Visual Inspection Cockpit: P&G가 Siemens와 만든 AI 비전 검사를 전 세계 공장에 까는 방식

P&G는 Siemens와 공동 개발한 AI 비전 검사 Visual Inspection Cockpit(VIC)을 전 세계 공장으로 넓히고 있습니다. 제품에 따라 스크랩이 10~20% 줄었고 새 라인 적용은 기존 맞춤형 비전보다 5~10배 빨라졌습니다. 따라 하려면 모델 정확도보다 먼저 라인 옆 추론 장비, PLC 배출 연동, 모델 교체 절차를 표준 묶음으로 만들어야 합니다.

요약

ENGtechnica의 Joydeep Kar 기자는 Siemens와 Procter & Gamble(P&G)이 AI 기반 품질 검사 시스템 VIC를 P&G의 전 세계 생산 거점으로 확대한다고 전했습니다. 근거는 Siemens가 2026년 9월 16일 낸 보도자료입니다. VIC는 P&G가 만든 deep learning(심층 학습) 검사 모델을 Siemens의 Industrial Edge(공장 현장에서 앱과 AI 모델을 돌리는 Siemens의 엣지 컴퓨팅 플랫폼) 위에서 돌립니다. 하드웨어는 NVIDIA GPU를 단 산업용 PC입니다. 소비재 공장에서 다루는 얇고 결이 있는 소재와 포장은 라인 위에서 밀리고 늘어나고 구겨집니다. 규칙 기반 비전 검사는 재질이나 포장 디자인이 바뀔 때마다 다시 설정해야 했고, VIC는 학습한 모델로 이 변형을 흡수하도록 만들었습니다.

결과는 두 가지 숫자로 나옵니다. 제품에 따라 스크랩(폐기되는 불량·정상품)이 10~20% 줄었고, 새 라인에 설치해 가동하기까지 걸리는 시간이 기존 맞춤형 비전 시스템보다 5~10배 짧아졌습니다. Siemens는 분당 수천 개 제품을 전수 검사한다고 밝혔습니다. Siemens 고객 사례 글에 따르면 P&G는 이미 150개가 넘는 생산 환경에 자체 deep learning 검사를 깔아 본 상태였습니다. 확장하려면 표준 인프라, 믿을 수 있는 컴퓨팅, 수명주기 관리, 장기 지원이 필요해 Siemens와 손잡았습니다. 아래에서는 VIC를 이루는 다섯 가지 메커니즘과 실제로 돌릴 때 필요한 기술·현업 디테일을 차례로 풉니다.

핵심 메커니즘

Semantic Segmentation 검사: 규칙 대신 픽셀 단위로 결함을 찾기

무엇인가. semantic segmentation(이미지의 모든 픽셀에 “정상 재질”, “결함”, “배경” 같은 이름표를 붙이는 deep learning 기법)으로 결함 영역을 찾아 판정하는 방식입니다. Siemens 사례 글은 VIC가 실시간 생산 이미지에 이 기법을 쓴다고 적었습니다.

어떻게 작동하나. 카메라가 라인 위 제품을 찍으면 모델이 픽셀마다 결함일 확률을 냅니다. 결함으로 묶인 영역의 종류·크기·위치를 기준과 비교해 합격·불합격을 정합니다. 규칙 기반 비전은 사람이 “밝기 차이 몇 이상이면 결함” 같은 규칙을 정하므로, 재질이 늘거나 인쇄 무늬가 바뀌면 규칙이 어긋납니다. 학습 모델은 정상적인 흔들림과 진짜 결함을 예시로 배워 둘을 구분합니다.

원문의 예. P&G의 머신 비전·응용 AI 디렉터 Paul Thomas는 VIC가 겹친 부품, 대비가 낮은 결함, 화려하게 인쇄된 제품과 포장을 다루도록 설계됐다고 말합니다. 기존 시스템은 “traditional vision systems couldn’t touch”라고 표현했습니다.

언제 쓰고 언제 안 쓰나. 재질 변형이 크고 결함이 미세하며 디자인이 자주 바뀌는 라인에 맞습니다. 금속 부품 치수처럼 규칙이 명확하고 조명·위치가 고정된 검사라면 규칙 기반이 더 싸고 설명하기 쉽습니다.

작은 예시(가상 예시). 흰 바탕에 연한 회색 인쇄가 있는 포장 필름에서, 인쇄 무늬와 비슷한 밝기의 접착제 얼룩을 찾는 경우입니다. 밝기 규칙으로는 무늬와 얼룩이 섞이지만, segmentation 모델은 무늬 모양을 배워 얼룩 영역만 표시합니다.

