철도·항만 작업 합성 비전 데이터 및 악조건 시뮬레이션 사례

프로젝트 배경과 공개 범위

이 프로젝트는 철도 화물 야드와 항만 작업용 비전 데이터 시뮬레이션을 다룬다. 공개 사례에서는 고객, 위치, 현장 자산 식별 정보를 제거하고 납품 파일로 확인할 수 있는 수량, 처리 방법, 품질 점검, 적용 한계만 기록한다. 입력에는 갠트리와 작업장 이미지, 그리고 forklift, cone, bollard, person 클래스명 파일이 있었지만 지도학습에 바로 사용할 바운딩 박스나 분할 주석은 없었다.

이번 배치는 이미지 수준 생성·정리 작업이며 객체 검출 모델 학습 완료나 현장 알고리즘 인수에 해당하지 않는다. 박스, 마스크, 키포인트가 제공되지 않았고 성능 향상을 주장할 수 있는 고정 정답 테스트셋도 없다.

기술 목표

야간, 비, 안개, 역광, 모션 블러, 가림, 감시 영상 압축 변형을 재현 가능하게 만들고 후속 주석, 학습, 인수에 필요한 구조화 기반을 구성하는 것이 목표였다. 파일 구조, 메타데이터 매핑, 반복 가능한 QA도 함께 점검하여 추가 현장 촬영 전에 시나리오와 인수 용어를 검토할 수 있게 했다.

서로 독립된 두 데이터 경로

규칙 기반 경로는 선별된 작업 이미지에서 여덟 가지 환경·영상 열화 변형을 만들고 스크립트, 출력명, 시나리오, 메타데이터를 추적한다. AI 합성 경로는 지게차, 인양 장비, 컨테이너, 안전 콘 장면을 생성하여 개념 범위와 데이터 계획을 검토한다. AI 이미지는 합성 자료로 관리하며 실제 시설 기록으로 표현하지 않는다.

규칙 기반 시뮬레이션 데이터

데이터셋은 1280×720 JPG 48장으로 구성되며 여덟 시나리오마다 6장이다. 정상 조명 기준과 함께 저조도, 국부 광원, 빗줄기, 연무, 거리 대비 저하, 일몰 색 변화, 하이라이트, 운동 열화, 전경 가림, 저비트레이트 압축을 포함한다.

이 이미지는 데이터 파이프라인, 주석 절차, 시각 변화 민감도를 점검하는 데 사용할 수 있다. 목표 시설 촬영을 대체하지 않으며 실제 비·안개·야간 성능을 단독으로 입증하지 않는다.

AI 합성 클래스 데이터

AI 합성 세트는 1672×941 RGB 이미지 40장으로 네 클래스마다 10장이다. 야드·창고·공사 구역의 지게차, 갠트리와 유사 인양 구조, 컨테이너 적재·이송 구역, 안전 격리 요소를 다룬다. 40개 파일의 SHA-256은 모두 다르지만 이는 완전 중복만 배제한다. 의미적 다양성, 클래스 편향 부재, 특정 현장의 기하와 안전 규칙 준수를 입증하지 않는다.

전경 자세와 구도 샘플

도로 가장자리, 공사 구역, 공장 환경의 추가 샘플 3장은 전경의 기울기와 요 변화를 보여 준다. 합성 지시와 구도 제약이 요청 자세를 표현하는지 확인하는 용도이며 정밀 자세각 측정이나 실제 장비 검출 성능 증거가 아니다.

메타데이터와 재현성

규칙 기반 경로는 입력 단서, 출력 파일, 시나리오, 클래스 힌트, 처리 기록을 보존한다. 메타데이터 48행은 이미지 48장과 일대일로 대응한다. Python 생성 스크립트를 납품에 포함해 동일 입력, 의존성, 파라미터에서 재현할 수 있다. 운영용 파이프라인은 소스 권한과 촬영 배치, 스크립트 커밋, 의존성 버전, 난수 시드, 변환 파라미터, 주석 규격 버전, 검토자, 고정 데이터셋 해시도 기록해야 한다.

