컴퓨터 비전을 활용한 FDA 라벨 규정 준수 자동화

섹션별 상세

01

FDA 라벨 규정 준수는 소비자 안전과 직결되며 오류 발생 시 리콜이나 법적 조치로 이어질 수 있다. 현재 대부분의 검수는 수동으로 이루어져 수천 개의 SKU를 처리하기에 비효율적이며 확장성이 떨어진다.

02

Roboflow Universe의 공개 영양 라벨 데이터셋을 활용하고 자동 방향 조정, 회전, 밝기 변화, 노이즈 추가 등 증강 기법을 적용한다. 이는 실제 산업 현장의 다양한 촬영 조건을 시뮬레이션하여 모델의 일반화 성능을 높인다.

03

RF-DETR 아키텍처와 사전 학습된 체크포인트를 사용하여 영양 성분표 위치를 파악한다. 규정 준수 시스템의 특성상 실제 패널을 놓치지 않도록 재현율(Recall) 지표를 최우선으로 최적화하여 학습을 진행한다.

04

Roboflow Workflows를 통해 감지, OCR(docTR 또는 Gemini), 유효성 검사 로직을 통합한다. 추출된 값과 기준값 사이의 허용 오차(Tolerance)를 설정하여 부적합 제품에 대한 자동 경고 시스템을 구현한다.

FDA 규정 준수(FDA Compliance): — 식품, 의약품 등의 안전을 보장하기 위해 미국 식약처(FDA)가 설정한 엄격한 라벨링 및 제조 기준을 따르는 과정이다. 영양 성분표, 알레르기 주의사항 등의 정확한 표기가 핵심이며 위반 시 리콜이나 법적 제재를 받는다.
RF-DETR: — Roboflow에서 최적화한 Transformer 기반의 객체 탐지 모델이다. 기존 모델 대비 적은 데이터로도 빠르게 수렴하며 실시간 추론 성능과 높은 정확도를 동시에 제공하여 산업용 검수 시스템에 적합하다.
광학 문자 인식(OCR): — 이미지 내의 텍스트를 디지털 데이터로 변환하는 기술이다. 라벨 검수 시스템에서는 영양 성분표의 수치나 원재료명을 텍스트로 추출하여 기준 데이터와 비교 검증하는 용도로 사용된다.
재현율(Recall): — 실제 정답 데이터 중 모델이 올바르게 찾아낸 비율이다. FDA 라벨 검수와 같이 필수 구성 요소의 누락(False Negative)이 치명적인 시스템에서 가장 우선적으로 고려해야 하는 성능 지표이다.
데이터 증강(Data Augmentation): — 기존 이미지를 회전, 밝기 조절, 노이즈 추가 등으로 변형하여 학습 데이터를 인위적으로 늘리는 기법이다. 실제 제조 현장의 다양한 조명이나 카메라 각도 변화에 강인한 모델을 만드는 데 필수적이다.