[비전검사 시리즈 21편] YOLO를 이용한 비전검사 구축 방법 | 초보자부터 실무까지 완벽 가이드

YOLO를 이용한 비전검사 구축 방법

최근 제조업에서 가장 많이 사용하는 AI 기술 중 하나가 바로 YOLO(You Only Look Once) 입니다.

예전에는 비전검사가 Rule Base(OpenCV) 방식이 대부분이었다면 현재는

• PCB 검사
• 자동차 부품 검사
• 식품 검사
• 반도체 검사
• 포장 검사

등 대부분의 분야에서 YOLO 기반 AI 검사를 도입하고 있습니다.

이번 글에서는 실제 산업현장에서 사용하는 YOLO 비전검사 구축 방법을 처음부터 순서대로 알아보겠습니다.

YOLO란 무엇인가?

YOLO는 이미지 안에서 물체를 한 번에(Object Detection) 찾아내는 AI 알고리즘입니다.

기존 방식은 물체를 찾는다 → 분류한다

2단계였다면, YOLO는 찾기 + 분류를 동시에 수행합니다.

그래서 매우 빠르며 실시간 검사에 적합합니다.

예를 들어 제품 하나를 촬영하면 AI가

• 제품 위치
• 제품 종류
• 불량 위치

까지 동시에 찾아냅니다.

왜 비전검사에서 YOLO를 사용할까?

기존 OpenCV는

• 색상
• 밝기
• Edge
• Blob

등 규칙을 사람이 만들어야 했습니다.

하지만 실제 공장에서는 조명이 조금 바뀌고

• 제품 방향이 달라지고
• 위치가 조금 이동하면

검사 정확도가 떨어질 수 있습니다.

YOLO는 AI가 스스로 특징을 학습하기 때문에 환경 변화에도 비교적 강한 성능을 보여줍니다.

YOLO가 가장 잘하는 검사

YOLO는 다음과 같은 검사에 매우 적합합니다.

① 제품 유무 검사

예)

• 볼트 있음
• 스티커 있음
• 라벨 있음

② 위치 검사

예)

커넥터가 정상 위치에 있는지

③ 이물질 검사

예)

• 먼지
• 오염
• 스크래치

④ 부품 누락 검사

예)

PCB 위

• IC
• Capacitor
• Connector

누락 검사

⑤ 불량 위치 표시

YOLO는

불량을 박스로 표시해주기 때문에

작업자가 바로 확인 가능합니다.

YOLO 구축 순서

실무에서는 대부분 아래 순서대로 진행합니다.

제품 선정
 ↓
카메라 설치
 ↓
이미지 촬영
 ↓
데이터 정리
 ↓
라벨링
 ↓
AI 학습
 ↓
성능 평가
 ↓
검사 프로그램 연동
 ↓
현장 테스트
 ↓
양산 적용

 

이 순서만 이해해도 AI 비전검사의 전체 흐름을 파악할 수 있습니다.

1. 카메라 선택

가장 먼저 해야 하는 것은 카메라입니다.

보통 Area Camera,Line Scan Camera중 선택합니다.

대부분의 제조업에서는 Area Camera를 많이 사용합니다.

고려 사항

• 해상도
• FPS
• 셔터 방식
• 인터페이스(GigE, USB3)

2. 조명 선택

AI 성능은 조명이 절반 이상을 결정합니다.

좋은 조명이란

• 그림자가 적고
• 반사가 적고
• 항상 일정한 밝기

를 유지하는 것입니다.

조명이 흔들리면 AI도 성능이 떨어질 수 있습니다.

3. 이미지 수집

가장 중요한 단계입니다.

좋은 데이터가 좋은 AI를 만듭니다.

추천 수량

• 정상 이미지 : 1,000장 이상
• 불량 이미지 : 500장 이상

가능하면

다양한 환경에서 촬영하는 것이 좋습니다.

예)

• 밝기 변화
• 방향 변화
• 위치 변화
• 회전
• 거리 변화

4. 라벨링(Labeling)

YOLO는 이미지마다 정답을 알려줘야 합니다.

예를 들어

Bolt
Connector
Scratch
NG
OK

 

등의 클래스를 지정합니다.

그리고 각각의 위치를 박스로 표시합니다.

5. AI 학습

이제 데이터를 이용해 학습합니다.

