기술 요약: 송전선로 애자 결함 탐지를 위한 HCL-YOLOv8

1. 문제 정의

송전선로 애자(특히 플래시오버 및 파손된 애자)의 결함을 정확하게 탐지하는 것은 전력 시스템 안전에 매우 중요하지만, 다음과 같은 세 가지 주요 요인으로 인해 여전히 까다로운 과제로 남아 있습니다:

1. 미세 객체 위치 추정 (Tiny Object Localization): 결함 사례는 전체 이미지에 비해 극도로 작아서, 심층 네트워크의 반복적인 다운샘플링 과정에서 위치 추정이 불안정해지고 세부 정보가 손실됩니다.
2. 복잡한 배경 간섭: 결함과 다른 구조물(예: 전선, 타워 부품) 사이의 시각적 유사성으로 인해, 특히 안개, 과노출 또는 폐쇄가 있는 복잡한 환경에서 높은 오탐률(False-positive rate)이 발생합니다.
3. 계층적 사전 지식(Hierarchical Priors)의 미활용: 기존 방법들은 결함 대상이 반드시 애자 스트링(Insulator string) 영역 내부 또는 근처에 위치한다는 내재적 구조 관계를 무시하는 경우가 많습니다. 이러한 누락은 일관되지 않은 샘플 할당과 학습 목표를 초래하여, 애자 스트링 외부에서의 오경보를 유발합니다.

또한, 이 분야는 환경적 열화(Environmental degradations)에 비해 결함 샘플이 부족한 데이터 불균형 문제를 겪고 있으며, 이는 과적합(Overfitting)으로 이어집니다.

2. 방법론: HCL-YOLOv8

본 논문은 YOLOv8n 베이스라인을 기반으로 구축된 경량 탐지 프레임워크인 HCL-YOLOv8을 제안합니다. 핵심 철학은 결함과 애자 스트링 사이의 자연스러운 계층적 관계를 학습 가능한 감독 신호(Supervisory signal)로 만드는 것입니다. 이 프레임워크는 다음 구성 요소들을 통합합니다:

2.1 데이터 증강 전략

데이터 희소성과 불균형을 해결하기 위해, 저자들은 **결함 민감형 계층적 오프라인 증강 전략(Defect-sensitive stratified offline augmentation strategy)**을 채택했습니다.

• 단계별 접근 (Tiered Approach): 샘로를 희소성에 따라 세 단계로 나눕니다: Tier 1 (파손된 결함), Tier 2 (플래시오버 결함), Tier 3 (정상 애자 스트링).
• 증강 로직: 희소한 결함 클래스(Tier 1 & 2)는 텍스처의 무결성을 보존하기 위해 결정론적인 증강(예: 눈부심, 안개, 노이즈)을 적게 적용하여 과도한 폐쇄를 피합니다. 풍부한 정상 클래스(Tier 3)는 환경적 열화와 강력한 폐쇄의 무작위 조합을 사용하여 공격적인 증강(원본당 최대 40개 이미지)을 수행합니다.
• 구현: 이는 원본의 훈련/검증/테스트 분할을 엄격히 유지하고 분포 오염을 방지하기 위해 Albumentations 라이브러리를 사용하여 오프라인에서 수행됩니다.

2.2 네트워크 아키텍처 개선

• P2 고해상도 탐지 헤드 (P2 High-Resolution Detection Head): 표준 $\{P3, P4, P5\}$ 피라미드에 $P2$ 특징 레이어를 추가했습니다. 이는 미세한 결함의 세밀한 디테일을 포착하기 위해 더 높은 공간 해상도를 제공하며, 후속 제약을 위한 더 조밀한 후보 위치를 제공합니다.
• 연성 경계 사전 분기 (Soft Boundary Prior Branch, SBP-Branch): 부모 애자 스트링의 그라운드 트루스 박스에서 유도된 소프트 마스크에 의해 감독되는 단일 채널 사전 맵을 출력하는 경량 보조 분기입니다. 이는 소프트 경계 설계(중앙 영역 = 1, 가장자리로 갈수록 감소)를 사용하여 네트워크가 주석 노이즈를 허용하면서도 애자 영역 내에서 특징 학습에 집중하도록 유도합니다.

2.3 계층적 일관성 학습 메커니즘

핵-혁신은 훈련 및 추론 파이프라인 전반에 걸쳐 구조적 일관성을 강제하는 데 있습니다:

1. 계층 제약 태스크 정렬 레이블 할당 (Hierarchy-Constrained Task-Aligned Label Assignment, HC-TAL):

   • 부모 매칭 (Parent Matching): 각 결함 그라운드 트루스에 대해 상응하는 부모 애자 스트링 박스를 식별합니다.
   • 기하학적 필터링 (Geometric Filtering): 결함 클래스에 대한 양성 샘플 선택은 확장된 결함 박스와 확장된 부모 박스의 교집합 내에 있는 후보 지점으로 제한됩니다.
   • 목표: 이를 통해 근원적으로 애자 스트링 외부의 의사 양성(Pseudo-positive) 샘플을 제거하여 훈련 노이즈를 줄입니다.

2. 소형 객체 인지 정규 가우시안 바세슈타인 거리 (Small-Object-aware Normalized Gaussian Wasserstein Distance, SO-NWD) 손실:

   • 미세 박스에 대한 IoU 기반 손실의 불안정성을 해결하기 위해, 바운딩 박스를 2D 가우시안 분포로 모델링합니다.
   • 손실 함수는 예측 분포와 그라운드 트루스 분포 사이의 바세슈타인 거리를 사용합니다.
   • 더 작은 객체의 회귀를 우선시하기 위해 결함 샘플에 역면적 가중치(Inverse-area weight)를 적용합니다.

