Lightweight Adaptive YOLOv11 for Industrial Defect Perception and Closed-Loop Sorting Cybernetic Control System

기술 요약: 산업 결함 인지 및 폐쇄 루프 분류 사이버네틱 제어 시스템을 위한 경량 적응형 YOLOv11

문제 정의
산업 표면 결함 검사 및 자동 분류는 지능형 제조 사이버네틱 시스템에서 중요한 피드백 링크이다. 그러나 기존의 탐지 방법들은 산업용 사이버네틱 제어에 적용될 때 세 가지 주요 병목 현상에 직면한다:

1. 배포 제약: 기존 모델들은 종종 파라미터 수가 방대하고 추론 속도가 낮아, 저전력 엣지 디바이스에서 실시간 산업 제어에 요구되는 밀리초 단위의 피드백 제약 조건을 충족하지 못한다.
2. 환경적 강건성: 산업 결함은 다중 스케일 분포를 보이며, 불균일한 조명, 표면 폐쇄 및 배경 노이즈에 취약한 약한 특징 신호를 나타낸다. 고정된 구조의 네트워크는 불안정한 특징 추출로 인해 오탐지 또는 미검출을 초래할 수 있다.
3. 시스템 단절: 대부분의 기존 YOLO 기반 연구는 고립된 이미지 인식 작업에만 집중되어 있다. 탐지 출력과 산업용 액추에이터 간의 결합이 부족하여, 표준화된 인지-의사결정-실행 폐쇄 루프 사이버네틱 피드백 시스템 형성을 방해한다.

방법론
본 논문은 완전한 머신러닝-인지 기반 폐쇄 루프 분류 사이버네틱 제어 시스템에 통합된 경량 적응형 YOLOv11 탐지기를 제안한다. 이 접근 방식은 세 가지 핵심 기술 구성 요소를 포함한다:

1. 경량 좌표 적응형 어텐션(LCAA) 모듈:

   • YOLOv11 백본의 C2f 블록에 내장된다.
   • 공간 좌표 인지와 채널 적응형 가중치를 통합한다.
   • 2D 전역 풀링의 계산 오버헤드를 피하기 위해 가로 및 세로 1차원 풀링을 사용하여 장거리 공간 의존성을 포착한다.
   • 전통적인 완전 연결 계층을 경량 $1\times1$ 컨볼루션으로 대체하여 파라미터를 약 15% 줄이는 동시에 미세하고 흐릿한 결함의 특징 응답을 강화하고 배경 노이즈를 억제한다.

2. 적응형 다중 스케일 특징 융합 전략:

   • 넥 네트워크(Feature Pyramid)에 구현된다.
   • 배치 내 타겟 결함의 실시간 스케일 분포에 따라 얕은 세밀한 질감과 깊은 의미론적 특징 사이의 융합 가중치를 동적으로 조정한다.
   • 바운딩 박스 차원에서 유도된 스케일 인자 $s$를 사용하여 적응형 가중치($\alpha_s$ 및 $\alpha_d$)를 계산한다. 이를 통해 미세 결함은 고해解상도의 질감 정보를 유지하고, 큰 결함은 전역적인 의미론적 무결성을 활용하도록 하여 다양한 스케일에 걸친 미검출을 완화한다.

3. 폐쇄 루프 사이버네틱 제어 시스템:

   • 아키텍처: 엣지 비전 인지 모듈(Jetson Nano), 상위 컴퓨터 의사결정 제어 모듈, 실행 분류 모듈(매니퓰레이터/로봇 팔)로 구성된다.
   • 로직: 최적화된 모델이 시스템 센서 역할을 한다. 실시간 탐지 출력(결함 유형, 좌표, 신뢰도)은 상태 피드백 신호로 작용한다.
   • 제어: 상위 컴퓨터는 탐지 데이터를 사전 설정된 로직과 매칭하여 분류 명령을 생성한다. 로봇 팔은 결함 제품은 오프셋 분류를 수행하고 양품은 통과시켜 시키며, 음의 피드백 루프를 형성한다.
   • 배포: 모델은 엣지 임베디드 하드웨어에 맞게 양자화 및 최적화되어 단일 프레임 탐지 시간을 30ms 미만, 전체 시스템 엔드 투 엔드 지연 시간을 50ms 미만으로 보장한다.

