비전 검사Machine Vision Inspection
카메라 · 조명 · 렌즈로 제품 겉모습을 찍고, 영상에서 결함을 찾아 양품 · 불량을 판정하고 결함 종류를 분류하는 자동 검사 기술이다.
1요약
- 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).
- 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).
- 「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.
그림 1 · 하나는 비스듬한 빛으로 흠을 드러내고, 흠 없는 견본과 다른 곳을 찾아 표시 · 분류하며, 기준선 하나가 버림과 놓침을 맞바꾼다.
그림 2 · 같은 긁힘도 빛이 들어오는 각도에 따라 묻히거나 드러난다 — 정면 빛은 긁힘을 어둡게, 낮은 빛은 긁힘만 밝게 만든다.
| 비유 속 역할 | 실제 이름 | 실제로 하는 일 |
|---|---|---|
| 비스듬한 등불 | 조명 · 광학 | 결함이 대비를 갖도록 빛의 각도 · 파장을 고른다 |
| 검수원의 눈 | 카메라 · 렌즈 | 정해진 화소 크기로 표면을 찍어 영상을 만든다 |
| 흠 없는 견본 | 정상 학습 영상 | 정상 200장의 패치 45,000개를 특징으로 기억한다 |
| 결이 다른 곳 찾기 | 판정 · 이상 점수 | 기억 속 가장 가까운 패치까지 거리를 점수로 낸다 |
| 연필 동그라미 | 결함 위치 | 점수 지도에서 임계값을 넘은 패치를 표시한다 |
| 금 · 이 빠짐 · 얼룩 바구니 | 결함 분류 | 긁힘 · 찍힘 · 결 흐트러짐 같은 레이블을 붙인다 |
| 공방장의 기준선 | 임계값 | 과검과 미검을 맞바꾸는 점수 경계를 정한다 |
| 버린 잔 · 나간 금 간 잔 | 과검 · 미검 | 양품을 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).
그림 3 · 판정 방식은 다섯 단계 중 하나만 바꾸고, 검사원 재판정이 만든 레이블이 다시 학습으로 돌아간다.
| 요소 | 역할 | 값 · 근거 |
|---|---|---|
| 촬상 | 결함이 대비를 갖는 영상을 만든다 | 시야 300 mm ÷ 4,096 화소 = 화소 약 0.073 mm · 라인 1 m/s 이면 행 주기 약 73 μs(설명용 가정 값) |
| 전처리 | 위치 · 밝기 차이를 지워 판정이 결함만 보게 한다 | 사례는 패치 평균을 빼 조명 기울기를 지움 |
| 규칙 기반 판정 | 사람이 정한 밝기 차 · 크기 규칙 | 사례 = 차 22 계조 초과 화소 8개 이상 연결 |
| 지도 학습 판정 | 결함 레이블로 분류 · 검출 · 분할 학습 | 검출 초당 45장(Redmon 2016) · 분할 512×512 1초 미만(Ronneberger 2015) |
| 이상 탐지형 판정 | 정상 패치 특징을 기억하고 거리로 점수 | 기억 은행을 1 ~ 25% 로 줄여 씀(Roth 2022 3.2절) |
| 분류 | 결함 종류 · 크기 레이블 | 레이블 정의가 검사원마다 같아야 함 |
| 처리 | 배출기 · 품질 기록 | 장당 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.
- 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).
- 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.
- 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.
- 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).
- 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.
- 임계값 A = 임계값용 정상 100장의 최고 점수 6.84 — 과검 1 · 미검 13 이고, 놓친 13장은 모두 찍힘이다(찍힘 7/20).
- 임계값 B = 임계값용 정상 점수의 90 백분위 5.81 — 미검은 8 로 줄지만 과검이 18 로 는다.
- 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.
그림 4 · 규칙은 밝기 차가 큰 긁힘만 잡고, 정상 패치를 기억한 판정은 결 흐트러짐까지 잡지만 대비가 약한 찍힘 13장을 놓친다.
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
| 기준 | 규칙 기반 | 지도 학습(분류 · 검출 · 분할) | 이상 탐지형(정상만) |
|---|---|---|---|
| 학습에 필요한 것 | 결함 정의 · 정상 몇 장 | 결함 종류마다 레이블 영상 | 정상 영상만(MVTec AD 학습 세트 = 정상만 · Roth 2022 4.1절) |
| 처음 보는 결함 | 규칙 밖이면 놓침(사례 결 흐트러짐 0/20) | 학습한 종류 밖이면 약함 | 정상과 다르면 잡음(사례 20/20) |
| 결함 종류 이름 | 규칙마다 정함 | 바로 냄 | 내지 않음 — 분류기를 뒤에 붙임 |
| 조명 · 위치 변화 | 규칙을 다시 맞춤(사례 정상 최대 차 27.1 계조) | 학습 영상의 변화 폭 안에서만 견딤 | 정상 영상에 그 변화가 있어야 견딤 |
| 결함 합성 | 쓰지 않음 | 드문 종류를 늘림 | 잘라 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).
