AI Machine Vision for Fresnel Lenses: 사람이 빛에 비춰 보던 렌즈 검사를 딥러닝으로 바꿔 시간 절반
독일 광학 부품사 ORAFOL Fresnel Optics는 생산 라인에서 최대 15명이 빛에 비춰 보던 최소 4mm 프레넬 렌즈 검사를 맞춤 광학 장치와 Zebra Aurora 딥러닝 비전으로 바꿨습니다. 품질팀이 결함을 직접 라벨링해 모델을 학습시켰고, 150만 개 넘게 검사하면서 검사 시간을 절반으로 줄였습니다.
공급사가 풀지 못한 미세 렌즈 검사를 ORAFOL은 품질팀이 직접 학습시키는 딥러닝 비전으로 풀었고, 검사 시간이 절반이 됐습니다. 따라 하려면 카메라보다 결함을 드러내는 조명 장치를 먼저 설계해야 합니다. 서면 품질 사양을 판정 규칙으로 옮기고, 모델을 고치는 권한을 품질팀에 두는 일도 함께 준비해야 합니다.
요약
Metrology and Quality News는 2026년 11월 10일 Zebra Technologies의 발표를 바탕으로 독일 아폴다의 ORAFOL Fresnel Optics 사례를 전했습니다. 이 회사는 1991년부터 미세 구조 폴리머 광학 부품을 만들어 왔습니다. 광학 설계, 금형 제작, 복제 성형, 코팅, 최종 검사까지 모두 회사 안에서 합니다. 문제는 최종 검사였습니다. 프레넬 렌즈(Fresnel lens, 볼록 렌즈의 곡면을 얇은 동심원 계단으로 접어 놓은 렌즈)는 지름이 4mm까지 작고, 촘촘한 계단 구조가 결함을 가립니다. 그래서 작업자가 정해진 조명 아래에서 렌즈를 하나씩 빛에 비춰 봤고, 생산 라인을 받치는 데 최대 15명이 필요했습니다. 시중 검사 장비 업체 중 프레넬 표면의 결함을 안정적으로 잡는 곳이 없어서 회사는 직접 만들기로 했습니다. 소프트웨어는 Zebra의 Aurora Vision Studio와 Aurora Deep Learning을 골랐고, 하드웨어는 미세 구조에 맞춘 광학 장치를 따로 설계했습니다.
결과로 회사는 맞춤 시스템으로 광학 렌즈를 150만 개 넘게 검사했고, 검사 시간을 수작업의 절반으로 줄였습니다. 검사는 24시간 돌아가고, 작업자 2명은 다른 전문 업무로 옮겼습니다. 두께와 치수 검사도 모든 부품에 자동으로 적용됩니다. 생산 담당자는 가장 큰 이득으로 판정이 한결같아진 점을 꼽았습니다. 서면 사양을 시스템에 넣으면 그 밖의 긁힘은 모두 불합격 처리됩니다. 회사는 같은 소프트웨어로 광학 윈도용 두 번째 시스템을 통합 파트너 ID Engineering과 만들었습니다. 결함 검출 정확도는 공개하지 않았습니다. 아래에서는 조명 장치, 직접 학습, 사양 기반 판정, 자동 셀의 역할 분담, 추적 데이터의 다섯 가지로 나눠 보고, 실제로 돌릴 때 필요한 디테일을 덧붙입니다.
핵심 메커니즘
Multi-light Optics: 결함은 조명이 드러내고 모델은 판정한다
미세 구조 부품 검사에서는 모델보다 촬영 조건이 먼저입니다. ORAFOL의 첫 시스템은 부품을 세 가지 빛으로 비추는 광학 장치(Zebra 발표에서는 bespoke optical turret, 사례 자료에서는 optics tower로 부름)를 중심에 둡니다. 점광원(point light)은 표면의 긁힘처럼 빛을 흩뜨리는 결함을, 투과광(transmitted light)은 렌즈 안에 박힌 이물을, 반사광(reflected light)은 표면 형상의 흐트러짐을 드러내는 데 쓰입니다. 사람이 렌즈를 기울여 가며 보던 일을 조명 세 개로 나눈 셈입니다. Zebra는 Aurora가 카메라를 가리지 않아 일반 카메라로도 충분했고, 맞춤 설계가 들어간 곳은 이 광학 장치였다고 설명합니다. 이 방식은 표면 구조가 결함을 가리는 부품, 곧 렌즈·필름·사출 투명 부품에 맞습니다. 결함이 한 조명에서도 또렷한 평판 부품이라면 조명 하나로 시작해도 됩니다.
