핵심 요약
제약 제조 공정에서 수동 시각 검사는 피로도로 인해 결함 발견율이 80%에 그치며 막대한 리콜 비용을 초래한다. 이를 해결하기 위해 Roboflow는 객체 탐지와 이미지 분류를 결합한 2단계 자동 시각 검사(AVI) 파이프라인 구축 방안을 제시한다. RF-DETR 모델로 알약의 위치를 먼저 찾고, Dynamic Crop으로 개별 알약을 분리한 뒤 ViT 모델로 결함 여부를 정밀하게 판별하는 구조이다. 이 방식은 배경 노이즈를 제거하여 정확도를 높이며, 실제 생산 라인에서 즉시 활용 가능한 워크플로를 제공한다.
배경
컴퓨터 비전 기본 개념 (객체 탐지, 이미지 분류), Roboflow 플랫폼 사용 경험, 제약 제조 공정 및 품질 관리 기준에 대한 이해
대상 독자
제약 및 제조 분야의 품질 관리 엔지니어 및 컴퓨터 비전 개발자
의미 / 영향
이 튜토리얼은 고도의 규제가 적용되는 제약 산업에서 AI 기반 시각 검사를 표준화하는 방법을 제시한다. 특히 워크플로 기반의 모듈형 설계는 캡슐, 바이알, 주사기 등 다양한 제품군으로의 확장이 용이하여 업계 전반의 품질 관리 비용을 획기적으로 낮출 수 있다.
섹션별 상세
제약 산업의 수동 시각 검사는 검사관의 피로도와 주관에 따라 품질이 달라지며 평균 80%의 결함 발견율을 기록한다. 2024년 한 해에만 6억 8천만 개 이상의 유닛이 리콜되었으며, 단일 리콜당 발생하는 비용은 1,000만 달러에서 1억 달러에 달한다. FDA 규정은 주사제의 경우 100% 전수 조사를 요구하므로 자동화된 검사 시스템 도입이 필수적이다.
효율적인 검사를 위해 객체 탐지와 분류를 분리한 2단계 파이프라인 아키텍처를 채택한다. 1단계 탐지 모델(RF-DETR)은 컨베이어 벨트와 같은 복잡한 배경에서 알약의 위치를 식별하는 데 집중하며, 2단계 분류 모델(ViT)은 잘려진 알약 이미지에서 미세한 결함 여부만을 판별한다. 이러한 분리 구조는 단일 모델을 사용할 때보다 환경 노이즈의 영향을 덜 받으며 더 적은 데이터로도 높은 신뢰도를 확보할 수 있다.
Roboflow Workflows를 통해 각 단계를 하나의 유기적인 시스템으로 연결한다. Dynamic Crop 블록은 탐지 모델의 결과물을 받아 각 알약을 독립된 이미지로 생성하며, 이는 분류 모델의 입력값으로 전달된다. 이후 Detections Classes Replacement 블록을 사용하여 1단계의 일반적인 '알약' 레이블을 2단계의 구체적인 '정상' 또는 '결함' 판정 결과로 교체하여 최종 시각화 데이터를 생성한다.
실제 운영 환경에서는 오탐지를 줄이기 위해 분류 모델의 신뢰도 임계값을 설정하여 관리한다. 신뢰도가 0.7 미만인 경우 자동으로 반려하는 대신 인간 검사관의 확인을 거치도록 경로를 설정한다. 또한 결함 발생 빈도의 통계적 변화를 모니터링하여 특정 장비의 마모나 공정 문제를 조기에 감지하는 시정 및 예방 조치(CAPA) 신호로 활용한다.
실무 Takeaway
- 복잡한 제조 환경에서는 탐지와 분류를 분리한 2단계 파이프라인을 구축하여 배경 노이즈를 제거하고 결함 판별 정확도를 극대화해야 한다.
- 탐지 단계에서는 높은 재현율(Recall)을 우선순위로 설정하여 단 하나의 제품도 검사 없이 통과하지 않도록 보장하는 것이 품질 관리의 핵심이다.
- AI 모델의 결함 분류 데이터를 실시간 대시보드와 연결하여 결함률 급증 시 즉각적인 장비 점검을 수행하는 공정 최적화 도구로 활용할 수 있다.
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료