| # | 증상 | 의심 원인 | 단계 | 확인 자료 | 판정 기준(근거) |
|---|---|---|---|---|---|
| 1 | 과검이 특정 시간 · 교대에 몰림 | 조명 열화 · 외부 빛 · 렌즈 오염 | 촬상 | 기준판 영상의 평균 밝기 · 대비 추이 | 학습 영상 밝기 범위를 벗어나면 조명 보정 뒤 재판정(그림 2 · 표 촬상 행) |
| 2 | 라인 속도를 올린 뒤 미검 | 노출 동안 이동으로 영상이 번짐 | 촬상 | 속도 × 노출 시간 = 번짐 길이 | 번짐이 화소 하나(사례 가정 0.073 mm)를 넘으면 노출 단축 · 조명 증설 |
| 3 | 새 로트 · 새 품종에서 과검 급증 | 정상 기준 이동 — 학습 영상이 옛 정상 | 판정 | 새 로트 정상 점수 분포 ↔ 임계값 | 정상 점수 최댓값이 임계값을 넘으면 새 로트 정상으로 재학습(Roth 2022 3.2절 기억 은행) |
| 4 | 검증 성능은 높은데 현장 미검 | 시험 세트 레이블 오류 · 학습 · 시험 영상 중복 | 평가 | 재검수한 시험 표본 · 영상 해시 중복 | 공개 시험 세트 10종 평균 레이블 오류 3.3% 이상(Northcutt 2021) — 오류율이 성능 차보다 크면 순위를 믿지 않음 |
| 5 | 분류가 검사원 판정과 자주 다름 | 결함 이름 정의가 검사원마다 다름 | 분류 | 같은 영상 이중 레이블 일치율 · 혼동 행렬 | 일치하지 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.
- 개요 — 정의(촬상 · 판정 · 분류) · 육안 검사의 한계 · 산업 AI 안에서의 위치
- 구성 — 그림 3 구성도(촬상 → 전처리 → 판정 → 분류 → 처리 · 재판정 되먹임) · 명시야 · 암시야 조명 한 줄
- 판정 방식 — 규칙 기반 · 지도 학습(분류 · 검출 · 분할) · 이상 탐지형 비교표
- 정상만 있는 데이터 — 패치 기억(PatchCore AUROC 99.1%) · 결함 합성(CutPaste 96.6) · 그림 4 사례 검출 수
- 평가와 운영 — 그림 5 임계값 곡선(과검 1 ↔ 18 · 미검 13 ↔ 8) · 레이블 품질 · 라인 속도 · 엣지 처리 시간
- 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
| 구분 | 맡는 일 | 입력 · 학습 자료 | 출력 | 사례 값 | 흔한 실패 |
|---|---|---|---|---|---|
| 촬상 | 결함에 대비를 줌 | 조명 각도 · 화소 크기 | 영상 | 64×64 · 좌우 밝기 차 ≤ 30 계조 | 조명 바뀜 · 번짐 |
| 전처리 | 위치 · 밝기 차이 지움 | 영상 | 정렬된 영상 · 패치 | 패치 평균 빼기 | 보정이 결함까지 지움 |
| 규칙 기반 | 정한 결함만 판정 | 밝기 차 · 크기 규칙 | 양품 · 불량 | 차 22 · 8화소 · 미검 40 | 새 결함 · 조명 변화 |
| 지도 학습 | 분류 · 검출 · 분할 | 결함 레이블 영상 | 이름 · 상자 · 화소 지도 | 검출 초당 45장 | 레이블 부족 · 레이블 오류 |
| 이상 탐지형 | 정상과 다른 곳 점수 | 정상 영상만 | 점수 · 점수 지도 | 패치 4,500개 · AUROC 0.942 | 정상 기준 이동 |
| 임계값 | 과검 ↔ 미검 맞바꿈 | 정상 점수 분포 | 경계 값 | 6.84(과검 1 · 미검 13) | 겹친 결함을 임계값으로 덮음 |
| 분류 · 레이블 | 결함 이름 붙임 | 검사원 재판정 | 결함 종류 · 크기 | 긁힘 · 찍힘 · 결 흐트러짐 | 검사원마다 다른 이름 |
| 처리 | 배출 · 기록 | 판정 · 분류 결과 | 배출 신호 · MES 기록 | 장당 거리 계산 1,012,500회 | 처리 시간 > 제품 간격 |
11참고 문헌
- 먼저 볼 문헌
- ★ Towards Total Recall in Industrial Anomaly Detection (CVPR 2022) — 정상 영상만으로 패치 특징을 기억해 결함을 찾는 방법과 MVTec AD 성능을 볼 때
- ★ 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
- ★ CutPaste: Self-Supervised Learning for Anomaly Detection and Localization (CVPR 2021) — 정상 영상을 잘라 붙여 결함을 합성하는 학습법을 볼 때
- ★ 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
- 본문 근거
- 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 - 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 - 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 - MVTec Anomaly Detection Dataset (MVTec AD) 소개 · 라이선스 — MVTec Software · 2026-11 ·
www.mvtec.com/company/research/datasets/mvtec-ad· 확인 2026-11-04 - NumPy 2.4 Reference — Random Generator — NumPy developers · 2026-11 ·
numpy.org/doc/stable/reference/random/generator.html· 확인 2026-11-04