강철의 바다 속에서 보이지 않는 결함을 찾는 사냥

당신이 거대한 철강 공장의 품질 검사관이라고 상상해 보세요. 이 철강은 우리가 운전하는 자동차부터 우리가 사는 마천루에 이르기까지 모든 것을 만드는 현대 세계의 중추입니다. 하지만 여기 함정이 있습니다. 철강은 완벽하지 않습니다. 제조 과정에서 표면에 미세한 균열, 긁힘, 구멍 등이 나타날 수 있습니다. 만약 이러한 결함이 육안으로 보기에는 너무 작다면, 나중에 철강이 파손되어 위험한 사고나 값비싼 수리로 이어질 수 있습니다.

이러한 보이지 않는 문제아들을 잡아내기 위해 공장에서는 인공지능(AI) 기반의 "컴퓨터 눈"—스마트 카메라를 사용합니다. 이 AI 시스템은 철강 사진을 보고 불량 지점을 찾아내도록 훈련되었습니다. 오랫동안 이 작업에 사용된 최고의 AI 도구는 YOLO( "You Only Look Once"의 약자)라고 불리는 유명한 알고리즘 제품군이었습니다. YOLO를 특정 인물을 찾기 위해 군중을 스캔하는 매우 빠르고 관찰력이 뛰어난 보안 요원이라고 생각하면 됩니다. 하지만 인간 보안 요원이 반짝이는 바닥 위의 아주 작은 먼지를 놓칠 수 있듯이, 이 AI 보안 요원들도 때때로 매우 작은 결함이나 기이한 모양의 균열을 보는 데 어려움을 겪습니다. 이들은 큰 물체를 찾는 데는 뛰어나지만, 이미지가 축소되거나 처리되는 과정에서 미세한 세부 사항을 놓치는 경우가 많습니다. 이 논문은 바로 이 구체적인 문제, 즉 공장의 속도를 늦추지 않으면서도 어떻게 하면 컴퓨터의 눈을 가장 작고 위험한 결함까지 볼 수 있을 만큼 날카롭게 만들 것인가를 다룹니다.

논문의 이야기: AI에게 "볼 수 없는 것"을 보는 법 가르치기

이 연구에서 시징 대학교(Xijing University)와 중국의 한 현지 에너지 기업 연구진은 표준 YOLO AI 보안 요원을 업그레이드하기로 했습니다. 그들은 기존 모델들이 "작은 것들"—즉, 가는 선이나 흐릿한 가장자리처럼 보이는 미세한 긁힘이나 불규칙한 균열을 놓치고 있다는 점에 주목했습니다. 문제는 AI가 너무 큰 그림에만 집중한 나머지 스캐닝 과정에서 미세한 디테일을 잃어버린다는 것이었습니다. 이를 해결하기 위해 그들은 YOLO-LOLG Mamba라는 이름의 더 똑똑한 새로운 버전을 구축했습니다.

기존의 AI 모델을 거대한 광고판 위에 있는 아주 작은 개미를 찍으려는 사진가라고 생각해 보세요. 사진가는 전체 광고판을 보기 위해 계속 줌 아웃을 하지만, 그 과정에서 개미는 흐릿한 형체가 되어 버립니다. 연구진은 사진가를 도울 두 가지 새로운 도구가 필요하다는 것을 깨달았습니다.

1. "초정밀 돋보기" (LODConv): 첫 번째 도구는 LODConv라고 불리는 특별한 모듈입니다. 이것을 단순히 확대만 하는 것이 아니라, 정확히 어디를 봐야 할지도 아는 돋보기라고 상상해 보세요. 이는 AI가 작은 결함의 미세하고 취약한 디테일을 놓치지 않고 유지하도록 도와줍니다. 마치 보안 요원에게 철강의 질감을 강조해 보여주는 안경을 쥐여주어, 아주 작은 긁힘조차도 뚜렷하게 보이게 만드는 것과 같습니다.
2. "선 추적기" (LDAM): 철강 결함은 종종 긴 선(예: 긁힘)이나 기이하고 들쭉날쭉한 모양을 띱니다. 표준 AI 도구들은 이미지의 작은 사각형 조각들을 주로 보기 때문에 이러한 선을 따라가는 데 서툽니다. 연구진은 이러한 길고 구불구불한 경로를 따라가도록 특별히 설계된 "선 추적기" 모듈(LDAM)을 추가했습니다. 이는 마치 보안 요원에게 단순히 실 뭉치를 보는 것이 아니라, 지저분한 방을 가로지르는 단 하나의 실타래를 따라가도록 훈련시키는 것과 같습니다.