작은 예시(가상): 4mm 렌즈 한 개를 조명마다 한 장씩 세 장 찍습니다. 점광 이미지에서는 계단 모서리 근처의 긁힘이, 투과광 이미지에서는 내부 기포가 밝게 떠오릅니다.
In-house Training: 모델의 주인은 품질팀이다
ORAFOL은 모델 학습을 외주로 넘기지 않았습니다. 품질팀 직원이 Aurora Vision Studio 안에서 긁힘(scratch), 오염(dirt), 내부 이물(inclusion) 같은 결함 유형을 직접 라벨링해 결함 검출 모델을 학습시켰습니다. 소프트웨어를 고른 이유도 여기에 있습니다. 회사는 지원과 교육이 좋고, 코드 없이 화면에서 설정하는 no-code 방식이며, 특정 하드웨어에 묶이지 않는 점을 들었습니다. 품질 엔지니어 Alexandra Frenzel은 필요했던 것을 이렇게 말했습니다. “a powerful tool that we could train and control ourselves.” 결함을 가장 잘 아는 사람이 모델을 고칠 수 있으면 새 결함이나 새 제품이 나올 때 외부 업체를 기다리지 않아도 됩니다. 다만 no-code는 설정 방식일 뿐이어서, 광학 장치와 통합 작업에는 여전히 엔지니어링이 들어갑니다.
작은 예시(가상): 새 금형으로 바꾼 뒤 계단 모서리에 미세한 버(burr)가 생기면, 품질 엔지니어가 그 이미지 30장을 새 라벨로 묶어 다시 학습시키고 다음 교대부터 적용합니다.
Spec-driven Rejection: 사람마다 다르던 판정을 하나로
육안 검사의 약점은 피로와 사람마다 다른 기준입니다. 원문은 반복 작업과 피로가 위험 요인이었다고 짚습니다. ORAFOL은 서면 품질 사양을 시스템 기준으로 옮겼습니다. 사양 밖의 긁힘은 누가 근무하든 모든 부품에서 똑같이 불합격입니다. 생산 기술 담당 Rico Traxdorf가 가장 큰 이득으로 꼽은 것도 이 일관성입니다. 같은 셀에서 두께와 치수도 모든 부품을 잽니다. 이 방식은 고객 사양이 문서로 정해져 있고 결함 크기·위치로 합부를 가를 수 있을 때 잘 맞습니다. 외관 취향처럼 사양으로 적기 어려운 판정은 사람 검토를 남겨야 합니다.
Automated Cell: 두 단계 권한과 남겨 둔 수작업
자동 셀은 검사와 포장을 함께 합니다. 작업자는 가득 찬 트레이를 갈아 끼우기만 합니다. 시스템에는 권한이 두 단계로 나뉘어 있어, 오퍼레이터 기능과 품질 전문가 기능이 분리됩니다. 현장에서 누구나 기준을 바꿀 수 없게 한 장치입니다. 모든 것을 자동으로 돌리지는 않았습니다. 물량이 적거나 형태가 자주 바뀌는 부품은 지금도 사람이 검사합니다. 자동 셀은 고물량 제품을 맡고, 학습 이미지를 모으기 어려운 소량 부품은 사람이 맡는 분업입니다.
