[성공 사례] "부품 식별부터 결함 검출까지", 산업 자동화 부품 제조사의 PCB 라벨링 워크플로
PCB 보드의 부품 종류와 결함을 함께 다루는 다형식 라벨링을, 사내 소수 인력으로 감당할 수 있는 워크플로로 바꾼 산업 자동화 부품 제조사의 사례입니다.
제조 현장의 AI 도입은 모델이 아니라 데이터셋에서 시작됩니다. 어떤 부품을 어떤 기준으로 식별하고, 어떤 상태를 결함으로 판정할지가 전부 라벨링 단계에서 정의되기 때문입니다. 그래서 AI를 내재화하려는 제조 기업의 연구 조직이 처음 부딪히는 병목도 대부분 같은 자리에 있습니다. 라벨링을 어떤 도구로, 어떤 체계로 운영할 것인가 하는 문제입니다.
많은 팀이 오픈소스 라벨링 툴로 시작합니다. 초기 비용 없이 바로 쓸 수 있고, 소규모 실험에는 충분하기 때문입니다. 그런데 다뤄야 할 데이터가 실제 제품 데이터로 바뀌고 어노테이션 요구사항이 다양해지면, 라벨링 기능만으로는 채워지지 않는 영역이 드러납니다. 프로젝트 관리, 라벨 품질 검수, 데이터셋 탐색 같은 운영의 영역입니다.
산업 자동화 부품 제조사 M사의 연구 조직도 같은 지점에 서 있었습니다. M사는 PCB 보드의 부품 종류 식별과 결함 검출을 위한 AI 개발을 준비하며, 데이터셋 구축의 기반이 될 라벨링 도구를 검토했습니다. 그리고 여러 도구를 비교한 끝에 슈퍼브 플랫폼을 도입해 실제 제품 데이터의 라벨링 워크플로를 구축했습니다.
PCB 한 장에 라벨링 요구사항이 겹겹이 쌓였다
M사가 다루는 데이터는 PCB 보드 이미지입니다. 과제는 두 갈래였습니다. 보드 위에 실장된 부품의 종류를 식별하는 것, 그리고 부품과 보드의 결함을 검출하는 것입니다. 두 과제가 한 데이터셋 위에서 진행되면서 라벨링의 난도는 단순 합 이상으로 올라갔습니다.
어노테이션 타입이 과제마다 달랐다
부품 식별과 결함 검출은 요구하는 어노테이션 형식이 다릅니다. 바운딩 박스로 충분한 대상이 있는가 하면, 형태가 불규칙해 폴리곤으로 영역을 따야 하는 대상도 있습니다. 특히 비스듬히 실장된 부품은 일반 바운딩 박스로 잡으면 배경이 과도하게 포함되어, 각도를 반영하는 로테이티드 바운딩 박스가 필요했습니다. 오픈소스 툴에서 이 요구사항을 오가며 작업하는 것이 반복적인 부담이 됐습니다.
라벨링 기능은 있어도 운영 체계가 없었다
M사의 라벨링은 외부 위탁이 아니라 사내 연구 인력이 직접 수행하는 체제였습니다. 데이터가 제품 정보를 담고 있어 외부로 반출하기 어려웠기 때문입니다. 관리자와 라벨러를 겸하는 소수 인력 체제에서는 작업 배분, 진행률 파악, 검수 이력 관리 같은 운영 업무가 그대로 라벨링 속도의 병목이 됩니다. 기존 오픈소스 툴은 이 운영 영역을 지원하지 않았습니다.
라벨 품질을 확인할 방법이 마땅치 않았다
라벨링 오류는 모델 성능의 상한을 미리 깎아 놓습니다. 그런데 잘못 달린 라벨을 찾으려면 결국 사람이 데이터를 다시 봐야 했고, 소수 인력 체제에서 전수 재검토는 현실적인 선택지가 아니었습니다. 품질 관리가 작업자 개인의 꼼꼼함에 의존하는 구조였습니다.
라벨링부터 검수까지, 하나의 워크플로로
슈퍼브 플랫폼은 데이터 수집부터 라벨링, 학습, 평가까지 AI 모델 개발 전 과정을 하나의 파이프라인으로 자동화하는 비전 인텔리전스 플랫폼입니다. M사는 여러 라벨링 도구를 비교하며 명확한 기준 하나를 밝혔습니다. 가장 중요한 것은 편의성이라는 점입니다. 기능 목록보다, 소수 인력이 매일 쓰는 도구로서 작업과 운영이 얼마나 매끄러운지가 판단 기준이었습니다.
