기계/자동차/부품

Nikkei Robotics_2017. 4_Sexy Technology 요약 (p3~5)

도시바, 송전선 점검용 신형 딥러닝 개발
“지능”보다 “창작자”로서의 새로운 AI,「생성(Generative)모델」

「얼굴을 보고 누구인지 알아 맞춘다」「영상에 무엇이 비춰지고 있는지를 말로 표현한다」---. 영상 및 음성 인식 등의 영역에서 화려한 성과를 내고 있는 딥러닝(심층학습)은 인공지능(AI)이라는 말에 걸맞게 지능적이다. 사전에 학습된 방대한 지식을 바탕으로 현실 세계를 인식해 키워드를 통해 사물을 알아 맞출 수 있다.

그러나 AI의 이러한 “지능”에 편중된 이미지에 대해 이젠 다시 생각해 볼 필요가 있다. 미국의 구글 및 페이스북사가 개발을 주도, 최근 1년간 빠르게 확산되고 있는 딥러닝의 일종인 한 새로운 기술이 이미 “지능”이라는 개념만으로는 정의할 수 없는 새로운 기능을 갖추고 있기 때문이다.

이 새로운 기술의 이름은「심층 생성 모델(Deep generation model)」. 이 기술은「사진에 찍혀있는 사물을 인식하는 것」이 아니다. 「사진이라고 하는 고차원적인 데이터 자체를 무(無)에서부터 생성」하는 기능, 일종의 “창작자”와 같은 기능을 가지고 있다. 창작의 기반이 되는 학습 데이터는 여전히 제공되어야 할 필요가 있지만, 그 이후에는 여러 가지 소리만 제공된다면, 그것을 힌트로 계속해서 마치「진짜와 같은 사진」을 만들어낼 수 있다.

기계가 영상데이터 등을 멋대로 만들어내는 것이, 우리에게 무슨 도움이 될 것인가라고 생각될지도 모른다. 그러나 이 신기술은 AI 및 기계학습 분야의 앞으로의 무한한 발전을 위한 거대한 가능성을 내재하고 있다. 로봇이나 AI에 종사하는 기술자라면 반드시 알아두어야 할 기술인 것이다.

현실로 착각할만한 데이터를 사람의 손을 거치지 않고 기계 스스로 생성해내는 것은”관상용 그림을 창작하는 것”과 같은 흥미를 위한 용도가 아닌, 공학적으로 큰 의미를 갖는다. 바둑 소프트웨어「AlphaGo」처럼 환경 속에서 Try & Error를 통해 스스로 학습해나가는「강화학습」, 학습데이터(Label)가 부족한 상황에서도 기계학습을 실행할 수 있는「반 교사 학습(Semi-supervised Learning)」등에 있어, 이 신기술은 반드시 필요할 것으로 전망되고 있다. 「그림을 그리는 것을 기계가 따라 한다고 해도 별 의미 없다」고 생각하는 것은 큰 오산이다. 구글과 페이스북사와 같은 AI 선진기업들이 최근 일년 간 발표한 딥러닝에 대한 논문들 중 많은 것들이 신기술에 관한 것이다. 그 정도로 전문가들 사이에서는 중요하다고 인식되고 있는 하나의 큰 흐름인 것이다.

이 신기술을 이번에 도시바가 신속히 실용화하였다. 송전선 점검의 자동화 시스템 안에서 송전선이 벼락 등으로 손상된 경우의 사진을 인공적으로 만들어내기 위해 이「생성모델」형 딥러닝(심층생성모델)을 이용하였다.

-- 미국의 IT기업은 불가능한 시스템 --
송전선에 손상 등의 이상이 발생할 경우, 통상적으로는 점검 시 바로 보수하는 것이 대부분으로, 일부러 사진을 촬영하지 않을 때도 많다. 이 때문에, 막상 송전선 점검을 드론의 카메라 촬영으로 제공된 영상 인식을 통해 자동화하려는 경우, 학습데이터의 기반이 되는 손상 영상(이상 영상)이 담당하는 전력회사에도 없어, 인식시스템을 구축하는데 어려움이 있었다.

