결함 후보를 시각적으로 확인
검사 영상에서 이상이 의심되는 영역을 표시해 재검토할 위치를 빠르게 파악합니다.
SOFTZAM / AI VISION SYSTEM
GPU 최적화 Docker 기반 딥러닝 머신비전
실시간 불량 검출과 공정 데이터 모니터링을 통해
스마트 제조 환경을 구현합니다.

INSPECTION EXPERIENCE
현장 영상을 수집하고 AI가 결함 후보를 표시하면, 검사자는 품질 기준에 따라 결과를 확인합니다.

카메라로 확보한 영상을 AI가 분석해 이상이 의심되는 영역을 표시합니다. 이후 현장 품질 기준과 작업자 확인 절차를 반영해 검사 결과를 활용할 수 있도록 설계합니다.
아래 화면은 실제 제품 판정 화면이 아닌 설명용 시각화입니다.
※ 배선 패턴과 결함 표시는 설명용 SVG 개념도입니다. 실제 검출 위치·정확도·결함 유형은 현장 이미지와 PoC로 검증해야 합니다.
검사 영상에서 이상이 의심되는 영역을 표시해 재검토할 위치를 빠르게 파악합니다.
공정별 품질 기준과 담당자 확인 단계를 반영해 판정 절차를 구성합니다.
결과와 불량 유형을 관리해 품질 이력과 발생 경향을 살펴볼 수 있습니다.
APPLICATION SCENARIOS
FPCB·자분탐상·도장 표면 검사 사례를 검사 대상과 현장 조건 중심으로 재구성했습니다.
FPCB·자분탐상·도장 공정은 검사 대상과 영상 조건이 서로 다릅니다. 공정별 검출 대상과 적용 시 확인해야 할 조건을 함께 살펴보세요.
아래 내용은 적용 시나리오이며, 검증된 고객 구축 실적으로 확정해 표기한 것은 아닙니다.

노광·에칭·드릴·적층 등 제조 과정에서 발생할 수 있는 패턴 이상을 영상으로 분석하는 적용 시나리오입니다.

철강·자동차 부품 등의 비파괴 검사에서 영상 패턴을 분석하고, 현장 판독자의 판단을 지원하는 적용 시나리오입니다.

도장면의 외관 상태를 촬영해 핀홀·이물·흐름 자국 등 표면 이상을 검토하는 적용 시나리오입니다.
INSPECTION WORKFLOW
AI의 분석 결과가 현장 품질 관리 프로세스에 어떻게 연결되는지 한눈에 보여줍니다.
검사 대상의 영상 확보
카메라·조명·트리거 조건 설계영상에서 이상 후보 탐색
전처리·딥러닝 모델 적용검사 기준에 따라 결과 구분
결함 위치 및 유형 확인현장 업무에 결과 연결
알림·재검·배출 연계는 선택 구현결과를 품질 데이터로 관리
검사 이력·유형별 통계 활용결함 정의·검사 기준·재검 또는 작업자 확인 단계는 고객의 공정과 품질 규정에 맞춰 정합니다.
SYSTEM ARCHITECTURE
검사 장치와 분석 서버, 모니터링, 기존 업무 시스템의 관계를 기술 담당자가 이해하기 쉽게 표현했습니다.
카메라 · 조명 · 검사 대상 · 촬영 트리거
영상 수집 · 결함 후보 탐색 · 판정 로직 · 결과 저장
검사 결과 · 결함 위치 · 품질 이력 및 통계
MES · ERP · 설비 제어 등 필요 시 별도 연동
IMPLEMENTATION ROADMAP
제품을 일괄 도입하는 방식이 아니라 현장 분석과 PoC 결과에 따라 적용 범위를 정합니다.
현재 검사 방식, 불량 유형, 처리 속도와 공정 제약을 확인합니다.
확인 결과 검사 요구사항·대상 목록카메라·조명·설치 위치와 표면 반사·진동 조건을 검토합니다.
확인 결과 카메라·조명 구성안정상·불량 샘플을 수집하고 결함 정의와 데이터 분류 기준을 마련합니다.
확인 결과 검증용 데이터·모델샘플과 실제 조건에서 검출률·오검출률·검사 시간을 측정합니다.
확인 결과 검증 결과·보완 과제검증 결과에 따라 운영 절차, 모니터링과 업무 연계 방안을 확정합니다.
확인 결과 운영 계획·연계 범위BUSINESS VALUE
일반적인 비용 절감 주장보다 고객사별 PoC에서 측정·비교할 수 있는 지표를 제안합니다.
정상·불량 샘플별 판정 결과를 구분해 평가
기존 검사 흐름과 AI 적용 테스트 결과 비교
검사 이력의 관리 가능 범위 확인
표시된 항목은 측정 지표 제안이며, 현재 페이지에 확정된 성능 수치나 품질 개선 실적은 없습니다. 성능과 개선폭은 공정 조건 및 PoC 검증 결과를 토대로 판단합니다.