대표적으로 사용하는 버전은

• YOLOv8
• YOLOv9
• YOLOv10
• YOLOv11

학습 시 조절하는 대표 옵션

• Epoch
• Batch Size
• Image Size
• Learning Rate

6. 성능 확인

학습이 끝났다고 바로 사용하면 안 됩니다.

반드시 성능을 확인해야 합니다.

대표 평가 항목

• Precision
• Recall
• mAP
• F1 Score

이 수치들을 통해 모델이 얼마나 정확한지 확인합니다.

7. 검사 프로그램 연동

학습이 완료되면

현장 프로그램과 연결합니다.

보통

Camera
 ↓
YOLO
 ↓
결과 출력
 ↓
PLC
 ↓
NG 배출

 

이와 같은 구조를 사용합니다.

실제로는OpenCV와 함께 사용하는 경우가 가장 많습니다.

예를 들어

• 위치 보정(OpenCV)
• AI 검사(YOLO)
• 치수 측정(OpenCV)

처럼 역할을 분리하면 더욱 안정적인 시스템을 구축할 수 있습니다.

실제 구축 사례

예를 들어 PCB 검사에서는

1. 카메라 촬영
2. OpenCV Alignment
3. YOLO 검사
4. 불량 위치 표시
5. PLC 전송
6. MES 저장

순으로 동작합니다.

이 구조는 현재 많은 제조업체에서 사용되는 일반적인 AI 비전검사 방식입니다.

YOLO의 장점

✔ 높은 정확도

✔ 빠른 검사 속도

✔ 실시간 검사 가능

✔ 다양한 제품 적용 가능

✔ 유지보수가 쉬움

✔ 새로운 제품 추가가 간단함

YOLO의 단점

반대로 다음과 같은 한계도 있습니다.

• 데이터가 부족하면 성능이 낮아집니다.
• 라벨링 품질이 매우 중요합니다.
• 치수 측정은 OpenCV가 더 유리한 경우가 많습니다.
• 조명이 불안정하면 성능이 저하될 수 있습니다.

OpenCV와 함께 사용하는 이유

실제 산업 현장에서는 YOLO만 사용하는 경우보다 OpenCV와 함께 사용하는 경우가 훨씬 많습니다.

대표적인 역할 분담은 다음과 같습니다.

OpenCV	YOLO
위치 보정(Alignment)	제품 검출
ROI 설정	불량 검출
치수 측정	부품 인식
Edge 검사	객체 분류
좌표 계산	결함 위치 탐지

즉,OpenCV는 정밀한 측정과 영상 전처리를 담당하고,YOLO는 객체 검출과 불량 판정을 담당하는 것이 가장 효율적인 조합입니다.

구축 시 가장 많이 하는 실수

처음 AI 비전검사를 구축할 때 자주 발생하는 실수는 다음과 같습니다.

• 이미지 수가 너무 적다.
• 조명이 일정하지 않다.
• 정상 데이터만 많이 수집했다.
• 라벨링 기준이 사람마다 다르다.
• 학습 결과를 충분히 검증하지 않고 현장에 적용한다.
• 카메라 해상도를 제품 크기에 맞추지 않았다.

이러한 문제를 미리 점검하면 개발 기간을 크게 줄일 수 있습니다.

실무에서 많이 발생하는 YOLO 비전검사 실패 사례

YOLO 기반 AI 비전검사는 기존 Rule Base 방식보다 다양한 환경 변화에 대응할 수 있지만, 데이터 품질·카메라 환경·현장 조건을 제대로 관리하지 않으면 예상보다 낮은 검사 성능이 발생할 수 있습니다.

실제 제조 현장에서 자주 발생하는 실패 사례는 다음과 같습니다.

1. 학습 데이터가 부족하여 불량을 검출하지 못하는 경우

발생 원인

YOLO는 학습한 데이터의 특징을 기반으로 판단합니다.

하지만 정상 제품 이미지만 많고 불량 데이터가 부족하면 AI는 불량의 특징을 충분히 학습하지 못합니다.

