아침에 온 클레임: 규칙 기반 검사가 무너지는 자리

아침에 온 클레임

아래 장면은 특정 회사의 사례가 아니라, 외관검사 라인에서 되풀이되는 상황을 모아 구성한 것이다. 이 주차에서 회사 이름이나 성과 수치를 인용하려면 반드시 출처와 측정 조건을 함께 확인하라.

야간조가 넘긴 로트에서 클레임이 왔다. 검사는 전수로 돌았고 기록에도 전부 OK 로 남아 있는데, 고객사 입고 검사에서 표면 흠이 잡혔다. 라인에 가 보면 답은 대개 같은 자리에 있다. 낮과 밤의 조명이 다르고, 임계값은 낮에 맞춰 놓았다.

기존 방식: 규칙 기반 검사

[규칙 기반 외관검사 시스템]

카메라 촬영 → 이미지 획득
    ↓
규칙 엔진 적용
    ├── 밝기 임계값: pixel > 200 → 불량
    ├── 크기 필터: area > 50px → 불량
    └── 위치 규칙: edge 근처 → 무시
    ↓
판정: OK / NG

이 방식이 무너지는 자리는 정해져 있다.

조명이 바뀌면 임계값이 따라가지 못한다. 오전에 맞춘 값이 오후에 과검을 낸다.
규칙에 없는 새 불량 유형은 통과한다. 규칙은 사람이 본 것만 담는다.
제품이 바뀌면 규칙을 처음부터 다시 세워야 한다.

과검이 늘면 정상품을 버리는 비용이 생기고, 미검이 늘면 고객사에서 잡힌다. 둘 다 돈이지만 성격이 다르다. 얼마나 다른지는 라인마다 다르므로, 남의 수치를 옮겨 적는 대신 우리 라인의 값을 재는 것이 이 주차의 출발점이다.

AI 기반 검사가 바꾸는 것

[AI 기반 외관검사 시스템]

카메라 촬영 → 이미지 획득
    ↓
전처리 (노이즈 제거, 정규화)
    ↓
CNN 모델 추론
    ├── 분류: 정상 / 스크래치 / 파티클 / 크랙
    ├── 위치: 불량 영역 바운딩 박스
    └── 클래스별 확률
    ↓
판정 + 근거 시각화 (GradCAM)

바뀌는 것은 판정 규칙을 사람이 쓰지 않고 데이터에서 얻는다는 점이다. 그래서 조명이나 표면 상태가 조금씩 달라져도 형태를 보고 판정할 수 있고, 새 불량은 규칙을 고치는 대신 그 이미지를 모아 다시 학습시킨다.

바뀌지 않는 것도 분명히 해 두자. 데이터에 없는 불량은 여전히 못 잡고, 조명이 데이터를 모을 때와 달라지면 성능이 떨어진다. 그래서 Day 1 이 조명과 카메라 이야기다.

이 숫자들을 어디서 얻을 것인가

비전 AI 도입 성과로 떠도는 수치("과검 90% 감소", "검사 시간 80% 단축")는 대부분 어떤 제품에서 무엇을 기준으로 잰 값인지 밝히지 않는다. 회사 이름이 붙어 있어도 마찬가지다. 사내 보고서에 그대로 옮기면 근거를 댈 수 없다.

대신 이 주차가 끝날 때 우리 라인에서 직접 잴 것을 미리 정해 둔다.

재는 것	어떻게	언제
현재 과검율	불량 판정 중 재검에서 양품으로 뒤집힌 비율	도입 전 기준선
현재 미검율	고객 클레임·후공정 발견 건수 ÷ 출하 수량	도입 전 기준선
검사 1건 처리 시간	촬영부터 판정까지, 같은 하드웨어에서	도입 전후 같은 조건
판정 일치도	검사원 판정과 모델 판정이 갈린 비율	Day 4 임계값 결정에 쓴다

이번 주에 우리는

OpenCV 로 이미지를 다루고
CNN 으로 불량을 분류하고
YOLO 로 불량 위치를 찾고
이상 탐지로 학습 때 못 본 결함을 다루고
이 모든 것을 합쳐 검사 시스템을 만든다.