이상 감지를 위한 비전 AI: 간략한 개요

비행기 날개의 아주 작은 균열, 약품에 잘못 인쇄된 라벨, 비정상적인 금융 거래도 감지하지 못하면 심각한 문제를 일으킬 수 있습니다. 모든 산업은 장애, 재정적 손실 또는 안전 위험을 예방하기 위해 위험 요소를 조기에 찾아내야 하는 과제에 직면해 있습니다.

구체적으로 이상 징후를 감지해야 합니다. 이상 탐지는 예상되는 동작과 일치하지 않는 패턴을 식별하는 데 중점을 둡니다. 이를 통해 자칫 간과할 수 있는 결함, 오류 또는 비정상적인 활동을 표시합니다. 기존 방식은 고정된 규칙으로 이러한 이상 징후를 찾지만, 속도가 느리고 복잡한 변형에 대응하기 어려운 경우가 많습니다. 이때 컴퓨터 비전이 중요한 역할을 합니다.

대규모 시각 데이터셋을 학습한 Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 기존 방식보다 이상 징후를 더 정확하게 감지할 수 있습니다.

이 문서에서는 비전 기반 이상 탐지가 작동하는 방식과 Ultralytics YOLO11이 어떻게 도움이 되는지 살펴보겠습니다.

이상 탐지가 필요한 이유#

컴퓨터 비전에서 이상 징후나 불규칙성은 일반적으로 이미지와 동영상에 나타나는 결함 또는 비정상적인 패턴을 의미합니다. 기업은 수년 동안 결함을 감지하기 위해 수동 검사나 규칙 기반 시스템에 의존해 왔습니다.

예를 들어 제약 제조에서 정제의 이상 징후로는 균열, 잘못된 모양, 변색 또는 각인 누락 등이 있으며, 이는 품질과 안전을 저해할 수 있습니다. 결함 제품이 소비자에게 전달되지 않도록 이러한 문제를 조기에 감지하는 것이 중요합니다. 그러나 수동 이상 탐지 방식은 속도가 느리고 일관성이 떨어지는 경우가 많으며, 실제 환경의 불규칙성이 지닌 복잡성을 처리하지 못할 수 있습니다.

그림 1. 제약 산업의 이상 탐지.

AI 기반 이상 감지는 대규모 데이터셋에서 패턴을 학습해 이러한 문제를 해결합니다. 고정된 규칙 기반 방식과 달리 AI 시스템은 새 데이터가 들어오면 재학습하고 개선할 수 있습니다.

Ultralytics YOLO11과 같은 고급 모델은 정밀도가 높은 실시간 이미지 분석을 지원하여 이상 탐지 성능을 높입니다. 비전 AI 시스템은 이미지에서 모양, 질감, 구조와 같은 세부 정보를 분석하므로 이상 징후를 빠르고 정확하게 찾아낼 수 있습니다.

컴퓨터 비전으로 이상 탐지를 구현하는 방법#

비전 AI 기반 이상 탐지 시스템은 먼저 카메라, 센서 또는 드론을 사용해 고품질 이미지나 동영상을 캡처합니다. 공장 생산 라인에서 결함 제품을 찾거나, 보안 구역에서 무단 침입자를 감지하거나, 공공장소에서 비정상적인 움직임을 식별하는 경우 모두 선명한 시각 데이터가 중요합니다.

수집한 이미지나 동영상에는 노이즈 제거, 대비 향상, 임계값 처리와 같은 이미지 처리 기법을 적용합니다. 이러한 전처리 단계는 배경 노이즈를 걸러내면서 비전 AI 모델이 중요한 세부 정보에 집중하도록 도와 보안 모니터링부터 의료 진단, 교통 관리까지 다양한 애플리케이션에서 정확도를 높입니다.

전처리 후에는 컴퓨터 비전을 사용해 이미지를 분석하고 비정상적인 요소를 식별할 수 있습니다. 이상 징후가 표시되면 시스템은 작업자에게 결함 제품을 제거하도록 알리거나, 보안 요원에게 잠재적 위협을 경고하거나, 교통 운영자에게 혼잡을 관리하도록 알리는 등의 경보를 발생시킬 수 있습니다.

그림 2. 비전 AI를 사용해 감지할 수 있는 결함의 예입니다.

Ultralytics YOLO11 기능을 활용한 이상 탐지#

Ultralytics YOLO11과 같은 컴퓨터 비전 모델이 이미지를 분석해 이상 징후를 감지하는 방법을 자세히 살펴보겠습니다.

Ultralytics YOLO11은 객체 감지, 이미지 분류, 인스턴스 세그멘테이션, 객체 추적, 포즈 추정과 같은 다양한 컴퓨터 비전 작업을 지원합니다. 이러한 작업을 활용하면 다양한 실제 애플리케이션에서 이상 탐지를 더 쉽게 수행할 수 있습니다.

