[논문]AI 엣지 디바이스를 이용한 스마트 팩토리 시스템 설계

한성일; 이대식; 한지환; 신한재

doi:10.17661/jkiiect.2022.15.4.257

AI 엣지 디바이스를 이용한 스마트 팩토리 시스템 설계
The Design of Smart Factory System using AI Edge Device 원문보기

한국정보전자통신기술학회논문지 = Journal of Korea institute of information, electronics, and communication technology, v.15 no.4, 2022년, pp.257 - 270

한성일 (Tricomtek co., Ltd, Research & Development Center) , 이대식 (Tricomtek co., Ltd, Research & Development Center) , 한지환 (Tricomtek co., Ltd, Research & Development Center) , 신한재 (Gumi Electronics & Information Technology Research Institute)

초록
AI-Helper

본 논문에서는 AI 엣지 디바이스를 이용한 스마트 팩토리 위험도 개선시스템 및 위험도 개선방법을 설계한다. 스마트 팩토리 위험도 개선시스템은 AI 엣지 디바이스를 이용하여 스마트 팩토리에서 작업자의 작업수행 과정을 수집, 분석, 예방 및 신속 대처하고, 작업자의 작업 수행시 불량률을 개선하면서 작업시 발생 가능한 위험을 저감할 수 있다. 특히 작업자 이미지 정보, 작업자 생체정보, 장비 구동 정보 및 제조된 제품의 품질정보에 기초하여 위험도 이상 조건을 설정할 수 있고, 효율적이고 정확도 높은 작업이 되도록 위험도 개선이 가능하다. 또한 스마트 팩토리 내부의 카메라 및 IoT 센서 등에서 수집된 데이터는 모두 클라우드로 보내지 않고 AI 엣지 디바이스에서 처리하고, 필요한 데이터만 클라우드 등으로 전송할 수 있으므로 처리 속도가 빠르고, 보안에 관한 문제가 적다는 장점이 있다. 추가적으로 AI 엣지 디바이스를 사용함으로써 클라우드로 데이터 전송량이 감소하여 데이터 통신비 및 데이터 전송 대역폭을 확보하는 비용이 절감되는 장점이 있다.

Abstract ▼ AI-Helper

In this paper, we design a smart factory risk improvement system and risk improvement method using AI edge devices. The smart factory risk improvement system collects, analyzes, prevents, and promptly responds to the worker's work performance process in the smart factory using AI edge devices, and can reduce the risk that may occur during work with improving the defect rate when workers perfom jobs. In particular, based on worker image information, worker biometric information, equipment operation information, and quality information of manufactured products, it is possible to set an abnormal risk condition, and it is possible to improve the risk so that the work is efficient and for the accurate performance. In addition, all data collected from cameras and IoT sensors inside the smart factory are processed by the AI edge device instead of all data being sent to the cloud, and only necessary data can be transmitted to the cloud, so the processing speed is fast and it has the advantage that security problems are low. Additionally, the use of AI edge devices has the advantage of reducing of data communication costs and the costs of data transmission bandwidth acquisition due to decrease of the amount of data transmission to the cloud.

주제어

표/그림 (23)

그림 그림 1. 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 시스템[8] Fig. 1. Cloud intelligent prediction based production automation system for smart factory
그림 그림 2. 스마트 팩토리 위험도 개선시스템의 구성도 Fig. 2. Configuration diagram of smart factory risk improvement system
그림 그림 3. AI 엣지 디바이스의 구성도 Fig. 3. Configuration diagram of AI edge device
그림 그림 4. IoT 센서의 구성도 Fig. 4. Configuration diagram of IoT sensor
그림 그림 5. 스마트 팩토리 위험도 개선방법 Fig. 5. Smart Factory Risk Improvement Method
그림 그림 6. 작업자 생체정보로 스마트 팩토리 위험도 개선방법 Fig. 6. How to improve smart factory risk with worker biometric information
그림 그림 7. 장비 구동 정보로 스마트 팩토리 위험도 개선방법 Fig. 7. How to improve smart factory risk with equipment operation information
그림 그림 8. 작업자에 의해 제조된 제품의 품질장비로 스마트 팩토리 위험도 개선방법 Fig. 8. How to improve the risk of smart factory with quality equipment of products manufactured by workers
그림 그림 9. AI 엣지 디바이스를 이용한 위험도 개선방법 Fig. 9. How to improve risk using AI edge devices
그림 그림 10. AI 가속기 성능& 전력 소비 시험환경 Fig. 10. AI accelerator performance & power consumption test environment
그림 그림 11. AI 가속기 성능& 전력 소비 시험 시나리오 Fig. 11. AI accelerator performance & power consumption test scenario
표 표 1. 테스트 디바이스 Table 1. Test device
표 표 2. AI 가속기 성능시험 Table 2. AI accelerator performance test
그림 그림 12. ResNet50 세부 로그 Fig. 12. ResNet50 detailed log
그림 그림 13. Yolov3(TFLite) 세부 로그 Fig. 13. Yolov3(TFLite) detailed log
그림 그림 14. Yolov3(TensorFlow) 세부 로그 Fig. 14. Yolov3(TensorFlow) detailed log
표 표 3. ResNet50 세부 로그 Table 3. ResNet50 detailed log
표 표 4. Yolov3(TFLite) 세부 로그 Table 4. Yolov3(TFLite) detailed log
그림 그림 15. Classification 세부 로그 Fig. 15. Classification detailed log
표 표 5. Yolov3(TensorFlow) 세부 로그 Table 5. Yolov3(TensorFlow) detailed log
표 표 6. AI Classification 전력 소비 성능시험 Table 6. AI classification power consumption performance test
표 표 8. AI 가속기 성능시험환경 결과 Table 8. AI accelerator performance test environment results
표 표 7. Classification 세부 로그 Table 7. Classification detailed log

