머신 비전 프로젝트 2 - 기획

table of contents

• 조별 아이디어 선정
  • 5조
  • 6조
  • 4조
  • 2조
  • 3조
• 1조 아이디어 개요
• 제조 도메인에서의 머신 비전 아이디어 탐색
  • 문제 도메인별 분류
    • 1. 표면 결함 탐지 (Surface Defect Detection)
    • 2. 전자 부품 및 조립 검사 (Electronics \& Assembly Inspection)
    • 3. 작업자 안전 관리 (Industrial Safety)
    • 4. 물류 및 재고 관리 (Logistics \& Inventory)
  • 도메인별 검색어
    • 1. 산업군 및 도메인별 검색어 (Industry-Specific)
    • 2. 머신 비전 기술 태스크별 검색어 (Task-Specific)
    • 3. 결함 및 물리적 특성별 검색어 (Defect-Specific)
    • 4. 데이터 소스 및 플랫폼별 검색 키워드
  • 공개 데이터셋
    • 1. 표면 결함 탐지 데이터셋 (Surface Defect Detection)
    • 2. 이상 탐지 및 범용 검사 데이터셋 (Anomaly Detection)
    • 3. 전자 부품 및 안전 관리 데이터셋 (Electronics \& Safety)

조별 아이디어 선정

5조

• RC카(AGV에 대응) 기반 프로젝트: 추적하거나 다양한 활용을 하는 것 → 주로 주행 관련
• CD 웨이퍼 불량 탐지 (반도체 웨이퍼에 대응됨)
  • 조명이나 환경적 요소에 따른 변수를 통제하고 정확하게 작동하는 시스템을 만들어보겠다
  • 아이디어는 좋은데 반도체 웨이퍼를 CD로 대체하는 건 돈이 너무 많이 든다. 그건 좀 그래 알루미늄 호일로 대체하는 거라도 해보세요. 실무적인 테크닉을 연습하는 게 중요한 거지 꼭 웨이퍼여야만 하는 건 아니에요.
• OCR LOT 분류: 대략 로트 트래킹 목적. 설비 번호와 시간 등을 인식해 역추적 가능하게 하는 것이 목표
  • 이거 비추천임 너무 쉽고 다르게 할 방법이 너무 없어.
• 전선 꼬임 분리: 전선 전문가라는 사람들이 있다. 이게 하나의 직업이 된 이유는 그만큼 어렵기 때문임. 머신비전으로 좀 쉽게 해보자. 이것저것 해볼게.
  • 이거 데이터 수급은 쉬우니 추천하긴 하는데 좀 되게 어려울 거임. 지금까지 배운 머신 비전의 영역에서 좀 벗어날 것임

6조

• 바이알 검사
  • 앰플 용액 품질 검사임. 이물질이 있거나 스크래치가 있거나 한 거 검사하기
  • 똑바로 밀봉했는지, 적당히 담았는지 등 검사
• 나사볼트 품질 검사
  • 나사가 똑바로 생산됐는지, 카운팅, 사이즈 확인
• 알약 품질 검사
  • 카운트, 불량, 포장 검사 등
  • 이거 아이디어는 괜찮은데 나사 볼트랑 결이 좀 비슷해보인다. 물건 구하기는 괜찮겠다.

4조

• 이미지 기반 제품 치수 측정
  • 공차 체크할 거임
  • 이거 3조 거잖아요 그것보다는 잘해야죠?
• CCTV 기반 위험 지역/행동 판단
  • 공장 내 흡연, 위험 구역 진입 등 탐지
  • 이거 저번에 5조가 한 거랑 뭐가 다르니? 이번엔 진짜 데이터 직접 수집해볼게요.
• 볼트 체결 양불 판정

2조

• 보호장구 착용 검사
  • 헬멧, 방진복 등 필수 장비가 똑바로 갖춰져 있는지
  • 이거 그 지난 번 5조랑 비슷한 주제임 참고하기
• 자동차 도장 모니터링
  • 도장 품질 검사 자동화
• 물류 자동화 모델
  • 물류 크기에 따른 적재, 목적지 분류, 적재 상태 감지 등 구체적인 계획은 없긴 한데 대충 그럼
  • 너무 광범위해서 범위 좁히기 필요 → 일단 지금은 크기나 라벨에 따른 분류 정도,, → 컨베이어 벨트 해보실래요? 자동 분류기 이런 거 있잖아. 안되면 말고.
  • 크기별로 물류 목적지 분류

3조

• 플라스틱(원자재) 불량 검출
• 옷핀, 클립 등 소품(완제품) 불량 검출
• 완성차 라이트터널 비전 검사(도장 검사)

