AI › 산업 AI 응용

비전 검사Machine Vision Inspection

카메라 · 조명 · 렌즈로 제품 겉모습을 찍고, 영상에서 결함을 찾아 양품 · 불량을 판정하고 결함 종류를 분류하는 자동 검사 기술이다.

1요약

  1. 비전 검사는 카메라 · 조명 · 렌즈로 찍은 영상을 전처리한 뒤 판정(양품 · 불량)과 분류(결함 종류)를 내는 산업 AI 의 영상 검사 기술로, 그 결과 위에서 라인 끝 배출기 제어와 품질 기록이 돈다 — 2019년 공개된 MVTec AD(15종 · 5,354장)가 방법 비교의 기준 데이터다(Roth 2022 4.1절).
  2. 불량 영상은 드물고 결함 종류를 미리 다 알 수 없어 정상 영상만으로 학습하는 방식이 필요하다 — 정상 영상의 패치를 기억하는 PatchCore 는 MVTec AD 시험 1,725장에서 영상 단위 AUROC 99.1%, 오판정 42장을 보였다(Roth 2022 4.2절 표 1).
  3. 「불량이 새어 나간다 · 멀쩡한 것을 버린다」는 결함 점수와 정상 점수의 겹침으로 가른다 — 두 분포가 떨어져 있으면 임계값 문제, 겹쳐 있으면 촬상(조명 · 해상도) 문제, 새 로트에서만 생기면 정상 기준이 옮겨 간 문제다.

2등장 배경

사람이 컨베이어 옆에서 겉모습을 보는 검사는 라인 속도를 따라가지 못하고, 검사원마다 · 근무 시간마다 기준이 달라진다. 1982년 Chin · Harlow 는 인쇄 회로 기판 · 부품 표면을 카메라로 자동 검사하는 연구를 종설로 정리했다(Chin 1982). 이 시기의 자동 검사는 밝기 임계값 · 덩어리(블롭) 크기 · 견본 비교처럼 사람이 결함을 정의한 규칙이었다.

2015년 U-Net 은 적은 영상과 데이터 증강으로 화소 단위 분할을 학습했고 512×512 영상 하나를 1초 안에 나눴다(Ronneberger 2015 초록). 2016년 YOLO 는 영상 한 장에서 물체 위치와 종류를 한 번에 내며 초당 45장을 처리했다(Redmon 2016). 분류 · 검출 · 분할이 모두 딥러닝으로 넘어왔지만, 셋 다 결함 레이블이 많이 있어야 한다.

공장에는 결함 영상이 드물다. 2019년 Bergmann 외는 학습 세트에 정상 영상만 두고 시험 세트에만 결함을 둔 MVTec AD 를 공개했고(Bergmann 2019), 2021년 CutPaste 는 정상 영상 조각을 잘라 붙인 가짜 결함으로 학습해 영상 단위 AUC 96.6 을(Li 2021 초록), 2022년 PatchCore 는 99.1 을 냈다(Roth 2022). 지금 비전 검사는 레이블 있는 결함은 지도 학습으로, 처음 보는 결함은 이상 탐지형으로 잡는 두 방식을 겹쳐 쓴다.

3쉽게 이해하기 — 도자기 공방의 검수원

도자기 공방의 검수원 하나는 컨베이어로 오는 찻잔을 비스듬히 비춘 등불 아래에서 본다. 처음 한 달은 흠 없는 견본 찻잔만 보며 멀쩡한 잔의 결을 익혔고, 지금은 결이 다른 곳에 연필로 동그라미를 친 뒤 금 · 이 빠짐 · 얼룩 바구니로 나눈다. 공방장은 「너무 깐깐하면 멀쩡한 잔을 버리고, 너무 느슨하면 금 간 잔이 손님에게 간다」며 기준선을 정해 준다.

1 등불 아래 찻잔 비스듬히 비춤 조명 · 촬상 2 흠 없는 견본 한 달 동안 익힘 정상 영상 학습 3 검수원 하나 결이 다른 곳 찾기 판정 · 이상 점수 4 동그라미 · 바구니 금 · 이 빠짐 · 얼룩 위치 · 분류 5 공방장의 기준선 얼마나 달라야 불량인가 임계값 너무 깐깐하면 너무 느슨하면 멀쩡한 잔을 버림 과검 흠 없는 잔 출고 양품 금 간 잔이 손님에게 미검 영상 · 촬상 모델 · 판정 규칙 위치 · 레이블 양품 판정 판정 오류 사람의 기준

그림 1 · 하나는 비스듬한 빛으로 흠을 드러내고, 흠 없는 견본과 다른 곳을 찾아 표시 · 분류하며, 기준선 하나가 버림과 놓침을 맞바꾼다.

