💬 실리콘 기판에서 측정한 기울기와 곡률 데이터를 결합하는 하이브리드 최소제곱 표면 복원 알고리즘을 구현한다. 그리드 간격과 측정 노이즈에 따른 복원 성능을 평가하고, 공초점 센서 측정 결과를 기준으로 정확도를 검증한다.

💬 산업현장에서는 작업자의 안전모, 안전조끼, 장갑 등 개인보호구(PPE) 착용 여부를 지속적으로 관리할 필요가 있다. 그러나 관리자가 작업자의 보호구 착용 상태를 지속적으로 직접 확인하는 방식에는 한계가 있으며, 작업 중 발생하는 미착용 상황을 실시간으로 파악하기 어렵다. 본 프로젝트에서는 별도의 PPE 전용 추가 학습에 대한 의존도를 줄이면서 작업자의 보호구 착용 상태를 실시간으로 확인할 수 있는 Training-Free 기반 산업안전 모니터링 시스템을 개발하고자 한다.

💬 본 프로젝트는 라벨 없는 현장 데이터만으로 스스로 적응하는 통합 교사–학생(EMA) 모델을 기반으로, 군용드론을 실시간 탐지·추적하고 시선제어까지 연결하는 통합 감시 시스템을 개발한다. 선행 등록 연구(BIO-SFDA, Results in Engineering게재)의 구조를 계승하되, SFDA를 메인으로 SSL·UDA·SFDA+few-shot 학습을 유연하게 결합해 조도·카메라·기체 변화 같은 도메인 이동 상황에서 재학습 없이 성능을 유지한다. 시스템은 특징 추출(생체모방 게이트)→객체 탐지→다중 객체 추적→화면중심 편차 기반 시선제어의 실시간 폐루프로 구성되며, 공개 데이터셋 교차 실험에서 적응 전후 성능(mAP·추적 안정성·≥25fps)을 제출 코드가 직접 재현하는 수치로 검증한다. 최종 산출물은 라이브 데모, 하드웨어(드론·노트북 직결 시연), 소프트웨어 일체이며, 선행 연구와의 계보를 명문화한다.

💬 방대한 센서 수치(정형)와 스마트폰 카메라의 실시간 비전 이미지(비정형)를 병목 없이 수용하는 파일 기반 미니 데이터 레이크 아키텍처를 구축합니다. 카메라가 외관 불량을 포착하는 즉시 시계열 데이터를 융합 분석하여, 해당 시점의 이상 유무와 근본 원인을 실시간 대시보드에 신속하게 표출하는 엔드투엔드 파이프라인을 구현합니다.

💬 본 프로젝트는 비디오 트윈(Video Twin) 기반의 Training-free 제로샷 산업 결함 검출 및 지능형 현장 모니터링 시스템​을 개발하는 것을 목표로 한다. 기존 산업 현장의 비전 검사 시스템은 새로운 제품이나 새로운 결함 유형이 등장할 때마다 정상/불량 데이터를 다시 수집하고 모델을 재학습해야 하는 한계가 있다. 본 프로젝트는 이러한 한계를 줄이기 위해 추가 학습 없이(pretrained model frozen), 새로운 대상에도 즉시 적용 가능한 training-free 제로샷 결함 검출 방식​을 활용한다. 특히 단일 이미지 기반 검사에 머무르지 않고, 현장 카메라 스트림과 공정 맥락 정보를 반영한 비디오 트윈 환경을 구성하여 시간 흐름에 따른 상태 변화를 반영한다. 이를 통해 단순 결함 탐지를 넘어 설비·부품 이상 조기 감지, ​현장 상황 모니터링, ​이상 발생 시점 추적, ​운영자 경보 및 의사결정 지원까지 가능한 통합 시스템을 구현하고자 한다.

💬 산업 현장에서 작업자의 안전 확보를 위해 안전모·장갑·안전화 등 개인보호구(PPE)의 착용 여부를 실시간으로 확인할 수 있는 AI 객체 탐지 모델을 개발한다. 기존 객체 탐지 모델은 안전모나 장갑과 같이 크기가 작은 개인보호구를 독립적인 객체로 탐지하기 때문에, 복잡한 작업 환경이나 원거리 촬영 상황에서 탐지 성능이 저하될 수 있다. 본 프로젝트에서는 머리-안전모, 손-장갑, 발-안전화와 같은 신체 부위와 개인보호구 간의 공간적 관계를 Query 학습에 활용하는 RT-DETR 기반 객체 탐지 기법을 개발하고, 실제 모바일 환경에서 추론 성능을 실증하는 것을 목표로 한다.

