라이다 데이터 기반 형상 추출 자동화 솔루션은 LiDAR 센서로 수집한 Point Cloud 데이터를 활용하여 원료 운반 선박 또는 원료창고 내 적재 원료의 형상을 자동 인식하고, 원료 분포와 적재량 분석을 지원하는 AI 솔루션입니다. 기존 수작업 기반 형상 확인 방식보다 정밀하고 일관된 데이터 기반 분석이 가능하며, 원료 관리 및 물류 운영 효율화를 지원합니다.

활용 분야/활용 방식/기능 등 AI 솔루션 세부 내용 작본 솔루션은 LiDAR 센서를 통해 수집된 Point Cloud 데이터를 좌표 데이터로 변환하고, 선박 형상 및 원료 형상에 대한 라벨링 작업을 수행합니다. 이후 데이터 샘플링과 전처리를 거쳐 AI 모델이 각 좌표 또는 포인트별 형상 클래스를 예측합니다.

포인트 분류 알고리즘을 기반으로 원료, 선박 구조물, 배경 등의 형상을 구분하고, 이를 통해 선박 내 적재된 원료량이나 원료창고 내 원료 분포를 분석할 수 있습니다. 수집된 3차원 공간 데이터를 기반으로 원료 형상을 시각화하고, 실제 형상과 예측 형상을 비교하여 작업자가 분석 결과를 직관적으로 확인할 수 있도록 지원합니다.

본 솔루션은 원료 운반, 물류, 항만, 창고, 야적장 등 3차원 형상 인식과 물량 산정이 필요한 현장에 적용 가능합니다.성

TensorFlow, Keras, PyTorch 등을 활용합니다. 자체 개발 Point Cloud 기반 형상 분류 아키텍처를 적용하며, LiDAR Point Cloud 데이터 전처리, 좌표 변환, 샘플링, 포인트 단위 라벨링 및 분류 모델 학습 구조로 구성됩니다.

LiDAR Point Cloud 데이터 기반 포인트 단위 형상 분류 자체 개발 아키텍처를 적용합니다. LiDAR 센서를 통해 수집한 Point Cloud 데이터를 X/Y/Z 좌표 데이터로 변환하고, 형상 종류별 라벨링 및 샘플링을 수행한 후 포인트 단위 특징 추출 모델에 입력합니다. AI 모델은 각 좌표별 형상 클래스를 예측하고, 예측 결과를 기반으로 원료 운반 선박 및 원료창고 내 원료 형상과 분포를 자동 추출합니다.

현장에서 수집한 LiDAR 기반 Point Cloud 데이터를 모델에 입력하여 형상 분류 성능을 검증했습니다. 테스트 결과 Accuracy/IoU 기준 0.9758 수준을 달성했으며, F1-Score 약 97% 수준의 성능을 도출했습니다. 추가 학습 결과에서는 Train Accuracy 98%, Validation Accuracy 95%, Test Accuracy 97%를 기록했으며, Confusion Matrix 기준 전체 데이터 중 약 97.52%가 정확히 분류되었습니다.

불량 제품 판별 시스템은 제조 현장에서 생산 완료된 제품의 외관 이미지를 Vision 카메라로 수집하고, CLIP 기반 Vision AI 모델을 활용하여 정상품과 불량품을 자동 판별하는 품질검사 자동화 솔루션입니다. 기존 작업자의 육안검사 방식에서 발생할 수 있는 오검수, 검사 편차, 반복 작업 부담을 줄이고, 협동로봇과 연계하여 제품 사출, 촬영, 품질검수, 분류 작업까지 자동화할 수 있습니다.

활용 분야/활용 방식/기능 등 AI 솔루션 세부 내용 작성본 솔루션은 제품 생산라인에 Vision 카메라를 설치하여 생산 완료 제품의 외관 이미지를 실시간으로 취득하고, 수집된 이미지에 대해 전처리, 라벨링, 모델 추론을 수행합니다. AI 모델은 사전학습된 CLIP 기반 모델을 활용하여 현장 제품 이미지에 맞게 파인튜닝하며, 정상 제품과 결함 제품을 분류합니다.

