새로운 전기 맞은 컴퓨터 비전의 구체적 사용례 살펴보기

1950년대 최초의 컴퓨터 비전 사용례는 타이핑된 텍스트와 손으로 쓴 텍스트를 분석하는 것이었다. 초기 상용 애플리케이션은 광학 문자 인식, 이미지 분할, 물체 감지 등 단일 이미지에 중점을 두었다. 얼굴 인식에 대한 선구적인 연구는 1960년대에 시작되었고, 2010년경부터 빅테크 기업이 관련 기능을 출시하기 시작했다.

2022년 기준으로 컴퓨터 비전 시장 규모는 140억 달러로 추정되며 2023년부터 2030년까지 연평균 19.6%의 성장률을 보일 것으로 예상된다. 새로운 컴퓨터 비전 혁신과 신생업체가 많지만, 다른 AI 기술에 비해서는 시장 규모가 작다. 예를 들어, 생성형 AI는 2032년까지 1조 3,000억 달러 규모의 시장이 될 것으로 예상된다.
 

 

컴퓨터 비전의 새로운 사용례

이제 어디를 가든 카메라가 사용자를 스캔하고 컴퓨터 비전 알고리즘이 실시간 애널리틱스를 수행하고 있을 가능성이 높다. 컴퓨터 비전이 가장 많이 사용되는 사례로는 문서 스캔, 비디오 감시, 의료 영상, 교통 흐름 감지 등이 있다. 실시간 컴퓨터 비전의 획기적인 발전은 자율 주행 자동차와 계산대의 직원이 없는 매장 및 재고 관리 같은 소매업 사용례를 주도했다.

많은 사용자가 이러한 일반적 사용례, 특히 자동차 및 소비자 시장의 주요 컴퓨터 비전 애플리케이션에 대해 경험했거나 읽은 적이 있을 것이다. 그러나 제조, 건설 및 기타 산업에서 컴퓨터 비전 기술을 어떻게 사용하는지에 대해서는 잘 모를 것이다.

이러한 산업은 일반적으로 기술 투자에 더디지만, 제조업의 인더스트리 4.0, 디지털 건설, 스마트 농업 분야와 같은 이니셔티브를 통해 업계의 리더들은 새로운 기술의 기회를 더 잘 이해할 수 있다.
 

제조업에서의 낭비 비용 감축 활용

컴퓨터 비전 알고리즘의 정확도는 99%에 달하기 때문에 컴퓨터 비전은 제조 분야에서 상당한 기회를 제공한다. 이 기술을 사용하는 기업이 10%에 불과하다는 점을 고려하면 특히 인상적인 수치이다. 산업 분야에서 디지털 혁명이 일어나고 있을까, 아니면 컴퓨터 비전 기술 도입에 계속 뒤처질 것인가?

인더스트리얼ML CEO인 아르준 찬다르는 이동 중인 자재에서 제품 품질을 식별하는 것이 제조업의 주요 사용례라며 “프레임 속도가 빠른 카메라로 머신러닝 모델을 프레임 단위로 적용하면 생산 라인의 결함을 빠른 속도로 식별할 수 있다"라고 말했다.

전 세계 제조업체의 총 지출 비용 중 20%가 낭비된다. 이 비용은 연간 8조 달러에 달한다. 컴퓨터 비전은 장비, 제조 부품 및 환경 요인을 모니터링하여 제조업체의 손실 절감을 지원할 수 있다.

찬다르는 많은 제조 사용례의 기반 기술이 주류라고 말한다. “대부분 초당 20프레임 이상의 고해상도 및 프레임 속도와 컨볼루션 신경망(CNN)을 갖췄음에도 불구하고 2D 카메라를 사용한다.”

정확도를 높이려면 데이터를 보강하는 전략이 필요할 것이다. 찬다르는 “일반적인 제조 환경에서와 같이 학습 용량을 늘리려면 제품 품질이 좋은 이미지의 수가 결함보다 훨씬 더 많아야 한다"라고 덧붙인다.

이러한 격차를 해소하는 한 가지 방법은 데브옵스팀이 테스트 데이터의 다양성을 높이기 위해 사용하는 접근 방식인 합성 데이터를 사용하는 것이다.
 

신택스(Syntax) 데이터 관리 및 혁신 파트너인 젠스 벡은 제조업체가 기본적인 육안 검사 단계부터 시작하여 더 큰 자동화 기회로 이어질 수 있다고 말한다. 벡은 “자동차에서 글루 트랙을 검사하는 등 육안 검사에 컴퓨터 비전과 AI가 결합되는 것을 볼 수 있다. 고객의 비즈니스 가치는 수동 단계를 자동화하여 전반적인 장비 효율(OEE)을 높일 수 있는 옵션일 뿐만 아니라 검사를 문서화하고 컴퓨터 비전을 제조 실행 시스템(MES)과 최종적으로 전사적 자원 관리(ERP)에 통합할 수 있는 옵션"이라고 설명한다.
 

공장 현장의 안전 개선

컴퓨터 비전은 품질과 효율성 외에도 작업자의 안전을 개선하고 공장 및 기타 작업 현장에서의 사고를 줄이는 데 도움이 될 수 있다. 미국 노동 통계국에 따르면 2021년 제조업 부문에서 약 40만 건의 상해와 질병이 발생했다.

