AOI 오검출(False Call) 줄이기: 근본 원인과 해결책

AOI 오경보(false call)를 줄이려면 다음 순서로 원인을 해결해야 합니다. 골든 샘플이 실제로 양품인지 확인하고, 조명 및 광학계를 사양대로 복구하며, 부품 라이브러리를 정리한 다음, IPC-A-610 기준으로 윈도우별 임계값을 재조정합니다. 전체적으로 기준을 완화하는 것은 해결책이 아닙니다. 이는 오경보를 유출(escape)과 맞바꾸는 것에 불과합니다. 기종 변경(changeover)이나 새 부품 로트가 투입될 때마다 오경보가 다시 증가한다면, 마주한 한계는 튜닝 문제가 아니라 룰 기반 알고리즘 자체의 아키텍처 문제입니다.

오경보(가성 불량 또는 과검출)는 AOI가 양품 보드를 불량으로 판정하는 현상입니다. 오경보가 발생할 때마다 작업자가 보드를 다시 육안으로 확인해야 합니다. 한 교대 근무 동안 수십 번씩 거짓 알람을 울리는 장비는 인력을 낭비할 뿐만 아니라 작업자가 장비의 판정을 불신하게 만듭니다. 그리고 이것이 가장 큰 비용 손실을 초래합니다. 본 글에서는 오경보의 발생 원인, 실질적인 비용 손실, 기존 AOI에서 현실적으로 개선할 수 있는 범위, 그리고 검사 로직이 룰 기반에서 AI로 전환될 때 무엇이 달라지는지 다룹니다.

AOI 오경보의 원인은 무엇인가?

AOI 오경보는 일반적인 공정 편차를 수용하지 못하는 검사 룰 때문에 발생합니다. 주된 원인은 합격 판정 기준보다 엄격하게 설정된 임계값, 조명 드리프트, 부품 로트 변경, 보드 휨(warpage)입니다. 일부 부품 유형은 컬러 기반 알고리즘의 한계를 완전히 벗어납니다. PCB 원판(laminate) 색상과 동일한 부품 본체, 칩 인덕터 및 크리스탈 오실레이터의 빽빽한 표면 마킹이 대표적입니다. 이러한 부품은 아무리 임계값을 튜닝해도 해결되지 않으므로 각별한 주의가 필요합니다.

대부분의 오경보 관련 논의는 "임계값이 너무 엄격하다"는 수준에서 그칩니다. 맞는 지적이지만 이는 표면적인 이유일 뿐입니다. 전체 원인 목록은 다음과 같습니다:

• 과도하게 엄격한 임계값. 불량 유출은 고객사 클레임으로 이어지지만, 오경보는 확인 스테이션의 번거로움에 그치기 때문에 프로그래머는 보수적으로 튜닝하는 경향이 있습니다. 수백 개의 부품 윈도우에 걸쳐 이러한 보수적 성향이 누적되면 첫 보드가 투입되기도 전에 프로그램 자체가 과검출 성향을 띠게 됩니다.
• 광학계 및 조명 드리프트. 램프는 노후화되고 렌즈에는 먼지가 쌓입니다. 교대 근무에 따라 주변 조명도 변합니다. 픽셀 및 컬러 비교 방식은 이러한 변화를 모두 보드 상의 불량이나 편차로 인식합니다.
• 부품 로트 간 편차(Lot-to-lot variation). 제2 공급사에서 들어온 릴 부품의 표면 마감 상태나 마킹 폰트가 미세하게 다를 수 있습니다. 부품 자체는 양품이지만 패턴 매칭은 실패합니다.
• 보드 휨(Warpage). 보드가 휘어지면 검사 윈도우 가장자리에 위치한 부품의 위치가 어긋나면서 오프셋 및 실장 유무(presence) 검사에서 에러가 발생합니다.
• 보드와 동일한 색상의 부품. 부품 본체가 PCB 원판 색상과 일치하면 알고리즘이 보드와 부품을 구분하지 못해 RGB 기반 검출이 완전히 실패할 수 있습니다. DaoAI 브로셔에는 이 오류 모드와 해결책이 상세히 기술되어 있습니다(자세한 내용은 후술).
• 블랙 인덕터 및 크리스탈 오실레이터의 마킹 간섭. 이 두 부품군은 대표적인 오경보 유발 부품입니다. 검은색 표면 위에 빽빽하게 인쇄된 흰색 레이저 마킹은 룰 엔진에 스크래치나 파손으로 인식되기 쉽습니다.
• 정렬(Alignment) 오류를 유발하는 이물질. 먼지나 플럭스 잔여물은 정렬 단계 자체의 정확도를 떨어뜨려, 정상 실장된 부품도 위치 틀어짐으로 측정되게 만듭니다.

