불량 검출 Defect Detection
학습된 모델로 실제 이미지의 이상 영역과 판정 결과를 확인 Run the trained model on real images to surface anomaly regions and the final verdict.
MVI · Meta Vision AI
데이터가 부족한 제조 현장을 위한
AI 비전 불량 검출 Defect detection for factories where
data is scarce
MVI는 소량의 양품 데이터만으로 이상탐지 모델을 학습하고, GenAI 증강과 결함 분류를 결합해 제조 시설 운용자가 직접 관리할 수 있는 제조 특화 Vision AI 솔루션입니다. MVI trains an anomaly-detection model from just a small set of good-product images, then combines GenAI augmentation with defect classification — so factory operators can run it themselves.
Stage Inspection
Mode Anomaly Detection
Output Defect Metadata
Core Capabilities
불량 데이터가 충분하지 않아도 시작할 수 있는 검사 체계An inspection system you can start even without enough defect data
MVI는 데이터 수집, 증강, 학습, 검출, 분류를 하나의 현장 운용 흐름으로 묶어 AI 전문 인력 없이도 제조 품질 검사를 반복 개선할 수 있게 합니다.MVI bundles data collection, augmentation, training, inspection, and classification into a single on-site workflow — so quality inspection can be improved iteratively without an in-house AI team.
소량 양품 기반 이상탐지Anomaly detection from a few good samples
대량의 불량 데이터를 기다리지 않고, 제조 현장에서 확보하기 쉬운 양품 데이터 중심으로 AI를 학습해 불량 가능성과 영역을 검출합니다.Rather than waiting for mountains of defect data, MVI trains on the good-product images you can readily collect on the floor — and flags suspect regions and likely defects.
GenAI 데이터 증강GenAI data augmentation
양품과 불량 샘플, 마스킹 정보를 바탕으로 부족한 검사 이미지를 추가 생성하여 초기 학습과 성능 개선에 필요한 데이터 공백을 줄입니다.Using good/defect samples and mask information, MVI generates additional inspection images — closing the data gaps that hold back initial training and ongoing tuning.
불량 유형 클러스터링Defect-type clustering
검출 결과의 특징을 추출하고 유사도를 기준으로 군집화하여, 반복되는 불량 패턴을 유형별로 나누고 현장 개선에 연결합니다.MVI extracts features from detection results and clusters them by similarity, so recurring defect patterns can be grouped by type and routed to process improvement.
Operating Pipeline
현장 운용자 중심의 MVI 파이프라인An MVI pipeline built around floor operators
품목 변경이나 데이터 부족이 발생해도 운용자가 GUI에서 데이터를 보강하고 모델을 다시 학습시키며, 검출 결과를 유형별로 관리하는 흐름을 제공합니다.When the product changes or data runs short, operators can augment data, retrain the model, and manage detections by type — all from the GUI.
Load
운용자가 검사 대상 이미지와 기준 데이터를 불러와 현장 품목에 맞는 검사 프로젝트를 구성합니다.Operators load inspection images and reference data, then set up an inspection project tuned to the product on the line.
Augment
부족한 양품/불량 데이터를 생성형 AI로 증강하여 학습 가능한 데이터셋을 빠르게 보강합니다.Generative AI fills in missing good/defect samples so the training set is ready faster.
Train
양품 중심 데이터와 증강 데이터를 이용해 제조 도메인에 최적화된 이상탐지 모델을 학습합니다.Train an anomaly-detection model tuned to the manufacturing domain, using a mix of good-sample and augmented data.
Inspect
실제 검사 이미지에서 불량 여부, 의심 영역, 신뢰도 등 운용에 필요한 메타데이터를 산출합니다.On real inspection images, produce the operational metadata you need: pass/fail, suspect regions, and confidence scores.
Classify
검출된 결함을 특징 유사도에 따라 분류하여 반복 불량과 공정 이슈를 파악할 수 있게 합니다.Classify detected defects by feature similarity so recurring issues and process-level problems surface clearly.
Product Demo
실제 시연 화면으로 보는 주요 기능See the main features in action
불량 검출과 데이터 증강 중심의 제품 운용 과정을 영상으로 확인할 수 있습니다.Watch how defect detection and data augmentation actually run in the product.
Next Capability
향후 도입: 제조 운용자를 위한 AI 에이전트Coming next: an AI agent for floor operators
MVI는 대화형 UI를 통해 증강, 학습, 검출, 분류 과정의 튜닝과 조율을 AI 에이전트가 대신 처리하는 방향으로 고도화됩니다. 운용자는 전문 파라미터를 직접 다루기보다 "검출 민감도를 높여줘", "이 유형을 별도 불량군으로 묶어줘" 같은 자연어 요청으로 검사 품질을 개선할 수 있습니다. MVI is evolving toward a conversational UI where an AI agent handles the tuning and orchestration of augmentation, training, detection, and classification on the operator's behalf. Instead of touching expert parameters, operators can improve inspection quality with natural-language requests like "raise detection sensitivity" or "group this type as its own defect cluster."
Human-in-the-Loop
운용자 피드백을 모델 개선 루프로 연결합니다.Pipes operator feedback straight into the model-improvement loop.
No-Code Operation
AI 전문 지식 없이 검사 조건을 관리합니다.Manage inspection settings without any AI expertise.
Adaptive Inspection
품목 변경과 현장 편차에 빠르게 대응합니다.Adapts quickly to product changes and on-site variance.
Traceable Decision
검출 결과와 분류 근거를 현장 데이터로 축적합니다.Accumulates detection outcomes and classification rationales as on-site data.