신테시스 AI(Synthesis AI) CEO 겸 설립자인 야샤르 베자디는 “컴퓨터 비전은 직원의 잠재적 위험과 위협을 사람이 감독하는 것보다 더 빠르고 효율적, 지속적으로 식별함으로써 연결된 시설에서 작업자의 안전과 보안을 향상한다. 컴퓨터 비전의 정확도와 신뢰성을 높이려면 머신러닝 모델이 방대한 양의 데이터를 학습해야 하며, 특정 사용례에서는 비정형 데이터가 라벨이 지정되지 않은 원시 상태로 ML 엔지니어에게 제공되는 경우가 많다"라고 말했다.

합성 데이터를 사용하는 것은 안전 관련 사용례에서도 중요한데, 제조업체는 근본적인 안전 요인을 강조하는 이미지를 보유할 가능성이 낮기 때문이다. 베자디는 “합성 데이터와 같은 기술은 정확한 레이블이 지정된 고품질 데이터를 제공하여, 시간과 비용을 절약하고 부정확한 데이터로 인한 골칫거리를 해결할 수 있는 엣지 케이스를 설명함으로써 머신러닝 엔지니어의 부담을 덜어준다"라고 덧붙였다.

그래미너(Gramener)의 물류 및 공급망 부문 SBU 책임자인 수닐 카르담은 “컴퓨터 비전의 장점에는 실시간 분석, 효율성 향상, 의사 결정 강화 등이 포함된다"라고 말했다. 카르담은 다음과 같은 몇 가지 다른 사용례를 예시로 공유했다.
 

• 자재 이동 추적, 제품 및 포장의 결함 식별, 폐기물 감축 
• 승인되지 않은 직원 행동을 모니터링하여 프로토콜 시행
• 문서 처리 간소화, 재고 최적화, 보험금 청구 지원, 효율적인 물류 관리 지원

카르담은 컴퓨터 비전이 카메라와 YOLO, 패스터 R-CNN, 오픈CV 같은 고급 알고리즘에 의존한다는 것을 공유한다. 또한, 컴퓨터 비전을 위한 ML모델은 “스마트 카메라와 클라우드 기반 API를 통해 엣지 기기나 클라우드에서 처리할 수 있으며, 강력한 기능을 제공한다"라고 말했다.
 

전력망 모니터링

대부분의 제조업은 실내에서 이루어지며, 엔지니어는 카메라를 어디에 배치할지, 언제 조명을 추가할지 등 환경을 어느 정도 제어할 수 있다. 컴퓨터 비전 사용례는 장착된 카메라, 드론, 비행기, 위성을 사용하여 실외 공간과 풍경을 분석하는 경우 더 복잡해진다.

버즈 솔루션(Buzz Solutions)의 공동 설립자이자 CTO이면서 COO인 빅 쇼드리는 드론을 활용한 사례를 공유한다. 쇼드리는 “컴퓨터 비전은 변전소뿐만 아니라 전력망과 유틸리티의 결함을 모니터링하고 식별하는 데 사용되어 미국 전역의 안정적이고 연결된 전력망을 보장한다. 컴퓨터 비전은 미국 전역의 다양한 유틸리티에서 수집한 수천 개의 이미지에 의존하여 위협, 결함, 이상 징후를 정확하게 식별할 수 있다"라고 설명했다.

전력선 화재는 심각한 우려 사항이다. 미국 국립 기관간 화재센터(National Interagency Fire Center)에 따르면 1992년부터 2020년까지 미국 전역에서 전선으로 인해 발생한 산불은 3,200건이 넘으며, 캘리포니아에서 두 번째로 큰 산불은 전선이 나무에 너무 가까웠기 때문에 발생했다. 이제 유틸리티 업체는 수리를 최적화하고 위험을 최소화하는 데 있어 AI를 기회로 평가하고 있다.

쇼드리는 “이 소프트웨어는 기존 유틸리티의 실제 데이터와 이미지를 사용하기 때문에 매우 정확하며 날씨, 제대로 유지 관리되지 않은 인프라, 기온 상승으로 인한 다양한 위협을 식별할 수 있다. 빠르고 효율적인 유지보수를 가능하게 하는 동시에 광범위한 정전 및 전력망으로 인한 재난을 예방한다" 라고 말했다.
 

두뇌-컴퓨터 인터페이스

AAVAA의 CTO인 나임 코메이리푸어는 컴퓨터 비전과 신흥 기술 기기의 새로운 지평을 공유했다. 코메이리푸어는 “산업 환경에서 사용되는 뇌-컴퓨터 인터페이스(Brain-computer interfaces, BCI) 기술은 특히 가시성이 낮거나 극한의 온도 또는 카메라 사용이 제한되는 위험한 환경에서 특정 산업용 컴퓨터 비전 사용례에 대한 보완적인 접근 방식이 될 수 있다"라고 말했다.

위험한 환경에서 수리를 완료하는 것도 한 가지 사례이지만, 건설, 정유 공장 작업 또는 기타 현장 작업에서는 양손을 모두 사용하여 기계를 검사하거나 조작해야 하는 경우가 더 흔하다.

코메이리푸어는 “작업 현장에서 수리를 한다고 생각해보자. 스마트 글래스에 사용되는 BCI 기술은 외부 카메라 없이도 시선 추적을 위한 대체 방법을 제공하므로 까다로운 조건에서도 여전히 작업을 수행할 수 있다. BCI는 카메라에 의존하는 대신 뇌전도(EOG)와 같은 뇌 및 생체 신호를 해석하여 눈의 움직임을 모니터링한다. 이 기술에는 특수 센서를 통해 포착된 안구 움직임을 분석하기 위한 고급 신호 처리 및 머신러닝 알고리즘이 포함된다"라고 말한다.
editor@itworld.co.kr