Traceability Loop: 검사 결과가 생산 계획으로 간다
검사 셀은 합부만 내지 않습니다. 검사 전에 로트(batch) 정보를 기록하고, 부품 하나하나의 결과를 남겨 부품 단위로 추적할 수 있습니다. 품질 데이터는 생산계획 시스템으로 넘어가 불량률을 볼 수 있게 됐습니다. 회사는 도입 뒤 고객 불만이 아직 보고되지 않았다고 밝혔습니다. 검사가 데이터를 남기기 시작하면 어느 금형, 어느 로트에서 불량이 몰리는지 볼 수 있습니다. 검사 기록이 공정 개선의 출발점이 됩니다.
통념과 다른 주장
흔히 이렇게 봅니다검사 자동화는 전문 장비 업체가 완성품으로 납품하는 것이고, 현장은 받아서 쓰기만 한다.
ORAFOL은 이렇게 봅니다어떤 공급사도 프레넬 표면 결함을 안정적으로 잡지 못했으니, 품질팀이 직접 학습시키고 통제하는 도구로 스스로 풀어야 했습니다.
근거품질팀이 결함을 라벨링해 모델을 직접 학습시켰고, 그 시스템이 고물량 제품 생산의 핵심이 됐다는 점을 들었습니다.
흔히 이렇게 봅니다AI 비전의 성능은 비싼 카메라와 큰 모델이 좌우한다.
Zebra는 이렇게 봅니다일반 카메라로 충분했고, 미세 구조를 보이게 하는 맞춤 광학 장치에 설계가 들어갔습니다.
근거점광·투과광·반사광 세 조명으로 같은 부품을 비추는 장치를 만들고, 소프트웨어는 하드웨어를 가리지 않는 Aurora를 썼습니다.
저자가 든 사례
첫 시스템: 렌즈 최종 검사
| 구분 | 내용 |
|---|---|
| 상황 | 최소 4mm 프레넬 렌즈를 10~15명이 빛에 비춰 육안 검사. 반복 작업과 피로로 판정이 흔들림 |
| 한 일 | 세 조명 광학 장치 설계, Aurora Vision Studio와 Aurora Deep Learning으로 품질팀이 직접 결함 모델 학습, 자동 검사·포장 |
| 결과 | 150만 개+ 검사, 검사 시간 절반, 24시간 운영, 작업자 2명 다른 전문 업무로, 두께·치수 전수 검사, 고객 불만 미보고 |
| 연결 | Multi-light Optics, In-house Training, Spec-driven Rejection |
두 번째 시스템: 광학 윈도 대량 검사
| 구분 | 내용 |
|---|---|
| 상황 | 여러 종류의 광학 윈도를 대량으로 검사해야 함 |
| 한 일 | Zebra 산업 자동화 시스템 통합사 ID Engineering과 더 발전된 고물량 시스템 구축. 같은 Aurora 딥러닝 사용 |
| 결과 | 원문에서 밝히지 않음. 회사는 현재 시스템을 계속 넓혀 갈 계획 |
| 연결 | Automated Cell, Traceability Loop |
기술 디테일: 미세 부품 딥러닝 검사를 실제로 돌린다면
아래 필드명, 설정값, 수량은 실제로 돌릴 때 필요한 것을 새로 쓴 가상 예시입니다. ORAFOL이 이렇게 운영한다는 뜻이 아닙니다.
Multi-light Optics를 돌리려면 부품 1개를 이미지 묶음 1건으로 다룹니다. 조명별 이미지를 따로 판정하면 한 결함이 세 번 잡히거나 하나도 안 잡힙니다. 세 장을 같은 부품 ID로 묶어 저장하고, 결함 후보는 어느 조명에서 나왔는지 함께 기록합니다. 촬영 위치가 흔들리면 모델이 위치 차이를 결함으로 오인하므로, 고정 지그에서 기준 마크 위치 오차를 매 부품 확인하고 오차가 크면 재촬영합니다.
