Roboflow를 활용한 시각적 품질 관리 시스템(QMS) 구축 가이드

섹션별 상세

01

NEU Surface Defect 데이터셋을 활용한 결함 탐지 모델 학습을 수행한다. 1,799개의 이미지와 6가지 결함 클래스(스크래치, 패치 등)를 포함한 데이터셋을 사용하여 RF-DETR 아키텍처 기반의 모델을 학습시킨다. 제조 현장에서는 결함을 놓치는 비용이 오탐지 비용보다 훨씬 크기 때문에, 정밀도(Precision)보다는 재현율(Recall)을 높이는 방향으로 모델을 최적화하는 것이 중요하다.

NEU Surface Defect 데이터셋의 구성과 모델 성능 지표 화면 — ScreenshotNEU Surface Defect 데이터셋의 6가지 결함 클래스와 초기 모델의 mAP(73.3%), Precision, Recall 지표를 보여준다. 데이터셋의 규모와 실제 결함 이미지의 예시를 확인할 수 있다.

Roboflow 플랫폼의 모델 학습 버전 관리 및 데이터 분할 화면 — Screenshot학습을 위한 데이터셋 분할 비율(훈련 70%, 검증 20%, 테스트 10%)과 모델 학습 시작 버튼을 보여준다. 버전 관리를 통해 실험을 체계적으로 수행할 수 있음을 나타낸다.

테스트 세트에 대한 모델 성능 지표 요약 — Chart최종 학습된 모델의 성능이 mAP@50 기준 79.5%로 향상되었음을 보여준다. 이는 실제 운영 환경에 배포하기 전 모델의 신뢰성을 검증하는 단계다.

02

Roboflow Workflows를 이용한 QMS 파이프라인을 설계한다. 생산 라인의 이미지를 입력받아 모델 추론을 실행하고, 결함이 발견된 경우에만 후속 작업을 수행하는 논리 구조를 구축한다. Continue If 블록을 사용하여 바운딩 박스가 1개 이상일 때만 워크플로가 진행되도록 설정하며, 이를 통해 불필요한 알림과 데이터 처리를 방지한다.

Roboflow Workflows로 구축된 QMS 파이프라인 다이어그램 — Diagram입력 데이터부터 객체 탐지, 조건부 실행(Continue If), Slack 알림 및 데이터 업로드까지 이어지는 전체 워크플로의 논리적 흐름을 시각화한다. 시스템의 아키텍처를 한눈에 파악할 수 있게 돕는다.

03

실시간 Slack 알림 및 시각화 기능을 구현한다. 탐지된 결함 부위에 바운딩 박스가 그려진 주석 이미지를 생성하고, 이를 JPEG로 변환하여 Slack으로 전송한다. 메시지에는 생산 라인 ID(line_id)와 결함 개수(defect_count)를 포함하여 현장 작업자가 즉각적으로 상황을 파악하고 조치할 수 있도록 지원한다.

text

Line {{ $parameters.line_id }}: detected {{ $parameters.defect_count }} surface defect(s).

Slack 알림 메시지에 사용되는 동적 템플릿 예시

04

데이터 재학습을 위한 자동 업로드 루프를 구축한다. 결함이 발견된 이미지를 Roboflow Dataset Upload 블록을 통해 데이터셋에 자동으로 업로드하여 모델의 지속적인 성능 향상을 도모한다. 이때 모든 이미지를 업로드하는 대신 특정 비율(10-30%)만 샘플링하여 저장 공간을 관리하고, 사전 주석(Pre-annotation) 기능을 활용해 라벨링 작업의 효율성을 극대화한다.

05

운영 환경에서의 알림 노이즈 감소 및 확장 전략을 적용한다. 동일한 결함에 대해 반복적인 알림이 발생하는 것을 방지하기 위해 쿨다운(Cooldown) 시간 설정과 신뢰도 임계값(Confidence threshold) 조정을 적용한다. 또한 여러 생산 라인으로 확장할 때 발생하는 데이터 드리프트 문제를 자동 업로드 루프로 해결하며, 추적성이 중요한 경우 Webhook을 통해 Jira와 같은 시스템에 티켓을 생성하는 방식을 활용한다.

용어 해설

품질 관리 시스템(QMS): — 제조업체가 표준을 충족하는 제품을 일관되게 인도하기 위해 사용하는 검사, 결함 추적, 시정 조치 및 지속적 개선 프로세스의 집합이다. 시각적 QMS는 컴퓨터 비전을 활용해 이 과정을 자동화한다.
재현율(Recall): — 모델이 실제 정답(결함) 중 얼마나 많은 비율을 찾아냈는지를 나타내는 지표다. 제조 현장에서는 결함을 놓치는 비용이 오탐지 비용보다 크기 때문에 정밀도보다 재현율을 높이는 것이 중요하다.
RF-DETR: — Roboflow에서 제공하는 Transformer 기반의 객체 탐지 아키텍처다. 기존 CNN 기반 모델보다 전역적인 문맥 파악 능력이 뛰어나며 복잡한 표면 결함 탐지에 효과적이다.
데이터 드리프트(Data Drift): — 시간이 지남에 따라 모델이 학습한 데이터의 분포와 실제 운영 환경의 데이터 분포가 달라지는 현상이다. 카메라 각도 변경이나 조명 변화 등이 원인이 되며 지속적인 재학습 루프로 해결해야 한다.
신뢰도 임계값(Confidence Threshold): — 모델이 특정 객체를 탐지했을 때 그 결과가 정답일 확률에 대한 최소 기준치다. 이 값을 조정하여 노이즈로 인한 오탐지를 줄이거나 더 민감하게 결함을 잡아내도록 설정할 수 있다.

기술

Roboflow
RF-DETR
Roboflow Workflows
Slack API
Python

활용 사례

강철 표면 결함 자동 탐지
실시간 제조 공정 알림 시스템
지속적 학습(Continuous Learning) 파이프라인

언급된 리소스

문서NEU Surface Defect Dataset

튜토리얼How to Monitor & Improve AI Models in Production