이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
로봇 용접 품질 관리를 자동화하는 방법에 관한 실무 가이드다. RF-DETR를 통해 용접 이미지에서 Good Weld와 Bad Weld를 로컬라이즈하고 분류하는 엔드투엔드 파이프라인을 Roboflow에서 구성한다. 데이터는 70/15/15로 분할하고 Auto-orientation과 384×384 크기 조정을 적용해 다양한 조명/시야 조건에서도 특징을 학습한다. 모델의 성능은 mAP@50 72.9%, Precision 75.0%, Recall 73.3%, F1 74.2%로 보고되며, Roboflow Workflows와 Gemini 2.5 Pro를 연결해 탐지 결과로 자동으로 요약 보고서를 생성한다. 이후 Roboflow Agent를 통해 파이프라인을 자동으로 구축하고 생산 현장의 실시간 용접 품질 관리에 확장할 수 있다.
섹션별 상세
RF-DETR를 활용해 용접 이미지의 위치 기반 탐지 및 두 종류의 클래스를 한 번의 워크플로우에서 분류하는 방법을 도입해 자동 weld 검사 파이프라인의 효율성을 높인다. RF-DETR의 바운딩 박스 예측과 클래스 라벨링이 운영 차원에서 구체적 증거를 제공하므로 재작업을 줄이고 품질 이슈를 신속히 파악한다. 72.9%의 mAP@50, 75.0%의 Precision, 73.3%의 Recall, 74.2%의 F1로 평가되었으며, 이는 실무 사용 시 자동화된 결함 탐지의 신뢰성을 뒷받침한다.
데이터 준비와 전처리 단계에서 70/15/15의 Train/Valid/Test 분할, Auto-orientation, 384×384 해상도 리사이징 등이 다양한 조명/시야 조건에서도 특징 학습의 강건성을 확보한다. 두 클래스 Good Weld와 Bad Weld를 구분하는 것이 주된 목표이며, 로컬라이제이션으로 각 용접 영역의 품질을 직관적으로 검증 가능하도록 한다.
RF-DETR의 성능 지표를 바탕으로 Roboflow Workflows에 배포하고 Gemini 2.5 Pro를 통해 탐지 결과에 대한 간단한 Inspection Summary를 생성하는 엔드투엔드 파이프라인의 운영 가능성을 확인한다.
위험·제약으로는 데이터 편향, 조명 변화, 다양한 용접 기법에 따른 일반화 한계가 있으며, 생산 현장에 적용할 때는 특정 제조 공정에 맞춘 재교육과 파이프라인 확장이 필요하다. Roboflow Agent를 활용하면 수동 구성을 최소화하여 생산 라인에서의 실시간 적용이 용이하다. 이로써 용접 품질 관리의 자동화 및 추적성 증가가 가능하며, 생산성 및 불량 감소의 실질적 효과를 기대할 수 있다.
python
def run(self, gemini_output, predictions):
import re
raw = str(gemini_output or '').strip()
raw = re.sub(r'```.*?```', '', raw, flags=re.DOTALL)
raw = raw.replace('**', '').replace('* ', '').replace('- ', '')
raw = re.sub(r'\s+', ' ', raw).strip()
data = getattr(predictions, 'data', {}) or {}
class_names = data.get('class_name', data.get('class_names', []))
if hasattr(class_names, 'tolist'):
class_names = class_names.tolist()
class_names = list(class_names) if class_names is not None else []
good_count = sum(1 for c in class_names if str(c).lower() == 'good weld')
bad_count = sum(1 for c in class_names if str(c).lower() == 'bad weld')
recommendation = 'Accept' if bad_count == 0 else 'Review'
obs_match = re.search(r'Observations?:\s*(.*?)(?:Recommendation:|$)', raw, flags=re.IGNORECASE)
observation = obs_match.group(1).strip() if obs_match else raw
observation = re.sub(r'Inspection Summary|Good Welds:\s*\d+|Bad Welds:\s*\d+|Recommendation:\s*\w+', '', observation, flags=re.IGNORECASE).strip(' -:;')
if not observation:
observation = f'{good_count} good weld(s), {bad_count} bad weld(s) detected.'
if len(observation) > 72:
observation = observation[:69].rstrip() + '...'
compact = f'Weld QC | Good: {good_count} | Bad: {bad_count} | {observation} | Rec: {recommendation}'
if len(compact) > 120:
compact = compact[:117].rstrip() + '...'
return {'formatted_report': compact}
이 코드는 Gemini의 출력에서 인사이트를 요약하는 포맷을 생성하는 예시로 사용됩니다.
용어 해설
- RF-DETR
- — RF-DETR은 물체 탐지에서 위치를 예측하는 트랜스포머 기반 모델로, 각 용접 영역을 바운딩 박스로 식별하고 품질 라벨을 동시에 예측한다. 이 방식은 이미지 전체를 단일 분류로 보는 것이 아니라 영역별로 검사 기록을 남겨 검증과 추적을 용이하게 한다.
- 바운딩 박스(Bounding Box)
- — 객체의 위치를 직사각형으로 표시하는 좌표 정보로, RF-DETR가 용접 영역의 위치를 식별하는 데 사용된다.
- mAP@50
- — 평가 지표로, 예측의 정확도와 위치 정확도를 50% 임계값에서 평균으로 결합해 물체 탐지의 성능을 측정한다.
- 정밀도(Precision)
- — 검출한 양성 중 실제 양성의 비율로, 로컬라이즈된 용접 영역의 정확도를 나타낸다.
- 재현율(Recall)
- — 실제 양성 중 검출된 양성의 비율로, 모델의 탐지 누락 여부를 평가한다.
- 전처리(Preprocessing)
- — 데이터 일관성을 높이기 위한 이미지 정규화/크기 조정 등의 전처리 절차를 의미한다.
기술
- RF-DETR
- Gemini 2.5 Pro
- Roboflow
- Python
활용 사례
- Automated weld inspection
- Quality assurance in manufacturing
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 06. 23.수집 2026. 06. 23.출처 타입 RSS
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