비추기등불을 비스듬히
견본 익히기흠 없는 잔 한 달
살펴보기결이 다른 곳
동그라미흠 위치 표시
바구니금 · 이 빠짐 · 얼룩
기준 조절깐깐함 맞추기
비유 — 등불을 비추는 각도 실제 — 명시야 · 암시야 조명 정면 등불 잔 전체가 번쩍임 금이 묻힘 비스듬한 등불 금 가장자리만 빛남 동축 조명 카메라 명시야 배경 밝음 긁힘 어두움 저각 조명 암시야 배경 어두움 긁힘만 밝음 결함이 영상에 대비로 남아야 그다음 판정이 의미를 갖는다 비춘 빛 평평한 면에서 비켜 나간 빛 눈 · 카메라로 들어오는 빛 금 · 긁힘

그림 2 · 같은 긁힘도 빛이 들어오는 각도에 따라 묻히거나 드러난다 — 정면 빛은 긁힘을 어둡게, 낮은 빛은 긁힘만 밝게 만든다.

비유 속 역할실제 이름실제로 하는 일
비스듬한 등불조명 · 광학결함이 대비를 갖도록 빛의 각도 · 파장을 고른다
검수원의 눈카메라 · 렌즈정해진 화소 크기로 표면을 찍어 영상을 만든다
흠 없는 견본정상 학습 영상정상 200장의 패치 45,000개를 특징으로 기억한다
결이 다른 곳 찾기판정 · 이상 점수기억 속 가장 가까운 패치까지 거리를 점수로 낸다
연필 동그라미결함 위치점수 지도에서 임계값을 넘은 패치를 표시한다
금 · 이 빠짐 · 얼룩 바구니결함 분류긁힘 · 찍힘 · 결 흐트러짐 같은 레이블을 붙인다
공방장의 기준선임계값과검과 미검을 맞바꾸는 점수 경계를 정한다
버린 잔 · 나간 금 간 잔과검 · 미검양품을 불량으로, 불량을 양품으로 판정한 오류다

⚠ 비유가 맞지 않는 곳: 하나는 처음 보는 흠도 «여기가 이상하다»고 말로 설명하지만 모델은 점수와 위치만 낸다. 하나는 지치면 기준이 흔들리지만 모델은 기준이 그대로인 대신 조명 · 표면 상태가 학습 때와 달라지면 흔들린다.

4구조 — 촬상 · 전처리 · 판정 · 분류 · 처리

비전 검사 시스템은 촬상 → 전처리 → 판정 → 분류 → 처리 다섯 단계이고, 판정 방식만 규칙 기반 · 지도 학습 · 이상 탐지형 가운데에서 고른다. 지도 학습은 출력 모양에 따라 영상 단위 분류, 결함 상자를 내는 검출, 화소마다 결함 여부를 내는 분할로 나뉜다(Redmon 2016 · Ronneberger 2015).

비전 검사 시스템의 구성 촬상 카메라 · 렌즈 · 조명 엔코더 트리거 전처리 위치 · 밝기 보정 검사 영역(ROI) 판정 점수 · 점수 지도 임계값으로 가름 분류 결함 종류 · 크기 레이블 · 위치 처리 배출기 작동 품질 기록(MES) 판정 방식 — 하나를 고르거나 둘을 겹쳐 씀 규칙 기반 밝기 차 · 덩어리 크기 · 견본 비교 결함 정의를 사람이 씀 지도 학습 분류 · 검출 · 분할 결함 레이블이 많이 필요 이상 탐지형 패치 기억 · 재구성 정상 영상만으로 학습 학습 자료 정상 영상 결함 레이블 합성 결함 검사원 재판정 과검 · 미검 확인 레이블 남김 재학습 영상 데이터 모델 · 판정 규칙 레이블 출력 사람 점선 = 방식 중 선택

그림 3 · 판정 방식은 다섯 단계 중 하나만 바꾸고, 검사원 재판정이 만든 레이블이 다시 학습으로 돌아간다.

