Vision AI 애플리케이션을 위한 다양한 데이터 유형 탐색

과거에는 드론과 같은 기술이 제한적이었으며 연구원이나 전문가만 접근할 수 있었지만, 오늘날에는 최첨단 하드웨어를 더 많은 사람이 쉽게 접할 수 있게 되었습니다. 이러한 변화는 우리가 시각적 데이터를 수집하는 방식을 바꾸고 있습니다. 기술에 대한 접근성이 높아짐에 따라 이제 전통적인 카메라를 넘어 다양한 소스에서 이미지와 영상을 캡처할 수 있게 되었습니다.

동시에 인공지능(AI)의 한 분야인 computer vision을 통해 구현되는 이미지 분석은 급격히 진화하여 기계가 시각적 데이터를 더 효과적으로 해석하고 처리할 수 있게 합니다. 이러한 발전은 자동화, 객체 감지, 실시간 분석을 위한 새로운 가능성을 열어주었습니다. 이제 기계는 패턴을 인식하고, 움직임을 추적하며, 복잡한 시각적 입력을 이해할 수 있습니다.

visual data의 몇 가지 주요 유형에는 객체 인식을 위해 일반적으로 사용되는 RGB(빨강, 초록, 파랑) 이미지, 저조도 환경에서 열 신호를 감지하는 데 도움이 되는 열화상, 그리고 기계가 3D 환경을 이해할 수 있게 해주는 깊이 데이터가 포함됩니다. 이러한 각 데이터 유형은 감시부터 medical imaging에 이르기까지 vision AI의 다양한 응용 프로그램을 구동하는 데 중요한 역할을 합니다.

이 글에서는 시각 AI에 사용되는 주요 시각적 데이터 유형을 살펴보고, 각 데이터가 다양한 산업 전반에서 정확도, 효율성 및 성능을 향상시키는 데 어떻게 기여하는지 알아보겠습니다. 시작해 봅시다!

가장 일반적인 AI 이미지 및 영상 데이터셋 유형#

일반적으로 스마트폰으로 사진을 찍거나 CCTV 영상을 볼 때, 우리는 RGB 이미지를 다루고 있습니다. RGB는 빨강, 초록, 파랑을 의미하며, 디지털 이미지에서 시각 정보를 나타내는 세 가지 색상 채널입니다.

RGB 이미지와 영상은 컴퓨터 비전에서 사용되는 밀접하게 관련된 시각적 데이터 유형으로, 모두 표준 카메라를 사용하여 캡처됩니다. 핵심적인 차이점은 이미지는 단일 순간을 포착하고, 영상은 시간이 지남에 따라 상황이 어떻게 변하는지를 보여주는 프레임의 연속이라는 점입니다.

RGB 이미지는 일반적으로 Ultralytics YOLO11과 같은 모델의 지원을 받아 객체 감지, 인스턴스 세분화, 포즈 추정 같은 computer vision tasks에 사용됩니다. 이러한 응용 프로그램은 단일 프레임 내에서 패턴, 모양 또는 특정 특징을 식별하는 데 의존합니다.

반면에 비디오는 제스처 인식, 감시, 행동 추적 등 움직임이나 시간이 요소가 될 때 필수적입니다. 비디오는 일련의 이미지로 간주할 수 있으므로, Ultralytics YOLO11과 같은 컴퓨터 vision 모델은 시간 경과에 따른 움직임과 행동을 이해하기 위해 프레임 단위로 처리합니다.

예를 들어, Ultralytics YOLO11은 RGB 이미지나 비디오를 분석하여 농경지의 잡초를 감지하고 작물을 카운트하는 데 사용할 수 있습니다. 이는 작물 모니터링을 향상시키고 재배 주기에 따른 변화를 추적하여 보다 효율적인 농장 관리를 돕습니다.

Fig 1. YOLO11은 더 스마트한 작물 모니터링을 위해 식물을 감지하고 셀 수 있습니다.

시각 AI에서의 깊이 데이터: LiDAR 및 3D 인식#

깊이 데이터는 객체가 카메라나 센서로부터 얼마나 떨어져 있는지를 나타냄으로써 시각 정보에 세 번째 차원을 추가합니다. 색상과 텍스처만 capture color하는 RGB 이미지와 달리, 깊이 데이터는 공간적 맥락을 제공합니다. 이는 객체와 카메라 사이의 거리를 보여주어 장면의 3D 레이아웃을 해석할 수 있게 합니다.