도시바는 여기에 심층생성모델이라는 최신 딥러닝 기술을 활용했다. 도시바에서 딥러닝 관련 기술 안건을 맡고 있는 새로운 조직「딥러닝 기술개발부」가 업무를 담당했다. 부정 회계 사태를 겪고 있는 도시바이지만, 기술 자체는 결코 뒤쳐지지 않는다. 심층생성모델이라는 딥러닝의 최신 트랜드를 확실히 따라 잡아, 그것을 사회 인프라 분야라고 하는 안정된 자사의 사업 영역에서 실현한 것이다. 이것은 IT에 편중된 미국의 AI 선진기업에서는 불가능한, 하드웨어 사업을 가진 일본기업만의 AI의 실용화 전략이다.

도시바가 이러한 용도로 심층생성모델을 실현한 것은 지금까지 전혀 알려져 있지 않았다. 지금부터는 어떠한 이유로 도시바가 심층생성모델을 이용하게 되었는지, 도대체 생성모델이란 무엇인지에 대해 알아보자.

-- 낙뢰 때 마다 철탑에서 육안으로 점검 --
우선 송전선 점검의 보수 사정부터 살펴보자. 송전선의 보수로는 현재, 작업자가 낙뢰 후나 정기 점검 시에 철탑에 올라가 눈으로 확인하거나, 헬리콥터를 이용해 송전선을 촬영하는 등으로 점검하고 있다. 그러나 높이가 100m 정도나 되는 철탑에 작업자가 직접 올라가는 것은 위험 부담이 크다. 특히 산간부의 송전선에 낙뢰가 발생한 경우에는 그곳까지 이동하는 것만으로도 시간이 걸린다. 헬리콥터에서의 공중 촬영도 송전선 및 철탑에 접근하기 위해 숙련된 파일럿이 필요, 비용도 늘어난다.

이를 위해, 저렴한 무인 자율비행이 가능한 드론에 관심이 모아졌다. 드론에 4K 카메라를 탑재해 그 촬영 영상을 자동으로 인식할 수 있도록 한다면, 철탑에 오르거나, 헬기를 이용하지 않아도 손상 부분을 효율적으로 발견할 수 있게 되는 것이다.

송전선으로의 낙뢰는 빈번하게 발생하고 있다. 예를 들어, 도쿄전력그룹이 관할하는 송전선만해도 2015년 말 시점에서의 길이가 합계 약 만 5,000km로, 철탑 수는 5만개 이상에 달한다. 이러한 규모의 송전선에 연간 수 백회 이상의 낙뢰가 발생하는 것이다.

송전선으로의 낙뢰는 그 자체로 전압 변동 등으로 인한 순간적인 정전을 일으키는 원인으로 작용하지만, 이러한 일시적인 영향만으로 끝나지 않는다. 낙뢰로 송전선 자체에 손상이 발생하는 경우도 있다. 구체적으로는, 낙뢰의 아크(Arc)방전에 의해 송전선 표면이 융해되어「아크 자국」이라 불리는 검은 자국이 남게 된다. 송전선의 아크 자국을 방치한다면 송전선을 구성하는 일부 선의 파손(소선(素線) 끊김) 등으로 이어질 가능성이 있어, 발견해 보수해야 할 필요가 있다. 낙뢰 후 그 주변을 드론이 촬영, 아크 자국이 있는 장소를 영상을 통해 사전에 파악할 수 있다면, 보수 시, 효율적인 작업이 진행될 수 있다.

현재는 낙뢰가 발생하면, 기상정보 및 정전 지역에 대한 정보를 바탕으로, 관할 변전소의 주변 약 10km 이내를 작업자가 직접 보면서 점검하고 있다. 2인 체제로 철탑의 사다리를 올라, 100m 정도 높이의 철탑 정상에서 망원경으로 아크 자국을 찾는 것이다. 산 속 깊은 곳 등 행동이 제한적인 지역에서 하루에 점검이 가능한 것은 높은 철탑 2개, 낮은 철탑이라도 6~7개가 한계이다. 하지만, 드론과 딥러닝을 이용한다면, 이러한 아크 자국 검출을 자동화할 수 있게 된다.

