kimminsung/detectelectronpole
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

Setup RailPose3D harness (Planner/Generator/Evaluator)

Browse Source 
Name the project RailPose3D and stand up a multi-agent harness
following the Anthropic harness-design blog principles
(decomposition, separation of concerns, file-based handoff,
sprint contracts, context-reset over compaction).

- CLAUDE.md / PLAN.md / PROGRESS.md as the file-based handoff
  surface; every agent must read PLAN+PROGRESS before acting.
- 7 sub-agents under .claude/agents/: plan-architect (Planner),
  pole-detector-builder, rail-detector-builder, triangulation-
  builder, data-pipeline-builder (Generators), module-evaluator
  (Evaluator), dataset-explorer (read-only helper).
- 6 skills under .claude/skills/: /start /sprint /eval /progress
  /handoff /contract.
- SessionStart and Stop hooks to inject the PLAN/PROGRESS
  briefing and remind about PROGRESS.md updates.
- docs/plan.md captures the user-approved detailed plan;
  docs/research.md is the prior tech survey.
- .gitignore excludes data/, .usage/, model checkpoints, and
  local Claude overrides.

Tracking: closes #1

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
This commit is contained in:
minsung
2026-04-28 08:32:05 +09:00
parent 39df31f3e4
commit 417f880a87
23 changed files with 1202 additions and 0 deletions
Download Patch File Download Diff File Expand all files Collapse all files

