ITIV AI Tech Blog | 2.5D·3D Vision Series — 1회차. 기존 2D 비전 검사의 한계
2D를 넘어 2.5D / 3D 비전으로
1회 | 기존 2D 비전 검사, 왜 한계가 생기는가?
AI 품질검사의 시작은 "잘 보이는 이미지 데이터"입니다.
그림 1. 기존 2D 비전 검사, 왜 한계가 생기는가? — 2D(색상·외곽선·문자 중심) → 2.5D(표면 결함을 더 잘 보이게) → 3D(높이와 형상을 수치화)
3초 요약
- 2D 검사는 평면 정보 확인에 효과적 / 문자, 위치, 색상, 외곽선과 같은 평면 요소를 안정적으로 검사
- 표면 결함과 높이 정보 판별에는 한계 / 반사, 그림자, 미세 요철, 단차가 이미지에서 불안정하게 표현
- AI 검사 정확도는 입력 이미지 품질에 좌우 / 결함이 선명하게 드러나야 AI 학습과 판정도 안정화
1. 제조 현장의 검사 요구가 바뀌고 있습니다
제조 현장에서 머신비전 검사는 더 이상 선택이 아닌 필수 기술이 되었습니다. 사람의 육안 검사에 의존하던 품질검사는 카메라, 조명, 영상처리, AI 분석 기술을 기반으로 자동화되고 있습니다.
특히 자동차, 배터리, 전자부품, 금속가공, 정밀 제조 분야에서는 제품의 외관 불량, 조립 상태, 치수 오차, 용접 품질, 표면 결함을 빠르고 정확하게 검사해야 합니다.
이 과정에서 가장 널리 사용되어 온 장비가 2D 실화상 카메라입니다. 2D 카메라는 제품의 색상, 형상, 외곽선, 문자, 패턴, 위치를 확인하는 데 효과적입니다. 그러나 최근 검사 기준은 단순 평면 이미지 판정을 넘어 더 정밀한 데이터 판단을 요구하고 있습니다.
2. 2D 카메라가 잘하는 검사와 어려운 검사
2D 카메라는 기본적으로 X축과 Y축의 평면 이미지 정보를 취득합니다. 따라서 평면상의 색상, 외곽, 위치, 문자 정보가 중요한 검사에서는 여전히 매우 유용합니다.
| 구분 | 2D 카메라가 잘하는 검사 | 2D만으로 어려운 검사 |
|---|---|---|
| 검사 정보 | 색상, 문자, 로고, 외곽선, 위치 | 높이, 단차, 평탄도, 미세 요철 |
| 대표 사례 | 바코드/문자 인식, 부품 유무, 방향 확인 | 핀 높이, 용접부 형상, 표면 눌림/찍힘 |
| 주요 리스크 | 조명 조건이 안정적이면 높은 효율 | 반사/그림자/질감 때문에 오검출·미검출 발생 |
3. 2D 검사가 어려워지는 대표 원인
그림 2. 2D 비전 검사가 어려워지는 4가지 원인
3-1. 조명 조건에 따라 결함이 달라 보입니다
동일한 제품이라도 조명의 위치, 각도, 밝기, 색상에 따라 이미지가 다르게 보입니다. 미세 스크래치나 표면 요철은 특정 방향의 조명에서는 잘 보이지만, 다른 방향에서는 거의 보이지 않을 수 있습니다.
- 결함이 있는데 놓치는 미검출
- 결함이 아닌데 불량으로 판단하는 과검출
- 라인 복제 시 동일한 검사 품질 확보의 어려움
- 제품 모델 변경 시 조명 재조정 필요
3-2. 반사와 그림자가 결함 판단을 방해합니다
자동차 부품, 금속 부품, 배터리 부품에는 반사가 강한 소재가 많습니다. 알루미늄, 스테인리스, 도장면, 광택 플라스틱, 코팅 표면은 강한 반사광을 발생시킵니다.
반사광은 결함 자체를 가리거나, 결함과 유사한 패턴을 만들어 AI 모델이나 영상처리 알고리즘이 잘못 판단하도록 만들 수 있습니다. 그림자 역시 정보가 부족한 영역을 만들어 안정적인 판정을 어렵게 합니다.
3-3. 높이와 단차를 정량적으로 판단하기 어렵습니다
품질검사에서 중요한 것은 "불량처럼 보인다"가 아니라 검사 기준을 초과했는지 수치로 판단할 수 있는가입니다. 2D 이미지는 밝기 차이나 그림자를 이용해 높낮이를 추정할 수는 있지만, 실제 높이 데이터를 직접 측정하는 방식과는 다릅니다.
