이상 감지를 위한 비전 AI: 빠른 개요

비행기 날개의 작은 균열, 약품에 잘못 인쇄된 라벨 또는 비정상적인 금융 거래는 감지하지 못한 채 방치할 경우 심각한 문제를 일으킬 수 있습니다. 모든 산업은 장애, 재정적 손실 또는 안전 위험을 방지하기 위해 위험한 문제를 조기에 찾아내야 하는 과제에 직면해 있습니다.

구체적으로는 이상을 감지해야 합니다. 이상 감지는 예상되는 동작과 일치하지 않는 패턴을 식별하는 데 중점을 둡니다. 이를 통해 결함, 오류 또는 불규칙한 활동을 표시하여 그렇지 않으면 발견되지 않을 수 있는 문제를 찾아냅니다. 기존 방법은 고정된 규칙에 의존해 이러한 이상을 찾지만, 속도가 느리고 복잡한 변화에 대응하는 데 어려움이 있습니다. 이때 컴퓨터 비전이 중요한 역할을 합니다.

대규모 시각 데이터셋을 학습한 Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 기존 방법보다 불규칙성을 더 정확하게 감지할 수 있습니다.

이 글에서는 비전 기반 이상 감지가 작동하는 방식과 Ultralytics YOLO11이 어떻게 도움을 줄 수 있는지 살펴봅니다.

이상 감지가 필요한 이유#

컴퓨터 비전에서 이상 또는 불규칙성은 일반적으로 이미지와 동영상에 결함이나 비정상적인 패턴으로 나타납니다. 기업은 수년 동안 결함을 감지하기 위해 수동 검사나 규칙 기반 시스템에 의존해 왔습니다.

예를 들어 제약 제조에서 정제의 이상에는 균열, 잘못된 형태, 변색 또는 각인 누락 등이 포함될 수 있으며, 이는 품질과 안전을 저해할 수 있습니다. 결함 제품이 소비자에게 전달되는 것을 방지하려면 이러한 결함을 조기에 감지하는 것이 매우 중요합니다. 그러나 수동 이상 감지 방법은 속도가 느리고 일관성이 부족하며 실제 환경의 불규칙성이 지닌 복잡성을 처리하지 못하는 경우가 많습니다.

그림 1. 제약 산업의 이상 감지.

AI 기반 이상 감지는 방대한 데이터셋에서 학습하여 시간이 지남에 따라 패턴을 인식하는 능력을 지속적으로 향상함으로써 이러한 문제를 해결합니다. 고정된 규칙 기반 방법과 달리 AI 시스템은 시간이 지남에 따라 학습하고 개선될 수 있습니다.

Ultralytics YOLO11과 같은 고급 모델은 높은 정밀도로 실시간 이미지 분석을 지원하여 이상 감지 성능을 향상합니다. Vision AI 시스템은 이미지에서 형태, 질감, 구조와 같은 세부 정보를 분석할 수 있으므로 불규칙성을 빠르고 정확하게 찾아낼 수 있습니다.

컴퓨터 비전이 이상 감지를 지원하는 방식#

Vision AI 기반 이상 감지 시스템은 먼저 카메라, 센서 또는 드론을 사용하여 고품질 이미지나 동영상을 캡처합니다. 공장 라인에서 결함 제품을 찾거나, 보안 구역에서 무단 침입자를 감지하거나, 공공장소에서 비정상적인 움직임을 식별할 때 모두 선명한 시각 데이터가 핵심입니다.

수집된 이미지나 동영상에는 이미지 처리 기법인 노이즈 감소, 대비 향상, 임계값 처리 등이 적용됩니다. 이러한 전처리 단계는 배경 노이즈를 필터링하면서 Vision AI 모델이 중요한 세부 정보에 집중하도록 지원하고, 보안 모니터링부터 의료 진단과 교통 제어에 이르기까지 다양한 애플리케이션에서 정확도를 높입니다.

전처리 후 컴퓨터 비전을 사용하여 이미지를 분석하고 비정상적인 요소를 식별할 수 있습니다. 이상이 표시되면 시스템은 작업자에게 결함 제품을 제거하도록 알리거나, 보안 요원에게 잠재적 위협을 경고하거나, 교통 운영자에게 혼잡을 관리하도록 알리는 등의 경고를 트리거할 수 있습니다.

그림 2. Vision AI를 사용하여 감지할 수 있는 결함의 예.

