[비전검사 시리즈 24편] AI 학습 이미지 촬영 노하우: 정확한 검사 성능을 만드는 데이터 촬영 방법

AI 비전검사 성능은 이미지 품질에서 결정된다

최근 제조업에서는 스마트팩토리 구축과 자동화 품질 검사를 위해 AI 비전검사 시스템 도입이 빠르게 증가하고 있습니다.

많은 기업이 AI 검사 프로젝트를 시작할 때 가장 먼저 고민하는 부분은 다음과 같습니다.

"어떤 AI 모델을 사용해야 하는가?"

하지만 실제 현장에서 AI 비전검사의 성능을 결정하는 가장 중요한 요소는 AI 학습 이미지 품질입니다.

아무리 최신 딥러닝 모델이나 고성능 GPU를 사용하더라도 학습 이미지가 부족하거나 품질이 낮으면 원하는 검사 성능을 얻기 어렵습니다.

AI 비전검사 정확도를 높이기 위해서는:

• 정확한 이미지 촬영
• 다양한 데이터 확보
• 안정적인 조명 환경
• 올바른 라벨링

이 반드시 필요합니다.

이번 글에서는 제조 현장에서 활용할 수 있는 AI 학습 이미지 촬영 노하우를 자세히 알아보겠습니다.

1. AI 학습 이미지 촬영이 중요한 이유

AI는 사람이 직접 규칙을 입력하는 방식이 아니라 이미지 데이터를 기반으로 특징을 학습합니다.

예를 들어 금속 표면 스크래치 검사를 진행한다고 가정하면 AI는 다음과 같은 패턴을 학습합니다.

• 정상 표면의 특징
• 스크래치 형태
• 불량 위치
• 색상 변화
• 반사 패턴

따라서 학습 데이터가 실제 생산 환경과 다르면 현장에서 성능이 떨어질 수 있습니다.

잘못된 이미지 촬영 사례

X 개발실에서만 촬영한 깨끗한 이미지
X 동일한 위치에서만 촬영
X 특정 조명 조건만 사용
X 대표 불량 몇 개만 학습

이러한 데이터는 실제 생산라인에서 발생하는 다양한 변화를 반영하지 못합니다.

2. 좋은 AI 학습 이미지를 만드는 핵심 조건

① 실제 검사 환경에서 촬영해야 한다

AI 학습 이미지는 반드시 실제 생산 조건과 동일해야 합니다.

고려해야 할 요소:

• 실제 카메라 위치
• 실제 조명 조건
• 제품 이동 방식
• 생산 속도
• 작업 환경

개발 환경에서 좋은 결과가 나왔다고 해서 실제 라인에서도 동일한 성능이 나오는 것은 아닙니다.

② 정상과 불량 데이터를 균형 있게 확보해야 한다

AI 검사에서는 정상 데이터와 불량 데이터 모두 중요합니다.

예를 들어:

정상 이미지 20,000장,불량 이미지 50장으로 학습하면 AI는 정상 패턴 위주로 학습하게 됩니다.

결과:

• 불량을 정상으로 판단
• False OK 증가
• 품질 문제 발생

따라서 불량 유형별 데이터를 충분히 확보해야 합니다.

필요한 불량 데이터 예:

• 작은 불량
• 큰 불량
• 위치 변화 불량
• 형태 변화 불량
• 경계가 불명확한 불량

3. AI 학습 이미지 촬영 방법

1) 카메라 위치 고정

AI 비전검사에서 가장 중요한 것은 촬영 조건의 일관성입니다.

카메라 위치가 변경되면 제품 크기 변화,왜곡 발생,위치 기준 변화가 발생합니다

권장 방법:

● 카메라 브라켓 고정
●  진동 최소화
●  초점 고정
●  촬영 거리 유지

2) 초점과 해상도 최적화

AI는 이미지 속 작은 특징을 학습합니다.

따라서 검사 대상 크기에 맞는 해상도가 필요합니다.

예:

대형 외관 검사

• 중간 해상도
• 넓은 시야 확보

PCB 검사

• 높은 해상도
• 작은 패턴 표현 필요

반도체 검사

• 초고해상도
• 미세 결함 표현 필요

너무 낮은 해상도는 불량 정보를 손실시키고, 너무 높은 해상도는 검사 속도를 떨어뜨릴 수 있습니다.

4. AI 비전검사 카메라 선정 노하우

산업용 카메라가 필요한 이유

일반 카메라와 산업용 카메라의 가장 큰 차이는 안정성입니다.

산업용 카메라는:

• Trigger 제어 가능
• 일정한 촬영 가능
• 장시간 운영 가능
• 생산라인 연동 가능

이라는 장점이 있습니다.

카메라 선정 시 확인 항목

해상도

검출해야 하는 최소 불량 크기를 기준으로 결정해야 합니다.

Frame Rate

생산 속도에 맞는 촬영 속도가 필요합니다.

센서 크기

검사 영역과 렌즈 선택에 영향을 줍니다.

렌즈

검사 거리와 확대 배율에 따라 선택해야 합니다.

5. AI 검사 정확도를 높이는 조명 설정 방법

AI 비전검사 실패 원인 중 많은 부분은 조명 문제입니다.

같은 제품이라도 조명이 달라지면 이미지 특징이 완전히 변합니다.