Industrial Edge 추론: 라인 옆 GPU에서 바로 판정하기

무엇인가. 검사 모델을 클라우드나 중앙 서버가 아니라 생산 설비 바로 옆의 산업용 PC(NVIDIA GPU 탑재)에서 돌리는 구조입니다. Siemens Industrial Edge가 이 장비에 앱과 모델을 배포하고 관리합니다.

어떻게 작동하나. 카메라 이미지가 네트워크를 거쳐 멀리 가지 않고 라인 옆 장비에서 바로 추론됩니다. 판정 결과는 곧바로 설비 제어로 넘어가고, 검사 데이터는 따로 쌓여 추세 분석에 쓰입니다. 왕복 지연이 없어야 분당 수천 개 속도를 따라갈 수 있습니다.

원문의 예. Siemens Digital Industries의 COO(자동화 부문) 겸 CTO Rainer Brehm은 Industrial AI와 Industrial Edge가 분당 수천 개 제품의 전수 검사를 가능하게 하고, 라인 하나에서 전 세계 거점까지 늘릴 수 있다고 설명했습니다. 보도자료는 검사 결과를 설비 가까이에서 처리해 제조 운영에 바로 통합한다고 적었습니다.

언제 쓰고 언제 안 쓰나. 판정이 수십 ms 안에 끝나야 하고 판정 직후 설비가 움직여야 하는 검사에 씁니다. 하루 몇 번 샘플을 찍어 보는 실험실 검사라면 중앙 서버로 충분합니다.

PLC 연동 개별 배출: 불량 한 개만 라인에서 빼내기

무엇인가. AI 판정 결과를 PLC(programmable logic controller, 설비를 움직이는 산업용 제어기)에 실시간으로 넘겨, 불량으로 판정된 제품 하나만 골라 라인에서 밀어내는 연동입니다.

어떻게 작동하나. 엣지 장비가 제품 하나의 판정을 내면 PLC가 그 제품이 배출 장치 앞에 오는 순간을 계산해 배출기를 움직입니다. 판정이 늦거나 제품 추적이 한 칸만 어긋나도 정상품이 버려지고 불량이 지나갑니다. 그래서 정확도만큼 타이밍이 중요합니다. 운영자에게 경보만 보내는 방식도 고를 수 있습니다.

원문의 예. Paul Thomas는 빠듯한 타이밍과 실시간 PLC 연동, 높은 속도에서의 개별 배출을 VIC가 풀어야 했던 과제로 꼽았습니다. 보도자료는 VIC가 경보를 띄우거나 불량품 제거를 자동으로 시작한다고 적었습니다.

언제 쓰고 언제 안 쓰나. 배출 장치가 이미 있고 불량을 개별 단위로 뺄 수 있는 라인에 씁니다. 배출 장치가 없는 라인이라면 먼저 경보 모드로 운영하며 판정 품질을 쌓습니다.

Platform Standardization: 자체 솔루션을 표준 묶음으로 바꾸기

무엇인가. 라인마다 새로 개발하던 비전 검사를 모델, 엣지 장비, 배포 소프트웨어, 운영 지원이 한 묶음인 플랫폼으로 만들어 반복 설치하는 방식입니다. 새 라인 적용이 5~10배 빨라진 이유가 여기에 있습니다.

어떻게 작동하나. P&G는 검사 모델과 제조 지식을, Siemens는 산업용 컴퓨팅 인프라, 소프트웨어 확장, 거점 전반의 장기 운영을 맡습니다. 새 라인은 같은 하드웨어 사양과 같은 배포 도구를 쓰고 모델과 판정 기준만 그 제품에 맞춥니다.

원문의 예. Siemens 사례 글에 따르면 P&G는 협업 전 150개 넘는 생산 환경에 자체 deep learning 검사를 배치했습니다. 이를 넓히려면 표준화된 인프라, 믿을 만한 컴퓨팅, 수명주기 관리, 장기 지원이 필요했습니다. Siemens 사례 글은 그 결과로 수동 검사와 반복 재검증에 기대는 일이 줄었다고 적었습니다.

언제 쓰고 언제 안 쓰나. 비슷한 라인이 여러 공장에 퍼져 있을 때 효과가 큽니다. 라인이 한두 개뿐이면 플랫폼 구축비가 회수되지 않을 수 있습니다.

Quality Data Loop: 검사 결과를 쌓아 공정 개선에 쓰기

무엇인가. 검사 판정과 결함 이미지를 계속 모아 결함 추세를 보고 공정 개선에 쓰는 순환입니다.