이러한 유형의 데이터는 LiDAR, 스테레오 비전(인간의 깊이 인식을 모방하기 위해 두 개의 카메라를 사용), 그리고 Time-of-Flight(빛이 객체에 도달했다가 돌아오는 시간을 측정) 카메라와 같은 기술을 사용하여 캡처됩니다.

이 중 LiDAR(Light Detection and Ranging)는 깊이 측정에 있어 가장 신뢰할 수 있는 경우가 많습니다. LiDAR는 빠른 레이저 펄스를 발사하고 다시 돌아오는 데 걸리는 시간을 측정하는 방식으로 작동합니다. 그 결과는 실시간으로 객체의 모양, 위치 및 거리를 강조하는 포인트 클라우드라는 고정밀 3D 맵입니다.

시각 AI 시스템에서 점점 커지는 LiDAR의 역할#

LiDAR 기술은 특정 애플리케이션 및 환경을 위해 설계된 두 가지 주요 유형으로 나눌 수 있습니다. 두 유형을 자세히 살펴보겠습니다.

• 공중 라이다(Airborne LiDAR): 대규모 지역 매핑에 주로 사용되는 공중 라이다 스캐너는 drones이나 항공기에 장착되어 대규모 지형 매핑을 위한 고해상도 데이터를 수집합니다. 지형, 삼림, 풍경을 측량하는 데 이상적입니다.
• 지상 LiDAR: 이 유형의 LiDAR 데이터는 인프라 모니터링, 건설, 실내 매핑과 같은 애플리케이션을 위해 차량이나 고정 플랫폼에 장착된 센서에서 수집됩니다. 더 작고 국소적인 영역에 대해 매우 상세한 데이터를 제공하므로 도시 계획이나 특정 구조물 조사와 같은 작업에 유용합니다.

라이다 데이터의 영향력 있는 응용 분야는 autonomous vehicles로, 차선 감지, 충돌 회피, 주변 객체 식별 등의 작업에서 핵심적인 역할을 합니다. 라이다는 환경의 상세한 실시간 3D 맵을 생성하여 차량이 객체를 보고, 거리를 계산하며, 안전하게 주행할 수 있도록 합니다.

Fig 2. LiDAR 기술은 자율주행 차량이 깊이를 매핑하고 객체를 탐지할 수 있도록 합니다.

AI 애플리케이션에서의 열화상 및 적외선 데이터 활용#

RGB 이미지는 가시광선 스펙트럼에서 우리가 보는 것을 포착하지만, 열화상 및 적외선 이미징과 같은 다른 이미징 기술은 이를 넘어섭니다. 적외선 이미징은 객체에서 방출되거나 반사되는 적외선을 포착하므로 저조도 환경에서 유용합니다.

이와 대조적으로 열화상 이미지는 객체에서 방출되는 열을 감지하고 온도 차이를 보여주므로 완전한 어둠 속에서도 또는 연기, 안개 및 기타 장애물을 통과하여 작동할 수 있습니다. 이러한 데이터 유형은 특히 온도 변화가 잠재적인 문제를 알릴 수 있는 산업 분야에서 모니터링 및 문제 탐지에 매우 유용합니다.

흥미로운 예로, 과열 징후가 있는지 electrical components을 모니터링하는 데 열화상이 사용되는 경우가 있습니다. 온도 차이를 감지함으로써 열화상 카메라는 장비 고장, 화재 또는 비용이 많이 드는 손상으로 이어지기 전에 문제를 식별할 수 있습니다.

Fig 3. 전기 부품을 모니터링하는 데 열화상이 사용되는 예시.

마찬가지로 적외선 이미지는 가스나 액체의 누출을 나타내는 온도 차이를 식별하여 파이프라인이나 단열재의 누출을 감지하는 데 도움을 줄 수 있으며, 이는 위험한 상황을 방지하고 에너지 효율을 향상시키는 데 매우 중요합니다.

AI에서의 다중 스펙트럼 및 하이퍼스펙트럼 이미징#

적외선 및 열화상 이미징이 전자기 스펙트럼의 특정 측면을 포착하는 반면, 다중 스펙트럼 이미징은 건강한 식생 탐지나 표면 재질 식별과 같이 특정 목적을 위해 선택된 몇 가지 파장 범위의 빛을 수집합니다.

하이퍼스펙트럼 이미징은 수백 개의 매우 좁고 연속적인 파장 범위에 걸쳐 빛을 포착함으로써 한 단계 더 나아갑니다. 이는 이미지의 각 픽셀에 대한 상세한 빛 서명을 제공하여 관찰 대상 물질에 대해 훨씬 더 깊은 이해를 제공합니다.

