PCBA 검사의 치명적 실패 요인: AOI 컬러 샘플링(TOC)이 부품 형상과 구조를 간과해 불량을 놓치는 이유

요약: 기존 색상 기반 AOI의 구조적 한계

기존 자동 광학 검사(AOI)에서 "색상 샘플링 알고리즘(TOC)"은 납 부족, 보이드, 동박 노출, 오삽, 미삽 등 대표적인 불량을 판정하는 핵심 방식으로 오랫동안 사용되어 왔습니다. 그 판정 논리는 단순합니다. 관심 영역(ROI) 내 색상 픽셀 비율이 사전에 정의된 "기준 밝기 + 기준 색도" 조건에 부합하면 OK, 그렇지 않으면 NG로 판정하는 방식입니다.

그러나 실제 제조 현장에서 이 방식은 세 가지 치명적인 문제점을 드러냅니다. 이 방식이 겪는 근본적인 한계는 형상과 구조는 보지 않고 오직 색상만을 판정 기준으로 삼기 때문입니다.

색상 샘플링 알고리즘(TOC)의 3대 문제점

문제점 1: 조명 변화에 대한 극단적인 민감도 

샘플링 알고리즘은 본질적으로 "색상 판정"에 의존합니다. 하지만 색상 중심의 접근 방식은 다음과 같은 상황에서 무너집니다:

• 조명 각도가 미세하게 변경될 때.

• 밝기가 약간 조정될 때.

• 솔더 페이스트의 반사도가 달라질 때.

• 기판 색상에 미세한 차이가 발생할 때.
  
  

  

그림 ①에서 색도 삼각형은 허용 가능한 색상 범위를 나타냅니다. "납 부족" 시나리오(그림 ②)의 경우, 통상적인 설정값은 정상적인 솔더 외관에 해당하는 픽셀 값을 필터링하기 위해 R: 0–65, G: 0–85, B: 70–180 등으로 지정됩니다.

색상 추출 알고리즘은 파라미터 조정을 통해 모드를 변경할 수 있습니다:

• 밝기 모드: RGB 채도를 0–180으로 고정하고 밝기만을 기준으로 판정(그림 ①).

• 채도 모드: 밝기를 0–255로 고정하고 채도 범위를 기준으로 판정(그림 ②).

이로 인해 극히 미세한 색상 편차만 발생해도 엔지니어는 지속적으로 다음 항목을 수동 재조정해야 합니다:

• 밝기 범위

• RGB 경계값

• 픽셀 비율 임계값

➡️ TOC는 범용성이 전무하여, 제품 사양이 바뀔 때마다 모델을 처음부터 다시 생성해야 합니다.

문제점 2: 공정에 따라 크게 달라지는 불량 색상

"납 부족"이라는 단일 불량 항목이라 하더라도 공정 단계에 따라 완전히 다른 색상 특성을 나타냅니다:

• 리플로우 오븐 진입 전의 납 부족은 상대적으로 밝게 보입니다.

• 리플로우 오븐 통과 후의 납 부족은 산화로 인해 어둡게 나타납니다.

• 공장마다 사용하는 솔더 페이스트 자재가 상이합니다(예: 수용성 vs. 무세척 솔더 페이스트).

• 따라서 단 하나의 색도 삼각형으로 결함 색상을 포괄할 수 없습니다.

이는 사전 정의된 RGB 범위의 불일치를 초래하며, 과검(오판정) 및 미검출(유출)이 반복적으로 발생하는 원인이 됩니다.

문제점 3: 구조적 형상을 무시하는 단일 픽셀 기반 로직

색상 샘플링 알고리즘은 단일 픽셀이 기준 밝기 및 색도 범위 내에 있는지만을 확인합니다. 그러나 실제 제조 결함은 "구조적 형태"를 동반합니다. 예를 들어 납 부족 결함은 다음과 같은 특성을 보입니다:

• 도포 면적 감소.

• 외형 형상 이상.

• 불규칙한 광 반사.

• 솔더 표면 텍스처 파괴.

