플러스프로젝트 배경
문제점 - 수동 점검의 한계: 사람이 직접 등반·점검하는 방식으로 시간과 비용이 많이 들고, 안전 위험이 높음. - 데이터 단절: 드론 영상, 2D 이미지, 3D 스캔 데이터가 분산되어 정확한 구조 분석이 어려움. - 비효율적 유지보수: 정밀 모델 부재로 결함 탐지가 일관되지 않아 사후 대응 중심으로 운영됨. - 느린 업그레이드: 자동화된 재구성 절차가 없어 5G 등 통신 인프라 구축 속도가 지연됨.
프로젝트 성과
안테나 탐지 정확도
YOLOv8 및 Faster R-CNN을 활용하여 다양한 환경에서 안테나 구조를 안정적으로 탐지 및 분할하며, 약 92%의 목표 정확도를 달성합니다.
3D 재구성 정밀도
다중 뷰 이미지 처리와 OpenGL/Open3D 렌더링을 통해 재구성된 안테나 기하 구조에서 센티미터 이하 수준의 정밀도를 구현합니다.
결함 탐지 신뢰도
자동화된 분석을 통해 균열, 부식, 구조적 불일치를 90% 이상의 신뢰도로 탐지하여 점검 시 누락되는 문제를 최소화합니다.
시스템 지연 시간
엔드투엔드 추론 및 3D 렌더링 파이프라인을 최적화하여 프레임당 약 100~120ms의 지연 시간을 달성, 실시간에 가까운 모니터링을 지원합니다.
핵심 기능
자동화된 안테나 탐지 및 고정밀 3D 재구성
Meshlab이 지원하는 OpenGL 및 Open3D 기반 AI 모델(YOLOv8, Faster R-CNN)을 사용하여 원시 이미지, 드론 영상 및 3D 스캔에서 안테나 구조를 자동으로 감지하고 분리합니다.
진행 단계
연구 및 시스템 설계
2024.07.
요구사항 분석을 수행하고, 기존 안테나 점검 워크플로우를 검토하여 전체 시스템 아키텍처를 확정합니다. 데이터 수집 전략, AI 모델, 3D 재구성 프레임워크 를 정의합니다.
프로젝트 상세
통신 안테나는 5G 등 무선 네트워크의 핵심 인프라입니다. 기존 점검 방식은 인력·비용 부담이 크고, 안전 위험이 따릅니다. 이에 따라 AI, 컴퓨터 비전, 3D 재구성을 결합한 디지털 자동 점검 시스템이 필요합니다. 본 프로젝트는 정밀 탐지·3D 재구성·결함 분석을 자동화하기 위해 YOLOv8, Faster R-CNN, ByteTrack 등 AI 모델과 OpenGL·Open3D 기반의 시각화 기
