검사자가 AI 분석 결과(손상 위치·유형, 품질 등급, 여백 비율)를 확인하고 고친 뒤 검사를 마치는 화면입니다. 목록의 카드는 시안용으로 그린 가상 이미지이고 손상 표시는 예시 결과입니다. 여백 측정은 이 페이지가 이미지에서 직접 계산하므로, 직접 스캔한 이미지를 올려 확인해 보실 수 있습니다.
이미지 위를 끌면 AI가 놓친 손상 영역을 추가합니다(휴대폰에서는 "손상 추가"를 누른 뒤 끕니다). 추가하거나 고친 결과는 다음 학습 데이터로 쌓입니다.
처음에는 라벨이 없으므로 VLM이 손상 후보를 먼저 표시하고, 사람은 그 표시를 고치는 방식으로 초기 라벨을 만듭니다. 처음부터 그리는 것보다 빠르고, 기준서에 맞춰 손상 유형 이름을 통일하기 쉽습니다. 1차 모델이 나온 뒤에는 모델이 먼저 표시하고 검사 화면에서 고친 결과가 라벨이 됩니다.
100점에서 손상과 여백 치우침만큼 빼고 S(95 이상), A(85 이상), B(70 이상), C(70 미만)로 나눕니다. 시안용 값이고, 실제 기준표는 귀사 검사 기준으로 함께 정합니다.
| 항목 | 경미 | 보통 | 심함 |
|---|---|---|---|
| 손상 1건 | -3 | -8 | -15 |
| 여백 치우침(더 치우친 축) | 5%p 이하 0 | 10%p 이하 -5, 15%p 이하 -12 | 15%p 초과 -20 |
NDA 뒤 스캔 이미지를 받아 분포를 보고, 손상 유형·정도와 등급 기준서 초안을 만듭니다. 전처리와 여백 측정을 먼저 완성하고, VLM 사전 표시와 검수로 초기 라벨링을 시작합니다. 성능 평가에 쓸 시험 세트를 귀사 검사자 판정으로 확정합니다.
모서리·테두리·표면 조각으로 손상 검출 모델을 학습하고, 등급 산출과 VLM 2차 판정을 붙입니다. 시험 세트로 성능 리포트를 드립니다.
검사 목록, 결과 확인·수정, 완료 처리 화면과 백엔드·DB를 만들고, 기존 어드민·DB에 등록된 이미지를 불러오게 연결합니다. 검사자 수정 내역이 학습 데이터로 쌓이는 흐름까지 만듭니다.
실제 검사 업무에 붙여 검사자 판정과 나란히 비교하고, 쌓인 수정 데이터로 한 번 더 학습합니다. 배포, 설치·운영 문서, 소스코드·모델·라벨 데이터 인도로 마칩니다.