KITECH 생산기술 전문지

딥 머신 러닝에 의한 객체 인식 (Object detection)은 생산성을 향상시키거나 뿌리산업 현장 작업자를 지원해줄 가능성이 많다는 것을 그간 성공적으로 보여주었다 [1,2]. 합성곱 인 공신경망 (CNN, Convolutional Neural Networks) 기반의 고성능 알고리즘들이 제시되면서 객체 감지 기술의 적용분야도 점점 더 넓어지고 있다 [3]. 복잡하고 정교한 분석 알고리즘은 물론이지만, 단순한 형태의 객체 인식만을 활용하더라도 부품과 구성 요소가 설계된 대로 조립되었는지 여부 정도는 비교적 쉽게 확인할 수 있다 [4]. 하지만 아직까지도 우리나라의 뿌리 관련 중소기업들에는 객체 인식 기술의 이점을 충분히 누리지 못하고 있는 상황이다. 성능이 우수한 사물인식 시스템을 위해서 양질의 학습데이터를 충분히 확보하는 것이 무 엇보다 중요하다 [5]. 객체 인식 기술을 적용하고자 하는 제조현장에서는 이미 진행하고 있는 생산활동을 방해하지 않으면서 각 부품의 사진을 촬영해야 하므로 우선 학습 데이터 확보에 제한이 따르는 경우가 많다. 여기에 더해서 지도학습 (Supervised learning)에 의한 객체 인식인 경우, 비록 학습 데이터를 많이 확보했다 하더라도 인식 대상 사물을 가리키는 라벨링 박스 그리기 작업을 진행해야 하는데, 이는 사람이 직접 사진을 분석하여 수작업으로 진행해야 하므로 많은 시간과 노력을 들여야 한다 [6,7]. 이러한 제약들이 국내 뿌리기업 현장에 대한 객체 인식 기술 적용을 더디게 하는 중요한 걸림돌이 되고 있다. 학습데이터를 확보하는 과정에서의 이러한 애로사항을 극복하기 위한 많은 노력들이 진행된것도 사실이다. 사진을 자동으로 촬영하는 장치는 일반적인 기계 기술 분야에서 여러 가지가 제안되었고 또 상업용 제품으로 시장에 많이 나와 있다. 이들 기구들을 이용하면 촬영대상을 회전하면서 카메라를 이동함으로써 다양한 각도의 사진을 촬영하는 것도 가능하다. 따라서 이러 한 기구들을 적절히 개선하여 활용하면 객체 인식 시스템의 학습데이터셋을 구성하는데 많은 도움을 줄 수 있다. 하지만 이때의 사진들은 촬영 기구가 있는 정해진 장소에서 촬영하므로 제한된 배경만을 가지고 있다. 제한된 배경은 객체 인식 성능을 크게 떨어뜨리는 것으로 알려져 있다 [5]. 이러한 문제를 피해가는 방법의 하나로 색조 차이를 이용한 화면합성의 한 기법인 크로마키 기법을 적용할 수 있다 [5,8]. 크로마키를 이용하여 대상물의 이미지만 따로 분리하고, 이를 다양한 배경화면에 삽입함으로써 다양한 배경과 장소에서 촬영된 것 같은 사진을 합성해 낼 수 있다. 이 방법은 또한 추가적인 이점을 제공하는데, 크로마키 과정 중에서 얻어진 대상 사물의 마스크(Mask) 정보로부터 라벨링 박스 정보도 자동으로 추출할 수 있다는 것이다. 이것을 이용하면 수작업에 의한 라벨링 작업을 자동화할 수 있다 [6]. 본 연구에서는 이들 두 가지 방안, 즉, 기계화 된 촬영 기구를 이용한 다양한 각도의 사진 촬영기법을 최적화하여 적용하고 여기에 크로마키를 이용한 배경 합성 기술을 함께 적용함으로써 최적의 학습데이터셋을 자동화하여 구성할 수 있는 방안을 찾아보고자 하였다. 이를 통해서, 학습데이터 생성에 있어서 수작업을 최소화 하고 데이터셋 생성 대부분의 과정이 대부분 자동으로 이루어지도록 하는 것을 목표로 하였다.