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 AI 엣지 디바이스를 이용한 스마트 팩토리 위험도 개선방법은 복수의 카메라 및 IoT 센서와 네트워크 연결된 AI 엣지 디바이스를 구비하는 스마트 팩토리에서 제품을 제조하는 작업자의 위험도를 개선하는 방법이다.
본 논문에서는 종래기술이 가지는 문제점을 해결하기 위한 것으로 카메라에서 수집된 작업자 이미지와 IoT 센서로부터 수집된 정보 등을 AI 엣지 디바이스로 처리함으로써 효율적이고 정확한 스마트 팩토리 위험도 개선시스템 및 위험도 개선방법을 제공하고자 한다. 또한 IoT 센서로부터 수집된 작업자 생체정보, 작업자가 운용하는 장비의 장비 구동 정보, 작업자가 제조한 제품의 품질정보를 이용하여 위험도를 더욱 정확하게 판별할 수 있도록 하는 스마트 팩토리 위험도 개선시스템을 제공하고자 한다.
본 논문에서는 종래기술이 가지는 문제점을 해결하기 위해 카메라에서 수집된 작업자 이미지와 IoT 센서로부터 수집된 정보 등을 AI 엣지 디바이스로 처리함으로써 효율적이고 정확한 스마트 팩토리 위험도 개선시스템 및 위험도 개선 방법을 제공하고자 한다.

제안 방법

AI 엣지 디바이스는 작업자 이미지 정보를 작업 동작 이미지와 일반 동작 이미지로 분류하고, 위험도 이상 조건은 작업 동작 이미지와 일반 동작 이미지의 작업시간에 따른 변화 여부에 기초하여 차등적으로 설정한다.
AI 엣지 디바이스를 이용한 스마트 팩토리 위험도 개선시스템은 작업자의 움직임을 촬영하도록 설치된 복수의 카메라와 작업자의 생체정보 및 작업자가 운용하는 장비의 장비 구동 정보를 수집하는 복수의 IoT 센서와 복수의 카메라 및 IoT 센서와 네트워크 연결된 AI 엣지 디바이스를 포함하여 구성된다.
따라서 AI 엣지 디바이스를 이용한 스마트 팩토리 위험도 개선시스템을 설계한다. 스마트 팩토리 위험도 개선시스템 구성도는 그림 2와 같다.
본 논문에서는 종래기술이 가지는 문제점을 해결하기 위한 것으로 카메라에서 수집된 작업자 이미지와 IoT 센서로부터 수집된 정보 등을 AI 엣지 디바이스로 처리함으로써 효율적이고 정확한 스마트 팩토리 위험도 개선시스템 및 위험도 개선방법을 제공하고자 한다. 또한 IoT 센서로부터 수집된 작업자 생체정보, 작업자가 운용하는 장비의 장비 구동 정보, 작업자가 제조한 제품의 품질정보를 이용하여 위험도를 더욱 정확하게 판별할 수 있도록 하는 스마트 팩토리 위험도 개선시스템을 제공하고자 한다.
본 논문에서는 종래기술이 가지는 문제점을 해결하기 위한 것으로 카메라에서 수집된 작업자 이미지와 IoT 센서로부터 수집된 정보 등을 AI 엣지 디바이스로 처리함으로써 효율적이고 정확한 스마트 팩토리 위험도 개선시스템 및 위험도 개선방법을 제공하고자 한다. 또한 IoT 센서로부터 수집된 작업자 생체정보, 작업자가 운용하는 장비의 장비 구동 정보, 작업자가 제조한 제품의 품질정보를 이용하여 위험도를 더욱 정확하게 판별할 수 있도록 하는 스마트 팩토리 위험도 개선시스템을 제공하고자 한다.
만약 AI 엣지 디바이스에서 해당 작업자의 위험도가 낮은 것으로 판별하는 경우, AI 엣지 디바이스에 네트워크 연결된 카메라에서 촬영하여 시간당 저장되는 데이터의 양을 줄이거나 카메라의 촬영시간을 감소시키는 등으로 모니터링의 효율성을 제고 한다.