💬 사전에 정의되지 않은 물체까지 인식할 수 있는 개방형 어휘 의미론적 분할(OVSS) 기술을 산업현장 위험 객체 탐지에 적용한다. 비전-언어 모델 SigLIP 2를 백본으로 하여 별도 학습 없이 텍스트로 지정한 객체를 픽셀 단위로 분할하는 training-free 파이프라인을 설계하고, 8개 표준 OVSS 벤치마크에서 정량 검증한다. 이어서 노트북 카메라를 연동한 실시간 추론 시스템을 구현하고, 덤프트럭·굴착기·철근 등 현장 객체를 축소 모형(장난감·미니어처)으로 구성한 실증 환경에서 카메라 입력만으로 위험 객체가 분할·경보되는 과정을 라이브로 확인한다.

💬 본 프로젝트는 설비의 고장 사진을 학습하지 않고, 설비별 정상 기준 사진 1~3장만 등록하여 작업 전 촬영한 사진에서 벨트 이탈·가드 탈거·경고등 점등·계기 수치 이탈·누유·이물질 같은 상태 이상을 찾아 작업 가능 여부를 판정하는 AI 시스템을 개발합니다. 비전 파운데이션 모델(DINOv2) 기반 참조 비교로 이상 영역을 훈련 없이 산출하고, 이상 점수가 높은 사진만 노트북에서 로컬로 실행되는 경량 VLM에 전달하여 관측 결과를 구조화된 JSON으로 받은 뒤, 설비 매뉴얼 기준값과 명시적 규칙으로 가능·불가·보류를 판정합니다. 실제 소형 설비(탁상 드릴프레스)에 Arduino 계측·표시 패널을 얹은 하드웨어 유닛과 연동하여, 촬영부터 판정 표시까지 인터넷 없이 동작하는 라이브 데모 시스템을 구현합니다.

💬 산업 현장의 설비·부품 이상 징후를 사전에 인지하기 위해 RGB·적외선(IR)·3D 포인트클라우드를 함께 활용하는 멀티모달 AI 엔진을 개발한다. 상황에 따라 각 센서의 신뢰도를 동적으로 판별해 가중 융합함으로써, 신뢰도가 낮은 입력이 전체 판정을 오염시키는 문제를 억제한다. 고가의 전용 검사 장비 없이 제조 현장에 적용 가능한 경량 이상 인지 엔진 구현을 목표로 한다.

💬 본 프로젝트는 제조현장의 작업자와 안전 관련 객체를 실시간으로 인식하기 위한 YOLOX 기반 객체 탐지 모델을 개발하는 것을 목표로 한다. 작업자(Person)를 비롯하여 안전모(Helmet), 안전조끼(Vest), 보호안경(Goggles), 장갑(Gloves), 안전화(Boots) 등의 개인보호구(PPE)를 학습하여 제조현장 영상 또는 이미지에서 각 객체의 위치와 종류를 실시간으로 탐지한다. 학습 데이터 전처리, 객체 탐지 데이터셋 구축, YOLOX 모델 학습 및 성능 개선, 정량적 성능평가를 순차적으로 수행하고, 최종적으로 Streamlit 기반 웹 데모를 구현한다. 사용자가 이미지 또는 영상을 입력하면 탐지된 객체의 Bounding Box, 클래스, Confidence Score와 분석 결과를 직관적으로 확인할 수 있도록 구성하여 제조현장 안전관리 AI의 실제 적용 가능성을 검증한다

