인쇄 결함 검사 뒤에 숨은 시각 알고리즘: 윤곽선 추적에서 시작하다

인쇄 현장에서 흔히 보는 장면이 있다. 검사 시스템에 경보가 울려 작업자가 달려가 확인하지만 종이 위에는 아무것도 없다. 이런 일이 몇 번 반복되면 기장은 감도를 두 단계 낮춘다. 경보는 잠잠해지지만, 이제 진짜 긁힘 불량을 놓치기 시작한다

이건 장비 고장이 아니다. 작업자와 시스템 사이에 ‘무엇을 결함으로 볼 것인가’에 대한 기준이 어긋나서 생긴 문제다. 기준을 맞추려면 먼저 카메라 뒤의 알고리즘이 무엇을 찾고 있는지 알아야 한다. 알고리즘이 찾는 것은 ‘윤곽선(Contour)’이다. 이미지 안에서 그레이스케일이나 색상이 급격히 변해 하나의 닫힌 경계선으로 묶이는 영역을 말한다. 윤곽선이 어떻게 추출되고 프레임 간에 어떻게 추적되는지 이해해야, 우리 라인의 어떤 파라미터를 손봐야 하는지, 예산을 어디에 써야 하는지 판단할 수 있다

윤곽선이야말로 기계가 안정적으로 정량화할 수 있으면서도 사람의 육안 판단과 가장 일치하는 특징이기 때문이다

컴퓨터 비전 분야에서는 일찌감치 ‘윤곽선 기반의 동영상 내 다중 객체 실시간 인식 및 추적’을 실질적인 알고리즘 프레임워크로 정립해, 윤곽선 특징으로 여러 대상을 동시에 포착하고 지속적으로 위치를 추적해 왔다 [1]. 이 연구 자체가 인쇄용으로 작성된 것은 아니지만, 다루는 문제 구조는 롤투롤(웹) 인쇄 검사와 완벽히 겹친다. 화면은 끊임없이 움직이고, 결함 대상은 여러 개이며, 모든 것이 실시간이어야 한다는 점이다

이를 인쇄 현장의 언어로 번역하면 다음과 같다

・오염(이물): 윤곽선이 없어야 할 여백 영역에 나타난, 면적이 작고 대비가 높은 닫힌 윤곽선

・긁힘(스크래치): 인쇄물 진행 방향을 따라 길게 뻗은, 종횡비가 극단적인 가늘고 긴 윤곽선

・핀맞춤 오차: 새로운 윤곽선이 생긴 것이 아니라, 서로 다른 판(플레이트) 간에 동일한 도안 윤곽선의 위치가 어긋난 것. 이것이 가장 핵심적인 차이다. ‘새로운 무언가가 생긴 것’이 아니라 ‘윤곽선 간의 정합 오차’다

이 세 가지 결함은 시스템 관점에서 보면 완전히 다른 세 가지 수학적 문제다. 인쇄 현장에서 오염은 기가 막히게 잘 잡는 시스템이 핀맞춤은 툭하면 오판하는 이유가 바로 여기에 있다. 오염 검출은 ‘불필요한 윤곽선 찾기’에 의존하지만, 핀맞춤 판정은 ‘기존 윤곽선 간의 상대적 변위 비교’에 의존하므로 사용하는 임계값(Threshold) 파라미터가 전혀 다르다. 장비 공급업체는 시스템 하나를 통째로 팔지만, 현장에서 조절하는 값은 보통 그중 한 세트에 불과하다

그 차이는 ‘이 이미지에 이상이 있는가’만 보는 단발성 검사와 달리, ‘연속된 프레임 속에서 동일한 결함의 정체성(Identity)을 유지하는가’를 처리한다는 데 있다

윤곽선 기반 실시간 다중 객체 추적의 핵심 가치는 동적인 화면 속에서 여러 대상의 식별과 위치를 동시에 유지할 수 있다는 점이다 [1]. 이를 인쇄 생산 라인에 대입하면 실무적 의미는 대단히 명확해진다. 시스템이 하나의 동일한 결함을 열 번 중복으로 카운트하느냐 마느냐를 결정하기 때문이다

계산해 보면 바로 안다. 인쇄 속도가 300 m/min이라면 초당 5m에 해당한다. 카메라가 초당 30프레임으로 이미지를 취득할 때, 실린더에 잉크 찌꺼기가 달라붙는 등 지속적인 롤러 오염이 발생하면 수십 장의 연속 이미지에 반복해서 나타난다. (이는 단순 환산 추정치이며 실제 수치는 설비 및 촬상 설정에 따라 달라진다.) 추적 능력이 없는 시스템은 이를 수십 건의 독립된 불량으로 보고해 진짜 돌발 결함을 묻어버린다. 반면 추적 능력이 있는 시스템은 ‘이것은 하나의 동일한 윤곽선이며 주기적으로 재발한다’는 사실을 인식해, 결함의 원인이 용지가 아니라 롤러에 있음을 판별해 낸다