주요 기여
본 논문은 세 가지 핵심적인 학제 간 혁신을 식별한다:

1. 알고리즘 최적화: LCAA 모듈을 제안하여 네트워크 계산 오버헤드를 동시에 압축하고 미세하고 품질이 낮은 결함에 대한 특징 추출을 강화하여 제어기에 안정적인 입력 신호를 보장한다.
2. 동적 적응: 타겟 스케일에 따라 특징 융합 비율을 자율적으로 조정하는 적응형 다중 스케일 특징 융합 전략을 설계하여, 가변적인 결함 크기에 대한 강건성을 높이고 탐지 불안정성으로 인한 제어 신호 지터를 방지한다.
3. 시스템 통합: 완전한 "인지-의사결정-실행" 폐쇄 루프 프레임워크를 구축한다. 본 연구는 실시간 경량 탐지 출력을 산업용 분류 컨트롤러와 직접 연결함으로써, 머신러닝 알고리즘과 산업용 자동 제어 장비 간의 분리를 해소한다.

실험 결과
공개 데이터셋인 NEU 강철 결함 데이터셋(이미지 1,800장, 6가지 결함 유형)을 대상으로 실험을 수행하였으며, 물리적 엣지 분류 플랫폼에서 검증하였다.

• 탐지 성능: 제안된 방법은 97.2% mAP@0.5를 달성하였으며, 이는 기존 YOLOv11(94.5%) 대비 2.7% 향상된 수치이다.
• 효율성: 기존 YOLOv11과 비교했을 때 파라미터는 28.6%(7.82M에서 5.58M로) 감소하였고, 추론 속도(FPS)는 32.1%(58.6에서 77.4로) 증가하였다.
• 비교 분석: 제안된 방법은 정확도, 파라미터 수, 추론 속도 측면에서 SSD, YOLOv8, YOLOv10을 포함한 주요 알고리즘보다 우수한 성능을 보였다.
• 제어 시스템 성능: 물리적 플랫폼 테스트 결과, **분류 성공률 98.5%**와 정상 상태 오차 2% 미만을 입증하였다. 시스템은 전체 엔드 투 엔드 지연 시간을 50ms 미만으로 유지하여 이산형 산업 생산 라인 제어의 안정성 제약 조건을 충족하였다.

의의 및 주장
본 논문은 이 연구를 머신러닝 시각 탐지와 산업 자동 제어 간의 단절을 해결하는 솔루션으로 규정한다.

• 학제 간 통합: 머신러닝 인지와 산업 사이버네틱 폐쇄 루프 조절의 유기적 통합을 실현했다고 주장하며, 이는 머신러닝과 사이버네틱스의 학제 간 위치와 일치한다.
• 공학적 가치: 탐지 모델을 이산 제어 시스템 내의 센싱 유닛으로 취급함으로써, 본 연구는 순수 컴퓨터 비전을 넘어 지능형 제조를 위한 시각 인지 피드백 제어의 표준화된 패러다임을 제공한다.
• 실질적 적용: 시스템은 온라인 품질 통계 및 동적 생산 라인 속도 조정을 가능하게 하여, 다양한 산업 시나리오에서 시각 인지와 사이버네틱 제어의 통합을 위한 실행 가능한 기술 방안을 제공한다.

저자들은 현재 검증이 NEU 데이터셋과 시뮬레이션 플랫폼에 국한되어 있음을 인정하며, 향후 연구에서는 결함 데이터셋 확장 및 지능형 스케줄링과 결함 자가 진단 기능 추가에 집중할 것이라고 밝혔다.