NOTES

제조·비전 AI

모델을 만들고, 웹과 앱을 짓고, 업무를 자동화할 때 쓰는 설계 기준과 점검 항목을 정리합니다. 프로젝트에서 직접 잰 수치가 있는 글은 본문에 따로 밝힙니다.

TOTAL 6 · 제조·비전 AI

불량 판정 점수의 경계는 기술 숫자처럼 보이지만 실제로는 품질 손실과 재검사 비용 사이의 선택입니다. 임계값을 현장 비용에 맞춰 조정해야 합니다.

새 비전 모델을 설치하자마자 기존 판정을 끄면 예상하지 못한 생산 조건에서 큰 손실이 날 수 있습니다. 그림자 운영은 실제 데이터를 보되 설비에는 개입하지 않는 검증 단계입니다.

검사 이미지가 수백만 장 있어도 모델을 개선하는 데 유용한 이미지는 일부입니다. 액티브러닝은 모델이 헷갈리는 사례를 우선 골라 라벨링 비용을 줄입니다.

학습 때 보던 각도에서 카메라가 조금만 틀어져도 같은 부품이 다르게 찍힙니다. 모델 성능 저하를 모델 재학습 문제로만 보면 원인을 놓칠 수 있습니다.

라벨러마다 ‘스크래치’, ‘찍힘’, ‘오염’을 다르게 쓰면 모델은 같은 현상을 다른 정답으로 배웁니다. 새 모델보다 먼저 불량 이름의 기준이 필요합니다.

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

제조·비전 AI 글 목록