Ultralytics YOLO 모델로 구동되는 플러그 앤 플레이 비전 시스템 RapiD Vision은 결함과 변형을 실시간으로 감지하고 인사이트를 고객의 ERP 시스템에 직접 전달해 엔지니어링 작업 시간을 1주일 줄입니다.
식품 가공 기업이 대규모로 일관된 품질을 제공해야 한다는 압박이 커지면서 컴퓨터 비전이 업계 운영 방식을 바꾸고 있습니다. 네덜란드 어촌 마을 우르크에 본사를 둔 엔지니어링 기업 RapiD Engineering은 이러한 변화의 선두에 서 있습니다. 이 기업은 해산물 산업을 비롯한 다양한 분야를 위해 설계된 플러그 앤 플레이 비전 플랫폼 RapiD Vision을 개발하고 있습니다.
RapiD Engineering은 Ultralytics YOLO 모델을 품질 관리 시스템에 통합해 연어 가공업체의 품질 관리를 자동화합니다. 작업 흐름에서 노동 집약적이고 주관적인 단계 중 하나인 결함 및 변형 감지를 자동화하고 양식장부터 고객까지 완전한 추적성을 제공합니다.
산업 생산에 플러그 앤 플레이 비전 AI 도입#
RapiD Engineering은 산업 환경을 위한 엔지니어링 시뮬레이션, 소프트웨어 애플리케이션 및 컴퓨터 비전 솔루션을 개발합니다. RapiD Vision 플랫폼을 통해 로봇 제어 제품 취급용 Pick & Place 애플리케이션, 실시간 결함 감지용 Quality Control, ERP 시스템과 직접 통합되는 클라우드 기반 보고 및 분석 계층 RapiD Vision Explorer라는 세 가지 핵심 기능을 중심으로 엔드투엔드 시스템을 설계합니다.
이 플랫폼은 복잡한 실제 환경을 고려해 설계되었으며, 3D 비전/카메라를 사용해 서로 겹친 제품을 처리하고 제품 유형을 구별하며 단일 비전 시스템에서 여러 로봇이나 기계를 제어할 수 있습니다. 제품군 중 Quality Control은 회사에서 가장 빠르게 성장하는 제품으로 자리 잡았으며 유럽 전역의 연어 가공업체로부터 높은 수요를 얻고 있습니다.
그림 1. Ultralytics YOLO가 겹쳐 있는 생선을 정밀하게 감지하는 예시.
연어 가공 품질 관리의 과제#
연어 가공은 생산량이 많고 높은 정밀도가 요구되는 산업으로, 품질 문제는 고객 만족도와 가격에 큰 영향을 미칠 수 있습니다. 혈반, 멜라닌 반점 및 기타 변형은 연어 살의 자연스러운 색과 미묘하게 비슷해 사람의 눈으로 일관되게 발견하기 어렵습니다.
수동 검사는 느리고 피로를 유발하며 작업자와 교대 근무에 따라 결과가 일관되지 않습니다. 컴퓨터 비전의 접근성이 높아진 뒤에도 식품 가공 환경에 이를 배포하려면 별도의 과제가 있었습니다. 모델은 엣지 하드웨어에서 실시간으로 실행할 수 있을 만큼 작고, 미묘한 결함을 감지할 만큼 정확하며, 새로운 카메라나 조명 조건 또는 환경이 도입될 때 신속하게 재학습할 수 있을 만큼 유연해야 했습니다.
Ultralytics를 도입하기 전 RapiD Engineering은 Meta의 오픈소스 라이브러리인 Detectron을 사용했습니다. 기능은 강력했지만 설정이 어렵고 모델을 내보내기도 까다로웠으며 더 이상 적극적으로 유지 관리되지 않아 장기적인 프로덕션 사용에 적합하지 않았습니다.
Ultralytics YOLO를 활용한 실시간 결함 감지#
Ultralytics로 전환한 뒤 RapiD Engineering은 NVIDIA Jetson 엣지 하드웨어에서 실행되는 YOLO 모델을 중심으로 품질 관리 파이프라인을 재구축했습니다. 각 연어 가공 시스템은 Ultralytics YOLO 모델 4개를 동시에 실행합니다. 상단 카메라 1대와 하단 카메라 1대가 라인을 통과하는 모든 생선의 양면을 촬영합니다.
각 면을 처리할 때 시스템은 모델 2개를 순차적으로 실행합니다. 먼저 Ultralytics YOLO11 nano 모델이 컨베이어에서 연어를 분할한 다음, 대형 YOLO11 모델이 주변 살과의 색상 차이가 매우 미묘할 수 있는 혈반과 멜라닌 반점 등의 세밀한 변형을 감지합니다. 처리량이 높은 분할 작업에는 소형 모델을, 정밀도가 높은 감지 작업에는 대형 모델을 사용해 RapiD Engineering은 Jetson 하드웨어에서 속도와 정확성의 적절한 균형을 달성합니다.