오경보 원인에 대해 파레토 분석을 실행해 보십시오. 만약 마지막 세 가지 원인이 주를 이룬다면, 이는 알고리즘 자체의 결함이며 튜닝만으로는 해결할 수 없습니다.

오경보로 인해 실제로 발생하는 비용은 얼마인가?

오경보는 세 가지 단계로 비용을 발생시킵니다. 첫째는 재검사 인건비(알람이 발생한 모든 보드를 작업자가 재판정), 둘째는 확인 스테이션 병목으로 인한 라인 정지, 셋째는 작업자의 둔감화입니다. 이 중 둔감화는 가장 눈에 띄지 않지만 가장 큰 비용을 초래합니다. 알람의 대부분이 허위일 경우 작업자는 기계적으로 승인(rubber-stamping)하기 시작하며, 신뢰도를 잃은 장비 때문에 실제 불량이 그대로 유출됩니다. DaoAI 데이터에 따르면 재검사 및 라인 정지로 인한 비용은 작업자 1인당 연간 약 USD 15,000에서 40,000에 이릅니다(DaoAI 보고 기준).

세 번째 단계인 작업자 둔감화는 검사 본연의 목적을 훼손하므로 더욱 면밀히 검토해야 합니다. 과검출이 심한 AOI는 인건비 절감 효과를 내지 못하고, 확인 작업을 맡은 작업자의 판단력이 무뎌지면서 오히려 불량 유출의 원인이 됩니다. 품질팀은 유출된 불량을 잡기 위해 임계값을 더 엄격하게 조이고, 이는 더 많은 오경보를 낳아 작업자를 더 둔감하게 만듭니다. 이러한 악순환 때문에 "알람 뜬 것만 다시 확인하면 된다"는 식의 대처는 결코 비용 효율적이지 않습니다.

또 다른 잠재적 비용도 존재합니다. 오경보가 일상화되면 엔지니어는 AOI가 보고하는 데이터를 불신하게 됩니다. AOI 출력을 바탕으로 생성된 불량 트렌드와 SPC 차트는 노이즈로 전락하고, 결국 장비는 방치됩니다. 방치된 검사 시스템은 보드를 검사하지 않으면서 막대한 비용만 소모하는 가장 비효율적인 설비입니다.

기존 AOI에서 오경보를 줄이는 방법은 무엇인가?

기존 AOI에서는 임계값을 건드리기 전에 측정 시스템부터 정비하여 오경보를 줄여야 합니다. 골든 샘플을 다시 검증하고, 조명을 사양대로 복구하며, 현재 라인에 실제 투입된 로트에 맞춰 부품 라이브러리를 업데이트합니다. 그런 다음 최다 불량 항목 파레토 분석을 시작으로 IPC-A-610 기준에 따라 윈도우별 상하한값을 재튜닝하고, 반복성을 점검하여 남은 편차가 장비가 아닌 공정 자체에서 기인한 것인지 확인해야 합니다.

이 순서대로 실행하면 실질적인 개선 효과를 얻을 수 있습니다:

1. 룰 설정 전 기준(Reference)부터 검증. 골든 샘플이나 티칭 이미지가 현재 양품 상태와 차이가 난다면(설계 변경 ECO, 공급업체 변경, 숄더 프로파일 변경 등), 이후의 모든 판정은 이 오류를 그대로 이어받게 됩니다. 반드시 검증된 최신 양품 보드로 먼저 재티칭을 진행하십시오.
2. 광학계 및 조명 상태 복구. 렌즈를 청소하고, 셋업 초기값과 램프 출력을 대조 점검하며, 화이트 밸런스를 재보정합니다. 번거로운 작업이지만, 수많은 현장에서 가장 확실한 개선 효과를 내는 단계입니다.
3. 부품 라이브러리 정비. 로트나 공급업체가 변경되면 패키지 등록 정보를 업데이트하고 노후된 정보는 폐기합니다. 라이브러리 담당자를 명확히 지정하십시오. 관리 주체가 불분명할 때 라이브러리는 가장 빠르게 오염됩니다.
4. 파레토 분석 기반 튜닝 및 표준 규격 준수. 오경보 발생 빈도순으로 순위를 매겨 가장 문제가 되는 윈도우부터 수정합니다. 단순히 알람을 줄이기 위한 임의 튜닝을 피하고 IPC-A-610(최신 개정판 IPC-A-610J, 2024)에 맞춰 합격/불량 판정 한계값을 설정하십시오. 그래야 과도하게 좁혀진 윈도우를 넓히면서도 고객사 대상의 품질 정당성을 유지할 수 있습니다.
5. 반복성 검증. 측정 시스템으로서의 AOI에 대해 Gage R&R 방식의 검증을 실행합니다. 동일한 보드를 반복 검사했을 때 매번 다른 결과가 나온다면, 장비의 불안정성이 해결되기 전까지 임계값 튜닝은 무의미한 추측에 불과합니다.
6. 확인 스테이션 표준화. 재검사 작업자에게 IPC-A-610에 따른 동일한 합격 판정 기준과 기준 사진을 제공하여 교대 근무조가 바뀌어도 "오경보"의 정의가 동일하게 유지되도록 합니다. 그렇지 않으면 개선하고자 하는 지표 자체가 신뢰성을 잃게 됩니다.

