Real-Time Conveyor Belt Defect Detection via Edge TPU-Accelerated YOLOv11 on Raspberry Pi 5
본 논문은 전력 소모가 큰 GPU에 의존하지 않고도 비용 효율적인 예지 보전을 가능하게 하기 위해, 가혹한 산업 환경에서 컨베이어 벨트 결함의 실시간 고정밀 탐지를 달성하고자 양자화된 YOLOv11n 모델을 활용하여 Google Coral Edge TPU가 탑장된 Raspberry Pi 5에 배포된 엔드 투 엔드 저전력 엣지 AI 시스템을 제시하고 검증한다.
원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
방대한 양의 광석을 채굴하는 것부터 시멘트를 제조하는 것에 이르기까지, 현대 세계를 건설하는 중공업 분야에서 거대한 고무 벨트는 생산의 동맥 역할을 합니다. 이러한 컨베이어 시스템은 수천 톤의 연마성 물질을 매일 이동시키며, 종종 먼지가 많고 진동이 심하며 가혹한 환경 속에서 수백 미터를 달립니다. 시간이 흐름에 따라 무거운 하중, 떨어지는 암석, 그리고 마찰로 인한 지속적인 스트레스는 이 벨트에 숨겨진 약점을 발생시킵니다. 작은 찢어짐이나 구멍은 빠르게 거대한 파손으로 커져 벨트 전체를 끊어버릴 수 있습니다. 이런 일이 발생하면 생산 라인 전체가 멈추게 되어, 시설 측에는 시간 손실과 값비싼 수리비로 인한 수천 달러의 비용을 발생시킬 뿐만 아니라 근처 작업자들에게도 위험한 상황을 초래합니다. 수십 년 동안 이러한 결함을 찾는 유일한 방법은 인간 검사자가 움직이는 기계 옆을 따라 걷는 것이었으나, 이 방식은 느리고 위험하며 작지만 결정적인 손상을 놓치기 쉽습니다.
이를 해결하기 위해 연구자들은 인공지능을 활용하여 컴퓨터가 인간처럼 결함을 "볼" 수 있도록 가르치는 데 주력해 왔습니다. 그러나 대부분의 스마트 비전 시스템은 공장 현장에서 직접 실행하기에는 너무 무겁고 전력을 많이 소모합니다. 이 시스템들은 대개 거대하고 비싼 컴퓨터나 클라우드 연결을 필요로 하는데, 이는 전력이나 네트워크 대역폭이 제한적인 원격 산업 현장에서는 비현실적입니다. 이제 인도네시아의 한 엔지니어 팀은 실시간으로 컨베이어 벨트를 감시하고 즉각적으로 손상을 찾아낼 수 있는 작고 저전력인 시스템을 제작함으로써 이 간극을 메웠습니다. 그들은 표준 금속 상자 안에 들어가는 크기의 장치를 만들었고, 이 장치는 작은 카메라를 사용하여 벨트를 관찰하며, 속도와 효율성을 위해 설계된 작고 특화된 칩 위에서 정교한 시각 탐지 프로그램을 실행합니다.
연구진은 "You Only Look Once(당신은 오직 한 번만 본다)"의 약자인 YOLO라고 알려진 특정 유형의 인공지능 모델에 집중했습니다. 이 유형의 모델은 비디오 스트림에서 거의 즉각적으로 물체를 식별하는 능력으로 유명합니다. 이전 버전의 기술들은 강력한 데스크톱 컴퓨터에서 잘 작동했지만, 팀은 가장 최신의 효율적인 버전이 취미 활동가들이 사용하는 것과 유사한 작은 싱글 보드 컴퓨터에 특화된 가속기 칩을 결합하여 실행될 수 있는지 확인하고자 했습니다. 이 가속기는 'Edge TPU'라고 불리며, 인공지능에 필요한 수학 연산을 매우 적은 전력을 사용하여 수행하도록 특별히 설계된 작은 하드웨어 조각입니다. 연구팀은 먼지가 자욱하고 기계가 끊임없이 진동하는 서부 자바의 실제 시멘트 공장에서 가져온 카메라 피드를 이 시스템에 입력했습니다.