예)

학습 데이터:

• 정상 PCB 5,000장
• 스크래치 불량 20장

결과:

• 정상 제품 검출 → 매우 우수
• 스크래치 불량 검출 → 낮은 정확도

문제 현상

• 실제 불량인데 OK 판정
• 새로운 형태의 불량 미검출
• 특정 위치의 불량만 검출

개선 방법

✔ 불량 유형별 데이터 확보
✔ 다양한 각도와 위치의 이미지 추가
✔ 불량 발생 조건을 의도적으로 촬영
✔ 데이터 증강(Augmentation) 활용

2. 라벨링 기준이 일정하지 않아 학습 성능이 떨어지는 경우

발생 원인

YOLO 학습에서 라벨(Label)은 정답 데이터입니다.

하지만 작업자마다 박스 위치 기준이 다르면 AI가 혼란을 느낄 수 있습니다.

예)

작업자 A:

스크래치 전체 영역 표시

 

작업자 B:

스크래치 중심 부분만 표시

 

결과:

같은 불량인데 위치 정보가 서로 다르게 학습됨

문제 현상

• Bounding Box 위치 오차 증가
• Confidence Score 감소
• 불량 위치 표시 불안정

개선 방법

✔ 라벨링 기준 문서 작성
✔ 동일한 기준으로 재교육
✔ 샘플 검토 과정 운영
✔ 애매한 불량 기준 정리

3. 정상 이미지 위주 학습으로 인해 False Positive 발생

발생 원인

불량 데이터만 추가하는 것이 아니라 정상 제품의 다양한 변형도 학습해야 합니다.

예)

정상 제품:

• 약간의 위치 이동
• 조명 변화
• 미세한 색상 차이
• 표면 반사

이러한 데이터를 충분히 학습하지 않으면 AI는 정상 상태를 불량으로 판단할 수 있습니다.

문제 현상

• 정상 제품 NG 판정 증가
• 생산라인 정지 증가
• 작업자 재확인 증가

개선 방법

✔ 정상 데이터도 다양한 조건 확보
✔ 실제 양산 환경 이미지 사용
✔ Confidence Threshold 조정

4. 조명 변화로 인해 AI 성능이 저하되는 경우

발생 원인

AI가 기존 방식보다 조명 변화에 강하다고 해도, 극심한 영상 변화까지 자동으로 해결하지는 못합니다.

예)

학습 환경:

• 밝은 LED 조명
• 고정 위치

현장 환경:

• LED 노후
• 주변 광 변화
• 반사 발생

결과:

AI 입력 이미지가 학습 이미지와 달라짐

문제 현상

• Detection Score 감소
• 검출 누락
• 다른 객체로 오인식

개선 방법

✔ 조명 조건 고정
✔ Dome Light / Diffuse Light 적용
✔ Camera Exposure 고정
✔ 현장 환경과 동일한 데이터로 학습

5. 카메라 해상도가 부족하여 작은 불량을 찾지 못하는 경우

발생 원인

YOLO는 이미지 안의 특징을 기반으로 판단합니다.

하지만 불량 크기가 너무 작으면 AI가 학습할 정보가 부족합니다.

예)

제품 크기:

100mm

불량 크기:

0.05mm Scratch

카메라:

640×480 Pixel

결과:

스크래치가 몇 픽셀로 표현되어 검출 불가능

문제 현상

• 작은 결함 미검출
• 위치 표시 부정확
• Confidence 감소

개선 방법

✔ 고해상도 카메라 사용
✔ 관심 영역 확대 촬영
✔ Macro Lens 적용
✔ 필요 시 Segmentation 방식 검토

6. 학습 데이터와 실제 생산 제품 조건이 다른 경우

발생 원인

실험실에서 만든 데이터와 실제 생산라인 데이터가 다르면 성능이 급격히 떨어질 수 있습니다.

예)

학습:

• 깨끗한 제품
• 정면 촬영

현장:

• 먼지 발생
• 제품 기울어짐
• 다양한 위치

문제 현상

테스트에서는 95% 이상 정확도

현장에서는 80% 이하 성능

개선 방법

✔ 실제 양산 환경에서 이미지 확보
✔ Camera 위치 동일하게 구성
✔ 생산 조건을 포함한 데이터 추가 학습

7. Confidence Threshold 설정 실패

발생 원인

YOLO 결과는 Confidence Score로 판단합니다.

예)

기준값:

0.9 이상 → OK

하지만 실제 결과:

정상 제품 Score 0.85

이라면 정상인데 NG 처리될 수 있습니다.