Fig 4. 다중 분광 및 초분광 이미징 비교.

다중 스펙트럼 및 하이퍼스펙트럼 이미징 모두 특수 센서와 필터를 사용하여 서로 다른 파장의 빛을 포착합니다. 그 후 데이터는 스펙트럼 큐브라고 하는 3D 구조로 정리되며, 각 레이어는 서로 다른 파장을 나타냅니다.

AI 모델은 이 데이터를 분석하여 일반 카메라나 인간의 눈으로는 볼 수 없는 특징을 감지할 수 있습니다. 예를 들어, plant phenotyping에서 초분광 이미징은 영양 결핍이나 스트레스와 같은 잎이나 줄기의 미세한 변화를 감지하여 식물의 건강과 성장을 모니터링하는 데 사용할 수 있습니다. 이를 통해 연구자들은 침습적인 방법 없이도 식물의 건강을 평가하고 농업 관행을 최적화할 수 있습니다.

AI를 사용한 레이더 및 소나 이미징 분석#

레이더 및 소나 이미징은 LiDAR와 유사하게 신호를 보내고 반사를 분석하여 객체를 탐지하고 매핑하는 기술입니다. 빛 파동에 의존하여 시각 정보를 포착하는 RGB 이미징과 달리, 레이더는 전자기파(일반적으로 전파)를 사용하고 소나는 음파를 사용합니다. 레이더 및 소나 시스템 모두 펄스를 방출하고 신호가 객체로부터 다시 반사되어 돌아오는 데 걸리는 시간을 측정하여 객체의 거리, 크기 및 속도에 대한 정보를 제공합니다.

레이더 이미징은 안개, 비 또는 야간과 같이 시야가 좋지 않을 때 특히 유용합니다. 빛에 의존하지 않기 때문에 완전한 어둠 속에서도 항공기, 차량 또는 지형을 탐지할 수 있습니다. 이는 항공, 날씨 모니터링 및 자율주행 내비게이션 분야에서 레이더를 신뢰할 수 있는 선택지로 만듭니다.

이에 비해 소나(음파 탐지) 이미징은 빛이 닿지 않는 수중 환경에서 일반적으로 사용됩니다. 물을 통과하여 수중 물체에 부딪혀 반사되는 음파를 사용하여 잠수함 탐지, 해저 매핑, 수중 구조 임무 수행이 가능합니다. computer vision의 발전으로 이제 소나 데이터와 지능형 분석을 결합하여 underwater detection을 더욱 향상시키고 감지 및 의사 결정을 개선할 수 있게 되었습니다.

그림 5. SONAR 시스템이 초음파 펄스를 사용하여 해저 깊이를 측정하는 방법. (출처: bbc.co.uk)

AI 모델 학습을 위한 합성 및 시뮬레이션 시각 데이터#

지금까지 논의한 다양한 데이터 유형은 현실 세계에서 수집할 수 있는 것들이었습니다. 그러나 합성 및 시뮬레이션된 시각적 데이터는 모두 인공 콘텐츠의 유형입니다. 합성 데이터는 3D modeling이나 생성형 AI를 사용하여 처음부터 생성되어 사실적인 이미지나 비디오를 만들어냅니다.

Fig 6. 합성 생성된 이미지 살펴보기.

시뮬레이션 데이터는 유사하지만 빛 반사, 그림자 형성, 객체 움직임을 포함하여 실제 세계가 어떻게 작동하는지 복제하는 가상 환경을 생성하는 것을 포함합니다. 모든 시뮬레이션 시각 데이터는 합성 데이터이지만, 모든 합성 데이터가 시뮬레이션 데이터인 것은 아닙니다. 핵심적인 차이점은 시뮬레이션 데이터는 단순히 외형뿐만 아니라 현실적인 동작을 복제한다는 점입니다.

이러한 데이터 유형은 실제 데이터를 수집하기 어렵거나 특정하고 드문 상황을 시뮬레이션해야 할 때 computer vision models을 학습시키는 데 유용합니다. 개발자는 전체 장면을 생성하고, 객체 유형, 위치, 조명을 선택하며, 학습을 위해 경계 박스와 같은 레이블을 자동으로 추가할 수 있습니다. 이를 통해 비용이 많이 들고 시간이 오래 걸릴 수 있는 실제 사진이나 수동 레이블 지정 없이도 크고 다양한 데이터셋을 빠르게 구축할 수 있습니다.

