Low Cost Two-Stage Fabric Defect Detection at the Edge
본 논문은 NVIDIA Jetson Nano에 배포된 저비용 2단계 직물 결함 탐지 시스템을 제시하며, 이는 컴팩트한 오토인코더를 사용하여 YOLOv5n 검출기를 위한 프레임을 분류함으로써 높은 재현율을 달ai성하는 동시에, 관찰된 속도 향상이 캐스케이드 구조 자체보다는 주로 병렬화된 JPEG 디코딩에서 기인한다는 점을 밝힌다.
원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
세계 2위의 기성 의류 수출국인 방글라데시의 활기찬 의류 공장들에서, 최종 제품의 품질은 전적으로 원단에 달려 있습니다. 셔츠를 한 벌 자르기도 전에, 원단 롤에는 구멍, 기름 얼룩, 엉킨 실이 있는지 검사해야 합니다. 수십 년 동안 이 검사는 인간의 작업이었습니다. 노동자들은 움직이는 원단 롤 앞에 서서 피로가 쌓일 때까지 결함을 찾아 눈을 스캔하지만, 이는 일관되지 않은 결과와 느린 생산 라인으로 이어집니다. 자동화된 기계들이 존재하지만, 현지 경제를 이끄는 중소형 밀(mill)들에게는 너무 비싸고 전력을 많이 소비하는 경우가 많습니다. 이 공장들의 과제는 단순히 결함을 찾는 것뿐만 아니라, 약 100달러 정도의 비용이 들고 전기를 아주 적게 사용하는 컴퓨터로 이를 수행하는 것입니다. 이것이 바로 다카 대학교 연구진의 연구가 필요한 지점이며, 그들은 슈퍼컴퓨터의 비용 없이도 지친 인간의 눈이 놓칠 수 있는 것을 볼 수 있는 시스템을 구축하고자 노력하고 있습니다.
연구진은 수십 년간의 컴퓨터 비전 역사에서 빌려온 전략, 즉 가장 강력한 도구로 모든 것을 확인하지 말라는 전략으로 이 문제에 접근했습니다. 대신, 빠르고 저렴한 필터를 사용하여 명백하고 정상적인 항목들을 걸러내고, 수상해 보이는 소수의 항목에 대해서만 무거운 작업을 남겨두는 방식입니다. 그들은 이 아이디어를 테스트하기 위해 2단계 시스템을 구축했습니다. 첫 번째 단계는 무엇이 "정상"적인 원단인지를 인식하도록 설계된 작고 가벼운 프로그램입니다. 만약 원단이 정상적으로 보이면, 시스템은 이미지를 폐기하고 다음으로 넘어갑니다. 만약 원단이 이상해 보이면, 시스템은 이를 표시하고 정확히 어떤 결함인지 식별하는 더 강력한 두 번째 프로그램으로 보냅니다. 이 전체 과정은 복잡한 작업을 큰 서버가 갈 수 없는 곳에서도 실행할 수 있도록 설계된 NVIDIA Jetson Nano라는 작고 저렴한 장치에 배포되었습니다.
연구진은 첫 번째 단계를 수천 장의 완벽한 원단 이미지로 훈련시켜, 컴퓨터가 마음속에서 원단의 이미지를 재구성하도록 가르쳤습니다. 원단이 완벽할 때, 재구성은 쉽고 정확합니다. 결함이 있을 때, 시스템은 이미지를 재현하는 데 어려움을 겪으며, 그 어려움이 이상 징후를 알리는 신호가 됩니다. 이 스크리닝을 더 효과적으로 만들기 위해, 그들은 원단의 가장자리처럼 결함이 자주 숨어 있는 곳에 더 집중하고, 결함이 어떻게 보이는지 더 잘 이해하기 위해 사전 훈련된 전문가 시스템으로부터 학습하는 등 소프트웨어에 몇 가지 영리한 기술을 추가했습니다. 이 첫 번째 단계는 문지기 역할을 합니다. 테스트에서 이 문지기는 특정 249장의 사진 중 결함이 있는 20장의 이미지를 모두 찾아냈지만, 연구진은 이 결과가 독립적인 추정치가 아닌 인샘플(in-sample) 보정 결과이며, 실제 재현율(recall)은 더 낮을 수 있음을 시사하는 넓은 신뢰 구간을 가지고 있다고 주의를 기울였습니다. 그러나 깨끗한 원단을 무시하는 데 있어서도 완벽하지는 않았는데, 거의 절반의 깨끗한 원단을 수상한 것으로 표시하여 두 번째 단계가 예상보다 더 열심히 일하게 만들었습니다.
