Technical Report: Automated Optical Inspection of Surgical Instruments

본 보고서는 파키스탄산 수술 기구의 제조 결함을 식별하고 수정하기 위해 YOLOv8, ResNet-152, EfficientNet-b4 와 같은 딥러닝 아키텍처를 활용한 자동 광학 검사 (AOI) 시스템을 개발하여 환자 안전과 제조 품질을 향상시키는 방안을 제시합니다.

핵심

🏥 핵심 이야기: "수술용 칼의 '건강 진단'을 AI 가 대신한다"

1. 문제 상황: "눈으로만 보면 안 되는 이유"

파키스탄의 실라코트 (Sialkot) 지역은 전 세계에 수술용 기구를 수출하는 거대한 공장이지만, 여기서 큰 문제가 있었습니다.

• 비유: imagine imagine 수백만 개의 칼과 가위를 손으로 하나하나 검사하는 상황을 상상해 보세요. 검사원들이 하루 종일 눈을 부릅뜨고 칼날의 찌그러짐이나 녹을 찾아야 합니다.
• 문제점: 사람은 피곤하면 실수를 합니다. 아주 미세한 녹 (Rust), 균열 (Crack), 구멍 (Pores) 같은 결함을 놓치기 쉽습니다. 만약 이런 결함이 있는 기구가 수술대에 오르면, 환자에게 치명적인 감염이나 사고가 날 수 있습니다.

2. 해결책: "AI 가 눈이 되어주는 '스마트 검사관'"

연구팀은 Daddy D Pro와 Dr. Frigz라는 두 파키스탄 제조업체와 손잡고, **인공지능 (AI)**을 이용해 기구를 자동으로 검사하는 시스템을 만들었습니다.

• 비유: 이 시스템은 마치 **수천 개의 수술 기구를 동시에 스캔하는 '초고속 카메라'**와 같습니다. 사람이 눈으로 보기엔 너무 작은 결함도 AI 는 선명하게 찾아냅니다.

3. 시스템의 작동 원리: "두 단계로 나누는 똑똑한 전략"

이 시스템은 한 번에 모든 것을 판단하지 않고, 두 단계로 나누어 매우 정확하게 작동합니다.

• 1 단계: "이게 뭐야?" (기구 분류)

  • 먼저 AI 가 사진 속 기구가 '칼'인지, '가위'인지, '집게'인지 먼저 구분합니다.
  • 비유: 마치 수영장에서 수영복을 입은 사람과 수영 모자를 쓴 사람을 먼저 구분하는 것과 같습니다. 기구마다 모양이 다르고, 결함이 생기는 부위도 다르기 때문입니다.

• 2 단계: "아픈 데가 있어?" (결함 탐지)

  • 기구의 종류를 알면, 이제 그 기구에 특화된 AI가 결함을 찾습니다.
  • 비유: 치과 의사가 치아를 볼 때 치과용 거울을 쓰고, 정형외과 의사가 뼈를 볼 때 X 선을 쓰는 것처럼, 각 기구마다 가장 잘 맞는 '전문 검사관'이 따로 있는 셈입니다. 이렇게 하면 가위의 자국과 칼의 자국을 헷갈리지 않고 정확히 찾아냅니다.

4. 데이터: "AI 를 가르친 교재"

AI 를 가르치기 위해 연구팀은 수천 장의 사진을 준비했습니다.

• 정상인 사진: 반짝이고 깨끗한 기구들.
• 아픈 사진: 녹이 슬거나, 금이 가거나, 구멍이 난 기구들.
• 데이터 증강 (Data Augmentation): AI 가 다양한 상황에서도 잘 작동하도록, 사진을 회전시키거나, 빛을 어둡게/밝게 조절하거나, 노이즈를 섞는 등의 변형을 주어 학습량을 늘렸습니다.
  • 비유: 마치 학생이 시험을 볼 때, 조명 밝기가 다르거나 책이 비스듬히 놓여도 문제를 풀 수 있도록 다양한 연습 문제를 풀게 하는 것과 같습니다.

