희귀 결함 탐지를 위한 AI 모델 학습 가이드: 데이터 불균형 해결 전략

섹션별 상세

01

희귀 결함은 전체 데이터의 극소수를 차지하여 모델이 정상 제품만 예측하도록 유도하므로 4032x3024 같은 고해상도 이미지를 640x640 크기의 겹치는 패치로 나누는 타일링 기법을 사용한다. 이는 작은 결함이 네트워크에 더 크게 보이도록 강제하여 탐지 성능을 높인다.

Roboflow의 데이터셋 분석 대시보드 화면이다. — Screenshot이미지 수, 어노테이션 통계 및 클래스별 분포를 보여준다. 특정 결함 클래스가 다른 클래스에 비해 적은 데이터 불균형 상태를 시각적으로 확인하여 학습 전략을 세우는 데 활용된다.

02

단순히 이미지를 복제하는 오버샘플링은 과적합을 유발하므로 Focal Loss나 Weighted Cross-Entropy 같은 클래스 인식 손실 함수를 적용한다. 이는 희귀 결함을 놓쳤을 때 더 큰 페널티를 부여하여 모델이 학습 시 소수 클래스에 우선순위를 두도록 강제한다.

PCB 이미지에서 결함 부위를 라벨링하는 어노테이션 도구 화면이다. — Screenshot미세한 결함인 'missing_hole'을 바운딩 박스로 정밀하게 지정하는 과정을 보여준다. 희귀 결함 학습을 위해 정확하고 일관된 라벨링이 얼마나 중요한지 강조한다.

03

데이터가 부족할 때 처음부터 학습시키지 않고 COCO나 ImageNet으로 사전 학습된 YOLO, RF-DETR 등의 모델을 미세 조정한다. 또한 PBR(Physics-Based Rendering)이나 Generative AI를 이용해 실제 이미지에 결함을 인페인팅하여 부족한 샘플을 보충한다.

04

모델 배포 후 신뢰도가 30~60% 사이인 예측값이나 오탐 사례를 자동으로 수집하여 다시 라벨링하고 학습 데이터에 추가하는 활성 학습 루프를 구축한다. Roboflow Workflows를 통해 이 과정을 자동화하면 모델이 시간이 지날수록 새로운 결함 패턴에 강해지는 선순환 구조가 형성된다.

Roboflow에서 제공하는 다양한 이미지 전처리 옵션 목록이다. — ScreenshotTile, Resize, Auto-Orient 등 모델 성능 최적화에 필요한 전처리 기법들을 나열한다. 특히 작은 결함 탐지를 위한 타일링 기법의 적용 위치를 확인할 수 있다.

05

전체 정확도나 mAP에만 의존하지 않고 희귀 결함 클래스에 대한 재현율(Recall)을 별도로 추적한다. 혼동 행렬을 통해 중요 결함을 놓치고 있지는 않은지 수동으로 검증하고 신뢰도 임계값을 조정하여 현장 요구 사항에 맞춘다.

기술

Roboflow
RF-DETR
YOLO
SAM
Stable Diffusion

활용 사례

PCB 회로 결함 탐지
제조 공정 자동 품질 검사
희귀 질병 진단 의료 비전 시스템

언급된 리소스

문서Roboflow Workflows

API DocsRF-DETR Documentation