컴퓨터가 무엇을 찾아야 하는지 가르치기 위해 연구팀은 방대한 이미지 모음집을 수집했습니다. 그들은 단순히 깨끗한 실험실에서 찍은 사진에만 의존하지 않았습니다. 대신, 시멘트 공장에서 직접 촬영한 사진과 공개 데이터셋, 그리고 벨트가 움직이는 모습을 기록하는 자동화된 시스템으로 캡처한 새로운 사진들을 결합했습니다. 이러한 혼합 방식은 컴퓨터가 먼지에 덮여 있거나 거칠고 불균일한 공장 조명 아래에 있는 상황에서도 찢어짐, 구멍, 그리고 패치 수리 흔적을 인식할 수 있도록 보장했습니다. 총 3,000장 이상의 이미지를 사용하여 모델을 학습시켰으며, 컴퓨터가 손상된 벨트와 정상적인 벨트를 구분할 수 있도록 모든 결함 부위를 정밀하게 표시했습니다. 그 후, 이 컴퓨터 프로그램을 작은 가속기 칩이 강력한 메인 프로세서 없이도 이해하고 실행할 수 있는 형식으로 변환하여 단순화했습니다.
시스템이 실제 시멘트 공장에 배치되었을 때, 결과는 즉각적이고 안정적이었습니다. 먼지와 진동으로부터 보호하기 위해 밀봉된 금속 상자에 담긴 이 장치는 컨베이어 벨트를 성공적으로 감시하며 결함이 지나갈 때마다 이를 식별해 냈습니다. 시스템은 초당 30~40 프레임의 속도로 영상을 처리했는데, 이는 움직이는 벨트의 속도를 따라잡기에 충분한 속도입니다. 카메라가 이미지를 포착하는 순간부터 시스템이 결함을 식별하기까지의 전 과정은 70에서 90밀리초 사이였습니다. 이 속도를 체감해 보자면, 만약 벨트가 일반적인 산업 속도로 움직이고 있다면, 시스템은 손상된 부분이 불과 몇 인치 이동하기도 전에 문제를 식별하여 공장이 피해가 확산되기 전에 대응할 수 있는 충분한 시간을 벌어줍니다.
이 시스템은 어려운 조건에서도 놀라울 정도로 신뢰할 수 있는 모습을 보였습니다. 장기간의 테스트 기간 동안, 작은 컴퓨터와 가속기 칩은 팬이나 에어컨 없이도 안전하게 작동할 수 있을 만큼 충분히 차갑게 유지되었으며, 뜨겁고 먼지가 많은 환경에서도 일정한 온도를 유지했습니다. 시스템은 영상 프레임을 놓치거나 충돌하는 일 없이 연속적으로 작동하며 지속적인 운영이 가능함을 입증했습니다. 또한 긴 찢어짐, 작은 구멍, 구멍, 그리고 불균일한 패치 수리의 네 가지 유형의 손상을 성공적으로 탐지했습니다. 먼지에 의해 일부가 가려진 아주 작은 구멍을 찾아내는 데는 약간 덜 효과적이었으나, 기계에 가장 큰 위험을 초래하는 더 크고 위험한 결함들에 대해서는 높은 정확도를 보였습니다.
이 연구는 고급 인공지능이 유용하게 쓰이기 위해 반드시 데이터 센터 안에 갇혀 있을 필요는 없다는 것을 보여줍니다. 소프트웨어를 작고 저렴한 하드웨어에서 실행되도록 최적화함으로써, 연구진은 공장이 값비싼 인프라에 의존하지 않고도 전 세계 어디에서나 실시간으로 자신의 장비를 모니터링할 수 있음을 증명했습니다. 이 시스템은 지치지 않고, 눈을 깜빡이지 않으며, 교대 근무를 거르지 않고, 재앙이 되기 전 초기 실패 징후를 포착할 수 있는 성실한 감시자 역할을 합니다. 이러한 접근 방식은 더 안전하고 효율적인 산업 운영을 향한 실질적인 경로를 제시하며, 예측 유지보수의 미래가 작고 빠르며 공장 현장에 바로 구축될 수 있음을 입증합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.