생산조건 판정기준으로 나눌 수 있습니다.
제품 자체의 색상과 표면 상태가 일정한지 반사가 심한지 위치가 매번 달라지는지를 확인해야 합니다.
카메라는 검사 대상의 최소 결함을 구분할 수 있는 해상도가 필요하며 렌즈는 제품 크기와 촬영 거리 검사 영역에 맞게 선정해야 합니다.
조명 역시 중요합니다. 금속 표면은 조명 방향에 따라 정상 제품의 반사광이 흠집처럼 보일 수 있고 투명 용기나 필름은 배경과 투과광 조건에 따라 결함이 보이지 않을 수 있습니다.
컨베이어에서 제품이 빠르게 이동한다면 셔터속도와 촬영 타이밍이 맞지 않아 이미지가 흔들릴 수 있습니다.
따라서 검출 정확도는 데이터 품질 촬영 환경 불량 유형 제품 변화와 합격·불합격 기준 등에 따라 달라지므로 초기 샘플 테스트와 현장 실증을 통해 목표 성능을 설정하는 것이 안전합니다.
기존 생산라인에도 설치할 수 있을까요?
가능 여부는 검사공정을 추가할 공간과 생산속도 제품 이송 방식 기존 설비의 신호 구조를 확인해야 결정됩니다.
새로운 검사기를 별도 구간에 설치할 수도 있고 기존 공정의 특정 위치에 카메라와 조명을 추가하는 방식도 검토할 수 있습니다.
하지만 다음 조건은 반드시 확인해야 합니다.
제품이 항상 같은 위치를 지나가는가?
위치와 방향이 크게 달라지면 검사 영역이 계속 변하므로 가이드 장치나 정렬 구조가 필요할 수 있습니다.
제품을 순간적으로 정지시킬 수 있는가?
정지하지 못하는 고속라인이라면 이동 상태에서도 선명하게 촬영할 수 있는 카메라·조명·트리거 구조가 필요합니다.
불량품을 자동 배출해야 하는가?
AI가 불량을 판정한 뒤 실제 제품을 배출하려면 PLC와 신호를 주고받거나 별도의 리젝 장치와 연동해야 할 수 있습니다.
검사 결과를 생산시스템에 남겨야 하는가?
MES나 품질관리시스템과 연계한다면 제품 번호 검사시간 판정값 불량 유형 등의 데이터 구조와 연동 규격을 사전에 확인해야 합니다.
정상 데이터보다 불량 데이터 확보가 더 어려울 수 있습니다
AI 자동검사를 준비할 때 정상 제품 이미지는 비교적 쉽게 확보할 수 있지만 실제 불량 샘플은 수량이 적거나 유형이 일정하지 않은 경우가 많습니다.
따라서 데이터 준비 단계에서는 단순 이미지 수량보다 실제 생산에서 발생하는 불량 유형을 얼마나 고르게 확보했는지가 중요합니다.
예를 들어 긁힘 데이터만 충분하고 균열 데이터가 거의 없다면 두 불량을 동일한 수준으로 검증하기 어렵습니다.
수집한 이미지는 정상 스크래치 균열 오염 등 기준에 따라 분류하고 필요한 경우 결함 위치를 표시하는 라벨링 작업을 진행합니다.
또한 생산제품의 모델이나 색상이 바뀌는 사업이라면 한 종류의 제품만 학습한 모델로 전체 품목을 검사할 수 있는지 별도로 확인해야 합니다.
검사 결과는 단순 PASS·FAIL만 남기지 않아도 됩니다
현장 요구에 따라 검사 시스템은 합격·불합격 판정뿐 아니라 결과 이력을 저장하도록 설계할 수 있습니다.
예를 들어 다음과 같은 데이터 구조를 검토할 수 있습니다.
검사 일시
제품 또는 LOT 정보
생산라인 정보
검사 이미지
정상·불량 판정
불량 유형
불량 위치
설비 또는 카메라 번호
작업시간대
재검 여부
운영자 확인 결과
이 데이터가 축적되면 특정 시간대나 제품에서 불량 발생이 증가하는지 확인하거나 불량 유형별 추이를 분석하는 데 활용할 수 있습니다.
관리자 화면에서는 기간 생산품목 불량유형 등을 기준으로 검색하거나 생산 통계를 확인하도록 구성할 수 있으며 실제 항목은 사업 목적에 맞춰 결정합니다.
상담 전 준비하면 좋은 자료
자료가 모두 준비되지 않아도 상담할 수 있습니다. 다만 실제 제품과 생산조건을 확인할 수 있을수록 개발 가능성 장비 구성과 견적 범위를 더 구체적으로 검토할 수 있습니다.
제품 불량 검출 사업에서는 특히 다음 자료가 도움이 됩니다.
