비전 검사에서 양품을 불량으로 오판할 때의 비용

비전 검사에서 불량을 놓치는 비용은 잘 알려져 있지만, 양품을 불량으로 버리는 비용도 생산성을 깎습니다. 두 오류를 같은 정확도 숫자에 묶으면 결정이 어려워집니다.

현장의 문제를 구체화한다

양품 오판은 재검사 인력, 라인 정지, 폐기, 납기 지연으로 이어질 수 있습니다. 제품 단가가 낮아도 물량이 많으면 누적 비용이 커집니다. 불량 미검출 비용과 양품 오판 비용을 현장 데이터로 따로 추정해야 합니다.

판정과 데이터 기준을 세운다

검사 결과를 양품·불량 두 칸으로만 보지 말고 결함 종류와 재검사 결과를 연결합니다. 사람이 재검사에서 다시 양품으로 판단한 건을 추적하면 오판의 원인을 찾을 수 있습니다. 조명·제품 위치·LOT 조건도 함께 남겨야 합니다.

제한된 조건에서 시험한다

모델 임계값을 바꾸기 전에 실제 비용 행렬을 만듭니다. 중요한 결함은 민감도를 높이고, 경미한 외관 차이는 재검사 대기열로 보낼 수 있습니다. 한 임계값으로 모든 제품군과 고객 요구를 처리하려 하면 오류가 쏠립니다.

성능과 비용을 함께 본다

양품 오판률, 불량 미검출률, 재검사 처리 시간, 최종 폐기율을 같이 봅니다. 전체 정확도는 양품이 압도적으로 많으면 거의 변하지 않을 수 있습니다. 교대조와 제품군별로 나눠 봐야 데이터 분포 변화가 보입니다.

조건 변화에 대응한다

임계값 변경은 샘플 검증과 승인 절차를 거쳐야 합니다. 모델이 낸 점수의 분포가 바뀌면 같은 숫자도 다른 의미가 됩니다. 일정 기간 그림자 운영으로 기존 판정과 비교한 뒤 현장 흐름을 조정합니다.

현장에 적용할 때의 순서

1. 오류 유형별 현장 비용 계산
2. 재검사 결과를 원본 이미지와 연결
3. 제품군별 임계값 시험

주의할 실패: 전체 정확도만으로 판정 조정

관찰할 지표: 양품 오판률·미검출률·재검사 시간

적용 전 체크리스트

• 오류 유형별 현장 비용 계산
• 재검사 결과를 원본 이미지와 연결
• 제품군별 임계값 시험

참고 자료

Google ML — Precision and Recall. 분류 오류를 정밀도·재현율로 나누는 개념은 Google 공식 교육 자료를 참고했습니다. 현장 비용 행렬은 적용 제안입니다.

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

#비전검사 #양품오판 #FalseReject #품질비용 #임계값 #네이처프랙탈 #제조혁신 #스마트공장 #현장데이터 #AI도입