이미지 데이터 수집 및 라벨링 프로세스

  • 공장에서는 양품 데이터가 99.9%이고 불량 데이터는 0.1%도 안됨
  • 무작정 사진만 찍는 것이 아닌 ‘데이터 불균형’을 극복하는 전략적 수집과 라벨링이 필요함

1. 제조 이미지 데이터 수집의 3대 난제

  • 일반적인 IT 분야(고양이/강아지 사진 분류 등)와 달리, 제조 현장의 데이터 수집은 물리적 환경의 제약으로 인해 독특한 어려움을 가짐

  • Data Imbalance (데이터 불균형 문제)
    • 현상:
      • 수율이 높은 스마트공장일수록 전체 생산량 중 불량품 비율은 0.01% ~ 0.1% 수준에 불과함
    • 문제점:
      • AI 모델에게 양품 10만 장과 불량품 10장을 주고 학습시키면,
        • AI는 “무조건 양품이라고 답하는 것이 정답률 99.99%를 얻는 가장 쉬운 방법”이라고 잘못 학습함
        • 모든 제품을 OK로 판단하는 치명적 오류 발생
  • Environmental Shift (환경 변화 및 노이즈)
    • 현상:
      • 외광 변화:
        • 계절(여름/겨울), 시간대(주간/야간), 날씨(창문으로 들어오는 햇빛)에 따라 촬영 이미지의 전반적인 밝기와 색조가 변화함
      • 설비 진동:
        • 대형 프레스나 모터 가동 시 발생하는 미세한 진동으로 인해 잔상(Blur)이 발생
      • 렌즈 오염:
        • 절삭유, 먼지, 분진이 카메라 보호 글래스에 누적됨
    • 문제점:
      • 학습할 때 보지 못했던 환경 조건이 들어오면 AI 판단 성능이 급격히 저하됨
  • Class Drift / Edge Cases (경계선 불량의 애매함)
    • 현상:
      • 불량의 형태가 딱 떨어지지 않고, 양품과 불량의 경계선(Edge Case)에 위치한 애매한 스크래치나 이물이 지속적으로 발생함
    • 문제점:
      • AI 모델 판단의 불확실성 (Probability Fluctuation):
        • AI의 불량 확신도(Confidence Score)가 50\% 안팎에서 흔들림
        • 동일한 미세 스크래치에 대해 어떤 때는 OK, 어떤 때는 NG로 판정이 번복되는 불안정한 검사 결과를 도출
      • 과검(Over-kill)과 미검(Under-kill)의 동시 폭발:
        • Safe Margin을 넓히면 멀쩡한 제품을 불량 처리하는 과검(재작업 비용 증가)이 늘어나고,
        • 반대로 기준을 완화하면 실제 불량이 고객사로 유출되는 미검(클레임 리스크)이 발생
      • 데이터 라벨링 오염 (Label Noise) 및 MLOps 마비:
        • 현장 검사원들조차 애매한 경계선 제품을 두고 상충된 라벨링(OK/NG 엇갈림)을 하여 정답지(Ground Truth)가 오염됨
        • AI 모델을 재학습시킬수록 성능이 오히려 떨어지는 데이터 거버넌스 붕괴가 일어남