검사할 실제 제품 또는 제품 사진·영상
정상 제품과 불량 제품 샘플
불량 유형별 판정 기준
검사해야 할 최소 결함 크기
현재 생산라인 사진 또는 동영상
제품 이동 속도와 생산량
검사 가능한 설치 공간
기존 PLC·MES 등 연동 대상
제품 종류와 향후 변경 가능성
자동 배출 기능 필요 여부
과업지시서 또는 제안요청서
희망 일정과 예상 예산
레퍼런스 검사화면이나 원하는 관리자 기능이 있다면 함께 전달하면 요구범위를 정리하는 데 도움이 됩니다.
실제 개발은 샘플 촬영부터 시작하는 것이 중요합니다
1. 불량 유형과 판정 기준 정의
어떤 상태까지 정상으로 인정하고 어느 수준부터 불량으로 판정할지 품질 기준을 정리합니다.
2. 제품과 생산라인 분석
제품 크기 재질 표면 반사 생산속도 촬영 가능한 위치와 장비 설치 공간을 확인합니다.
3. 카메라·렌즈·조명 촬영 테스트
실제 제품을 여러 조건으로 촬영하면서 불량이 가장 선명하게 보이는 광학 구성을 찾습니다.
이 단계에서 원하는 결함이 이미지에 충분히 표현되지 않는다면 AI 개발 전에 촬영 구조부터 조정해야 합니다.
4. 정상·불량 데이터 확보
실제 생산품을 기반으로 데이터를 수집하고 불량 유형별로 정리합니다.
5. 데이터 정제·라벨링 및 AI 모델 개발
학습에 사용할 데이터를 선별하고 필요한 결함 위치와 유형을 표시한 뒤 검사 목적에 적합한 AI 모델을 개발·조정합니다.
6. 검사 로직과 판정 기준 적용
AI 결과를 실제 합격·불합격 판정에 연결하고 제품별 예외조건을 정리합니다.
7. PLC·MES 및 생산설비 연동
필요한 경우 검사 완료 신호 불량 판정 제품 배출 생산이력 저장 등을 기존 시스템과 연결합니다.
8. 실제 생산속도에서 반복 검증
정지된 샘플 이미지뿐 아니라 실제 컨베이어 속도와 현장 조명 조건에서 반복 검사합니다.
9. 오검출·미검출 원인 분석
정상품을 불량으로 판정하거나 실제 불량을 놓친 사례를 모아 원인이 데이터인지 촬영환경인지 판정기준인지 구분하고 보완합니다.
10. 관리자 검수·교육·납품
최종 판정 조건 이력관리 관리자 화면과 설비연동을 검수하고 계약 범위에 따라 매뉴얼과 관련 산출물을 정리합니다.
비용 차이가 가장 크게 발생하는 부분은 무엇인가요?
제품 불량 검출 구축 비용은 AI 프로그램만으로 결정되지 않습니다.
검사 제품의 종류와 검사 항목 수 카메라 대수 필요한 해상도와 렌즈·조명 생산라인 개수 제품 이동 속도에 따라 장비와 개발 범위가 달라집니다.
특히 다음 조건이 견적에 영향을 줄 수 있습니다.
검사 대상 제품 수
불량 종류와 판정 난이도
최소 검출 결함 크기
필요한 카메라 수
렌즈·조명·트리거 장비
정상·불량 데이터 확보 상태
생산라인 속도
PLC·MES 연동 범위
불량 자동 배출 여부
검사 이미지 저장 여부
관리자·통계 기능
현장 설치 및 실증 범위
향후 제품 종류 확대 가능성
따라서 제품 사진만 보고 고정 견적을 정하기보다 실제 샘플과 생산조건을 함께 확인하는 것이 적절합니다.
검수할 때는 ‘샘플 몇 장을 맞혔는가’만 보면 안 됩니다
검수에서는 현장에서 실제로 발생할 수 있는 조건을 반영해야 합니다.
정상 제품의 작은 색상 편차를 불량으로 오인하지 않는지 동일 불량을 반복적으로 검출하는지 제품 위치가 조금 달라졌을 때도 판정이 유지되는지 등을 확인해야 합니다.
생산라인에서는 다음 항목을 중심으로 검토할 수 있습니다.
과업지시서의 검사 항목 누락 여부
합격·불합격 판정 기준
불량 유형별 검출 결과
정상제품의 오검출
실제 불량의 미검출
제품 위치와 방향 변화
생산속도 변화
조명 밝기 변화
카메라 촬영 누락
설비 정지·재가동 후 동작
PLC·MES 연동 결과
검사 데이터와 통계 기준
장애 또는 오류 발생 시 처리
관리자 기능과 사용자 권한
계약 내용에 따라 요구사항 정의서 기능 명세서 화면설계서 개발 결과물 테스트 결과서 사용자·관리자 매뉴얼 교육자료 완료보고서와 계약 범위에 따른 소스코드 등이 산출물에 포함될 수 있습니다.
