비전 검사 정확도가 갑자기 떨어질 때 조명부터 살펴야 하는 이유

비전 검사 모델을 다시 학습했는데도 불량 판정이 흔들린다면 카메라 앞 환경을 먼저 보아야 합니다. 같은 제품도 조명 각도, 색온도, 반사, 렌즈 오염에 따라 전혀 다른 영상으로 들어옵니다. 현장 품질은 모델과 촬영 조건의 공동 결과입니다.

입력 영상의 기준 상태를 기록한다

초기 설치 때 합격품·불량품의 대표 영상을 조명 설정, 노출, 렌즈 위치와 함께 보존합니다. 시간이 지나 영상 밝기나 대비가 바뀌면 기준 영상과 비교합니다. 모델 점수 변화만 보면 촬영 환경 변화를 놓치기 쉽습니다.

불량률이 급증했을 때 실제 생산 품질이 나빠진 것인지 촬영 조건이 바뀐 것인지 구분해야 합니다. 동일 샘플을 재촬영하고 조명 전류, 카메라 노출, 렌즈 청결을 확인합니다. 교대조와 시간대별 차이도 도움이 됩니다.

환경 변화 때문에 정상품 점수가 내려갔다고 임계값만 낮추면 실제 불량을 놓칠 수 있습니다. 영상 품질을 복구하고 정상·불량 표본으로 다시 검증한 뒤 임계값을 결정합니다. 급한 임시 조정은 적용 시간과 승인자를 남깁니다.

대표 데이터가 한 조명 아래에서만 수집됐다면 현장 변화를 견디기 어렵습니다. 정상 운용 범위 안의 조명·제품 로트·표면 상태를 시험 세트에 포함합니다. 비현실적인 증강으로 실제 불량 특징을 지우지 않도록 주의합니다.

입력 밝기 분포, 초점 지표, 빈 프레임, 반사율 변화를 모니터링하면 품질 하락 원인을 빨리 찾을 수 있습니다. 운영 절차에 렌즈 청소와 조명 교체 이력을 연결합니다. 좋은 비전 시스템은 모델을 재학습하기 전에 입력 상태를 설명할 수 있습니다.

주의할 실패: 원인 확인 없이 임계값만 낮추면 실제 불량을 놓칠 수 있다.

관찰할 지표: 영상 밝기·초점 지표와 오검출·미검출을 함께 본다.

NIST Integrated Metrology for Advanced Manufacturing. NIST 자료는 제조 계측에서 영상 장치와 조명 구성을 다룹니다. 모델 운영 점검 절차는 현장 비전 검사를 위한 실무 제안입니다.

이미지와 도식은 이해를 돕기 위한 개념 시각화입니다. 특정 고객의 실제 설비·데이터·화면을 재현한 것이 아닙니다.

#머신비전 #비전검사 #조명드리프트 #제조AI #품질검사 #카메라설정 #데이터드리프트 #스마트팩토리 #불량검출 #MLOps