1부에서는 하드웨어 선택과 물리적 환경부터 시작하여 6가지 문제 해결 방향을 다루었습니다 — 카메라 해상도, 셔터 유형, 렌즈 캘리브레이션, 조명 선택, 렌즈 오염, 현장 환경 간섭까지. 2부에서는 소프트웨어 및 알고리즘 계층으로 이동하여 이미지 전처리, 임계값 조정, 훈련 샘플 커버리지에 중점을 두고, 완전한 9항목 빠른 문제 해결 체크리스트를 함께 제공합니다.

방향 7: 이미지 전처리 — 알고리즘 이전의 "방어선"

정확도가 떨어질 때 많은 사람들의 첫 반응은 "알고리즘 매개변수를 조정하자"이지만, 실제로 문제는 종종 전처리 단계에 있습니다.

실제 사례를 들어보겠습니다: 실험실 정확도는 99.8%에 달했지만, 생산 라인에서는 65%로 급격히 떨어졌습니다. 72시간의 문제 해결 끝에 근본 원인은 가장 기본적인 이미지 전처리 단계에 있었습니다 — 팽창 연산에서 커널 크기가 부적절하게 설정되어 미세 결함 특징을 과도하게 증폭시켜 배경 노이즈와 혼합되었고, 그 결과 후속 알고리즘이 실제 결함과 아티팩트를 구분할 수 없게 되었습니다.

전처리 단계의 일반적인 문제점과 해당 연산자는 다음과 같습니다:

필터링 및 노이즈 제거: 노이즈 유형에 따라 적절한 필터를 선택하세요. 소금-후추 노이즈에는 중간값 필터링을 사용하고, 가우시안 노이즈에는 가우시안 필터링을 사용하세요. 잘못된 필터를 사용하면 노이즈가 제거되지 않고 가장자리가 흐려집니다.

대비 향상: 단순한 히스토그램 평활화(equalizeHist)는 국부적 과다 노출을 유발하는 경향이 있습니다. CLAHE(Contrast Limited Adaptive Histogram Equalization)를 권장합니다 — 대비 증폭을 제한하여 국부 대비를 향상시키면서 과도한 노이즈 증폭을 방지하므로 더 안정적인 성능을 제공합니다.

조명 불균일 보정: 불균일한 밝기는 종종 전역 임계값이 실패하는 원인이 됩니다 — 밝은 영역은 과다 노출되어 아티팩트가 증가하고, 어두운 영역은 저노출되어 대상이 손실됩니다. 동형 필터링을 시도하여 조명과 반사 성분을 분리하거나, Top-hat 변환을 사용하여 불균일한 배경을 보정하세요.

방향 8: 알고리즘 매개변수 및 임계값 — 과검과 미검의 "시소"

이 방향은 두 가지 다른 기술 시나리오를 구분해야 합니다. 임계값 조정 논리가 완전히 다르기 때문입니다.

시나리오 1: 전통적인 이미지 처리 (고정 임계값 / Otsu 적응형 임계값 / 에지 검출 임계값)

전통적인 비전에서 임계값은 어떤 픽셀이 "대상"(결함)으로 분류되고 어떤 픽셀이 "배경"으로 분류되는지를 결정합니다.

가장 간단한 이진 임계값을 예로 들어보겠습니다:

임계값이 너무 높음: 대비가 매우 강한 픽셀만 결함으로 분류됨 → 미검율 증가(약한 결함이 무시됨), 과검 감소(노이즈가 필터링됨).

임계값이 너무 낮음: 더 많은 픽셀이 결함으로 분류됨 → 과검 증가(정상 영역이 오판됨), 미검율 감소(약한 결함도 검출 가능).

전통적인 "과검-미검" 시소 관계는 기본적으로 이 패턴을 따르지만, 정확한 방향은 알고리즘 유형에 따라 약간 다를 수 있습니다.

시나리오 2: AI 딥러닝 검사 (분류/객체 검출 신뢰도 임계값)

AI 모델에서 네트워크는 "이 영역은 결함입니다"를 나타내는 신뢰도 점수(0~1)를 출력하며, 시스템은 신뢰도 임계값을 설정하여 경보를 트리거할지 여부를 결정합니다.

임계값이 너무 높음: 모델이 "매우 확신"할 때만 결함을 보고함 → 미검율 증가(흐릿하거나 가려진 결함은 신뢰도가 충분하지 않아 통과될 수 있음), 과검 감소(오경보 감소).

