AI 비전검사 vs 룰기반 검사, 차이와 선택 기준 정리
같은 카메라, 다른 판단 방식 — 비전검사 선택이 품질 전략을 가른다
비전검사를 AI로 바꾸면 불량을 모두 잡을 수 있을까요? 결론부터 말하면 답은 공정마다 다릅니다. 카메라와 조명은 같아도, 이미지를 보고 합격과 불합격을 가르는 "판단 방식"이 다르면 결과도, 비용도, 운영 부담도 완전히 달라집니다.
국내 중소 제조현장의 출발점은 아직 초기 단계입니다. 중소벤처기업부가 발표한 첫 스마트제조혁신 실태조사에 따르면 공장을 보유한 중소·중견 제조기업 가운데 제조 관련 데이터를 수집하는 기업은 60.8%였지만, 제조AI를 도입한 기업은 0.1%, 도입 계획이 있는 기업은 1.6%에 그쳤습니다. 데이터를 모으는 기업은 적지 않지만, 이를 AI 활용으로 연결한 기업은 아직 극소수라는 뜻입니다.
이 글은 "AI가 더 좋다"는 결론을 내리기 위한 글이 아닙니다. 어떤 공정에 어떤 방식이 맞는지, 도입 비용은 어디서 갈리는지, 그리고 실패하지 않으려면 무엇부터 점검해야 하는지를 현장 기준으로 정리합니다.
룰기반 비전검사는 "사람이 정한 기준"으로 판정한다
룰기반 비전검사는 엔지니어가 미리 정한 규칙에 따라 이미지를 판정하는 방식입니다. 이미지 취득 → 전처리 → 관심영역 지정 → 이진화·엣지 추출 → 형상·치수 측정 → 규칙에 따른 판정이라는 정해진 순서로 동작합니다.
- 판정 근거가 규칙으로 명시돼 있어, 왜 불합격인지 엔지니어가 바로 추적할 수 있습니다.
- 연산량이 적어 산업용 컨트롤러나 저가형 하드웨어에서도 빠르게 동작합니다.
- 치수 측정, 부품 유무 확인, 바코드·라벨 판독, 정렬 확인, 개수 세기처럼 기준이 명확한 검사에 강합니다.
반대로 약점도 뚜렷합니다. 2026년 발표된 산업용 AI 외관검사 리뷰 논문은 룰기반 방식이 조명과 촬상 조건이 통제된 환경에서 가장 잘 동작하며, 조명·제품 자세·표면 반사율이 바뀌거나 결함 모양이 불규칙하면 성능이 떨어진다고 정리했습니다. 밝은 표면의 어두운 스크래치를 잡도록 맞춘 고정 임계값이 조명이나 노출이 바뀌는 순간 무력해지는 식입니다. 그래서 생산 조건이 바뀔 때마다 "수동 재튜닝"이 반복되는 구조가 됩니다.
AI 비전검사는 "이미지에서 배운 패턴"으로 판정한다
AI 비전검사는 사람이 특징을 설계하지 않고, 딥러닝 모델이 이미지 데이터에서 결함의 특징을 스스로 학습해 판정하는 방식입니다. 같은 "AI 비전검사"라도 무엇을 출력하느냐에 따라 네 가지 과제로 나뉩니다.
- 분류: 이미지 한 장 단위로 양품·불량 또는 불량 유형을 판정합니다.
- 검출: 결함 위치를 사각형 박스로 표시해 여러 결함을 동시에 찾습니다.
- 분할: 결함 영역을 픽셀 단위로 구분해 크기·면적 측정까지 가능합니다.
- 이상탐지: 정상 이미지만으로 학습한 뒤, 정상 패턴에서 벗어난 부분을 "이상"으로 찾아냅니다.
