공장의 비전 검사 모델은 어제와 같은 버전인데 오늘부터 불량 판정이 늘었다고 해보겠습니다. 모델을 다시 학습해야 할까요? 실제 원인은 카메라 브래킷의 미세한 이동, 렌즈 교체, 초점 조정, 촬영 해상도 변경일 수 있습니다. 영상 속 부품의 위치와 크기가 조금만 달라져도 측정 기준을 넘거나 모델 입력 분포가 바뀝니다. 그래서 산업용 비전 시스템에서는 AI 모델의 정확도뿐 아니라 카메라가 무엇을 어떤 좌표계로 보고 있는지를 관리해야 합니다.
보정은 사진을 예쁘게 만드는 작업이 아니다
카메라 보정은 초점 거리와 주점 같은 내부 파라미터, 렌즈 왜곡, 카메라와 대상 물체의 상대적 자세를 추정하는 과정입니다. 렌즈 왜곡 때문에 직선이 가장자리에서 휘어 보이면 픽셀 거리와 실제 물리적 거리가 일치하지 않습니다. 치수를 재거나 로봇 좌표로 옮기는 공정에서는 이 차이가 곧 측정 오차가 됩니다. OpenCV의 카메라 보정 안내는 여러 각도에서 촬영한 보정 패턴으로 내부·외부 파라미터와 왜곡 계수를 구하는 방법을 설명합니다.
보정판은 한 위치에서 한 장만 찍고 끝내지 않습니다. 화면 중심과 가장자리, 실제 검사 높이와 각도를 충분히 덮는 영상을 확보합니다. 보정판 자체의 치수와 평면성, 촬영 중 흔들림, 반사도 결과에 영향을 줍니다. 검출된 코너가 화면 한 구석에만 몰리면 전체 시야의 왜곡을 설명하기 어렵습니다. 계산이 성공했다는 메시지보다 입력 이미지의 분포와 품질이 먼저입니다.
재투영 오차가 낮아도 현장 측정은 틀릴 수 있다
보정 뒤에는 추정한 3차원 점을 이미지에 다시 투영해 관측한 코너와 얼마나 차이 나는지 확인합니다. 재투영 오차는 유용한 품질 지표지만 그 자체가 생산품 치수의 허용 오차를 보증하지는 않습니다. 보정판 거리와 실제 검사 거리의 차이, 부품 높이, 조명, 기계 진동, 컨베이어 속도 같은 요인이 남습니다. 알려진 길이의 게이지나 기준 부품을 실제 검사 위치에 놓고 픽셀-물리 단위 변환 결과를 별도로 검증해야 합니다. OpenCV의 보정 예제도 재투영 오차를 보정 정밀도의 평가값으로 다룹니다.
검증은 평균 오차 하나로 끝내지 않습니다. 시야의 중심·모서리, 여러 높이와 회전 방향, 대표 제품 크기를 살핍니다. 기준 부품이 허용 범위 안에 있더라도 특정 코너에서만 오차가 커지는지 봐야 합니다. 합격 기준은 공정의 실제 허용 공차와 검사 목적에 맞춰 정해야 합니다. 치수 측정이 아닌 단순 분류라면 필요한 보정 수준이 다를 수 있지만, 촬영 조건의 안정성은 여전히 중요합니다.
또한 보정 결과를 이미지 전처리에 적용하는 순서를 고정해야 합니다. 원본 이미지에서 왜곡을 바로잡은 뒤 크롭하고 모델에 넣는 파이프라인과, 먼저 크롭·리사이즈한 뒤 이전 보정 행렬을 적용하는 파이프라인은 같은 좌표를 만들지 않습니다. 검사 영역의 좌표가 원본 기준인지 보정 후 기준인지 문서화하고, 소프트웨어 업데이트 때 대표 샘플의 좌표와 판정 결과가 유지되는지 비교하세요. 모델 파일이 그대로여도 전처리 순서가 바뀌면 사실상 다른 검사기입니다.
무엇이 바뀌면 다시 보정해야 할까
카메라·렌즈 교체, 초점 또는 조리개 변경, 설치 각도 변경, 해상도나 크롭 영역 변경, 조명 구조 변경, 충격이나 진동 이후에는 기존 보정이 유효한지 확인해야 합니다. 조명은 기하 보정 값을 직접 바꾸지 않을 수 있어도 보정 패턴 검출과 검사 품질에는 영향을 줍니다. Basler의 플랫필드 보정 안내 역시 카메라·조명·렌즈 등 영상 시스템 요소가 바뀌면 해당 보정을 반복해야 한다고 설명합니다. 적용하는 보정 종류에 따라 재검증 범위를 정해야 합니다.
검사 결과에는 모델 버전만 남기지 말고 카메라 ID, 렌즈와 해상도, 보정 파일 버전, 촬영 위치, 설정 변경 시각을 연결하세요. 그래야 특정 시점 이후 불량률이 변했을 때 원인을 좁힐 수 있습니다. 보정 파일을 새로 배포할 때는 기준 부품 통과, 모델 입력 확인, 이전 값으로 되돌릴 방법을 함께 준비합니다. AI가 현장을 오래 돕게 하려면 모델뿐 아니라 빛과 광학계, 좌표계까지 하나의 품질 시스템으로 운영해야 합니다.
