Seeing quality through AI: YOLOv11 for automated grading of dried sea cucumber processing methods

컴퓨터가 눈을 깜빡이지도, 지치지도 않으며, 수천 명의 인파 속에서도 아주 미세한 디테일을 포착할 수 있는 세상을 상상해 보십시오. 이것은 기계가 우리 자신의 눈처럼 카메라를 통해 세상을 '보는' 법을 배우는 인공지능의 한 분야인 컴퓨터 비전의 영역입니다. 하지만 단순히 보는 것에 그치지 않고, 이 디지털 눈은 순식간에 사물을 측정하고, 세고, 분류할 수 있습니다. 이 분야의 핵심 도구인 **객체 탐지(object detection)**는 마치 초강력 버전의 '숨은 그림 찾기' 게임과 같습니다. 이것은 단순히 사진 속에 무엇이 있는지를 알려주는 것을 넘어, 아이템들이 서로 쌓여 있거나 그림자 속에 숨어 있더라도 모든 개별 항목 주위에 상자를 그리고 이름을 붙여줍니다. 이것이 왜 중요할까요? 왜냐하면 과일을 분류하는 것부터 자동차 부품을 점검하는 것에 이르기까지, 현실 세계에서 인간은 피로를 느끼고, 눈이 흐릿해지며, 무엇을 보고 있는지에 대해 의견이 일치하지 않을 수 있기 때문입니다. 우리는 빠르고, 공정하며, 커피 휴식 시간도 필요 없는 품질 검사 방법을 필요로 합니다.

이것이 바로 한 팀의 연구진이 매우 구체적이고 가치가 높은 간식인 말린 해삼에 초점을 맞춘 프로젝트를 통해 해결하고자 했던 과제입니다. 해삼은 일반적인 해변의 장난감이 아닙니다. 이들은 전 세계적으로 거래되는 귀중한 해양 상품입니다. 하지만 까다로운 점은, 그 가치가 어떻게 가공되었느냐에 따라 완전히 달라진다는 것입니다. 어떤 것은 **염장(salted)**되었고, 어떤 것은 **훈연(smoked)**되었으며, 또 다른 것들은 **로스팅(roasted)**되었습니다. 각 방식은 해삼의 피부에 색상, 질감, 수축 정도와 같은 독특한 '지문'을 남깁니다. 전통적으로 인간은 이 말랑말랑하게 마른 생명체 더미 위에 서서 그것이 어떤 방식으로 가공되었는지 추측해야 했습니다. 이는 예리한 눈이 필요한 작업이지만, 주관적이고 느리며 일관성을 유지하기 어렵습니다. 만약 한 검사관은 "훈연"이라고 생각하고 다른 검사관은 "로스팅"이라고 생각한다면, 전체 공급망은 혼란에 빠지게 됩니다.

연구진은 단순하지만 대담한 질문을 던졌습니다. AI가 사진 한 장만 보고 염장, 훈연, 로스팅된 해삼의 차이를 구별하는 법을 배울 수 있을까? 이 질문에 답하기 위해 그들은 평범한 AI를 사용하지 않고, 최첨단 모델인 YOLO11n을 사용했습니다. YOLO("You Only Look Once"의 약자)를 아주 빠르게 움직이는 탐정이라고 생각하십시오. 이 탐정은 이미지를 스캔하여 그 안에 있는 모든 것을 즉시 찾아냅니다. 여기서 "n"은 "나노(nano)"를 의미하며, 이는 이 탐정이 작고 가벼워 저렴하고 작은 컴퓨터에서도 실행하기에 완벽하다는 것을 뜻합니다.

이 AI 탐정을 가르치기 위해, 연구팀은 인도네시아 북술라웨시의 실제 해삼 가공 현장에서 촬영한 1,450장의 방대한 사진 컬렉션을 수집했습니다. 이 사진들은 흰 테이블 위에 놓인 단일 해삼의 깔끔하고 고립된 사진이 아니었습니다. 해삼들이 쟁반 위에 쌓여 있고, 겹쳐져 있으며, 뒤섞여 있는, 실제 공장에서 보는 것과 같은 무질서하고 현실적인 장면들이었습니다. 연구팀은 사진 속 모든 해삼 주위에 정성스럽게 상자를 그리고 이를 "염장", "훈연", 또는 "로스팅"으로 라벨링했습니다. 이것이 AI의 학습 교본이 되었습니다.

그 후 그들은 AI를 본격적으로 테스트했습니다. 결과는 정말 환상적이었습니다. YOLO11n 모델은 320 × 320 픽셀 크기의 이미지로 100 라운드(epochs) 동안 훈련된 후, 직업의 달인이 되었습니다. 이 모델은 **정밀도(precision) 99.73%**를 달성했는데, 이는 모델이 "이것은 훈연된 해삼이다"라고 말했을 때 거의 항상 옳았음을 의미합니다. 또한 **재현율(recall)은 99.87%**에 달했는데, 이는 거의 놓치는 것이 없었음을 의미하며, 더미 속의 거의 모든 해삼을 찾아냈다는 뜻입니다. AI 등급 판정의 세계에서 이 수치들은 방 건너편에서 다트판의 정중앙을 맞히는 것과 같습니다.

