Machine Vision

머신 비전(MV)은 산업 자동화에서 카메라, 광학 장치, 조명, 이미지 분석을 사용해 제품을 검사하고, 부품을 측정하고, 코드를 읽고, 기계를 유도하는 기술입니다. 모든 결과는 부품을 거부하거나 분류하고 로봇을 조종하는 등의 동작으로 이어집니다. 이는 제어 루프에 통합된 컴퓨터 비전입니다. 포장 라인의 비전 시스템은 각 판단을 라인의 사이클 시간 내에 완료해야 합니다. 고속 병입 라인에서는 부품당 수십 밀리초 이내에 처리하고, 디지털 I/O나 산업용 네트워크를 통해 프로그래머블 로직 컨트롤러(PLC)에 결과를 전달해야 합니다. 머신 비전 작업은 일반적으로 네 가지 범주로 나뉩니다. 유도(로봇이 부품을 찾음), 검사(결함 및 누락된 특징 탐지), 계측(치수 측정), 식별(바코드, 데이터 매트릭스 코드, 인쇄된 텍스트 판독 및 광학 문자 인식)입니다.

머신 비전, 컴퓨터 비전, 이미지 처리 비교#

머신 비전은 산업 기계에 이미지 처리(노이즈 제거 또는 에지 선명화 등으로 이미지를 변환)와 컴퓨터 비전(어떤 환경에서든 이미지에서 의미를 추출)을 적용합니다. 머신 비전은 하드웨어와 통합 방식으로 정의됩니다. 제어된 조명과 광학 장치, 라인 센서가 트리거하는 카메라, 결정론적 타이밍, 액추에이터에 연결된 출력이 이에 해당합니다. 세 분야의 차이는 대부분 범위에 있으며, 최신 머신 비전 시스템은 다른 컴퓨터 비전 애플리케이션과 동일한 딥러닝 모델을 실행합니다.

머신 비전 시스템의 구성 요소#

• 조명: 조명은 카메라가 볼 수 있는 대상을 결정합니다. 백라이트는 부품의 실루엣을 만들어 정밀한 에지 측정을 가능하게 하고, 확산 돔 조명은 반짝이는 표면의 눈부심을 줄이며, 저각 암시야 조명은 흠집과 엠보싱 문자를 두드러지게 합니다. 투영된 레이저 라인은 3D 높이 프로파일을 드러냅니다.
• 광학 장치: 텔레센트릭 렌즈는 부품까지의 거리가 달라져도 배율을 일정하게 유지하므로, 계측 결과가 부품의 위치에 영향을 받지 않습니다.
• 카메라: 에어리어 스캔 카메라는 한 번의 노출로 개별 부품을 촬영하고, 라인 스캔 카메라는 철강, 종이, 직물과 같은 연속 소재를 한 줄씩 촬영해 이미지를 구성하며, 3D 센서는 레이저 삼각 측량, 스테레오 비전 또는 비행 시간을 사용합니다. GigE Vision, USB3 Vision, GenICam과 같은 인터페이스 표준을 사용하면 소프트웨어에서 여러 공급업체의 카메라를 제어할 수 있습니다.
• 처리 및 I/O: 광전 센서나 엔코더가 각 촬영을 트리거하고, 스마트 카메라나 산업용 PC가 분석을 실행하며, 결과는 점점 더 GPU나 NPU가 탑재된 엣지 하드웨어에서 PLC로 전달됩니다.

규칙 기반 도구와 딥러닝#

기존 머신 비전 소프트웨어는 결정론적 도구를 연결해 처리합니다. 임계값 처리, 블롭 분석, 에지 검출, 패턴 매칭, 에지 사이의 거리를 측정하는 캘리퍼 등이 이에 해당합니다. 다음 예제는 동전 사진에서 블롭 분석을 수행해 부품 수를 세고 크기를 측정합니다:

import numpy as np
from scipy import ndimage as ndi
from skimage import data, filters, measure, segmentation

# Grayscale photo of 24 Greek coins on a gray background, bundled with scikit-image
image = data.coins()

# Seed the background (dark) and the parts (bright), then grow both along edge strength
markers = np.zeros_like(image)
markers[image < 30] = 1
markers[image > 150] = 2
mask = ndi.binary_fill_holes(segmentation.watershed(filters.sobel(image), markers) == 2)

# Blob analysis: label each part, ignore specks, and gauge each diameter in pixels
parts = [r for r in measure.regionprops(measure.label(mask)) if r.area > 300]
diameters = [part.equivalent_diameter_area for part in parts]
print(f"{len(parts)} parts, diameters {min(diameters):.0f}-{max(diameters):.0f} px")

24 parts, diameters 37-63 px을 출력합니다. 동전을 모두 찾아 측정하며, 실제 생산 시스템에서는 각 지름을 허용 오차와 비교한 후 결과를 PLC로 전송합니다. 이 사진의 배경은 왼쪽 위로 갈수록 밝아지고 동전과 회색조가 겹치므로, 전역 Otsu 임계값 하나만 적용하면 이미지가 96개 블롭으로 분할됩니다. 생산 라인에서 조명을 제어하면 이러한 문제를 방지할 수 있습니다.

규칙 기반 도구는 형상이 고정된 부품에 빠르고 설명 가능하며 정확하지만, 나뭇결, 식품, 다양한 형태로 나타나는 화장품 결함과 같은 자연적인 변동에는 취약합니다. 객체 탐지, 인스턴스 세그멘테이션, 이상 탐지 모델은 예시를 통해 이러한 사례를 학습합니다. 결함 이미지로 학습된 YOLO26 세그멘테이션 모델은 긁힘과 균열을 픽셀 단위로 표시합니다. Ultralytics 내보내기 모드는 이를 TensorRT 또는 OpenVINO로 변환하므로 산업용 PC 또는 NVIDIA Jetson에서 실시간 추론이 생산 라인의 사이클 타임을 충족합니다.

실제 적용 사례#

• 자동 광학 검사: 전자제품 생산 라인에서는 인쇄 회로 기판의 부품 누락, 위치 이탈, 방향 반전, 납땜 불량을 검사합니다. 부품을 배치하기 전에 3D 솔더 페이스트 검사를 수행하는 경우도 많습니다.
• 제약 및 포장 검사: 시스템은 충전량, 뚜껑, 라벨을 확인하며, OCR은 모든 포장에 인쇄된 로트 코드와 유통기한을 판독합니다.
• 비전 유도 로봇: 로봇은 무작위로 쌓인 부품을 찾아 빈 피킹을 수행하며, 3D 센서와 자세 추정을 사용해 그립 위치를 선택합니다.
• 자동차 제조: 3D 센서는 차체 패널 사이의 간격과 단차를 측정하고, 카메라는 차량이 라인을 떠나기 전에 도장 마감과 용접 이음부를 검사합니다.