두 번째 단계는 잘 알려진 객체 탐지 시스템을 사용하여 표시된 이미지들을 살펴보고 구멍, 기름 자국, 또는 실 오류의 정확한 위치를 짚어냅니다. 이 단계는 계산 비용이 더 많이 들기 때문에, 연구진은 첫 번째 단계에서 정상적인 이미지들을 먼저 걸러냄으로써 전체적으로 훨씬 빠르게 실행되기를 희loc었습니다. 그들은 두 단계 시스템의 속도를 무거운 탐지기를 모든 이미지에 실행하는 시스템과 비교 측정했습니다. 두 단계 시스템은 실제로 더 빨랐으며, 무거운 탐지기만 실행하는 시스템이 이미지당 10장 미만을 처리한 것에 비해 초당 약 13.5장의 이미지를 처리했습니다. 이 개선은 성공처럼 보였지만, 연구진은 정확히 어디에서 그 속도가 나왔는지 이해하기 위해 더 깊이 파고들기로 했습니다.
그들이 발견한 것은 유사한 시스템을 구축하려는 모든 이들에게 놀랍고도 중요한 사실이었습니다. 각 작업에 소요되는 시간을 분석했을 때, 속도 향상은 주로 무거운 탐지기를 건너뛰었기 때문이 아니라는 것을 발견했습니다. 대신, 그것은 컴퓨터가 이미지를 처리하는 방식에서 왔습니다. 시스템은 디스크에서 이미지 파일을 읽는 동시에 다음 이미지를 처리할 수 있었고, 결과적으로 데이터를 로드하는 데 걸리는 시간을 효과적으로 숨겼습니다. 무거운 탐지기를 건너뜀으로써 얻은 실제 절감 효과는 매우 작았으며, 전체 속도 향상의 10% 미만을 차지했습니다. 이러한 작은 절감 효과의 이유는 첫 번째 단계가 너무 많은 오보를 보내서 두 번째 단계가 여전히 절반 이상의 이미지에 대해 실행되어야 했기 때문입니다.
이 발견은 문제의 초점을 바꿉니다. 연구진은 이 특정 유형의 소형 컴퓨터에서 병목 현상은 탐지기의 지능이 아니라, 이미지를 얼마나 빨리 투입할 수 있느냐에 있다는 것을 깨달았습니다. 시스템은 분석하는 시간보다 이미지를 로드하는 데 더 많은 시간을 쓰고 있었습니다. 더욱이, 첫 번째 단계가 너무 많은 오보를 보냈기 때문에 시스템은 결함의 희귀성을 진정으로 활용하지 못했습니다. 연구진은 만약 첫 번째 단계를 더 신중하게 튜닝하여 오보를 덜 보내도록 만든다면, 시스템이 훨씬 더 많은 시간을 절약할 수 있으며, 잠재적으로 두 번째 단계가 해야 할 작업량을 거의 절반 가까이 줄일 수 있다는 것을 계산했습니다. 하지만 첫 번째 단계를 더 신중하게 만드는 것은 실제 결함을 놓칠 위험이 있으므로, 세심한 균형이 필요한 트레이드오프(trade-off)입니다.
연구는 이 두 단계 시스템이 작동하며 저비용 장치에 적합하지만, 계층적 시스템이 자동으로 엄청난 속도 향상을 제공한다는 일반적인 믿음은 주의해서 살펴볼 필요가 있다고 결론짓습니다. 그들이 관찰한 속도 향상은 필터링 자체 때문이 아니라 효율적인 데이터 처리의 결과였습니다. 이 기술을 도입하려는 공장들에게 가장 효과적인 다음 단계는 반드시 더 똑똑한 탐지기를 만드는 것이 아니라, 첫 번째 단계의 민감도를 미세 조정하여 오보를 줄이고 데이터 파이프라인을 최대한 매끄럽게 만드는 것입니다. 이 시스템은 완전한 자율적 대체물이라기보다, 어떤 원단 롤을 더 자세히 살펴봐야 하는지 분류하는 데 도움을 주는 인간 작업자의 조력자로서 가장 잘 기능합니다. 이는 첨단 인공지능이 소박한 하드웨어에서도 실행될 수 있음을 증명하는 동시에, 속도로 가는 길은 종종 뇌(지능)가 아닌 시스템의 배관(데이터 흐름)에서 발견된다는 것을 보여줍니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.