Zero-shot 및 Few-shot 기반의 LVLM/Vision AI 구조를 적용하여 대량의 불량 데이터 확보가 어려운 제조 현장에서도 비교적 빠르게 모델 구축이 가능하도록 설계되었습니다. 생산품의 스크래치, 찍힘, 변형, 금속 용융 등 외관 결함을 검출할 수 있으며, 검출 결과는 작업자 화면 또는 설비 제어 시스템과 연동하여 제품 분류, 재검사, 불량품 배출 등의 후속 공정에 활용할 수 있습니다.

이를 통해 검사 작업의 표준화, 불량 유출 방지, 생산 다운타임 감소, 작업자 검사 부담 완화, 공정 품질 데이터 축적 효과를 기대할 수 있습니다.

사전학습 CLIP 모델 기반 Vision AI 커스텀 아키텍처를 적용합니다. 제조 설비 및 Vision 카메라에서 수집한 제품 외관 이미지를 전처리·라벨링한 후, CLIP/AnomalyCLIP 기반 이미지 인코더와 텍스트 프롬프트 인코더를 활용하여 정상·불량 상태를 추론합니다. 추론 결과는 결함 Score 및 Anomaly Map 형태로 도출되며, 임계값 기반으로 정상/불량을 판별하고 협동로봇 또는 검사 시스템과 연계하여 제품 분류 자동화에 활용합니다.

현장에서 수집한 제품 이미지 데이터를 기반으로 성능시험을 수행하였으며, 2024년 11월 28일 기준 시험 결과 불량 검출 정확도 F1-Score 98.4%를 달성하여 신청기관 기준인 98% 이상을 만족하였습니다.

현장에서 수집한 제품 이미지 데이터를 활용하여 정상 데이터와 결함 데이터를 구분하고, 모델 예측값과 실제 라벨을 비교하여 F1-Score를 산출하였습니다. 시험 데이터는 정상 이미지 70개, 결함 이미지 32개로 구성되었으며, scikit-learn 기반 평가를 통해 불량 검출 정확도 F1-Score 98.4%를 달성했습니다. 해당 결과는 신청기관 기준 98% 이상을 만족하는 수준입니다.

재고예측 기반 원자재 관리 최적화 솔루션은 제조 설비에서 발생하는 생산 이미지, 제품별 생산정보, 입출고 수량, 재고 데이터를 통합 분석하여 제품별 재고량과 생산 스케줄을 예측하는 AI 기반 생산관리 솔루션입니다. 생산관리 담당자는 예측 결과를 바탕으로 원자재 소요량, 생산 우선순위, 설비별 생산계획을 사전에 수립할 수 있습니다.

본 솔루션은 생산설비에서 수집되는 제품 이미지 데이터를 활용하여 현재 생산 중인 제품의 종류와 수량을 판별하고, 제품별 생산·재고·입출고 이력 데이터를 기반으로 향후 재고 발생량을 예측합니다. 또한 예측된 재고량과 입출고 데이터를 활용하여 1일 또는 1주 단위의 설비 생산 스케줄을 도출합니다.

재고예측 모델은 Transformer 기반 시계열 예측 구조를 활용하며, 제품별 과거 재고량 데이터를 기반으로 향후 생산재고량을 예측합니다. 생산 제품 판별 영역은 YOLOv10 기반 객체 감지 모델을 활용하여 설비에서 생산되는 제품의 품목을 실시간 판별합니다.

이를 통해 생산계획 수립 시간 단축, 원자재 부족 사전 대응, 설비 고장 또는 긴급 주문 발생 시 생산계획 재수립 시간 절감, 재고 과잉 및 결품 리스크 감소 효과를 기대할 수 있습니다.

TensorFlow, Keras, PyTorch, Python, pandas, NumPy, scikit-learn, Torch, YOLOv10, Transformer 기반 딥러닝 모델 등을 활용합니다.

제품 이미지 기반 생산 제품 판별 모델과 시계열 기반 생산재고 예측 모델을 결합한 자체 개발 멀티모달 제조 데이터 분석 아키텍처를 적용합니다. 설비에서 수집한 제품 이미지는 YOLOv10 기반 Vision AI 모델을 통해 제품 종류 및 수량을 판별하고, 제품별 생산 정보·재고량·입출고 수량 데이터는 Transformer 기반 시계열 예측 모델에 입력하여 향후 재고 발생량을 예측합니다. 예측된 재고량과 입출고 데이터, 생산 제약조건을 기반으로 최적화 알고리즘을 수행하여 1일·1주 단위 생산 스케줄을 도출합니다.

