딥러닝 비전 검사 시스템에서 불량 이미지 수집이 중요한 이유

https://blog.naver.com/sharptech6655/224269367168

딥러닝 비전 검사 시스템에서 불량 이미지 수집이 중요한 이유

불량 이미지 수집은 딥러닝 기반 비전 검사에서 성능을 좌우하는 핵심 요소입니다. 단순히 “데이터가 많으면 좋다” 수준이 아니라, 불량 데이터가 얼마나 잘 모여 있느냐가 정확도를 결정한다고 보시면 됩니다.

아래 핵심 이유를 정리해 드리겠습니다.

---

1. 모델은 “불량을 보고 배운다”

딥러닝은 규칙이 아니라 패턴 학습입니다.

​

→ 정상 데이터만 많으면

✔ “정상”은 잘 알게 되지만

✖ “불량”은 제대로 구분 못합니다

​

특히 외관 검사에서는

• 스크래치
• 얼룩
• 찍힘
• 같은 불량은 형태가 일정하지 않기 때문에

​

👉 다양한 불량 사례를 직접 보여줘야만 학습됩니다.

---

2. 현장 불량은 생각보다 훨씬 다양하다

초기 구축 시 흔한 착각이 하나 있습니다.

​

→ “불량 몇 종류만 모으면 되겠지?”

실제는 다릅니다.

​

• 같은 스크래치라도 위치, 길이, 방향 다름
• 조명 조건에 따라 완전히 다른 이미지
• 카메라 각도에 따라 형태 변형

​

👉 즉, 불량 1종 = 이미지 수십~수백 패턴

​

불량 이미지가 부족하면

→ 새로운 유형 등장 시 바로 미검 발생합니다

---

3. False Pass(미검) 줄이는 핵심

현장에서 가장 치명적인 건

→ 불량인데 정상으로 통과되는 경우 (False Pass)

​

이건 대부분 이유가 단순합니다.

👉 “그 불량을 모델이 한 번도 본 적이 없음”

​

즉,

✔ 불량 이미지 부족 = 미검 증가

---

4. 과적합 방지 (Overfitting)

불량 데이터가 적으면 발생하는 문제:

• 특정 불량 패턴만 외움
• 실제 라인에서는 다른 불량 못 잡음

​

👉 결과

→ 테스트에서는 잘 되는데

→ 양산에서는 망함

​

불량 데이터를 다양하게 확보하면

✔ 일반화 성능이 올라갑니다

---

5. Threshold(판정 기준) 안정화

딥러닝 검사에서 중요한 것:

→ OK / NG 기준값 설정

​

불량 데이터가 충분해야

✔ 분포가 명확해지고

✔ 안정적인 기준 설정 가능

​

불량 데이터가 부족하면

→ 기준이 흔들립니다

→ 오검/미검 둘 다 증가

---

6. 재학습 & 개선 속도 차이

운영 단계에서 성능 개선은 결국

→ “불량 추가 → 재학습”

입니다.

​

불량 데이터가 잘 쌓여 있으면

✔ 빠르게 성능 개선 가능

​

반대로 없으면

→ 다시 수집부터 해야 함

→ 개선 속도 매우 느림

---

현장 기준 정리

불량 이미지 수집은 단순 준비 단계가 아니라

→ 프로젝트 성공률을 결정하는 요소입니다

​

실무 기준으로 보면:

• 정상 : 불량 = 최소 3:1 ~ 10:1 유지
• 불량은 “종류 × 변형” 기준으로 확보
• 초기보다 운영 중 수집이 더 중요

---

Sharp Tech는 머신비전 솔루션, 자동화 장비 솔루션을 제공하는 S/W 개발 전문 회사입니다. Sharp Tech는 정직과 신뢰성을 바탕으로, 고객 중심의 소통을 통해 맞춤형 솔루션을 제공합니다.

문의 전화 : 070-8057-6435

문의 메일 : sharptech6655@naver.com

홈페이지 : https://www.sharptech.kro.kr

샵테크 SHARP TECH | 머신비전 자동화 검사 시스템