어떻게 작동하나. 판정마다 결함 종류, 위치, 시간, 라인 조건을 기록합니다. 쌓인 기록으로 특정 원자재 롯트나 교대 시간에 결함이 몰리는지 보고 원인 공정을 고칩니다. 스크랩 감소는 불량을 정확히 골라내는 데서도 오지만, 결함이 생기는 원인을 줄이는 데서도 옵니다.

원문의 예. 보도자료는 VIC가 품질 데이터를 시간에 걸쳐 모으고 분석해 추세를 찾고 지속적 개선을 돕는다고 적었습니다. P&G의 지능형 제어·자동화 시니어 기술 디렉터 Roland Joseph는 모든 제품을 검사하고 그 증거를 남길 수 있다는 점을 강조했습니다.

작은 예시(가상 예시). 접착 불량이 매일 오전 6시 교대 직후 30분에 몰린다는 기록이 나오면, 설비 예열 절차를 바꾸는 것이 배출을 늘리는 것보다 스크랩을 더 줄입니다.

통념과 다른 주장

원문에 나온 사례

사례	상황	한 일	결과	연결
P&G 자체 검사	빠른 소비재 라인, 재질 변형으로 규칙 기반 비전이 자주 재튜닝	deep learning 검사를 자체 개발해 150개+ 생산 환경에 배치	확장에 표준 인프라·수명주기 관리·장기 지원이 필요하다는 과제 확인	Platform Standardization
VIC 공동 개발	자체 솔루션을 넓힐 표준 기반이 필요	P&G 모델 + Siemens Industrial Edge + NVIDIA GPU 산업용 PC	라인 속도 전수 검사, 분당 수천 개	Semantic Segmentation, Industrial Edge
PLC 연동	빠듯한 타이밍에서 불량만 골라내야 함	실시간 PLC 연동으로 개별 배출·경보	높은 속도에서 개별 배출	PLC 연동 개별 배출
전 세계 확대	P&G 생산 거점 전반	같은 플랫폼을 반복 설치	스크랩 10~20% 감소(제품별), 적용 5~10배 단축	Platform Standardization, Quality Data Loop

기술 디테일: 실제로 돌릴 때 필요한 것

Semantic Segmentation 모델을 학습시키려면 결함 카탈로그부터 만듭니다. 결함마다 defect_code, 이름, 허용 크기, 배출 여부를 정하고, 라벨러가 이미지에 결함 영역을 다각형으로 칠합니다. 정상 이미지에는 재질이 늘고 구겨진 사례를 일부러 많이 넣어야 모델이 “흔들림은 정상”을 배웁니다. 결함 이미지가 모자라면 합성 데이터로 보충합니다. Siemens는 관련 제품으로 합성 데이터 기반 학습 도구 SynthAI를 소개합니다. 시작 규모는 결함 유형당 실제 이미지 200~500장, 정상 이미지 수천 장을 권합니다(가상 예시 수치). 판정은 픽셀 확률을 그대로 쓰지 않고, 결함 영역 면적이 defect_code별 기준을 넘을 때만 불합격으로 둡니다. 이렇게 해야 노이즈 몇 픽셀로 정상품이 버려지지 않습니다.

Industrial Edge 추론의 시간 예산을 잡으려면 라인 속도에서 거꾸로 계산합니다. 분당 2,000개 라인이면 제품 하나에 30ms입니다. 그 안에 촬영·전송, 추론, 판정 규칙, PLC 신호를 다 넣어야 하므로 모델 크기와 입력 해상도를 이 예산에 맞춥니다. 추론은 GPU에 맞게 최적화(예: TensorRT 같은 추론 엔진, FP16 정밀도)하고 배치 크기는 1로 둡니다. 엣지 장비가 멈출 때를 대비해 “판정 불가 = 배출” 또는 “판정 불가 = 라인 경보” 중 하나를 품질 책임자와 미리 정합니다. 아래 배분은 모두 가상 예시입니다.

PLC 연동 개별 배출을 맞추려면 제품마다 추적 번호를 붙입니다. 엔코더(컨베이어 이동량 센서) 신호로 촬영 위치와 배출 위치 사이 거리를 계산하고, PLC는 시프트 레지스터(제품 순서대로 판정을 줄 세우는 메모리)로 배출 시점을 맞춥니다. 엣지와 PLC 사이 통신은 현장 표준 산업용 네트워크(예: PROFINET)를 씁니다. 판정 이벤트는 아래처럼 남깁니다.