3. 계층적 포함 정규화 손실 (Hierarchical Containment Regularization Loss, HCR-Loss):

   • 이 손실은 결함 박스가 매칭된 부모 박스를 벗어나는 예측에 대해 명시적으로 페널티를 부여합니다.
   • 경계 위반에 대해 부드러운 페널티를 부과하기 위해 Softplus 함수를 사용합니다.
   • 훈련 초기 단계의 불안정성을 방지하기 위해 품질 게이팅 계수(Quality gating coefficient)와 이차 램프 스케줄(Quadratic ramp schedule)을 사용합니다.

4. 계층 인식 소프트 재점수화 (Hierarchy-aware Soft Re-scoring, HSR) 후처리:

   • 추론 시 NMS(Non-Maximum Suppression) 이후에 적용됩니다.
   • 높은 신뢰도의 결함 예측이 예측된 부모 애자 스트링의 확장된 영역 밖에 있는 경우, 해당 예측을 삭제하는 대신 신뢰도 점수를 낮춥니다 (예: 0.4를 곱함).
   • 이는 부모 객체가 누락된 경우를 대비하여 오탐 억제와 재현율(Recall) 보존 사이의 균형을 맞춥니다.

2.4 전체 손실 함수

전체 훈련 손실은 표준 YOLOv8 탐지 손실과 제안된 구성 요소들을 결합합니다:
$$\mathcal{L} = \mathcal{L}_{yolo} + \lambda_p \mathcal{L}_{prior} + \lambda_n \mathcal{L}_{sonwd} + w_h(e)\mathcal{L}_{hcr}$$
여기서 $w_h(e)$는 에포크 적응형(Epoch-adaptive) HCR-Loss 가중치입니다.

3. 주요 기여

1. 계층적 일관성 프레임워크: 결함과 애자 스트링 간의 "부분-전체(part-of)" 관계를 샘플 할당, 손실 정규화 및 추론 의사 결정에 통합하는 통합된 접근 방식을 도입했습니다.
2. HC-TAL 전략: 양성 결함 샘플을 유효한 부모 영역 내로 기하학적으로 제한함으로써 배경에 의한 오탐을 크게 줄이는 새로운 레이블 할당 방법을 제시했습니다.
3. 특화된 손실 함수: 미세 객체의 안정적인 회귀를 위한 SO-NWD와 훈련 중 기하학적 포함을 강제하기 위한 HCR-Loss를 개발했습니다.
4. 계층적 오프라인 증강: 희소한 결함 클래스와 풍부한 정상 클래스에 서로 다른 강도를 적용하여 클래스 불균형을 해결하는 맞춤형 데이터 증강 파이프라인을 제공합니다.
5. 경량 성능: 대상 데이터셋에서 최첨단(SOTA) 성능을 달면서도 엣지 배포에 적합한 경량 파라미터 수(3.12M)를 유지합니다.

4. 실험 결과

실험은 제안된 증강 전략을 통해 10,621장으로 확장된 Zheng 등의 공개 애자 결함 데이터셋을 대상으로 수행되었습니다.

• 성능 지표:

  • 정밀도 (Precision): 0.923
  • 재현율 (Recall): 0.911
  • mAP@0.5: 0.923
  • mAP@0.5:0.95: 0.599
  • 파라미터 수: 3.12M
  • GFLOPs: 12.6

• 베이스라인과의 비교:

  • YOLOv8n 베이스라인과 비교했을 때, HCL-YOLOv8은 Recall을 3.4 퍼센트 포인트, mAP@0.5를 1.5 퍼센트 포인트 향상시켰습니다.
  • 다른 경량 탐지기들(YOLOv5n, YOLOv10n, YOLOv11n)보다 정밀도와 재현율 측면에서 우수한 성능을 보였습니다.
  • mAP@0.5:0.95(0.599)는 YOLOv11n(0.609)보다 약간 낮았지만, 약 70% 적은 파라미터와 50% 낮은 계산 비용으로 이를 달성했습니다.

• 절제 연구 (Ablation Study):

  • P2 Head와 SBP-Branch는 미세 객체의 가시성과 영역 집중의 토대를 마련했습니다.
  • HC-TAL은 샘플 순도를 향상시켰습니다 (Precision).
  • SO-NWD와 HCR-Loss는 위치 안정성과 구조적 일관성을 보완하여 Recall을 높였습니다.
  • HSR은 추론 시 정밀도-재현율 트레이드오프를 미세 조정했습니다.

5. 의의 및 주장

본 논문은 HCL-YOLOv8이 계층적 구조적 사전 지식을 암묵적 지식으로 두지 않고 활용함으로써 애자 결함 탐지의 특정 과제들을 효과적으로 해결한다고 주장합니다. 본 연구의 의의는 다음과 같습니다:

• 미세 객체 탐지 개선: 계층적 제약과 특화된 손실 함수이 미세한 플래시오버와 같은 결함 탐지를 어떻게 크게 향상시키는지 입증했습니다.
• 엔지니어링 실행 가능성: 높은 탐지 성능과 경량 배포 요구 사항 사이의 유리한 균형을 달하여, UAV 또는 로봇 보조 검사에 적합함을 보여주었습니다.
• 강건성: 계층적 일관성 학습과 계층적 증강의 결 조합을 통해 복잡한 배경 및 영상 열화에 대한 탄력성을 보여줍니다.

저자들은 이 프레임워크가 경량화된 제약 조건 하에서 미세 객체 결함 탐지를 위한 안정적인 이점을 제공하며, 엔지니어링 배포를 위한 실질적인 잠재력을 지니고 있다고 결론짓습니다.