이상 탐지를 위한 비전 AI: 빠른 개요

비행기 날개의 미세한 균열, 잘못 인쇄된 약품 라벨, 또는 비정상적인 금융 거래는 발견되지 않을 경우 심각한 문제를 야기할 수 있습니다. 모든 산업 분야는 장애, 경제적 손실, 또는 안전 위험을 예방하기 위해 위험한 문제를 조기에 포착해야 하는 과제에 직면해 있습니다.

특히 이상 징후는 반드시 탐지되어야 합니다. 이상 탐지는 기대되는 행동 패턴과 일치하지 않는 패턴을 식별하는 데 중점을 둡니다. 이는 그렇지 않으면 간과될 수 있는 결함, 오류 또는 불규칙한 활동을 표시하는 것을 목표로 합니다. 전통적인 방식은 이러한 이상 징후를 찾기 위해 고정된 규칙에 의존하지만, 종종 속도가 느리고 복잡한 변형을 처리하는 데 어려움을 겪습니다. 바로 이 지점에서 컴퓨터 비전이 중요한 역할을 합니다.

방대한 시각적 데이터셋으로부터 학습함으로써, Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 전통적인 방식보다 더 정확하게 불규칙성을 탐지할 수 있습니다.

이 문서에서는 비전 기반 이상 탐지가 어떻게 작동하며 YOLO11이 어떤 도움을 줄 수 있는지 살펴보겠습니다.

Link to this section이상 탐지의 필요성#

컴퓨터 비전의 관점에서, 이상 징후나 불규칙성은 일반적으로 이미지나 영상에서 결함 또는 비정상적인 패턴으로 나타납니다. 수년 동안 기업들은 결함을 탐지하기 위해 수동 검사나 규칙 기반 시스템에 의존해 왔습니다.

예를 들어, 제약 제조 분야에서 알약의 이상 징후에는 균열, 잘못된 모양, 변색 또는 각인 누락 등이 포함될 수 있으며, 이는 품질과 안전을 저해할 수 있습니다. 이러한 결함을 조기에 탐지하는 것은 불량 제품이 소비자에게 도달하는 것을 방지하는 데 필수적입니다. 하지만 수동 이상 탐지 방법은 종종 속도가 느리고 일관성이 없으며, 실제 상황에서 발생하는 복잡한 불규칙성을 처리할 수 없습니다.

그림 1. 제약 산업에서의 이상 탐지.

AI 기반 이상 탐지는 방대한 데이터셋으로부터 학습하고 시간이 지남에 따라 패턴 인식 능력을 지속적으로 향상함으로써 이러한 문제를 해결합니다. 고정된 규칙 기반 방식과 달리, AI 시스템은 시간이 지남에 따라 학습하고 개선될 수 있습니다.

YOLO11과 같은 고급 모델은 실시간 이미지 분석을 고정밀로 수행할 수 있게 하여 이상 탐지 성능을 향상합니다. 비전 AI 시스템은 이미지의 모양, 질감, 구조와 같은 세부 사항을 분석할 수 있으므로, 불규칙성을 빠르고 정확하게 찾아내기가 더 쉬워집니다.

Link to this section컴퓨터 비전이 이상 탐지를 가능하게 하는 원리#

비전 AI로 구동되는 이상 탐지 시스템은 먼저 카메라, 센서 또는 드론을 사용하여 고품질 이미지나 영상을 캡처하는 방식으로 작동합니다. 공장 라인에서 불량 제품을 찾아내든, 보안 구역 내 허가받지 않은 인원을 탐지하든, 공공장소에서 비정상적인 움직임을 식별하든 관계없이 명확한 시각적 데이터가 핵심입니다.

수집된 이미지나 영상은 이후 노이즈 감소, 대비 향상, 임계값 처리와 같은 이미지 처리 기술을 거칩니다. 이러한 전처리 단계는 비전 AI 모델이 배경 노이즈를 걸러내면서 중요한 세부 사항에 집중할 수 있도록 도와주며, 보안 모니터링부터 의료 진단, 교통 제어에 이르기까지 다양한 애플리케이션 전반에서 정확도를 향상합니다.

전처리 후, 컴퓨터 비전을 사용하여 이미지를 분석하고 비정상적인 것을 식별할 수 있습니다. 이상 징후가 표시되면, 시스템은 작업자에게 불량 제품 제거를 알리거나, 보안 요원에게 잠재적 위협을 경고하거나, 교통 운영자에게 정체 관리 정보를 전달하는 등 경고를 트리거할 수 있습니다.

그림 2. 비전 AI를 사용하여 탐지할 수 있는 결함 사례.

Link to this sectionYOLO11의 기능을 이용한 이상 탐지#

YOLO11과 같은 컴퓨터 비전 모델이 어떻게 이미지를 분석하여 이상 징후를 탐지할 수 있는지 자세히 살펴보겠습니다.