개발 일정이 예상보다 달라지는 이유
제품 불량 검출 프로젝트에서는 프로그램 개발 외에도 현장 조건이 일정에 영향을 줍니다.
불량 샘플이 충분히 확보되지 않거나 검사 기준이 개발 도중 변경되면 데이터를 다시 구성해야 할 수 있습니다.
생산라인을 멈출 수 있는 시간이 제한적이라면 장비 설치와 테스트 일정도 공장 운영계획에 맞춰야 합니다.
또한 PLC·MES 연동 규격 확인이 늦어지거나 신규 카메라·조명 장비의 설치 조건이 변경되면 전체 일정이 조정될 수 있습니다.
따라서 개발 시작 전에 데이터 확보 일정 장비 설치일 생산라인 실증 가능 시간과 담당 부서의 검수 일정을 함께 정리하는 것이 좋습니다.
제품 불량 검출 업체를 선정할 때 확인할 기준
제품 불량 검출 전문 개발 업체를 비교할 때는 AI 모델만 제시하는지보다 제품이 실제로 어떻게 촬영되고 검사될 것인지까지 설명하는지 확인해야 합니다.
특히 다음 부분을 비교하는 것이 좋습니다.
불량 판정 기준부터 확인하는가
최소 검출 크기와 촬영 가능성을 검토하는가
제품 재질과 반사 특성을 확인하는가
카메라·렌즈·조명 조건을 함께 설계하는가
정상·불량 데이터 확보 방법을 설명하는가
생산속도에서 실제 검증하는가
오검출과 미검출을 구분해 관리하는가
PLC·MES 등 기존 설비 연동 범위를 확인하는가
검사 이력과 관리자 기능까지 고려하는가
단계별 시연과 수정이력 관리가 가능한가
유지보수와 향후 품목 추가 범위가 명확한가
계약 산출물과 소유권 범위를 설명하는가
공공기관이나 연구·실증 사업이라면 과업지시서 요구사항과 실제 개발 결과를 연결해 관리할 수 있는지도 확인할 필요가 있습니다.
2026년 도입이라면 차년도 제품과 데이터까지 고려하는 것이 좋습니다
2026년에 초기 자동검사 시스템을 구축하더라도 현재 생산품 한 종류만 보는 것보다 향후 품목 추가 가능성을 함께 검토하는 것이 좋습니다.
신제품의 크기 색상 재질이 달라지면 기존 모델과 광학환경을 그대로 사용할 수 없는 경우가 있기 때문입니다.
2027년도 준비 단계에서는 차년도 추가 검사 품목 예상 불량 유형 필요한 데이터 확보기간 카메라·조명 추가 비용 PLC·MES 고도화 유지관리와 현장 재학습 범위를 미리 정리하면 후속 예산을 현실적으로 편성하는 데 도움이 됩니다.
웰리더메오는 개발과 사업 운영 과정을 함께 정리합니다
웰리더메오는 공공전문 여성기업으로 과업지시서를 기준으로 요구사항을 기능 단위로 정리하고 개발 중 단계별 검수와 수정이력을 관리하는 방식으로 협업합니다.
표준 문서 대응 · 납기 준수율 100%
제품 불량 검출 사업에서도 AI 검사 프로그램만 필요한 경우가 있는 반면 관리자 화면 디자인 결과보고용 시각자료 시스템 홍보영상 사업 성과 콘텐츠 등이 함께 필요한 경우도 있습니다.
사업 범위에 따라 기획·디자인·영상·마케팅·행사·AI 개발·SNS 및 소셜 콘텐츠를 하나의 일정 안에서 협의할 수 있어 여러 수행업체가 연결되는 프로젝트에서도 전체 방향을 맞춰 진행할 수 있습니다.
제품과 불량 샘플이 있다면 구축 가능성부터 검토할 수 있습니다
과업지시서가 있다면 보내주시면 사업 목적과 검사 항목을 기준으로 필요한 개발 범위를 검토할 수 있습니다.
아직 RFP가 정리되지 않았다면 실제 제품 사진이나 동영상 정상·불량 샘플 생산라인 영상만으로도 초기 검토를 시작할 수 있습니다.
상담 과정에서는 어떤 제품을 검사하는지 어떤 상태를 불량으로 판단하는지 생산속도와 운영환경은 어떤지 보유 데이터와 기존 설비는 무엇인지 예상 예산과 희망 일정은 어떻게 되는지를 확인합니다.
이를 바탕으로 촬영환경 데이터 확보 AI 판정 설비연동과 관리자 기능의 범위를 구체화하고 구축 방향을 제안합니다.
단기 납품으로 종료하기보다 생산품 변경 새로운 불량 유형 공정 변화에 따라 검사 시스템을 지속적으로 개선할 수 있는 장기적인 운영 관계를 지향합니다.
"