1. 다형식 어노테이션을 한 프로젝트에서
바운딩 박스, 폴리곤, 로테이티드 바운딩 박스를 하나의 프로젝트 안에서 함께 사용했습니다. 부품 식별과 결함 검출의 클래스 체계를 한 곳에서 정의하고, 대상의 형태에 맞는 어노테이션 타입을 골라 쓰는 방식입니다. 기존에 쓰던 툴의 어노테이션 결과는 표준 포맷으로 이관해 작업의 연속성을 유지했습니다.
2. 미스라벨 검출로 품질 검수를 자동화
플랫폼의 오토큐레이트 기능으로 잘못 달렸을 가능성이 높은 라벨을 자동으로 골라냈습니다. 사람이 전체 데이터를 다시 보는 대신, AI가 지목한 의심 라벨부터 검토하는 방식입니다. 모델 진단 기능으로는 학습된 모델의 판정을 객체 단위로 확인해, 성능이 흔들리는 클래스와 데이터를 좁혀 들어갔습니다.
3. 데이터셋을 탐색하고 관리하는 기능
슬라이스 기능으로 조건에 맞는 데이터 부분집합을 만들어 관리하고, 유사 데이터 찾기로 특정 케이스와 비슷한 이미지를 모아 데이터셋의 구성을 점검했습니다. 라벨링 진행률과 작업 이력은 프로젝트 단위로 집계되어, 관리자를 겸하는 인력이 별도 문서 없이 현황을 파악할 수 있었습니다.
소수 인력이 다품종 데이터셋을 감당하는 구조
이 사례의 변화는 라벨링 속도보다 운영 구조에서 나타났습니다.
- 도구를 오가는 비용이 사라졌습니다: 어노테이션 타입별로 작업을 쪼개거나 관리 문서를 따로 만들 필요 없이, 라벨링·검수·데이터 관리가 한 워크플로 안에서 이어졌습니다.
- 라벨 품질이 사람 눈에만 의존하지 않게 됐습니다: 미스라벨 후보를 AI가 먼저 걸러내면서, 소수 인력으로도 전체 데이터셋의 품질을 점검하는 체계가 만들어졌습니다.
- 보안 요건과 내재화 방향을 지켰습니다: 데이터를 외부에 맡기지 않고 사내 인력이 직접 구축하는 방향을 유지하면서, 부족했던 운영 체계를 도구로 보완했습니다.
데이터셋 구축이 제조 AI의 첫 관문입니다
PCB처럼 부품 종류가 많고 결함 유형이 다양한 도메인에서는, 라벨링 도구의 선택이 곧 데이터셋의 품질과 구축 속도를 결정합니다. M사의 사례는 오픈소스 툴로 시작한 제조 연구 조직이 실제 제품 데이터 단계에서 무엇에 부딪히는지, 그리고 라벨링·검수·데이터 관리가 통합된 워크플로가 그 병목을 어떻게 푸는지를 보여줍니다.
1.3억 장 이상의 산업용 시각 데이터를 보유한 슈퍼브에이아이는 제조 현장의 데이터셋 구축부터 모델 개발, 운영까지 전 과정을 함께합니다.
자주 묻는 질문 (FAQ)
기존 라벨링 툴에서 작업한 데이터를 옮길 수 있나요?
가능합니다. 기존 툴에서 내보낸 어노테이션을 표준 포맷(JSON 등)으로 업로드해 이어서 작업할 수 있습니다. 이번 사례에서도 기존 오픈소스 툴의 작업 결과를 이관해 시작했습니다.
로테이티드 바운딩 박스 같은 특수 어노테이션도 지원하나요?
지원합니다. 바운딩 박스·폴리곤·로테이티드 바운딩 박스 등 다양한 어노테이션 타입을 하나의 프로젝트에서 함께 사용할 수 있어, 부품 식별과 결함 검출처럼 성격이 다른 과제를 한 데이터셋 위에서 진행할 수 있습니다.
라벨링 인력이 적어도 운영할 수 있나요?
가능합니다. 미스라벨 자동 검출과 객체 단위 검수 기능이 품질 관리 부담을 줄이고, 프로젝트 단위의 진행률·이력 관리가 별도 운영 문서를 대체합니다. 이번 사례도 관리와 라벨링을 겸하는 사내 소수 인력 체제로 진행됐습니다.
보안이 중요한 데이터도 사용할 수 있나요?
네. 데이터는 합의된 사업 목적 범위에서만 사용되며, 고객사 보안 요건에 따라 온프레미스 구축을 포함한 폐쇄 환경 운영도 지원합니다.
함께 보면 좋은 성공 사례
