비전검사 심화편 2편 - Deep Learning Segmentation 완벽 가이드 | AI가 불량을 픽셀 단위로 찾는 방법

기존 머신비전에서는 불량을 검출하기 위해 Blob 분석, Threshold, Edge Detection과 같은 Rule-Based 알고리즘을 주로 사용했습니다.

하지만 실제 생산 현장에서는 조명 변화, 제품 편차, 미세한 스크래치, 얼룩, 크랙(Crack)과 같은 다양한 변수 때문에 기존 방식만으로는 안정적인 검사가 어려운 경우가 많습니다.

이러한 문제를 해결하기 위해 최근에는 Deep Learning Segmentation 기술이 적극적으로 활용되고 있습니다.

Segmentation은 단순히 불량의 유무를 판단하는 것이 아니라 불량의 위치와 형태를 픽셀(Pixel) 단위로 찾아내는 AI 기술​입니다.

이번 글에서는 Deep Learning Segmentation의 원리부터 실제 산업 적용 사례, 실패 사례, 구축 시 고려사항까지 자세히 알아보겠습니다.

Deep Learning Segmentation이란?

Segmentation은 이미지 속 객체를 픽셀 단위로 구분하는 기술입니다.

예를 들어 금속 제품에 스크래치가 발생했다면 단순히 "불량"이라고 판단하는 것이 아니라,

• 스크래치 위치
• 길이
• 넓이
• 형태

까지 정확하게 분석할 수 있습니다.

즉, Detection이 사각형(Box)으로 불량을 표시한다면 Segmentation은 실제 불량 영역을 그대로 표시합니다.

Classification, Detection, Segmentation 차이

기술	결과	활용 분야
Classification	정상 / 불량 판별	제품 분류
Object Detection	불량 위치(Box)	부품 검출
Segmentation	픽셀 단위 불량 검출	스크래치, 크랙, 오염 검사

Segmentation은 가장 정밀한 비전 AI 기술 중 하나로 평가받고 있습니다.

Semantic Segmentation

Semantic Segmentation은 동일한 종류의 객체를 하나의 클래스로 인식합니다.

예를 들어 금속 표면에 여러 개의 스크래치가 있다면 모든 스크래치를 하나의 "스크래치" 클래스로 분류합니다.

주요 특징은 다음과 같습니다.

• 동일 클래스 통합
• 빠른 처리 속도
• 대면적 불량 검사에 적합

대표 모델

• U-Net
• DeepLabV3+
• FCN
• SegNet

Instance Segmentation

Instance Segmentation은 같은 종류의 불량이라도 각각을 개별 객체로 구분합니다.

예를 들어 스크래치가 5개 있다면 각각을 별도의 객체로 인식합니다.

대표 모델

• Mask R-CNN
• YOLACT
• SOLO
• Detectron2 기반 모델

주로 불량 개수까지 관리해야 하는 검사에 사용됩니다.

Deep Learning Segmentation 동작 과정

1. 이미지 입력

카메라에서 제품 이미지를 획득합니다.

2. Annotation

불량 영역을 픽셀 단위로 직접 표시(Labeling)합니다.

이 과정은 모델 성능을 결정하는 가장 중요한 단계입니다.

3. AI 학습

수천 장 이상의 데이터를 이용하여

• 정상 패턴
• 불량 패턴
• 표면 특징

을 학습합니다.

4. 추론(Inference)

새로운 이미지가 입력되면 AI가 불량 위치를 실시간으로 예측합니다.

학습 데이터 구축 방법

Segmentation 모델은 Annotation 품질이 성능을 좌우합니다.

다음과 같은 데이터를 준비하는 것이 좋습니다.

• 정상 제품
• 스크래치
• Crack
• Burr
• 찍힘
• 오염
• 변색
• 이물질
• 코팅 불량
• 도장 불량

또한 다음과 같은 Data Augmentation을 적용하면 성능 향상에 도움이 됩니다.

