.svg)
AI 솔루션 문의하기
송전탑이나 교량 상부 풍력발전기 날개처럼 드론으로 점검하는 시설물은 대부분 사람이 직접 가까이 다가가기 어려운 곳에 있습니다. 실제 결함이 발생한 사례를 촬영하려 해도 결함이 자주 발생하지 않고 발생하더라도 위험한 높이나 위치에 있어 다양한 각도로 충분히 촬영하기가 쉽지 않습니다. 이 때문에 드론 점검용 인공지능을 학습시키려 해도 실제 결함 사진을 필요한 만큼 모으는 일이 현실적인 제약에 부딪히는 경우가 많습니다. 합성데이터는 이 접근의 어려움을 우회하는 방법으로 활용됩니다.
시설물의 3차원 모델에 균열이나 부식 같은 결함을 인위적으로 삽입한 뒤 이를 다양한 각도에서 렌더링해 이미지를 만들어내면 그 이미지 안에서 결함이 정확히 어디에 어떤 형태로 있는지를 이미 알고 있는 상태로 이미지가 생성됩니다. 사람이 사진을 보고 결함의 위치를 하나하나 표시하는 라벨링 작업을 거치지 않고도 이미지와 정답이 동시에 만들어지는 셈이며 이는 사진을 먼저 모으고 그 뒤에 사람이 라벨을 붙이던 기존 순서를 뒤바꾸는 접근입니다. 결함의 형태와 위치를 다양하게 바꿔가며 반복해서 렌더링하면 그만큼 많은 양의 라벨링된 데이터를 짧은 시간 안에 확보할 수 있습니다.
드론은 사람이 들고 촬영하는 카메라와 달리 비행 경로에 따라 매번 다른 각도와 거리에서 시설물을 촬영하게 됩니다. 같은 결함이라도 드론이 어느 방향에서 어느 거리로 접근했는지에 따라 화면에 담기는 모습이 달라집니다. 합성데이터를 생성할 때 가상의 드론이 다양한 비행 경로를 따라 이동하며 촬영하는 상황을 함께 재현한다면 실제 드론 점검에서 마주치는 각도와 거리의 편차를 데이터에 반영하는 데 도움이 될 수 있습니다. 시설물의 규모가 클수록 재현해야 할 비행 경로의 조합도 함께 늘어납니다.
실제 드론으로 촬영한 영상에는 비행 중 발생하는 진동이나 순간적인 흔들림으로 인한 화면 번짐이 섞여 있는 경우가 많습니다. 합성 이미지가 지나치게 선명하고 안정적인 상태로만 만들어지면 실제 드론 영상과의 차이가 커져 학습된 인공지능이 실제 현장에서는 제 성능을 내지 못할 수 있습니다. 렌더링 이후 실제 드론 영상에서 흔히 나타나는 정도의 흔들림과 잡음을 합성 이미지에 인위적으로 더하는 과정을 함께 거친다면 이러한 차이를 줄이는 데 도움이 될 수 있습니다. 바람이 강한 날씨에서 촬영된 영상일수록 흔들림의 정도도 함께 커지는 경향을 반영할 수 있습니다.
교량 송전탑 풍력발전기 태양광 패널은 각각 서로 다른 재질과 구조를 가지고 있어 나타나는 결함의 형태도 다릅니다. 하나의 시설물 유형에서 확보한 결함 데이터를 다른 유형에 그대로 적용하기는 어렵습니다. 시설물 유형별로 결함 목록과 합성 데이터를 구분해 관리하고 새로운 시설물 유형이 점검 대상에 추가될 때마다 그 유형에 맞는 3차원 모델과 결함 유형을 새로 준비하는 절차가 함께 필요합니다. 재질이 비슷한 시설물 유형끼리는 일부 결함 데이터를 참고 자료로 공유할 수 있는 경우도 있습니다.
시설물 점검에 드론 합성데이터 자동 라벨링 체계를 도입하려 한다면 먼저 점검 대상 시설물의 3차원 모델을 확보하거나 새로 제작하는 작업부터 시작하는 편이 좋습니다. 결함 유형별 삽입 방식과 드론 비행 경로 재현 그리고 촬영 잡음을 더하는 절차를 함께 설계해야 하며 실제 현장에서 촬영된 소량의 사진과 합성 데이터를 함께 비교해 인공지능의 실제 인식 성능을 주기적으로 검증하는 작업도 병행될 필요가 있습니다. 3차원 모델 제작에 걸리는 시간이 전체 구축 일정에서 상당한 비중을 차지할 수 있어 이를 사전에 감안해야 합니다.
합성데이터가 만들어내는 결함은 3차원 모델 위에서 설계된 것이라 실제 시설물이 오랜 시간에 걸쳐 노후화되며 만들어내는 미세하고 불규칙한 질감까지는 온전히 재현하지 못하는 경우가 있습니다. 녹슨 자국의 번짐 방향이나 균열 주변의 오염된 흔적처럼 예측하기 어려운 디테일은 실제 시설물에서만 관찰됩니다. 그래서 합성데이터로 초기 학습을 마친 이후에도 실제 점검 현장에서 촬영된 사진을 지속적으로 함께 수집해 3차원 모델과 결함 라이브러리를 갱신하는 절차가 계속 뒤따라야 합니다.
.svg)
.svg)
