양산 적용이 가능한 반도체 및 PCB AOI용 OCR 및 OCV
AI 이전 단계에서 고려해야 할 사항
반도체 및 PCB 생산에서 OCR 실패는 인식 알고리즘으로 인해 발생하는 경우는 거의 없습니다. 실험실 환경에서는 거의 재현할 수 없는 이미징 조건의 불안정성으로 인해 발생합니다.
생산 환경에서 발생하는 OCR 실패는 AI에 의해 발생하는 경우는 드뭅니다.
OCR은 통제된 환경에서는 잘 작동하지만 공장 조건에서 진동, 속도 변화, 눈부심, 일관되지 않은 마킹 품질 등 실험실 테스트에서는 거의 재현되지 않는 요인들이 발생하기 때문에 생산에서는 종종 실패하는 경우가 있습니다. 저대비 레이저 에칭은 각도에 따라 변하고 잉크 마킹은 시간이 지남에 따라 번지거나 희미해지며 안정적인 입력이 없으면 OCR 정확도가 떨어집니다.
왜 알고리즘보다 이미지 획득 품질이 더 중요한가
생산 환경에서는 알고리즘 선택보다 이미지 획득 품질이 더 큰 영향을 미치는 경우가 많으며, 상위 단계에서의 작은 개선도 큰 효과를 가져올 수 있습니다. 예를 들어, 백엔드 라인에서 고정 장치 강성과 노출 타이밍을 개선한 업그레이드는 모델 변경 없이도 오검출 감소에 큰 효과를 가져왔으며, 이는 안정적이고 고대비 이미지가 OCR 정확도를 결정짓는 가장 중요한 요소임을 다시 한번 입증합니다.
그렇기 때문에 OCR 실패는 AI의 문제가 아니라 시스템 차원의 문제입니다. 불안정한 광학 장치나 잘못된 노출 제어와 같은 취약한 프론트엔드 설계는 AI에 사용할 수 없는 데이터를 제공하므로 데모에서는 성공하지만 규모에 따라서는 실패하는 경우가 많습니다. 실제로 안정적인 OCR은 모델이 아닌 이미징 파이프라인을 안정화하는 것에서 시작됩니다.
OCR vs OCV, 유사한 입력 조건, 매우 다른 민감도
광학 문자 인식(OCR)은 이미지에서 LM358과 같은 문자열을 추출하여 텍스트를 판독하며, 광학 문자 검증(OCV)은 인쇄 품질을 평가하고 번짐, 퇴색, 세그먼트 누락, 정렬 불량과 같은 문제를 식별하는 단계까지 확장됩니다. 두 기술 모두 동일한 이미지 입력에 의존하지만, 변동성에 대한 허용 범위는 크게 다릅니다.
