데이터 중심 인공지능을 위한 특징 증강 기반 3차원 포인트 클라우드 조선소 데이터셋 개발

국문 초록 (Abstract)

스마트 조선소(Smart Shipyard) 및 디지털 트윈(Digital Twin) 기술의 발전은 현 실 세계를 가상 공간에 정밀하게 투영하는 3 차원 포인트 클라우드(3D Point Cloud) 데이터의 활용을 핵심 요소로 요구하고 있다. 그러나 LiDAR(Light Detection And Ranging) 스캐너 등을 통해 수집된 조선소의 3 차원 포인트 클라우드는 수억 개에 달하는 포인트로 구성된 대용량 데이터로서, 저장, 처리, 그리고 인공지능 모델 아 키텍처를 통한 학습 과정에서 심각한 연산 병목 현상과 비용 문제를 야기한다. 이 러한 문제에 대한 전통적인 해결 방안인 샘플링(Sampling)은 데이터의 경량화를 달 성하지만 객체 탐지에 필요한 기하학적 및 위상학적 특징을 무차별적으로 소실시켜 학습된 인공지능 모델의 성능 저하를 초래하는 품질의 역설(Quality Paradox)을 발 생시킨다. 특히 조선소 현장은 파이프, 비계, 선박 블록의 날카로운 모서리와 같이 기하학적으로 복잡하고 미세한 구조물이 혼재되어 있어 일반적인 샘플링 적용 시 객체의 고유 형상이 파괴되거나 단순 노이즈로 오인되어 탐지 불가능한 상태가 되 는 심각한 정보 손실 문제를 겪고 있다.
본 연구에서는 이러한 한계를 극복하기 위하여 기존의 모델 중심 인공지능 (Model-Centric AI) 접근법에서 벗어나 데이터의 품질을 체계적으로 개선하는 데 이터 중심 인공지능(Data-Centric AI) 접근법을 조선소 3 차원 포인트 클라우드 데 이터에 적용하는 데이터셋 개발 방법론을 제안하였다. 이는 단순히 데이터를 수집하고 레이블링(Labeling)하는 수준을 넘어 원본 데이 터(Raw Data)를 공학적으로 개선하여 학습된 인공지능 모델의 성능을 극대화하는 포괄적인 과정을 포함한다.
제안하는 방법은 두 가지 핵심 전략으로 구성된다. 첫째, 의미론적 데이터 큐레 이션(Semantic Data Curation) 프레임워크를 통해 복잡한 조선소 데이터를 체계적 으로 정리하고 구조화하여 고품질의 인공지능 학습용 데이터 자산을 구축한다. 이 는 4 가지 수준(Record, File, Documentation, Data-Level)에 걸쳐 데이터를 관리하 며, 특히 조선소 시뮬레이션 정보 모델(Shipyard Simulation Information Model)의 분류 체계를 도입하여 현장의 객체를 자원(Resource)과 생산품(Product)으로 명확 히 구분하고 이를 S3DIS 벤치마크 데이터셋의 계층 구조와 융합함으로써 비정형 포인트 클라우드에 조선소 고유의 공정 맥락과 의미를 부여한다.
둘째, 샘플링으로 인한 정보 손실을 보완하고 특징 정보를 강화하기 위한 기하· 위상 특징 증강(Geometric and Topological Feature Augmentation) 기법을 제안한다. 이 방법은 Random, Uniform, Voxel grid 기법으로 경량화된 데이터에 객체의 핵심 특징 포인트를 물리적으로 결합하는 방식이다. 구체적으로 FPFH(Fast Point Feature Histograms)를 활용하여 지역적인 영역의 표면 곡률 변화를 포착함으로써 모서리 나 평면과 같은 기하학적 특징을 보존하고 TDA(Topological Data Analysis) 의 지속 성 호몰로지(Persistent Homology) 개념을 적용하여 비계나 사다리와 같이 끊어지 기 쉬운 얇은 구조물의 전역적인 연결성을 유지하도록 설계되었다. 제안된 방법의 유효성을 검증하기 위하여 S3DIS 벤치마크 데이터셋과 실제 조 선소에서 계측한 대규모 데이터셋(조선소, 컨테이너 화물창, 선행 탑재 구역)을 대 상으로 광범위한 실험을 수행하였다. 그 결과 제안하는 특징 증강 기법이 적용된 데이터셋은 기존 원본 데이터셋 및 단순 샘플링 데이터셋 대비 객체 탐지 정확도를 획기적으로 향상시켰다. 특히 데이터 밀도가 낮고 구조가 복잡한 조선소 데이터셋 에서 5% 수준의 데이터만으로 원본 대비 15.40%p 향상된 81.87%의 mIoU(mean Intersection over Union) 를 달성하였으며 학습 시간 또한 단축되는 효율성을 확인하 였다. 이러한 결과는 복잡한 인공지능 모델 구조를 설계하지 않고도 데이터의 공학 적 개선만으로 성능을 극대화할 수 있음을 증명하며 본 연구의 방법론이 정제된 실 험 환경보다 거칠고 복잡한 실제 산업 현장에서 더욱 강력한 효과를 발휘함을 시사 한다.
나아가 선박 블록 지지대(Support) 설치 정확도 검사, 컨테이너 선박의 셀 가이 드(Cell Guide) 및 콘(Cone) 설치 오차 검사, 그리고 포토그래메트리 기반 선박 블 록 배치 검토라는 세 가지 실제 산업 현장 사례에 적용하여 제안된 방법론의 실용 성과 산업적 가치를 입증하였다. 특히 본 연구는 데이터의 생산 부터 가공 그리고 활용에 이르는 데이터 가치 사슬 전반을 혁신하는 통합 프레임워크를 제시했다는 점에서 차별성을 가진다. 이는 향후 자율 운영 기반 스마트 조선소 실현을 위해 필 수적인 고정밀 디지털 트윈 구축과 지능형 공정 관리 시스템의 상용화 시기를 앞당 기는 핵심 원천 기술이 될 것으로 기대되며 대규모 3 차원 포인트 클라우드 데이터의 효율적 활용을 위한 강력한 데이터 중심 솔루션을 제시함으로써 스마트 조선소 기술 발전과 지능형 생산 시스템 구축에 기여하고자 한다