예를 들어 객체 감지를 사용하면 조립 라인의 결함 제품, 제한 구역의 무단 침입자 또는 창고의 잘못 놓인 물품을 식별할 수 있습니다. 마찬가지로 인스턴스 세그멘테이션을 사용하면 기계의 균열이나 식품의 오염과 같은 이상 징후의 윤곽을 정밀하게 표시할 수 있습니다.

그림 3. Ultralytics YOLO11을 활용한 균열 세그멘테이션.

이상 탐지에 활용되는 컴퓨터 비전 작업의 다른 예는 다음과 같습니다.

• 객체 추적: 이동 패턴을 모니터링해 보안 위협을 감지하고, 교통 상황에서 차량의 이상 움직임을 추적하거나, 의료 분야에서 환자의 움직임을 평가하는 데 사용할 수 있습니다.
• 자세 추정: Ultralytics YOLO11은 비정상적인 신체 움직임을 감지해 작업장의 안전 위험을 식별하거나 의료 분야에서 재활 진행 상황을 추적할 수 있습니다.
• 방향성 바운딩 박스(OBB) 감지: 회전하거나 기울어진 객체를 정확하게 식별하고 위치를 파악해 이상 감지 성능을 높입니다. 따라서 항공 영상 분석, 자율주행, 산업 점검에 유용합니다.

Ultralytics YOLO11을 사용해야 하는 이유#

다양한 컴퓨터 비전 모델 중에서도 Ultralytics YOLO 모델은 속도와 정확도 면에서 두각을 나타냅니다. Ultralytics YOLOv5는 PyTorch 기반 프레임워크를 통해 배포를 간소화하여 더 많은 사용자가 쉽게 활용할 수 있도록 했습니다. 한편 Ultralytics YOLOv8은 인스턴스 세그멘테이션, 객체 추적, 포즈 추정과 같은 작업을 지원해 유연성을 한층 높이고 다양한 애플리케이션에 더 잘 적응하도록 했습니다.

작성 시점에 최신 버전이었던 YOLO11은 Ultralytics YOLO26이 후속 모델로 출시되기 전까지, 이전 모델보다 높은 정밀도와 성능을 제공했습니다. 예를 들어 YOLO11m은 YOLOv8m보다 파라미터 수가 22% 적으면서 COCO 데이터셋에서 더 높은 평균 정밀도(mAP)를 달성해 더 정확하고 효율적인 객체 감지를 지원합니다.

이상 탐지를 위한 Ultralytics YOLO11 커스텀 학습 방법#

이상 감지를 위해 Ultralytics YOLO11을 맞춤 학습하는 과정은 간단합니다. 특정 애플리케이션에 맞게 구성한 데이터셋을 사용하면 모델을 미세 조정해 이상을 정확하게 감지할 수 있습니다.

다음의 간단한 단계를 따라 시작해 보세요.

• 데이터셋 준비: 정상 샘플과 이상 샘플을 모두 포함한 고품질 이미지를 수집합니다. 모델이 더 잘 적응하도록 조명, 각도, 해상도의 다양한 변화를 포함해야 합니다. MVTec AD와 같은 공개 벤치마크는 산업 결함 분석을 시작하기에 유용합니다.
• 데이터 라벨링: 모델이 무엇을 찾아야 하는지 알 수 있도록 바운딩 박스, 분할 또는 키포인트를 사용해 이상을 표시합니다. 주석 도구를 사용하면 이 과정을 더 빠르고 쉽게 진행할 수 있습니다.
• 모델 학습: 모델은 여러 차례 학습을 거치며 실시간으로 정상 사례와 이상 사례를 식별하는 능력을 향상합니다.
• 테스트 및 검증: 학습에 사용하지 않은 새 이미지에 학습된 모델을 적용해 성능을 평가하고, 배포 전에 충분한 성능을 발휘하는지 확인합니다.

또한 이상 탐지 시스템을 구축할 때는 커스텀 학습이 실제로 필요한지 고려하는 것이 중요합니다. 경우에 따라서는 사전 학습된 모델만으로도 충분할 수 있습니다.

예를 들어 무단 횡단자를 감지해야 하는 교통 관리 시스템을 개발한다면, 사전 학습된 Ultralytics YOLO11 모델은 이미 사람을 높은 정확도로 감지할 수 있습니다. COCO 데이터셋에서 사람은 충분히 대표되는 카테고리이며 모델도 해당 데이터셋으로 사전 학습되었으므로 추가 학습이 필요하지 않습니다.

감지하려는 이상 징후나 객체가 COCO 데이터셋에 포함되지 않은 경우에는 커스텀 학습이 필수적입니다. 제조 분야의 희귀 결함, 이미지 속 특정 질환 또는 표준 데이터셋에 포함되지 않은 고유 객체를 식별해야 하는 애플리케이션이라면, 도메인별 데이터로 모델을 학습해야 성능과 정확도를 높일 수 있습니다.