243
docs/plan.md Normal file
View File

@@ -0,0 +1,243 @@
# 드론 영상 기반 전철주·레일 검출 → 3D 좌표 추출 파이프라인 계획
## Context (배경 및 문제 정의)
사용자 목표: 드론 정사영상(orthomosaic)과 드론 동영상/사진으로부터 **전철주(catenary pole)** 와 **레일(rail)** 같은 가늘고 긴 구조물을 검출하고, 그 3D 좌표를 추출하는 것.
이미 갖추어진 것:
- **SfM/Photogrammetry 파이프라인** (COLMAP/Metashape)으로 카메라 포즈와 sparse/dense cloud 생성 가능
- 라벨링 30장 (검증/시드용으로 활용)
현재 막혀있는 핵심 문제 4가지:
1. **전철주 하단(base, 지면 접점) 좌표를 정확히 잡지 못함** — 3D 좌표화의 기준점인데, 카메라가 oblique(비스듬히)일 때 **완금(crossarm, T자 가로팔)이 영상상 가장 아래쪽에 보이는 화소**가 되어, bbox 기반 detector가 완금을 base로 오인.
2. **라벨링 비용** — 30장만 보유. 일반적인 supervised 학습으론 불충분.
3. **SfM 메시 품질** — 가는 수직물·금속 레일은 텍스처가 부족해 dense reconstruction이 너덜너덜하게 깨짐. 메시에서 직접 객체 추출 불가.
4. **레일은 bbox로 표현 불가** — 화면을 가로지르는 긴 곡선이므로 segmentation/polyline이 자연스러운 표현.
## 핵심 전략
**"메시에서 객체를 추출하지 말고, 2D 영상에서 정확히 검출한 뒤 SfM 카메라 포즈로 삼각측량하여 3D 좌표를 만든다."** SfM의 강점(카메라 포즈)만 쓰고 약점(가는 물체 dense recon)은 우회한다.
세 모듈로 나누어 구축:
- **(A) 전철주 base 검출** — 4-keypoint pose estimation으로 *구조적*으로 base/완금 구분
- **(B) 레일 polyline 검출** — Segmentation + skeletonization (사전학습된 레일 모델에서 transfer)
- **(C) 2D → 3D 통합** — 다중뷰 삼각측량 + DBSCAN 군집 + bundle adjustment
전체 파이프라인은 **이미 운영 중인 SfM 출력에 detection 모듈만 끼워넣는 형태**라 최소 침습.
## 모듈 A: 전철주 base 검출
### 핵심 통찰
**완금이 base로 오인되는 문제는 통계적 문제가 아니라 기하학적 문제다.** Bounding box의 "가장 아래쪽 픽셀"은 oblique 시점에서 완금일 수 있으므로, 모델이 학습량과 무관하게 못 푼다. → **Pose/keypoint 모델로 "이 점은 base, 저 점은 완금 끝"을 의미적으로 구분**해야 풀린다.
### 채택 모델: RTMPose-m (or YOLO11-pose) + 4-keypoint 스켈레톤
- **스켈레톤**: `{base, top, left_crossarm_tip, right_crossarm_tip}` (각 전철주당 4점)
- **이유**: 사람 포즈 추정에서 "왼발/오른발"을 헷갈리지 않게 만든 것과 정확히 같은 트릭. base 채널은 오직 지면 접점에서만 supervise 되므로 완금과 구조적으로 구분됨.
- **Repo**: https://github.com/open-mmlab/mmpose (RTMPose), https://github.com/ultralytics/ultralytics (YOLO11-pose)
- **fallback**: ViTPose-Base (frozen DINOv2 backbone) — 30장 같은 극소 데이터에서 더 강함
### 라벨 부족(30장) 대응 — 4단계 부트스트랩
1. **Day 1–3 (라벨 0개로 시작)**: Grounding-DINO 1.5 (`"utility pole"`, `"전봇대"`) → SAM 2.1 box prompt → 마스크의 PCA 주축의 아래쪽 끝 → base 후보. 30장에 대해 픽셀 오차 측정 = baseline.
- Repos: https://github.com/IDEA-Research/Grounding-DINO-1.5-API , https://github.com/facebookresearch/sam2
2. **Day 4–5**: MVP 출력 중 깨끗한 것을 RTMPose 학습용 부트스트랩 라벨로 사용.
3. **Week 2+**: Albumentations + **copy-paste augmentation** (SAM2 마스크로 전철주를 잘라 다양한 배경에 붙이기, keypoint도 함께 변환). 5–10배 데이터 증강.
4. **Week 3+ (가장 큰 레버리지)**: **SfM-consistent self-training 루프**
- 한 뷰의 base detection을 SfM 포즈로 다른 뷰에 reprojection → pseudo-label
- reprojection error > 5px이면 outlier로 제거 (완금을 base로 잘못 잡으면 자동으로 걸러짐 — 다른 뷰의 정상 detection들과 3D상으로 일관되지 않으므로)
- 참고: EpipolarPose (CVPR'19), Pixel-Perfect SfM (ICCV'21) https://github.com/cvg/pixel-perfect-sfm
### 하지 말아야 할 것
- bbox 기반 YOLO/Faster-RCNN으로 base 추정 (위 기하 문제로 실패)
- BlenderProc 합성 데이터에만 의존 (sim-to-real gap)
- 30장으로 처음부터 큰 모델 full retrain
## 모듈 B: 레일 polyline 검출
### 채택 모델: SegFormer-B2 + 3단계 transfer learning + skeletonize
- **이유**: 레일은 bbox 부적합. Segmentation은 nadir(평행선)/oblique(소실점 곡선) 모두 view-invariant하게 처리 가능. SegFormer-B2는 hierarchical attention으로 가늘고 긴 구조의 long-range continuity를 잘 잡으며, 라벨 효율이 좋음.
- **3단계 fine-tune**: RailSem19 (8,500 시퀀스, 65% IoU 사전학습 가능) → **UAV-RSOD** (드론 시점 레일 데이터셋, 가장 직접적 도메인) → 사용자의 30장
- **Repos / Datasets**:
- SegFormer: https://github.com/NVlabs/SegFormer (HF: https://huggingface.co/blog/fine-tune-segformer)
- RailSem19: https://wilddash.cc/railsem19
