정밀 자동 피펫팅 기술은 현대 실험실 자동화 시스템의 핵심 구성 요소가 되었습니다. 피펫 팁의 품질 결함은 액체 흡수 및 배출 부피의 정확도에 직접적인 영향을 미쳐 피펫팅 용량 편차 및 정확도 저하 문제를 초래합니다. 또한, 피펫 팁은 반투명 폴리프로필렌 소재로 제작되어 결함이 크기가 작고 무작위로 분포하며 얕은 층 특성을 나타내고 기질과의 광학 대비가 낮아 결함 특성이 약하고 경계가 모호하여 전통적인 수작업 시각 검사 방법으로는 정확한 식별이 어렵습니다. 이러한 문제를 해결하기 위해 TIP-YOLO라는 피펫 팁 미세 결함 검출 모델을 제안하고 자동 피펫팅 장치에 적용하였습니다. 먼저 GrabCut을 통해 팁 결함을 정확하게 분할하고, Deep Image Blending을 이용해 분할된 결함 특성과 배경을 융합하여 다중 결함 클래스를 포함하는 고품질 데이터셋을 구성하였습니다. 이후 YOLOv8n의 넥 네트워크에 동적 업샘플링 모듈을 도입하여 픽셀 변위를 적응적으로 학습함으로써 미세 결함 경계의 세부 재구성 능력을 강화하였습니다. 마지막으로 적응 공간 특성 융합 4계층 검출 헤드를 설계하고 미세 결함 검출 전용 분기를 추가하여 다중 규모 특성 융합 효율과 공간 특성 포착 민감도를 향상시켰습니다. 실험 결과 TIP-YOLO 모델의 정밀도(P), 재현율(R), 평균 정밀도(mAP@0.5)는 각각 0.969, 0.971, 0.986으로 기준 모델 대비 각각 3.0%, 5.2%, 2.8% 향상되었습니다. 본 연구는 피펫 팁 결함 검출을 위한 효과적인 해결책을 제공하며 실험실 지능화 발전에 중요한 의의를 가집니다.

YOLO 모델; 결함 검출; 피펫 팁; 소형 물체 검출; 자동 피펫팅