• Rotation
• Flip
• Blur
• Brightness
• Contrast
• Noise
• Perspective
• Random Crop

실제 산업 적용 사례

자동차 산업

• 용접 불량
• 도장 불량
• 스크래치 검사
• 차체 Crack 검사

배터리 산업

• 전극 코팅 검사
• 분리막 손상
• 전극 Burr 검출

반도체 산업

• Wafer Surface 검사
• Scratch Detection
• Particle 검출

디스플레이 산업

• OLED 불량
• 먼지
• 이물질
• 미세 Crack

식품 산업

• 이물질 검출
• 포장 파손
• 인쇄 불량

Deep Learning Segmentation의 장점

• 픽셀 단위의 높은 정밀도
• 미세 불량 검출 가능
• 다양한 형태의 불량 대응
• 복잡한 배경에서도 높은 성능
• 지속적인 성능 향상 가능

단점

• Annotation 작업 시간이 오래 걸림
• GPU 자원 필요
• 학습 데이터 확보 비용 증가
• 학습 시간이 길어질 수 있음

실제 실패 사례

사례 1. Annotation 오류

한 제조업체는 여러 작업자가 동시에 라벨링을 진행하면서 기준이 서로 달랐습니다.

같은 스크래치도 작업자마다 표시 범위가 달라 AI가 혼란을 겪었고, 실제 검사 정확도는 기대보다 크게 낮았습니다.

해결 방법

• 라벨링 기준 문서 작성
• 작업자 교육
• Annotation 검수 절차 운영

사례 2. 정상 데이터만 충분했던 프로젝트

정상 제품 이미지는 많았지만 불량 데이터가 매우 부족했습니다.

모델은 정상 제품은 잘 인식했지만 실제 생산 중 발생한 새로운 불량은 대부분 놓쳤습니다.

해결 방법

• 다양한 불량 데이터 확보
• 실제 생산라인 데이터 지속 추가
• 데이터 증강 기법 활용

사례 3. 조명 환경 변화

주간과 야간의 조명 밝기가 달라지면서 동일한 제품도 다른 색상으로 촬영되었습니다.

결과적으로 AI는 새로운 환경을 불량으로 오인식했습니다.

해결 방법

• 조명 고정
• 카메라 노출 자동 보정 최소화
• 다양한 조명 조건으로 재학습

구축 시 고려사항

Segmentation 프로젝트를 성공시키기 위해서는 다음 항목을 반드시 검토해야 합니다.

• 카메라 해상도
• 조명 설계
• 렌즈 왜곡
• Annotation 품질
• GPU 성능
• 학습 데이터 다양성
• 검사 속도(Tact Time)
• MES 및 PLC 연동
• 모델 재학습 계획

자주 묻는 질문(Q&A)

Q1. Object Detection보다 Segmentation이 항상 좋은가요?

아닙니다.

불량 위치만 확인하면 되는 경우에는 Object Detection이 더 빠르고 효율적입니다. 미세한 형상이나 면적 분석이 필요한 경우에는 Segmentation이 적합합니다.

Q2. Segmentation은 GPU가 반드시 필요한가요?

학습에는 GPU 사용이 권장됩니다.

실시간 검사에서는 GPU 또는 AI Edge Device를 사용하면 높은 처리 속도를 확보할 수 있습니다.

Q3. 불량 데이터가 적어도 학습할 수 있나요?

가능하지만 성능은 제한될 수 있습니다.

Data Augmentation이나 합성 데이터(Synthetic Data)를 활용하면 부족한 데이터를 보완할 수 있습니다.

Q4. Annotation은 얼마나 중요한가요?

Segmentation 프로젝트에서 가장 중요한 요소입니다.

잘못된 Annotation은 아무리 좋은 AI 모델을 사용해도 정확도를 크게 떨어뜨릴 수 있습니다.

Q5. 기존 머신비전과 함께 사용할 수 있나요?

물론 가능합니다.

실제 산업 현장에서는 Rule-Based Vision과 Deep Learning Segmentation을 함께 사용하는 하이브리드 검사 방식이 가장 많이 적용되고 있습니다.

마무리

Deep Learning Segmentation은 단순히 불량의 존재 여부를 판단하는 수준을 넘어, 불량의 위치와 형태를 픽셀 단위로 분석하는 고정밀 AI 비전검사 기술입니다.

특히 스크래치, 크랙, 오염, 도장 불량, 코팅 불량처럼 형태가 일정하지 않은 결함에서는 기존 Rule-Based 방식보다 훨씬 뛰어난 성능을 기대할 수 있습니다.

다만 성공적인 프로젝트를 위해서는 고품질 Annotation, 다양한 학습 데이터, 안정적인 조명 환경, 적절한 GPU 성능​이 함께 뒷받침되어야 합니다.

다음 편에서는 3D Vision을 주제로 높이(Height), 부피(Volume), 단차(Step), 형상(Shape)을 정밀하게 측정하는 3차원 비전검사 기술과 실제 산업 적용 사례를 자세히 살펴보겠습니다.