AI-Based Inline PCB Defect Detection and Robotic Sorting Using Smart Vision, PLC Logic, Fanuc Vision and SCADA Integration

세계의 전자 제품을 생산하는 공장에서는 아주 작은 실수 하나가 막대한 비용을 초래할 수 있습니다. 회로 기판 위의 칩 하나가 누락되거나, 있어서는 안 될 곳에 납땜이 묻거나, 부품이 약간 비뚤게 배치되는 것만으로도 장치를 못 쓰게 만들 수 있습니다. 수십 년 동안 그 해결책은 인간의 눈으로 모든 기판을 스캔하는 것이었으나, 이는 피로가 필연적으로 오류를 유발하는 느리고 소모적인 작업이었습니다. 그 후 카메라와 소프트웨어를 사용하여 자신이 보는 것을 완벽한 템플릿과 비교하는, '볼 수 있는' 기계들이 등장했습니다. 하지만 이 초기 기계들은 경직되어 있었습니다. 만약 기판이 약간 움직이거나 조명이 변하면 기계는 혼란에 빠져, 양품을 불량으로 판정하거나 불량품을 놓치기도 했습니다. 이 진화의 다음 단계는 기계에게 인간처럼 패턴과 결함을 인식할 수 있는, 즉 완벽하고 변하지 않는 템플릿 없이도 학습할 수 있는 '두뇌'를 부여하는 것이었습니다. 이러한 경직된 규칙에서 유연한 학습으로의 전환은 현대 산업 자동화의 핵심이며, 공장이 더 빠르고, 더 깨끗하며, 더 적은 실수를 바탕으로 운영되는 미래를 약속합니다.

미시간 공과대학교(Michigan Technological University)의 연구진은 이러한 미래의 작동 모델을 구축하여, 사람의 도움 없이 회로 기판을 검사하고 자동으로 분류하는 완전한 시스템을 만들어냈습니다. 그들은 단순히 오류를 찾기 위한 컴퓨터 프로그램을 작성한 것이 아니라, 카메라, 컨트롤러, 로봇, 그리고 모니터링 화면이 하나의 단위로서 모두 함께 작동하는 물리적인 워크스테이션을 구축했습니다. 이 시스템은 인공지능이 탑재된 스마트 카메라를 사용하여 컨베이어 벨트를 따라 이동하는 회로 기판을 살핍니다. 카메라가 기판을 포착하면 벨트를 멈추고, 사진을 찍은 뒤, 해당 기판이 양품인지 불량인지 즉시 결정합니다. 만약 기판이 결함이 있다면 로봇 팔이 내려와 이를 제거하고, 양품이라면 벨트가 다시 작동하여 기판이 계속 이동하게 합니다. 연구진은 카메라가 기판을 보는 것부터 로봇이 이를 옮기는 것까지의 이 전체 과정이, 심지어 벨트 위에 여러 개의 기판이 동시에 있을 때도 신뢰성 있게 일어날 수 있음을 증명했습니다.

그들의 성취의 핵심은 정보의 흐름을 어떻게 관리했느냐에 있습니다. 바쁜 공장에서 기판은 하나씩 멈추지 않고 종종 흐름을 이루며 이동합니다. 이는 까다로운 문제를 야기합니다. 만약 카메라가 기판을 검사한 후 벨트가 움직인다면, 로봇은 나중에 어떤 기판을 집어 들어야 할지 어떻게 알 수 있을까요? 만약 시스템이 혼란을 겪으면 양품을 버리거나 불량품을 남겨둘 수도 있습니다. 연구진은 검사 결과를 마치 티켓을 기다리는 줄처럼 도착한 순서 그대로 유지하는 방식인 '디지털 큐(digital queue)'를 사용하여 이 문제를 해결했습니다. 기판이 카메라에 도착하면 그 결과는 줄의 맨 뒤에 놓입니다. 그리고 동일한 기판이 로봇 스테이션에 도착하면, 시스템은 줄의 맨 앞에서 결과를 가져와 로봇에게 무엇을 할지 지시합니다. 이를 통해 아무리 많은 다른 기판들이 주변에서 움직이고 있더라도, 모든 기판은 각자의 검사 기록에 따라 판단될 수 있습니다.