{
  "line_id": "PKG-L07",
  "item_seq": 1849223,
  "ts": "2026-11-05T06:12:41.318Z",
  "model_version": "vic-seg-2026.10.2",
  "defects": [{"defect_code": "ADH-SMEAR", "area_mm2": 14.2, "score": 0.93}],
  "decision": "reject",
  "latency_ms": 21,
  "plc_ack": true,
  "image_ref": "edge://l07/2026-11-05/1849223.png"
}

plc_ack가 false로 남는 비율과 latency_ms의 99번째 백분위를 매 교대마다 봅니다. 시간 예산을 넘는 판정이 0.1%를 넘으면 모델이나 해상도를 줄입니다. 필드 이름과 값은 모두 가상 예시입니다.

Platform Standardization을 모델 운영 규칙으로 만들려면 모델을 라인 설정과 분리해 버전으로 관리합니다. 포장 디자인이나 재질이 바뀐다는 예고가 오면 새 샘플로 모델을 다시 학습하고, 먼저 섀도 모드(판정은 하되 배출 신호는 보내지 않음)로 1~2개 교대를 돌립니다. 결함과 정상 사례를 고정해 둔 골든 세트로 회귀 시험을 하고, 오배출률과 누락률이 기존 모델보다 나쁘지 않을 때만 교체합니다. 이전 버전은 바로 되돌릴 수 있게 엣지에 남겨 둡니다.

Quality Data Loop를 돌리려면 판정 이벤트에 원자재 롯트, 설비 설정값, 교대 정보를 붙여 한 테이블로 모읍니다. 결함 코드별 발생률을 시간·롯트·설비 조건으로 쪼개 매주 상위 3개 원인을 뽑습니다. 오배출(정상품을 버린 경우)은 운영자가 배출함에서 표본을 꺼내 다시 확인하고, 그 결과를 다음 학습 데이터로 돌립니다.

현업 실행 디테일: 누가, 언제, 무엇을

역할	맡는 일
공장장·생산 총괄	시범 라인 선정, 스크랩 감소 목표 승인
품질 책임자	결함 카탈로그와 배출 기준 확정, 판정 불가 시 처리 규칙, 확대 판정
자동화(PLC) 엔지니어	엔코더·시프트 레지스터 연동, 배출 장치 시험
비전·AI 엔지니어	이미지 수집, 라벨링 관리, 학습, 섀도 운영, 모델 버전 관리
OT·IT 인프라	엣지 장비 설치, 네트워크 분리, 원격 업데이트 경로
라인 운영자	경보 대응, 배출품 표본 재확인, 라벨 확인

준비물. 최근 3개월 라인별 스크랩량과 원인 분류, 현재 검사 방식(사람 육안·규칙 비전)의 누락·오배출 기록, 결함 유형별 실물 샘플, 라인 속도와 촬영 위치에서 배출기까지의 거리, PLC 프로그램 사양, 다가올 포장·재질 변경 일정이 필요합니다. 스크랩 기준선은 시작 전 4주 동안 실측합니다.

기간	할 일	산출물
1~2주	시범 라인 선정, 결함 카탈로그 확정, 이미지 수집 시작, 스크랩 기준선 측정	결함 카탈로그, 기준선 값
3~4주	라벨링·학습, 엣지 설치, 섀도 모드로 판정만 기록	섀도 판정 로그, 사람 판정과의 일치율
5~6주	PLC 배출 연동, 저위험 결함부터 실제 배출, 기준 조정	오배출률·누락률, 지연 시간 분포
7~8주	전 결함 실가동, 확대 여부 판정, 두 번째 라인 적용 기간 견적	판정 보고서, 설치 체크리스트 초안

현업에 물을 것.

1. 지금 스크랩 가운데 실제 불량은 몇 %이고, 검사가 확신이 없어 버리는 정상품은 몇 %인가요?
2. 포장 디자인이나 재질은 1년에 몇 번 바뀌고, 그때마다 검사 재설정에 며칠이 걸리나요?
3. 촬영 위치에서 배출기까지 거리와 라인 속도로 계산한 판정 시간 여유는 몇 ms인가요?
4. 엣지 장비가 멈추면 라인을 세울 건가요, 경보만 띄우고 계속 돌릴 건가요?
5. 공장마다 비슷한 라인이 몇 개 있고, 같은 하드웨어 사양으로 묶을 수 있나요?

진행 판정 기준(예시). 섀도 모드에서 사람 판정과의 일치율이 95% 이상이어야 실제 배출로 넘어갑니다. 실가동 2주 동안 누락률은 기존 검사보다 낮고, 오배출률은 기존보다 높지 않아야 합니다. 판정 지연은 99%가 시간 예산 안에 들어와야 합니다. 스크랩이 기준선 대비 5% 이상 줄면 두 번째 라인으로 넓히고, 두 번째 라인 적용 기간을 첫 라인과 비교해 플랫폼 효과를 잽니다. 수치는 모두 예시이며 회사의 품질 기준으로 바꿉니다.

