Before01
기업 개요
- 육안 수동 계수
- 적재 과다로 잦은 오차
- 기록 누락으로 정확성 저하
AI
비전 검사
비전 AI 기반의 정밀 검사로 완성하는 무결점 품질 관리
OVERVIEW
사람의 눈이 놓치는 것을,학습한 모델이 매번 같게 봅니다
이미지 수집부터 전처리, 특징 추출, 판정과 피드백까지 하나의 흐름으로 이어집니다.
01이미지 수집
카메라와 조명으로 검사 대상의 이미지를 일정한 조건에서 촬영합니다.
노이즈 제거 및 정규화
02이미지 전처리
노이즈를 제거하고 밝기와 크기를 정규화해 분석에 적합한 이미지로 만듭니다.
AI 패턴분석
03특징 추출 및 인식
학습된 AI 모델이 형상, 결함 위치 등 판정에 필요한 특징을 찾아냅니다.
양품/불량 판정
04판정 및 피드백
양품과 불량을 판정하고, 그 결과를 공정 개선에 다시 반영합니다.
이미지 수집으로 피드백
KEY FEATURES
육안 검사를 대신하는 네 가지 기능
외관 검사부터 결함 탐지, 치수 측정, 품질 통계까지 이어집니다.
Capability Index04
Vision Capability
01 / 04
01
자동 외관 검사
결함 탐지
정밀 치수 측정
품질 통계 및 공정 최적화
고성능 비전 시스템과 딥러닝 알고리즘으로 미세 결함을 즉각 탐지합니다. 작업자 간 편차 없는 균일한 품질 기준을 수립하여 출하 신뢰도를 높입니다.
Management Scope
- 고속 이미지 프로세싱
- 전수 검사 자동화
- 다각도 카메라 제어
- 실시간 판정 모니터링
- 조명 및 노출 최적화
- 비정형 데이터 수집
실시간 이미지 취득
고해상도 카메라와 광학계를 통해 제품 생산 공정 중 외관 이미지를 실시간으로 캡처
WORKFLOW
기능별로 이어지는 실제 업무 흐름
기능마다 처리 순서와, 다음 단계로 넘어가기 전에 확인하는 기준을 정리했습니다.
인식 성능의 출발점은 일관된 이미지
- 01
촬영 설계
카메라·조명·거리
- 02
타이밍 연계
속도·센서 트리거
- 03
영상 보정
밝기·해상도·영역
- 04
품질 확인
흐림·가림·노출
함께 남기는 정보
01
촬영 위치·조명
02
트리거·품목 ID
03
원본·보정 이미지
운영 확인
검사 대상이 선명하게 보이나요?
YES
유효 영상 → 모델 판정
NO
가림·흐림 → 재촬영·검토
업무 흐름 예시 · 세부 연계와 판단 기준은 현장에 맞춰 정합니다.
SYSTEM ARCHITECTURE
무엇을 연결하고,어떤 업무로 이어질까요?
입력 데이터부터 현장의 결과까지.
01 / INPUT
01이미지·영상카메라·조명·촬영 트리거
02품목 기준형상·규격·검사 영역
03판정 이력정상·불량 라벨·LOT
CONNECTED OPERATIONS
AI Vision
이미지 보정·동기화
객체·결함·수량 인식
판정·예외·이력 관리
03 / OUTPUT
✓검사 결과위치·종류·크기·수량
✓검토 화면원본·표시 영역·판정
✓생산 연계LOT·실적·불량 분석
01 / INPUT
01이미지·영상카메라·조명·촬영 트리거
02품목 기준형상·규격·검사 영역
03판정 이력정상·불량 라벨·LOT
CONNECTED OPERATIONS
AI Vision
이미지 보정·동기화
객체·결함·수량 인식
판정·예외·이력 관리
CONNECTED OPERATIONS
AI Vision
이미지 보정·동기화
객체·결함·수량 인식
판정·예외·이력 관리
03 / OUTPUT
✓검사 결과위치·종류·크기·수량
✓검토 화면원본·표시 영역·판정
✓생산 연계LOT·실적·불량 분석
공통 식별자 · 기준정보 · 이력으로 연결결과 확인 → 다음 운영에 반영
주요 사용자품질검사 담당생산기술 담당출하·물류 담당
METHOD
기술 구현 방식
현장 영상을 모아 학습하고 판정 결과로 되돌리는 구조입니다.
수집 단계01 →
Data Ingestion
라인 스캔 카메라
3D 비전 센서
열화상 카메라
Raw 이미지불량 어노테이션합불 판정 이력트리거 신호
이미지 전처리
조명 보정 · 해상도 정규화
트리거 동기화
컨베이어 속도 연동 · 촬영 타이밍 정밀 제어
Target System
이미지 스토리지
벡터 DB
메타데이터불량 이력
모델링 분석 단계02 →
AI/ML Modeling
분석 및 예측
객체 탐지
YOLO v10, 11
결함 세그멘테이션
스크래치·핀홀·크랙
불량 유형 분류
CNN, Transformer
치수 측정 3D
형상 편차·치수 측정
피드백/고도화
모델 성능 평가
이력 / 조치결과 수집
MLOps 재학습
서비스 단계03
운영 가시화
Dashboard
KPI report
공정 원인 추적
강화 학습(RLHF)
지능형 유지보수
설비 고장 사전 예측
임계 초과 즉시 알림 / 설비 자동 정지 연동
고도화된 딥러닝 기술로 육안 검사의 한계를 극복합니다.
전자 부품
로봇 비전
자동차
정밀 가공
이차전지
식품/제약
전자 부품
로봇 비전
자동차
정밀 가공
이차전지
식품/제약
사람이 놓치는 결함을 카메라가 매 장 판정합니다.
- 검사 이미지
- 조명·촬영 조건
- 양품 기준
- 불량 유형 이력
- 판정 결과 피드백
AI Vision
- 결함 후보 검출
- 유형·등급 분류
- 판정 기준 재학습
- 검출률
- 미검율
- 과검율
- 검사 공수
EFFECT
구축 효과
검출률·미검율·과검율·검사 공수에서 어떤 성과로 남는지 정리했습니다.
- 01
검출률 향상
고해상도 영상과 딥러닝으로 사람 눈이 놓치는 미세 결함까지 잡아내고, 판정 편차 없이 같은 기준을 유지합니다.
검출률판정 편차결함 크기 - 02
미검율 감소
전수 검사로 표본에서 빠지던 불량을 없애고, 결함 유형별 모델로 놓치기 쉬운 패턴을 따로 학습시킵니다.
미검율전수 검사결함 유형 - 03
과검율 감소
정상을 불량으로 판정하던 경계 구간을 데이터로 다시 잡아, 멀쩡한 제품이 폐기·재작업으로 빠지는 손실을 줄입니다.
과검율판정 경계재작업률 - 04
검사 공수 절감
검사 인력을 고부가가치 공정으로 돌리고, 품목 전환 시 재설정에 드는 시간을 줄입니다.
검사 인력전환 시간시간당 생산량
CASE STUDY
구축 사례
육안 계수를 자동화해 정확도를 99.9% 수준으로 끌어올린 사례입니다.
도입기업 업종
1차 철강 제조업
After02
구축 내용
- 산업용 카메라 영상 획득
- 작업 이벤트 기반 분석
- 복잡한 배경에서 객체 식별
구축 효과
육안 계수를 AI 비전이 대신하는 검사 자동화 구축