1. 문제점
- 사내 문서가 여러 채널에 분산돼 있어 정보 검색이 어려움
- 내용이 길어도 파일명만 단순 검색에 노출돼 비효율 발생
- 개인 PC에 저장된 문서는 퇴사나 부서 이동 시 유실되어 업무 연속성에 영향

2. 프로젝트 목표
- 문서의 내용을 포함해 사내 문서를 한 번에 검색할 수 있는 기능 개발
- AI 기반 탐색: 문서 본문을 통해 사용자 질문에 답하는 기능 개발
- 문서 유실 방지: 퇴사나 부서 이동 시에도 유실 없이 보존하는 시스템 구축

3. 주안점
- 유사 파일명 및 내용 분석을 통한 통합 검색 결과 제공
- 업무 연속성을 위한 문서 중앙화 및 접근성 개선
- 문서 정합성 및 보존을 위한 접근 권한 관리

1) 배경
- 수작업 검사 한계
숙련 검사자가 매일 수천 개의 전자 부품을 눈으로 육안 검사하나, 피로 누적에 따른 오검·미검율이 5% 이상 발생
- 생산 라인 속도 증가
생산 속도가 초당 10개 이상으로 빨라지면서 수작업 검사로는 라인 전체 가동률을 맞추기 어려움
- 품질 불량 비용 상승
불량품이 출하될 경우 반송 및 재가공 비용이 월평균 2천만 원 발생

2) 과정
1. 데이터 수집 및 라벨링 (2024.02–03)
- 고해상도 카메라로 생산 라인 이미지 50만 장 수집
- 반자동 라벨링 파이프라인 구축(Pretrained YOLO + Rule-based 스크립트) → 1주일 내 80% 자동 라벨 완료
2. 모델 개발 및 튜닝 (2024.04–05)
- **Object Detection:** YOLOv5로 부품 위치 및 종류 탐지 모델 학습
- **Segmentation:** UNet 기반 불량 영역 분할 모델 학습
- **Anomaly Detection:** 정상 샘플만 학습한 AutoEncoder로 미세 결함 이상치 탐지
- **Pose Estimation:** MediaPipe로 작업자 동작 모니터링, 위험 작업 감지
3. 실시간 파이프라인 구축 (2024.06)
- OpenCV로 프레임 단위 전처리 (ROI 추출, 조명 보정)
- PyTorch 모델을 TorchScript로 변환 후 TensorRT 엔진에 탑재
- GPU 서버 + RTSP 스트림 연결하여 초당 15프레임 처리
4. UI 및 Heatmap 시각화 (2024.07)
- Flask + Dash 연동 대시보드에 탐지 결과 실시간 오버레이
- 불량 위치별 빈도 Heatmap 생성 및 경고 알람 기능 구현

3) 기술적 이슈
- 조명 변화에 따른 False Positive
라인 조명 밝기 변화 시 부품 가장자리에서 오탐률 12% 발생
- 미세 결함 분할 경계 불명확
200 마이크로미터 크기 미만 균열은 Segmentation IoU 0.45 이하로 낮게 검출
- 실시간 추론 성능 저하
원본 모델(16GB GPU)에서 20fps → 경량화 후에도 12fps로 목표치(15fps) 미달

4) 해결 방안
- Adaptive Histogram Equalization
OpenCV CLAHE 적용해 조명 변화 보정 → False Positive 12% → 4% 감소
- Multi-scale Segmentation 앙상블
원본 해상도와 2× 축소 해상도 UNet 모델 결과를 결합하여 작은 균열도 감지 → IoU 0.45 → 0.62로 향상
- 모델 경량화 및 배치 처리
TorchScript + TensorRT INT8 최적화 적용, 배치 크기 2로 병렬 처리 → 12fps → 17fps로 개선

5) 정량적 지표 & 성공 사례
- 검출 정확도 (mAP@0.5) 92% 달성
– 기존 수작업 대비 오검·미검율 5% → 1.5%로 감소
- 세그멘테이션 IoU 0.62
– 미세 균열 검출 성공률 75% → 92%로 증가
- 실시간 처리 속도 17fps
– 목표치(15fps) 초과 달성, 라인 속도 유지
- 불량품 재작업 비용 60% 절감
– 월평균 2,000만 원 → 800만 원으로 감소