Roboflow를 활용한 타이어 측면 OCR 자동화 구현

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

핵심 요약

타이어 측면의 DOT 코드, 규격, 브랜드 정보를 수동으로 판독하는 과정은 오류가 잦고 비효율적이다. 이 시스템은 RF-DETR 모델을 사용하여 타이어 영역을 정밀하게 탐지하고, 크롭된 이미지를 멀티모달 LLM에 전달하여 텍스트를 추출한다. 평가 결과 mAP@50 94.1%, F1-Score 95.0%의 성능을 기록했다. 이 파이프라인은 데이터베이스에 구조화된 데이터를 자동으로 기록하여 정비 및 재고 관리의 효율성을 높인다.

배경

Roboflow 계정, 컴퓨터 비전 기초 지식, 데이터셋 어노테이션 경험

대상 독자

컴퓨터 비전 파이프라인을 구축하는 엔지니어 및 개발자

의미 / 영향

이 파이프라인은 수동 검사 과정에서 발생하는 인적 오류를 최소화하고, 정비소나 물류 센터의 데이터 기록 자동화를 가속화한다. Vision Agent 아키텍처를 통해 특정 도메인의 비정형 데이터를 구조화된 정보로 전환하는 실용적인 사례를 제시한다.

섹션별 상세

RF-DETR 모델이 타이어를 탐지하고, 필터링된 이미지를 LLM이 분석하여 DOT 코드와 규격 정보를 추출하는 다단계 파이프라인을 구성한다.

RF-DETR Small 아키텍처를 사용하여 mAP@50 94.1%, F1-Score 95.0%의 성능을 달성했다.

json

{ "type": "roboflow_core/detections_filter@v1", "name": "detections_filter", "predictions": "$steps.model.predictions", "operations": [ { "type": "DetectionsFilter", "filter_operation": { "type": "StatementGroup", "operator": "and", "statements": [ { "type": "BinaryStatement", "left_operand": { "type": "DynamicOperand", "operand_name": "_", "operations": [ { "type": "ExtractDetectionProperty", "property_name": "confidence" } ] }, "comparator": { "type": "(Number) >=", "right_operand": { "type": "StaticOperand", "value": 0.5 }, "negate": false } ] } } } ], "operations_parameters": {} }

탐지된 객체의 신뢰도(confidence)가 0.5 이상인 경우만 통과시키는 Detections Filter 설정

모델의 성능을 보여주는 혼동 행렬(Confusion Matrix). — Chart각 클래스별 예측 정확도와 오탐지(False Negative/Positive) 분포를 시각화하여 모델의 학습 상태를 진단한다.

Roboflow Workflows를 통해 탐지, 필터링, 크롭, LLM 추론, JSON 파싱으로 이어지는 6단계 자동화 파이프라인을 구축한다.

Roboflow Workflows의 객체 탐지 모델 설정 블록. — DiagramRF-DETR 모델을 사용하여 입력 이미지에서 타이어와 휠을 탐지하는 워크플로우의 첫 번째 단계를 보여준다.

Detections Filter 블록 설정 화면. — Diagram신뢰도 임계값을 설정하여 불필요한 탐지 결과를 제거하는 파이프라인의 필터링 과정을 설명한다.

Detections Filter 블록을 통해 신뢰도가 낮은 탐지 결과를 제거하고, LLM의 구조화된 출력을 통해 데이터 정합성을 확보한다.

실무 Takeaway

RF-DETR과 같은 경량 모델을 전처리 단계에 배치하면 후속 LLM의 연산 부하를 줄이고 정확도를 높일 수 있다.
LLM의 Structured Output 기능을 활용하면 비정형 이미지 데이터에서 타이어 규격, 제조일자 등 핵심 메타데이터를 즉시 데이터베이스화할 수 있다.
클래스 불균형이 있는 데이터셋은 추가 수집과 어노테이션을 통해 모델의 특정 클래스 탐지 성능을 개선해야 한다.

언급된 리소스

GitHubRoboflow Universe

{ "type": "roboflow_core/detections_filter@v1", "name": "detections_filter", "predictions": "$steps.model.predictions", "operations": [ { "type": "DetectionsFilter", "filter_operation": { "type": "StatementGroup", "operator": "and", "statements": [ { "type": "BinaryStatement", "left_operand": { "type": "DynamicOperand", "operand_name": "_", "operations": [ { "type": "ExtractDetectionProperty", "property_name": "confidence" } ] }, "comparator": { "type": "(Number) >=", "right_operand": { "type": "StaticOperand", "value": 0.5 }, "negate": false } ] } } } ], "operations_parameters": {} }

Roboflow를 활용한 타이어 측면 OCR 자동화 구현

핵심 요약

배경

대상 독자

의미 / 영향

섹션별 상세

실무 Takeaway

언급된 리소스

Roboflow를 활용한 타이어 측면 OCR 자동화 구현

핵심 요약

배경

대상 독자

의미 / 영향

섹션별 상세

실무 Takeaway

언급된 리소스

관련 토론

댓글

관련 피드

관련 토론

댓글

관련 피드