요소역할값 · 근거
촬상결함이 대비를 갖는 영상을 만든다시야 300 mm ÷ 4,096 화소 = 화소 약 0.073 mm · 라인 1 m/s 이면 행 주기 약 73 μs(설명용 가정 값)
전처리위치 · 밝기 차이를 지워 판정이 결함만 보게 한다사례는 패치 평균을 빼 조명 기울기를 지움
규칙 기반 판정사람이 정한 밝기 차 · 크기 규칙사례 = 차 22 계조 초과 화소 8개 이상 연결
지도 학습 판정결함 레이블로 분류 · 검출 · 분할 학습검출 초당 45장(Redmon 2016) · 분할 512×512 1초 미만(Ronneberger 2015)
이상 탐지형 판정정상 패치 특징을 기억하고 거리로 점수기억 은행을 1 ~ 25% 로 줄여 씀(Roth 2022 3.2절)
분류결함 종류 · 크기 레이블레이블 정의가 검사원마다 같아야 함
처리배출기 · 품질 기록장당 처리 시간 ≤ 제품 간격

5동작 — 금속 표면 영상 160장 판정

NumPy 2.4.3 · 난수 시드 0 으로 직접 실행한 사례다(합성 데이터). 영상은 64×64 화소 8비트 회색조 금속 표면이고, 주기 6화소 · 진폭 6 계조의 가로 결, 화소 잡음 σ 2 계조, 영상마다 다른 조명 기울기(좌우 끝 밝기 차 최대 30 계조)가 있다.

  1. 정상 200장을 학습용, 정상 100장을 임계값용으로 두고, 시험 160장은 정상 100 · 긁힘 20 · 찍힘 20 · 결 흐트러짐 20장이다 — 긁힘 = +30 계조 1화소 선, 찍힘 = 최대 −8 계조 지름 약 7화소 오목, 결 흐트러짐 = 14×14 화소 구역의 결이 세로로 바뀜(평균 밝기 같음).
  2. 규칙 판정은 「영상 중앙값과 22 계조 넘게 다른 화소가 8개 이상 이어지면 불량」이다 — 정상 영상도 조명 기울기와 결 때문에 최대 차가 12.6 ~ 27.1 계조라, 임계값용 정상 100장에서 과검 0 이 되는 값이 이 조합이다.
  3. 규칙 결과는 과검 0 · 긁힘 20/20 · 찍힘 0/20 · 결 흐트러짐 0/20 으로 미검 40장이다 — 찍힘(최대 차 14.6 ~ 26.5)과 결 흐트러짐(13.9 ~ 26.6)은 밝기 차가 정상 범위 안이다.
  4. 이상 탐지형은 정상 200장을 8×8 패치 · 보폭 4 로 잘라 패치 45,000개를 만들고, 패치 평균을 뺀 뒤 행 평균 8 + 열 평균 8 = 16차원 특징으로 바꿔 무작위 10%(4,500개)를 기억한다 — PatchCore-10% 의 꼴이고, 원 방법은 사전 학습 CNN 특징과 탐욕 코어셋을 쓴다(Roth 2022 3.2절).
  5. 시험 영상의 패치 225개마다 기억 속 가장 가까운 패치까지 거리를 재고 최댓값을 영상 점수로 쓴다 — 정상 4.35 ~ 6.98, 찍힘 5.10 ~ 8.43, 긁힘 9.27 ~ 12.72, 결 흐트러짐 12.75 ~ 14.95 이고 AUROC 0.942 다.
  6. 임계값 A = 임계값용 정상 100장의 최고 점수 6.84 — 과검 1 · 미검 13 이고, 놓친 13장은 모두 찍힘이다(찍힘 7/20).
  7. 임계값 B = 임계값용 정상 점수의 90 백분위 5.81 — 미검은 8 로 줄지만 과검이 18 로 는다.
  8. 영상 한 장의 거리 계산은 225 × 4,500 = 1,012,500회다(이 실행 환경에서 장당 약 20 ms) — 장당 시간이 제품 간격보다 길면 엣지 장비 사양 · 기억 은행 크기 · 영상 크기를 함께 줄인다.
결함 종류별 검출 수 — 시험 160장(직접 실행 · 합성 데이터) 0 10장 20장 긁힘 20장 · 밝기 +30 20 20 찍힘 20장 · 밝기 −8 0 7 — 13장 미검 결 흐트러짐 20장 · 평균 밝기 같음 0 20 정상 → 과검 100장 중 0 1 3 규칙 판정(차 22 계조 · 8화소) 6 패치 기억 판정(임계값 A 6.84) 과검(패치 기억)

그림 4 · 규칙은 밝기 차가 큰 긁힘만 잡고, 정상 패치를 기억한 판정은 결 흐트러짐까지 잡지만 대비가 약한 찍힘 13장을 놓친다.