1조 아이디어 개요

• 이름: 머신 비전 기반 지능형 돈사 통합 관리 시스템
• 주요 기술 요소: 돼지 detection 및 segmentation
• 개요: 축산 현장을 데이터 중심의 자동화 시스템으로 보조하기 위한 지능형 모니터링 솔루션
  • OBB 및 객체 탐지 및 분할 기술을 기반으로 통합된 시스템 내에서 다음의 기능을 제공함:
    • 실시간 개체 수 감지 및 모니터링: 돼지 객체 detection 기반 개체 수 카운트
      • 카메라 시야 내 돼지 객체를 전수 탐지하여 정확한 개체 수를 산출하고 유실 여부를 실시간 확인
      • 이 데이터를 기반으로 이하의 기능이 제공됨
        • 급이/급수 구역 점유율 분석
        • 군집도 기반 환경 온도 추정 및 경보 시스템
    • 급이/급수 점유율 평가
      • 목표: 사료 공급 체계 최적화
      • 급이/급수 구역 내 돼지 개체수 모니터링
      • 체류 경향 분석
      • 점유율이 평소보다 낮아지면 해당 돈사의 질병 발생 가능성 의심
    • 군집도 기반 환경 모니터링
      • 돈사 내 돼지 밀집도 수치화
      • 돼지들이 한 곳에 밀집되어있는 경우, 적정 온도보다 추운 것으로 판정하여 경보
    • 비접촉식 체중 추정
      • Top-View 카메라로 비접촉식 측정

---

아이디어 겸 공개 데이터셋 목록

https://docs.google.com/spreadsheets/d/1TCKhjBmUbCVqUO5quJY7u9K10ZXQkZIh0REg3RYWX88/preview

제조 도메인에서의 머신 비전 아이디어 탐색

gemini 자료를 인용한 내용이 포함됨

문제 도메인별 분류

1. 표면 결함 탐지 (Surface Defect Detection)

제조 공정에서 제품의 외관상 결함(스크래치, 오염, 균열 등)을 식별하는 가장 전형적인 머신 비전 활용 분야입니다.

• 아이디어 1: 금속 부품 표면 결함 분류
  • 설명: 열연 강판이나 금속 부품 표면의 6가지 유형 결함을 자동 분류.
  • 데이터셋: NEU Surface Defect Database. 6가지 유형(Crazing, Inclusion, Patches, Pitted Surface, Rolled-in Scale, Scratches)의 1,800개 이미지를 포함함.
• 아이디어 2: 범용 제조 물체 이상 탐지 (Anomaly Detection)
  • 설명: 정상 데이터만을 학습하여 비정상(결함) 발생 시 이를 검출하는 비지도 학습 기반 시스템.
  • 데이터셋: MVTec AD (MVTec Anomaly Detection). 15개 카테고리의 물체에 대해 5,000개 이상의 고해상도 이미지를 제공하며, 70개 이상의 결함 유형이 포함됨.

2. 전자 부품 및 조립 검사 (Electronics & Assembly Inspection)

정밀한 배선이나 부품의 실장 상태를 확인하는 공정입니다.

• 아이디어 3: PCB(인쇄 회로 기판) 결함 자동 검사
  • 설명: 회로 단락(Short), 단선(Open), 핀홀 등 PCB 생산 과정의 결함을 탐지.
  • 데이터셋: DeepPCB 데이터셋. 1,500개의 이미지 쌍(템플릿 및 결함 이미지)으로 구성되어 있으며 주석(Annotation)이 포함됨.

3. 작업자 안전 관리 (Industrial Safety)

제조 현장의 안전 수칙 준수 여부를 모니터링합니다.

• 아이디어 4: 개인 보호구(PPE) 착용 여부 실시간 모니터링
  • 설명: 작업자가 헬멧, 안전조끼, 장갑 등을 적절히 착용했는지 실시간 확인.
  • 데이터셋: Kaggle Hard Hat Universe 또는 Worker Safety Pro Dataset. 수천 장의 산업 현장 작업자 이미지를 포함함.

4. 물류 및 재고 관리 (Logistics & Inventory)

제품의 식별 및 분류 작업을 자동화합니다.

• 아이디어 5: 산업용 부품 분류 및 계수(Counting)
  • 설명: 컨베이어 벨트 위를 지나가는 서로 다른 종류의 볼트, 너트 등을 분류하고 개수를 파악.
  • 데이터셋: 3D Industrial Parts Dataset 또는 직접 촬영 데이터 활용 가능. (MVTec AD의 일부 카테고리 활용 권장).

도메인별 검색어

1. 산업군 및 도메인별 검색어 (Industry-Specific)

특정 제조 분야의 데이터를 타겟팅할 때 사용합니다.

