README.md

S.F.D (Smart Factory Detector)

💡 UCC

🚩 목차

1. 기획 배경
2. 서비스 소개
3. 기능 소개
4. 기술 스택
5. 프로젝트 일정 및 기타 산출물
6. 팀원 소개 및 소감

✨ 기획 배경

개요

• 한 줄 설명 : 도메인 제한없이 스마트팩토리 공정 프로세스에서 불량품을 탐지하는 프로젝트
• 서비스명 : S.F.D

목적

• 다양한 도메인을 한 곳에서
• 불량품의 불량 구별까지
• 대시보드를 통한 실시간 상황 파악과 불량 통계
• 관리자 페이지를 통한 보안
• 시제품을 통한 실제 현업 프로세스를 체험

현 상황

• 치열한 경쟁 속에서 살아남기 위한 선택이 아닌 필수 ('선택' 아닌 '필수' 스마트팩토리)①단순 자동화 그 이상 '스마트팩토리'
• 위험/복잡한 작업 사람대신 기계가 작업 위험·복잡한 작업 '뚝딱'‥진화하는 스마트팩토리

✨ 서비스 소개

페르소나

• 제조업 현장에서 품질 관리를 담당하는 문범수씨
  • 실시간 불량 모니터링: 생산 라인의 실시간 데이터를 통해 현재 불량률을 지속적으로 확인하고 싶어 한다.
  • 자동 불량 탐지: 다양한 제품과 공정에서 발생하는 불량을 AI 기반 시스템이 자동으로 탐지하고 싶어 한다.
  • 문제 공유 및 협업: 불량 사례를 팀원들과 쉽게 공유하고, 공동으로 문제를 분석하여 해결 방안을 모색할 기반이 필요하다.
  • 데이터 기반 의사 결정: 축적된 데이터를 바탕으로 품질 관리 전략을 최적화하고, 생산 효율성을 높일 수 있는 인사이트를 얻고 싶어 한다.
  • 사용자 친화적 인터페이스: 직관적인 대시보드와 사용자 인터페이스를 통해 복잡한 데이터를 쉽게 이해하고 활용하고 싶어 한다.
  • 지속적인 학습 및 개선: AI 모델이 지속적으로 학습하여 새로운 불량 패턴을 인식하고, 품질 관리 능력을 향상시키고 싶어한다.

기대효과

• 실시간 모니터링과 자동화된 불량 탐지를 통해 생산 효율성 향상
• AI을 통해 다양한 패턴의 불량을 정확하게 식별함으로써, 불량률 낮춤
• 축적된 생산 데이터를 분석하여 품질 관리 전략을 최적화하고, 더 나은 의사 결정을 내릴 수 있음
• 도메인에 구애받지 않고 다양한 산업 환경에서 적용 가능한 통합된 불량 탐지 모델을 제공하여, 여러 제조업체의 요구를 충족

✨ 기능 소개

• 품목 선택

  • 불량 검사하기 : 품목을 선택하고 불량을 검사할 수 있습니다. 현재 너트 항목에 대한 검사만 가능합니다. 검사 시 불량 검출 페이지로 이동합니다.
  • 검사 진행 : 탐지 모델, 분류 모델, 불량 원인 탐지 모델 3가지 모델이 유기적으로 연결되어 불량 탐지 프로세스를 진행합니다.

• 불량 검출

  • 실시간 불량 탐지 : 현재 수행 중인 검사 중 가장 최신의 불량이 나타납니다. 하단에 지금까지 탐지된 불량과 불량 유형의 정보 테이블을 제시해줍니다.
  • 시간당 불량 개수 통계 : 탐지 시간에 따른 불량 개수 통계 정보를 제공합니다.
  • 불량 종류 통계 : 불량 종류에 대한 통계 정보를 제공합니다.

• 전체 기록 조회

  • 총 불량 개수 통계 : 불량 종류에 대한 총 불량 개수 통계를 제공합니다.
  • 날짜 당 불량 개수 통계 : 선택 날짜 포함 이전 5일 간의 일일 불량 개수에 대한 정보를 제공합니다.
  • 불량 사진 탐색 : 선택된 날짜의 불량 정보를 제공합니다. 불량 정보를 클릭하면 해당 사진과 정보를 제공합니다.