시스템을 테스트하기 위해 연구진은 컨베이어 벨트, 기판 도착를 감지하는 두 개의 센서, 스마트 카메라, 그리고 6축 로봇 팔로 구성된 실제 환경을 설정했습니다. 그들은 카메라의 인공지능이 회로 기판의 두뇌 역할을 하는 작은 검은색 칩인 집적 회로(IC)를 인식하도록 훈련시켰습니다. 카메라는 특정 모양의 칩을 찾고 그 개수를 세도록 학습되었습니다. 만약 카메라가 예상된 수의 칩을 확인하면 이를 통과로 표시했습니다. 만약 칩이 부족하거나 칩이 잘못된 위치에 있다면 불량으로 표시했습니다. 시스템은 기판이 항상 정확히 같은 지점에 멈추지 않거나 조명이 약간 변할 수 있는 공장 현장의 무질서한 현실을 처리할 수 있도록 설계되었습니다.

결과에 따르면 시스템은 의도한 대로 작동했습니다. 14개의 회로 기판을 대상으로 한 일련의 테스트에서, 시스템은 어떤 것이 양품이고 어떤 것이 불량인지 정확히 식별해 냈습니다. 시스템은 모든 부품이 갖춰진 보드와 그렇지 않은 보드를 성공적으로 구분했습니다. 카메라는 결정을 내리는 데 1초도 걸리지 않았으며, 로봇 팔은 정밀하게 움직여 기판을 분류했습니다. 연구진은 시스템이 특히 기판의 물리적 이동을 처리하는 데 탁월하다는 것을 발견했습니다. 컨베이어 벨트에 여러 품목이 움직이고 있을 때도 디지털 큐는 어떤 결과가 어느 기판에 속하는지 놓치지 않았습니다. 자체 비전 시스템에 의해 유도되는 로봇 팔은 기판을 집어 들어 양품은 라인을 따라 보내고 불량은 폐기함에 던지는 등 적절한 빈(bin)에 배치할 수 있었습니다.

하지만 연구진은 이것이 대규모 공장에 바로 투입될 완성된 제품이라기보다 개념을 증명하기 위해 만들어진 작동 모델인 프로토타입이라는 점을 주의 깊게 언급했습니다. 이 시스템은 특정 테스트에서 약 80%의 정확도를 달야냈지만, 아직 완벽하지는 않다는 점을 인정했습니다. 시스템은 기판이 매번 정확히 동일한 방식으로 배치되지 않을 때 다소 어려움을 겪었으며, 카메라가 사진을 찍기 위해 벨트가 멈춰야 했기에 컨베이어 벨트의 속도에도 제한이 있었습니다. 이러한 문제들은 주요 전자 제품 제조업체의 높은 속도에 맞춰 작동하기 전에 해결해야 할 실질적인 과제들입니다. 또한 연구진은 인공지능 모델이 상대적으로 적은 양의 이미지 세트로 훈련되었기 때문에, 모든 종류의 결함이나 조명 조건을 처리하는 데 한계가 있다고 언급했습니다.

이러한 한계에도 불구하고, 이 프로젝트는 첨단 인공지능을 표준 공장 장비와 결합하여 완전히 자동화된 검사 라인을 만드는 것이 가능하다는 것을 보여주었습니다. 이 시스템은 멀리 떨어진 서버실의 강력한 컴퓨터 한 대에 의존하는 대신, 지능이 카메라 자체 내부에 존재하여 로컬에서 즉각적으로 결정을 내렸습니다. 이러한 접근 방식 덕분에 카메라는 공장 컨트롤러와 직접 통신할 수 있었고, 컨트롤러는 로봇에게 무엇을 할지 지시할 수 있었습니다. 전체 과정은 시스템의 모든 상태를 실시간으로 보여주는 화면을 통해 모니터링되었으며, 이를 통해 운영자는 한눈에 상황을 파악할 수 있었습니다. 스마트 비전, 논리적 제어, 그리고 물리적 분류의 이러한 통합은 품질을 보장하는 방식에 있어 중요한 진전을 나타냅니다. 이는 고도의 기술 연구와 실제 공장 현장의 기계 사이의 간극이 좁혀지고 있으며, 기계가 단순히 결함을 보는 것을 넘어 이를 이해하고 인간의 개입 없이 문제를 해결하는 세상에 우리가 더 가까워지고 있음을 보여줍니다.