현장에서 특히 주목할 부분은 "이상탐지"입니다. 불량 샘플은 드물고 모으기 어려운데, 이상탐지는 정상품 이미지만으로 학습을 시작할 수 있어 불량 데이터가 부족한 중소 제조현장의 현실과 잘 맞습니다. 다만 정상 제품의 자연스러운 편차까지 이상으로 판단하는 "과검출" 문제가 따라오기 때문에 기준 조정이 필요합니다.
두 방식의 핵심 차이를 한 표로 정리하면
원리 차이는 결국 "기준을 누가 만드느냐"에서 출발합니다. 룰기반은 사람이 기준을 만들고, AI는 데이터가 기준을 만듭니다. 이 차이가 환경 대응력, 설명 가능성, 준비물, 연산 자원까지 연쇄적으로 갈라놓습니다.
| 비교 항목 | 룰기반 비전검사 | AI 비전검사 |
|---|---|---|
| 판정 원리 | 사람이 정한 임계값·치수·형상 규칙 | 이미지 데이터에서 학습한 패턴 |
| 강한 검사 영역 | 치수 측정, 유무 확인, 바코드·라벨, 정렬 | 형태가 불규칙한 외관 결함, 복잡한 질감 표면 |
| 환경 변화 대응 | 조명·자세·반사 변화에 민감, 수동 재튜닝 필요 | 학습한 범위 안의 변화에는 비교적 강함, 범위 밖은 재학습 필요 |
| 판정 근거 설명 | 규칙이 명확해 추적이 쉬움 | 근거 제시가 어려워 히트맵 등 보조 수단 필요 |
| 사전 준비물 | 규칙 설계 역량, 안정된 광학계 | 라벨링된 이미지 또는 충분한 정상 이미지 |
| 연산 자원 | 낮음 (산업용 컨트롤러·저가 하드웨어) | 상대적으로 높음 (GPU·엣지 가속기) |
| 처음 보는 결함 | 규칙에 없으면 놓침 | 이상탐지 방식은 미지의 결함도 "이상"으로 포착 가능 |
표에서 보듯 어느 한쪽이 모든 항목에서 우세하지 않습니다. 2024년 발표된 제조·유지보수 분야 딥러닝 외관검사 문헌 리뷰는 제조 분야의 딥러닝 적용 논문이 유지보수 분야보다 적은 이유로, 제조 현장은 조명과 촬상 조건을 통제하기 쉬워 이미 전통적인 머신비전으로 자동화된 공정이 많았기 때문일 수 있다고 해석했습니다. 즉 "통제된 조건 + 명확한 기준"이라면 룰기반이 여전히 가장 경제적인 선택일 수 있습니다.
비용 구조는 초기 투자보다 운영 단계에서 갈린다
비전검사 비용을 카메라와 소프트웨어 가격으로만 비교하면 판단을 그르치기 쉽습니다. 두 방식 모두 카메라·조명·렌즈 같은 광학계는 공통으로 필요하고, 실제 차이는 "기준을 만들고 유지하는 비용"에서 벌어집니다.
| 비용 항목 | 룰기반 비전검사 | AI 비전검사 |
|---|---|---|
| 초기 하드웨어 | 카메라·조명·렌즈·산업용 PC 중심 | 동일 구성 + GPU 또는 엣지 연산장비 |
| 초기 개발 | 규칙 설계·파라미터 튜닝 인건비 | 이미지 수집·라벨링·모델 학습 비용 |
| 품종 변경 시 | 규칙 재작성과 파라미터 재조정 | 신규 이미지 추가 확보와 재학습 |
| 운영 중 숨은 비용 | 환경 변화 때마다 반복되는 수동 튜닝, 과검출에 따른 재검 인력 | 성능 저하 모니터링, 모델 버전 관리, 이미지 데이터 보안 체계 |
| 비용이 커지는 조건 | 품종이 많고 결함 형태가 다양할수록 | 불량 샘플이 희소하고 라벨 기준이 흔들릴수록 |
현장에서 자주 간과되는 항목은 두 가지입니다. 첫째, 룰기반의 "재튜닝 인건비"는 견적서에 드러나지 않지만 품종 수가 늘수록 누적됩니다. 둘째, AI의 "라벨링 비용"은 단순 작업비가 아니라 품질팀의 판정 기준을 정리하는 비용입니다. 작업자마다 불량 판단이 다르면 라벨도 흔들리고, 흔들린 라벨로 학습한 모델은 현장 신뢰를 얻지 못합니다.