5. 결과: "YOLO 가 최고의 선수"

연구팀은 여러 종류의 AI 모델 (ResNet, EfficientNet 등) 을 시험해 보았습니다. 그 결과, YOLOv8이라는 모델이 가장 빠르고 정확했습니다.

• 비유: 다른 모델들은 정밀하지만 느린 '고급형 현미경'이라면, YOLOv8은 **순간포착이 가능한 '스피드 카메라'**입니다. 공장에서 기구가 빠르게 지나가도 결함을 놓치지 않고 찍어냅니다.
• 성적: 99% 이상의 정확도로 결함을 찾아냈습니다.

6. 최종 제품: "SurgScan (서스캔)"

이 모든 기술을 하나의 **웹 프로그램 (SurgScan)**으로 만들었습니다.

• 기능: 공장에서 찍은 사진을 이 사이트에 올리면, AI 가 "이건 정상입니다" 또는 "이건 결함이 있으니 버리세요"라고 즉시 알려줍니다.
• 효과: 검사원의 피로를 줄이고, 환자 안전을 지키며, 파키스탄 제품의 품질을 세계 수준으로 끌어올립니다.

---

💡 요약 및 결론

이 논문은 **"사람의 눈으로는 놓치기 쉬운 수술 기구의 미세한 결함을, AI 가 빠르고 정확하게 찾아내어 환자 안전을 지키자"**는 목표를 달성한 프로젝트입니다.

• 핵심: 수동 검사 (사람) → 자동 검사 (AI)
• 기술: 기구 종류를 먼저 분류한 뒤, 기구별로 특화된 AI 가 결함을 찾음.
• 성과: 99% 이상의 높은 정확도로, 파키스탄의 수술 기구 수출 품질을 한 단계 업그레이드함.

이 기술은 마치 **수술실의 '질병 예방 백신'**과 같아서, 나쁜 기구가 수술대에 오르는 것을 막아 환자들을 보호하고 제조업체의 신뢰를 높이는 역할을 합니다.

기술 요약

기술 보고서 요약: 수술 기구의 자동 광학 검사 (AOI)

1. 문제 정의 (Problem Statement)

• 배경: 파키스탄 (특히 시알코트 지역) 은 전 세계 수술 기구 시장의 중요한 수출국이며, 연간 3 억 5 천만 달러 이상의 수출을 기록하고 있습니다. 그러나 수작업 시각 검사는 인간 오류, 피로, 일관성 부족 등의 문제로 인해 결함이 있는 기구가 유통될 위험이 높습니다.
• 위험성: 수술 기구의 결함 (부식, 스크래치, 균열, 기공 등) 은 수술 실패, 감염 (SSI), 환자 사망 등 치명적인 결과를 초래할 수 있습니다. 또한, 제조사에게는 수출 거절 및 금전적 손실로 이어집니다.
• 현재 한계: 기존 연구들은 주로 기구 분류나 일반 청결도 확인에 집중되었으며, 특정 제조 결함을 실시간으로 정밀하게 탐지하는 자동화 시스템은 부족했습니다.

2. 방법론 (Methodology)

이 연구는 산업 파트너 (Dr. Frigz International, Daddy D Pro) 와 협력하여 데이터 수집부터 AI 모델 개발 및 웹 기반 프로토타입 구축까지 전 과정을 수행했습니다.

• 데이터 수집 및 전처리:

  • 데이터셋: 2,738 개의 결함 이미지와 1,676 개의 무결점 이미지를 포함하는 총 4,414 개의 이미지로 구성된 커스터마이징 데이터셋을 구축했습니다.
  • 대상 기구: 11 가지 주요 수술/치과 기구 (예: 가위, 집게, 프로브, 커터 등) 를 포함합니다.
  • 결함 유형: 기공 (Pores), 균열 (Cracks), 부식/녹 (Corrosion/Rust), 스크래치 (Scratches), 절단 (Cuts) 등을 라벨링했습니다.
  • 증강 (Augmentation): 회전, 밝기/대비 조절, 가우시안 노이즈 추가, 언샤프 마스킹 등을 적용하여 모델의 일반화 성능을 향상시켰습니다.
  • 촬영 환경: Canon EOS 250D 카메라, 일관된 조명 (광상자), 고정된 배경을 사용하여 고품질 데이터를 확보했습니다.

