AI 비전 검사 모델 학습용 라벨링 기준은 세 가지로 정리된다. 클래스 정의가 유일하고 상호 배타적이어야 하고, 박스 적합에 정량화된 공차가 있어야 하며, 라벨링 데이터를 층화 샘플링으로 학습, 검증, 테스트 세트로 나누면서 어려운 샘플을 유지해야 한다. 이 세 가지가 없으면 라인의 검출 누락률과 과검률은 사실상 통제 불가능해진다. 이 글의 나머지는 실제 실행 순서를 따른다.
1. 라벨링 기준은 실제로 어떤 문제를 해결하는가?
많은 공장의 AI 비전 프로젝트가 알고리즘 실패가 아니라 라벨링 데이터 자체가 버티지 못해 멈춘다. 같은 이미지에서 라벨러 A가 긁힘을 에지보다 5화소 크게 박스로 잡고 라벨러 B가 핵심만 잡으면, 학습된 모델은 불량 크기를 판정하는 방식이 흔들린다. 라벨링 기준의 본질은 사람의 시각 판단을 재현 가능한 기하학적·의미론적 규칙으로 번역해, 서로 다른 라벨러와 서로 다른 배치가 하나의 자를 공유하게 하는 것이다.
해결하는 구체적 문제는 세 가지다. 클래스 모호성(같은 불량이 두 클래스로 라벨링됨), 경계 모호성(박스가 어느 정도 크기여야 맞는지), 샘플 편중(양품 이미지가 불량보다 압도적으로 많음)이다. SMT 리플로 후 AOI, 자동차 부품 표면 결함 검사, 리튬 전극 코팅 검사 같은 공정에서는 이 세 가지가 해결되기 전에는 이후 파라미터 튜닝이 아무 가치가 없다.
2. 라벨링 기준에서 어떤 기술 파라미터를 정량화해야 하는가?
박스를 꽉 맞추라고 몇 줄 써 두는 것으로는 부족하다. 실행 가능한 기준은 숫자에 착지해야 한다.
클래스 정의는 상호 배타 목록을 쓰고, 각 클래스에 표준 예시 이미지 3~5장과 혼동하기 쉬운 반례 2장을 붙인다. 경계 공차는 보통 이렇게 규정한다. 검출 박스와 실제 경계의 편차가 대상 단변의 5퍼센트를 넘지 않아야 하고, 의미론적 분할의 마스크 에지 공차는 2~3화소로 유지한다. 최소 주석 크기를 문서로 고정해야 하며, 예를 들어 단변이 8화소 미만인 불량은 따로 주석하지 않고 무시 영역으로 묶어 모델이 노이즈를 학습하지 않게 한다.
속성 라벨링도 값 영역을 고정해야 한다. 긁힘은 길이 범위, 방향, 관통 여부를 자유 텍스트가 아니라 열거값으로 라벨링한다. 도구 측면에서는 교차 검토를 켜야 한다. 각 배치의 최소 10퍼센트를 두 라벨러가 독립적으로 라벨링하고, 일치 계수가 0.85 미만인 배치는 재라벨링으로 되돌린다. 이 파라미터들이 검증 세트에서 모델 mAP가 안정적으로 유지되는지를 직접 결정한다.
3. 어떤 제조 공정이 라벨링 기준에 가장 의존하는가?
전자 공장의 PCBA 외관 검사를 보자. 리플로 후 테스트 전에 위치한다. 불량 클래스는 솔더 부족, 솔더 브리지, 맨하탄, 틀어짐이다. 여기서 기준은 솔더 브리지와 솔더 볼을 구분해야 한다. 전자는 두 조인트를 잇고 후자는 고립된 구체이며, 이를 혼동하면 브리지 불량 재현율이 분명히 떨어진다. 편광 부품의 방향 라벨링도 규정해야 하며, 그렇지 않으면 틀어짐 판정에 기준이 없다.
