검사관이 발견하지 못하는 결함: AI 시각 검사가 석재 품질 관리 방식을 어떻게 바꾸고 있는가

알렉스 왕 /
루이펑위안석재 국제사업부 이사 | 30개국 이상에서 12년간 석재 무역 경력 보유

제가 만나는 모든 구매 담당자들은 석재 가격에만 집착합니다. 하지만 제곱미터당 실제 비용을 결정하는 중요한 질문, 즉 "이 석재를 얼마나 효율적으로 가공할 수 있습니까?"라는 질문을 하는 사람은 거의 없습니다. 이 글에서는 왜 이 질문이 가격표보다 더 중요한지 설명하고, 저희가 달성한 22.58%의 활용률 향상에 대한 근거 데이터를 제시합니다.

요약 — 핵심 요점

  • AI 시각 검사는 고해상도 트루 컬러 이미지와 딥러닝 분류 기술을 사용하여 연마된 모든 석재 조각에 대해 균열, 모서리 깨짐, 긁힘, 연마 결함, 색상 변화 및 치수 편차 등 6가지 결함 유형을 검사하며, 8시간 근무 시간 동안 정확도가 저하되지 않습니다.
  • 인간 검사관은 예측 가능한 생물학적 이유로 결함을 놓칩니다. 주의력은 근무 시작 후 첫 한 시간 안에 저하되며, 석재는 자연적인 결이 결함의 특징과 유사하기 때문에 결함을 발견하기 가장 어려운 재료입니다.
  • 루이펑위안이 중국과학원 자동화연구소와 공동 개발한 스캐너는 다각도 조명과 라벨이 부착된 결함 라이브러리를 사용하여 줄무늬와 실제 결함을 구분합니다. 이 스캐너를 도입한 이후 불량률이 17.6% 감소했습니다.
  • 결함이 발견되지 않고 지나갈 경우, 생산 라인에서 발견되면 비용이 1배 증가하고, 목적지 하역 단계에서 발견되면 5~8배 증가하며, 설치 후에 발견되면 10~15배 증가합니다. 따라서 검사 일관성은 기술적인 고려 사항이 아니라 가격 변동 요인입니다.
  • AI는 검사관의 판단력을 대체하는 것이 아니라, 검사관의 주의력을 대체하는 것입니다. 이 기사에 있는 결함 발생 위험 시뮬레이터를 사용하여 결함 적발률 차이가 주문량에 어떤 영향을 미치는지 확인해 보세요.

AI 시각 검사는 제어된 조명 아래에서 연마된 모든 석재 조각을 촬영하고, 딥러닝 모델을 사용하여 표면 및 치수 결함을 분류하고, 그 결과를 공장의 생산 기록에 기록하는 품질 관리 기술입니다. 이는 구매자에게 중요한데, 그 이유는 어떤 조달 체크리스트도 통제할 수 없었던 변수, 즉 검사원의 피로도를 제거해 주기 때문입니다.인간 검사원의 탐지 정확도는 반복적인 근무 교대 첫 한 시간 이내에 눈에 띄게 떨어지는 반면, 머신 비전 시스템은 첫 번째 슬래브와 만 번째 슬래브 모두에서 동일한 정확도를 유지하기 때문에 수동 라인과 AI 라인의 차이는 미미한 수준이 아니라 샘플링된 품질 약속과 100% 검증된 검사 사이의 차이입니다.루이펑위안에서는 중국과학원 자동화연구소와 공동 개발한 검사 시스템 덕분에 2019년 이후 불량률을 17.6%까지 줄일 수 있었고, 월 생산량은 4만 제곱미터로 꾸준히 증가했습니다. 이 글에서는 사람의 눈이 예측 가능한 방식으로 오류를 범하는 이유, 공장에서 실제로 발생하는 6가지 불량 유형, 기계가 자연적인 결과 실제 균열을 구분하는 방법, 그리고 공급업체의 품질 관리 보고서를 읽고 이러한 문제들이 실제로 발생하는지 확인하는 방법을 설명하겠습니다.

품질 관리는 모든 석재 견적서에서 가장 매력적이지 않은 부분이지만, 실패할 경우 가장 큰 손실을 초래하는 부분이기도 합니다. 구매자들은 기계, 인증, 가격을 꼼꼼히 검토한 후, "모든 제품은 포장 전에 검사됩니다"라는 한 줄짜리 보증 문구를 그대로 받아들입니다.해당 문장은 주문의 전체 위험 프로필을 검증 불가능한 주장으로 압축하기 때문에, 이 글에서는 검사를 단순한 형식적인 절차가 아닌 기술 발전의 한 부분으로 다룹니다.