• 회원가입 & 로그인

  • 회원가입 : 이메일, 비밀번호, 전화번호, 닉네임 입력 후 가입할 수 있습니다. 기존에 가입한 이메일은 사용할 수 없습니다.
  • 로그인 & 로그아웃 : JWT Token을 사용하여 로그인 및 로그아웃이 가능합니다.
  • 회원정보 : 내 정보를 제공합니다.

✨ 기술 스택

• 프론트엔드 : React, TypeScript, Vite, Tailwind, React Context, react-datepicker, SSE
• 백엔드 : Spring, Spring Security, JWT, JPA, SSE
• 인프라 : Docker, Nginx, Jenkins, MySQL, Certbot, EC2
• AI :
  • 탐지 : YoloV5(최종 선정), Yoloworld
  • 분류 : MobileNetV4(최종 선정), Inception-ResNet-v2, DenseNet128, Resnet, MobileNetV3, Google Net
  • 분석 : YoloV8(최종 선정), Swin-transformer, Swin-Detr
• HW : YoloV5(객체 탐지), Arduino, S3
• 이슈 관리 : Git Lab, JIRA, Mattermost, Notion

✨ 아키텍처 설계도

✨ 프로젝트 일정 및 기타 산출물

프로젝트 일정

전체 일정 : 2024.08.16 ~ 2024.10.11(총 55일)

• 기획 : 2024.08.16 ~ 2024.08.30(총 14일)
• 개발 : 2024.09.01 ~ 2024.10.11(총 41일)

