컴퓨터 비전을 활용한 FDA 라벨 준수 자동화 가이드

핵심 요약

미국 FDA는 식품 라벨에 영양 성분표, 원재료명, 알레르기 경고 등을 엄격하게 기재하도록 규정하고 있으며, 기존의 수동 검수 방식은 비용과 오류 발생 가능성이 높다. 이 글은 Roboflow의 컴퓨터 비전 기술을 사용하여 이러한 라벨 요소를 자동으로 감지하고 검증하는 파이프라인 구축 방법을 서술한다. RF-DETR 모델을 통한 영양 성분표 감지부터 OCR을 이용한 텍스트 추출, 그리고 기준 데이터와의 비교를 통한 자동 유효성 검사까지의 전 과정을 포함한다. 이를 통해 제조사는 대규모 SKU에 대해 빠르고 정확한 품질 관리를 수행할 수 있다.

배경

객체 감지(Object Detection) 기본 개념, OCR 기술에 대한 이해, Python 프로그래밍 기초

대상 독자

식품 제조 공정 자동화 엔지니어, 품질 관리(QA) 담당자, 컴퓨터 비전 개발자

의미 / 영향

이 시스템은 식품 제조 분야의 품질 관리 프로세스를 획기적으로 가속화하며, 수동 검수 비용을 절감하고 리콜 리스크를 최소화한다. 특히 멀티모달 모델과 전용 OCR 모델을 결합한 워크플로우는 비정형 데이터 추출의 정확도를 높여 다양한 산업군의 라벨 검수에 응용될 수 있다.

섹션별 상세

FDA 라벨 규정의 중요성과 수동 검수의 한계. FDA는 소비자 안전을 위해 영양 성분표, 원재료 목록, 알레르기 유발 물질 표시 등을 의무화하고 있다. 수동 검수는 수천 개의 SKU를 처리하기에 느리고 오류가 잦아 법적 리스크와 리콜 위험을 초래한다. 컴퓨터 비전은 이러한 반복적인 시각적 검사 작업을 자동화하여 정확도와 확장성을 동시에 확보할 수 있는 대안이다.

Roboflow Universe를 활용한 데이터셋 준비 및 증강 전략. 모델 학습을 위해 Roboflow Universe의 'Nutrition Label Dataset'을 활용하여 영양 성분표 데이터를 확보한다. 실제 공정 환경의 변수를 고려하여 회전(±15도), 밝기(±20%), 블러(1.5px), 노이즈(2%) 등의 증강 기법을 적용한다. 이를 통해 고정된 카메라 위치뿐만 아니라 다양한 조명과 각도에서도 모델이 강건하게 작동하도록 학습 데이터를 구성한다.

RF-DETR 모델 학습 및 평가 지표의 중요성. Roboflow의 Detection Transformer인 RF-DETR 아키텍처를 사용하여 영양 성분표의 위치를 감지하는 모델을 학습시킨다. 학습 시에는 사전 학습된 체크포인트를 사용하여 수렴 속도와 성능을 높이는 방식이 권장된다. 특히 규정 준수 시스템에서는 실제 존재하는 성분표를 놓치지 않는 것이 중요하므로, 정밀도(Precision)보다 재현율(Recall) 지표를 우선적으로 고려하여 모델을 평가한다.

Roboflow Workflows를 이용한 엔드투엔드 검증 파이프라인 구축. 감지된 영역에서 텍스트를 추출하고 검증하기 위해 다단계 워크플로우를 구성한다. 입력된 이미지는 RF-DETR 모델로 성분표 위치를 찾고, 해당 영역을 동적으로 크롭(Crop)한 뒤 docTR이나 Google Gemini 같은 OCR 모델로 전달된다. 추출된 텍스트 데이터는 JSON 형식으로 반환되어 시스템의 기준값과 비교 분석되는 과정을 거친다.

실무 적용을 위한 커스텀 유효성 검사 로직 구현. OCR로 추출된 데이터는 실제 제품의 영양 성분 기준값과 비교하여 허용 오차(Tolerance) 범위 내에 있는지 확인한다. 파이썬 코드를 통해 칼로리, 단백질, 지방 등의 수치를 자동 비교하고, 기준을 벗어나면 즉시 경고를 발생시켜 생산 라인을 중단하거나 수동 검사로 유도한다. 이는 단순한 이미지 인식을 넘어 실질적인 비즈니스 규칙을 적용한 자동화된 품질 관리 시스템을 완성한다.