임계값에 따른 과검률 · 미검률 — 패치 기억 판정 0% 20% 40% 60% 5.0 6.0 7.0 8.0 임계값(영상 점수 = 가장 먼 패치의 거리) 7 B 5.81 과검 18 · 미검 8 6 A 6.84 과검 1 · 미검 13 미검 = 모두 찍힘 과검률(정상 100장 중) 미검률(결함 60장 중) 고른 임계값

그림 5 · 임계값을 내리면 미검은 찍힘에서만 조금 줄고 과검은 빠르게 는다 — 찍힘 점수가 정상 점수와 겹친 구간에서는 어느 임계값도 둘 다 0 이 되지 않는다.

🔑 비전 검사의 성능 상한은 카메라 앞에서 정해진다 — 판정 모델은 영상에 담긴 대비를 가를 뿐 만들지 못하므로, 정상과 겹친 찍힘은 조명 각도 · 화소 크기를 바꿔야 떨어진다.

6비교 — 판정 방식의 차이

기준규칙 기반지도 학습(분류 · 검출 · 분할)이상 탐지형(정상만)
학습에 필요한 것결함 정의 · 정상 몇 장결함 종류마다 레이블 영상정상 영상만(MVTec AD 학습 세트 = 정상만 · Roth 2022 4.1절)
처음 보는 결함규칙 밖이면 놓침(사례 결 흐트러짐 0/20)학습한 종류 밖이면 약함정상과 다르면 잡음(사례 20/20)
결함 종류 이름규칙마다 정함바로 냄내지 않음 — 분류기를 뒤에 붙임
조명 · 위치 변화규칙을 다시 맞춤(사례 정상 최대 차 27.1 계조)학습 영상의 변화 폭 안에서만 견딤정상 영상에 그 변화가 있어야 견딤
결함 합성쓰지 않음드문 종류를 늘림잘라 붙인 가짜 결함으로 특징 학습(Li 2021 2절)

분석결함 종류가 적고 밝기 차가 뚜렷하면 규칙 기반이 빠르고 설명이 쉽고, 결함 레이블이 종류마다 쌓였으면 지도 학습을, 결함이 드물거나 새 종류가 계속 나오면 이상 탐지형을 앞에 두고 지도 분류를 뒤에 붙인다. 근거는 표의 「처음 보는 결함」 행 — 사례의 결 흐트러짐은 평균 밝기가 같아 규칙이 0/20, 정상 패치를 기억한 판정이 20/20 이었다.

🔑 규칙 기반과 지도 학습은 «결함»을 정의하고, 이상 탐지형은 «정상»을 정의한다 — 그래서 처음 보는 결함은 정상을 정의한 쪽만 잡는다.

7실무 진단 — 과검 · 미검의 단계 가르기

분석과검이 늘면 임계값을 올리기 전에 촬상 조건이 학습 때와 같은지를, 미검이 나오면 임계값을 내리기 전에 그 결함 점수가 정상 점수와 떨어져 있는지를 먼저 본다. 겹친 결함은 임계값을 내려도 과검만 늘린다(그림 5 · 임계값 6.84 → 5.81 에서 미검 13 → 8, 과검 1 → 18).