문제의 본질 분석: 유능한 검사관이 결함을 놓치는 이유

먼저 검사관들을 변호하고 싶습니다. 왜냐하면 이번 실패는 그들의 잘못이 아니기 때문입니다. 수십 년 전부터 진행되어 온 시각 검사 연구는 품질 공학 관련 문헌에 잘 정리되어 있으며, 이러한 연구는 다음과 같은 기관에서 관리하고 있습니다.NIST미국 국립표준기술연구소(NIST)는 불편한 수치에 주목합니다. 평균적인 인간 검사관은 잘 운영되는 공정에서도 눈앞에 있는 결함의 약 80%만을 발견한다는 것입니다. 이는 검사관의 부주의 때문이 아니라, 인간의 시각 체계가 반복이 아닌 변화에 맞춰 설계되었기 때문입니다. 이러한 실패는 다음 세 가지 메커니즘에 의해 발생합니다.

실패 메커니즘 무슨 일이 일어나는가 돌담에 미치는 영향
주의력 감퇴 반복적인 스캔을 30~60분 동안 하면 경계심이 눈에 띄게 떨어집니다. 오후에 먹는 음식은 아침에 먹는 음식보다 시선이 덜 쏠린다.
기준 변동 검사관의 내부적인 "결함으로 간주되는 기준"은 여론의 압력에 따라 완화된다. 오전 9시에는 불합격했던 칩이 오후 4시에는 합격점을 받았습니다.
처리량 계산 꼼꼼한 검사에는 슬래브당 3~5분이 소요됩니다. 생산은 기다릴 수 없습니다. 샘플링은 100% 검사를 대체하지만, 샘플 간 결함이 발생할 수 있습니다.

석재는 거의 모든 다른 산업보다 이 세 가지 메커니즘을 더욱 악화시킵니다. 자동차 패널은 이전 패널과 완전히 동일해야 하므로 조금이라도 차이가 있으면 눈에 띕니다. 대리석 슬래브는 다른 모든 슬래브와 다르게 보여야 합니다. 결이 구불구불하고, 얼룩이 져 있고, 색조가 미묘하게 변합니다.돌의 자연적인 변이는 언뜻 보기에 결함의 특징과 통계적으로 구별하기 어렵기 때문에 검사관은 단순한 이상 탐지보다 훨씬 더 복잡한 판별 작업을 끊임없이 수행해야 합니다.한 문장으로 요약하자면, 두바이에서 발생한 내 작가 정보 유출 사건이 훈련받은 네 명의 전문가를 통과한 이유가 바로 그것입니다.

한 문장으로 요약하면 다음과 같습니다.인간의 검사는 무작위적으로 실패하는 것이 아니라 피로, 시간 부족, 패턴 인식 능력 결여 등 예측 가능한 방식으로 실패하는 반면, 기계 검사는 학습이 끝나는 지점에서만 실패합니다. 이 두 가지 실패 양상은 거의 겹치지 않는데, 바로 이 점 때문에 둘을 결합하는 것이 효과적인 것입니다.

결함 분류 체계: 불량품이 공장을 탈출하는 6가지 방법

2021년 중국과학원과 프로젝트를 시작했을 때, 첫 번째 과제는 모델 구축이 아니라 결함이 무엇인지 정의하는 것이었습니다. 2년간의 고객 클레임과 내부 거부 사례를 분석한 결과, 모든 사례가 6개의 범주로 분류되었습니다. 이 분류 체계는 학습 라이브러리의 핵심이 되었으며, 주문 과정에서 발생할 수 있는 문제점을 보여주는 지도와 같으므로 반드시 숙지해야 합니다.