하지만 이러한 조치 중 영구적인 것은 없습니다. 기종 변경, 신제품 생산, 새로운 부품 로트가 투입될 때마다 작업 부담은 다시 원점으로 돌아옵니다. NPI마다 튜닝 부채가 누적되는 다품종 소량(High-mix) 생산 현장일수록 그 부담은 더욱 커집니다.

AI는 어떻게 오경보를 줄이는가?

AI는 픽셀 공간이 아닌 특징 공간(feature space)에서 부품을 판정하여 오경보를 줄입니다. 학습된 비전 모델은 형상, 구조, 질감, 공간적 맥락을 추출한 다음, 원본 픽셀을 고정된 룰과 비교하는 대신 양품 보드의 실제 형상을 기준으로 이상 여부를 채점합니다. 그 결과 룰 기반 오경보의 주원인이 되는 조명 드리프트, 외관상의 로트 편차, 보드 휨 등의 공정 변동에 유연하게 대응할 수 있습니다(DaoAI 보고 기준, 고객 현장 보드로 검증 권장).

위에서 언급한 근본 원인과 연계된 상세 메커니즘은 다음과 같습니다:

두 번째 구조적 차이점은 피드백 루프입니다. DaoAI 시스템에서는 작업자가 알람 이미지를 오경보로 처리하면, 해당 판정 결과가 모델로 다시 전달되어 파라미터가 자동으로 업데이트됩니다. 각 생산 라인의 실제 데이터가 곧 학습 데이터가 되므로, 오경보율은 시간이 지나면서 높아지는 것이 아니라 장비를 사용할수록 점차 감소합니다. (이에 적용된 골든 보드 워크플로는 CAD 파일 없는 AOI 프로그래밍 문서에서 다룹니다.) 작업자 피드백이 누적됨에 따라 오경보는 감소하며, 검출 정확도는 98% 이상으로 평가됩니다. 데모를 통해 실제 보드에서 성능을 확인해 보십시오.

합격 기준 자체가 바뀌는 것은 아닙니다. 합격 및 불량 판정 기준은 여전히 IPC-A-610을 따릅니다. 모델이 변화시키는 것은 '양품 범위 내의 편차'와 '실제 불량'을 시스템이 얼마나 안정적으로 구분해내는가입니다. 동일한 아키텍처의 불량 검출 측면은 단일 이미지 AI 검출로 불량 유형의 다양성을 해결하는 방법을 참조하십시오.

튜닝만으로는 부족한 시점은 언제인가?

오경보 대응이 초기 셋업 작업을 넘어 엔지니어의 일상적인 고정 업무가 되었다면, 이미 튜닝만으로는 부족한 단계에 이른 것입니다. 주요 징후로는 기종 변경 때마다 임계값을 재조정해야 하거나, 부품 로트 또는 공급업체가 바뀔 때마다 오경보가 급증하거나, 재검사가 예외적 조치가 아닌 고정 인력 스테이션으로 굳어지거나, 과검출이 여전히 높은 상황에서 불량 유출까지 발생하는 경우 등이 있습니다. 이 단계에 도달했다면 병목의 원인은 룰 기반 아키텍처 자체이며, 추가 튜닝으로 벌 수 있는 시간은 기껏해야 몇 주에 불과합니다.

도입 판단을 위한 실질적인 기준은 다음과 같습니다. 생산 품목 구성이 일정하고, NPI가 드물며, 라이브러리 전담 관리자가 있고, 앞서 설명한 유지보수 절차를 거친 후 오경보가 실제로 줄어들었다면 튜닝은 여전히 유효한 도구입니다. 관리가 철저한 안정적인 대량 생산 라인에서는 기존 AOI도 충분히 잘 작동합니다. 이는 현장에 잘 들어맞는 방식이며, 이에 관한 자세한 내용은 비교 분석 글에서 다루고 있습니다.

