이 연구 주제는 스마트 제조 환경에서 발생하는 대규모 시계열·진동·설비 센서 데이터를 분석하여 설비의 이상 상태를 조기에 탐지하고, 고장을 예측하며, 생산성과 안정성을 높이는 인공지능 기술 개발에 초점을 둔다. 연구실의 논문과 프로젝트를 보면 풍력터빈 진동 데이터 기반 LSTM 오토인코더 이상탐지, 제조데이터의 실시간 엣지-클라우드 인텔리전스, 회전기계 및 유압 시스템 상태 모니터링 등 다양한 응용 사례가 축적되어 있다. 이는 단순한 데이터 분류를 넘어 실제 산업 현장에서 즉시 활용 가능한 예지보전 체계를 구축하려는 방향성과 연결된다. 핵심 방법론으로는 비지도학습, 오토인코더, PCA 기반 차원축소, 웨이블릿 변환, 고주파 필터링, GAN 기반 데이터 증강, 설명가능한 인공지능, 경량화 모델 설계 등이 활용된다. 특히 제조 현장에서는 정상 데이터에 비해 이상 데이터가 매우 부족하다는 문제가 크기 때문에, 연구실은 정상 패턴 학습 중심의 이상탐지와 결함 데이터 희소성 보완을 위한 생성형 접근을 함께 다룬다. 또한 최근에는 멀티모달 이상탐지와 지식 증류를 결합하여, 엣지 디바이스에서도 높은 정확도를 유지하면서 실시간으로 동작 가능한 초경량 모델을 제안하고 있다. 이 연구의 기대효과는 생산라인 다운타임 감소, 유지보수 비용 절감, 중소 제조기업의 디지털 전환 가속, 그리고 산업현장의 안전성 향상에 있다. 연구실의 특허인 실시간 데이터 전처리 및 이상치 감지 모니터링 시스템, 환경 데이터 결측 보강 기술 등은 이러한 연구가 실질적인 시스템 구현 단계까지 이어지고 있음을 보여준다. 향후에는 반도체, 디스플레이, 풍력발전, 공조 설비 등 다양한 산업영역으로 확장되며, 엣지-클라우드 협업 기반의 자율형 제조 운영 기술로 발전할 가능성이 크다.

이 연구 주제는 제조 공정에서 발생하는 이미지 및 X-ray 데이터를 활용해 제품의 결함을 자동으로 검출하고 품질검사를 지능화하는 산업용 컴퓨터비전 기술을 다룬다. 연구실의 대표 논문에는 반도체 부품 릴 패키지 X-ray 영상에서의 객체검출, LED 디스플레이 결함 탐지, 웨이퍼 및 주조 제품 결함 분류, OLED 필름 검사 시스템 등이 포함되어 있으며, 이는 스마트팩토리 현장에서 사람의 육안 검사나 규칙 기반 검사 방식이 가진 한계를 극복하기 위한 연구 흐름으로 볼 수 있다. 기술적으로는 YOLOv5를 기반으로 한 객체검출 모델 개선, Transformer 결합 구조, Xception과 PANet 같은 딥러닝 백본 활용, 데이터 정규화와 지역 텍스처·문맥 특징 반영, 소량·불균형 데이터 대응 전략이 핵심을 이룬다. 특히 반도체 및 SMT 공정처럼 초소형 부품이 다수 존재하는 환경에서는 작은 객체를 빠르고 정확하게 검출하는 것이 매우 중요하며, 연구실은 이를 위해 구조 개선형 탐지 네트워크와 X-ray 영상 특화 전처리 기법을 함께 설계하고 있다. 이러한 접근은 기존 규칙 기반 시스템보다 정확도와 현장 적용성을 크게 향상시킨다. 이 연구는 생산라인 실시간 검사, 불량률 저감, 검사 자동화, MES 고도화에 직접적으로 기여할 수 있다. 특히 중소기업 제조 현장은 대기업에 비해 인프라와 검사 인력이 부족한 경우가 많아, 경량이면서도 정확한 비전 기반 검사 모델의 가치가 더욱 크다. 연구실의 성과는 단순한 알고리즘 비교를 넘어서 실제 생산라인, 반도체 패키지 검사, LED 모듈 검수와 같은 현장 중심 문제를 해결하고 있어, 향후 자율검사 시스템과 디지털 품질관리 플랫폼의 핵심 기술로 확장될 가능성이 높다.

이 연구 주제는 제조 현장에서 수집되는 이기종 데이터를 효율적으로 수집·전처리·분석하고, 이를 엣지와 클라우드 환경에서 유연하게 운영할 수 있는 산업 인공지능 시스템 구축을 목표로 한다. 연구실의 프로젝트에는 제조데이터의 실시간 엣지-클라우드 인텔리전스 기법 개발이 포함되어 있으며, 관련 특허로는 실시간 전처리 및 이상치 감지 모니터링 시스템, 워크플로우 프로세스 자동화 장치, CPS 교육용 키트 등이 존재한다. 이는 알고리즘 연구뿐 아니라 데이터 파이프라인, 운영 플랫폼, 산업 적용 아키텍처 전반을 포괄하는 연구실의 특징을 보여준다. 연구 방법 측면에서는 IIoT 환경에서의 데이터 수집 서버, 시계열 데이터베이스, GUI 기반 알고리즘 교체 구조, 클라우드-엣지 분산 처리, 멀티태스크 지식 증류, 경량 추론 모델, 협력형 엣지 컴퓨팅 등이 핵심 요소로 등장한다. 현장의 설비 종류와 공정 변화가 매우 다양하다는 점을 고려할 때, 연구실은 특정 알고리즘 하나에 의존하기보다 데이터 처리 모듈을 유연하게 교체하고, 장비와 공정의 특성에 따라 최적의 AI 모델을 배치하는 방향을 지향한다. 이는 실험실 수준의 정확도보다 산업 운용성, 확장성, 실시간성을 동시에 확보하려는 접근이다. 이러한 연구는 제조 현장의 디지털 전환을 실질적으로 추진하는 기반 기술이 된다. 즉, 데이터를 잘 모으고, 빠르게 분석하며, 현장 설비 가까이에서 즉시 판단할 수 있어야 스마트팩토리가 실제로 작동한다는 점에서 매우 중요하다. 연구실은 향후 생성형 AI를 활용한 반도체 장비 인터페이스 코드 생성, 작업자 안전 분석, 환경 모니터링, 에너지 관리 등으로 연구 범위를 넓히고 있으며, 이는 제조 데이터 중심 AI가 단일 공정 자동화를 넘어 공장 전체의 지능형 운영 체계로 진화하고 있음을 시사한다.