결함 클래스 일반적인 서명 수동 품질 검사를 통과하는 이유는 무엇일까요? 수동 vs. AI 포획률*
헤어라인 갈라짐 폭은 0.1~0.3mm이며, 종종 맥을 따라 나타납니다. 혈관처럼 위장되어 있어 비스듬한 실내 조명 아래에서는 보이지 않습니다. 약 55% 대 약 93%
모서리 깨짐 절단면이나 취급 부위에 1~5mm 크기의 파편이 발생함 검사 후, 취급 및 포장 과정에서 발생합니다. 약 70% 대 약 96%
표면 긁힘 0.05~0.2mm 깊이, 빛을 포착함 특정 시야각에서만 볼 수 있습니다. 약 60% 대 약 95%
폴란드 결함 흐리거나 표면이 지나치게 매끄러워진 영역, 폭 50~300mm 평면 조명 아래에서 "자연적 변화"로 읽힙니다. 약 65% 대 약 94%
색상 변화 음색 편차 대 승인된 샘플, ΔE > 2 점진적; 눈이 변화에 적응합니다 약 50% 대 약 92%
치수 편차 길이/너비/대각선 외부 주문 허용 오차 수동으로 일부 부품만 무작위 검사합니다. 약 45% 대 약 99%

*루이펑위안 내부 교정 테스트 결과(2023~2025): 당사 검사팀 전체가 동일한 결함 유발 슬래브 세트를 반복적으로 검사한 결과와 실제 운영 환경에서 배포된 AI 시스템이 검사한 결과를 비교했습니다. 자세한 내용은 본 기사 말미의 데이터셋 참조에서 확인할 수 있습니다.

구매자는 두 가지 주요 결함에 특히 주의해야 합니다. 미세한 균열은 가장 큰 손실을 초래하는 결함 유형으로, 그 확산 가능성이 매우 높습니다. 0.2mm의 미세한 균열이라도 운송 과정에서 손상되지 않고, 햇빛이 비치는 외벽의 열팽창으로 인해 벌어져 몇 달 후 결함 여부를 정확히 파악하기 어려운 클레임으로 이어질 수 있습니다. 한편, 치수 편차는 대부분의 공장에서 여전히 샘플링을 통해 검사하는 항목이지만, 3,000제곱미터 규모의 바닥재에서 단 하나의 치수라도 허용 오차를 벗어나면 주변 열 전체의 이음매가 무너질 수 있습니다.AI 라인은 스캔 속도로 모든 부품의 길이, 너비 및 대각선을 자동으로 측정하기 때문에 치수 검증이 추가 노동 시간 없이 부분 검사에서 전체 조사로 전환되었습니다.

기계 내부: CAS에서 개발한 스캐너가 슬래브를 읽는 방법

이제 기술 자체에 대해 말씀드리겠습니다. 저희 슈이토우 시설의 검사 하드웨어와 소프트웨어는 자동화 연구소와 공동으로 개발했습니다.중국과학원(CAS)중국 최고의 자동화 및 기계 지능 연구 기관. 이 파트너십이 중요했던 이유는 돌을 인식하는 것이 단순한 바코드 인식 문제가 아니라, 실제로 매우 어려운 컴퓨터 비전 문제였기 때문입니다. 시스템 작동 방식은 세 단계로 설명됩니다.

1단계 — 제어된 다각도 조명 하에서의 실제 색상 이미지 촬영

최종 검사에 들어가는 각 슬래브는 여러 조명 조건(안료 확인을 위한 평면 조명, 표면 형상 확인을 위한 경사 조명)에서 실제 색상 이미지를 캡처하는 스캔 헤드를 통과합니다.균열, 흠집 또는 긁힘은 비스듬한 빛 아래에서 미세한 그림자를 드리우는 3차원적인 특징인 반면, 혈관은 그림자를 드리우지 않는 순수한 색소이기 때문에, 다각도 촬영은 소프트웨어가 판단을 내리기 전에 이 두 가지 특징을 물리적으로 분리합니다.이 광학 장치는 실물 크기의 조직 표본에서 약 0.1mm(사람 머리카락 굵기)까지의 특징을 식별할 수 있으며, 이송 중에 표본당 30초 이내에 이러한 작업을 완료합니다. 이는 사람이 세심하게 검사하는 데 3~5분이 소요되는 것과 비교하면 훨씬 빠른 속도입니다.

