HSE의 AI 및 비디오 분석: 아이디어에서 자체 구축까지의 여정

HSE의 인공지능: 아이디어에서 작동하는 시스템까지

HSE 분야에 머신 비전 및 인공지능 시스템을 도입하는 것은 대기업만 가능한 비싸고 복잡한 과정으로 여겨지는 경우가 많습니다. 하지만 현대 기술을 활용하면 내부 전문가의 힘으로 이러한 프로젝트를 실현할 수 있습니다. Qummy의 HSE 전문가인 이반 막시모프(Ivan Maksimov)가 오픈소스 솔루션을 사용하여 식품 생산 현장에서 비디오 분석 시스템을 구축하고 실행한 실무 경험을 공유합니다.

도입 배경: 자동화된 제어가 필요했던 이유

식품 생산에는 엄격한 위생 기준과 안전 요구 사항이 있습니다. 연사는 회사가 제어 자동화를 추진하게 된 주요 문제점들을 분석합니다.

• 위생복 착용 규정 위반: 작업자들이 청결 구역과 오염 구역을 이동할 때 장갑이나 모자를 착용하거나 신발을 갈아 신는 것을 자주 잊어버렸습니다.
• 장비에 대한 무단 조작: 적절한 자격 없이 자체 수리를 시도하거나 작동 중인 기계에 개입하려는 시도가 있었습니다.
• 관리자의 막대한 시간 소모: 일선 관리자들은 규정 준수 여부를 육안으로 확인하는 데 근무 시간의 상당 부분을 할애해야 했습니다.

기술 선택: 오픈소스 모델 MoonDream

값비싼 상용 솔루션을 구매하는 대신, 회사는 오픈소스 언어 모델인 MoonDream을 기반으로 자체 개발하는 방식을 선택했습니다. 발표에서는 이 시스템의 기능을 자세히 살펴봅니다.

• 실시간 비디오 스트림 분석: 이 모델은 이미지를 프레임별로 분석하여 지정된 패턴(PPE 미착용, 연기, 사람의 쓰러짐)을 식별할 수 있습니다.
• 학습의 유연성: 시스템은 생산 현장의 실제 사진과 비디오로 훈련되므로 특정 기업의 특수한 환경에 맞게 조정할 수 있습니다.
• 경제성: 회사의 자체 서버에서 오픈소스 제품을 사용하므로 라이선스 및 클라우드 스토리지 비용이 발생하지 않습니다.

구현 단계: 사전 훈련에서 산업용 운영까지

도입 과정은 몇 달이 걸렸으며 다음과 같은 순차적인 단계가 포함되었습니다.

• 인공 데이터를 활용한 사전 훈련: 화재, 연기, 마스크, 장갑, 모자 착용 여부를 인식하기 위한 기본 모델을 생성합니다.
• 실제 비디오 스트림 훈련: 특정 생산 환경에 맞게 모델을 조정하고 오류 및 오작동을 수정합니다.
• 알림 시스템 설정: 발견된 위반 사항을 날짜, 시간, 장소와 함께 부서 관리자에게 신속하게 알리는 Telegram 봇을 개발합니다.

도입 결과 및 직원 관리

시범 운영 기간 동안 시스템은 2,700건 이상의 부적합 사항을 발견했으며, 오작동 비율은 5%로 감소했습니다. 연사는 자동화가 안전 문화에 어떤 영향을 미쳤는지 사례를 통해 보여줍니다.

• 자기 규율 향상: 위생복 착용 규정 위반 건수가 크게 감소했습니다.
• 미세 부상 감소: 전년 동기 대비 미세 부상 건수가 감소한 것으로 나타났습니다.
• 긍정적인 동기 부여: 위반에 대한 처벌 대신, 회사는 안전 수칙을 잘 준수하는 직원을 위한 포상 제도를 도입했습니다.

이 웨비나에서 배울 수 있는 내용:

• 무료 오픈소스 솔루션을 기반으로 비디오 분석 시스템을 구축하는 방법은?
• 생산 현장에서 올바르게 작동하기 위해 신경망이 거쳐야 하는 학습 단계는?
• Telegram을 통해 관리자에게 위반 사항을 신속하게 알리도록 설정하는 방법은?
• 전면적인 제어 시스템을 도입할 때 직원의 저항을 극복하는 방법은?
• 효과적인 비디오 분석을 위해 카메라에 요구되는 기술적 조건은?