이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
사출 성형 공정에서 발생하는 균열·파손·오염 같은 시각적 결함을 자동으로 검출하기 위해 Roboflow의 Molding Defect Detection 데이터셋으로 RF-DETR 모델을 학습시키고, Roboflow Workflow로 배포해 이미지에서 바운딩 박스를 출력하도록 구성했다. 검출 파이프라인은 검출된 영역을 주석 이미지와 메타데이터로 생성하며 Gemini 2.5 Pro를 연계해 각 검출 건에 대해 한 줄짜리 검사 소견을 자동으로 생성한다. 이 구성은 검사 결과의 시각화와 텍스트 리포팅을 동시에 처리하여 품질관리 기록을 자동화하며 동일한 워크플로는 의료용 부품 검사 요건에 맞춰 재사용할 수 있다.
섹션별 상세
사출 성형 공정은 매일 수백만 개의 플라스틱 부품을 생산하는 공정으로 결함 발생이 비용과 자원 낭비로 직결된다. 본 사례에서는 Roboflow Universe에 등록된 Molding Defect Detection 데이터셋을 사용하여 결함 영역에 라벨을 부여한 이미지를 학습 자료로 삼았다. 데이터셋은 MOLDING_BREAK, MOLDING_CRACK, MOLDING_DEFECT, MOLDING_POLLUTION, MOLDING_POOR의 다섯 클래스 라벨을 포함하여 다양한 표면 이상을 대표하도록 구성되어 있다.
검출 파이프라인은 학습된 RF-DETR 모델을 사용해 입력 이미지를 처리하고 이미지 내 결함을 바운딩 박스 좌표와 클래스 확률로 출력한다. Roboflow Workflow가 모델 추론을 호출하고 결과 이미지를 주석 처리하여 시각적 검출 결과를 생성하며, 이 과정에서 검출된 균열·파손·오염 영역이 명확히 표시된다. 최종 출력물은 검출된 박스가 표시된 주석 이미지와 각 검출 항목에 대한 메타데이터로 구성되어 검사 로그와 연계될 수 있다.
검출 결과의 문서화와 인간 친화적 보고를 위해 Gemini 2.5 Pro가 각 검출 건에 대해 한 줄짜리 검사 소견을 생성하도록 통합되었다. 이 구성은 시각적 감지를 텍스트 소견으로 자동 변환하여 품질관리 기록에 바로 포함시키는 흐름을 만든다. 동일한 워크플로는 시린지나 IV 커넥터 같은 의료용 사출 성형 부품의 검사 요구사항에 맞게 라벨과 규칙을 조정하여 재사용할 수 있다.
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 06. 30.수집 2026. 06. 30.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.