blog34_illustration_machine_vision_scan_head_800x600

2단계 — 결함인가, 혈관 형성인가? 수개월이 걸린 분류 문제

첫 번째 학습 실행은 관련된 모든 사람을 겸손하게 만들었습니다. 초기 레이블링 라이브러리를 입력받은 모델은 완벽하게 양호한 슬래브의 거의 40%를 결함이 있는 것으로 표시했습니다. 어둡고 선형적인 특징이 균열을 의미한다고 학습했기 때문인데, 회색 줄무늬 대리석에서는 어두운 선형 특징이 바로 균열의 결과물입니다. CAS 팀의 대응은 컴퓨팅 성능을 높이는 것이 아니라 더 정확한 데이터 분석이었습니다. 수만 장의 이미지를 숙련된 검사관들이 다시 레이블링하고, 모호한 줄무늬와 균열 쌍을 나란히 표시한 후, 오탐률이 실제 사용 가능한 수준으로 떨어질 때까지 모델을 재학습시켰습니다.분류기는 일반적인 데이터 세트가 아닌 공장 최고의 검사원들의 판단을 기반으로 학습되었기 때문에, 시스템은 검사원들이 가장 능숙했던 시점의 판단을 인코딩하고, 모든 교대 근무 시간마다 이를 재현합니다.

blog34_illustration_defect_detection_overlay_800x600

3단계 — 신원, 규모 및 실제로 받게 되는 서류 기록

추적성이 없는 검사는 주관적인 판단일 뿐입니다. 각 슬래브를 스캔하면 시스템이 QR 코드로 된 디지털 식별자를 읽고, MES에 저장된 주문 사양과 대조하여 해당 슬래브를 검증하며, 치수, 표면 등급, 결함 분류 및 사진을 해당 슬래브에 기록합니다. 이러한 기록이 바로 구매자에게 중요한 차이를 만들어냅니다. 즉, 당사 제품에 대한 주문이 접수되면 정확한 정보를 확인할 수 있습니다.대리석 슬래브 및 인조석 제품선박의 경우, 품질 관리 문서는 실제로 석재를 검사한 기계에서 생성된 개별 품목별 서류이며, 나중에 타이핑된 일괄 승인표가 아닙니다.이 보고서는 검사 자체의 부산물이지 검사에 대한 요약본이 아니므로, 문서상의 기록이 실제 물품과 분리될 수 없습니다.

인간이 여전히 더 잘하는 것, 그리고 그것이 바로 핵심인 이유

AI 검사에 대한 진지한 논의는 항상 "이것이 검사원을 대체할 것인가?"라는 질문으로 귀결됩니다. 저희 공장의 솔직한 답변은 AI 검사가 검사원 업무의 가장 힘든 부분을 대체하고 나머지 부분을 향상시켰다는 것입니다. 한때 8명의 인원이 교대로 8시간 동안 슬래브를 스캔하는 검사 업무를 담당했던 품질 관리 부서는 이제 더 적은 수의 판정팀으로 운영됩니다. 이 작업은 애초에 검사에 필요한 집중력을 저해하는 방식으로 설계되었습니다. 이제 판정팀의 업무는 흥미로운 잔여 업무로 남았습니다. 모델이 낮은 신뢰도로 표시한 경계선상의 사례를 판단하고, 고객별로 합격 기준을 설정하고, 오직 인간만이 판단할 수 있는 결 무늬의 미적 특징을 검토하고, 상업적 효력을 갖는 최종 결정에 서명하는 것입니다.

저는 분업을 이렇게 생각합니다.기계가 주의력을 분산시켜 피로감 없이 모든 각도를 꼼꼼하게 검사하고 100% 커버리지를 제공하기 때문에, 인간은 판단력만 남게 되는데, 이는 애초에 기계가 담당할 수 없었던 품질 관리의 핵심 부분입니다.업계 전문 언론, 예를 들어 다음과 같은 매체들스톤 월드 매거진머신 비전을 도입하는 제조업체들 전반에서 동일한 패턴이 관찰되었습니다. 인력은 탐지에서 판정으로 이동하고, 남은 검사관들은 경력이 더 많고 급여가 더 높으며 효율성도 눈에 띄게 향상되었습니다.

blog34_illustration_human_ai_collaboration_800x600

슈이토우의 현장 기록:22년간 현장에서 근무해 온 수석 검사관 첸 선생은 제가 고용한 어떤 컨설턴트보다도 더 정확하게 이렇게 말했습니다. "예전에는 불량품 10개를 찾기 위해 천 개의 석판을 살펴봐야 했습니다. 이제 기계가 불량품 10개를 보여주고, 저는 그날그날 '불량'의 기준을 정합니다." 그의 직함은 바뀌지 않았지만, 오류율은 달라졌습니다.

결함 발생 시 비용 곡선

불량률 17.6% 감소가 프로젝트 경제성에 그토록 중요한 이유는 무엇일까요? 결함으로 인한 비용은 발견된 위치에 따라 결정되며, 돌이 이동한 거리가 멀수록 발견 위치에서의 비용이 기하급수적으로 증가하기 때문입니다.