#증상의심 원인단계확인 자료판정 기준(근거)
1과검이 특정 시간 · 교대에 몰림조명 열화 · 외부 빛 · 렌즈 오염촬상기준판 영상의 평균 밝기 · 대비 추이학습 영상 밝기 범위를 벗어나면 조명 보정 뒤 재판정(그림 2 · 표 촬상 행)
2라인 속도를 올린 뒤 미검노출 동안 이동으로 영상이 번짐촬상속도 × 노출 시간 = 번짐 길이번짐이 화소 하나(사례 가정 0.073 mm)를 넘으면 노출 단축 · 조명 증설
3새 로트 · 새 품종에서 과검 급증정상 기준 이동 — 학습 영상이 옛 정상판정새 로트 정상 점수 분포 ↔ 임계값정상 점수 최댓값이 임계값을 넘으면 새 로트 정상으로 재학습(Roth 2022 3.2절 기억 은행)
4검증 성능은 높은데 현장 미검시험 세트 레이블 오류 · 학습 · 시험 영상 중복평가재검수한 시험 표본 · 영상 해시 중복공개 시험 세트 10종 평균 레이블 오류 3.3% 이상(Northcutt 2021) — 오류율이 성능 차보다 크면 순위를 믿지 않음
5분류가 검사원 판정과 자주 다름결함 이름 정의가 검사원마다 다름분류같은 영상 이중 레이블 일치율 · 혼동 행렬일치하지 않는 두 이름은 한도 견본을 정해 합치거나 경계를 다시 씀

가려내는 순서는 촬상 → 전처리 → 평가 → 판정 → 분류다. 촬상 조건이 바뀌면 뒤 단계의 모든 점수가 함께 움직이므로, 기준판 영상으로 카메라 · 조명이 그대로인지 먼저 확인한다.

8시험 대비

시험에서는 촬상에서 처리까지의 구성과 규칙 기반 ↔ 딥러닝 판정의 차이를 쓰는 정의 · 특징형, 그리고 규칙 → 지도 학습(분류 · 검출 · 분할) → 정상만 쓰는 이상 탐지형으로 넘어온 흐름을 쓰는 동향 · 발전형이 나올 수 있다. 미검 ↔ 과검 맞바꿈을 수치로 보이면 정의 수준을 넘는다.

답안 목차
  1. 개요 — 정의(촬상 · 판정 · 분류) · 육안 검사의 한계 · 산업 AI 안에서의 위치
  2. 구성 — 그림 3 구성도(촬상 → 전처리 → 판정 → 분류 → 처리 · 재판정 되먹임) · 명시야 · 암시야 조명 한 줄
  3. 판정 방식 — 규칙 기반 · 지도 학습(분류 · 검출 · 분할) · 이상 탐지형 비교표
  4. 정상만 있는 데이터 — 패치 기억(PatchCore AUROC 99.1%) · 결함 합성(CutPaste 96.6) · 그림 4 사례 검출 수
  5. 평가와 운영 — 그림 5 임계값 곡선(과검 1 ↔ 18 · 미검 13 ↔ 8) · 레이블 품질 · 라인 속도 · 엣지 처리 시간
  6. 동향 — 정상 기준 이동 대응 재학습 · 검사원 재판정 레이블 되먹임 · 지도 분류와 이상 탐지형의 겹쳐 쓰기

꼭 쓸 키워드
촬상명시야암시야규칙 기반분류검출분할이상 탐지형패치 기억결함 합성과검미검레이블 품질MVTec AD

다른 답안과 차이를 내는 한 가지는 그림 5 처럼 임계값을 옮길 때 과검 · 미검이 함께 움직이는 곡선을 그리고, 겹친 결함은 임계값이 아니라 조명으로 푼다는 결론을 붙이는 것이다.

9오해와 사실

  • 오해딥러닝을 쓰면 조명은 대충 맞춰도 된다.
    사실사례의 찍힘은 점수 5.10 ~ 8.43 으로 정상 4.35 ~ 6.98 과 겹쳐 어느 임계값에서도 미검과 과검이 함께 0 이 되지 않았다 — 영상에 없는 대비는 모델이 만들지 못한다.
  • 오해불량 영상이 없으면 AI 검사를 시작할 수 없다.
    사실MVTec AD 의 학습 세트는 정상 영상뿐이고, 정상만으로 학습한 PatchCore 가 시험 1,725장에서 영상 단위 AUROC 99.1% 를 냈다(Roth 2022 4.1 · 4.2절).
  • 오해공개 데이터셋 점수가 높으면 우리 라인에서도 그대로 나온다.
    사실공개 시험 세트 10종에도 평균 3.3% 이상 레이블 오류가 있어 모델 순위가 뒤집힐 수 있고(Northcutt 2021), MVTec AD 는 CC BY-NC-SA 4.0 이라 상업 용도로 쓸 수 없다(MVTec AD 페이지).