반대로 기준값이 너무 낮으면 불량이 통과할 수 있습니다.

문제 현상

Threshold 높음:

• 미검출 증가

Threshold 낮음:

• 오검출 증가

개선 방법

✔ Precision / Recall 분석
✔ 현장 데이터 기준 Threshold 설정
✔ 불량 비용과 생산 속도 고려

8. YOLO만으로 치수 검사를 수행하려는 경우

발생 원인

YOLO는 객체 위치와 종류를 찾는 기술입니다.

하지만 정밀 치수 측정에는 한계가 있습니다.

예)

요구 사항:

• ±0.01mm 측정

YOLO 결과:

• Bounding Box 위치

이 경우 정확한 측정이 어렵습니다.

개선 방법

역할을 분리하는 것이 좋습니다.

검사 목적	추천 기술
제품 위치 찾기	YOLO
불량 검출	YOLO
치수 측정	OpenCV Edge
원형도 검사	Contour
좌표 보정	Pattern Matching

9. 학습 완료 후 바로 양산 적용하는 경우

발생 원인

AI 모델은 테스트 환경에서는 좋아 보여도 실제 생산 환경에서는 문제가 발생할 수 있습니다.

문제 현상

• 특정 LOT에서 성능 저하
• 특정 시간대 오검출 증가
• 신규 제품 대응 실패

개선 방법

✔ Pilot 테스트 진행
✔ 실제 생산 데이터 추가 수집
✔ 지속적인 재학습 수행
✔ 모델 버전 관리

YOLO 비전검사 실패 방지 체크리스트

적용 전 다음 항목을 반드시 확인해야 합니다.

☑ 충분한 정상/불량 데이터 확보
☑ 라벨링 기준 통일
☑ 실제 생산 환경 데이터 포함
☑ 조명 조건 고정
☑ 카메라 해상도 검토
☑ Confidence Threshold 최적화
☑ OpenCV와 역할 분리
☑ 양산 전 장기 테스트 진행
☑ 데이터 업데이트 계획 수립

실무 노하우

많은 현장에서 YOLO 도입 후 기대한 성능이 나오지 않는 가장 큰 이유는 AI 알고리즘 문제가 아니라 데이터와 영상 환경 문제인 경우가 많습니다.

"좋은 모델을 선택하는 것"보다 더 중요한 것은 좋은 이미지를 확보하는 것입니다.

동일한 YOLO 모델이라도

• 조명이 안정된 이미지
• 정확한 라벨링
• 다양한 불량 데이터

를 사용하면 높은 성능을 얻을 수 있지만,

반대로

• 부족한 데이터
• 불규칙한 조명
• 잘못된 라벨

에서는 최신 모델도 좋은 결과를 내기 어렵습니다.

따라서 산업용 AI 비전검사는 YOLO 모델 선정 → 데이터 구축 → 광학 환경 최적화 → 현장 검증의 순서로 접근하는 것이 가장 안정적인 방법입니다.

자주 묻는 질문(FAQ)

Q1. YOLO는 초보자도 사용할 수 있나요?

네. 최근에는 학습 도구와 예제가 다양해져 Python과 기본적인 AI 개념만 익히면 입문할 수 있습니다.

Q2. YOLO만으로 모든 비전검사를 할 수 있나요?

아닙니다. 위치 보정, 치수 측정, 정밀 좌표 계산 등은 OpenCV와 함께 사용하는 것이 일반적입니다.

Q3. 학습용 이미지는 몇 장 정도 필요할까요?

마무리

YOLO는 현재 제조업 AI 비전검사의 핵심 기술로 자리 잡았습니다.

하지만 좋은 AI 모델은 알고리즘만으로 만들어지지 않습니다. 카메라 선정, 조명 설계, 데이터 수집, 라벨링 품질, 그리고 OpenCV와의 적절한 조합이 함께 이루어져야 높은 검사 정확도를 얻을 수 있습니다.

이번 글에서는 YOLO 기반 비전검사의 전체 구축 과정을 살펴보았습니다. 다음 편에서는 "Classification AI와 Object Detection의 차이"를 자세히 알아보며, 어떤 검사에 어떤 AI 방식을 선택해야 하는지 실무 관점에서 설명하겠습니다.