Ultralytics YOLO11의 기능을 활용한 이상 감지#

Ultralytics YOLO11과 같은 컴퓨터 비전 모델이 이미지를 분석하여 이상을 감지하는 방식을 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 감지를 더 간단하게 수행할 수 있습니다.

예를 들어 객체 감지를 사용하여 조립 라인의 결함 제품, 제한 구역의 무단 출입자 또는 창고에서 잘못 배치된 물품을 식별할 수 있습니다. 마찬가지로 인스턴스 세그멘테이션을 사용하면 기계의 균열이나 식용 제품의 오염과 같은 이상을 정밀하게 윤곽선으로 표시할 수 있습니다.

그림 3. Ultralytics YOLO11을 활용한 균열 세그멘테이션.

이상 감지에 사용되는 컴퓨터 비전 작업의 다른 예는 다음과 같습니다.

• 객체 추적: 움직임 패턴을 모니터링하여 보안 위협을 감지하고, 교통 상황에서 차량 이상을 추적하거나, 의료 환경에서 환자의 움직임을 평가하는 데 사용할 수 있습니다.
• 포즈 추정: Ultralytics YOLO11은 비정상적인 신체 움직임을 감지하여 작업장의 안전 위험을 식별하거나 의료 환경에서 재활 진행 상황을 추적할 수 있습니다.
• 방향성 바운딩 박스(OBB) 감지: 회전하거나 기울어진 객체를 정확하게 식별하고 위치를 지정하여 이상 감지 성능을 향상하므로 항공 이미지 분석, 자율주행, 산업 검사용으로 유용합니다.

Ultralytics YOLO11을 사용해야 하는 이유#

다양한 컴퓨터 비전 모델 중 Ultralytics YOLO 모델은 속도와 정확도 측면에서 돋보입니다. Ultralytics YOLOv5는 PyTorch 기반 프레임워크를 통해 배포를 간소화하여 더 다양한 사용자가 쉽게 활용할 수 있도록 했습니다. 한편 Ultralytics YOLOv8은 인스턴스 세그멘테이션, 객체 추적, 포즈 추정과 같은 작업을 지원하여 유연성을 더욱 향상했으며, 다양한 애플리케이션에 더 쉽게 적용할 수 있도록 했습니다.

최신 버전인 YOLO11은 이전 버전보다 뛰어난 정밀도와 성능을 제공합니다. 예를 들어 YOLOv8m보다 파라미터 수가 22% 적은 YOLO11m은 COCO 데이터셋에서 더 높은 평균 정밀도(mAP)를 달성하므로, 더욱 정밀하고 효율적인 객체 감지가 가능합니다.

이상 감지를 위해 Ultralytics YOLO11을 커스텀 학습하는 방법#

이상 감지를 위한 Ultralytics YOLO11 커스텀 학습은 간단하고 쉽게 수행할 수 있습니다. 특정 애플리케이션에 맞게 구성된 데이터셋을 사용하면 모델을 파인튜닝하여 이상을 정확하게 감지할 수 있습니다.

시작하려면 다음의 간단한 단계를 따르세요.

• 데이터셋 준비: 정상 샘플과 이상 샘플이 모두 포함된 고품질 이미지를 수집합니다. 모델이 더 잘 적응할 수 있도록 조명, 각도, 해상도의 변화를 포함해야 합니다.
• 데이터 라벨링: 모델이 무엇을 찾아야 하는지 학습할 수 있도록 바운딩 박스, 세그멘테이션 또는 키포인트를 사용하여 이상을 표시합니다. 오픈 소스 도구를 사용하면 이 과정을 더 빠르고 쉽게 수행할 수 있습니다.
• 모델 학습: 모델은 여러 학습 사이클을 거치면서 실시간으로 정상 사례와 이상 사례를 식별하는 능력을 향상합니다.
• 테스트 및 검증: 학습된 모델을 새롭고 학습에 사용되지 않은 이미지에 실행하여 성능을 평가하고, 배포 전에 제대로 작동하는지 확인합니다.

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

예를 들어 교통 관리 시스템을 개발하면서 감지해야 하는 이상이 무단 횡단 보행자라면, 사전 학습된 Ultralytics YOLO11 모델이 이미 사람을 높은 정확도로 감지할 수 있습니다. "person"은 COCO 데이터셋에서 충분히 대표되는 카테고리이며 해당 데이터셋으로 사전 학습되었으므로 추가 학습이 필요하지 않습니다.