「현재의 작업자의 눈을 통한 검침은 핀포인트로 보기 때문에, 화재 등으로 이어질 수 있는 손상 등을 모두 발견할 수는 없다」(도시바 인더스트리얼ICT솔루션사(社) 제조∙산업∙사회 인프라솔루션 사업부의 미타(三田) 사업부장). 영상 인식을 이용한다면, 발견하지 못하는 경우도 줄어들기 때문에 보다 포괄적인 검출이 가능하다.

-- 드론이 자동으로 송전선을 추적 --
이번 기술은 2016년 7월부터 이미 전력회사의 시험용 철탑 등을 통해 실증 실험을 시행, 그 효과를 확인하였다. 심층생성모델과 영상 인식용 딥러닝을 조합해, 실제로 아크 자국을 검출할 수 있었다.

촬영 시에는 송전선의 윗면이 잘 보일 수 있도록 대각선 위에서 촬영. 송전선과의 거리를 5~10m 간격으로 일정하게 유지하면서 송전선과 평행한 비행으로 촬영되었다. 드론은 GPS의 위치정보만으로는 정확하게 송전선을 따라 비행할 수 없기 때문에 탑재된 LIDAR를 통해 송전선을 검출, 자동으로 추적하도록 만들었다. 기체는 enRoute사의 제품이다. 철탑 사이에 있는 300~500m의 송전선을 한번의 비행으로 촬영, 그 후, 동영상을 수 만장의 정지 화면으로 잘라내어 딥러닝에 의해 2cm 이상의 아크 자국을 검출해내는 시스템이다.

이번 송전선의 자동 점검 시스템에서 도시바는 드론의 자율비행기술을 보유한 Alpine사와 협력했다. 도시바에서 11명, 알파인에서 12명의 멤버로 팀을 구성. 도시바측은 드론이 촬영한 송전선 영상에서 손상 장소를 발견하는 기술을 담당, 알파인측은 드론의 제어부분을 담당했다. 2018년 4월에 전력회사용으로 이번 기술이 사용된 보전서비스를 제공할 계획이다.

아크 자국의 이상화상을 GAN(Global Area Network)으로 수 만장 자동생성

새로운 딥러닝 기술을 사용하는 목적은 드론이 촬영한 방대한 화상에서 아크 자국을 자동 검출하는 시스템을 구축하는 것이다. 그 때, 가장 문제가 되는 것이 낙뢰로 인한 아크 자국의 화상이 전력회사 측에서도 아주 근소한 양만을 보유하고 있다는 것이다. 따라서 심층생성 모델로 인공적인 화상을 생성하기로 했다.

손상이 없는 정상적인 송전선의 화상(정상화상)인지, 아크 자국 등 이상이 있는 화상(이상화상)인지를 식별하는 것 자체가「CNN(Convolutional neural network)」등 현재의 화상인식용 딥러닝을 사용하면 간단하다. 그러나 그 CNN을 훈련시키기 위한 학습데이터가 되는 이상화상이 아주 조금밖에 없다면 그 훈련은 본전도 못 건지게 된다. 학습데이터가 너무 적으면 실제 사용에 필요한 정밀도가 나오지 않는다.

송전선으로 인한 낙뢰는 빈번하게 발생되고 있다. 따라서 화상인식에 의해 아크 자국을 검출하는 것을 전제로 한다면, 앞으로는 작업자가 보수를 할 때, 반드시 이상화상을 촬영한다는 운용을 철저히 함으로써, 언젠가는 CNN을 훈련하는데 필요한 양만큼만 이상화상을 수집할 수 있게 된다. 그러나 이 상황에서 가만히 앉아서 기다린다고 업무의 효율화가 진행되지는 않는다. 따라서 도시바는 이번에 탐층 생성모델의 채용에 나섰다.

-- 보기 드문 이상화상으로 모델 작성 --
-- 데이터가 만들어지는 과정을 학습 --
-- GAN(Generative Adversarial Network)이 가장 고품질로 대표적 --
-- 2개의 뉴럴 네트워크(Neural Network)가 경쟁하다 --
-- 훈련 데이터 작성은 수작업도 겸용 --

  -- 끝 --