💬 골재 및 벌크 제품을 출하하는 일부 제조현장에서는 계근대가 설치되어 있지 않아 덤프트럭의 적재 중량을 정확하게 측정하기 어렵고, 제품별 밀도와 적재 상태를 기준으로 루베(m³)를 산정하여 출하 및 정산에 활용하는 경우가 있습니다. 이러한 현장에서는 덤프트럭 운전기사가 차량에 탑승한 상태로 키오스크에 접근하여 적재 정보를 직접 입력하는 경우가 있으며, 이 과정에서 차량 대기시간 및 출하 로스타임이 발생할 수 있습니다. 또한 키오스크 접근 과정의 안전사고 위험, 운전기사의 수동 입력에 따른 오입력 및 데이터 신뢰성 문제, 출하 담당자의 최종 확인 업무 등 추가적인 현장 부담이 존재합니다. 반면 이러한 현장에는 덤프트럭의 적재 상태를 확인하기 위한 RGB 카메라가 이미 설치되어 있는 경우가 많습니다. 본 프로젝트에서는 별도의 LiDAR, Depth Camera, 3D Scanner를 추가하지 않고 기존 RGB 카메라 한 대를 활용하여 덤프트럭의 적재 중량을 자동 추정하는 Vision AI 시스템을 개발합니다. 고정된 RGB 카메라로 촬영한 덤프트럭 적재함 영상에서 사전학습된 Monocular Depth Estimation 모델을 이용하여 적재물의 상대적인 깊이와 형상 정보를 추출합니다. 동시에 RGB Encoder를 이용하여 적재물의 시각적 특징을 추출하고, RGB Feature와 Depth Feature를 결합한 Feature Fusion 기반 Regression 모델을 통해 최종 적재 중량을 예측합니다. AI 모델의 학습 및 성능 검증에는 실제 계근대에서 확보한 총중량과 공차중량을 이용하여 계산한 실제 적재 중량을 Ground Truth로 사용합니다. 1차 연구에서는 제품별 밀도 및 적재 형태 차이에 따른 영향을 최소화하기 위해 자갈 1종을 대상으로 하고, RGB 카메라의 위치와 촬영 각도를 고정하여 연구를 진행합니다. 최종적으로 AI가 추정한 적재 중량과 제품별 벌크 밀도 정보를 이용하여 예상 적재량(m³, 루베)을 자동 산출하고, 계근대가 없는 골재 출하 현장의 기사 수동입력, 차량 대기시간, 안전 위험 및 출하 담당자의 확인 업무를 줄일 수 있는 자동 적재량 산정 시스템의 가능성을 검증합니다.

💬 왁스 기반 스틱 제형의 충진 결함은 연구소에서 걸러지지 않고 Line Trial(LT)에서 처음 드러나며, 그 시점에는 제형과 용기를 바꾸기 어려워 손실이 큽니다. 본 프로젝트는 LT 충진 조건을 연구소 규모로 재현하는 자동 충진 장치를 구축합니다. 열전대 실측 온도로 충진을 제어하는 폐루프 구조이며, 수동 충진에서 발생하던 조건 편차를 제거해 조건과 결과가 대응되는 데이터를 확보합니다. 이 장치로 취득한 데이터에 실험계획법(DOE)을 적용해 핵심 공정인자를 규명하고, 결함을 최소화하는 공정조건과 Process Window를 도출하는 결함 예측 프로그램을 함께 개발합니다. 조건으로 해소되지 않는 결함에는 제형·구조 측면의 개선 방향을 제시합니다.

💬 제조업 현장은 PLC·센서·MES를 통한 데이터 수집(DX)은 상당 부분 마쳤지만, 이를 실제 의사결정과 이상 대응에 활용하는 AI 전환(AX) 단계로 넘어간 곳은 많지 않다. 본 프로젝트는 새로운 대규모 인프라 없이, 이미 데이터를 보유한 현장에 가볍게(Lightweight) 얹어 쓸 수 있는 설명 가능한 실시간 이상탐지·조기경보 AI를 목표로 한다. 온도·압력·전류·진동·Cycle Time 등 다변량 시계열 데이터를 분석해 이상징후를 조기 탐지하고 판정 근거(주요 센서·시점)를 함께 제시하며, 최종적으로 센서 입력 → AI 판단 → 물리적 경보(경광등)·메시지 알림까지 이어지는 실물 하드웨어 기반의 인지-판단-구동 폐루프 데모로 구현한다.

💬 본 프로젝트는 고정 카메라 영상에서 비전 AI로 설비의 존재와 공간 점유 상태를 추정하고, 그 결과를 3D 디지털트윈에 즉시 반영할지, 기존 상태를 유지할지, 판단을 보류할지 결정하는 상태 동기화 시스템을 개발합니다. 설비 가림이나 조명 변화처럼 관측 조건이 불충분한 상황에서는 AI의 판단을 그대로 반영할 경우 실제 설비 상태와 디지털트윈이 달라질 수 있습니다. 이를 줄이기 위해 3D 합성데이터로 관측 조건을 통제하고, 즉시 반영 / Update·Keep / Update·Keep·Defer 세 가지 상태 갱신 방식을 비교하여 판단 근거가 부족할 때 갱신을 보류하는 방식의 효과를 분석합니다. 최종적으로 설비 상태 추정 → 디지털트윈 비교 → 갱신 의사결정 → 사용자 검토 → 3D 시각화까지 연결된 Web Demo를 구현하고, 잘못된 공간 상태가 경로 판단에 미치는 영향을 함께 보여줍니다. 핵심 키워드 디지털트윈 · 비전AI · 3D 공간정보 · 합성데이터 · 상태동기화 · 불확실성 · Human-in-the-loop