이상 탐지는 "여기가 정상과 다르다"고 알려 줍니다. 하지만 공정 개선을 하려면 "이것은 찍힘이고, 오른쪽 위에 있으며, 오늘 몇 개 나왔다"가 필요합니다. 결함의 종류를 나누고 세는 일은 **객체 탐지(Object Detection)**의 몫입니다.
결과물: 박스, 클래스, 신뢰도
- 박스(Bounding box) — 결함을 감싸는 사각형의 위치와 크기.
- 클래스 — 결함의 종류. 학습할 때 정한 이름(scratch, dent, missing 등)입니다.
- 신뢰도(Confidence) — 모델이 그 판단을 얼마나 확신하는지 0~1 사이 값.
IoU와 NMS
모델은 같은 결함에 대해 조금씩 다른 박스를 여러 개 내놓곤 합니다. **NMS(Non-Maximum Suppression)**는 신뢰도가 가장 높은 박스를 남기고, 그 박스와 많이 겹치는(IoU가 기준 이상인) 나머지 박스를 지웁니다. Multi-Inspector의 modeN_iou 설정이 이 기준입니다. 값을 낮추면 가까이 붙은 결함 두 개가 하나로 합쳐질 수 있고, 높이면 같은 결함이 두 번 세어질 수 있습니다.
IoU는 평가에도 쓰입니다. 모델의 박스와 정답 박스의 IoU가 기준(흔히 0.5) 이상이어야 "맞게 찾았다"고 셉니다.
클래스별 임계값
모든 결함이 같은 무게를 갖지는 않습니다. 기능에 영향을 주는 균열은 조금만 의심돼도 잡아야 하고, 외관상 작은 얼룩은 확실할 때만 잡아도 됩니다. Multi-Inspector EB v2.3은 클래스마다 다른 신뢰도 임계값을 쓰고, 임계값 아래의 탐지도 얇은 박스와 (<thr) 표시로 화면에 남겨 운영자가 경계선의 사례를 볼 수 있게 합니다. 모든 탐지는 CSV의 YOLO_Detections 항목에 기록됩니다.
YOLO와 RT-DETR
- YOLO — 이미지를 한 번만 보고 모든 박스를 동시에 예측하는 방식입니다. 빠르고 가벼워 현장 추론에 널리 씁니다. fineAi는 Ultralytics YOLO 계열(v8, v11 등)을 씁니다.
- RT-DETR — 트랜스포머 기반의 실시간 탐지 모델입니다. NMS 없이 박스를 직접 내놓는 구조라 겹친 물체에 유리한 경우가 있습니다.
fineAi OD Workbench는 YOLO와 RT-DETR 계열 28개 모델을 같은 데이터로 학습해 정확도와 속도를 나란히 비교합니다. 작은 모델은 빠르고 큰 모델은 정확하므로, 라인의 택트 타임 안에서 가장 정확한 모델을 고르면 됩니다.
데이터와 라벨링
객체 탐지는 지도학습이라 라벨이 품질을 결정합니다.
- 박스는 결함에 딱 맞게, 같은 기준으로 그립니다. 사람마다 박스를 다르게 그리면 모델도 흔들립니다.
- 클래스 이름과 경계 사례(작은 긁힘은 scratch인가 무시인가)를 문서로 정해 두고 라벨링합니다.
- 결함이 없는 정상 이미지도 섞어야 과검이 줄어듭니다.
- 라벨은 COCO 같은 표준 형식으로 저장해 도구 간에 옮길 수 있게 합니다.
박스가 아니라 모양이 필요할 때
용접 비드나 균열처럼 길고 휘어진 결함은 박스로 표현하면 빈 공간이 많습니다. 이때는 픽셀 단위로 영역을 칠하는 세그멘테이션(segmentation) 모델을 씁니다. RoboVision의 용접 검사는 세그멘테이션으로 결함 영역을 찾은 뒤, 길이·깊이 같은 정량값을 재서 ISO 5817 등급 규칙으로 판정합니다.
이상 탐지와 함께 쓰기
| 이상 탐지 | 객체 탐지 | |
|---|---|---|
| 학습 데이터 | 정상만 | 결함 + 라벨 |
| 처음 보는 결함 | ✓ 잡음 | 놓칠 수 있음 |
| 결함의 이름 | 알려 주지 않음 | ✓ 알려 줌 |
| 결함 통계·원인 분석 | 어려움 | ✓ 쉬움 |
라인을 처음 시작할 때는 이상 탐지로 출발하고, 운영하면서 쌓인 NG 이미지에 라벨을 붙여 객체 탐지를 추가하는 순서가 자연스럽습니다. Multi-Inspector는 두 모드를 한 부품에 동시에 돌립니다.