In-house Training을 돌리려면 라벨 사전부터 고정합니다. 품질팀 안에서도 “오염”과 “이물”을 다르게 부르면 모델이 흔들립니다. 결함 유형, 정의, 판정 조명, 예시 이미지 번호를 한 표로 묶어 두고, 라벨러 두 명이 같은 이미지 100장에 붙인 라벨이 90% 이상 일치할 때 학습을 시작합니다. 모델 형태는 결함 종류에 따라 고릅니다. 결함 사례가 적고 양품이 많으면 양품만으로 학습하는 이상 탐지(anomaly detection)로 시작하고, 유형별 사례가 유형당 50장 이상 모이면 결함 위치와 종류를 함께 찾는 분할(segmentation)·검출 모델로 넘어갑니다.
{
"part_id": "FL-04-A-20261116-001873",
"lot_id": "LOT-2611-07",
"mold_id": "M-112",
"images": {"point": "pt_001873.png", "transmitted": "tr_001873.png", "reflected": "rf_001873.png"},
"fiducial_offset_um": 12,
"defects": [
{"type": "scratch", "light": "point", "zone": "ring_5", "length_um": 140, "score": 0.91},
{"type": "inclusion", "light": "transmitted", "zone": "center", "diameter_um": 35, "score": 0.62}
],
"thickness_mm": 1.02,
"diameter_mm": 4.01,
"decision": "NG",
"rule_id": "SPEC-FL04-v3.scratch_max_100um",
"model_version": "fl04-seg-2026-11-10"
}
Spec-driven Rejection을 돌리려면 모델 점수와 합부 규칙을 나눕니다. 모델은 결함 후보와 크기·위치만 내고, 합부는 사양 규칙 표가 정합니다. 예를 들어 광학 중심 구역의 긁힘은 100μm 초과면 불합격, 바깥 구역은 200μm까지 허용처럼 구역별로 적습니다. 그래야 고객 사양이 바뀔 때 모델을 다시 학습시키지 않고 규칙만 바꿉니다. 모델 점수 0.4~0.7처럼 애매한 구간은 재검 대기로 보내 사람이 봅니다. 이 판정이 다음 학습 데이터가 됩니다.
| 상황 | 판정 | 다음 조치 |
|---|---|---|
| 점수 0.7 이상, 사양 초과 | NG | 자동 배출, 로트별 집계 |
| 점수 0.4~0.7 | 재검 대기 | 품질 전문가 확인, 결과를 라벨로 저장 |
| 점수 0.4 미만 또는 사양 이내 | OK | 자동 포장 |
| 기준 마크 오차 초과 | 재촬영 | 2회 연속이면 셀 정지, 지그 점검 |
Traceability Loop를 돌리려면 금형 ID를 검사 기록에 꼭 넣습니다. 불량이 금형 마모나 코팅 로트에서 시작되는 경우가 많기 때문입니다. 일 단위로 금형별 NG 비율을 생산계획 시스템에 보내고, 한 금형의 NG 비율이 지난 4주 평균의 2배를 넘으면 금형 점검을 요청합니다. 모델 버전도 함께 남겨야 불량률 변화가 공정 탓인지 모델 교체 탓인지 가릴 수 있습니다.
실패하는 경우와 대응. 금형이나 코팅 조건이 바뀌면 양품 이미지가 달라져 과검(멀쩡한 부품 불합격)이 늘어납니다. 금형 교체 뒤 첫 500개는 재검 비율을 따로 보고, 재검 대기 비율이 5%를 넘으면 그 금형의 양품 이미지를 추가해 재학습합니다. 반대로 놓침(불량 통과)은 자동 셀 안에서는 보이지 않으므로, 하루 한 번 OK 판정 부품 중 50개를 뽑아 사람이 다시 봅니다. 재학습한 모델은 고정 골든 세트(양품 200개, 유형별 불량 30개)로 이전 버전과 비교해 놓침이 늘지 않을 때만 배포하고, 이전 버전은 바로 되돌릴 수 있게 남겨 둡니다.
