← AI Solutions
컴퓨터비전이상탐지3D 복원
AI 비전 진단·분석 솔루션
AI Vision Diagnostics & Analysis Solution
객체 탐지, 이미지 분류, 세그멘테이션, 3D 복원을 하나의 엔진으로 수행하는 통합 비전 AI 솔루션입니다. 수요기업 데이터 파인튜닝으로 현장 맞춤 배포가 가능하며, MES/ERP 등 기존 업무 시스템에 실시간 연동됩니다.
핵심 차별점
01
통합 분석 — 탐지·분류·세그멘테이션·3D 복원을 하나의 엔진으로
02
현장 맞춤 — 수요기업 데이터 파인튜닝 → 즉시 배포
03
시스템 연동 — MES/ERP 등 기존 업무 시스템에 실시간 연동
주요 기능
실시간 이미지 분석 (탐지·분류·세그멘테이션)
분석 결과 시각화 (히트맵·바운딩 박스·3D 뷰어)
등급 판정 + 맞춤형 리포트 자동 생성
2D → 3D 복원 (인체·분자 구조)
수요기업 데이터 파인튜닝 지원
MES/ERP 시스템 실시간 연동
배치 / 실시간 스트림 처리 모두 지원
관리자 대시보드 + 실시간 모니터링
기술 스택
비전 AI/3D 모델
PyTorchOpenCVYOLOv8Mask R-CNNSMPL-XOpen3DPyTorch3D
서빙/인프라
FastAPIONNX RuntimeTensorRTDockerOn-Premise GPU
아키텍처
이미지/영상 입력카메라·디바이스·데이터
→전처리정규화·보정·증강
→AI 분석 엔진탐지·분류·세그멘테이션
→결과 처리판정·리포트·연동
→대시보드시각화·모니터링
활용 분야별 분석 구성
| 활용 분야 | 입력 | 분석 방법 | 출력 |
|---|---|---|---|
| 피부·두피 | 디바이스 이미지 | EfficientNet-V2 분류 + U-Net 세그멘테이션 | 등급 리포트 + 제품 추천 |
| 제조 품질 | 라인 카메라 이미지 | YOLOv8 탐지 + Mask R-CNN 세그멘테이션 | 양품/불량 판정 + MES 연동 |
| 3D 인체 | 2D 이미지/영상 | OpenPose + SMPL-X 3D 피팅 | 3D 메시 + 모션 애니메이션 |
| 분자 구조 | 분자 그래프 | GNN 좌표 예측 + 에너지 최소화 | 분자 3D 시뮬레이션 |
데이터 보유·수집 현황
| 데이터 종류 | 데이터 개수 | 데이터 상세 내용 |
|---|---|---|
| 손 모양 데이터 (MANO) | 1,000개 | MANO 사이트 라이선스 가입 후 무료 사용 |
| 3D 얼굴 스캔 모델 (FLAME) | 3,800개 | FLAME 사이트 무료 모델 라이선스 사용 |
| SMPL-BODY 모델 | 16개 | 무료 BODY 라이선스, STAR-BODY 추가 계약 예정 |
| 자사 보유 모션 데이터 | 2,000개 | 자사 보유 모션데이터 |
| 유형별 두피 이미지 | 10만 건 | AI-Hub 두피 유형별 분류 이미지 (두피 진단 사전 학습용) |
| 피부 질환 진단 의료 이미지 | 106,776건 | AI-Hub 32종 피부질환 임상 이미지 (10개 대학병원) |
| 한국인 피부상태 측정 데이터 | 13,936장 + 84,688건 | AI-Hub 안면 이미지 + 피부 상태 측정 (1,100명) |
| 화학물질 유해성 예측 데이터 | AI-Hub | GNN 기반 분자 구조 예측 모델 포함 |
성능 검증 결과
3D 인체 분석 (SMPL-X 3D 복원 성능)
| Model | MPJPE ↓ | PA-MPJPE ↓ | V2V ↓ |
|---|---|---|---|
| SPIN | 96.9 | 62.5 | 116.4 |
| ExPose | 93.4 | 60.7 | — |
| PIXIE (자사 적용) | 64.0 | 42.0 | 52.9 |
PIXIE vs SPIN: MPJPE -33.9% / PA-MPJPE -32.8% / V2V -54.5%
피부·두피 진단 (EfficientNet-V2 분류 성능)
| Model | Accuracy | F1-Score | 비고 |
|---|---|---|---|
| ResNet-50 (Baseline) | 82.3% | 79.8% | 논문 기준 |
| EfficientNet-V2 (SOTA) | 89.7% | 87.4% | 논문 기준 |
| 자사(사전학습) | 87.2% | 84.9% | AI-Hub 사전학습 |
| 자사(파인튜닝 목표) | 93.0% | 91.0% | 수요기업 데이터 적용 시 |
제조 결함 검출 (YOLOv8 + Mask R-CNN 탐지 성능)
| Model | mAP@50 | mAP@50:95 | 비고 |
|---|---|---|---|
| YOLOv5 (Baseline) | 78.5% | 52.3% | 논문 기준 |
| YOLOv8-L (SOTA) | 88.2% | 61.8% | 논문 기준 |
| 자사(사전학습) | 85.6% | 58.4% | AI-Hub 사전학습 |
| 자사(파인튜닝 목표) | 92.0% | 68.0% | 수요기업 데이터 적용 시 |
분자 구조 예측 (GNN 기반 3D 좌표 예측 성능)
| Model | MAE (eV) ↓ | 비고 |
|---|---|---|
| SchNet (Baseline) | 0.235 | 논문 기준 |
| DimeNet++ (SOTA) | 0.128 | 논문 기준 |
| 자사(사전학습) | 0.152 | AI-Hub + PDB 사전학습 |
| 자사(파인튜닝 목표) | 0.095 | 수요기업 데이터 적용 시 |
도입 프로세스
1
현장분석요구사항 파악2
모델학습현장 데이터 파인튜닝3
서버설치Edge / GPU4
시스템 연동MES · ERP5
운영개시모니터링