• AI 모델 아키텍처 (2 단계 분류 접근법):

  • 1 단계 (기구 분류): 먼저 YOLOv8 을 사용하여 이미지의 수술 기구 종류를 식별합니다. 각 기구는 고유한 구조와 결함 패턴을 가지므로 이를 먼저 분류하는 것이 중요합니다.
  • 2 단계 (기구별 결함 탐지): 식별된 기구 유형에 맞춰 훈련된 전용 결함 탐지 모델을 적용합니다. 이는 기구의 구조적 특징을 결함과 혼동하는 것을 방지하고 정밀도를 높입니다.

• 시스템 아키텍처:

  • 프론트엔드: React.js 기반의 웹 인터페이스.
  • 백엔드: Django (Python) 및 REST API.
  • 데이터베이스: PostgreSQL.
  • 이미지 처리: OpenCV 및 Pillow 라이브러리를 활용한 전처리 파이프라인.

3. 주요 기여 (Key Contributions)

• 산업 - 학계 협력 모델: 파키스탄의 주요 수술 기구 제조사 (Dr. Frigz, Daddy D Pro) 와의 긴밀한 협력을 통해 실제 산업 현장의 데이터와 결함 유형을 반영한 고품질 데이터셋을 구축했습니다.
• 최적화된 2 단계 탐지 시스템: 단일 모델이 아닌 '기구 분류 → 기구별 결함 탐지'의 2 단계 파이프라인을 도입하여, 기구 구조적 특징과 실제 결함을 명확히 구분하고 오검출을 최소화했습니다.
• 실시간 웹 기반 AOI 도구 (SurgScan): 개발된 AI 모델을 통합한 웹 애플리케이션 'SurgScan'을 구현하여, 사용자가 이미지를 업로드하면 실시간으로 기구 종류와 결함을 분석하고 결과를 시각화할 수 있도록 했습니다.
• 포괄적인 벤치마크: EfficientNet-b4, ResNet-152, ResNeXt-101, YOLOv8, YOLOv11 등 다양한 최신 모델을 동일한 조건에서 비교 분석하여 최적의 아키텍처를 도출했습니다.

4. 결과 (Results)

• 모델 성능 비교: 여러 모델 중 YOLOv8이 가장 우수한 성능을 보였습니다.
  • 정확도 (Accuracy): 99.3% ~ 99.6% (테스트 세트).
  • F1-Score: 0.997 이상.
  • ROC-AUC: 1.000 (거의 완벽한 분류 성능).
  • YOLOv8 은 다른 모델들 (ResNet, EfficientNet 등) 에 비해 높은 정확도와 실시간 처리 속도의 균형을 가장 잘 달성했습니다.
• 결함 탐지 능력: 부식, 스크래치, 기공 등 미세한 결함까지 높은 정밀도로 탐지 및 분류하는 능력을 입증했습니다.
• 시스템 검증: API 테스트 (Postman) 및 유닛 테스트를 통해 시스템의 기능성, 보안, 오류 처리 능력을 검증했습니다.

5. 의의 및 중요성 (Significance)

• 환자 안전 강화: 결함이 있는 기구의 유통을 차단하여 수술 중 감염 및 합병증 위험을 크게 낮춥니다.
• 제조업 경쟁력 제고: 파키스탄 수출 산업의 품질 관리 체계를 자동화하여 국제 기준 (ISO, FDA-GMP) 을 충족시키고 수출 거절 리스크를 줄입니다.
• 비용 및 효율성 개선: 수작업 검사의 인건비와 시간을 절감하며, 대량 생산 라인에서도 실시간 검사가 가능해집니다.
• 확장성: 이 프레임워크는 다른 의료 기기나 산업용 정밀 부품의 결함 탐지로도 확장 적용 가능한 범용 솔루션을 제시합니다.

이 보고서는 단순한 기술 연구를 넘어, 실제 산업 현장의 문제를 해결하고 환자 안전을 보장하기 위한 AI 기반 자동 검사 시스템의 성공적인 구현 사례를 보여줍니다.