스마트 팩토리 CCTV의 진화: YOLO 기반 실시간 위험 탐지와 공정 자동화 시스템
📌 6개 CCTV 멀티 스트리밍 실시간 분석: 단일 프레임 처리의 병목을 극복하기 위해 6개 카메라 영상을 하나의 배치(Batch)로 묶어 GPU 가속 연산을 수행함으로써, 현장 CCTV 전체를 실시간 관제 시스템으로 전환했습니다.
📌 하반신 60% 추적을 통한 위험지역 판단: 단순한 인물 감지를 넘어 작업자의 실제 발 위치인 '하반신 60% 영역'을 기준으로 위험 구역 진입 여부를 산출하고 Socket.IO 실시간 통신으로 현장에 즉시 전달합니다.
📌 7,700여 장 데이터 기반 공정 상태 자동화: 커스텀 라벨링 데이터셋으로 YOLO 분류 모델을 직접 학습시켜 '준비중·작업중·식별불가' 3가지 상태를 99.7% 정확도로 식별하고, 공정별 소요 시간(Cycle Time)을 자동 집계합니다.
1장. 사고 후 확인용 CCTV를 실시간 예방·공정 분석 AI로
공장 현장에 설치된 기존 CCTV는 대부분 사고나 이상 상황이 발생한 이후 사후 원인을 확인하는 수동적인 녹화 장치로 방치되어 왔습니다. 주식회사 비주얼센터는 이러한 CCTV 피드를 AI로 실시간 해석하여 작업자의 안전 위험을 미리 방지하고, 제조 공정의 생산성을 자동으로 기록하는 스마트 비전 솔루션을 구축했습니다.
프로젝트 초기에는 6개의 CCTV 카메라 이미지를 매 프레임마다 순차적으로 AI 모델에 투입하면서 추론 속도가 느려지는 기술적 병목 현상이 발생했습니다.
• 배치 추론(Batch Inference) 적용: 6개 카메라의 정지 프레임을 묶어서 한 번에 추론 모델에 입력하는 방식으로 구조를 변경했습니다.
• GPU 연산 가속화: CPU 중심 처리 구조를 GPU 병렬 처리 환경으로 전환하여 약 360~400ms 대의 고속 분석 주기를 확보함으로써, 6개 채널 동시 실시간 모니터링을 완성했습니다.
2장. '사람 감지'를 넘어선 '하반신 60%' 위험구역 정밀 계산
공장 안전 관리의 핵심은 단순히 사람이 존재하는지 아는 것이 아니라, "작업자가 위험 장비나 가열 구역의 정밀 경계선 내부로 들어갔는가"를 판단하는 것입니다.
기존의 상반신 포함 전체 바운딩 박스를 기준으로 판단할 경우, 작업자가 위험구역 외곽에 서 있음에도 공중에 뜬 상체 박스 영역 때문에 오경보(False Alarm)가 발생하는 한계가 있었습니다.
[작업자 위치 추적 및 위험 판단 메커니즘]
CCTV 실시간 6채널 입력 ──► 작업자 바운딩 박스 추적 ──► 하반신 60% 영역 좌표 계산
Socket.IO 실시간 웹 푸시 ◄── 위험구역 다각형과 오버랩 산출 ◄────┘
하반신 60% 가중치 판단: 작업자의 실제 발 위치에 가장 가까운 '하반신 60%' 영역만을 위험구역 다각형(Polygon)과 대입하여 진입 여부를 정밀 계산했습니다.
웹소켓(Socket.IO) 실시간 전송: 카메라별 총 작업자 수 및 위험구역 내부 인원수를 1초 미만 단위로 웹 모니터링 모듈과 iframe 뷰어에 실시간 푸시(Push)하여 즉각적인 위험 알림 구조를 구축했습니다.
3장. 99.7% 정확도의 비결: '식별불가' 라벨링 전략과 모델 학습
현장 공정 자동화를 위해 실제 1라인 작업 공정의 2시간 분량 CCTV 녹화본에서 7,735장의 프레임을 직접 추출하고, 사람의 눈으로 현장 상태를 직접 확인하며 커스텀 라벨링 데이터셋을 구축했습니다.
학습 파라미터 및 구성: YOLO Classification 모델을 기반으로 입력 이미지 크기 224x224, 50 Epochs 학습을 진행했습니다.
데이터셋 규모: 학습 데이터 7,735장, 검증 데이터 1,050장을 투입하여 최종 검증 Top-1 정확도 약 0.997(99.7%)을 달성했습니다.
단순히 '준비'와 '작업중' 2가지 상태로만 라벨링을 시도했을 때는 현장의 수많은 예외 상황(Edge Cases)으로 인해 오분류가 다수 발생했습니다. 다음 트레이를 미리 준비하면서 작업하는 장면, 완료된 부품을 재투입하는 장면, 카메라 사각지대에 몸이 가려진 애매한 상황을 무리하게 둘 중 하나로 분류하지 않고 '식별불가'라는 제3의 독립 라벨로 정의한 것이 학습 안정성을 극대화한 핵심 전략이었습니다.
4장. 프레임 노이즈 보정과 공정 타임라인(Cycle Time) 자동 집계
AI 모델이 프레임 단위로 예측한 무가공 결과는 실시간 현장 조명이나 짧은 움직임으로 인해 순간적으로 상태값이 흔들리는 노이즈가 존재합니다. 이를 해결하기 위해 최근 연속된 프레임 결과들을 집계하여 가장 높은 비중을 차지하는 상태를 도출하는 '슬라이딩 윈도우 다수결' 알고리즘을 적용했습니다.
1초 단위 안정 상태(Stable State) 계산: 매초 안정적인 상태값을 갱신하여 시스템의 시각적 튀림 현상을 제거했습니다.
공정 전환(Transition) 자동 감지: '준비중 ──► 준비완료 ──► 작업중'으로 상태가 바뀌는 순간을 자동 감지하여 캡처 이미지 및 타임스탬프를 JSON 로그로 기록했습니다.
공정별 소요 시간 산출: 누적된 상태 전환 기록을 바탕으로 각 공정별 순수 작업 시간 및 준비 시간(Cycle Time)을 일별 타임라인 그래프로 자동 시각화했습니다.
실제 현장 CCTV에 AI 시각 지능을 이식하는 과정에서 가장 중요한 것은 화려한 모델 구조보다 "현장의 맥락을 반영한 정교한 데이터 라벨링과 도메인 특화 로직"이었습니다.
주식회사 비주얼센터는 공장 안전 관제부터 생산 공정의 자동 타임라인 집계까지, 제조 현장의 디지털 전환(AX)을 위한 실전형 비전 AI 솔루션을 지속적으로 공급해 나가겠습니다.
대표 전화 문의: 1577-7638
대표 이메일: withu@2tv.co.kr
공식 웹사이트: https://visual.center/