돌발성 결함과 주기성 결함의 분류야말로 윤곽선 추적이 가져다주는 가장 큰 실무적 이점이다. 전자는 불량품만 골라내면 되지만, 후자는 인쇄기를 멈추고 롤러를 닦아야 한다. 시스템이 단순히 ‘있음/없음’만 분류한다면, 결국 이 판단은 영원히 베테랑 작업자의 경험에 기댈 수밖에 없다

대부분의 오경보는 ‘윤곽선은 존재하지만 결함은 아닌 경우’에서 발생하기 때문이다. 망점, 텍스처, 종이 결, 정상적인 미세 폰트 등은 알고리즘의 눈에는 모두 정상적인 윤곽선이다

이것이 인쇄가 일반 산업 검사와 가장 다른 점이다. 금속 볼트를 검사할 때는 배경이 깨끗하다. 반면 인쇄물을 검사할 때는 배경 자체에 이미 윤곽선이 빽빽하게 깔려 있다. 175 lpi의 4색 인쇄물이라면 1제곱인치당 수만 개의 망점이 존재하며, 각 망점 하나하나가 전부 경계선이다. 이런 배경 위에서 0.3 mm 크기의 오염을 잡아내는 것은 본질적으로 거대한 노이즈 속에서 신호를 찾는 작업이다

실무에서 오경보를 줄이기 위해 순서대로 진행해야 하는 3단계가 있다

・1. 먼저 광학 해상도가 충분한지 확인한다. 이는 하드웨어의 한계선이며, 소프트웨어로는 되살릴 수 없다. 대략적인 계산으로, 카메라의 가로 4096 픽셀이 1000 mm 폭을 커버한다면 픽셀 하나는 약 0.24 mm다. 0.3 mm 결함을 안정적으로 식별하려면 고작 1~2개 픽셀에 의존해야 하는데, 이는 운에 맡기는 꼴이다. 0.3 mm를 잡으려면 실무적으로 결함이 최소 3~5개 픽셀에 걸쳐 있어야 한다. 해상도가 부족할 때는 어떤 파라미터를 조절해도 헛수고다

2. 그다음 골든 샘플(Golden Sample)을 보정한다. 시스템이 비교 기준으로 삼는 마스터 이미지가 애초에 미세한 오염이나 색상 편차를 품고 있다면, 그 이후의 모든 정상 인쇄물은 이상으로 판정된다

3. 마지막에 가서야 임계값을 건드린다. 그것도 구역별로 나누어 설정해야 한다. 넓은 솔리드(베다) 영역, 미세 텍스트, 여백 영역은 허용할 수 있는 윤곽선 밀도가 완전히 다르다. 하나의 전역 임계값으로 판 전체를 덮으려 하면 이쪽을 맞추다 저쪽을 망치게 마련이다

현장에서 가장 흔히 저지르는 실수는 1, 2단계를 건너뛰고 바로 3단계로 들어가는 것이다. 이는 소프트웨어 파라미터로 하드웨어와 기준 샘플의 결함을 땜질하려는 것과 같으며, 그 결과는 서두에서 언급한 장면 그대로다. 경보는 조용해졌지만, 불량도 함께 놓치게 된다

단순히 ‘잡을 수 있느냐’만 묻지 말고, 추적 및 분류 능력을 물어야 한다. 이것이야말로 시스템의 가치 격차를 가장 극명하게 가르는 기준선이다

구체적으로 계약 전에 반드시 확인해야 할 사항은 다음 네 가지다

・돌발성 결함과 주기성 결함을 구분할 수 있는가? 이는 시스템이 단순한 낱장 비교를 넘어 프레임 간 윤곽선 추적 기능을 갖추고 있는지를 직접적으로 보여준다

・최소 검출 가능 결함 크기는 어떤 인쇄 폭과 어떤 인쇄 속도에서 측정된 값인가? 이 세 가지 수치는 반드시 묶어서 따져야 하며, ‘0.2 mm’라는 단일 수치만 제시하는 것은 아무런 의미가 없다

・핀맞춤 오차는 어떤 메커니즘으로 판정하는가? 오염 검출과 동일한 임계값을 쓴다는 답변이 돌아온다면, 핀맞춤 판정은 구색 맞추기용 부가 기능일 가능성이 높다

・오경보 데이터를 피드백하여 재학습할 수 있는가? 작업자가 누르는 ‘오경보’ 버튼에서 아무것도 학습하지 못하는 시스템은 3개월 뒤면 작업자의 수동 조작으로 감도가 완전히 망가져 있을 것이다

실행 가능한 다음 단계는 간단하다. 섣불리 시스템 교체부터 서두르지 말고, 지난 한 달간의 경보 로그를 뽑아 진짜 결함과 오경보를 수작업으로 라벨링한 뒤 결함 유형별로 분류해 보라. 이 분류표를 보면 문제가 해상도에 있는지, 기준 샘플에 있는지, 아니면 임계값 설정에 있는지 곧바로 드러난다. 몇 시간의 인력만 들이면 잘못된 설비 구매를 사전에 막을 수 있다

