[Hawk⦁AI] 제조업 표면 결함 검사, 어디까지 왔고 어디로 가고 있을까?
작성일
2026-02-20 07:26
조회
54
1. 왜 아직도 ’표면 결함 검사’가 문제일까?
제조 현장에서 표면 결함 검사는 여전히 골칫거리입니다. 스크래치, 찍힘, 오염, 미세 크랙과 같은 결함은 제품 품질을 좌우하지만, 사람의 눈에 의존하거나 단순 규칙 기반 검사로는 한계가 분명합니다. 특히 생산 속도가 빨라질수록 검사 정확도와 속도를 동시에 만족시키는 것은 더욱 어려워집니다.이 글에서는 최근 발표된 산업 제품 표면 결함 검출 기술 동향 리뷰 논문을 바탕으로, 제조업 종사자 관점에서 현재 기술 수준과 실무적으로 어떤 선택지가 있는지 정리해 보겠습니다.
2. 과거부터 사용해온 방식: 전통적인 머신비전
AI가 등장하기 전, 대부분의 검사기는 머신비전 알고리즘을 사용했습니다.- 표면 무늬를 분석하는 텍스처 기반 방법
- 색상 차이를 이용하는 컬러 기반 방법
- 긁힘, 선형 결함을 찾는 형상 기반 방법
즉, ’잘 세팅된 환경’에서는 강하지만, 현장 변화에는 약한 기술이라고 볼 수 있습니다.
3. 최근 대세: 딥러닝 기반 표면 결함 검사
딥러닝 기반 검사는 크게 세 가지로 나뉩니다.3-1. 지도학습 기반 검사
- 불량/정상 이미지를 사람이 직접 라벨링
- 결함 위치와 종류를 정확히 검출 가능
- 단점: 라벨링 비용과 시간이 큼
3-2. 비지도학습 기반 검사
- 정상 이미지만 학습
- 정상과 다른 패턴을 ’이상’으로 판단
- 단점: 모든 불량을 완벽히 설명하기는 어려움
3-3. 약지도학습 기반 검사
- 이미지 단위의 간단한 정보만 활용
- 라벨 부담을 줄이면서도 실용적인 성능
4. 현장에서 가장 많이 부딪히는 4가지 문제
논문에서는 제조업에서 공통적으로 나타나는 문제를 명확히 짚고 있습니다.4-1. 실시간성 문제
- 생산 속도를 따라가지 못하면 검사 무의미
- 해결 방향: 경량 AI 모델, GPU/FPGA 활용
4-2. 불량 데이터가 너무 적다
- 공정이 안정될수록 불량은 줄어듦
- 해결 방향: 데이터 증강, 비지도 학습
4-3. 결함이 너무 작다
- 육안으로도 보기 힘든 미세 결함
- 해결 방향: 다중 해상도 분석, 특징 결합
4-4. 데이터 불균형
- 정상 데이터 95%, 불량 5% 이하
- 해결 방향: 이상 탐지 문제로 재정의
5. 실무자가 얻을 수 있는 시사점
이 리뷰 논문이 주는 가장 큰 메시지는 단순합니다.- 모든 공정에 ’정답 AI 모델’은 없다
- 데이터 상황과 공정 특성에 맞는 접근이 중요
- 경우에 따라 전통 머신비전 + AI 혼합 전략이 가장 현실적
6. 마무리
표면 결함 검사는 단순히 카메라와 AI를 붙인다고 해결되지 않습니다. 공정 이해, 광학 조건, 데이터 특성, 그리고 기술 선택이 함께 맞물려야 합니다.이번 글이 AI는 잘 모르지만, 품질과 생산성 개선에 관심 있는 제조업 종사자분들께 작은 방향성이 되었기를 바랍니다.
출처
- Chen et al., Surface Defect Detection Methods for Industrial Products: A Review, Applied Sciences, 2021