3D 포인트 클라우드는 조선소와 같은 대규모 산업 환경에서 기하 정보를 정확하게 포착하는 데 있어 핵심 데이터 형식이다. 3D 포인트 클라우드를 활용하는 딥러닝 기반 객체 탐지 기술은 자동화된 생산 관리 및 공정 최적화를 가능하게 한다. 그러나 3D 포인트 클라우드의 방대한 데이터 특성은 데이터 처리와 데이터셋 구축에 필요한 자원 및 시간으로 인해 여전히 과제로 남아 있다. 3D 포인트 클라우드의 대용량은 데이터셋 구축 및 학습 과정에서 과도한 계산 비용, 저장 요구량, 시간 소모를 초래한다. 따라서 객체 탐지 성능을 보장하면서도 효율적인 활용을 위해 데이터셋 크기를 적절히 줄일 필요가 있다. 이는 최적의 밀도와 탐지 정확도를 유지하는 데이터셋 다운샘플링 전략에 대한 연구를 요구한다. 본 연구에서는 S3DIS(Stanford Large-Scale 3D Indoor Spaces) 데이터셋과 유사한 실험 데이터셋을 구축하였다. 3D 포인트 클라우드의 밀도를 단위 면적당 포인트 수를 20% 단위로 단계적으로 감소시키는 방식으로 5단계로 조정하였다. 이러한 데이터셋을 딥러닝 아키텍처에 적용하여 객체 탐지 정확도를 분석하였다. 이후, 그 결과를 조선소 데이터셋에 적용하여 대용량 포인트 클라우드를 간소화하고 탐지 성능을 평가함으로써 실용 가능성을 검토하였다. 그 결과, 실험 데이터셋의 밀도를 약 20% 수준으로 낮추더라도 주요 객체에 대해 약 95% IoU의 객체 탐지 정확도를 여전히 유지할 수 있음을 확인하였다. 이는 경량 데이터셋이 탐지 성능을 보존하면서 처리 자원과 비용을 절감할 수 있음을 시사한다. 또한 실제 조선소 데이터셋에 해당 접근법을 적용한 결과, 축소된 데이터(원시 데이터의 약 4.6%)로도 객체 탐지가 가능함을 보여주었다. 본 연구는 조선소와 같은 대규모 산업 환경에서 데이터셋을 다운샘플링하여 객체 탐지를 위한 효율적인 딥러닝 모델을 구축할 수 있는 실용적 프레임워크를 제공한다. 이는 생산 관리 및 공정 효율 향상을 위한 자동화된 데이터 관리 시스템 구축에 기여할 것으로 기대된다. 추가 분석을 통해 20% 미만의 극저밀도에서의 성능 평가가 필요하다. 또한 본 연구에서는 단순한 다운샘플링 기법을 사용하였으므로, 향후에는 다양한 다운샘플링 방법의 성능을 비교하여 탐지 정확도를 최적화하는 방안을 탐색해야 한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.