당신이 거대하고 어지러운 놀이터 곳곳에 흩어진 아주 작고 부서진 유리 조각들을 찾아내려는 탐정이라고 상상해 보세요. 어떤 조각들은 매우 크고 눈에 잘 띄지만, 어떤 것들은 바람에 춤추는 먼지 입자처럼 너무 작아서 보이지도 않습니다. 이제 이 놀이터를 수 마일에 달하는 고전압 송전선이라고 상상해 보세요. 그리고 이 "유리 조각들"은 전기가 안전하게 흐르도록 유지해 주는 애자(insulator) 위의 결함입니다. 이 애자들은 전기를 지탱하고 전기가 엉뚱한 곳으로 튀지 않도록 막아주는, 전력망의 숨은 영웅들입니다. 하지만 이들은 야외에서 비, 바람, 햇빛을 맞으며 살아가기 때문에 균열이 생기거나, 깨지거나, 심지어 폭발하기도 합니다.

오랫동안 인간은 전주에 올라가거나 카메라를 단 드론을 띄워 이러한 문제를 찾아내야 했지만, 이는 느리고 힘들며 아주 작은 균열은 놓치기 쉬웠습니다. 여기에 "컴퓨터 비전"이라는 분야, 즉 컴퓨터에게 우리처럼 이미지를 보고 이해하는 법을 가르치는 과학의 세계가 등장했습니다. 이 분야에는 '객체 탐지기(object detector)'라고 불리는 특별한 프로그램들이 있습니다. 이것들은 마치 초고속 스캐너처럼 사진을 보고 즉시 "저기에 부서진 애자가 있다!"라고 외치는 것과 같습니다. 하지만 이 스캐너들은 종종 혼란을 겪기도 합니다. 너무 작은 균열은 놓치기도 하고, 배경에 있는 이상한 구름이나 나뭇가지를 보고 결함이라고 착각하기도 합니다. 큰 과제는 컴퓨터가 복잡한 배경에 방해받지 않고도 작고 까다로운 결함을 포착할 수 있을 만큼 예리해지도록 가르치는 것입니다.

여기서 창주 대학교(Changenshou University)의 연구진이 새로운 아이디어를 가지고 등장했습니다. 그들은 강력하고 현대적인 이미지 스캔 도구인 YOLO11s(이름에서 알 수 있듯 "한 번만 본다"는 뜻으로, 매우 빠르다는 것을 암시함)를 가져와서 이를 대폭 업그레이드했습니다. 그들은 원래의 모델보다 복잡하고 무질서한 전력선의 세계를 더 잘 다룰 수 있는 버전을 만들고자 했습니다. 그들은 자신들의 새로운 창조물을 DTRW-YOLO11s라고 불렀습니다.

연구진은 몇 가지 영리한 기술을 사용하여 탐정의 도구 상자를 다음과 같이 업그레이드했습니다.

첫째, 연구진은 컴퓨터가 이미지를 볼 때 처리를 쉽게 하기 위해 사진을 축소한다는 점에 주목했습니다. 하지만 그 과정에서 작은 균열과 같은 미세한 디테일을 실수로 버리기도 한다는 것을 발견했습니다. 이를 해결하기 위해 연구진은 DSDown이라는 특별한 모듈을 도입했습니다. 당신이 군중 사진을 찍을 때, 단순히 줌아웃하여 뒤에 있는 사람들의 얼굴을 잃어버리는 대신, 뒤쪽 사람들의 세밀한 디테일을 유지하면서도 사진을 작게 만드는 특수 필터를 사용하는 것과 같습니다. 이 모듈은 보통 사라지기 쉬운 중요한 "작은 대상"의 특징들을 컴퓨터가 계속 유지할 수 있도록 도와줍니다.

둘째, 컴퓨터가 배경에 의해 주의가 분산된다는 점을 깨달았습니다. 컴퓨터는 하늘, 나무, 전선을 보며 무엇이 실제 결함인지 헷별해하곤 했습니다. 컴퓨터가 집중할 수 있도록 돕기 위해, 연구진은 Triplet Attention 메커니즘을 추가했습니다. 이것은 탐정에게 세 쌍의 특수 안경을 주는 것과 같습니다. 한 쌍은 물체의 형태를 보는 데 도움을 주고, 다른 한 쌍은 색상과 질감을 이해하도록 하며, 세 번째 한 쌍은 물체가 주변 환경과 어떻게 연관되는지 이해하도록 돕습니다. 이 세 가지 렌즈를 통해 이미지를 동시에 봄으로써, 컴퓨터는 노이즈가 많은 배경을 무시하고 복잡한 장면 속에 숨어 있는 실제 애자에 집중하는 법을 배웁니다.