이론/모형

AI 가속기 성능시험 AI 가속기는 이미지 인식에 최적화된 알고리즘 CNN(Convolutional Neural Network)에 Classification와 Object Detection을 개발한 Multi-IO& K200을 통해서 시험 분석하고, 표 2와 같다.

성능/효과

AI 엣지 디바이스는 CPU, GPU, ASIC, FPGA, SoC AI 가속기 같은 인공지능 처리를 수행하기 위한 다양한 구성요소를 포함하여 이루어질 수 있으며, 별도의 PC, 스마트폰 등의 모니터링 장치와 연결하여 데이터 처리 상황이나 위험도 판별 및 정보 제공 상황을 확인할 수도 있다.
따라서 미리 설정된 위험도 이상 조건에 기초하여 작업자의 위험도를 판별하여 작업자 스마트 팩토리에서 생산성을 향상하면서 동시에 작업 위험도를 개선할 수 있는 효과가 있다.
또한 스마트 팩토리 내부의 카메라 및 IoT 센서 등에서 수집된 데이터를 모두 클라우드로 보내지 않고 AI 엣지 디바이스에서 처리한 후 필요한 데이터만 클라우드 등으로 전송할 수 있으므로 처리 속도가 빠르고, 보안에 관한 문제가 적다는 장점이 있다. 또한 AI 엣지 디바이스를 사용함으로써 클라우드로의 데이터 전송량이 감소하여 데이터 통신비 및 데이터 전송 대역폭을 확보하는 비용이 절감되는 장점이 있다.
그림 2에서 보면 인공지능을 이용하여 스마트 팩토리에서 제품을 제조하는 작업자의 위험도를 개선하는 시스템에 관한 것이다. 스마트 팩토리에 설치된 복수의 카메라 및 IoT 센서에서 수집되는 데이터를 활용하여 기계학습 모델을 개선하고, 작업자의 동작에 따른 결과를 예측함으로써 작업자의 작업시 위험도를 개선하고 생산성을 향상할 수 있으며, 상황별 위험도를 개선하여 전체 공정상 위험도 관리가 가능하다.
종래 클라우드에서 데이터를 수집하여 전체적으로 데이터를 처리하는 경우에는 데이터를 수집하는 장치와 이를 처리하는 서버와의 장거리 통신이 이루어져야 하지만, 본 논문에서는 AI 엣지 디바이스는 데이터를 수집하는 장치 인근에서 실시간으로 인공지능 알고리즘을 통해 데이터를 학습, 처리함으로 인해 애플리케이션 성능에 영향을 미치는 대역폭 및 대기시간 문제가 발생하지 않으며, 신속하게 데이터를 처리하여 실시간 정보 전달이 가능하게 되므로, 데이터 수집 장치를 거쳐 작업자에게 위험도에 관한 빠른 정보 전달 및 위험도 개선이 효율적으로 이루어진다.

참고문헌 (8)

J. W. Lim, D. H. Jo, S. Y. Lee, H. J. Park, J. W. Park, "A Case Study for the Smart Factory Application in the Manufacturing Industry", Journal of Korea Business Administration, vol. 30, no. 9, pp. 1609-1630, 2012.
H. T. Shin, "Analysis of effects of artificial intelligence (AI) function on e-learning program performance," Konkuk University Master's Thesis, 2018.
S. S. Kim, "A Study on the Factors Affecting Continuous Usage Intention of Data Driven Artificial Intelligence Product Service System," Soongsil University Ph.D. thesis, 2019.
B. K. Choi, "A Study On Parameter Measurement for Artificial Intelligence Object Recognition," Journal of Korea Society of Digital and Information Management, vol. 15, no. 3, pp. 15-28, 2019.
J. M. Yang, " A Study on Improving the Reliability of Cloud Computing," Journal of Korea Society of Digital and Information Management, vol. 8, no. 4, pp. 107-113, 2012.
C. J. Jeon, J. M. Kim, "Deep Learning Based Data Compression Algorithm for Edge Device," Proceedings of the Information and Control Symposium of the Korean Electrical Society, vol. 2019, no. 10, pp. 96-97, 2019.
G. H. Kim, Y. J. Lee, G. T. Im, "A Study on the Real-time Image Data Capture Using Edge Device and Object Detection Based on YOLO Systems," Proceedings of the Korea Telecommunications Society Conference, vol. 2021, no. 2, pp. 1011-1012, 2021.
D. S. Han, "Cloud Intelligent Prediction-based Production Automation System and Method for Smart Factory," Korean Intellectual Property Office, vol. 2019, no. 10, 2019.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증