AI 기술 개발

R&D Technical Whitepaper

초소형 엣지 환경에서의 객체 유무 판별 비전 AI 시스템 성능 실증 연구

모터에이드 기술연구소 (Motoraid R&D Center)

Abstract (초록)

본 연구는 클라우드 컴퓨팅 및 고성능 GPU 서버에 의존하지 않고, 초소형 마이크로컨트롤러(MCU) 내부에서 독립적으로 구동되는 비전 기반 객체 판별(Empty vs Occupied) 시스템의 실증 결과를 다룬다. 모델 입력 영상의 최적화를 통해 연산량을 극소화하였으며, 전이 학습(Transfer Learning)을 통해 소규모 데이터셋만으로도 높은 정확도를 확보하였다. 실증 테스트 결과 종합 정확도 91.7%, 미학습 객체 판별 신뢰도 98% 이상을 달성하여, 스마트 팩토리 및 물류 자동화 현장에서의 실효성을 입증하였다.

1. 서론 및 시스템 아키텍처 (Introduction & Architecture)

기존의 머신 비전 시스템은 대량의 영상 데이터를 처리하기 위해 고가의 연산 장비를 필요로 하였다. 본 연구에서는 단일 칩(SoC) 기반의 제한된 메모리 환경(8MB PSRAM) 내에서 실시간 추론이 가능한 초경량 엣지 AI 시스템을 설계하였다.

데이터 전처리 및 경량화: 카메라로부터 획득된 원본 영상은 흑백(Grayscale) 압축 변환 및 해상도 정규화를 거쳐 신경망에 입력된다. 이는 조명 변화에 대한 강건성을 확보함과 동시에 연산량과 메모리 사용량을 대폭 절감한다.
하드웨어 플랫폼: Dual Core 240MHz 환경의 초소형 엣지 칩셋을 채택하여 공간 제약이 없는 모듈식 하드웨어 구성을 완성하였다.

2. 학습 방법론 및 데이터 구성 (Methodology)

사물의 종류를 식별하는 다중 클래스 분류(Multi-class Classification) 대신, 특정 관찰 영역(ROI) 내에 사물이 존재하는지 여부만을 판단하는 이진 분류(Binary Classification) 방식을 채택하여 모델을 고도화하였다.

Class 1 (Empty): 물품이 전혀 없는 완전히 비어있는 정적 배경 (조명 변화 및 노이즈 포함).
Class 2 (Occupied): 박스, 공구, 제품 등 임의의 물체가 지정 영역을 점유한 상태.
전이 학습(Transfer Learning) 적용: 대규모 이미지 데이터셋으로 사전 학습된 신경망 특징 추출기를 활용하여 현장에 맞게 재학습하였다. 이를 통해 매우 적은 수의 데이터만으로도 과적합(Overfitting) 없이 안정적인 성능을 도출하였다.

3. 실증 모델 성능 평가 (Validation Metrics)

검증 데이터(Validation Set)를 기준으로 모델 성능을 평가한 결과, 산업 현장에 즉시 투입 가능한 수준의 높은 신뢰성을 확보하였다.

91.7%Accuracy

0.92F1 Score

0.91ROC AUC

0.39Loss

혼동 행렬 (Confusion Matrix) 분석

실제 클래스	Empty 예측	Occupied 예측
Empty	100.0%	0.0%
Occupied	18.2%	81.8%

※ 빈 공간을 물체로 오인한 경우(False Positive)는 0%로 완벽한 안정성을 보였으며, 물체가 있음에도 놓친 경우(False Negative)는 18.2%로 주로 배경과 색상이 유사한 초소형 물체에서 발생하였다.

특징 분포 분석 (Feature Explorer)

▲ Figure 1. 실제 모델의 특징 분포도. AI가 파란색(Empty)과 주황색(Occupied) 데이터를 명확히 다른 군집으로 분리하여 패턴을 인지하고 있음을 증명한다.

4. 다양한 샘플 객체별 실증 결과 (Empirical Results)

학습된 모델을 실제 엣지 디바이스에 탑재하여, 크기 및 색상이 다른 다양한 실물 객체에 대해 추론(Inference) 테스트를 진행하였다. AI는 특정 객체를 암기하는 것이 아닌 '공간 구조의 변화'를 탐지하므로, 사전에 전혀 학습되지 않은 새로운 객체에 대해서도 뛰어난 감지 능력을 보여주었다.

테스트 항목 (Test Case)	Occupied(물체 있음) 판별 확률	판정 결과 (Result)	분석 요약
빈 공간 (Empty)	33.20%	Empty	노이즈 환경 하에서도 정상적인 빈 공간으로 완벽 판별.
학습된 큰 물체	98.44%	Occupied	사물 면적이 충분하여 최고 수준의 신뢰도로 즉시 판별.
미학습 큰 물체	98.44%	Occupied	처음 보는 낯선 형태의 객체임에도 동일한 최고 수준의 신뢰도로 정확히 식별. (범용성 입증)
학습된 작은 물체	88.09%	Occupied	크기가 줄어들어 신뢰도는 다소 하락했으나 판정 임계치를 여유 있게 상회함.
배경과 유사한 소형 물체 (흰색 면봉)	52.93%	Occupied	명암 차이가 적고 크기가 매우 작아 신뢰도가 낮아지는 '한계 조건(Edge Case)' 현상 확인.
유사 색상 다중 물체 (면봉+화장지)	82.81%	Occupied	객체의 전체 면적이 증가함에 따라 신뢰도가 급격히 정상 범주로 회복됨.
초소형 주황색 사탕	60.74%	Occupied	형태는 명확하나 점유 비율이 낮아 중간 수준의 신뢰도를 기록함.

5. 결론 및 향후 과제 (Conclusion)

본 실증 연구를 통해 모터에이드의 엣지 AI 비전 시스템은 새로운 형태의 객체가 나타나더라도 98% 이상의 높은 신뢰도로 판별이 가능하다는 사실을 증명하였다. 색상 대비가 현저히 낮은 초소형 물체(50%대 신뢰도)에 대한 한계점은 향후 조명 조건 제어 및 관심 영역(ROI)의 세밀한 동적 축소 알고리즘을 적용하여 100%에 수렴하는 완벽한 인프라로 고도화해 나갈 예정이다.