AX 적용 제언. 생활용품, 식품 포장, 2차전지 분리막, 필름처럼 얇고 변형이 큰 소재를 빠른 속도로 만드는 제조사에 맞는 사례입니다. 첫 라인은 스크랩이 많고 포장 변경이 잦은 곳으로 고릅니다. 효과를 가장 빨리 보여 주기 때문입니다. 진짜 성과 지표는 첫 라인의 정확도보다 두 번째, 세 번째 라인의 적용 기간입니다. 그래서 첫 라인부터 엣지 사양, PLC 연동 방식, 모델 교체 절차를 문서로 남깁니다. 모델과 결함 지식은 회사가 쥐고, 엣지 인프라와 장기 운영은 자동화 벤더와 나누는 P&G식 분담을 계약 단계에서 정해 두는 편이 좋습니다.

원문 사례

항목	내용
기사	ENGtechnica, Joydeep Kar, 2026.11.02 게재(방콕 발)
1차 자료	Siemens 보도자료(2026.09.16, 뮌헨), Siemens 고객 사례 글(2026.10.15, Ali Ali)
시스템	Visual Inspection Cockpit(VIC), Siemens·P&G 공동 개발
구성	P&G deep learning 모델, Siemens Industrial Edge, NVIDIA GPU 산업용 PC, semantic segmentation
대상	밀리고 늘어나고 구겨지는 소재의 고속 소비재 라인, 인쇄가 많은 제품·포장
기능	라인 속도 전수 검사, 경보·자동 배출, 실시간 PLC 연동 개별 배출, 품질 데이터 축적
결과	스크랩 10~20% 감소(제품별), 새 라인 적용 5~10배 단축, 분당 수천 개 검사
이전 단계	P&G 자체 deep learning 검사를 150개+ 생산 환경에 배치
발언자	Rainer Brehm(Siemens DI 자동화 COO 겸 CTO), Paul Thomas(P&G 머신 비전·응용 AI 디렉터), Roland Joseph(P&G 지능형 제어·자동화 시니어 기술 디렉터)
역할 분담	P&G: 모델·제조 지식 / Siemens: 컴퓨팅 인프라, 소프트웨어 확장, 장기 운영

핵심 개념

VIC

Visual Inspection Cockpit. P&G와 Siemens가 함께 만든 AI 비전 검사 시스템입니다.

Industrial Edge

공장 설비 가까이에 둔 장비에서 앱과 AI 모델을 배포·운영하는 Siemens 플랫폼입니다.

scrap

생산 중 버려지는 제품과 자재. 진짜 불량과, 확신이 없어 버린 정상품이 함께 들어갑니다.

commissioning

설비나 시스템을 라인에 설치한 뒤 시험을 거쳐 정상 가동 상태로 만드는 일입니다.

PLC

programmable logic controller. 컨베이어·배출기 같은 설비를 움직이는 산업용 제어기입니다.

rules-based vision

밝기·모양·치수 기준을 사람이 정해 두고 판정하는 기존 머신 비전 방식입니다.

SynthAI

합성 이미지로 비전 모델 학습을 앞당기는 Siemens 도구. Siemens 사례 글이 관련 제품으로 소개합니다.

내 메모

TODO: 내 생각 추가

원문은 ENGtechnica에 실린 Joydeep Kar 기자의 「Siemens, P&G Expand Quality Inspection Across Global Manufacturing」(2026.11.02 게재)입니다. 같은 사건의 1차 자료인 Siemens 보도자료 「Siemens and Procter & Gamble roll out AI-based quality inspection worldwide」(2026.09.16)와 Siemens 고객 사례 글 「AI-powered quality inspection at global scale」(2026.10.15)을 함께 읽었습니다. semantic segmentation, 150개+ 생산 환경, Roland Joseph의 발언, SynthAI는 Siemens 사례 글에서 가져왔습니다. 요약, 핵심 메커니즘의 원문 예, 통념과 다른 주장, 사례, 원문 사례 표는 이 자료들의 내용을 AX Review가 다시 정리했습니다. 기술 디테일, 현업 실행 디테일, JSON 예시, 시간 예산, 일정표, 판정 기준, 인포그래픽은 실제로 돌릴 때 필요한 내용을 새로 작성했으며 가상 예시는 그렇게 밝혔습니다. 원문은 카메라 사양, 학습 데이터 규모, 적용 공장 이름을 밝히지 않았습니다. 전체 내용은 원문에서 볼 수 있습니다.