연구자료실
설비 연결, 품질 검사, 생산 분석과 제조 업무에 관련된 외부 논문입니다.
연구자료 검색
논문 목록
T08. OCR, VLM과 산업 현장 표시장치 판독
- T08-1유사문제2025년 이후
Do Vision-Language Models Measure Up? Benchmarking Visual Measurement Reading with MeasureBench
MeasureBench (계측기 판독 평가 묶음)
한국어 검토 보기
해결 문제
- 사람은 눈금과 바늘을 보면 값을 바로 읽는다. 요즘 시각언어모델은 이걸 잘 못 한다. 그 실력을 재는 잣대가 없었다.
핵심 구조
- 계측기 이미지와 질문을 짝지은 평가 묶음을 만들었다. 실제 사진과 합성 이미지를 같이 쓴다.
- 합성 쪽은 바늘 각도, 눈금, 조명을 바꿔가며 자동으로 찍어내는 생성 절차를 붙였다.
- 합성 데이터로 강화학습 미세조정도 해봤다.
주요 결과
- 가장 좋은 최신 모델도 계측기 판독에서 크게 헤맸다.
- 전형적인 실패는 바늘이나 눈금의 위치를 잘못 짚는 것이다. 글자와 숫자는 읽는데 지시 위치를 놓쳐서 값이 크게 틀린다.
- 합성 데이터 강화학습 미세조정은 합성과 실사진 양쪽에서 성능을 올렸다.
한계
- 평가 위주라서 현장 배치용 모델을 내놓은 건 아니다.
- 합성 이미지가 실제 공장의 먼지, 반사, 흔들림을 다 담지는 못한다.
우리 기능과의 연결
- 설비 데이터 수집에서 통신이 안 되는 아날로그 계기를 카메라로 읽어 값으로 바꾸는 일과 같은 문제다.
- T08-3유사문제
Convolutional Neural Networks for Automatic Meter Reading
계량기 자동 판독을 위한 합성곱 신경망
한국어 검토 보기
해결 문제
- 전력 계량기를 사람이 돌며 읽는다. 사진 한 장으로 숫자를 자동으로 읽고 싶다.
핵심 구조
- 두 단계로 나눈다. 먼저 Fast-YOLO로 숫자판 영역을 찾는다. 그다음 세 가지 합성곱 신경망 방식으로 숫자를 읽는다.
- 숫자별 개수를 맞추는 자료 증강 기법을 써서 학습 자료를 균형 있게 만든다.
주요 결과
- 브라질 전력회사 현장 사진 2,000장에 전부 주석을 단 UFPR-AMR 자료를 공개했다. 당시 공개 자료 중 가장 큰 것의 세 배다.
- 적은 학습 자료로도 경쟁력 있는 결과를 냈다.
한계
- 기계식 회전 숫자판 중심이다. 회전 중간에 걸친 숫자가 여전히 어렵다.
- 바늘형 계기나 액정 표시창은 다루지 않는다.
우리 기능과의 연결
- 설비 데이터 수집에서 통신 없는 계량기 값을 사진으로 자동 입력하는 문제와 같다.
- T08-4유사문제
Utilizing Smartphone-Based Machine Learning in Medical Monitor Data Collection: Seven Segment Digit Recognition
7세그먼트 표시창 숫자 인식
한국어 검토 보기
해결 문제
- 계측 장비의 7세그먼트 표시창(막대 일곱 개로 숫자를 만드는 표시창) 값을 사람이 옮겨 적는다. 이게 느리고 틀린다.
핵심 구조
- 스마트폰 앱으로 표시창을 찍는다. 화면에서 숫자 영역을 찾고 세그먼트 패턴으로 숫자를 판정하는 인식 엔진을 만들었다.
주요 결과
- 의료 모니터 표시창에서 숫자 인식 정확도 98.2%를 보고했다.
한계
- 의료 기기 화면 대상이다. 표본 규모가 작다.
- 빛 번짐 때문에 소수점이 옆 숫자와 붙는 문제는 이 계열 연구의 공통 약점이다.
우리 기능과의 연결
- 설비 데이터 수집에서 통신 포트가 없는 계측기의 표시창을 카메라로 읽어 데이터로 바꾸는 문제와 같다.
검토 메모
- 메타 확인 메모: 게재는 2017년 AMIA 연례 학술대회 논문집이다. arXiv 등록은 그다음 해인 2018-07-13이다. 인용할 때는 게재 연도 2017과 arXiv 등록 2018을 나눠 적는다. 서지 정보는 Europe PMC 검색 기록으로 확인했다.
연구에서 제품 적용까지
운영 중인 기능, 시범 적용과 개발 중인 기술을 구분해 정리했습니다.
보유기술 보기