AI가 먼저 보고, 검사자는 확인만.
말보다 데모로 먼저 만들어 봤어요.
카드 위 손상 박스, 신뢰도, 박스 고치기·지우기·직접 그리기
AI 제안 등급과 판정 이유 문장, 검사자가 확정
상하좌우 mm, 비율, 센터링 판정을 자동으로
2인 교차 검사, 자주 엇갈리는 판정
유형별 정의·그리는 법·제외 기준
유형별 정밀도·재현율, 혼동 행렬, 버전 비교
스캔과 식별은 시스템에 있지만, 손상 검사는 사람마다 기준이 달라요. 라벨링된 데이터도 아직 없어요.
손상 위치·등급·여백이 자동으로 나오고, 검사자는 확인만 해요. 고친 내용은 다음 모델을 더 똑똑하게 만들어요.
YOLO 계열 검출 모델(필요하면 세그멘테이션)
작은 스크래치는 고해상도 이미지를 타일로 나눠 봐요. 모서리·테두리는 전용 영역을 따로 잘라 정밀하게.
검출 결과(유형·개수·크기·위치) → 규칙 기반 점수 → 등급
경계 사례만 VLM이 한 번 더 보고 판정 이유를 문장으로 써요.
딥러닝 대신 고전 비전(엣지·윤곽 검출)으로 인쇄 영역을 찾고 mm 단위로 재요. 더 정확하고 설명하기 쉬워요.
등급을 VLM에만 맡기지 않는 이유: 같은 카드에 늘 같은 등급이 나와야 하고(일관성), 왜 그 등급인지 보여줘야 하고(설명), 장당 비용도 낮아야 해서예요.
| 영역 | 선택 | 이유 |
|---|---|---|
| 학습·추론 | PyTorch, Ultralytics 계열 검출, OpenCV | 검증된 오픈소스, 가중치 파일 그대로 인도 |
| VLM 보조 | 오픈 VLM 또는 API 중 비용 비교 후 선택 | 경계 사례에만 호출해 비용 최소화 |
| 추론 서버 | FastAPI + 작업 큐 | 어드민 등록 이벤트를 받아 자동 분석 |
| 검사 웹 | React + TypeScript | 박스 편집·단축키 등 빠른 검사 UI |
| DB 연동 | 기존 어드민 DB에 결과 테이블 추가 | 기존 식별 기능과 같은 카드 ID로 연결 |
| 라벨링 | CVAT 등 오픈소스 도구 | 기준서 버전별 라벨 관리, 내보내기 자유 |
모서리 눌림·테두리 까짐·스크래치·얼룩·구김 5개 유형으로 시작. 유형별 정의·그리는 법·제외 기준·예시 이미지.
검사자 2인이 같은 카드를 따로 라벨링해 엇갈리는 곳을 찾고, 기준서를 고쳐요.
확정된 기준으로 라벨링. 10%는 교차 검수로 품질을 확인해요.
기준서가 흔들리면 모델도 흔들려요. 그래서 1단계 끝에 발주처 검토로 기준서를 확정하고 시작해요.
| 항목 | 목표 | 검증 방법 |
|---|---|---|
| 주요 손상 검출 재현율 | 90% 이상 (스크래치 85%) | 학습에 안 쓴 홀드아웃 세트 |
| 등급 일치 (AI ↔ 검사자) | 85% 이상 | 검사자 2인 교차 라벨 기준 |
| ±1등급 이내 | 98% 이상 | 같은 홀드아웃 세트 |
| 여백 측정 오차 | ±0.3mm | 기준 자로 실측한 샘플과 비교 |
| 검사 업무 | 검사자가 웹에서 확인·수정·완료 | 실제 검사자 1주 시범 운영 |
목표치는 파일럿 200장 결과를 보고 1단계 끝에 함께 확정해요. 데이터 품질을 모르는 상태에서 숫자를 먼저 약속하지 않아요.
전처리, 라벨링 기준서, 파일럿 200장, 초기 라벨링 2,000장
손상 검출, 등급 분류, 여백 측정, 홀드아웃 검증 리포트
검사자 화면, 백엔드·DB, 어드민 연동, 배포, 시범 운영
단계가 끝날 때마다 결과물을 보시고 다음 단계로 넘어가요. 하자보수 3개월 무상.
박스를 고치거나 등급을 바꾸면 ‘AI 오답’으로 자동 저장돼요.
쌓인 수정 데이터로 모델을 다시 학습하고, 새 버전은 홀드아웃 세트에서 이겨야만 올라가요.
검사자 간 일치율과 엇갈리는 판정을 보고 기준서를 보완해요.
매장에서 쌀국수를 끓이는 상용 로봇의 CNN 비전과 제어를 개발했어요. 조명·위치가 매번 달라지는 현장 영상에서 상용 품질로.
딥러닝 비전으로 불량품을 골라내는 이미지 결함 검출(비전검사) 사례예요.
센서·웹캠 → 위험 판정 → 차수벽 자동 제어. AI 모델과 웹 화면, 백엔드를 함께 만들어 납품했어요.
오프라인 OCR과 직접 학습한 분류 모델을 데스크톱 앱에 넣었어요. 원본을 밖으로 보내지 않는 구조예요.
| 역할 | 맡는 일 | 투입률 |
|---|---|---|
| PM · 비전 설계 | 모델 구성, 목표치 합의, 단계 검수, 주간 공유 | 50% |
| 비전 AI | 검출·등급·여백 모델, 학습·검증 | 100% |
| 데이터 | 전처리, 기준서, 라벨링 운영·교차 검수 | 80% (1단계 집중) |
| 백엔드 | 추론 서버, 작업 큐, 어드민·DB 연동 | 60% |
| 프론트엔드 | 검사자 화면, 박스 편집, 대시보드 | 60% (3단계 집중) |
3,500만 원(부가세 별도) · 90일 · 3단계 검수 · 소스·모델·데이터 전부 발주처 소유
NDA 받는 날 바로 시작할게요.