품질 점검 실측 결과

규칙 기반 이미지 48장은 모두 읽을 수 있고 메타데이터 48행과 일치했으며 각 시나리오는 6장이다. 알 수 없는 행, 남은 외부 일반 도로 소스, 저정보 후보, 구현 임계값에서의 근중복 쌍은 모두 0이었다. 밝기 최소·중앙·최대는 39.4, 94.55, 137.5이고 회색조 표준편차는 15.5, 37.3, 62.6이다. 이는 노출과 대비 범위를 설명하는 수치이지 품질 점수가 아니다.

납품 산출물

규칙 기반 이미지, AI 합성 이미지, 메타데이터, 미리보기 접촉표, QA 요약, 재현 가능한 Python 스크립트와 19페이지 고객 검토 문서를 제공했다. 문서에는 검토용 대형 예시 16장을 배치했지만 전체 이미지 폴더와 기계 판독 메타데이터를 대체하지 않는다.

적용 가능한 워크플로

이 방법은 요구사항 명확화, 악조건 목록화, 주석 규격 예행, 데이터 파이프라인 회귀, 클래스 범위 토론, 강건성 실험 설계에 활용할 수 있다. 항만, 철도 야드, 창고, 공사 현장, 고정 감시 프로젝트는 소규모 합성 배치로 시각 조건을 먼저 고정한 뒤 현장 재촬영, 주석, 모델 반복 범위를 결정할 수 있다.

제한, 위험, 인수 경계

• 박스, 마스크, 키포인트가 없으므로 완성된 검출 학습 데이터셋으로 부르지 않는다.
• AI 합성 이미지에는 구조, 크기, 원근, 안전 논리 오류가 있을 수 있어 사람 검토가 필요하다.
• 규칙 기반 열화는 시각 근사이며 실제 기상, 렌즈 오염, 특정 인코더의 물리 모델이 아니다.
• 현재 증거는 파일과 분포 확인이며 현장 정답, 검출 정확도, 장시간 안정성, 운영 인수를 포함하지 않는다.
• 권한, 개인정보, 시설 기밀은 실제 계약과 데이터 거버넌스에서 별도로 정의해야 한다.

정식 학습 전 클래스 정의, 주석 형식, 최소 대상 크기, 가림 규칙, 난이도 범위를 고정한다. 무작위 표본 검토, 이중 검토 일치도, 분할 간 근중복 격리, 분포 통계, 독립 실제 테스트셋의 Precision, Recall, F1 또는 지정 지표를 권장한다.

자주 묻는 질문

이 이미지를 객체 검출 학습에 바로 사용할 수 있나요?

주석된 검출 데이터로는 사용할 수 없다. 바운딩 박스나 분할 마스크를 만들고 검토한 뒤 학습 프레임워크 형식으로 검증해야 한다.

규칙 기반 이미지 48장은 하나의 재현 가능한 처리에서 나왔나요?

그렇다. 생성 스크립트, 출력 이름, 메타데이터를 보존했다. 재현에는 동일 입력, 의존성, 파라미터, 환경이 필요하다.

AI 합성 이미지가 실제 현장 이미지를 대체하나요?

아니다. 개념 범위, 장면 조합, 주석 규격을 검토할 수 있지만 최종 시험과 인수에는 배포 환경과 일치하는 권한 확보 실제 데이터가 필요하다.

현재 QA는 무엇을 입증하나요?

파일 읽기, 이미지와 메타데이터 수량, 계획한 분포, 완전 중복과 정의된 저정보 이상 부재를 입증한다. 의미, 주석, 모델 성능은 입증하지 않는다.

다음 단계에 필요한 입력은 무엇인가요?

클래스 정의, 대표 현장 촬영, 크기·가림 규칙, 주석 형식, 학습 환경, 카메라 사양, 데이터 권한, 정량 인수 지표가 필요하다. 안전 용도는 오경보, 미검출, 사람 검토 절차도 필요하다.