- UAV-RSOD: https://www.nature.com/articles/s41597-024-03952-3
- 대안 아키텍처: NL-LinkNet-SSR (Drones MDPI 2024, 드론 레일 전용 F1=0.749) https://www.mdpi.com/2504-446X/8/11/611
### Polyline 추출 후처리
1. 이진 마스크 (rail / not-rail)
2. **`skimage.morphology.skeletonize`** → 1px 중심선
3. Connected component split → 각 레일 분리 (instance ID)
4. **Ramer-Douglas-Peucker** 단순화 (eps ~1–2px) → 정렬된 polyline
5. **선택적 sub-pixel refinement**: DeepLSD attraction field로 skeleton을 sub-pixel로 snap (https://github.com/cvg/DeepLSD)
### MVP (week 1)
**Grounded-SAM 2** (텍스트 프롬프트 `"railway track"`, `"steel rail"`) → 30장 수작업 보정 → SegFormer fine-tune → 나머지 자동 라벨 → 반복(active learning loop).
### 하지 말아야 할 것
- LaneATT/CLRNet 등 레인 검출 모델 직접 적용 (전방 차량 시점 가정 — drone nadir에 부적합)
- Sat2Graph/RoadTracer 그래프 모델 (이 규모/감독 형태 아님)
- HAWP/LETR/M-LSD wireframe 검출기 (실내 Manhattan-world용)
## 모듈 C: 2D → 3D 통합
### C-1. 전철주 (point 객체)
| 단계 | 도구 | 비고 |
|---|---|---|
| 다중뷰 cross-view association | **DBSCAN in world XY** | 핵심 트릭 |
| Triangulation 초기화 | `pycolmap.triangulate_point` | https://github.com/colmap/pycolmap |
| Outlier 제거 | RANSAC + Huber loss | |
| Pose-fixed bundle adjustment | `pyceres` | https://github.com/cvg/pyceres |
**Cross-view association 핵심 (어려운 부분)**: 전철주는 약 50m 간격으로 모양이 똑같아서 DINOv2 같은 appearance descriptor로는 구분 불가. → **기하 기반 군집화**:
1. 각 뷰의 2D base detection을 ray로 back-project
2. SfM dense cloud의 **로컬 ground plane**과 ray 교차 → 월드좌표 후보점
3. **DBSCAN(eps≈0.5m, min_samples=3)** 으로 월드 XY 클러스터링 → 한 클러스터 = 한 물리적 전철주
4. 클러스터 내 detection들로 pycolmap triangulate
### C-2. 레일 (curve 객체)
| 단계 | 도구 |
|---|---|
| 지면 추출 | **PDAL CSF (Cloth Simulation Filter)** https://pdal.io/en/latest/stages/filters.csf.html |
| Ray-ground 교차 | **Open3D `RaycastingScene`** |
| 곡선 fitting | `scipy.interpolate.splprep` (3D B-spline) |
| NURBS 정밀화 | `geomdl` https://github.com/orbingol/NURBS-Python |
| Bundle adjustment | `pyceres` (control points 변수화) |
**파이프라인**:
1. SfM dense cloud → CSF로 ground 분류 → 로컬 표면 메시
2. 각 뷰의 2D rail polyline을 3–5px 간격으로 샘플링
3. 카메라 ray가 ground 표면과 교차하는 월드좌표 모음
4. 모든 뷰의 월드좌표를 모아 호장(arc length)으로 정렬 → 3D B-spline fit
5. (선택) pyceres로 control point를 변수로 두고 모든 뷰의 2D polyline에 대한 reprojection 오차 최소화
### C-3. SfM dense step 교체 여부 판단
**결론: 교체하지 않는다.** Gaussian Splatting / NeRF는 photometric loss 기반이라 가는 물체 문제를 근본적으로 풀지 못함. 측정 정확도는 detection→triangulate가 더 강함. 단, **시각화 산출물**용으로만 2DGS(https://github.com/hbb1/2d-gaussian-splatting) 옵션으로 추가 가능.
**SfM에서 활용**: 카메라 포즈 + intrinsics, sparse cloud (sanity check), **ground 분류된 dense cloud만** 사용. 메시는 버린다.
## 전체 파이프라인 다이어그램
```
드론 영상 (oblique + nadir)
│
▼
[Stage 0] COLMAP / Metashape (기존)
→ 카메라 [R|t], K, dense cloud
│
┌────┼────────────────────────┐
▼ ▼ ▼
[Stage 1a] [Stage 1b] [Stage 1c]
PDAL CSF Pole 4-kpt detection Rail seg + polyline
ground (RTMPose) (SegFormer + skel)
│ │ │
└──────┬───────┘ │
▼ │
[Stage 2] Pole association │
- ray → ground 교차 │
- DBSCAN in world XY │
│ │
▼ │
[Stage 3] Pole triangulation │
- pycolmap + Huber + pyceres BA │
→ 3D pole base point │
▼
[Stage 4] Rail reconstruction
- Open3D raycasting (per sample)
- scipy splprep B-spline
- pyceres spline BA
→ 3D rail centerline
│ │
└──────────────┬──────────────────┘
▼
[Stage 5] Output: GeoJSON/Shapefile (EPSG:5186) + DXF (ezdxf)
```
## 권장 디렉터리 구조 (신규 생성할 파일들)
이미 존재하는 파일은 `docs/research.md` 와 `README.md` 뿐. 새로 만들 핵심 파일:
```
detectelectronpole/
├── docs/
│ ├── research.md # 기존
│ └── plan.md # 이 계획의 한국어 사본
