.svg)
AI 솔루션 문의하기
3D 모델링이 광범위하게 도입된 현대에도 2D 도면은 여전히 제조 현장에서 가장 실용적이고 즉각적인 의사소통 도구로 활용되고 있습니다. 도면의 각 뷰(정면도, 측면도, 평면도, 단면도)가 제공하는 정보는 최종 사용자인 작업자나 기술자가 가장 직관적으로 이해할 수 있는 형태이며, 특정 부분의 세부 사항을 명확하게 표현할 수 있다는 장점이 있습니다. 또한 수십 년 전에 만들어진 레거시 도면들이 여전히 생산 현장에서 사용되고 있으므로, 이러한 방대한 양의 2D 도면 자산을 현대적으로 활용하려면 AI 기반의 자동 해석 기술이 매우 실용적입니다.
또한 2D 도면으로부터 학습 자료를 구축하는 것은 3D 도면보다 다른 종류의 도전을 제시합니다. 평면에 표현된 정보의 밀도가 높아서, 제한된 공간에 여러 뷰를 동시에 표현하고 있으며, 뷰 간의 대응 관계를 파악하는 것이 매우 중요합니다. 또한 2D 도면은 국제 표준(ISO 128)을 따르면서도 각 산업 분야나 기업마다 자신들만의 규칙과 관례를 적용하고 있어서, 이들을 모두 학습할 수 있는 모델이 필요합니다. 더욱이 수기로 수정되었거나 복사본이 반복된 도면들이 많아서, 그러한 도면에서도 필요한 정보를 정확하게 추출할 수 있는 견고성이 필수적입니다.
2D 도면의 특징적인 구조는 하나의 부품이나 조립체를 여러 각도에서 표현하는 다중 뷰 방식입니다. 정면도, 측면도, 평면도가 기본이 되며, 특별한 부분을 강조하기 위해 국부 확대도, 단면도, 상세도 같은 추가 뷰들이 포함되기도 합니다. 각 뷰는 그 자체로 완전한 정보를 담고 있지 않지만, 여러 뷰를 종합하면 3차원 형태에 대한 완전한 이해가 가능해집니다. 따라서 AI 모델이 2D 도면을 학습할 때 개별 뷰뿐 아니라 뷰 간의 공간적 관계와 대응 관계를 이해하는 능력이 매우 중요합니다.
뷰 간의 대응 관계를 학습하는 것은 특별한 도전입니다. 정면도의 특정 모서리가 평면도에서는 어떻게 표현되는가, 숨겨진 모서리를 나타내는 점선이 실제로 무엇을 의미하는가 같은 3차원 공간 이해도가 요구됩니다. 이를 해결하기 위해 학습 자료에는 각 뷰 간의 명시적인 대응 정보(correspondence annotation)를 포함시켜, 모델이 뷰 간의 논리적 관계를 학습할 수 있도록 합니다. 또한 여러 뷰로부터 3D 형태를 복원하는 테스크를 통해 모델의 공간 이해도를 검증할 수 있습니다.
2D 도면에 표현되는 기호와 치수 정보는 실제 제조에 직결되는 매우 중요한 정보입니다. 기하 공차(geometric tolerance) 기호, 표면 거칠기 표기, 특수한 처리 지시 같은 세밀한 기호들이 올바르게 인식되지 않으면 제조 오류가 발생할 수 있습니다. 또한 치수 표기도 단순한 숫자가 아니라 참조치수, 최대/최소 극한 치수, 공차가 포함된 형태로 표현되므로, 모든 정보를 정확하게 추출해야 합니다. 이러한 고도의 정확성을 보장하기 위해 도메인 전문가에 의한 수동 검증과 자동 검증을 함께 수행하는 이중 검사 체계가 필수적입니다.
