연구자료실
설비 연결, 품질 검사, 생산 분석과 제조 업무에 관련된 외부 논문입니다.
연구자료 검색
논문 목록
T08. OCR, VLM과 산업 현장 표시장치 판독
- T08-14후보2025년 이후
Qwen2.5-VL Technical Report
Qwen2.5-VL (문서 판독과 위치 지정을 강화한 후속 세대)
한국어 검토 보기
해결 문제
- 앞 세대는 해상도를 살리는 데까지 갔다. 그런데 현장에서 필요한 건 두 가지가 더 있다.
- 하나는 문서와 표를 통째로 구조화해 뽑는 일이다. 다른 하나는 "그 값이 화면 어디에 있는지"를 좌표로 짚는 일이다.
핵심 구조
- 시각 인코더를 창 단위 주의집중(window attention)으로 바꿨다. 입력이 커져도 계산량이 많이 안 늘어난다.
- 화면 속 대상을 사각 상자나 점으로 짚어 내는 위치 지정을 정식 기능으로 넣었다.
- 문서 판독을 별도 과제로 학습시켜 문서, 표, 차트, 도표를 구조화된 결과로 뽑게 했다.
- 영상은 시간 정보를 함께 넣어 몇 초 지점에서 무슨 일이 있었는지까지 짚는다.
- 세 가지 크기로 낸다.
주요 결과
- 가장 큰 720억 개 값 모델이 여러 평가에서 상용 최상위 모델과 견줄 성적을 냈다고 보고한다.
- 특히 문서와 도표 이해에서 강점을 주장한다.
한계
- 기술보고서다. 동료심사를 거친 논문이 아니다.
- 계기 판독을 따로 평가하지 않았다. 바늘 위치를 못 짚는 실패가 사라졌다는 근거는 이 보고서에 없다.
우리 기능과의 연결
- 현장 배치용 공개 시각언어모델을 고를 때 지금 기준선으로 놓을 후보다.
- 설비 조작화면 사진에서 값과 그 값의 위치를 같이 뽑아야 하는 작업, 그리고 AI 기준정보 생성의 문서 구조화 작업 양쪽에 걸린다.
- 13번과 나란히 놓고 같은 사진으로 비교해야 세대 차이가 실제로 있는지 확인할 수 있다.
검토 메모
- 메타 확인 메모: 저자 27인은 2026-08-27에 arXiv 초록 페이지에서 직접 셌다. 제1저자는 Shuai Bai다. 13번 Qwen2-VL의 제1저자 Peng Wang은 이 보고서에서 8번째로 들어간다. 두 논문을 같은 저자 순서로 적으면 안 된다.
- T08-7후보
TrOCR: Transformer-based Optical Character Recognition with Pre-trained Models
TrOCR (트랜스포머만으로 만든 문자인식)
한국어 검토 보기
해결 문제
- 기존 인식기는 합성곱 신경망과 순환 신경망을 섞어 쓴다. 여기에 언어 보정 모듈을 따로 얹는다. 구조가 복잡하고 손볼 곳이 많다.
핵심 구조
- 이미지 트랜스포머 인코더와 글자 트랜스포머 디코더만 쓴다. 합성곱 신경망을 안 쓴다.
- 두 부분 모두 이미 대규모로 학습된 모델에서 시작한다. 합성 글자 이미지로 사전학습하고 사람이 만든 자료로 미세조정한다.
주요 결과
- 인쇄체, 손글씨, 장면 글자 세 갈래 모두에서 당시 최고 수준을 넘었다.
- 구조가 단순해서 다른 언어로 옮기기 쉽다.
한계
- 잘라낸 글자 줄 하나를 입력으로 받는다. 글자 위치 찾기는 따로 붙여야 한다.
- 모델이 무겁다. 현장 장치에 그대로 올리기는 부담이 있다.
우리 기능과의 연결
- 문자인식 엔진을 고를 때 기준선으로 놓고 비교할 후보다.
- T08-11후보
OCRBench: On the Hidden Mystery of OCR in Large Multimodal Models
OCRBench (다중모달 모델의 문자인식 평가)
한국어 검토 보기
해결 문제
- 큰 다중모달 모델이 글자를 얼마나 잘 읽는지 체계적으로 잰 자료가 없었다.
핵심 구조
- 29개 자료를 모아 다섯 갈래로 나눴다. 글자 인식, 장면 글자 질의응답, 문서 질의응답, 핵심 정보 추출, 손글씨 수식 인식이다.
주요 결과
- 상용 모델도 다국어와 손글씨에서 눈에 띄게 약했다. 잘하는 영역과 못하는 영역이 갈렸다.
한계
- 2023년 기준 모델을 잰 결과다. 산업 현장 표시장치는 별도 갈래로 다루지 않는다.
우리 기능과의 연결
- AI 기준정보 생성과 AI 보고서에서 쓸 문자인식 엔진을 고를 때 평가 틀로 쓸 후보다.
- 참고로 후속판 OCRBench v2 (arXiv:2501.00321, Ling Fu 외 23인, 총 24인, 2024-12-31 등록)는 31개 상황, 사람이 검수한 질의응답 1만 건으로 범위를 넓혔다. 22개 모델 중 20개가 100점 만점에 50점 아래였다.
- 메타 확인 메모: 저자 수는 2026-08-27에 arXiv 초록 페이지에서 다시 셌다. Ling Fu가 제1저자이고 공저자가 23명이다. 그래서 총 24인이다. 앞서 '외 24인'으로 적었던 것은 총원과 공저자 수를 섞어 쓴 오류라 바로잡았다.
검토 메모
- 메타 확인 메모: 두 연도를 섞어 쓰면 안 된다. arXiv 프리프린트는 2023년, 학술지 게재본은 2024년이다. DOI 10.1007/s11432-024-4235-6은 2024년 게재본에 붙은 번호다. arXiv 최신 개정본은 2024-08-26이다.
- T08-13후보
Qwen2-VL: Enhancing Vision-Language Model's Perception of the World at Any Resolution
Qwen2-VL
한국어 검토 보기
해결 문제
- 기존 시각언어모델은 이미지를 정해진 크기로 줄여서 넣는다.
- 작은 글씨, 가는 눈금, 좁은 표시창은 줄이는 순간 뭉개진다.
핵심 구조
- 입력 해상도에 따라 시각 토큰(모델이 이미지를 잘라 넣는 조각) 개수를 늘렸다 줄였다 한다.
- 글, 이미지, 영상의 위치 정보를 한 방식으로 묶는 회전 위치 부호화(M-RoPE)를 넣었다.
- 20억, 80억, 720억 개 값 세 크기로 낸다. 이미지와 영상을 같은 방식으로 처리한다.
주요 결과
- 720억 개 값 모델이 여러 다중모달 평가에서 상용 최상위 모델과 견줄 성적을 냈다.
- 같은 급의 다른 범용 모델보다 앞섰다고 보고했다.
한계
- 프리프린트다.
- 해상도를 살려도 계기 판독의 근본 약점은 남는다. MeasureBench가 보여준 대로, 글자는 읽으면서 바늘이 가리키는 위치를 못 짚는 실패가 그대로 나타날 수 있다.
우리 기능과의 연결
- 현장에 바로 올릴 수 있는 공개 범용 시각언어모델의 세대 기준선이다. 사내 설치가 가능하다는 점이 크다.
- 다만 2026년 시점에서 실제로 깔아 쓸 기본값은 이 모델이 아니라 후속 세대다. 아래 14번을 같이 본다.
연구에서 제품 적용까지
운영 중인 기능, 시범 적용과 개발 중인 기술을 구분해 정리했습니다.
보유기술 보기