├── data/
│ ├── images/ # 드론 원본
│ ├── sfm/ # COLMAP DB / Metashape export
│ └── labels/
│ └── poles_4kpt.json # COCO-keypoints 포맷, 4-keypoint 스키마
├── configs/
│ ├── rtmpose_pole_4kpt.py # MMPose 설정
│ └── segformer_rail.yaml # SegFormer fine-tune 설정
├── src/
│ ├── detection/
│ │ ├── mvp_groundingdino_sam2.py # zero-label MVP (week 1)
│ │ ├── pole_keypoint.py # RTMPose 추론 wrapper
│ │ ├── rail_segment.py # SegFormer 추론 + skeletonize
│ │ └── augment_copy_paste.py # 키포인트 보존 copy-paste
│ ├── triangulation/
│ │ ├── sfm_io.py # pycolmap / Metashape XML 로더
│ │ ├── ground.py # PDAL CSF + Open3D RaycastingScene
│ │ ├── poles.py # DBSCAN association + pycolmap + pyceres
│ │ └── rails.py # raycasting + splprep + pyceres
│ ├── self_training/
│ │ └── sfm_self_training.py # multi-view pseudo-label loop
│ └── export/
│ └── geojson_dxf.py # 산출물 export
└── pipeline/
└── run_full.py # end-to-end orchestrator
```
## 단계별 마일스톤
### Phase 1 (Week 1) — Zero-label MVP
- [ ] `mvp_groundingdino_sam2.py`: Grounding-DINO 1.5 + SAM 2.1로 30장 이미지에서 pole mask + base 후보 추출
- [ ] PCA 주축 lower endpoint를 30장의 GT와 비교해 픽셀 오차 baseline 측정
- [ ] Grounded-SAM 2로 같은 방법으로 rail 마스크 baseline 측정
- **목적**: 라벨 0개로 어디까지 가는지 정량화. 실패 모드 카탈로그 작성.
### Phase 2 (Week 2–3) — Detection 학습
- [ ] 4-keypoint COCO-keypoints 포맷으로 30장 재라벨링 (point 4개 클릭이라 비용 낮음)
- [ ] copy-paste augmentation으로 ~300장으로 증강
- [ ] RTMPose-m fine-tune (frozen backbone)
- [ ] SegFormer-B2를 RailSem19 → UAV-RSOD → 30장 3-stage transfer
- [ ] 두 모델 평가 (PCK, mIoU)
### Phase 3 (Week 4) — 2D → 3D 통합
- [ ] `sfm_io.py`로 Metashape/COLMAP 출력 로드
- [ ] `ground.py`로 PDAL CSF 지면 추출 + Open3D RaycastingScene 구축
- [ ] `poles.py`: DBSCAN association + pycolmap triangulate + pyceres BA → 3D pole points
- [ ] `rails.py`: ray-ground 교차 + B-spline fit → 3D rail polylines
- [ ] EPSG:5186 (한국 중부원점) GeoJSON export
### Phase 4 (Week 5+) — Self-training 루프
- [ ] `sfm_self_training.py`: 한 라운드 = 검출 → 삼각측량 → reprojection → pseudo-label → fine-tune
- [ ] reprojection error 임계값 5px로 outlier 자동 제거
- [ ] 라운드별 mAP/PCK 추적
- [ ] 수렴까지 반복 (보통 3–5 라운드)
## 검증 방법 (Verification)
1. **모듈 A 단독**: 30장 GT 대비 base keypoint **PCK@5px** 측정. MVP baseline → RTMPose baseline → self-training 라운드별 비교.
2. **모듈 B 단독**: 30장 GT 대비 rail mask **mIoU** 및 polyline **Hausdorff distance** 측정.
3. **모듈 C 단독**: Phase 1의 raw 검출 결과를 `triangulation/poles.py`에 넣어 3D pole 좌표를 GeoJSON으로 export. 측량 기준점(GCP) 또는 KORAIL 인벤토리와 비교 (없으면 두 측량 비행을 따로 돌려 일관성 검증).
4. **End-to-end**: 작은 trial section (예: 100m 구간, ~3 전철주 + 2 레일)에서 전체 파이프라인 1회 실행. 산출물 시각화: QGIS에서 GeoJSON + 정사영상 오버레이.
5. **회귀 테스트**: `pipeline/run_full.py --section trial_100m` 단일 명령으로 재현 가능해야 함.
## 위험 요소 및 대응
| 위험 | 대응 |
|---|---|
| 전철주 base가 ballast/식생에 가려짐 | self-training 루프가 다른 뷰의 가시 base와 일관성 검증 → 평균 offset 보정 |
| SfM ground cloud 밀도 부족 (<50 pts/m²) | 비행 고도/오버랩 재조정, 또는 SuGaR/2DGS로 보강 (시각화 한정) |
| 한국 catenary 마스트 종류 다양 (단주 vs 문형) | 4-keypoint 스킴을 `pole_type` 클래스 분기 (단일 마스트 / 문형 가구)로 확장 |
| 좌표계 (local vs EPSG:5186) | GCP 3점 이상으로 7-parameter Helmert 변환 |
| 라벨 시드(30장)가 한 카메라 각도/조명 편향 | 첫 self-training 라운드에서 다양성 강제 (multi-view 클러스터당 최소 1장 샘플링) |
## 핵심 참조 (전부 April 2026 기준 상용 가능)
- **Pole detection**: MMPose RTMPose, SAM 2.1, Grounding-DINO 1.5/1.6, Pixel-Perfect SfM
- **Rail detection**: SegFormer, RailSem19, UAV-RSOD, NL-LinkNet-SSR, DeepLSD
- **3D 통합**: pycolmap, pyceres, PDAL, Open3D, scipy.interpolate, geomdl, ezdxf

