MANU HUB 검색
총 21건
업종
목적
유형
정렬
바이오
소프트 렌즈 불량 학습 데이터 셋
JPG
Soft 검사 공정에서 렌즈 상태를 비전 검사기로 촬영한 이미지 데이터셋으로, 작업자가 수동으로 판별하던 불량 유형을 AI가 자동 식별할 수 있도록 학습용으로 구축한 데이터로 패턴과 색상 불량 유형을 포함하여 공정의 품질검사 자동화에 활용할 수 있습니다.
식품
식품 포장용기 외관 비전 검사를 위한 5종 분류 이미지 데이터셋 (13,369건)
PNG
육안 검사에 의존하던 식품 포장용기 외관 검사를 자동화하기 위해 구축된 데이터셋입니다. 미세 이물 검출 및 불량을 정상으로 오판하는 '언더킬(under-kill)' 최소화에 초점을 맞췄습니다. 본 데이터셋으로 학습된 2단 Cascade 모델(YOLO11m-cls + YOLO11m)은 독립 현장 평가셋에서 불량 검출률 99.62~99.74%, Macro F1 96.11~98.54%, 추론 속도 약 90ms를 기록했습니다. 실제 현장의 클래스 불균형, 조명 변화, 미세 이물 조건이 반영되어 있어 산업용 머신비전 모델 연구 및 실증에 유용합니다.
식품
제품분류, OCR, 바코드디코딩 데이터셋, 모델
JPG
.
식품
이화학,미생물 검사 결과 AI예측 솔루션 데이터셋
CSV
신규 제품 개발 시, 이전 제품 레시피 정보와 이화학·미생물 분석 데이터를 통합 분석하여 식품위해요소 발생 가능성을 사전 예측·차단하는 AI 솔루션
기타
펄프몰드 계란판 건조공정 온도 예측·이상탐지·품질분류 통합 데이터셋 (시계열 4,716,207건 + OFAT 실험 1,000건)
CSV
건조공정 온도 예측·이상탐지·품질분류 AI 솔루션 개발을 위한 학습 데이터셋입니다. [이상탐지] 1단계 회귀모델이 1초 후 실측 온도를 예측하고 잔차가 ±3σ를 초과하면 이상으로 플래그, 2단계 분류모델이 30분 윈도우 내 이상 포인트 비율 5% 이상을 설비 이상(NG)으로 판정합니다(정상 9,324 / 이상 579 윈도우). [품질분류] OFAT 실험 데이터로 설정온도 변화가 제품 규격(치수 298×297×49±2mm, 건조무게 75~77g, 건조율 95~98%)에 미치는 영향을 학습해 양불을 예측합니다(양품 757 / 불량품 243). 원시 5,312,483건을 정제·전처리한 데이터이며, 이상탐지용 train/val/test.csv와 품질분류용 ofat_data.csv로 제공됩니다.
식품
외관 검사 / OCR 검사
BMP
본 과제는 OCR 및 컴퓨터 비전 기술을 활용하여 파우치 포장재의 씰링 상태, 문자 인식, 품질 검사를 실시간으로 수행하는 AI 기반 자동화 시스템 개발을 목표로 합니다.
제지
청주공장 회전체 설비 IoT 센서 시계열 데이터셋 (진동·온도·전력)
CSV
기존 사후 대응 중심의 설비 보전을 예지 보전 체계로 전환하기 위해 구축한 회전체 설비 상태 모니터링 데이터셋. 벽지 제조 공정의 냉각팬 베어링, 주요 공정 구동모터, 유틸리티 설비 모터에서 수집한 진동·온도·전력 데이터로 구성. 정상 운전 데이터만으로 이상 징후를 탐지할 수 있어, 고장 데이터 확보가 어려운 회전체 설비 환경에 적합하며, 설비 상태 진단 및 예지 보전 모델 개발에 활용 가능.
식품
골뱅이 원료 품질검사용 정상·불량 이미지 데이터셋
JPG
식품 제조 현장의 원료 선별·상태 검사 공정에서 골뱅이 원료의 외관 불량을 자동 검출하기 위해 구축한 데이터셋이다. 컨베이어 위를 이동하는 골뱅이 원료를 고정 카메라로 촬영한 이미지와, 불량 부위의 위치를 표시한 라벨(YOLO 형식)로 구성된다. 단일 클래스(불량 ng)로 라벨링되어 있으며, 정상 원료는 라벨이 없는 배경 이미지로 포함된다. 원본 이미지에 좌우·상하 반전 및 회전 증강을 적용하되 중복 이미지를 제거하여 학습용 데이터의 다양성을 확보하였다. 학습용(train) 11,106장과 검증용(val) 534장으로 구성된다.
제지
압출 공정 원단 두께 예측을 위한 설비 IoT·두께 실측 시계열 데이터 (PS 발포시트, 25만 건)
CSV
사후에만 확인 가능했던 압출 원단의 두께 이탈을 사전에 예측·제어하기 위해 구축된 데이터셋입니다. 다이 립 갭 변수를 고려하여 절대 두께가 아닌 변화량(ΔT)을 예측하도록 설계되었습니다. 본 데이터셋으로 학습된 분위수 XGBoost 모델은 MAPE 0.574%, R² 0.9936을 달성했으며, 현장 적용 후 공정능력지수(Cpk)가 0.985에서 1.154로 17.2% 향상되었습니다. 프리즈 행, 스파이크 등 40%에 달하던 원시 로그의 데이터 품질 이슈를 10단계 정제 파이프라인으로 완벽히 정제하여 시계열 회귀 및 이상 감지 AI 모델 연구에 바로 활용 가능합니다.
기타
재생펠릿 공정 IoT 시계열 데이터셋 및 주파수별 생산량·전력효율 예측·추천 AI 모델
CSV
본 결과물은 재활용 원료와 같이 성상이 일정하지 않은 비정형 원료 공정에서 영상(CCTV) 없이 수치형 센서 데이터만으로 생산량과 전력효율을 예측·제어할 수 있는지를 검증한 PoC 성과물입니다. 발생 주기와 통신 방식이 서로 다른 5종 데이터원을 동일 시간축으로 정렬한 전처리 결과를 포함하고 있어 이종 데이터 통합 사례로 활용할 수 있습니다. 본 결과물은 「지역특화 제조데이터 활성화 사업」의 지원을 통해 개발되었습니다.