희귀 결함 탐지를 위한 컴퓨터 비전 모델 학습 가이드

핵심 요약

제조 공정의 결함 탐지 모델은 정상 데이터에 비해 결함 데이터가 극도로 부족한 클래스 불균형 문제로 인해 성능 확보에 어려움을 겪는다. 이 글은 고해상도 타일링을 통한 미세 특징 강화, 포컬 로스(Focal Loss)를 이용한 희귀 클래스 가중치 부여, 그리고 합성 데이터 생성 등 기술적 해결책을 다룬다. 특히 Roboflow Workflows를 활용해 현장 데이터를 실시간으로 수집하고 재학습에 투입하는 액티브 러닝(Active Learning) 루프 구축 과정을 상세히 안내한다. 이를 통해 데이터가 부족한 환경에서도 높은 재현율을 유지하는 견고한 비전 시스템 구축이 가능하다.

배경

컴퓨터 비전 및 객체 탐지(Object Detection) 기본 개념, 데이터 증강(Augmentation) 및 전이 학습에 대한 이해, Roboflow 플랫폼 사용 경험

대상 독자

제조 공정 자동화 및 품질 관리를 위해 컴퓨터 비전 모델을 개발하고 운영하는 엔지니어

의미 / 영향

데이터가 부족한 엣지 케이스 처리가 제조 AI의 실질적인 성능을 결정하며, 정적인 모델 배포보다 지속적인 데이터 피드백 루프 구축이 장기적인 정확도 유지에 더 중요하다.

섹션별 상세

고해상도 타일링(Tiling) 기법은 미세한 결함이 리사이징 과정에서 소실되는 문제를 방지한다. 4032x3024와 같은 고해상도 이미지를 640x640 크기의 겹치는 패치로 나누어 학습시키면 모델이 작은 특징을 큰 신호로 인식하게 된다. 또한 모델이 정상 상태를 명확히 학습하여 오탐을 줄일 수 있도록 충분한 양의 결함 없는 샘플을 데이터셋에 포함해야 한다.

클래스 불균형을 해결하기 위해 단순 복제 방식의 오버샘플링 대신 수학적 접근법을 사용한다. 포컬 로스(Focal Loss)나 가중치 적용 크로스 엔트로피(Weighted Cross-Entropy)를 도입하면 모델이 희귀 결함을 놓치는 것을 치명적인 오류로 인식하도록 강제할 수 있다. 이는 데이터셋을 인위적으로 부풀리지 않고도 학습 과정에서 희귀 사례에 대한 우선순위를 높이는 효과를 준다.

데이터가 부족한 상황에서는 사전 학습된 모델을 활용한 전이 학습(Transfer Learning)이 필수적이다. YOLO나 RF-DETR과 같이 COCO 데이터셋 등으로 학습된 모델은 이미 기본적인 질감과 형태를 이해하고 있어 적은 샘플로도 결함 패턴을 빠르게 학습한다. 이때 낮은 학습률과 작은 배치 사이즈를 설정하여 기존 지식을 유지하면서 새로운 결함 특성에 정밀하게 적응하도록 유도한다.

실제 공정에서 발생하는 빛 반사나 그림자 등 결함과 유사한 '하드 네거티브(Hard Negatives)'를 수집하여 배경으로 라벨링하는 과정이 중요하다. 모델이 결함으로 오인하기 쉬운 정상 패턴을 명확히 구분하도록 학습시키면 생산 라인에서의 불필요한 가동 중단을 줄일 수 있다. 이는 모델의 정밀도를 높이고 현장 신뢰도를 확보하는 핵심 단계이다.

Roboflow Workflows를 통해 배포와 수집이 통합된 액티브 러닝(Active Learning) 파이프라인을 구축한다. 모델의 확신도가 낮은(30~60%) 예측 결과나 실패 사례를 자동으로 추출하여 데이터셋에 업로드하고, 이를 다시 라벨링하여 학습에 투입하는 선순환 구조를 만든다. 이 과정을 반복하면 모델은 시간이 지남에 따라 현장의 새로운 결함 패턴에 더욱 견고해진다.