결함이 발견된 위치 상대적 비용 일반적인 일정 영향
생산 라인 내, 연마/검사 단계에서 1회 (보관된 재료를 사용하여 재작업 또는 재절단) 없음 - 생산 흐름에 흡수됨
공장 최종 검사 또는 건식 설치 1.5~2배 0~2일
목적지 도착 후 하역 작업 중 5~8회 (항공 운송 교체품) 2~4주
설치 후, 마감된 벽이나 바닥에 10~15회 (철거 + 교체 + 재설치) 3~6주 소요, 분쟁 발생 가능성 추가

이 곡선은 검사 기술의 상업적 이점을 전체적으로 보여주는 표입니다.슈이토우에서 0.2mm 균열을 제거하는 데 드는 비용이 1배인 반면, 두바이의 완공된 로비 벽에서 제거하는 데는 10~15배가 들기 때문에, 균열 감지를 프로젝트 초기 단계로 옮기는 것이 어떤 프로젝트에서든 가장 저렴하면서도 효과적인 투자입니다.이것이 바로 AI 기반 검사 도입 후 측정된 불량률 감소가 구매자 측 효과를 과소평가하는 이유입니다. 사라진 불량은 대부분 수동 검사 라인에서 가장 나중에, 혹은 아예 발견하지 못하는 작고 초기 단계의 불량이기 때문입니다.

표준에 대한 맥락을 알고 싶어하는 독자들을 위해 설명드리자면, 허용 가능한 결함 및 마감 요구 사항을 포함한 치수석의 승인 기준은 다음과 같은 사양서에 명시되어 있습니다.ASTM C503, 대리석 치수석에 대한 표준 규격그리고 화강암과 석회암에 대한 유사한 기준들도 있습니다. AI 검사는 "허용 가능"의 의미를 바꾸는 것이 아니라, 해당 기준이 샘플이 아닌 모든 조각에 실제로 적용되는지 여부를 바꾸는 것입니다.

대화형: 결함 발생 위험 시뮬레이터

검사의 수학적 원리는 스프레드시트에서는 느끼기 어려울 정도로 엄격합니다. 아래에서 주문 프로필을 직접 설정하고 불량률의 변화가 매달 공장에서 출고되는 불량품 수에 어떤 영향을 미치는지 확인해 보세요.

결함 발생 위험 시뮬레이터

프로젝트에 맞게 슬라이더를 드래그하세요. 막대는 각 검사 체계별로 월별 공장 출하 불량품 발생량을 보여줍니다.

수동 조작만으로 월 12제곱미터씩 절약하며 탈출했습니다.
AI 지원 QC2.4m²/월로 탈출
AI 지원 검사를 통해 결함 발생을 방지했습니다.
9.6제곱미터/월
공장에서 출고되지 않는 불량 석재가 연간 약 115제곱미터에 달합니다.
결함이 전체 용량에 고르게 분포한다고 가정합니다. 설치 후 교체 비용이 10~15배로 증가하는 경우, 회피된 면적은 더 이상 부담하지 않는 위험 노출을 나타냅니다.

감사관처럼 공급업체의 품질 관리 보고서를 읽는 방법

대부분의 구매자는 품질 관리 보고서를 받고 "통과"라는 단어만 훑어봅니다. 하지만 감사자는 문서의 구조를 읽습니다. 구조는 형용사처럼 쉽게 거짓말을 할 수 없기 때문입니다. 공급업체가 AI 검사를 운영하든, 뛰어난 수동 검사를 수행하든, 진정한 개별 제품 기록과 사후에 생성된 요약본은 네 번의 서명을 통해 구분됩니다.

보세요 기계가 생성한 기록 사후 요약
부품 식별자 각 라인에는 스캔 타임스탬프가 포함된 슬래브/피스 ID가 있습니다. 배치 번호만 표시되며, 타임스탬프는 하루가 끝날 무렵에 집중되어 있습니다.
사진들 개별 이미지, 일부에는 측정값 오버레이가 포함되어 있습니다. 최고급 석판을 찍은 윤기 나는 사진 몇 장
차원 데이터 명목값 주변에 밀집된 측정값 분포 같은 정수가 세로로 반복됩니다.
결함 처리 결함 유형별로 분류되어 있으며, 일부 부품은 재작업 또는 재절단 처리되었다고 표시되어 있습니다. 모든 항목이 통과되었으며 결함은 전혀 기록되지 않았습니다.

