AI 머신비전 도입 확산 ... 정확도 넘어 편의성·확장성이 관건
AI 기반 머신비전이 시험 적용 단계를 넘어 실제 생산현장으로 확산되고 있다. 코그넥스(Cognex)가 미국·캐나다와 유럽, 중국의 제조업체, OEM, 시스템 통합업체를 조사한 결과, 전체 응답자의 57%가 AI 머신비전을 사용 중이었으며 30%는 향후 도입을 계획하고 있다고 답했다. 3년 이상 사용한 기업은 3년 미만 사용자보다 개발·배포, 성능 유지, 생산라인 전환, 사업장 확장 등 운영 관련 성능을 더 긍정적으로 평가했다. 이는 정확도가 초기 도입을 결정하는 핵심 기준이라면, 장기적인 가치는 운영 편의성과 확장성에 의해 좌우될 수 있음을 보여준다.
응답 기업 57%, AI 머신비전 사용 중
코그넥스 조사에서 전체 응답자의 20%는 AI 머신비전을 3년 이상 사용하고 있었으며, 37%는 사용 기간이 3년 미만이었다. 이를 합하면 현재 사용 비율은 57%다. 향후 도입을 계획하고 있다는 응답은 30%, 현재 사용하지 않는다는 응답은 13%였다. 현재 사용자 가운데 약 65%가 최근 3년 이내에 AI 머신비전을 도입한 것으로, 관련 기술이 제조업 전반으로 빠르게 확산하고 있음을 보여준다.
산업별로는 물류 분야의 현재 사용률이 72%로 가장 높았다. OEM과 시스템 통합업체는 62%, 전자산업은 61%, 자동차와 헬스케어는 각각 60%로 나타났다. 일용소비재(FMCG)는 48%로 상대적으로 낮았다.
<도표1> AI 머신비전 도입 현황
▲ 전체 응답자의 57%는 AI 머신비전을 사용 중이며, 30%는 향후 도입을 계획하고 있다고 답했다.
전자와 자동차 산업은 향후 도입 계획도 상대적으로 높게 나타났다. 반면 FMCG와 헬스케어에서는 현재 AI 머신비전을 사용하지 않는다는 응답 비중이 상대적으로 높았다. 보고서는 헬스케어 산업의 신중한 태도가 규제 요건에 대한 우려에서 비롯됐을 가능성이 있다고 분석했다. FMCG는 포장 형태가 다양하고 고속 검사가 필요하지만 AI 머신비전 도입률은 다른 주요 산업보다 낮았다.
<도표2> 산업별 AI 머신비전 사용 현황과 도입 계획
▲ 현재 사용률은 물류가 72%로 가장 높았으며, 전자와 자동차 산업은 향후 도입 계획 비중도 상대적으로 높게 나타났다.
도입 단계에서는 정확도, 운영 단계에서는 편의성
정확도는 산업과 지역, 기업 규모를 막론하고 AI 머신비전의 초기 도입을 결정하는 가장 중요한 기준으로 평가됐다. 산업용 검사 시스템은 생산라인 속도에 맞춰 사람의 개입없이 판정을 내려야 하기 때문에 높은 정확도가 기본 조건으로 요구된다.
조사에서도 응답자의 81.5%가 AI 머신비전이 높은 정확도를 제공한다고 평가했다. 평균 점수는 5점 만점에 4.19점으로, 조사된 성능 항목 가운데 가장 높았다. 다만 사용 경험에 따라 AI 머신비전의 운영 성능에 대한 평가 차이가 나타났다. 3년 이상 사용한 기업은 3년 미만 사용자보다 시스템의 확장과 유지보수, 개발·배포 편의성을 더 높게 평가했다.
