죄송합니다. 더 이상 지원되지 않는 웹 브라우저입니다.

도메인 전문가들의 딥러닝 도전기

PDF 다운로드

자료제공/매스웍스

가트너의 연구조사 결과에 따르면, 현재 전 세계 86%의 기업들은 AI 모델 구축을 위한 환경 구축 바로 직전 단계에서 조직, 툴 간의 사일로로 인해 충분한 양의 고품질 데이터를 확보하는 데 어려움을 겪고 있다.

매스웍스의 엔지니어링 AI 플랫폼은 AI 시스템 구축을 목표로 하는 조직에게 협업이 용이한 개발 플랫폼을 제공하여 데이터 간 사일로를 제거하고 AI 훈련 데이터를 개선한다. 다른 산업에 적용되는 알고리즘을 적용하거나, 엔지니어, AI 전문가, IT 전문가와 같은 서로 다른 도메인 담당 전문가가 개발 과정에서 협업할 수 있으므로 고성능 AI 시스템 구축을 지원한다.

이에 매스웍스는 지난 11월 19일(금) ‘MATLAB Deep Learning User Day : 도메인 전문가들의 딥러닝 도전기’ 세미나를 통해 ‘데이터 중심 AI 구현 방법론과 매트랩을 활용한 데이터 준비 개선 방법’, 그리고 실제 매트랩을 활용해 AI 프로젝트를 성공으로 이끌고 있는 국내 주요 기업의 성공사례를 소개하는 자리를 마련했다. 

본 세미나에서는 화공플랜트 설계, 하수관로 경사분석, 금속제품 파괴특성 평가 영역의 핵심 AI 기술 개발을 성공한 엔지니어링, 건설, 철강 산업의 고객들이 직접 참여해 개발 사례를 직접 발표하였다.

본 고는 3인의 고객사례를 통해 도메인 전문가들이 말하는 딥러닝 도전기를 정리하였다.

[고객사례1-삼성엔지니어]

텍스트 분류 모델을 활용한 자동화

삼성엔지니어링은 화공플랜트 설계 시 엔지니어의 P&ID (Piping and Instrument Diagram) 설계 요구사항 노트 분류 작업 자동화를 가능케 하는 ‘AI 기반 설계 요구사항 문서 분류’ 모델을 단 1개월만에 개발했다. 본 모델은 기존 엔지니어의 분류와 비슷한 수준의 정확도(90%)로 화공플랜트의 다양한 배관, 기계 등의 영역별로 설계 요구사항을 자동 분류한다. 

이로써 삼성엔지니어링 화공플랜트 설계 담당 엔지니어는 수백장에 달하는 화공플랜트 설계 P&ID 도면의 수십개의 설계 요구사항 노트의 의미를 이해하고 공정, 배관, 기계, 제어, 토목, 건축 담당 엔지니어에게 담당 영역별 노트를 전달하는 과정을 직접 수행할 필요가 없어졌다. 화공플랜트 설계 과정에서 2~3주 간의 시간을 단축시킬 수 있게 된 것이다.

P&ID 도면 설계 요구사항 노트에 기재된 ‘파이프(pipe, 배관 영역)’, ‘밸브(Valve)’, ‘장비(Equipment)’ 단어 중심의 문장을 기준으로 한 룰 기반 분류 법칙은 설계 노트 문장에 해당하는 모든 케이스를 분석하기 어렵고 사전 정의되지 않은 단어를 분류하기 어렵다는 단점이 있다. 

반면 룰 기반 프로그램과 비교했을 때 삼성엔지니어링이 개발에 성공한 AI 설계 요구사항 문서 분류 모델은 분류 예측 범위가 100%로 더 넓으며, 정확도 또한 기존 엔지니어 판단 수준으로 높다. 뿐만 아니라, 룰 기반 프로그램은 개발에 3~4개월의 시간이 소요됐지만, AI 모델은 이보다 약 3~4배 빠른 1개월만에 개발할 수 있었다.

삼성엔지니어링은 화공플랜트 설계 요구사항 관련 데이터를 디지털화하여 전문 영역별 엔지니어가 보유하고 있던 영역별 데이터를 일관된 포맷으로 단일 웹 기반 환경에 통합해 수집한 후 단일 데이터베이스에 저장했다. 그 이후 설계 담당 엔지니어가 직접 중복제거, 아웃라이어 제거, 데이터 보완 및 검증 과정을 거쳐 정제 작업을 완료했다. 