예를 들어, 의료 분야에서 합성 데이터는 실제 이미지의 대규모 데이터셋을 수집하고 레이블을 지정하기 어려운 유방암 세포를 세그멘테이션하도록 모델을 학습시키는 데 사용될 수 있습니다. 합성 및 시뮬레이션 데이터는 실제 시각적 자료가 제한적인 격차를 메우며 유연성과 제어력을 제공합니다.

AI 애플리케이션을 위한 적절한 시각 데이터 유형 선택#

이제 다양한 유형의 시각 데이터가 어떻게 작동하고 어떤 역할을 하는지 살펴보았으니, 특정 작업에 가장 적합한 데이터 유형을 자세히 살펴보겠습니다.

• RGB 이미지: image classification 및 객체 감지와 같은 일반적인 computer vision task에 완벽합니다. 색상과 텍스처를 캡처하지만 저조도나 시야가 좋지 않은 어려운 조건에서는 한계가 있습니다.
• LiDAR 이미징: 이 유형의 이미징은 레이저 펄스를 사용하여 고정밀 3D 매핑을 제공합니다. 로봇 공학, 자율주행 차량, 인프라 검사 등 정확한 거리 측정이 필요한 애플리케이션에 적합합니다.
• 열화상 이미징: 온도 차이를 감지할 수 있으므로 야간 모니터링, 소방, 기계 및 건물 내부의 열 누출 탐지와 같은 가시성이 낮은 조건에서 유용합니다.
• 다중 스펙트럼 및 하이퍼스펙트럼 이미징: 농업 모니터링, 제약 품질 관리 또는 원격 감지와 같은 상세한 물질 분석이 필요한 작업에 유용합니다. 이러한 방법은 가시광선을 넘어 넓은 파장 범위에 걸쳐 데이터를 캡처함으로써 더 깊은 통찰력을 제공합니다.
• 레이더 및 소나 이미징: 가시성이 낮은 환경에서 선호됩니다. 레이더는 전파를 사용하며 항공 및 내비게이션에 도움이 되고, 소나는 음파를 사용하여 수중 탐지를 수행합니다.
• 합성 및 시뮬레이션된 시각적 데이터: 실제 데이터가 제한적이거나 사용할 수 없거나 레이블을 지정하기 어려울 때 training AI models에 이상적입니다. 이러한 인공 시각 자료는 드문 이벤트나 안전이 중요한 조건과 같은 복잡한 시나리오를 위한 다양한 데이터셋을 구축하는 데 도움이 됩니다.

때때로 단일 데이터 유형만으로는 실제 상황에서 충분한 정확도나 맥락을 제공하지 못할 수 있습니다. 이것이 바로 멀티모달 센서 융합이 중요한 이유입니다. RGB를 열화상, 깊이 또는 LiDAR와 같은 다른 데이터 유형과 결합함으로써 시스템은 개별적인 한계를 극복하여 신뢰성과 적응성을 향상시킬 수 있습니다.

예를 들어, warehouse automation에서 객체 인식을 위해 RGB를 사용하고, 거리 측정을 위해 깊이를 사용하며, 과열되는 장비를 감지하기 위해 열화를 사용하면 작업이 더욱 효율적이고 안전해집니다. 궁극적으로 가장 좋은 결과는 애플리케이션의 특정 요구 사항에 따라 데이터 유형을 선택하거나 결합하는 것에서 나옵니다.

핵심 요약#

시각 AI 모델을 구축할 때 적절한 유형의 시각 데이터를 선택하는 것은 매우 중요합니다. 객체 탐지, 세그멘테이션, 동작 추적과 같은 작업은 알고리즘뿐만 아니라 입력 데이터의 품질에도 의존합니다. 깨끗하고 다양하며 정확한 데이터셋은 노이즈를 줄이고 성능을 향상시키는 데 도움이 됩니다.

RGB, 깊이, 열화상 및 LiDAR와 같은 데이터 유형을 결합함으로써 AI 시스템은 환경에 대한 보다 완전한 관점을 확보하여 다양한 조건에서 더욱 신뢰할 수 있게 됩니다. 기술이 계속 발전함에 따라, 시각 AI는 더욱 빠르고 적응력이 뛰어나며 여러 산업 전반에 걸쳐 영향력을 발휘하게 될 것입니다.

computer vision에 대해 더 알아보려면 community에 가입하고 GitHub repository를 살펴보세요. 솔루션 페이지에서 AI in healthcare 및 computer vision in retail와 관련된 다양한 응용 프로그램을 찾아보세요. vision AI를 시작하려면 licensing options을 확인해 보세요.