YOLO11은 객체 탐지, 이미지 분류, 인스턴스 세그멘테이션, 객체 추적, 포즈 추정과 같은 다양한 컴퓨터 비전 작업을 지원합니다. 이러한 작업들은 다양한 실제 애플리케이션에서 이상 탐지를 더 단순하게 만들어 줍니다.

예를 들어, 객체 탐지는 조립 라인의 불량 제품, 제한 구역 내의 허가받지 않은 인물, 또는 창고 내 잘못 놓인 물품을 식별하는 데 사용할 수 있습니다. 마찬가지로, 인스턴스 세그멘테이션은 기계의 균열이나 식용 제품의 오염과 같은 이상 징후를 정확하게 외곽선으로 표시할 수 있게 해줍니다.

그림 3. YOLO11을 사용하여 균열 세그멘테이션하기.

이상 탐지에 사용되는 다른 컴퓨터 비전 작업의 예시는 다음과 같습니다:

• 객체 추적: 보안 위협 탐지를 위한 이동 패턴 모니터링, 교통 상황에서의 차량 이상 징후 추적, 또는 의료 분야에서의 환자 움직임 평가에 사용될 수 있습니다.
• 포즈 추정: YOLO11은 작업장의 안전 위험을 식별하거나 의료 분야의 재활 진행 상황을 추적하기 위해 비정상적인 신체 움직임을 탐지할 수 있습니다.
• 회전된 BBox(OBB) 탐지: 회전되거나 각도가 있는 객체를 정확하게 식별하고 위치를 파악하여 이상 탐지 성능을 향상하며, 항공 이미지 분석, 자율 주행, 산업 검사에 유용합니다.

Link to this section왜 YOLO11을 사용해야 할까요?#

다양한 컴퓨터 비전 모델 중에서 Ultralytics YOLO 모델은 속도와 정확성으로 돋보입니다. Ultralytics YOLOv5는 PyTorch 기반 프레임워크로 배포를 간소화하여 더 많은 사용자가 접근할 수 있도록 했습니다. 한편, Ultralytics YOLOv8은 인스턴스 세그멘테이션, 객체 추적, 포즈 추정과 같은 작업에 대한 지원을 도입하여 유연성을 한층 강화했고, 이로 인해 다양한 애플리케이션에 더 잘 적응할 수 있게 되었습니다.

최신 버전인 YOLO11은 이전 모델보다 우수한 정밀도와 성능을 제공합니다. 예를 들어, YOLOv8m보다 파라미터가 22% 적음에도 불구하고, YOLO11m은 COCO 데이터셋에서 더 높은 mAP(mean average precision)를 제공하여 더욱 정확하고 효율적인 객체 탐지를 가능하게 합니다.

Link to this section이상 탐지를 위해 YOLO11을 커스텀 학습시키는 방법#

커스텀 학습을 통해 YOLO11을 이상 탐지에 사용하는 것은 간단하고 쉽습니다. 특정 애플리케이션에 맞게 설계된 데이터셋을 사용하면, 이상 징후를 정확하게 탐지하도록 모델을 파인 튜닝할 수 있습니다.

시작하려면 다음의 간단한 단계를 따르십시오:

• 데이터셋 준비: 정상 샘플과 이상 샘플을 모두 포함하는 고품질 이미지를 수집합니다. 모델이 더 잘 적응할 수 있도록 조명, 각도, 해상도의 변화를 포함해야 합니다.
• 데이터 라벨링: 모델이 무엇을 찾아야 하는지 알 수 있도록 BBox, 세그멘테이션 또는 키포인트를 사용하여 이상 징후를 표시합니다. 오픈 소스 도구를 사용하면 이 과정이 더 빠르고 쉬워집니다.
• 모델 학습: 모델은 여러 주기에 걸쳐 학습하며, 실시간으로 정상 사례와 이상 사례를 식별하는 능력을 향상합니다.
• 테스트 및 검증: 학습된 모델을 새로운 미지의 이미지에 실행하여 성능을 평가하고, 배포하기 전에 잘 작동하는지 확인합니다.

또한, 이상 탐지 시스템을 구축할 때 커스텀 학습이 실제로 필요한지 고려하는 것이 중요합니다. 어떤 경우에는 사전 학습된 모델만으로도 충분할 수 있습니다.

예를 들어, 교통 관리 시스템을 개발 중이고 탐지해야 할 이상 징후가 무단 횡단자라면, 사전 학습된 YOLO11 모델은 이미 높은 정확도로 사람을 탐지할 수 있습니다. '사람'은 COCO 데이터셋에서 잘 표현된 카테고리(사전 학습된 데이터셋)이기 때문에 추가 학습이 필요하지 않습니다.