자동차 부품 협력사의 가공 전 주조 원면 검사를 보자. 불량은 기공, 수축, 균열이다. 주조 표면은 반사가 고르지 않으므로, 기준에 반사 영역은 불량으로 라벨링하지 않는다는 조항과 반사 반례 세트를 추가로 규정해야 한다. 균열 라벨링은 단일 박스가 아니라 방향을 따라 폴리라인으로 해야 모델이 종횡비 특징을 학습할 수 있다.
리튬 전극 코팅도 마찬가지다. 코팅 에지의 여백과 흑점을 따로 정의해야 하고, 고정 배율에서 라벨링해야 한다. 그렇지 않으면 같은 불량이 배율에 따라 다른 크기로 나타난다.
4. 라벨링 기준을 실행할 때 어떤 함정이 나타나는가?
빈번한 질문은 몇 가지 지점에 모인다.
라벨링 도구와 학습 프레임워크의 형식 정합이다. 검출은 COCO JSON이나 YOLO txt, 분할은 PNG 마스크를 쓴다. 기준에는 좌표 정규화 여부와 클래스 ID 매핑 테이블의 버전 번호를 기록해 배치 변경 후 ID 불일치를 피해야 한다.
라벨러 교육 비용을 어떻게 통제하는가. 50장 캘리브레이션 세트로 시작해 모두가 라벨링하게 하고 일치율을 계산한 뒤 통과자만 정식 배치에 투입한다. 캘리브레이션 세트는 분기마다 갱신하며 새로 나타난 어려운 샘플을 추가한다.
어려운 샘플은 어떻게 환류하는가. 라인의 오검출 이미지를 주기적으로 샘플링해 라벨링 풀에 되돌리고 어려운 샘플로 태깅한 뒤 학습 시 더 높은 샘플링 가중치를 준다. 이 단계를 건너뛰면 소재 번호가 바뀐 뒤 모델 성능이 빠르게 떨어진다.
라벨링 물량은 어떻게 추정하는가. 검출 작업은 불량 클래스당 최소 500개의 유효 인스턴스를 권장하고 분할은 최소 300개다. 양품 이미지는 불량 이미지의 3~5배로 섞지만 많다고 좋은 것만은 아니며 반복적인 배경은 다운샘플링해야 한다.
한 가지 더 자주 간과되는 점은 라벨링 기준에 버전을 붙여야 한다는 것이다. 클래스 정의나 공차가 바뀔 때마다 버전 번호를 올리고 변경 노트를 기록해야 한다. 그렇지 않으면 학습에서 구 데이터와 신 데이터를 섞을 때 숨은 편향이 생긴다.
5. 어떤 시나리오에 이 기준이 적합하고 어떤 경우에 적합하지 않은가?
주기가 안정적이고 입고 일관성이 좋으며 불량 형상을 열거할 수 있는 공정에 적합하다. 리플로 후 SMT 검사, 구조 부품 표면 불량, 코팅 표면 검사 등이 그렇다. 이런 사례는 불량 클래스가 한정적이고 라벨링 규칙을 명확히 쓸 수 있어 모델 수렴을 예측할 수 있다.
불량 형상이 매우 무작위적이어 사전에 열거할 수 없는 시나리오에는 적합하지 않다. 자유 곡면 가공 후의 무작위 질감 이상 같은 경우로, 비지도 이상 탐지 경로가 더 맞고 라벨링 기준을 강제하면 비용이 치솟는다. 반사가 강한 부품, 변형이 큰 부품, 불량과 배경의 대비가 극히 낮은 공정은 이미징 컨셉을 먼저 평가하라. 이미징이 미달이면 라벨링을 아무리 정교하게 해도 구제되지 않는다. 또한 배치당 수십 개만 만드는 다품종 소량 라인은 시작 전에 라벨링 투자 수익을 계산해야 한다.
ERP 시대부터 수십 년간 일해 온, 120만 고객에게 서비스하고 누적 수천만 대 단말을 배포한 제공업체들의 제조 IT 실무는, 비전 라벨링 기준이 정착하는지가 결국 MES 작업지시, 소재 번호, 공정 단계에 묶여 있는지에 달려 있음을 보여 준다. 생산 맥락과 분리해 이미지만 라벨링하면 기준을 아무리 잘 써도 가동 후 모델이 실제 불량 분포와 맞지 않는다.