Earticle

이상 행동 탐지는 비정상적인 행동을 취하는 물체를 추적하고 관찰하여 모니터링 또는 감독이 필요 한 분야에서 사용된다. 사람의 지속적인 개입없이 인공지능 알고리즘을 적용하여 자동화된 탐지 시스 템을 구현하기 위해서 광학 흐름 기법을 활용한 시공간적 특이도를 관찰하는 방법이 활용되고 있으며, 정해진 표현 범위가 없는 수많은 이상 행동을 식별하기에는 비지도학습 방법이 적합하기 때문에, 최근 생성적 적대 신경망을 통해 카메라에서 촬영된 동영상 프레임의 시공간적 특징을 분석하는 딥러닝 네 트워크에 대한 연구가 진행되고 있다. 이 중 영상 변환 네트워크는 복원 오류를 줄이기 위해 GAN 손 실과 L1 손실 함수를 최소화하도록 최적화되어 있다. 본 연구에서는 네트워크의 목적 함수를 조정하 여 모델의 정확도를 높이기 위한 실험을 수행하였다. 특히 구조적 유사도를 비교하여 손실을 최소화하 는 SSIM 손실 함수는 두 영상의 유사도를 측정하는 과정에서 많이 활용되고 있으며, 이 함수는 알고 리즘을 통해 계산된 광학 흐름 영상과 생성적 적대 신경망 모델의 생성자가 만들어낸 가짜 광학 흐름 영상의 차이를 계산하는 데 적합하므로 이를 추가하여 학습 후 프레임 수준 성능에서 더 높은 정확도 를 보임을 확인하였다. 그리고 네트워크의 목적 함수를 정의하는 과정에서 SSIM 손실 함수가 모델 훈련의 최적화에 어떻게 기여하는지 분석했다.

이상 객체란 일반적이고 평범한 행동을 취하는 객체가 아닌 비정상적이고 흔하지 않은 행동을 하여 관찰이나 감시·감독을 필요로 하는 사람, 물체, 기계 장치 등을 뜻한다. 이를 사람의 지속적인 개입 없이 인공지능 알고리즘을 통해 탐지하기 위해서 광학 흐름 기법을 활용한 시간적 특징의 특이도를 관찰하는 방법이 많이 활용되고 있으며, 이 기법은 정해진 표현 범위가 없는 수많은 이상 행동을 식별하기에 적합하다. 본 연구에서는 생성적 적대 신경망(Generative Adversarial Network, GAN)으로 입력 영상 프레임을 광학 흐름 영상으로 변환하는 알고리즘을 학습시켜 비정상적인 상황을 식별한다. 특히 생성적 적대 신경망 모델이 입력 영상에 대한 중요한 특징 정보를 학습하고, 그 외 불필요한 이상치를 제외시키기 위한 전처리 과정과 학습 후 테스트 데이터셋에서 식별 정확도를 높이기 위한 후처리 과정을 고도화하여 전체적인 모델의 이상 행동 식별 성능을 향상시키는 기법을 제안한다. 이상 행동을 탐지하기 위한 학습 데이터셋으로 UCSD Pedestrian, UMN Unusual Crowd Activity를 활용하였으며, UCSD Ped2 데이터셋에서 프레임 레벨 AUC 0.9450, EER 0.1317의 수치를 보이며 이전 연구에서 도출된 성능 지표 대비 성능 향상이 확인되었다.

An abnormal object refers to a person, an object, or a mechanical device that performs abnormal and unusual behavior and needs observation or supervision. In order to detect this through artificial intelligence algorithm without continuous human intervention, a method of observing the specificity of temporal features using optical flow technique is widely used. In this study, an abnormal situation is identified by learning an algorithm that translates an input image frame to an optical flow image using a Generative Adversarial Network (GAN). In particular, we propose a technique that improves the pre-processing process to exclude unnecessary outliers and the post-processing process to increase the accuracy of identification in the test dataset after learning to improve the performance of the model's abnormal behavior identification. UCSD Pedestrian and UMN Unusual Crowd Activity were used as training datasets to detect abnormal behavior. For the proposed method, the frame-level AUC 0.9450 and EER 0.1317 were shown in the UCSD Ped2 dataset, which shows performance improvement compared to the models in the previous studies.

최근 다양한 산업 분야에서 인공지능 알고리즘 적용을 시도하고 있다. 이러한 흐름에 맞추어 제조 산업에서도 분류, 예측 및 감시 등의 영역에서 인공지능에 관한 연구를 수행하고 있다. 하지만 제조 산업의 특성상 중소기업들은 인공지능과 같은 새로운 영역으로의 투자는 쉽지 않다. 새로운 관리영역의 추가는 기업의 입장으로는 부담이 될 수 있기 때문이다. 이에 본 연구에서는 저비용 및 고효율 관점에서 제조시스템 설비에 이미지를 기반으로 한 공정 관리 시스템을 제안하고자 한다. 대표적인 객체 탐지 알고리즘인 YOLOV5와 오토인코더를 공정 이상 탐지 방향으로 활용하고자 한다. 먼저 YOLOv5 알고리즘을 통해 모바일 기기 수준에서 촬영한 영상의 정보에서 객체를 실시간으로 추출한다. 그 후 추출된 객체의 이미지 영역을 오토인코더에 입력값으로 정의하고, 주요 특징을 추출하고자 한다. 특히 학습에 필요한 데이터의 양과 시나리오 분석을 통하여 객체 탐지의 성능을 비교하였다. 본 연구에서 제시된 이상 탐지 방법론을 통해 국내 제조 중소기업들의 스마트 공장 구축과 생산성 및 수율 향상 등의 목적에 기여되길 기대한다.

Recently, artificial intelligence algorithms are being applied in various industrial fields. Under these circumstances, the manufacturing industry is also conducting research on artificial intelligence in areas such as classification, prediction, and monitoring. However, it is not easy for SMEs to invest in new areas such as artificial intelligence. Therefore, this study proposes an image-based process management system for the manufacturing system. In this paper, We utilize the object detection algorithms YOLOV5 and autoencoder in the direction of process anomaly detection. First, the object is extracted in real time from the information of the image taken at the mobile device level through the YOLOv5. Next, the extracted image is defined as an input value of the autoencoder, and a main feature is to be extracted. In particular, the performance of object detection was compared through scenario analysis and the amount of data required for learning. It is expected that the abnormality detection methodology presented in this study will contribute to the purpose of establishing a smart factory and improving productivity and yield of domestic manufactured SMEs.