YOLOX 기반 제조현장 위험 객체 인식 및 실시간 탐지 모델 개발

제조현장에서는 작업자의 안전모, 안전조끼, 보호안경 등 개인보호구 착용 여부와 작업자 주변의 위험 요소를 지속적으로 확인해야 한다. 그러나 관리자가 CCTV 또는 현장을 직접 확인하는 기존 방식은 다수의 작업구역을 동시에 감시하기 어렵고, 반복적인 모니터링 과정에서 위험 상황을 즉시 발견하지 못할 가능성이 있다.

최근 딥러닝 기반 객체 탐지 기술이 발전하면서 영상 내 작업자와 안전 장비를 자동으로 인식하고 위험 상황을 실시간으로 분석할 수 있게 되었다. 특히 제조현장과 같이 객체의 크기, 작업자의 자세, 조명, 촬영 거리 및 배경이 지속적으로 변하는 환경에서는 정확성과 실시간성을 동시에 확보할 수 있는 객체 탐지 모델이 필요하다.

본 프로젝트에서는 실시간 객체 탐지에 적합한 YOLOX를 활용하여 제조현장의 작업자 및 PPE 객체 탐지 모델을 구축한다. 단순 모델 학습에 그치지 않고 데이터 전처리부터 모델 성능평가, 실제 영상 추론 및 Streamlit 기반 시각화까지 구현함으로써 향후 스마트팩토리 안전관리 시스템 및 산업현장 영상 분석 서비스에 활용할 수 있는 기반 기술을 확보하고자 한다.

정량적 목표

1. 제조현장 안전 관련 6종 이상의 객체 클래스 인식 모델 구축

• Person
• Helmet
• Vest
• Goggles
• Gloves
• Boots

2. 객체 탐지 성능 mAP@0.5 90% 이상을 목표로 모델 학습 및 개선
3. mAP@0.5:0.95, Precision, Recall 및 클래스별 AP/AR을 이용한 정량적 평가
4. 실제 이미지 및 영상에서 Bounding Box와 객체 클래스를 동시에 탐지
5. GPU 환경 기준 실시간 추론이 가능한 수준의 처리속도 확보
6. 추론 지연시간 50 ms 이내 수준을 목표로 성능 검증
7. 학습/검증/테스트 데이터셋을 분리하여 모델의 일반화 성능 검증

정성적 목표

1. 제조현장 특성을 고려한 안전 객체 탐지 데이터 처리 파이프라인 구축
2. YOLOX 구조 및 객체 탐지 모델의 학습·추론 과정 이해
3. 데이터 품질 및 클래스별 탐지 난이도에 따른 성능 차이 분석
4. 오탐(False Positive) 및 미탐(False Negative) 사례 분석을 통한 모델 개선
5. 제조현장 영상에 적용 가능한 실시간 안전 객체 인식 기술 확보
6. 사용자가 별도 AI 개발환경 없이 결과를 확인할 수 있는 Streamlit 기반 데모 시스템 구축