현업 실행 디테일: 누가, 언제, 무엇을
아래 역할, 일정, 기준은 ORAFOL 사례를 참고해 새로 짠 가상 예시입니다.
| 역할 | 맡는 일 |
|---|---|
| 생산 책임자(스폰서) | 대상 제품 선정, 병행 기간과 인력 전환 결정 |
| 품질 엔지니어(모델 주인) | 라벨 사전, 학습·재학습, 사양 규칙 관리, 상위 권한 |
| 생산 기술 엔지니어 | 조명 장치·지그 설계, 셀 레이아웃, 트레이 흐름 |
| 숙련 검사원 2~3명 | 결함 이미지 수집과 라벨링, 병행 검사 |
| 통합 파트너 | 장비 통합, 포장 자동화, 고물량 셀 구축 |
| MES·생산계획 담당 | 로트·금형 ID 연동, 불량률 전송 |
준비물. 고객별 서면 품질 사양, 최근 1년 결함 유형별 불량 건수, 결함 견본 실물(유형당 20개 이상), 양품 견본, 현재 검사 인원과 부품당 검사 시간, 고객 클레임 이력이 필요합니다. 첫 주에 “사양으로 적을 수 있는 결함”과 “사람이 계속 볼 결함”을 나눕니다.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1~2주 | 대상 제품 1종 선정, 사양을 구역별 규칙으로 정리, 결함 사전 확정 | 사양 규칙 표, 라벨 사전 |
| 3~6주 | 조명 시안 2~3개 시험, 결함 견본 촬영, 라벨링·첫 학습 | 조명 선정 기록, 첫 모델 |
| 7~10주 | 사람 검사와 병행, 판정 불일치 건 원인 분류 | 병행 비교표, 재학습 모델 |
| 11~12주 | 판정 기준으로 전환 여부 결정, 다음 제품 선정 | 전환 판정서, 확대 계획 |
현장 검사원에게 물을 것.
- 렌즈를 어떤 각도로, 어떤 빛에서 볼 때 결함이 가장 잘 보이나요?
- 사람마다 판정이 갈리는 결함은 무엇이고, 그때 누가 최종 결정하나요?
- 고객 클레임으로 돌아온 불량 중 검사에서 놓친 유형은 무엇이었나요?
- 금형을 바꾼 직후 많이 나오는 결함이 따로 있나요?
- 소량·변형 부품 중 앞으로도 사람이 봐야 할 것은 무엇인가요?
진행 판정 기준(예시). 병행 검사 4주 동안 세 가지를 봅니다. 사람이 불합격시킨 부품을 시스템도 잡았는지(놓침 0.5% 이하), 시스템이 불합격시킨 부품 중 실제 양품 비율이 얼마인지(과검 3% 이하), 부품당 검사 시간이 줄었는지입니다. 셋을 모두 넘으면 해당 제품을 자동 셀로 넘기고 사람은 재검 대기와 일일 표본 검사만 맡습니다. 하나라도 못 넘으면 조명이나 라벨을 고쳐 4주 더 병행합니다.