AI 비전검사의 성패는 데이터 준비에서 결정된다
AI 비전검사의 성과를 가르는 핵심 변수는 모델만큼이나 데이터입니다. 앞서 언급한 2024년 문헌 리뷰는 제조·유지보수 분야의 공개 논문 196편을 분석했는데, 약 97%가 라벨이 붙은 데이터로 학습하는 지도학습 방식을 사용했습니다. 결국 대부분의 AI 외관검사는 "불량 이미지에 정답을 달아준 데이터"를 전제로 한다는 뜻입니다.
같은 리뷰에서는 산업 현장의 데이터셋 규모가 범용 이미지 인식용 데이터셋보다 훨씬 작다는 점도 확인됐습니다. 그래서 대량의 범용 이미지로 미리 학습한 모델을 가져와 현장 데이터로 조정하는 "전이학습"이 분석 대상의 약 절반에서 쓰였습니다. 중소 제조기업이 처음부터 모델을 만들기보다 검증된 모델을 현장에 맞게 조정하는 편이 현실적인 이유입니다.
- 불량 이미지는 공정·로트·설비 정보와 함께 저장해야 나중에 원인 분석에도 쓸 수 있습니다.
- 라벨링 전에 불량 유형과 한도 견본을 먼저 확정해야 판정 기준이 흔들리지 않습니다.
- 불량 샘플이 부족하면 정상 이미지 중심의 이상탐지로 시작하는 것도 방법입니다.
또 하나 참고할 수치가 있습니다. 이 리뷰는 학계에서 새로운 딥러닝 비전 기술이 발표된 뒤 산업 외관검사에 적용되기까지 약 3년의 시차가 있다고 분석했습니다. 최신 기술을 기다리기보다, 이미 현장에서 검증된 모델로 데이터 기반부터 다지는 편이 도입 속도를 높입니다.
공개 사례로 보는 AI 비전검사의 현실적인 운영 방식
AI 비전검사를 "사람을 완전히 대체하는 시스템"으로 기대하면 실망하기 쉽습니다. 공개된 연구 사례는 오히려 사람과 AI가 판정을 나눠 맡는 구조를 보여줍니다.
2026년 리뷰 논문이 소개한 사례에서, 원 연구진(Rožanec 외)은 필립스(Philips Consumer Lifestyle BV)의 실제 생산 데이터를 활용해 외관검사 파이프라인을 구축했습니다. 이 파이프라인은 모델이 스스로 판정에 얼마나 확신하는지를 나타내는 "신뢰도"를 보정한 뒤, 확신이 높은 이미지는 자동으로 처리하고 확신이 낮은 이미지는 결함 위치 힌트와 함께 작업자 재검으로 넘겼습니다. 신뢰도 기준을 99.90%로 높게 설정했을 때 전체 이미지의 40%가 사람의 검토 대상으로 분류됐습니다.
이 사례에서 읽어야 할 메시지는 명확합니다.
- AI 도입의 첫 성과는 "검사 인력 제거"가 아니라 "사람이 봐야 할 물량을 줄이는 것"입니다.
- 신뢰도 기준을 높일수록 자동 판정은 안전해지지만, 사람이 검토할 물량은 늘어납니다.
- 따라서 도입 전에 과검출과 미검출 중 무엇이 더 치명적인지 품질 정책부터 정해야 합니다.
도입 실패에서 배우는 점검 포인트
AI 비전검사가 시험 운영에서는 잘 되다가 양산 라인에서 흔들리는 데는 공통된 패턴이 있습니다. 2026년 리뷰 논문은 학습한 라인과 다른 조건, 즉 조명·카메라 세팅·소재 로트·배경·제품 형상이 바뀌는 "도메인 변화"가 생기면 성능이 떨어질 수 있다고 지적했습니다.