RapiD Engineering은 모델 학습을 위해 연어 이미지 2만 장 이상에 수동으로 어노테이션을 추가해 실제 가공 환경의 시각적 특성을 반영하는 고품질 데이터셋을 구축했습니다. 새로운 시스템을 배포하거나 카메라 및 배경과 같은 환경 요소가 바뀌면 팀은 모델을 재학습합니다.
Ultralytics YOLO 모델을 선택한 이유#
RapiD Engineering에 Ultralytics YOLO는 여러 배포 환경에서 실행되는 프로덕션 시스템을 지원하기에 적합한 단순성, 성능 및 유연성을 제공했습니다.
이전 프레임워크와 비교해 팀은 모델 학습, 내보내기 및 유지 관리에 소요되는 시간을 크게 줄일 수 있었으며, 내보내기 작업 흐름만으로도 연간 엔지니어링 작업 시간을 약 1주일 절감했습니다. Ultralytics가 새 버전을 출시할 때마다 모델을 재학습하고 Jetson 배포를 위해 TensorRT로 내보낸 뒤 최소한의 마찰로 프로덕션에 다시 배포할 수 있습니다.
그림 2. Ultralytics YOLO로 연어 필렛의 결함을 감지하는 예시.
Ultralytics YOLO는 RapiD Engineering이 동일한 통합 프레임워크에서 인스턴스 분할, 객체 감지, 포즈 추정 등 여러 작업 유형을 활용할 수 있도록 유연성도 제공했습니다. 이를 통해 회사가 비전 AI 포트폴리오를 확장하는 과정에서 현재 및 향후 제품 기능을 지원합니다.
원시 탐지에서 실행 가능한 인사이트까지#
탐지를 넘어 RapiD Engineering의 품질 관리 시스템은 플랫폼의 클라우드 기반 보고 및 분석 계층인 RapiD Vision Explorer를 통해 고객의 ERP 시스템과 완전히 통합되어 있습니다. 분석된 모든 연어는 공급업체, 양식장, 위치 및 주문 데이터와 함께 클라우드에 기록되므로 고객은 공급처별 품질 성과를 상세히 확인할 수 있습니다.
이 데이터는 배치별 품질 보고서를 생성하는 데 사용되어 가공업체가 어떤 양식업자와 공급업체가 지속적으로 최고 품질의 생선을 공급하는지 추적하고, 시간이 지남에 따라 정보에 기반한 소싱 결정을 내릴 수 있도록 지원합니다. RapiD Vision Explorer는 고급 분석을 통해 현재 고품질 제품을 공급할 최적의 공급처까지 예측할 수 있습니다. 또한 시스템은 후속 컨베이어 벨트를 제어하고 품질이 낮은 연어를 대체 가공 경로로 자동 분류하므로 고객은 항상 품질 사양에 부합하는 생선을 받을 수 있습니다.
프런트엔드 소프트웨어를 통해 운영자는 최소 반점 크기, 신뢰도 점수, 영향을 받은 총 면적 등 탐지 임계값을 세밀하게 조정하여 각 가공업체의 구체적인 품질 기준에 맞게 시스템을 조정할 수 있습니다.
해산물 산업 전반으로 비전 AI 확장#
품질 관리 시스템에 대한 수요가 높고 유럽 전역에서 고객 기반이 확대되는 가운데, RapiD Engineering은 해산물 가공 및 그 이상으로 비전 AI의 역할을 계속 확장할 수 있는 유리한 입지를 확보하고 있습니다. 또한 회사는 Ultralytics Platform으로 학습 및 어노테이션 워크플로를 이전할 계획이며, 이를 통해 새로운 배포 환경으로 확장하면서 파이프라인을 더욱 간소화할 예정입니다.
수십 년간 축적한 엔지니어링 전문성과 최첨단 컴퓨터 비전을 결합함으로써 RapiD Engineering은 연어 가공업체가 한 배치씩 더 투명하고 데이터 중심적이며 효율적인 공급망을 구축하도록 지원하고 있습니다.
직접 비전 AI 솔루션을 구축하는 데 관심이 있으신가요? Ultralytics YOLO 모델을 살펴보고, YOLO가 다양한 산업 분야의 혁신을 어떻게 이끌고 있는지 알아본 다음, 시작을 위해 라이선스 옵션을 확인해 보세요.
