.svg)
AI 솔루션 문의하기
생산라인에서 촬영되는 제품 이미지는 하루에도 수만 장씩 쌓입니다. 사실 이 물량을 사람이 하나씩 보고 양품과 불량을 구분해 라벨을 붙이는 방식은 속도가 맞지 않습니다. 검사 인력을 늘려도 생산 속도를 따라잡기 어렵고, 반복 작업에서 오는 피로는 판정 정확도를 떨어뜨리는 요인이 될 수 있기 때문입니다. 초기 판정을 자동화하고 사람은 판정이 애매한 사례만 다시 보는 구조가 이런 물량 문제를 다루는 기본 방향입니다. 같은 시간에 처리할 수 있는 물량이 많아진다는 점 못지않게, 사람이 매번 같은 유형의 판정을 반복하지 않아도 된다는 점도 이 구조의 실질적인 장점입니다.
많은 생산라인에는 이미 비전 검사기 같은 자동 검사 설비가 설치되어 있습니다. 이 설비의 판정 결과를 그대로 라벨로 활용하면 별도의 라벨링 작업 없이도 학습데이터를 빠르게 모을 수 있습니다. 다만 검사 설비의 판정 기준은 학습 목적의 정밀한 라벨과는 다를 수 있습니다. 설비 판정 결과를 초기 라벨로 삼되, 일정 비율은 사람이 다시 확인해 설비 판정의 정확도를 주기적으로 점검하는 절차를 함께 두어야 합니다. 설비 판정과 사람 판정이 자주 어긋나는 불량 유형은 별도로 표시해 두고 우선적으로 검토할 필요가 있습니다. 검사 설비를 교체하거나 소프트웨어를 업데이트한 직후에는 판정 기준이 미세하게 달라질 수 있어, 이런 시점에는 일치율 점검 주기를 평소보다 짧게 잡는 편이 안전합니다.
스크래치가 아주 얕거나 얼룩이 희미해서 양품과 불량 사이 어디쯤에 있는 제품은 자동 판정만으로 결론 내리기 어렵습니다. 이런 경계 사례를 무작정 양품이나 불량 어느 한쪽으로 몰아넣으면 모델이 잘못된 기준을 학습합니다. 판정 신뢰도가 일정 기준보다 낮게 나온 사례를 자동으로 골라내 사람에게 넘기는 절차를 두면, 전체 물량 가운데 정말 판단이 필요한 부분만 사람이 맡을 수 있습니다.
이 신뢰도 기준을 어디에 두느냐에 따라 사람이 검토해야 할 물량과 자동화로 처리되는 물량의 비율이 달라집니다. 기준을 너무 느슨하게 잡으면 애매한 사례가 자동 판정으로 그냥 넘어가고, 너무 엄격하게 잡으면 사람이 검토할 물량이 줄어들지 않아 애초에 자동화를 도입한 취지가 흐려집니다.
기존에 정의되지 않은 새로운 불량 유형은 자동화 규칙이 인식하지 못합니다. 원자재가 바뀌거나 공정 조건이 조정되면 이전에는 없던 형태의 불량이 새로 나타나는 경우가 흔합니다. 자동 판정에서 어느 범주에도 속하지 않는다고 나온 사례를 별도로 모아 두고 정기적으로 사람이 검토하는 절차를 마련해 두면, 새로운 불량 유형을 놓치지 않고 데이터셋에 반영할 수 있습니다. 새 유형이 확인되면 해당 사례를 기준으로 자동 판정 규칙을 다시 학습시켜야 이후 발생하는 같은 유형을 자동으로 잡아낼 수 있습니다. 신규 유형에 대응하는 데 걸리는 시간이 길어질수록 그 사이 발생한 불량품이 양품으로 잘못 분류되어 그대로 출하될 위험도 함께 커집니다.
같은 라인이라도 조명이 노후되거나 카메라 각도가 미세하게 틀어지면 촬영되는 이미지의 특성이 달라집니다. 자동 라벨링 모델은 이런 변화에 민감하게 반응해 정확도가 갑자기 떨어지는 경우가 있습니다. 정기적으로 기준 샘플을 촬영해 이전 결과와 비교하고, 판정 정확도가 떨어지는 시점을 빠르게 포착하는 절차를 갖추면 설비 노후화나 환경 변화로 인한 오류를 조기에 발견할 수 있습니다.
같은 제품을 생산하더라도 설비 제조사나 라인 배치가 다르면 촬영 조건과 불량 발생 경향도 달라집니다. 한 라인의 데이터로만 학습한 모델을 다른 라인에 그대로 적용하면 판정 정확도가 떨어지는 경우가 자주 생깁니다. 여러 라인의 데이터를 함께 학습에 포함하고, 라인별로 판정 정확도를 나눠서 관리하는 체계를 두면 특정 라인에서만 성능이 떨어지는 상황을 빠르게 발견할 수 있습니다.
제조 불량검출 데이터에 라벨링 자동화를 도입하려면, 우선 기존 검사 설비의 판정을 초기 라벨로 활용할 수 있는지부터 확인해야 합니다. 이를 바탕으로 사람 검토로 넘길 신뢰도 기준, 새로운 불량 유형을 발견하는 절차를 설계하고, 라인별 데이터 편차를 관리하는 체계도 함께 마련해야 합니다. 설비나 조명이 바뀌는 시점마다 판정 정확도를 다시 점검하는 일정도 미리 정해 두는 편이 좋습니다.
라벨링 자동화의 목표는 사람의 판단을 없애는 데 있지 않습니다. 오히려 사람이 판단해야 할 대상을 전체 물량에서 정말 애매한 사례로 좁혀 주는 데 목표를 둡니다. 자동화 비율을 무리하게 높이려다 경계 사례까지 자동 판정에 맡기면, 줄어드는 쪽은 사람의 작업량보다 데이터의 신뢰도 쪽에 가깝습니다. 자동화의 성과는 처리 속도로 재기보다, 사람이 실제로 봐야 하는 사례를 얼마나 정확하게 골라내는지로 재는 편이 실제 라인 운영에 더 맞습니다.
.svg)
.svg)