텍스트 인식도 2D 도면에서 특별한 주의가 필요합니다. 도면에 포함된 부품명, 재료, 처리 조건 같은 텍스트는 다양한 폰트와 크기로 표기되어 있으며, 도면의 상태(복사본, 손상된 부분)에 따라 인식 정확도가 크게 영향을 받습니다. 따라서 일반적인 OCR 기술을 그대로 적용하기보다는 도면 특화 OCR 모델을 개발하여, 도면 환경의 특수성을 반영한 높은 정확도를 달성해야 합니다.
2D 도면에서는 같은 기하학적 특징이 여러 뷰에서 일관되게 표현되어야 합니다. 예를 들어 정면도에서 표현된 구멍의 개수가 평면도에서도 정확히 반영되어야 하며, 치수도 대응 관계에서 일치해야 합니다. 학습 자료에는 이러한 일관성을 자동으로 검증하는 규칙을 포함시켜, 뷰 간의 불일치를 조기에 탐지할 수 있도록 합니다.
과거에 작성된 도면들은 현재의 표준과 다른 기호나 표기법을 사용하고 있을 수 있습니다. 학습 자료에 이러한 역사적 변형들을 포함시키고 현재 표준으로의 매핑을 제공하면, 모델이 시간에 따른 표준의 진화를 이해하고 레거시 도면도 정확하게 해석할 수 있게 됩니다.
2D 도면 인식을 위한 머신러닝 모델은 여러 태스크를 동시에 수행해야 합니다. 도면의 각 영역을 기능별로 분할(정면도 영역, 측면도 영역, 차원 정보 영역 등)하는 레이아웃 분석, 각 영역 내의 기호와 텍스트를 인식하는 객체 탐지, 그리고 전체 도면의 의미를 통합적으로 해석하는 고수준 이해가 모두 필요합니다. 현대의 멀티태스크 학습(multi-task learning) 아키텍처를 활용하면 이들 태스크를 동시에 학습하여 각 태스크의 성능을 상호 강화할 수 있습니다.
2D 도면 인식의 성능은 도면의 상태와 복잡도에 따라 크게 달라집니다. 명확하고 최신의 도면은 높은 정확도를 달성하지만, 손상되었거나 복사본이 반복된 도면에서는 성능이 크게 떨어질 수 있습니다. 따라서 학습 자료에 이러한 다양한 상태의 도면을 의도적으로 포함시켜, 모델이 비이상적인 조건에서도 견고하게 작동할 수 있도록 훈련해야 합니다.
2D 도면으로부터 자동 추출된 정보는 여러 실무 분야에서 활용될 수 있습니다. 부품 목록(BOM) 자동 생성 시스템은 도면으로부터 모든 부품을 식별하고 그 특성을 추출하여 자동으로 목록을 작성합니다. 공정 계획 시스템은 도면의 기하학 정보와 공차로부터 필요한 가공 공정과 공구를 자동으로 제안합니다. 원가 견적 시스템은 부품의 재료, 크기, 그리고 필요한 공정으로부터 제조 비용을 자동으로 계산합니다.
검색 및 재사용 시스템도 2D 도면에서 특히 유용합니다. 새로운 부품 설계가 필요할 때 유사한 기하학적 특징을 가진 과거의 부품을 빠르게 찾아 기초로 활용할 수 있으므로, 설계 시간이 크게 단축됩니다. 또한 조립 공정의 자동 계획, 품질 검사 기준의 자동 생성 같은 다양한 후속 작업들이 자동화될 수 있습니다.
2D 도면 AI 학습데이터의 구축은 제조 현장의 가장 실용적인 자산을 현대적으로 활용하는 기회입니다. 다중 뷰 정보 구조의 정확한 이해, 기호와 치수 정보의 정밀한 추출, 그리고 도메인 특화 모델의 개발을 통해 방대한 양의 2D 도면이 보유한 기술적 지식을 해방시킬 수 있게 됩니다. 이는 단순히 옛날 자료의 현대화가 아니라 이미 검증된 설계 지식을 신속하게 재활용하는 효율성 혁신을 의미합니다.
.svg)
.svg)