현실 조건을 반영한 평가에서도 한계는 드러납니다. 조명 변화, 투명·겹친 물체, 정상 제품의 큰 편차, 극소 결함 등을 포함해 새로 구성된 산업용 이상탐지 벤치마크에서는 최신 기법들도 결함 영역 검출 지표 평균이 60% 아래에 머문 것으로 보고됐습니다. 논문 속 높은 정확도가 곧 내 라인의 성능이라는 보장은 없다는 뜻입니다.
- 조명·카메라 교체 후 재검증 없이 운영: 광학계가 바뀌면 사실상 새 모델로 보고 재검증해야 합니다.
- 평균 정확도만 보고 판단: 미검출률, 과검출률, 반복성을 따로 확인해야 합니다.
- 라벨 기준 불일치: 작업자 간 판정 차이를 먼저 줄이지 않으면 모델이 혼란을 학습합니다.
- 운영 후 모니터링 부재: 소재 로트나 주변 조명 변화로 성능이 서서히 떨어지는 것을 놓치기 쉽습니다.
- 이미지 데이터 외부 반출: 검사 이미지에는 제품 형상과 공차 정보가 담겨 있어, 외부 클라우드 사용 전 보안 정책 검토가 필요합니다.
생성형 AI 기반 멀티모달 모델을 판정에 바로 쓰는 것도 아직은 신중해야 합니다. 같은 리뷰는 이런 모델을 최종 합불 판정자보다는 결함 설명, 보고서 초안 작성, 원인 분석 보조처럼 사람이 감독하는 보조 도구로 쓰는 편이 현재로서는 타당하다고 정리했습니다.
룰기반과 AI를 섞어 쓰는 혼합 운영 구조
현장에서 가장 현실적인 답은 "둘 중 하나"가 아니라 "역할 분담"입니다. 2026년 리뷰 논문 역시 실제 산업 파이프라인은 전처리에는 고전적 영상처리, 단순 측정에는 룰기반 로직, 복잡한 외관 인식에는 딥러닝을 조합하는 경우가 많다고 설명했습니다.
- 치수·위치·유무처럼 기준이 명확한 항목은 룰기반이 맡아 빠르고 설명 가능한 판정을 유지합니다.
- 스크래치·얼룩·찍힘처럼 형태가 불규칙한 외관 결함은 AI가 맡습니다.
- AI 판정 신뢰도가 낮은 경우만 작업자 재검으로 보내고, 재검 결과를 다시 학습 데이터로 축적합니다.
이 구조의 장점은 기존 룰기반 설비를 버리지 않고 AI를 "추가 판정 레이어"로 얹을 수 있다는 점입니다. 투자 부담을 나눌 수 있고, AI 성능이 검증되기 전까지 기존 판정 체계를 안전장치로 유지할 수 있습니다.
실패를 줄이는 단계별 도입 로드맵
AI 비전검사는 한 번에 전 라인에 적용하기보다, 판정 책임을 단계적으로 넘기는 방식이 안전합니다. 아래 순서는 기존 검사 체계를 유지하면서 AI의 신뢰를 쌓아가는 흐름입니다.
- 결함 정의 정리: 불량 유형, 한도 견본, 과검출·미검출 허용 기준을 품질팀과 먼저 확정합니다.
- 광학계 안정화와 이미지 축적: 조명·카메라 위치를 고정하고, 정상·불량 이미지를 공정 정보와 함께 저장합니다.
- 병행 운영: 기존 판정은 그대로 두고 AI 판정 결과만 기록해 사람 판정과 비교합니다.
- 신뢰도 기반 부분 자동화: 신뢰도가 높은 구간만 자동 판정으로 넘기고, 나머지는 작업자 재검을 유지합니다.
