강판(steel strip) 표면 결함 검사 자동화

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

TL;DR

강판(steel strip) 표면 검사에서 인간 검사자는 보통 60~70%만 결함을 찾아 30~40%가 미탐지로 남아 하류 공정에서 균열·도장 실패·반품으로 이어진다. 이러한 운영상의 손실을 줄이기 위해 라벨링된 공개 데이터셋과 객체 탐지 모델을 활용한 자동화가 제시된다. 튜토리얼은 Roboflow Universe의 공개 강판 데이터(6개 결함 클래스)를 이용해 RF-DETR Small을 학습하고, 학습된 모델을 Roboflow Workflow에 연결해 이미지 입력 → 모델 추론(바운딩 박스·클래스 확률) → 신뢰도 기반의 pass/review/fail 결정 및 주석 이미지 반환의 파이프라인을 구축한다. 불확실한 검출은 인간 검토로 라우팅해 자동화의 오탐·미탐 리스크를 완화한다. 이 접근법은 라벨 데이터가 준비된 경우 빠르게 PoC를 돌려 운영에 투입할 수 있다는 실용적 이점이 있으며, 하류 불량과 고객 반품을 줄이는 데 기여한다. 단, 모델 성능은 라벨 품질·데이터 다양성·신뢰도 임계치 설정에 민감하므로 충분한 데이터 준비와 검증 절차가 병행되어야 한다.

섹션별 상세

생산 라인의 인간 검사자는 고온 압연된 코일 표면 결함을 육안으로 확인할 때 60~70%만 검출해 30~40%가 미탐지로 남고, 이 미탐지 결함은 프레스 금형 균열·도장 실패·반품으로 이어져 비용을 유발한다. 이미지(스트립 사진)를 입력으로 받아 모델이 표면 결함의 위치와 유형을 바운딩 박스와 클래스 확률로 예측한 뒤 불확실 사례를 별도로 표기해 흐름에 합류시키는 자동화가 문제를 완화한다. 원문은 인간 검사자의 60~70% 검출율 수치를 근거로 자동화의 필요성을 제시한다. 자동 검출은 하류 공정에서 재작업·반품 빈도를 낮추는 실무적 이점이 있다.

라벨링된 데이터셋이 이미 존재할 경우 가장 빠른 경로는 해당 데이터로 객체 탐지 모델을 학습시키는 것이며, 이 튜토리얼은 강판 표면 이미지의 6개 결함 클래스로 주석된 공개 데이터셋을 사용해 RF-DETR Small을 학습한다. 입력 이미지 → RF-DETR 기반 추론(특징 추출·Transformer 관계 모델링) → 바운딩 박스와 클래스 확률 출력을 통해 결함을 검출하고 학습된 모델 가중치를 얻는다. 원문은 Roboflow Universe에서 제공되는 공개 데이터셋과 '6개 결함 클래스'라는 데이터 구성을 근거로 학습 경로를 제시한다. 라벨이 준비된 경우 모델 학습으로 빠르게 자동 검사 체계를 마련할 수 있다는 실용적 의미가 있다.

학습된 모델을 Roboflow Workflow에 연결해 단순한 합격/불합격 이진판정을 넘는 'pass, review, fail' 삼분화 흐름을 구현하며, 입력 이미지에 대해 검출 결과와 주석 이미지를 반환하고 불확실한 검출은 인간 검토로 라우팅한다. 파이프라인 동작은 이미지 입력 → 모델 추론(검출·확신도 계산) → 신뢰도 임계치 기반 분류(pass/review/fail) → 필요시 인간 검토로 이어지는 워크플로 전개로 구성된다. 원문은 최종 결과물이 'pass, review, fail 중 하나와 주석 이미지'를 반환한다고 명시한다. 불확실 케이스를 인간과 결합해 처리하는 설계는 자동화의 오탐·미탐 리스크를 운영상으로 완화한다.

실무 Takeaway

라벨링된 강판 표면 이미지셋이 준비되어 있다면 RF-DETR Small을 학습시켜 객체 탐지 기반으로 결함 위치와 유형을 자동화할 수 있다. 이는 수작업 검사로 놓치는 30~40%의 결함을 줄일 수 있는 현실적 경로다.
검출 결과를 신뢰도 임계치로 분류해 'pass / review / fail' 워크플로로 연결하면 단순 이진 판정보다 불확실 사례를 인간 검토로 회수함으로써 하류 공정 불량과 고객 반품을 줄이는 운영 개선이 가능하다.
Roboflow Universe의 공개 데이터와 Roboflow Workflow를 활용하면 별도 인프라 없이 데이터→모델→운영 파이프라인을 빠르게 구축할 수 있어 PoC 단계에서 시간과 통합 비용을 절감한다.