• 반도체/전자: Semiconductor wafer defect dataset, PCB soldering inspection image, Microchip surface flaw, Electronic component classification.
• 철강/금속: Steel surface defect dataset, Metal casting anomaly detection, Hot-rolled strip defect, Aluminium surface inspection.
• 에너지/태양광: Solar panel EL(Electroluminescence) image dataset, Photovoltaic module defect, Wind turbine blade crack.
• 식품/제약: Fruit quality grading dataset, Pharmaceutical pill counting, Bottle fill level inspection, Food packaging defect.
• 섬유/가죽: Textile fabric flaw detection, Leather surface defect, Weaving defect dataset.

2. 머신 비전 기술 태스크별 검색어 (Task-Specific)

해결하고자 하는 기술적 방법론에 따라 검색 결과가 달라집니다.

• 이상 탐지: Unsupervised anomaly detection manufacturing, One-class classification industrial dataset, Out-of-distribution detection machine vision.
• 객체 검출 및 분할: Industrial object detection dataset, Semantic segmentation manufacturing images, Instance segmentation for part counting.
• 상태 모니터링: Machine health monitoring vision, Tool wear condition dataset, Predictive maintenance vision-based.

3. 결함 및 물리적 특성별 검색어 (Defect-Specific)

구체적인 결함의 형태를 명시하여 검색의 정밀도를 높입니다.

• 표면 결함: Surface scratch detection, Cracks and dents dataset, Pitting and corrosion images, Discoloration detection.
• 조립/형상: Missing component detection, Misalignment inspection dataset, Dimensional measurement machine vision.

4. 데이터 소스 및 플랫폼별 검색 키워드

데이터셋이 주로 등록되는 플랫폼 내에서 아래의 태그 조합을 활용합니다.

• Kaggle: tag:"manufacturing", tag:"computer vision", industrial defect.
• Papers with Code(Hugging Face의 Trending Papers로 이관됨): Industrial Inspection, Surface Defect Detection, Anomaly Detection.
• GitHub: awesome-industrial-machine-vision, manufacturing-dataset-list.
• Google Dataset Search: site:edu "manufacturing defect", site:gov "industrial vision dataset".

공개 데이터셋

제조 도메인의 머신 비전 프로젝트 수행을 위해 즉시 활용 가능한 주요 공개 데이터셋 8종을 조사하여 정리했습니다. 각 데이터셋은 데모 프로그램 구현을 위한 어노테이션(Annotation)이 포함되어 있으며, 대부분 Kaggle이나 공식 연구 웹사이트를 통해 접근 가능합니다.

1. 표면 결함 탐지 데이터셋 (Surface Defect Detection)

데이터셋 명칭	대상 물체	주요 내용 및 특징	주요 출처
Severstal Steel Defect	평판 강판	4종의 강판 표면 결함 탐지 및 세그멘테이션 데이터. 18,000장 이상의 고해상도 이미지 포함.	Kaggle
NEU-DET	열연 강판	6종의 전형적인 강판 결함(스크래치, 균열 등) 분류 및 위치 검출. 1,800장 구성.	http://faculty.neu.edu.cn/songkechen/zh-CN/zhym/263269/list/index.htm
KolektorSDD / SDD2	전기 정류자	산업용 정류자의 표면 결함 탐지를 위한 정밀한 픽셀 단위 마스크 제공.	ViCoS Lab
Casting Product	펌프 임펠러	주조 공정에서 발생하는 제품의 양불 판정(Ok/Defect)을 위한 7,348장의 이미지.	Kaggle

2. 이상 탐지 및 범용 검사 데이터셋 (Anomaly Detection)

데이터셋 명칭	범주	주요 내용 및 특징	주요 출처
MVTec AD	범용 제조물	15개 카테고리(질감 5종, 물체 10종)에 대한 5,000장 이상의 이미지. 산업용 이상 탐지의 표준 벤치마크.	MVTec 공식
DAGM 2007	질감 표면	다양한 인공 질감 표면 내의 미세 결함 탐지. 10개 클래스, 약 10,000장 이상의 이미지.	https://conferences.mpi-inf.mpg.de/dagm/2007/prizes.html

3. 전자 부품 및 안전 관리 데이터셋 (Electronics & Safety)

데이터셋 명칭	범주	주요 내용 및 특징	주요 출처
DeepPCB	PCB 회로	6종의 PCB 결함(단선, 단락 등) 검출을 위한 1,500개의 정렬된 이미지 쌍 제공.	https://www.kaggle.com/datasets/liuxiaolong1/pcb-defect-detection-dataset
SH17 (PPE)	작업 안전	17종의 개인 보호구(헬멧, 장갑, 고글 등) 착용 여부 판별을 위한 8,000장 이상의 이미지.	https://www.kaggle.com/datasets/mugheesahmad/sh17-dataset-for-ppe-detection