10핵심 정리

구분맡는 일입력 · 학습 자료출력사례 값흔한 실패
촬상결함에 대비를 줌조명 각도 · 화소 크기영상64×64 · 좌우 밝기 차 ≤ 30 계조조명 바뀜 · 번짐
전처리위치 · 밝기 차이 지움영상정렬된 영상 · 패치패치 평균 빼기보정이 결함까지 지움
규칙 기반정한 결함만 판정밝기 차 · 크기 규칙양품 · 불량차 22 · 8화소 · 미검 40새 결함 · 조명 변화
지도 학습분류 · 검출 · 분할결함 레이블 영상이름 · 상자 · 화소 지도검출 초당 45장레이블 부족 · 레이블 오류
이상 탐지형정상과 다른 곳 점수정상 영상만점수 · 점수 지도패치 4,500개 · AUROC 0.942정상 기준 이동
임계값과검 ↔ 미검 맞바꿈정상 점수 분포경계 값6.84(과검 1 · 미검 13)겹친 결함을 임계값으로 덮음
분류 · 레이블결함 이름 붙임검사원 재판정결함 종류 · 크기긁힘 · 찍힘 · 결 흐트러짐검사원마다 다른 이름
처리배출 · 기록판정 · 분류 결과배출 신호 · MES 기록장당 거리 계산 1,012,500회처리 시간 > 제품 간격

11참고 문헌

  1. 먼저 볼 문헌
  2. ★ Towards Total Recall in Industrial Anomaly Detection (CVPR 2022) — 정상 영상만으로 패치 특징을 기억해 결함을 찾는 방법과 MVTec AD 성능을 볼 때
    K. Roth 외 · IEEE/CVF · 2022-06 · arxiv.org/abs/2106.08265 · 확인 2026-11-04
  3. ★ MVTec AD — A Comprehensive Real-World Dataset for Unsupervised Anomaly Detection (CVPR 2019) — 정상만 있는 학습 세트와 결함 시험 세트로 짠 공개 기준 데이터를 볼 때
    P. Bergmann 외 · IEEE/CVF · 2019-06 · openaccess.thecvf.com/content_CVPR_2019/html/Bergmann_MVTec_AD_--_A_Comprehensive_Real-World_Dataset_for_Unsupervised_Anomaly_Detection_CVPR_2019_paper.html · 확인 2026-11-04
  4. ★ CutPaste: Self-Supervised Learning for Anomaly Detection and Localization (CVPR 2021) — 정상 영상을 잘라 붙여 결함을 합성하는 학습법을 볼 때
    C.-L. Li 외 · IEEE/CVF · 2021-06 · arxiv.org/abs/2104.04015 · 확인 2026-11-04
  5. ★ Pervasive Label Errors in Test Sets Destabilize Machine Learning Benchmarks (NeurIPS 2021 Datasets and Benchmarks) — 시험 세트 레이블 오류가 모델 비교를 뒤집는 정도를 볼 때
    C. G. Northcutt 외 · 2021-12 · arxiv.org/abs/2103.14749 · 확인 2026-11-04
  6. 본문 근거
  7. U-Net: Convolutional Networks for Biomedical Image Segmentation (MICCAI 2015) — O. Ronneberger 외 · Springer · 2015-05 · arxiv.org/abs/1505.04597 · 확인 2026-11-04
  8. You Only Look Once: Unified, Real-Time Object Detection (CVPR 2016) — J. Redmon 외 · IEEE · 2016-06 · arxiv.org/abs/1506.02640 · 확인 2026-11-04
  9. Automated Visual Inspection: A Survey (IEEE Transactions on Pattern Analysis and Machine Intelligence PAMI-4(6) 557-573) — R. T. Chin · C. A. Harlow · IEEE · 1982-11 · doi.org/10.1109/TPAMI.1982.4767309 · 확인 2026-11-04
  10. MVTec Anomaly Detection Dataset (MVTec AD) 소개 · 라이선스 — MVTec Software · 2026-11 · www.mvtec.com/company/research/datasets/mvtec-ad · 확인 2026-11-04
  11. NumPy 2.4 Reference — Random Generator — NumPy developers · 2026-11 · numpy.org/doc/stable/reference/random/generator.html · 확인 2026-11-04