비전 기반 이상 탐지의 실제 애플리케이션#

이상 탐지는 다양한 실제 애플리케이션을 아우르는 폭넓은 개념입니다. 몇 가지 사례를 살펴보며 컴퓨터 비전이 여러 산업에서 불규칙성을 식별하고 효율성을 높이며 의사 결정을 개선하는 방법을 알아보겠습니다.

제조 분야의 이상 탐지#

제조 분야의 컴퓨터 비전은 생산 라인에서 결함, 정렬 불량, 부품 누락을 찾아 높은 품질 기준을 유지하도록 지원합니다. 컴퓨터 비전 모델은 불량 제품을 즉시 표시하여 생산 라인의 다음 단계로 넘어가지 않도록 하고 폐기물을 줄일 수 있습니다. 원자재 결함, 포장 오류, 구조 부품의 강도 부족과 같은 문제를 조기에 감지하면 큰 비용이 드는 리콜과 재정적 손실을 방지할 수 있습니다.

이상 탐지는 품질 관리뿐 아니라 작업장 안전도 향상할 수 있습니다. 공장에서는 화재 위험으로 이어질 수 있는 열, 연기, 유해 배출물을 자주 다룹니다. 비전 AI 모델은 비정상적인 연기 패턴, 과열된 기계 또는 화재의 초기 징후까지 감지하여 사고가 발생하기 전에 제조업체가 조치를 취할 수 있도록 합니다.

그림 4. 화재와 연기 감지에 사용되는 컴퓨터 비전.

자동차 분야의 엣지 케이스 식별#

자동차 산업에서는 Ultralytics YOLO11과 같은 모델을 사용해 엔진, 제동 시스템, 변속기 구성 요소의 결함이 심각한 고장으로 이어지기 전에 감지할 수 있습니다. YOLO11이 객체 감지와 인스턴스 세그멘테이션을 지원하므로 수동 검사에서 놓칠 수 있는 이상 징후도 쉽게 정밀하게 식별할 수 있습니다.

자동차 산업의 이상 탐지 사례는 다음과 같습니다.

• 교통 이상 감지: 역주행 차량, 갑작스러운 차선 이탈, 제한 구역 무단 진입을 식별합니다.
• 운전자 행동 모니터링: 도로 안전을 높이기 위해 졸음운전, 주의 산만 행동, 불안정한 조향을 식별합니다.
• 자율주행 차량 안전: 보행자, 자전거 이용자, 예상치 못한 장애물을 감지해 충돌을 방지합니다.

전자제품의 이상 감지#

전자제품을 수동으로 검사하면 시간이 오래 걸리고 일관성이 떨어지며 사람의 실수가 발생하기 쉽기 때문에 마이크로칩, 회로 기판, 납땜 연결부의 결함을 놓칠 수 있습니다. 납땜 접합부의 균열이나 부품의 정렬 불량처럼 작은 결함도 신호 장애, 시스템 고장 또는 단락을 일으켜 기기의 신뢰성을 떨어뜨릴 수 있습니다.

Ultralytics YOLO11 기반 이상 감지를 사용하면 제조업체는 이 과정을 자동화하고 부품 정렬 불량, 납땜 결함, 전기적 결함 등의 문제를 기존 방식보다 훨씬 높은 정확도로 빠르게 식별할 수 있습니다. 예를 들어, 사람 검사자가 놓칠 수 있는 납땜 접합부의 미세한 틈도 YOLO11의 객체 감지 기능으로 쉽게 찾아낼 수 있습니다. Ultralytics Platform에는 YOLO26s를 기반으로 미세 조정한 PCB 결함 감지 모델도 호스팅되어 있습니다.

핵심 요점#

산업 전반에서 컴퓨터 비전 기반 이상 감지를 도입함에 따라 Ultralytics YOLO11과 같은 모델은 품질 유지, 안전성 향상, 운영 위험 감소에 필수적인 요소가 되고 있습니다.

제조업부터 농업까지, AI 기반 이상 감지는 정확도를 높이고 검사를 신속하게 수행하며 사람의 실수를 최소화할 수 있습니다. 앞으로 AI가 발전하면 이상 감지의 정밀도도 더욱 높아질 것으로 예상됩니다.

성장 중인 커뮤니티에 참여하세요! AI에 대해 자세히 알아보려면 GitHub 리포지토리를 살펴보세요. 컴퓨터 비전 프로젝트를 시작할 준비가 되셨나요? 라이선스 옵션을 확인하세요. 솔루션 페이지를 방문하여 농업 분야의 AI와 의료 분야의 비전 AI를 알아보세요!