생산재고 예측 모델은 2025년 8월 11일부터 2025년 10월 10일까지 생산 라인에서 수집된 12개 품목의 재고량 데이터 732개 row를 활용하여 검증되었습니다. 과거 30일 데이터를 입력값으로 사용하고 7일 예측 구간을 설정하여 제품별 재고량을 예측했으며, 평균 SMAPE 9.21%, 예측 정확도 90.8%를 달성하여 기준 90% 이상을 만족했습니다.

생산 제품 판별 모델은 수집된 제품 이미지 1,000개를 활용하여 YOLOv10 기반 품목 판별 성능을 검증하였으며, F1-Score 98.2%를 달성하여 기준 98% 이상을 만족했습니다.

4I-Manualchat은 제조 현장의 작업절차서, 점검 매뉴얼, 고장 진단 가이드 등 문서 기반 지식을 AI가 검색하고 답변하는 제조 특화 RAG 기반 챗봇 솔루션입니다. 현장 작업자는 자연어 질의를 통해 필요한 매뉴얼 내용을 빠르게 찾을 수 있으며, 온프레미스 환경에서 동작하여 제조 기밀 문서의 외부 유출 위험을 최소화합니다.

본 솔루션은 제조 매뉴얼 PDF를 업로드하면 텍스트 추출 및 OCR을 수행하고, 문서를 청킹한 뒤 다국어 임베딩을 생성하여 Vector DB에 저장합니다. 사용자가 질의하면 쿼리 확장 후 Semantic Search와 Keyword Search를 결합한 하이브리드 검색을 수행하고, 검색된 컨텍스트를 검증한 뒤 로컬 LLM이 답변을 생성합니다.

멀티 OCR 폴백 구조를 통해 스캔 PDF, 이미지 기반 문서 등 다양한 문서 형식을 처리할 수 있으며, 멀티 테넌트 데이터 격리 구조를 적용하여 공장, 부서, 고객사별 문서 데이터 분리 운영이 가능합니다. 스트리밍 LLM 응답 기능을 통해 사용자는 답변 생성 과정을 실시간으로 확인할 수 있습니다.

제조 현장에서 반복적으로 발생하는 설비 조치 문의, 고장 진단, 작업 절차 확인, 점검 기준 검색 등에 활용할 수 있으며, 작업자의 정보 탐색 시간 단축과 교육 효율 향상에 기여합니다.

PyTorch, Transformers, FastAPI, Qdrant Vector DB, SQLite, PostgreSQL, Docker 등을 활용합니다. RAG 기반 로컬 LLM 응답 생성 아키텍처, 하이브리드 검색 구조, 멀티 OCR 폴백, 멀티 테넌트 데이터 격리, 스트리밍 LLM 응답 구조로 설계되었습니다.

RAG 기반 로컬 LLM 응답 생성 아키텍처를 적용합니다. 제조 매뉴얼 PDF 및 이미지 기반 문서를 업로드하면 텍스트 추출과 OCR을 수행하고, 문서를 청킹한 후 다국어 임베딩을 생성하여 Qdrant Vector DB에 저장합니다. 사용자의 자연어 질의는 쿼리 확장 후 Semantic Search와 Keyword Search를 결합한 하이브리드 검색을 통해 관련 문서를 검색하며, 검색된 컨텍스트를 검증한 후 온프레미스 환경의 로컬 LLM이 답변을 생성하고 스트리밍 방식으로 제공합니다. 멀티 OCR 폴백, 멀티 테넌트 데이터 격리, 로컬 프라이버시 우선 구조를 포함합니다.

약 10,000개 문서 청크 기준 평균 검색 시간 50~100ms를 달성했습니다. 500페이지 PDF 문서 처리 시간은 OCR 포함 평균 5~10분 수준으로 확인되었으며, 다중 사용자 환경에서도 안정적인 서비스 동작을 검증했습니다. 테스트 항목은 평균 검색 시간, 대용량 PDF 처리 시간, 동시 사용자 처리 안정성으로 구성되었습니다.