여러 사업장으로 쉽게 확장할 수 있다는 응답은 3년 이상 사용 기업이 86.1%로, 3년 미만 사용자의 75.3%보다 10.9%p 높았다. 빠른 개발과 배포는 81.2% 대 72.1%, 성능 유지의 용이성은 83.2% 대 76.3%, 생산라인 전환의 용이성은 77.2% 대 71.0%로 조사됐다.
<도표3> AI 머신비전 사용 기간별 성능 인식 차이
▲ 3년 이상 사용 기업은 3년 미만 사용 기업보다 모든 항목에서 높은 인식률을 보였다.
이 결과는 정확도가 도입 여부를 결정하는 출발점이라면, 장기적인 투자 가치는 시스템을 얼마나 쉽게 운영하고 확장할 수 있는지에 따라 달라질수 있음을 보여준다. 이러한 평가 차이는 최신 AI 머신비전이 설정과 학습, 유지보수, 생산라인 전환 과정을 단순화하는 방식과 연결된다.
설정과 학습 부담 줄이는 AI 머신비전
AI 머신비전의 사용 편의성은 초기 설정과 학습, 유지보수, 제품 전환 과정에서 나타난다. 보고서는 최신 시스템이 촬영된 이미지를 바탕으로 카메라 위치와 검사 파라미터, 판정 기준 설정을 자동화하거나 안내할 수 있다고 설명했다. 기존에는 전문 엔지니어가 직접 조정해야 했던 작업의 상당 부분을 생산 현장 담당자가 처리할 수 있다는 것이다.
사전 학습 모델도 구축 부담을 줄이는 요소다. 일반적인 결함 특성을 미리 학습한 모델은 새로운 애플리케이션을 구성할 때 필요한 이미지와 학습 작업을 줄여준다. 보고서에 따르면 일부 시스템은 10장 미만의 이미지로도 애플리 케이션별 학습을 진행할 수 있다.
성능 모니터링 기능은 검사 성능 저하를 감지해 작업자에게 알리고, 일부 시스템에서는 설정을 자동으로 조정한다. 이를 통해 문제가 생산에 영향을 준 이후 대응하는 대신 계획된 유지보수 시간에 조치할 수 있다. 제품이 바뀔 때도 검사 시스템 전체를 다시 구축하는 대신 새로운 부품 이미지를 추가해 모델을 조정할 수 있다. 보고서는 이러한 방식이 제품 전환에 필요한 시간을 며칠에서 몇 시간 수준으로 줄일 수 있다고 설명했다.
파일럿에서 여러 라인과 사업장으로
운영 편의성은 AI 머신비전을 다른 생산라인과 사업장으로 확대하는 과정에서도 중요하다. 단일 생산라인에서 검사 성능을 검증한 뒤 동일한 애플리 케이션을 일부 조정해 다른 라인에 반복 적용하면, 사업장 마다 검사 시스템을 새로 개발하는 부담을 줄일 수 있다.
클라우드 환경에서 검사 애플리케이션을 설계하고, 완성된 애플리케이션은 생산현장의 엣지 디바이스에서 실행하는 분산형 방식도 활용할 수 있다. 복잡한 설계와 학습에는 클라우드 자원을 이용하고, 실시간 검사는 지연시간이 짧은 현장 장치에서 수행하는 구조다.
AI 시스템은 사람이 미리 작성한 고정 규칙보다 제품의 기본 패턴을 학습하기 때문에 새로운 제품이나 생산 조건의 변화에도 비교적 유연하게 대응할 수 있다. 조명과 카메라 각도, 제품 편차가 달라지는 환경에서도 기존 애플리케이 션을 조정해 재사용할 수 있다는 것이 보고서의 설명이다.
이는 기존 검사 기능을 여러 생산라인으로 복제하는 데 그치지 않는다. 제품 변화가 많거나 검사 조건이 일정하지 않아 기존 규칙 기반 방식으로 자동화하기 어려웠던 공정에도 머신비전을 적용할 가능성을 넓힌다.
자료제공: Cognex(www.cognex.com)
