Roboflow를 활용한 제약 분야 자동 시각 검사 구현 가이드

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

제약 제조 공정에서 수동 시각 검사는 작업자의 피로도로 인해 정확도가 떨어지며 막대한 리콜 비용을 초래할 수 있다. 본 아티클은 Roboflow를 사용하여 알약을 탐지하고 결함을 분류하는 2단계 자동 시각 검사(AVI) 파이프라인 구축법을 제시한다. RF-DETR 모델로 알약의 위치를 먼저 찾고, Dynamic Crop으로 개별 알약을 격리한 뒤, ViT 모델로 정상 여부를 판별하는 구조를 취한다. 이 방식은 복잡한 배경 노이즈를 제거하여 검사 정확도를 높이며, 실제 생산 환경의 품질 관리 대시보드와 연동 가능한 워크플로우를 제공한다.

배경

컴퓨터 비전 기초 지식, Roboflow 플랫폼 사용 경험, 객체 탐지 및 이미지 분류 개념 이해

대상 독자

제약 제조 공정 자동화 엔지니어 및 AI 개발자

의미 / 영향

AI 기반 AVI 시스템은 수동 검사의 인적 오류를 줄이고 리콜 비용을 획기적으로 절감할 수 있다. 특히 2단계 파이프라인 구조는 알약뿐만 아니라 바이알, 주사기 등 다양한 제약 제품군으로의 확장이 용이하여 업계 전반의 품질 관리 표준을 높일 수 있다.

섹션별 상세

제약 산업의 엄격한 규제와 수동 검사의 한계를 지적하며 100% 전수 검사의 필요성을 강조한다. 수동 검사는 약 80%의 결함만 포착할 수 있어 자동화가 필수적이다.

객체 탐지(Detection)와 분류(Classification)를 분리한 2단계 파이프라인 전략을 사용한다. 탐지 모델은 복잡한 배경에서 객체를 격리하고, 분류 모델은 격리된 객체의 세부 품질만 집중적으로 평가하여 정확도를 극대화한다.

프로젝트에 사용된 두 가지 데이터셋 카드 이미지이다. — Screenshot알약 탐지를 위한 데이터셋(451개 이미지)과 결함 분류를 위한 데이터셋(191개 이미지)이 각각 준비되어 있음을 보여준다. 2단계 파이프라인 구축을 위해 서로 다른 성격의 데이터셋이 필요함을 시각적으로 확인시켜 준다.

첫 번째 단계로 RF-DETR 아키텍처를 사용하여 알약의 위치를 찾는 탐지 모델을 학습시킨다. 이때 모든 알약을 놓치지 않도록 재현율(Recall) 지표를 최우선으로 고려하는 학습 전략을 취한다.

알약 탐지 모델의 성능 지표 대시보드이다. — ChartmAP@50 89.1%, Precision 83.9%, Recall 86.5%의 수치를 보여준다. 탐지 단계에서 알약을 놓치지 않는 것이 중요하므로 Recall 지표가 핵심적인 성능 기준이 됨을 나타낸다.

두 번째 단계로 ViT(Vision Transformer) 기반의 분류 모델을 학습시켜 정상 알약과 가장자리 결함(Edge Defect)이 있는 알약을 구분한다. 개별 알약 이미지에 집중하므로 컨베이어 벨트나 조명 반사 등의 환경 노이즈 영향을 최소화한다.

알약 분류 모델의 정확도 지표이다. — Chart분류 모델이 100%의 정확도를 달성했음을 보여준다. 격리된 알약 이미지를 사용함으로써 분류 작업의 난이도가 낮아지고 정확도가 극대화될 수 있음을 증명한다.

Roboflow Workflows를 통해 탐지, 동적 크롭(Dynamic Crop), 분류, 라벨 교체, 시각화 단계를 하나의 파이프라인으로 통합한다. 이를 통해 한 장의 사진에 포함된 여러 알약을 각각 독립적으로 판정하고 결과를 출력한다.

Roboflow Workflows로 구성된 전체 검사 파이프라인 다이어그램이다. — Diagram입력 이미지부터 객체 탐지, 동적 크롭, 분류, 라벨 교체, 시각화 출력까지의 데이터 흐름을 보여준다. 각 블록이 어떻게 연결되어 하나의 자동화된 검사 시스템을 형성하는지 아키텍처를 명확히 설명한다.

실제 운영 환경을 위해 신뢰도 임계값 설정 및 결함 분포 모니터링을 통한 공정 제어(CAPA) 연동 방안을 제시한다. 특정 결함의 급증은 모델 문제가 아닌 생산 설비의 기계적 결함 신호로 해석될 수 있다.

실무 Takeaway

배경이 복잡한 제조 환경에서는 탐지와 분류를 분리한 2단계 파이프라인을 구축하여 검사 정확도를 높여야 한다.
탐지 모델 학습 시에는 불량 검출 누락을 방지하기 위해 정밀도(Precision)보다 재현율(Recall) 지표를 우선적으로 최적화해야 한다.
분류 모델의 결과 분포를 실시간 모니터링하여 생산 설비의 기계적 이상 징후를 조기에 포착하는 공정 제어 시스템으로 확장 가능하다.

언급된 리소스

문서Pill Detection Dataset

문서Defective Pill Classifier Dataset