2. 불량 라벨링의 3가지 유형 및 선택 기준

  • AI 모델을 어떤 용도로 사용할지에 따라 데이터 라벨링의 난이도, 작업 시간, 비용이 10배 이상 차이가 남

  • 프로젝트의 목적에 맞는 유형을 선택해야 함

  • Classification (이미지 분류)
    • 방식:
      • 이미지 전체를 보고 단순 태깅 (OK / NG 또는 양품 / 찍힘 / 스크래치)
    • 장점:
      • 라벨링 속도가 매우 빠름
      • 작업 비용이 감소됨
    • 한계:
      • 불량이 “제품의 정확히 어디에, 어느 크기로 존재하는지”는 알 수 없음
    • 적용 현장:
      • 제품의 개별 부위가 아닌 전체 외관의 통과/불합격 여부만 빠르게 가리는 1차 선별 공정
  • Bounding Box (Object Detection / 객체 탐지)
    • 방식:
      • 불량이 발생한 위치를 드래그하여 직사각형 상자(Box)로 영역 지정
    • 장점:
      • 불량의 위치와 개수를 파악할 수 있음
      • 라벨링 공수 대비 AI 성능이 매우 우수함
    • 한계:
      • 불량의 정밀한 형태(곡선, 불규칙한 얼룩 등)를 반영하지 못하고 상자 안의 정상 표면까지 함께 포함됨
    • 적용 현장:
      • 부품 누락 검사, 커넥터 핀 휨 검사, 크기가 명확한 찍힘 검사
  • Segmentation (Semantic/Instance Segmentation / 영역 분할)
    • 방식:
      • 불량 영역의 경계면을 다각형(Polygon) 형태로 픽셀(Pixel) 단위까지 정밀하게 칠함
    • 장점:
      • 불량의 정확한 면적, 길이, 형상을 정밀하게 측정 가능
      • 치수 검사 연계 가능
    • 한계:
      • 라벨링 작업 시간이 Bounding Box 대비 5~10배 이상 소요됨
      • 작업자 숙련도가 필요함
    • 적용 현장:
      • 미세 크랙, 용접 용융부 불량, 페인트 도장면의 미세 흐름/얼룩 검사

3. 현장 라벨링 가이드라인 수립 및 데이터 증대

  • 베테랑 검사원 간 불량 기준 불일치 해결 (Ground Truth 수립)

    • 제조 현장에서 라벨링을 진행할 때 발생하는 가장 큰 장애물: 검사자마다 불량을 보는 눈이 다름

    • 문제 상황:
      • 작업자 A는 “이 정도 0.2mm 스크래치는 양품”이라 하고,
      • 작업자 B는 “고객사 클레임 건이므로 NG”라고 다르게 라벨링함
      • AI 모델에게 일관성 없는 정답지를 주는 격이 되어 모델이 혼란에 빠짐
    • 해결 방안:
      • 라벨링 가이드북(SOP) 제정:
        • 불량의 크기(mm), 깊이, 명암 차이에 대한 정량적 기준 문서화
      • Cross-Validation (교차 검증):
        • 동일한 이미지 세트를 2명 이상의 검사원이 독립적으로 라벨링한 후, 불일치하는 이미지만 모아 품질 관리자(Q.C Master)가 최종 판정
  • Data Augmentation (데이터 증대 기술)

    • 부족한 불량 데이터를 인위적으로 늘려 AI 모델의 환각(Overfitting)을 막고 학습 효과를 극대화하는 기법

    • 고전적 Augmentation (Rule-based):
      • Transform:
        • 이미지 좌우/상하 반전(Flip), \(90^\circ/180^\circ\) 회전(Rotation)
      • Color/Brightness:
        • 공장 내 조명 변화를 모사하기 위해 밝기(Brightness) pm 20%, 대비(Contrast) 조절
      • Noise/Blur:
        • 설비 진동을 모사하기 위해 가우시안 블러(Gaussian Blur) 추가
    • 최신 AI 기반 가상 불량 생성 (Generative AI):
      • GAN (Generative Adversarial Network) / Diffusion Model:
        • 정상 양품 이미지 위에 AI가 매우 자연스러운 가상의 ‘스크래치’, ‘찍힘’, ‘오염’ 이미지를 합성하여 수천 장의 가상 불량 데이터셋을 생성
        • 주의점: 실제 현장에서 발생 불가능한 비현실적 불량이 생성되지 않도록 도메인 전문가의 필터링 필요


  • 비전 AI 프로젝트의 성공과 실패는 ‘라벨링을 시작하기 전에 얼마나 정밀한 불량 기준(SOP)을 세웠는가’에서 결정됨
  • 데이터가 부족하다고 포기하지 말것
    • 데이터 증대(Augmentation) 기술과 비지도학습 이상탐지(Anomaly Detection)를 결합하면 단 20~30장의 불량 이미지로도 훌륭한 초기 모델을 만들 수 있음
  • 중요한 것은 데이터의 절대적인 ‘양’이 아니라, 검사원 간의 일관성이 확보된 ‘고품질 라벨링 데이터(Ground Truth)’

© 2020. AiDALab Co. All rights reserved.

Powered by Hydejack v9.2.1