제품 품질 관리(product quality management)는 공장 제조에서 중요한 공정이다. 그러나 이러한 접근 방식은 여전히 몇 가지 한계가 있는데, 예를 들어 제품을 평가하는 데 있어 엔지니어의 전문성에 의존해야 하며 시간이 많이 소요된다는 점이 있다. 이러한 한계를 극복하기 위해 생산 중 자동 결함 탐지 및 분류를 목적으로 한 딥러닝을 활용하는 다양한 접근법들이 제안되었다. 본 논문에서는 충전식 배터리에 사용되는 마이크로 패스너(microfasteners)의 표면에 존재하는 스크래치를 탐지하기 위해 서로 다른 딥러닝 접근법과 컴퓨터 비전 방법을 적용하는 것을 연구한다. 또한 제품 품질의 효율성과 정확도를 지속적으로 향상시키기 위해 통계적 품질관리(statistical quality control, SQC)를 포함하는 아키텍처를 제안한다. 제안된 아키텍처는 딥러닝 접근법, 컴퓨터 비전 기법, 그리고 SQC의 역량을 활용하여 결함 탐지 공정 및 품질 개선을 자동화한다. 제안된 접근법은 한국의 한 공장에서 획득한 1150장의 마이크로 패스너 표면 이미지로 구성된 실제 데이터셋을 사용하여 평가하였다. 본 연구에서는 마이크로 패스너 표면의 스크래치를 예측하기 위한 직접 예측(direct prediction) 및 간접 예측(indirect prediction) 방법을 비교하였으며, 간접 예측 접근법을 통해 정확도 0.91의 최상의 성능을 달성하였다. 특히 간접 예측 방법은 전통적인 방법보다 더 효율적이었다. 또한 SQC에서 관리도(control chart)를 사용하여 생산 공정에서 예측된 결함을 분석하면 작업자들이 생산 라인의 효율을 이해하고 제조 공정에서 적절한 의사결정을 내릴 수 있어, 결과적으로 제품 품질 관리가 향상되는 데 도움이 되는 것으로 나타났다.