마지막 줄이 제가 가장 먼저 살펴보는 단서입니다. 수개월간 생산 과정에서 불량품이 하나도 없다고 보고하는 공장은 불량품 발생 사실을 보고하지 않고 있는 것이며, 불량품이 기록되지 않은 주문은 해당 주문의 불량품이 기록되지 않은 채 귀사에 도착하고 있다는 뜻입니다.진정한 검사 시스템의 가치는 부분적으로는 무엇을 발견하고 불량품으로 판정하는지에 달려 있기 때문에, 일부 결함이 포함된 품질 관리 이력은 생산 라인이 제대로 작동하고 있다는 증거이지, 실패하고 있다는 증거가 아닙니다.

자주 묻는 질문

석재 제조에서 AI 시각 검사란 무엇인가요?
AI 시각 검사는 고해상도 트루 컬러 이미지와 딥러닝 모델을 사용하여 모든 연마된 슬래브와 가공된 석재 조각을 검사하여 미세 균열, 모서리 깨짐, 긁힘, 연마 결함, 색상 변화 및 치수 편차와 같은 결함을 찾아낸 다음 결과를 공장의 MES 기록에 입력합니다. 사람이 직접 검사하는 것과 달리, AI 시각 검사의 정확도는 8시간 근무 시간 동안 저하되지 않으며, 샘플이 아닌 모든 제품을 100% 검사합니다.
인공지능이 정상적인 혈관 모양과 결함을 정말로 구분할 수 있을까요?
네, 하지만 대규모 레이블링된 이미지 라이브러리로 학습시킨 후에만 가능합니다. 초기 모델은 자연적인 회색 줄무늬를 균열로 오인했는데, 둘 다 어두운 선형 특징으로 나타나기 때문입니다. 루이펑위안(Ruifengyuan)이 중국과학원 자동화연구소와 공동 개발한 시스템은 수만 장의 재레이블링된 이미지로 재학습을 거쳐, 다양한 각도의 조명 조건에서 다르게 반응하는 색소 기반 특징(줄무늬, 뭉침)과 위상 기반 특징(균열, 흠집, 긁힘)을 안정적으로 구분할 수 있게 되었습니다.
AI 검사가 인간 품질 관리 검사원을 대체할 수 있을까요?
아닙니다. 기계는 사람의 주의력을 대체하는 것이지 판단력을 대체하는 것이 아닙니다. 기계는 모든 제품을 일정한 정확도로 검사하고 경계선상의 사례를 표시합니다. 그러면 사람이 직접 판정하고 합격 여부를 결정합니다. 루이펑위안에서는 품질 관리 부서가 순환식 검사 업무에서 소규모 판정팀으로 전환된 후 불량률이 17.6% 감소했습니다.
AI 검사는 구매자로서 제가 받는 혜택에 어떤 변화를 가져올까요?
일괄 승인서 대신 개별 제품별 품질 관리 기록(치수, 표면 등급, 결함 분류 및 사진)을 받게 됩니다. 모든 제품을 샘플링이 아닌 개별적으로 검사하기 때문에 서명하는 보고서는 주문 전체에 대한 100% 품질을 보장하며, 이를 통해 인수 분쟁을 줄이고 설치 담당자가 상자를 개봉하기 전에 검증된 기록을 확인할 수 있습니다.
공급업체의 AI 검사 주장을 어떻게 검증할 수 있나요?
이전 주문에 대한 기계 생성 품질 관리 보고서를 요청하고 다음 네 가지 특징을 확인하십시오. 타임스탬프가 포함된 개별 제품 식별자, 측정값이 겹쳐진 사진, 치수 측정값 분포(실제 측정값은 밀집되어 나타나고, 입력된 숫자는 반복됨), 그리고 명시된 분류 체계를 사용한 결함 분류입니다. 제대로 된 시스템이라면 이 네 가지를 별도의 작업 없이 모두 생성합니다.

기계가 생성한 품질 관리 보고서가 어떤 모습인지 확인해 보세요.

개별 제품별 기록. 측정값이 겹쳐진 사진. 샘플이 아닌 모든 슬래브의 치수 데이터. 과거 주문 건에 대한 실제 검사 보고서를 요청하시면 제공해 드립니다.

샘플 품질관리 보고서를 요청하세요


게시 시간: 2026년 9월 8일