하지만 연구진은 단순히 "작동한다"는 것에 그치지 않았습니다. 그들은 왜 이것이 그렇게 잘 작동하는지, 그리고 어떻게 하면 더 개선할 수 있을지 알고 싶었습니다. 그들은 표준 AI 모델에 세 가지 영리한 업그레이드를 도입했습니다:

1. "형태 변화" 렌즈 (DMSAM): 말린 해삼은 모양이 특이합니다. 주름지고, 줄어들고, 말립니다. 표준 AI는 고정된 정사각형 상자를 보기 때문에 이러한 디테일을 놓칠 수 있습니다. 연구진은 AI의 "렌즈"가 해삼의 불규칙한 모양에 맞춰 휘어지고 늘어날 수 있도록 특별한 모듈을 추가했습니다. 이는 마치 손에 완벽하게 밀착되는 유연한 장갑과 같습니다.
2. "공정함" 선생님 (AFL-LS): 사진 컬렉션에는 염장되거나 훈연된 해삼보다 로스팅된 해삼의 수가 적었습니다. 보통 AI는 이런 불균형 때문에 혼란을 겪고 희귀한 유형을 무시하곤 합니다. 연구팀은 AI가 흔하지 않은 유형에도 각별히 주의를 기울이도록 강제하는 특별한 점수 산정 규칙을 추가하여, AI가 쉬운 것만 배우지 않도록 했습니다.
3. "신뢰도 확인" (Ensemble Uncertainty): 때때로 똑똑한 AI조차 확신이 없을 때가 있습니다. 연구팀은 AI가 자신의 답에 대해 여러 번 "투표"하는 시스템을 구축했습니다. 모든 투표가 일치하면 AI는 확신을 가집니다. 만약 투표 결과가 엇갈리면, 시스템은 이를 "불확실"로 표시하여 인간 작업자에게 "이봐요, 이 부분은 100% 확신할 수 없으니 직접 확인해 보세요"라고 알려줍니다.

연구 결과, 이러한 업그레이드가 AI를 더욱 날카롭게 만들었다는 것이 밝혀졌습니다. 형태 변화 렌즈와 공정함 선생님의 조합은 기본 버전과 비교했을 때 모델의 정확도를 크게 높였습니다. 그러나 연구진은 한계점에 대해서도 솔직했습니다. AI가 해삼의 종류를 *식별하는 것(identifying)*은 놀라웠지만, 특히 해삼들이 서로 쌓여 있을 때 그 주변에 정확한 윤곽선을 그리는 데는 약간 덜 완벽했습니다. 이는 AI가 그 과일이 무엇인지는 정확히 알지만, 그 주변에 그리는 상자가 때로는 아주 약간 크거나 작을 수 있는 것과 같습니다. 이는 직선의 모서리가 없는 유기적이고 말랑말한 물체를 다룰 때 발생하는 흔한 과제입니다.

이 논문은 이 기술이 바다의 모든 문제를 해결하는 마법 지팡이가 아님을 분명히 합니다. 이 AI는 인도네시아의 특정 지역에서 찍은 사진들로 훈련되었습니다. 연구진은 이 시스템이 전 세계 공장에서 사용되기 전에, 다양한 장소, 다양한 카메라, 그리고 다양한 조명 조건에서의 사진들을 통해 테스트되어야 한다고 명시했습니다. 또한 그들은 이것이 세상에서 가장 뛰어난 AI라고 주장한 것이 아니라, 이 특정 버전(YOLO11n)이 이 특정 작업에 믿을 수 없을 정도로 잘 작동한다는 것을 보여주었을 뿐입니다. 그들은 향후 연구에서 이 모델을 다른 강력한 AI 모델들과 정면으로 비교하여 누가 진정한 승자인지 확인해야 한다고 제안했습니다.

결국, 이 논문은 컴퓨터에게 말린 해삼의 미묘한 기술을 이해할 수 있는 능력을 부여하는 데 관한 이야기입니다. 이는 적절한 훈련과 몇 가지 영리한 기술이 있다면, AI가 엉클어진 더미 속에서도 짭짤한 맛과 훈연된 맛의 차이를 찾아낼 수 있음을 보여줍니다. 이는 궁극적으로 어민과 가공업자들이 상품을 더 빠르고 공정하게 분류하는 데 도움을 주어, 인간의 추측에 의존하던 작업을 정밀하고 자동화된 과학으로 바꾸어 놓을 수 있습니다. 이것은 해삼에게는 작은 발걸음일지 모르지만, 스마트 수산업을 향한 거대한 도약입니다.