특히, 매트랩 명령어로 설계 요구사항 노트 안 텍스트를 손쉽게 처리하고 워드클라우드 형태의 BOW(Bag of Words)로 시각화할 수 있었다. 

그 이후, 알고리즘 기반 분석 단계에서 매트랩 환경에서 RNN 및 LSTM 알고리즘을 모두 활용해 문장을 분석했으며, 익스페리먼트 매니저(Experiment Manager)로 하이퍼파라미터 튜닝 작업을 자동화하여 신속히 수행했다.

그 결과, 화공플랜트 설계 P&ID 도면의 모든 설계 요구사항 노트를 약 3초만에 일관된 기준을 적용해서 전문 엔지니어 수준으로 정확하게 분류해내는 고성능 AI 설계문서 분류 모델을 개발할 수 있었다. 

최건용 프로는 “업무 내 AI 적용 범위가 계속 확산될 것이지만, 이러한 AI 모델을 지속 개발 및 향상시키는 역할은 인간의 몫으로 향후 AI 기술과 인간의 협력을 관심갖고 발전시켜나가야 할 것이다”라고 말했다.

[고객사례2-한국건설기술연구원]

딥러닝을 이용한 하수관로 내부 경사 추출

국내 유일의 건설기술 분야 출연연구소인 한국건설기술연구원에서는 매트랩을 이용해서 하수관로 CCTV 영상으로부터 하수관로 구배의 정량적 수치를 추출하는 영상처리 기법을 개발했다.

본 딥러닝 프로젝트는 환경부에서 발주한 ‘도심 하수도 악취 저감을 위한 최적 시스템 개발’ 과제 수행의 일환으로 진행됐다. 본 환경부 발주 프로젝트에는 2017년 4월부터 2021년 6월까지 4년 간 총 80억원의 연구비가 투입됐으며, 한국건설기술연구원의 주관 하에 4개의 참여기관과 2개의 위탁연구기관이 함께 참여했다.

정화조 폐쇄, 퇴적 방지, 발산 방지 전략을 주축으로 한 본 프로젝트는 하수도 악취 저감을 위한 총 9개의 기술 개발 목표 이행 과정에서 SCI(과학기술논문 인용색인) 6건 및 특허 30건 달성 성과를 올렸다. 

하수관로 내부 구배의 변화는 부실한 기초공사, 땅의 꺼짐, 하수관로 파손, 단차로 인해 발생한다. 설계가 1/1000 단위로 정밀하게 이뤄지더라도, 실제 시공 단계에서 이러한 내부구배 변화는 일반적으로 일어나는 문제다. 이러한 내부구배 변화는 하수관로 내부 퇴적으로 인한 악취, 하수 역류, 도시 침수 및 우천시 퇴적물 방류로 이한 하천오염 문제를 유발하기 때문에 꼭 해결해야 하는 문제다.

그러나 기존의 레이저, 초음파, 음파 및 전자 경사계를 활용한 센서 기반 하수관로 측정 연구방법은 정확도가 높은 반면, 조사 및 분석에 많은 시간이 소요되고 고가 장비를 구매해야 하기 때문에 경제성이 낮다. 또한, 민감도가 높아 실질적 조사가 불편하며 데이터 처리가 난해하다. 

반면, 한국건설기술연구원은 기 촬영된 하수관로 CCTV 영상에서 283개 프레임 이미지를 추출한 후 시맨틱 세그멘테이션 딥러닝 기법을 적용하여 이미지 안 물과 하수관 영역을 구분하는 딥러닝 모델을 개발했다. 하수관로 안 물과 하수관이 구분된 이미지에서 물의 수위선을 추출해서 직선으로 만들고 왼쪽과 오른쪽 직선이 만나는 소실점을 추출한 후 소실점 중심의 원을 그려 수위를 계산함으로써 하수관로 위치에 따른 하수수위의 상대적 변동에 따라 구배를 측정할 수 있었다. 

본 모델은 GPU 기반 45분간의 훈련을 통해 개발됐으며 훈련 정확도 98%를 기록했고, 실제 인간의 육안 관측에 의한 랜덤 표본 데이터와 비교해서도 90.4%라는 높은 정확도를 갖춘 것으로 확인됐다. 