기존 TOC는 이러한 구조적 특징을 배제한 채 단순 픽셀 색상에만 의존합니다. 결과적으로 빛 반사에 취약하여 그림자를 납 부족으로 오판하거나, 밝은 금속 표면을 동박 노출로 잘못 감지하는 문제가 빈번히 발생합니다.

AI의 혁신: "색상 기반"에서 "시각적 이해"로의 진화

AI AOI의 핵심적인 돌파구는 단순 색상에 의존하지 않고, 부품의 "시각적 특징"과 "형상 및 질감" 그 자체를 인식한다는 점입니다. AI 모델은 다음 요소를 학습합니다:

• 형상.

• 질감(텍스처).

• 부품 기하학적 형태.

• 요철 및 굴곡의 분포.

• 정상 양품 샘플의 종합적 시각 특성.

따라서 AI는 조명이 밝아지거나 어두워지더라도 납 부족, 보이드, 미삽 부품의 구조적 특징을 안정적으로 식별할 수 있습니다.

• 색도 삼각형에 얽매이지 않으며 밝기 한계값 설정이 필요하지 않습니다.

• 광원 환경이 변동되어도 엔지니어가 모델을 재구축할 필요가 없습니다.

골든 샘플 기반 AI 자동 학습

기존 샘플링 알고리즘은 엔지니어가 RGB 범위, 밝기 한계, 비율 임계값, ROI 크기를 수동으로 직접 입력해야 했습니다.

반면 AI AOI는 단 한 장의 "골든 샘플(Golden Sample)" 이미지만으로 AI가 표준 검사 모델을 자동 생성합니다.

솔더 표면 형상, 정상 솔더 조인트 텍스처, 부품 외형 기하학, 명암 특성, 기판 재질 차이 등을 자동으로 학습합니다.

• 수십 개에 달하는 파라미터를 수동 튜닝할 필요가 없습니다.

• 공정 조건이 변경되어도 초기 설정을 처음부터 반복할 필요가 없습니다.

결함 판정의 패러다임 전환: "픽셀"에서 "구조"로 

AI의 결함 인식 로직은 다음 항목을 입체적으로 판별합니다:

• 솔더 표면의 온전성 판정.

• 도포 면적 이상 판정.

• 부품 틀어짐(시프트) 발생 여부 판정.

• 이물질 존재 여부 판정.

• 표면 텍스처 정상성 판정.

• 검출된 상태가 오삽 또는 미삽의 실제 형태학적 결함과 일치하는지 판정.

이러한 판정 안정성을 바탕으로 AI는 납 부족, 보이드, 툼스톤(직립), 틀어짐, 미삽, 솔더 크랙, 오삽 등의 불량 검출에서 기존 샘플링 알고리즘 대비 압도적인 신뢰성을 보장합니다.

핵심 차이점 비교 

색상 샘플링 알고리즘은 초기 AOI 보급 단계에서 산업에 크게 기여했습니다. 그러나 SMT/PCBA 공정과 사용 자재가 정밀화되고 고도화됨에 따라, "오직 색상만으로 불량을 판정하는 방식"은 현대의 엄격한 품질 요구 수준을 더 이상 충족하기 어렵습니다.

AI의 핵심 가치는 명확합니다. AOI의 검사 체계를 "색상 기반"에서 완전한 "시각적 이해 기반"으로 한 단계 끌어올리는 것입니다.

이를 통해 다음을 달성할 수 있습니다:

• 조명 환경의 물리적 편차에 영향을 받지 않는 검사.

• 복잡하고 반복적인 수동 파라미터 설정의 배제.

• 다양한 제품 변경에 유연하게 대응하는 강력한 범용성.

• 탁월한 검사 안정성, 정밀도 및 제어력 확보.

AOI 검사 공정을 혁신할 준비가 되셨습니까?

DaoAI의 AI 기반 AOI가 어떻게 가성 불량을 제거하고, 프로그래밍 시간을 대폭 단축하며, 빠른 투자 회수(ROI)를 달성하는지 직접 확인하십시오.