하지만 세부 사항을 보는 것만으로는 충분하지 않았습니다. AI는 전체 그림이 어떻게 연결되는지도 이해해야 했습니다. 여기서 세 번째 도구가 등장합니다: MsGroupMamba.

당신이 퍼즐을 풀고 있다고 상상해 보세요. 퍼즐 조각을 하나씩만 본다면, 그것이 하늘의 일부라는 것을 깨닫지 못할 수도 있습니다. 하지만 한 걸음 물러서서 전체 퍼즐에서 조각들이 어떻게 연결되는지 볼 수 있다면, 퍼즐을 더 빨리 풀 수 있습니다. MsGroupMabma 모듈은 (돋보기로부터 얻은) 미세한 디테일과 (전체 철판이라는) 큰 그림을 연결하는 "퍼즐 해결사" 역할을 합니다. 이 모듈은 "상태 공간 모델(State Space Models)"이라는 특별한 수학적 유형을 사용하여 전체 이미지를 한 번에 살펴보고, 한쪽 구석의 작은 긁힘이 나머지 표면과 어떻게 연관되는지 이해합니다. 이는 AI가 단순히 모양뿐만 아니라 결함의 "이야기"를 이해하도록 돕습니다.

연구 결과

연구진은 새로운 YOLO-LOLG Mamba 시스템을 두 가지 유명한 철강 결함 사진 컬렉션인 NEU-DET 데이터셋(6가지 유형의 결함 이미지 1,800장)과 GC10-DET 데이터셋(10가지 유형의 결함 이미지 2,300장)으로 테스트했습니다.

결과는 유망했습니다. NEU-DET 데이터셋에서 새 모델은 **80.55%**의 점수(구체적으로 mAP@0.5 80.55%)를 달림으로써 성과를 냈습니다. 이를 비교해 보자면, 표준 YOLOv8 모델(이전 버전)은 **76.61%**의 점수를 기록했습니다. 즉, 새 시스템은 결함을 약 3.94% 더 정확하게 찾아냈다는 뜻입니다. 더욱 인상적인 점은 새 모델이 기존 모델보다 실제로 더 작고 빨랐다는 것입니다. 표준 YOLOv8이 2.69백만 개의 파라미터와 6.9 GFLOPs의 연산량을 사용한 것에 비해, 새 모델은 더 적은 컴퓨터 자원(단 2.36백만 개의 파라미터와 6.1 GFLOPs)만을 사용했습니다.

연구팀은 또한 "어블레이션 실험(ablation experiments)", 즉 새 모델을 분해하여 각 부품이 어떤 역할을 하는지 확인하는 작업을 수행했습니다. 그 결과는 다음과 같았습니다:

• "초정밀 돋보기"(LODConv)만 추가해도 도움이 되었습니다.
• "선 추적기"(LDAM)만 추가해도 도움이 되었습니다.
• "퍼즐 해결사"(MsGroupMamba)만 추가해도 도움이 되었습니다.
• 하지만 이 세 가지를 모두 함께 적용했을 때, 모델은 가장 성능이 좋았으며, 가벼운 상태를 유지하면서도 더 많은 결함을 찾아냈습니다.

또한 그들은 새로운 어텐션 메커니즘("선 추적기")을 LKAttention 및 MSCA와 같은 다른 인기 있는 방법들과 비교했습니다. 그들의 새로운 방식인 LDAM은 일관되게 더 많은 결함을 찾아내고 실수를 줄였으며, 이는 배경 소음을 무시하고 실제 균열에 집중하는 데 더 뛰어나다는 것을 입증했습니다.

결론

이 논문은 세상의 모든 철강 검사 문제를 해결했다고 주장하는 것이 아닙니다. 저자들은 자신들의 모델이 공개 데이터셋을 대상으로 테스트되었으며, 변화하는 조명이나 다양한 유형의 금속과 같은 실제 환경의 혼란을 다루기 위해서는 더 많은 작업이 필요할 수 있음을 신중하게 언급했습니다. 그러나 그들은 "돋보기"를 통한 미세한 디테일 포착, "선 추적기"를 통한 기이한 모양 추적, 그리고 "퍼즐 해결사"를 통한 전체적인 맥락 파악을 결합함으로써, 훨씬 더 날카롭고 효율적인 AI 도구를 만들어냈다고 제안합니다.

간단히 말해, 그들은 컴퓨터 보안 요원이 단순히 "한 번 보는" 것을 넘어, 이전에는 눈에 띄지 않게 숨어 있던 작고 위험한 결함들을 진정으로 "보는" 법을 가르쳤습니다. 이는 미래의 공장들이 결함이 문제가 되기 전에 더 많이 잡아낼 수 있게 하여, 우리의 철강 구조물을 더욱 안전하고 튼튼하게 만들 수 있음을 시사합니다.