적용 한계도 분명히 짚고 넘어가야 한다. 이상의 판단은 ‘인쇄물 자체에 안정적으로 반복되는 도안 구조가 있다’는 전제 위에 성립한다. 소량 다품종 단납기 주문, 가변 데이터 인쇄(VDP), 장마다 내용이 달라지는 개인화 인쇄물은 비교할 골든 샘플이 없으므로 ‘비교 기반 검사’ 대신 ‘규칙 기반 이상 감지’로 접근해야 하며, 앞서 말한 2단계는 성립하지 않는다. 마찬가지로 투명 기재, 미러 박(Foil), 고반사 가공물은 광학 조건의 편차가 극심하여 윤곽선 추출의 신뢰도가 크게 떨어진다. 이는 알고리즘 파라미터가 아니라 조명 설계로 풀어야 할 문제다

AI 인쇄 검사의 근본 언어는 ‘윤곽선’이다. 오염은 불필요한 윤곽선, 긁힘은 극단적 종횡비의 윤곽선, 핀맞춤 오차는 기존 윤곽선의 상대적 변위다. 셋은 서로 다른 수학적 판정 기준을 사용하므로 임계값 파라미터를 공유하지 않는다

실시간 다중 객체 윤곽선 추적은 동적 화면에서 여러 대상의 식별과 위치를 동시에 유지할 수 있으며 [1], 생산 라인에서의 가치는 돌발성 결함과 롤러 청소가 필요한 주기성 결함을 분류해 내는 데 있다

오경보를 낮추는 올바른 순서는 ‘광학 해상도 → 골든 샘플 보정 → 구역별 임계값’이다. 앞의 두 단계를 건너뛰고 임계값만 조절하면 소프트웨어로 하드웨어 결함을 때우는 꼴이 되어 경보는 꺼지고 불량은 놓치게 된다

특정 크기의 결함을 안정적으로 식별하려면 실무적으로 최소 3~5개 픽셀에 걸쳐 있어야 한다. 1~2개 픽셀에 불과하다면 해상도가 곧 한계선이 된다

도입 전에는 시스템이 돌발성 결함과 주기성 결함을 구분할 수 있는지, 그리고 최소 결함 크기가 어떤 인쇄 폭과 속도에서 측정되었는지를 반드시 확인해야 한다

인쇄 제조 관점에서 윤곽선 추적은 품질 관리(QC)의 역할을 ‘불량품 선별’에서 ‘설비 상태 진단’으로 끌어올린다. 시스템이 동일한 윤곽선의 주기적 재발을 식별할 수 있게 되면, 검사 데이터는 실린더, 블랭킷, 잉크 공급 장치의 상태를 나타내는 헬스 인덱스가 되며, 이는 품질 관리 비용을 설비 유지보수 정보로 전환하는 경로가 된다. 디자인 관점에서는 판면 디자인 자체가 검사 용이성에 직접적인 영향을 미친다는 뜻이다. 고밀도 망점의 풀베다 배경이나 극도로 가는 반전 라인은 시스템의 신호 대 잡음비(SNR)를 떨어뜨리므로, 향후 제조 고려 설계(DFM)에는 ‘검사 친화성’이 반드시 반영되어야 한다. AI 도입 담당자에게 가장 실무적인 조언은 모델 하나에만 모든 자원을 쏟아붓지 말라는 점이다. 현장의 병목은 대부분 알고리즘의 진보성이 아니라 광학계와 기준 샘플에 있다. SaaS 개발사 입장에서는 오경보 피드백의 완전한 파이프라인이야말로 진정한 기회 영역이다. 작업자의 판정을 수집하고 공장 간 결함 샘플 라이브러리를 축적하여 파라미터 조정에 피드백하는 클라우드 레이어가 한 단계 더 높은 모델보다 훨씬 큰 상업적 가치를 지닌다. 앞으로 해결해야 할 과제는 세 가지다. 첫째, 골든 샘플이 없는 가변 데이터 인쇄 환경을 위한 무참조 검사 기법. 둘째, 박 인쇄, 부분 코팅, 투명 기재 등 특수 후가공에 대한 조명 및 윤곽선 추출 표준화. 셋째, 결함 심각도 판정이다. 시스템은 ‘여기에 윤곽선이 있다’고 말할 수 있지만, ‘이 정도 수준에서 고객이 반품(클레임)할 것인가’는 여전히 사람의 경험에 크게 의존하고 있으며, 이는 업계가 아직 합의를 이루지 못한 정량화의 공백 지대다

[1] MS（2106）. Contour Based Real Time Multiple Object Tracking. International journal of Emerging Trends in Science and Technology. DOI: 10.18535/ijetst/v3i08.10