감지해야 하는 이상이나 객체가 COCO 데이터셋에 포함되지 않은 경우에는 커스텀 학습이 필수적입니다. 애플리케이션에서 제조 과정의 희귀한 결함, 이미지 속 특정 의학적 상태 또는 표준 데이터셋에 포함되지 않은 고유한 객체를 식별해야 한다면, 도메인별 데이터로 모델을 학습하는 것이 더 나은 성능과 정확도를 보장합니다.

Vision AI 기반 이상 감지의 실제 애플리케이션#

이상 감지는 다양한 실제 애플리케이션을 포괄하는 광범위한 개념입니다. 몇 가지 사례를 살펴보면서 컴퓨터 비전이 다양한 산업에서 불규칙성을 식별하고, 효율성을 높이며, 의사 결정을 개선하는 방식을 알아보겠습니다.

제조 과정의 이상 감지#

제조 분야의 컴퓨터 비전은 생산 라인에서 결함, 정렬 불량, 부품 누락을 찾아내 높은 품질 기준을 유지하도록 지원합니다. 컴퓨터 비전 모델은 결함 제품을 즉시 표시하여 제품이 라인을 따라 더 진행되는 것을 막고 낭비를 줄일 수 있습니다. 원자재 결함, 포장 오류 또는 구조 부품의 취약성과 같은 문제를 조기에 감지하면 비용이 많이 드는 리콜과 재정적 손실을 방지하는 데 도움이 됩니다.

품질 관리 외에도 이상 감지는 작업장 안전을 개선할 수 있습니다. 공장에서는 화재 위험으로 이어질 수 있는 열, 연기, 유해 배출물을 자주 다룹니다. Vision AI 모델은 비정상적인 연기 패턴, 과열된 기계 또는 화재의 초기 징후까지 감지하여 사고가 발생하기 전에 제조업체가 조치를 취할 수 있도록 지원합니다.

그림 4. 화재와 연기 감지에 사용되는 컴퓨터 비전.

자동차 엣지 케이스 식별#

자동차 산업에서는 Ultralytics YOLO11과 같은 모델을 사용하여 엔진, 제동 시스템, 변속기 부품의 결함이 심각한 고장으로 이어지기 전에 감지할 수 있습니다. YOLO11의 객체 감지 및 인스턴스 세그멘테이션 지원을 활용하면 수동 검사에서 놓칠 수 있는 이상을 정밀하게 식별하기 쉽습니다.

자동차 산업에서 이상 감지를 활용하는 다른 예는 다음과 같습니다.

• 교통 이상 감지: 역주행 차량, 갑작스러운 차선 이탈 또는 제한 구역에 대한 무단 접근을 인식합니다.
• 운전자 행동 모니터링: 졸음운전, 주의 산만 행동 또는 불규칙한 조향을 식별하여 도로 안전을 향상합니다.
• 자율주행 차량 안전: 보행자, 자전거 이용자, 예상치 못한 장애물을 감지하여 충돌을 방지합니다.

전자기기의 불규칙성 식별#

전자기기를 수동으로 검사하면 속도가 느리고 일관성이 부족하며 인적 오류가 발생하기 쉬워 마이크로칩, 회로 기판, 납땜 연결부의 결함을 놓칠 수 있습니다. 납땜 접합부의 균열이나 부품 정렬 불량과 같은 작은 결함도 신호 중단, 시스템 고장 또는 단락을 일으켜 장치의 신뢰성을 떨어뜨릴 수 있습니다.

Ultralytics YOLO11 기반 이상 감지를 사용하면 제조업체는 이 프로세스를 자동화하고 기존 방법보다 훨씬 높은 정확도로 부품 정렬 불량, 납땜 결함 또는 전기적 결함과 같은 문제를 신속하게 식별할 수 있습니다. 예를 들어 사람이 검사할 때 놓칠 수 있는 납땜 접합부의 미세한 틈도 YOLO11의 객체 감지로 쉽게 찾아낼 수 있습니다.

핵심 요점#

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

제조부터 농업까지 AI 기반 이상 감지는 정확도를 높이고 검사를 가속화하며 인적 오류를 최소화할 수 있습니다. 앞으로 AI의 발전으로 이상 감지는 더욱 정밀해질 가능성이 높습니다.

성장하는 커뮤니티에 참여해 보세요! GitHub 리포지토리를 살펴보고 AI에 대해 자세히 알아보세요. 직접 컴퓨터 비전 프로젝트를 시작할 준비가 되셨나요? 라이선스 옵션을 확인해 보세요. 솔루션 페이지를 방문하여 농업 분야의 AI와 헬스케어 분야의 비전 AI에 대해 알아보세요!