Git Flow

기능 명세서

Use Case

피그마 화면 정의서

ERD

API 명세서

✨ HW

✨ 화면

시작 페이지	로그인	회원가입
품목 선택	불량 검출	전체 기록 조회
회원 정보

✨ 소감

이름	역할	소감
문범수	팀장(BE)	첫 프로젝트 팀장으로서 진행에 있어서 많은 부족함이 있었지만 잘 따라와준 팀원들에게 고맙고, 그 어느 팀들보다 자기주도적으로 열심히 참여한 팀이라고 자부합니다. 프로젝트 설정부터 DB설계, 보안 설정 등 백엔드와 관련한 모든 사항에 대해서 기획부터 설계를 담당할 수 있어 좋았습니다. 특히 JPA와 Security, JWT 등 기초적인 보안 파트와 DB 로직 설계에 대해 역량을 기를 수 있었고, SSE를 활용한 실시간 통신을 구현했습니다. 다음 기회에는 저장 데이터를 빠르고 안정적이게 업데이트 할 수 있는 방식에 대해 학습하고자 합니다.
김예현	FE	Figma부터 리액트 코드까지 전반적인 부분들을 처음으로 대표로 맡게 되어 디자인, 코드 부분에 있어서 부담스럽고 긴장이 되었습니다. 하지만 걱정했던 부분에서 팀원분들이 괜찮다고 해주셔서 조금 자신감을 얻어서 작업을 차근차근 진행할 수 있었고 구현하기 원했던 기능들을 완성할 수 있었습니다. 다른 부분을 걱정하지 않고 Front End 부분에 집중할 수 있도록 해준 팀원분들께 감사드립니다...!
박상천	인프라, AI	이번 프로젝트에서 AI 실시간 처리 공정에 맞는 인프라 환경을 구축하며, 도메인의 특성에 따라 인프라 구조가 달라진다는 중요한 교훈을 얻었습니다. 또한, SSE를 통해 실시간 분석 결과를 클라이언트로 전송하는 과정에서 발생한 오류를 해결하며 Nginx의 buffering 기능을 알게 되었고, 기술을 사용할 때는 그 기술에 대한 깊은 이해가 필요하다는 점을 다시 한 번 느꼈습니다. AI라는 새로운 분야에 도전하면서, 모델의 정확도를 높이기 위해 배치 사이즈, 에폭, 학습률, 전이 학습, 모델 수정 등을 직접 조정하며 AI의 기초 지식과 역량을 쌓을 수 있었습니다. 이 경험은 향후 AI가 포함된 프로젝트를 진행할 때 프로젝트의 전반적인 이해도를 높이는 데 큰 도움이 될 것이라고 생각합니다. 비록 여러 오류와 새로운 분야에서의 도전이 쉽지 않았지만, 팀원들과의 소통과 협업을 통해 문제를 해결하며 좋은 결과물을 만들어낼 수 있었습니다. 이번 프로젝트를 통해 개발자로서 한 단계 성장하는 소중한 기회가 되었습니다.
김진기	AI	이번 프로젝트에서는 스마트 팩토리에서 사용할 수 있는 불량 탐지 시스템 개발에 중점을 두었습니다. 목표는 다양한 제품에서 불량을 실시간으로 높은 정확도로 탐지하고 분석할 수 있는 시스템을 구축하는 것이었습니다. 탐지 단계에서는 YoloV5 모델을 활용해 실시간 성능과 정확도에서 우수한 결과를 얻었으며, 이를 통해 실제로 발생할 수 있는 제품의 불량을 빠르게 탐지할 수 있었습니다. 불량 분류 단계에서는 MobileNetV4를 적용해 속도와 정확도를 균형 있게 유지할 수 있었습니다. 이후, 분석 단계에서는 YoloV8 모델을 사용해 더욱 세밀한 결함을 찾아내는 성능을 강화했습니다. 이 과정에서 InceptionV5, DenseNet128, MobileNetV4, Swin Transformer, Swin Detr 등 다양한 AI 모델들을 실험하며 최적의 성능을 탐구했습니다. 실제 데이터셋 처리와 라벨링 작업 등 실무에서 필요한 여러 과정들을 거쳐 시스템을 구축할 수 있었고, 데이터셋이 부족한 상황에 대비한 분석 방법도 모색했습니다. 이번 프로젝트를 통해 스마트 팩토리 내 불량 탐지 시스템 개발에 대한 깊은 이해와 경험을 쌓을 수 있었고, 각 모델의 특성을 비교하며 프로젝트 요구 사항에 적합한 최적의 솔루션을 도출하는 데 성공했습니다.
복현우	AI	특화라는 이름에 걸맞게 AI 기술에 치중했던 프로젝트였습니다. 패키지 버전 충돌, 기대 이하의 성능 등 AI를 다루는 데 있어 많은 어려움이 있었습니다. 하지만 그 문제들을 해결하고 제어하여 결국 원하는 결과물을 만들어 내는 AI의 묘미를 느낄 수 있던 프로젝트였습니다. 또 그 과정에서 GPU 서버와 프론트엔드, 백엔드의 소통 방식을 배우고 알아가는 재미를 느낄 수 있었습니다. 이 프로젝트를 통해 AI 기술을 다루는 역량이 한 층 더 성장시킬 수 있어 좋았습니다. 특화라는 이름에 걸맞게 AI 기술에 치중했던 프로젝트였습니다. 패키지 버전 충돌, 기대 이하의 성능 등 AI를 다루는 데 있어 많은 어려움이 있었습니다. 하지만 그 문제들을 해결하고 제어하여 결국 원하는 결과물을 만들어 내는 AI의 묘미를 느낄 수 있던 프로젝트였습니다. 또 그 과정에서 GPU 서버와 프론트엔드, 백엔드의 소통 방식을 배우고 알아가는 재미를 느낄 수 있었습니다. 이 프로젝트를 통해 AI 기술을 다루는 역량이 한 층 더 성장시킬 수 있어 좋았습니다.
이동복	BE, HW	기존 팀의 사정으로 중간에 팀에 합류하게 되었는데, 팀원 분들이 많이 도와주셔서 미약하지만 조금이나마 기여를 할 수 있어 다행이었다고 생각합니다. 한 달 남짓의 짧은 시간이었지만, 유능한 팀원들과 함께 프로젝트를 진행하며 많은 것을 배웠고, 덕분에 만족스러운 결과물이 나왔다고 생각합니다.