AX 적용 제언. 광학 렌즈, 디스플레이·광학 필름, 투명 사출품, 2차전지 분리막처럼 표면 구조가 결함을 가리는 부품을 만드는 기업이라면 ORAFOL의 순서를 그대로 옮길 만합니다. 물량이 가장 큰 제품 하나를 골라 조명 장치부터 시험하고, 모델은 품질팀이 직접 학습시키는 도구로 고릅니다. 장비 업체 선정 기준에 “우리 품질팀이 재학습할 수 있는가”와 “합부 규칙을 모델과 분리해 바꿀 수 있는가”를 넣으면 도입 뒤에도 현장이 주도권을 쥡니다. 검사 데이터를 금형·로트 ID와 묶어 생산계획 시스템에 보내면, 검사 자동화가 인력 절감에서 끝나지 않고 불량 원인 추적으로 이어집니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 원문 | Metrology and Quality News, 2026.11.10. Zebra Technologies 발표 기반 |
| 회사 | ORAFOL Fresnel Optics GmbH(독일 아폴다), ORAFOL Group 사업부. 1991년부터 미세 구조 폴리머 광학 부품 생산, 설계부터 최종 검사까지 자체 수행. 머신 비전·센서·조명·디스플레이·태양광 시장에 600종 이상 공급 |
| 이전 검사 | 정해진 조명 아래 육안 검사. 생산 라인에 최대 15명(사례 자료 기준 10~15명) |
| 부품 | 지름 4mm까지 작은 프레넬 렌즈, 동심원 계단 미세 구조 |
| 도구 | Zebra Aurora Vision Studio, Aurora Deep Learning. 맞춤 광학 장치(점광·투과광·반사광), 일반 카메라 |
| 학습 | 품질팀이 긁힘·오염·내부 이물 라벨링해 직접 학습 |
| 운영 | 자동 검사·포장, 트레이 교체만 사람, 두 단계 권한, 소량·변형 부품은 수작업 유지 |
| 결과 | 150만 개+ 검사, 검사 시간 절반, 24시간, 작업자 2명 전환, 두께·치수 전수 검사, 로트 기록·부품 단위 추적, 생산계획 시스템으로 품질 데이터 전송, 고객 불만 미보고. 정확도 미공개 |
| 두 번째 시스템 | 광학 윈도 고물량 검사, 통합 파트너 ID Engineering |
| 등장 인물 | Alexandra Frenzel(ORAFOL 품질 엔지니어), Rico Traxdorf(ORAFOL 생산·기술), Jason Harvey(Zebra EMEA AI·자동화 부사장) |
핵심 개념
- Fresnel lens
- 볼록 렌즈의 두꺼운 곡면을 얇은 동심원 계단으로 접어, 같은 집광 효과를 얇은 판에서 내는 렌즈입니다.
- Machine vision
- 카메라와 조명, 소프트웨어로 부품을 찍어 치수를 재거나 결함을 판정하는 자동 검사 기술입니다.
- 투과광·반사광 조명
- 부품 뒤에서 빛을 통과시키면 내부 이물이, 앞에서 비춰 반사를 보면 표면 형상 결함이 잘 보입니다.
- No-code 학습 도구
- 코드를 쓰지 않고 화면에서 이미지에 라벨을 붙이고 모델을 학습시키는 도구입니다. 장치 설계와 통합은 별도 작업입니다.
- System integrator
- 카메라, 조명, 소프트웨어, 이송·포장 장비를 묶어 현장 라인에 설치하는 통합 전문 업체입니다.
- Traceability
- 부품 하나가 어느 로트·설비에서 나와 어떤 검사 결과를 받았는지 거슬러 찾을 수 있게 남기는 기록 체계입니다.
내 메모
TODO: 내 생각 추가
원문은 Metrology and Quality News의 「ORAFOL Fresnel Optics Cuts Inspection Times in Half with AI Machine Vision Solution」(2026.11.10)입니다. 기사 페이지를 직접 열 수 없어, 같은 매체의 11월 16일 뉴스 묶음에 실린 기사 첫머리로 발행일과 내용을 확인하고, 기사가 바탕으로 삼은 Zebra 고객 사례 「ORAFOL Fresnel Optics Automates Quality Inspection of Complex Microstructured Lenses with Zebra」(zebra.com)와 Zebra 발표를 인용한 MarketScale 기사(2026.11.01)로 세부를 보강했습니다. 수치는 모두 ORAFOL과 Zebra가 밝힌 값이며 독립 검증된 값이 아닙니다. 요약, 핵심 메커니즘, 통념과 다른 주장, 사례는 이 자료에 나온 내용을 AX Partners가 다시 정리했습니다. 조명별로 잘 드러나는 결함 유형 설명, 기술·현업 디테일의 필드명, 설정값, 일정, 질문, 판정 기준, 인포그래픽과 표는 실제로 돌릴 때 필요한 것을 새로 작성한 가상 예시입니다. 전체 내용은 원문에서 볼 수 있습니다.