존재 검사의 AI 지원 흐름과 후보 비교 방법: 실무 검증 절차

검사 목적

지정 특징 영역의 회색 영상, 연결 영역 마스크와 개수 규칙으로 시작합니다. 단일 특징 가정에서는 적격 영역 하나가 기대 조건이지만 올바른 부품임을 증명하지 않습니다. AI에 설명 가능한 임계값이나 면적 범위 변경 하나를 요청하고 위치 및 물리 존재 정의는 고정합니다.

전제 조건과 대조 샘플

존재는 지정 위치에서 보이는 특징으로 정의하고 화면 안의 아무 어두운 물체와 구분합니다. 정상 조립, 의도적 누락과 가려진 특징 샘플을 준비하고 사람이 정답을 기록하세요. 치구 조건과 허용 부품 변동도 데이터에 포함합니다. 고정 스테이션의 기준은 대비로 분리된 영역을 구분하며 일반 의미 인식이 아닙니다. 숨겨진 부품을 추정하면 안 됩니다.

카메라 구성 선택

고정되고 대비가 있는 특징은 흑백 영역 카메라로 시작할 수 있습니다. 노출 중 움직임이 남으면 글로벌 셔터를 검토합니다. 스마트 카메라는 처리와 입출력 지원을 확인해야 합니다. 색이 판정 요소일 때 컬러 카메라를 선택하세요. 깊이나 가림이 존재 여부를 결정하면 평면 영상만으로 판단할 수 없습니다.

조건을 관리하며 시험하기

AI에 변경안을 요청하기 전에 관찰 가능한 최소 기준 흐름을 만듭니다. 원본, 검사 영역, 기대 답과 실행 환경 식별자를 고정하고 최종 표시뿐 아니라 중간 출력을 확인하세요. 현재 Deyi Vision 흐름은 버전 관리된 개발 데이터에서 후보 변경을 비교할 수 있습니다. AI 제안은 검토 대상이며 작업자가 승인한 공차나 검증된 물리 측정값이 아닙니다.

1. 대조별 원본, 마스크와 적격 면적을 확인합니다.
2. AI 제안 전에 기준을 저장합니다.
3. 같은 개발 영상에 후보 하나를 적용합니다.
4. 어려운 샘플 추가 전에 새 라벨을 사람이 확인합니다.

확인 자료 기록

실제 영역 수, 면적과 검토 상태를 영상 식별자와 기록합니다. 미입력 정답을 예측으로 채우지 마세요. 누락의 오합격과 정상의 오불합격을 나누어 비교합니다. 종합 점수는 더 위험한 오류를 숨길 수 있습니다.

원본별 개발 비교 행을 만들고 후보를 보기 전에 실제 정답을 고정합니다. 기준 판정, 후보 판정과 각 원인 영역을 기록합니다. 누락 거부 회복, 존재 합격 회복, 새 오합격, 새 오불합격 및 미해결 가시성으로 분류하세요. 쉬운 정상 개선으로 누락 악화를 숨기지 않습니다. 면적 한계 변경이 제외하거나 추가한 영역을 확인합니다. 치구 영역을 허용한 후보는 종합 점수가 좋아도 거부하고 이유와 후보를 보존합니다.

실패 사례 진단

핀이 없어도 치구 나사가 영역 하나를 만족할 수 있습니다. AI가 이름을 바꾸어 해결할 수 없습니다. 위치 정의와 관찰 가능성으로 돌아갑니다. 모델이 존재를 강하게 예측해도 가림은 검토 사례입니다.

독립 샘플로 검증

같은 개발 샘플에서 변경하지 않은 기준과 후보 하나를 비교합니다. 실패와 판정 불가 결과도 전체 분모에 남기세요. 어려운 영상은 크기가 제한된 검토 집합에 추가하되 사람이 확인하기 전에는 예측 라벨을 미확인으로 유지합니다. 모델에 로컬 서비스나 영상 외부 전송 승인이 필요하면, 해당 능력이 없을 때 실행을 중단해야 하며 실행 환경을 몰래 바꾸면 안 됩니다.

따로 남긴 샘플에서는 최종 규칙 전에 위치 및 연결 영역 근거를 확인합니다. 개발 점수를 높이려 물리 누락 요구를 낮추지 않습니다.

어려운 샘플 회수는 근거 요청이지 자동 정답이 아닙니다. 원본, 획득 이벤트와 검토 이유를 남기고 사람이 실제 존재와 가시성을 확인하며 예측은 별도 저장합니다. 다음 조정에 사용한 정답은 개발용이며 미사용 수락 증거로 보고하지 않습니다. 선택 흐름과 설정을 고정해 독립 평가자에게 별도 대조를 전달하고 설치 전에 불일치를 조사합니다. 버전 저장으로 물리 공차나 수락이 승인되지 않습니다. 재현 후보와 승인 스테이션을 구별합니다.

다음 기술 검토로 진행

그래프, 매개변수, 의존성과 개발 비교를 저장합니다. 독립 수락 시험의 정답은 AI 조정 과정에서 접근하지 못하게 하세요. 검토용 내보내기는 확인 자료이며 완전한 실행 배포 패키지나 승인 증명이 아닙니다. 브라우저 실행, 클라우드 모델 품질과 실행 패키지 활성화는 각각 별도의 능력 검증이 필요합니다.

원본 영상과 해당 결과 기록을 함께 보존합니다.