임계값이 너무 낮음: 모델이 "약간의 의심"만으로도 결함을 보고함 → 과검 증가(수많은 오경보), 미검율 감소(더 많은 실제 결함이 검출됨).

주요 차이점: 전통적인 임계값에서 임계값 변경이 "과검"과 "미검"에 미치는 방향은 알고리즘 논리에 따라 다르지만, AI 모델에서는 임계값을 높이면 항상 과검을 줄이는 데 도움이 되지만 미검율은 증가하며(그 반대도 마찬가지), 방향은 결정론적입니다.

또 다른 쉽게 간과되는 점: 여러 결함 유형의 복합 판정입니다. 단일 결함은 임계값 이하일 수 있지만, 동일한 공작물에 임계값에 근접한 여러 개의 경미한 결함이 있는 경우 불합격으로 판정해야 할까요? 시스템 설계 시 이 복합 판정 논리가 명확히 정의되지 않으면, 공급업체는 일반적으로 가장 단순한 단일 임계값 판정을 채택하여 경계 사례에서 오판정이 발생하는 경우가 많습니다.

방향 9: 훈련 샘플의 대표성 — 모델이 "본 적 없는" 결함

AI 비전 검사 모델의 일반화 능력은 훈련 데이터가 실제 생산에서 마주치는 결함 분포를 대표할 수 있는지에 달려 있습니다.

훈련 중에 가장 전형적인 결함 유형만 수집하면, 모델은 훈련 세트에 없는 변형을 만났을 때 결함을 놓칠 것입니다. 실제 생산 환경에서 동일한 결함 유형의 형태학적 변형은 실험실 조건보다 훨씬 다양합니다 — 공작물 재질 배치 변경, 계절적 온습도 영향, 장비 마모로 인한 공작물 표면 일관성 변화 등 — 모두 훈련 중에 보지 못한 새로운 결함 샘플을 생성합니다.

일반적인 규칙으로, 훈련 세트는 알려진 결함 변형의 최소 90%를 커버해야 모델이 실제 생산 라인에서 사용 가능한 성능을 달성할 수 있습니다.

샘플링 전략은 총량뿐만 아니라 결함 다양성을 커버해야 합니다. 동일한 결함 유형의 다양한 심각도, 다양한 위치, 다양한 공작물 배치 — 모두 커버되어야 합니다. 특정 결함 유형의 실제 샘플이 부족한 경우, 데이터 증강 기법(회전, 크기 조정, 무작위 밝기/대비 변동, 시뮬레이션 노이즈 추가 등)을 사용하여 샘플 다양성을 확장할 수 있습니다 — 단, 증강된 샘플은 물리적 진정성을 유지하고 결함의 실제 시각적 특성에서 벗어나지 않아야 합니다.

또한, 샘플 수집은 지속적인 노력이어야 합니다 — 생산 중에 더 많은 경계 사례가 축적됨에 따라 모델을 새로운 샘플로 주기적으로 재훈련해야 합니다.

부록: 완전한 빠른 문제 해결 체크리스트 (현장 참조 표)

마지막 말씀

검출 정확도가 떨어질 때, 문제 해결의 순서가 중요합니다. 제 조언은 다음과 같습니다:

하드웨어 우선, 소프트웨어 나중; 물리 우선, 알고리즘 나중; 전통 우선, AI 나중.

"카메라 해상도가 충분한가?" → "올바른 셔터 유형을 선택했는가?" → "렌즈 왜곡이 캘리브레이션되었는가?" → "조명 밝기와 유형이 적절한가?" → "렌즈가 오염되었는가?" → "현장 조명과 진동 간섭이 있는가?" → "전처리 파이프라인에 문제가 있는가?" → "임계값 설정이 합리적인가?" → "훈련 샘플이 실제 결함 분포를 커버하는가?"

한 단계씩 진행하세요 — 알고리즘 조정부터 시작하지 마세요. 많은 경우 정확도 문제의 근본 원인은 코드가 아니라 카메라, 렌즈, 조명 또는 작업장 환경에 있습니다. 위의 빠른 체크리스트를 사용하여 항목별로 진행하세요 — 정확도 문제의 90% 이상을 30분 이내에 근본 원인으로 좁힐 수 있습니다.

결국, 머신 비전 정확도의 70%는 선택 단계에서 결정됩니다. 나머지 30%는 실험실에서 생산 라인까지의 모든 연결 고리가 완벽하게 수행되는지에 달려 있습니다.

본 문서는 머신 비전 검출 정확도에 대한 교육용 참고 자료입니다. 실제 사양은 제품 데이터시트를 따릅니다. © MindVision