기존 고성능 센서 기반 연구 방식과 비교해 시간 및 물질적 경제성이 높고 별도의 현장조사가 필요 없어 편의성이 높으며, 정확성 또한 검증받았다.

향후 보다 큰 규모의 훈련 데이터를 기반으로 딥러닝 모델을 개발해서 하수관로 내부 구배 측정 정확도를 향상시키고 센서 측정 방법과 성능을 비교하는 연구를 진행할 예정이다. 또한, CCTV 촬영 각도 변화에 의한 오차를 정량화할 계획이다.

딥러닝 기반 하수관로 내부 경사 추출 데이터는 향후 정부의 하수관로의 관리를 효율적으로 지원하고 퇴적 및 악취를 개선하며 침수와 같은 재해를 예방하고 재해 발생시 투명한 정보로 원인 분석을 도울 것으로 기대된다. 또한 도시 침수 예측과 같은 모델 제작의 인풋 데이터로 활용할 수 있을 것이다. 

[고객사례3-현대제철 ]

금속 재료의 디지털 자동화 분석을 위한 Semantic Segmentation 활용

자동차 강판 및 유전용 강관·송유관을 생산하는 현대제철은 석유 추출 및 운송용 강관 개발 시 기계적 물성의 완벽도를 정확하게 평가하기 위한 취성 파면율 측정 시험에서 매스웍스의 이미지 프로세싱 및 딥러닝 네트워크 학습 기반 DWTT(Drop Weight Tearing Test) 분석 자동화 시스템을 개발했다.

고강도 유전용 강관 및 수십~수백 킬로미터(km)에 달하는 송유관은 아주 작은 균열도 발생해선 안 되며 높은 수준의 기계적 물성을 갖춰야 한다. 그래서 현대제철은 새로 개발한 강판에 해머를 높은 위치에서 떨어트려 생기는 파면을 분석해서 기계적 물성을 평가하는 DWTT 테스트에서 온도에 따른 취성 파면율(탄성한계 내의 하중으로 인해 파괴된 물체의 면이 전체 물체에서 차지하는 비중, %)을 측정한다. 현대제철은 시험원의 개별적인 판단에 의존하여 취성파면율을 정확하게 측정할 수 없었기 때문에 DWTT 테스트의 취성 파면율 측정 정확도를 향상시키기 위한 새로운 디지털 자동화 분석 기술을 개발했다.

현대제철은 매트랩을 통해 다양한 이미지 프로세싱 기법 기반의 취성 파단면 구분 기법을 개발했다. 이와 함께 시맨틱 세그멘테이션 네트워크 학습을 진행함으로써 DWTT 강판 파단면에서 취성 파면, 연성 파면(파괴되지 않고 늘어나는 성질), 역 파면(강판과 해머가 직접 충돌된 부분), 배경을 픽셀 단위로 구분해내는 고정밀 딥러닝 기술을 개발할 수 있었다.

매트랩을 활용해 단 한 줄의 코드만으로 파단면의 경계를 감지하는 엣지 탐지(Edge Detection) 알고리즘을 구현했으며, 그 밖에 질감 차이로 취성 파단면을 구분하는 텍스처 분석(Texture Analysis), 명암 차이로 취성 파단면을 구분하는 기법을 구현했다. 

또한, 이미지 라벨러 앱(Image Labeler App)에서 수백장의 파단된 강판 이미지의 취성, 연성, 역 파면 및 배경 영역을 지정해서 손쉽게 4개 클래스에 대한 픽셀 단위의 정밀한 레이블링을 수행할 수 있었다. 

그 이후 시맨틱 세그멘테이션 네트워크 학습을 위해 DeepLabV3를 활용해서 네트워크를 설계한 후 훈련 및 평가하여 실제 시험원의 구분과 거의 비슷한 95%의 정확도를 지닌 네트워크 개발에 성공했다. 향후 다른 클래스들과 비교한 취성 파면율의 데이터 부족(Imbalance) 문제를 해결함으로써 개선된 성능을 지닌 분석 시스템을 개발하여 현업에 적용할 계획이다. 

leekh@seminet.co.kr
(끝)
<저작권자(c) 반도체네트워크, 무단 전재-재배포 금지>