드문 불량을 놓치지 않는 검사 데이터 표본 설계

전체 검사 이미지에서 불량이 극히 드물면 무작위 표본만으로는 중요한 결함을 충분히 보지 못합니다. 드문 불량을 평가할 별도 표본을 설계해야 합니다.

현장 조건을 구체화한다

운영 중 불량 비율과 평가셋의 불량 비율을 구분합니다. 불량을 많이 넣은 평가셋은 결함별 성능을 보는 데 좋지만 실제 현장의 양품 오판 건수를 그대로 추정할 수는 없습니다. 두 목적의 표본을 각각 유지해야 합니다.

데이터와 판정 기준을 세운다

결함 종류, 심각도, 제품군, 촬영 조건별로 최소 표본을 확보합니다. 과거에 한 번만 나온 중요한 결함은 표본이 적다는 이유로 무시하면 안 됩니다. 다만 같은 LOT에서 연속 촬영한 거의 동일한 이미지만 모으면 독립 사례가 부족해집니다.

작은 범위에서 시험한다

드문 결함을 재현하려고 인위적으로 만든 샘플은 실제 생산 이미지와 구분합니다. 합성 이미지가 도움이 될 수 있어도 최종 성능은 실제 사례로 검증해야 합니다. 라벨러 간 이견이 큰 결함은 정의를 다시 합의합니다.

성능과 비용을 함께 본다

결함별 재현율과 양품 오판률을 동시에 보고, 표본 수와 신뢰 범위를 함께 표시합니다. 10장 중 10장을 맞혔다고 안정적인 성능을 보장하는 것은 아닙니다. 새로운 결함이 들어오면 평가셋과 판정 기준을 갱신합니다.

설비 변화에 대응한다

모델이 잘 못 보는 조건을 찾는 표본과 실제 발생 비율을 추정하는 표본을 섞어 한 점수로 만들지 않습니다. 출시 판단에는 제품별 비용과 재검사 용량도 필요합니다. 표본 선정 기록을 남기면 다음 모델과 공정하게 비교할 수 있습니다.

현장에 적용할 때의 순서

1. 운영 분포와 결함 평가셋 분리
2. 결함·제품·촬영 조건별 최소 표본
3. 실제 이미지로 최종 검증

주의할 실패: 중복 사진으로 표본 수만 늘리기

관찰할 지표: 결함별 재현율·양품 오판률·표본 수

적용 전 체크리스트

• 운영 분포와 결함 평가셋 분리
• 결함·제품·촬영 조건별 최소 표본
• 실제 이미지로 최종 검증

참고 자료

Google ML — Precision and Recall. 불균형 분류에서 정밀도·재현율을 구분하는 개념은 Google 공식 자료를 참고했습니다. 표본 구성은 현장 적용 제안입니다.

이미지와 도식은 이해를 돕기 위한 개념 시각화입니다. 특정 고객의 실제 설비·데이터·화면을 재현한 것이 아닙니다.

#희귀불량 #비전검사 #표본설계 #불균형데이터 #품질평가 #네이처프랙탈 #제조혁신 #스마트공장 #현장데이터 #AI도입