- 커넥터 핀 높이 및 휨 검사
- 배터리 용접부 돌출·함몰 검사
- 부품 평탄도 및 단차 검사
- 사출물 미세 돌기 또는 눌림 검사
4. AI 검사도 입력 이미지 품질의 영향을 받습니다
그림 3. 카메라 데이터 품질과 AI 자동화의 연결 구조
AI 모델은 기존 룰 기반 영상처리보다 복잡한 결함 패턴을 학습하고 다양한 조건에서 유연하게 판단할 수 있습니다. 하지만 결함이 이미지에 명확히 나타나지 않으면 AI 모델도 정확하게 학습하기 어렵습니다.
반사, 그림자, 오염, 표면 질감, 배경 패턴이 결함과 유사하게 나타나면 AI는 실제 불량과 정상 패턴을 구분하는 데 어려움을 겪습니다. 따라서 AI 검사 시스템에서 중요한 것은 좋은 모델을 사용하는 것만이 아닙니다. AI가 판단하기 좋은 데이터를 만드는 것이 핵심입니다.
5. 그래서 2.5D와 3D 비전이 필요합니다
기존 2D 카메라의 한계를 보완하기 위해 제조 현장에서는 2.5D 및 3D 비전 기술을 적용하고 있습니다.
2.5D 비전은 2D 이미지의 형태를 유지하면서도 조명, 음영, 표면 방향성, 반사율 등의 정보를 활용해 표면 결함을 더 명확하게 표현합니다. 즉, 사람이 보기 어렵고 AI가 학습하기 어려운 미세 결함을 더 잘 드러나게 만드는 기술입니다.
3D 비전은 제품의 높이, 형상, 단차, 체적, 평탄도 등 3차원 정보를 직접 취득합니다. 이를 통해 단순 이미지 판정이 아니라 수치 기반의 정량 검사가 가능해집니다.
그림 4. 검사 목적별 2D/2.5D/3D 적합성 개념 비교
| 구분 | 주요 역할 | 적합한 검사 |
|---|---|---|
| 2D 카메라 | 평면 이미지 기반 검사 | 문자, 색상, 위치, 단순 외관 |
| 2.5D 카메라 | 표면 결함을 잘 보이게 함 | 스크래치, 오염, 요철, 찍힘 |
| 3D 카메라 | 높이와 형상을 수치화 | 단차, 평탄도, 핀 높이, 용접부 형상 |
6. 카메라 선택은 검사 목적에서 출발합니다
그림 5. 검사 목적 기반 카메라 선택 흐름
머신비전 시스템을 구축할 때 많은 경우 AI 모델, 소프트웨어, 알고리즘에 먼저 집중합니다. 물론 이 요소들은 중요합니다. 그러나 검사 품질을 결정하는 첫 단계는 어떤 데이터를 취득할 것인가입니다.
- 검사하려는 결함은 색상 차이인가, 표면 변화인가?
- 결함이 조명 방향에 따라 보였다가 사라지는가?
- 반사나 그림자가 검사 결과에 영향을 주는가?
- 높이, 단차, 평탄도 같은 수치 측정이 필요한가?
- AI 모델이 학습하기 좋은 이미지 데이터를 확보할 수 있는가?
7. 자동차 QC/QA에서 더욱 중요해지는 2.5D·3D 비전
자동차 산업은 2.5D 및 3D 비전 기술이 특히 중요한 분야입니다. 자동차 부품은 재질이 다양하고 구조가 복잡하며, 안전과 직결되는 품질 기준을 만족해야 합니다.
전기차, 배터리, 전장 부품의 비중이 커지면서 기존보다 더 정밀한 외관 검사와 치수 검사가 요구되고 있습니다. 이러한 검사는 단순히 이미지를 촬영하는 것을 넘어, 결함을 안정적으로 드러내고 필요한 경우 수치 데이터로 판단할 수 있어야 합니다.
그림 6. 자동차 QC/QA에서 자주 만나는 검사 요구
마무리: 2D를 넘어, 더 정확한 품질검사로
기존 2D 비전 검사는 제조 현장에서 오랫동안 중요한 역할을 해왔습니다. 하지만 최근의 품질검사는 단순한 평면 이미지 판정을 넘어, 표면 결함을 더 명확히 보고, 높이와 형상을 수치로 판단하며, AI가 안정적으로 학습할 수 있는 데이터를 요구하고 있습니다.
이러한 변화 속에서 2.5D와 3D 비전 기술은 기존 2D 검사의 한계를 보완하는 핵심 기술로 주목받고 있습니다.