조명 종류별 활용 방법

직접 조명

빛을 제품에 직접 조사하는 방식입니다.

적용:

• 제품 외관 검사
• 색상 검사
• 표면 검사

장점:

• 밝은 이미지 확보
• 설치 간단

단점:

• 반사 발생 가능

돔 조명

곡면 제품이나 반사가 심한 제품에 적합합니다.

활용:

• 자동차 부품
• 금속 제품
• 광택 제품

장점:

• 균일한 조명
• 반사 감소

백라이트 조명

제품 윤곽 검출에 사용됩니다.

활용:

• 치수 검사
• 형상 검사
• 위치 검사

6. 불량 이미지 확보 방법

AI 학습에서 가장 어려운 부분은 불량 데이터 확보입니다.

정상 제품은 쉽게 확보할 수 있지만 실제 불량은 발생 빈도가 낮기 때문입니다.

효율적인 방법:

방법 1. 실제 불량 수집

생산 과정에서 발생하는 불량을 별도로 저장합니다.

관리 항목:

• 발생 날짜
• 불량 유형
• 생산 조건
• 원인 분석

방법 2. 의도적 불량 제작

실제 발생 가능한 불량을 인위적으로 제작합니다.

예:

• 스크래치 생성
• 오염 발생
• 부품 위치 변경
• 표면 손상

방법 3. AI 운영 중 데이터 추가

AI 검사 운영 후 발생하는:

• False OK
• False NG

데이터를 지속적으로 추가 학습합니다.

7. AI 학습 이미지 촬영 실패 사례

실패 사례 1. 테스트 환경과 생산 환경 차이

상황

한 제조 업체는 개발실에서 AI 검사를 테스트했습니다.

결과:

정확도 97%

하지만 생산라인 적용 후:

• 오검 증가
• 불량 누락 증가

문제가 발생했습니다.

원인

촬영 환경 차이였습니다.

개발 환경:

• 깨끗한 제품
• 일정한 조명
• 고정 위치

생산 환경:

• 먼지 발생
• 제품 위치 변화
• 조명 변화

해결 방법

실제 생산 환경 이미지를 추가 확보하고 재학습을 진행했습니다.

실패 사례 2. 불량 데이터 부족

상황

정상 이미지 위주로 AI 학습 진행

결과:

정상 판단은 정확하지만 불량 검출 실패

원인

AI가 불량 특징을 충분히 학습하지 못함

해결 방법

불량 종류별 데이터 확보 및 지속 업데이트 진행

실패 사례 3. 조명 변경 후 AI 성능 저하

상황

생산라인 조명을 변경한 이후 검사 정확도가 감소

원인

AI가 기존 조명 패턴까지 학습했기 때문

해결 방법

• 조명 조건 유지
• 변경 시 추가 학습
• 다양한 조명 데이터 확보

8. AI 학습 이미지 촬영 체크리스트

촬영 환경

☑ 실제 생산라인 조건인가?
☑ 카메라 위치가 고정되어 있는가?
☑ 조명이 일정한가?

이미지 품질

☑ 초점이 정확한가?
☑ 불량 영역이 충분히 보이는가?
☑ 해상도가 적절한가?

데이터 구성

☑ 정상 데이터가 충분한가?
☑ 다양한 불량 데이터가 있는가?
☑ 생산 편차가 포함되어 있는가?

AI 학습 이미지 촬영 관련 Q&A

Q1. AI 학습 이미지는 몇 장이 필요한가요?

A.

검사 난이도에 따라 다릅니다.

일반 외관 검사는 수천 장 수준으로 시작할 수 있지만, 반도체·배터리 같은 정밀 검사는 더 많은 데이터가 필요합니다.

중요한 것은 이미지 개수보다 데이터 다양성입니다.

Q2. 좋은 카메라를 사용하면 AI 정확도가 올라가나요?

A.

카메라 성능만으로 결정되지 않습니다.

중요한 요소는 적절한 해상도,안정적인 조명,촬영 조건 유지입니다.

좋은 카메라도 잘못된 촬영 환경에서는 좋은 결과를 만들기 어렵습니다.

Q3. AI 학습 이미지는 계속 추가해야 하나요?

A.

네.

생산 환경에서는 새로운 불량이 계속 발생할 수 있기 때문에 지속적인 데이터 업데이트가 필요합니다.

Q4. 조명은 왜 그렇게 중요한가요?

A.

AI는 이미지의 특징을 학습하기 때문에 조명 변화가 이미지 패턴을 바꾸면 판단 기준이 달라질 수 있습니다.

특히 금속,유리,반사 제품은 조명 설계가 매우 중요합니다.

마무리

AI 비전검사 성공의 핵심은 최신 AI 모델이 아니라 좋은 학습 이미지 데이터 확보입니다.

정확한 AI 검사를 구축하기 위해서는:

• 실제 환경에서 촬영하기
• 카메라와 조명 최적화하기
• 다양한 불량 데이터 확보하기
• 지속적으로 데이터를 업데이트하기

가 필요합니다.

"좋은 데이터가 좋은 AI를 만든다"는 원칙은 제조 AI 검사에서 가장 중요한 기준입니다.

다음 AI 비전검사 시리즈 25편에서는

AI 데이터셋 구축 방법 - 제조 현장에서 활용 가능한 데이터 만드는 방법」

에 대해 자세히 알아보겠습니다.