탐지해야 할 이상 징후나 객체가 COCO 데이터셋에 포함되어 있지 않은 경우 커스텀 학습이 필수적입니다. 귀하의 애플리케이션에서 제조 분야의 희귀한 결함, 이미지의 특정 질환, 또는 표준 데이터셋에서 다루지 않는 고유한 객체를 식별해야 한다면, 도메인별 데이터로 모델을 학습시키는 것이 더 나은 성능과 정확도를 보장합니다.

Link to this section비전 기반 이상 탐지의 실제 애플리케이션#

이상 탐지는 많은 실제 애플리케이션을 포괄하는 광범위한 개념입니다. 이 중 몇 가지를 살펴보고 컴퓨터 비전이 다양한 산업 분야에서 어떻게 불규칙성을 식별하고 효율성을 개선하며 의사결정을 향상하는지 알아보겠습니다.

Link to this section제조 분야의 이상 탐지#

제조 분야의 컴퓨터 비전은 생산 라인에서 결함, 정렬 불량, 누락된 구성 요소를 찾아내어 높은 품질 표준을 유지하도록 돕습니다. 컴퓨터 비전 모델은 불량 제품을 즉시 표시하여 생산 라인을 더 이동하지 못하게 막고 낭비를 줄일 수 있습니다. 원자재 결함, 포장 오류, 또는 약한 구조적 구성 요소와 같은 문제를 조기에 탐지하면 비용이 많이 드는 리콜과 경제적 손실을 방지하는 데 도움이 됩니다.

품질 관리 외에도 이상 탐지는 작업장 안전을 개선할 수 있습니다. 공장은 종종 열, 연기, 유해 배출물과 관련되어 있으며, 이는 화재 위험으로 이어질 수 있습니다. 비전 AI 모델은 비정상적인 연기 패턴, 과열된 기계, 또는 화재의 초기 징후까지 탐지할 수 있어, 사고가 발생하기 전에 제조업체가 조치를 취할 수 있도록 합니다.

그림 4. 화재와 연기를 탐지하는 데 사용되는 컴퓨터 비전.

Link to this section자동차 산업의 엣지 케이스 식별#

자동차 산업에서는 YOLO11과 같은 모델을 사용하여 엔진, 제동 시스템 및 변속기 구성 요소의 결함이 심각한 고장으로 이어지기 전에 탐지할 수 있습니다. YOLO11의 객체 탐지 및 인스턴스 세그멘테이션 지원을 사용하면, 수동 검사로 간과할 수 있는 이상 징후를 정확하게 식별하기 쉽습니다.

자동차 산업에서 이상 탐지의 다른 예시는 다음과 같습니다:

• 교통 이상 탐지: 역주행 차량, 갑작스러운 차선 이탈, 또는 제한 구역에 대한 무단 출입 인지.
• 운전자 행동 모니터링: 도로 안전을 개선하기 위해 졸음 운전, 산만한 행동, 또는 불안정한 조향을 식별.
• 자율 주행 안전: 충돌을 방지하기 위해 보행자, 자전거 이용자 및 예상치 못한 장애물 탐지.

Link to this section전자 제품의 불규칙성 발견#

전자 제품을 수동으로 검사하는 것은 느리고 일관성이 없으며 인적 오류가 발생하기 쉬울 수 있습니다. 즉, 마이크로칩, 회로 기판, 납땜 연결 부위의 결함이 발견되지 않을 수 있습니다. 금이 간 납땜 접합부나 잘못 정렬된 구성 요소와 같은 작은 결함조차도 신호 중단, 시스템 장애 또는 합선을 일으켜 장치를 불안정하게 만들 수 있습니다.

YOLO11 기반 이상 탐지를 통해 제조업체는 이 과정을 자동화하고 기존 방식보다 훨씬 더 높은 정확도로 정렬되지 않은 부품, 결함 있는 납땜, 또는 전기적 결함과 같은 문제를 빠르게 식별할 수 있습니다. 예를 들어, 사람 검사관이 놓칠 수 있는 납땜 접합부의 미세한 간극을 YOLO11의 객체 탐지로 쉽게 발견할 수 있습니다.

Link to this section핵심 요약#

산업계가 컴퓨터 비전 기반 이상 탐지로 전환함에 따라, YOLO11과 같은 모델은 품질 유지, 안전 개선 및 운영 위험 감소를 위해 필수적인 요소가 되고 있습니다.

제조업부터 농업에 이르기까지, AI 기반 이상 탐지는 정확도를 높이고 검사 속도를 높이며 인적 오류를 최소화할 수 있습니다. 미래를 내다보면, AI의 발전으로 이상 탐지는 더욱 정밀해질 것입니다.

저희의 성장하는 커뮤니티에 참여하세요! AI에 대해 자세히 알아보려면 GitHub 저장소를 살펴보세요. 나만의 컴퓨터 비전 프로젝트를 시작할 준비가 되셨나요? 저희 라이선스 옵션을 확인해 보세요. 솔루션 페이지를 방문하여 농업 분야 AI와 의료 분야 비전 AI에 대해 알아보세요!