반면 생산 품목의 다양성에 비례해 오경보 부담이 증가한다면 아키텍처가 제약 요인으로 작용하는 것입니다. NPI를 진행할 때마다 튜닝 부담이 반복되고, 대체 공급사 부품 투입 시 패턴 매칭이 실패하며, 파레토 차트가 동일 색상 부품, 마킹된 인덕터 및 오실레이터, 조명 드리프트로 채워져 있다면 이는 튜닝으로 해결할 수 있는 범위를 벗어난 것입니다. 간단한 테스트가 있습니다. 엔지니어 인건비를 들여 매달 똑같은 오경보 감소 작업을 반복하고 있다면, 그 해결책은 근본적인 개선이 아니라 임시방편에 불과합니다. 피드백을 통해 스스로 학습하는 아키텍처라야 문제를 영구적으로 해결할 수 있습니다.

자주 묻는 질문 (FAQ)

AOI의 정상적인 오경보율 수준은 어느 정도인가요?

생산 현장마다 부품 단위(PPM), 보드 단위, 또는 전체 알람 대비 비율 등 기준을 서로 다르게 적용하므로 단일 벤치마크 수치를 일률적으로 신뢰하기는 어렵습니다. 품종 구성, 보드 복잡도, 임계값 설정 기준에 따라 수치는 크게 달라집니다. 가장 실질적인 관리 방법은 일관된 기준을 하나 정해 각 라인의 기준선(baseline)을 설정하고 추이를 모니터링하는 것입니다. 공정이 안정적인데 오경보율이 증가 추세를 보인다면 제품이 아니라 프로그램에 드리프트가 발생했다는 의미입니다.

오경보(False call)와 유출(Escape)의 차이는 무엇인가요?

오경보는 양품 보드를 불량으로 잘못 판정하는 것이며, 유출은 실제 불량을 양품으로 통과시키는 것입니다. 룰 기반 시스템에서는 두 요소가 상충 관계(trade-off)에 있습니다. 임계값을 엄격하게 조이면 오경보가 늘어나고, 느슨하게 풀면 유출 위험이 커집니다. 또한 높은 오경보율은 재검사 작업자를 둔감하게 만들어 간접적으로 불량 유출을 유발합니다.

오경보를 줄이기 위해 임계값을 완화하면 실제 불량이 유출되지 않나요?

무차별적인 일괄 완화는 유출로 이어집니다. 이는 불량 유출을 대가로 알람을 억제하는 것에 불과합니다. 반드시 기준 이미지, 조명, 라이브러리 문제를 먼저 정비한 후, IPC-A-610 기준에 비추어 과도하게 엄격했던 윈도우에 한해서만 완화해야 합니다. 기준을 위반하지 않고는 알람을 줄일 수 없는 윈도우가 있다면, 이는 엔지니어의 튜닝 숙련도 문제가 아니라 편차를 수용하지 못하는 알고리즘 자체의 한계에 부딪힌 것입니다.

AI AOI가 오경보를 낮추려면 얼마나 많은 데이터가 필요한가요?

대부분의 엔지니어가 예상하는 것보다 훨씬 적은 데이터가 필요합니다. DaoAI 시스템은 단 한 장의 골든 보드로 시작합니다. 100만 장 이상의 실제 생산 이미지로 사전 학습된 AI 모델이 제공되며, 단 하나의 샘플로부터 해당 보드에 최적화된 후 정상 생산 중 작업자 피드백을 바탕으로 성능을 지속 개선합니다(DaoAI 보고 기준). 따라서 장비 설치 후 첫 검사를 진행하기까지 별도의 데이터 수집 프로젝트를 거칠 필요가 없습니다.

오경보율을 0으로 만드는 것이 가능한가요?

어떤 검사 시스템도 검출 감도와 노이즈 사이의 균형을 유지해야 하므로 오경보 0을 장담할 수는 없습니다. 현실적인 목표는 불량 유출을 0으로 유지하면서, 재검사가 고정 작업 스테이션이 아닌 예외적인 조치 수준에 머물도록 오경보 부담을 낮추는 것입니다. 당사를 포함한 모든 공급업체의 성능 주장은 실제 현장 보드의 추이 데이터를 통해 검증하십시오.

가장 관리하기 까다로운 부품을 대상으로 직접 메커니즘을 확인해 보십시오

오경보 파레토 분석 결과가 위 표의 좌측 항목 위주로 구성되어 있다면, 튜닝에 시간을 더 투입해도 개선되지 않습니다. DaoAI P Series는 오프라인(P1/P2) 및 인라인(P3/P3D) 설비 전반에 걸쳐 특징 공간 검사 및 작업자 피드백 기반 학습 알고리즘을 적용하고 있습니다.