셋째, 크기 문제를 해결했습니다. 애자는 드론과의 거리에 따라 매우 크거나 아주 작을 수 있습니다. 컴퓨터는 큰 그림과 미세한 디테일을 동시에 볼 수 있어야 합니다. 연구진은 C3k2_RFCAConv라는 새로운 모듈을 구축했습니다. 이것은 카메라 렌즈가 즉각적으로 초점을 바꾸는 것과 같습니다. 때로는 애자의 가장자리에 있는 작은 칩을 보기 위해 타이트하게 줌인하고, 때로는 부서진 전체 조각을 보기 위해 줌아웃합니다. 이 "적응형 렌즈" 덕분에 컴퓨터는 혼란 없이 모든 크기의 결함을 이해할 수 있습니다.

마지막으로, 컴퓨터가 실수로부터 배우는 방식을 개선했습니다. 기존 프로그램에서는 컴퓨터가 결함의 위치를 잘못 예측했을 때 너무 가혹하게 처벌받았고, 이로 인해 때때로 아예 예측하기를 두려워하기도 했습니다. 연구진은 기존의 점수 산정 방식을 WIoU라는 새로운 방식으로 교체했습니다. 이것은 어떤 실수는 단순한 "나쁜 추측"이고 어떤 것은 "정말 나쁜 추측"인지 아는 똑똑한 선생님과 같습니다. 이 선생님은 컴퓨터가 가장 잘 배울 수 있는 샘플에 집중하도록 부드럽게 안내하며, 결함이 정확히 어디에 있는지 찾아내는 능력을 키워줍니다.

연구진이 새로운 DTRW-YOLO11s 탐정을 테스트했을 때, 결과는 인상적이었습니다. 그들은 정상, 파손, 폭발 또는 전기적 화상(플래시오버)이 발생한 애자를 포함하여 수천 장의 전선 사진을 보여주었습니다. 기존 YOLO11s와 비교했을 때, 업그레이드된 버전은 결함을 찾는 능력이 훨씬 향상되었습니다. 이 모델은 결함을 **90.3%**의 확률로 정확히 식별해 냈으며(mAP@0.5라는 지표), 이는 기존 모델보다 4.1% 향상된 수치입니다. 또한 결함을 놓치지 않는 능력(재현율/Recall이 4.2% 상승)과 가짜 결함을 만들어내지 않는 능력(정밀도/Precision이 3.3% 상승)도 좋아졌습니다.

더욱 흥-미로운 점은, 이 모델을 더 똑똑하게 만들면서도 오히려 더 작고 빠르게 만들었다는 것입니다. 새 모델은 기존 모델보다 10.6% 적은 메모리 자원(파라미터)과 19.7% 적은 연산량(FLOPs)을 사용합니다. 이는 이 모델이 전력 회사에서 사용하는 더 작고 저렴한 드론이나 휴대용 기기에서도 실행될 수 있음을 의미하며, 일상적인 점검을 더 빠르고 신뢰할 수 있게 만듭니다.

또한 연구진은 자신들의 모델이 단순히 전선 사진에만 운 좋게 잘 작동하는 것인지, 아니면 실제로 컴퓨터의 "눈" 자체를 더 좋게 만든 것인지 확인하기 위해 일반적인 사물(고양이, 자동차, 배 등)이 담긴 완전히 다른 데이터 세트(PASCAL VOC2007)로 테스트했습니다. 그 결과, 모델은 이러한 사물들도 더 잘 포착해 냈으며, 이는 자신들의 업그레이드가 견고하고 유용하다는 것을 증명했습니다.

요약하자면, 이 논문은 컴퓨터 비전 모델에게 세부 사항을 잃지 않고 이미지를 축소하는 더 나은 방법, 중요한 부분에 집중하는 더 똑똑한 방법, 다양한 크기에 대응하는 유연한 렌즈, 그리고 실수로부터 배우는 더 공정한 방식을 제공함으로써, 전력선을 훨씬 더 안전하게 지킬 수 있는 더 나은 시스템을 구축할 수 있음을 시사합니다. 이것은 모든 문제를 즉시 해결하는 마법 지팡이는 아니지만, 우리의 전력망을 더 안전하게 만들고 점검 과정을 더 스마트하게 만드는 중요한 진전입니다.