- 재학습·모니터링 정착: 재검 결과를 학습 데이터로 되돌리고, 광학계나 소재 변경 시 재검증 절차를 표준화합니다.
3단계 병행 운영은 건너뛰고 싶은 유혹이 가장 큰 단계입니다. 하지만 이 기간에 쌓인 "사람 판정 vs AI 판정" 비교 기록이 이후 자동화 범위를 결정하는 가장 설득력 있는 근거가 됩니다.
도입 전 자가진단 체크리스트
아래 항목 중 "아니오"가 많다면 AI 도입보다 판정 기준과 촬상 환경 정비가 먼저입니다. 반대로 대부분 "예"라면 병행 운영부터 시작해볼 준비가 된 상태입니다.
- 불량 유형을 사진과 함께 정의한 한도 견본이 있는가
- 같은 제품을 두고 작업자 간 판정이 대체로 일치하는가
- 조명과 카메라 위치가 고정돼 있고 변경 이력이 관리되는가
- 정상·불량 이미지를 공정·로트 정보와 함께 저장하고 있는가
- 과검출과 미검출 중 무엇이 더 치명적인지 정해져 있는가
- 택트타임 안에 판정을 끝내야 하는 처리 속도 요건을 알고 있는가
- 품종 변경 빈도와 신규 품목 투입 주기를 파악하고 있는가
- 검사 이미지의 외부 반출 가능 여부를 보안 정책으로 확인했는가
검사 방식의 선택은 기술이 아니라 "결함의 성격"에서 출발한다
룰기반 비전검사와 AI 비전검사의 차이는 "기준을 사람이 만드느냐, 데이터가 만드느냐"에 있습니다. 기준이 명확하고 촬상 환경이 안정된 치수·유무 검사에서는 룰기반이 여전히 빠르고 경제적입니다. 반대로 형태가 불규칙하고 환경 변화가 잦은 외관 결함에서는 AI가 규칙으로는 풀기 어려운 문제를 해결합니다.
다만 AI는 데이터 준비, 신뢰도 기준 설정, 운영 후 모니터링이라는 새로운 관리 업무를 요구합니다. 공개 사례가 보여주듯 첫 성과는 사람을 없애는 것이 아니라 사람이 봐야 할 물량을 줄이는 데서 나옵니다.
지금 바로 할 수 있는 첫걸음은 간단합니다. 우리 라인에서 가장 많이 발생하는 불량 3가지를 골라, 각각이 "규칙으로 정의 가능한 결함"인지 "형태가 매번 다른 결함"인지 분류해 보십시오. 그 분류 결과가 룰기반을 보강할지, AI를 병행할지, 혼합 구조로 갈지를 결정하는 가장 확실한 출발점이 됩니다.
참고문헌
-
중소벤처기업부. "2024년 스마트제조혁신실태조사 결과 발표." 대한민국 정책브리핑(korea.kr) 배포. 2025.04.28. https://www.korea.kr/briefing/pressReleaseView.do?newsId=156686561
-
Hütten, N.; Alves Gomes, M.; Hölken, F.; Andricevic, K.; Meyes, R.; Meisen, T. "Deep Learning for Automated Visual Inspection in Manufacturing and Maintenance: A Survey of Open-Access Papers." Applied System Innovation, 7(1), 11, MDPI. 2024.01.22. https://www.mdpi.com/2571-5577/7/1/11
-
Jayawardena, A.; Sul, J.-H.; Moratuwage, D.; Wijayaraja, J. L.; Piyathilaka, L. "State of the Art in AI-Based Visual Inspection for Industrial Quality Control: Methods, Benchmarks, Challenges, and Autonomous Systems." Electronics, 15(12), 2727, MDPI. 2026.06.20. https://www.mdpi.com/2079-9292/15/12/2727
본 게시물은 AI 어시스턴트를 활용하여 초안을 작성하고 편집자의 검수를 거쳤습니다. 본문에 인용한 공개 연구 사례의 기업명은 원 논문의 표기를 따랐습니다.