114
docs/research.md Normal file
View File

@@ -0,0 +1,114 @@
2026년 4월 기준, 수직 또는 수평으로 긴 가는 물체(레일, 전철주 등) 탐지에 가장 유리한 기술은 '고정밀 3D 센싱 + 최신 딥러닝 모델'의 융합입니다.
단순히 하나의 기술만이 아닌, 물체의 형태와 탐지 환경에 따라 최적의 기술 조합이 다르게 적용되고 있습니다. 특히 2026년 들어 발표된 연구들을 통해 기존 기술의 한계를 극복하는 획기적인 발전이 있었습니다.
🛤️ 수평으로 긴 물체 (레일) 탐지 기술
레일과 같이 지면에 깔려 수평으로 길게 뻗은 물체는 미세한 균열부터 단차까지 정밀하게 측정하는 것이 핵심입니다.
3D 레이저 삼각측량 + 초고해상도 AI 분석: 미국 연방철도청(FRA)의 2026년 4월 보고서에 따르면, 이 기술은 레일의 표면 형상을 3차원으로 스캔하고, 초고해상도 분석이 가능한 YOLO26과 같은 최신 AI 모델을 통해 레일의 건강 상태를 수치화된 지수(TCHI)로 평가합니다. 이는 기존 레일 스캐닝 기술의 정밀도를 한 단계 끌어올린 것으로 평가됩니다.
초음파를 활용한 비접촉 고속 탐지: 영국 워릭 대학교 팀은 EMAT라는 비접촉 센서를 이용해 초음파를 발생시켜 시속 80km가 넘는 고속 주행 중에도 레일의 표면 균열을 실시간으로 찾아낼 수 있는 기술을 선보였습니다.
AI 기반 종합 모니터링 시스템: 인도 철도국이 도입한 통합 선로 모니터링 시스템(ITMS) 는 카메라와 레이저 센서로 수집한 이미지를 AI가 분석해 레일, 침목, 체결 장치의 결함을 종합적으로 판단합니다.
⚡️ 수직으로 긴 물체 (전철주, 가는 기둥) 탐지 기술
전철주처럼 지면에서 수직으로 솟은 구조물은 기둥과 그에 부착된 부품(완금, 애자 등)을 세밀하게 파악하는 것이 중요합니다.
AI 기반 3D 모델링 자동화: 미국의 Looq AI사가 개발한 qPole은 드론이나 차량으로 촬영한 이미지를 AI로 분석해 전철주의 높이, 직경, 재질, 부속 자재 정보를 자동으로 추출하고, 오차 1cm 미만의 정밀한 CAD 모델을 생성합니다.
LiDAR + 수직 정보 복원 기술: 자율주행 기술에서 발전한 LiDAR 센서는 정밀한 3D 포인트 클라우드 데이터를 제공합니다. 특히 2026년 새로 발표된 SVP 및 3DPillars 기술은 기존 LiDAR 방식의 약점이었던 '수직 정보 손실' 문제를 해결하여 가로등, 전봇대 등 가늘고 긴 물체 탐지 정확도를 크게 향상시켰습니다.
🤔 어떤 기술을 선택해야 할까요?
구체적인 상황에 따라 권장되는 기술은 다음과 같습니다.
감지 대상 권장 기술 핵심 이점 실제 적용 사례
레일 (Rail) 3D 레이저 스캐닝 + YOLO26 AI 모델 미세한 표면 균열 및 단차를 높은 정밀도로 측정 및 분석 가능 고속철도 선로 검측, 도시철도 유지보수
레일 표면 결함 초음파(EMAT) 비접촉 탐지 기존 방식 대비 매우 빠른 속도(80km/h 이상)로 레일 표면 결함 탐지 가능 일반 열차를 활용한 상시 선로 모니터링
전철주 (Utility Pole) AI 기반 이미지 분석 (qPole 등) 1cm 미만 정밀도의 3차원 모델 자동 생성, 부속 자재 및 결함 종합 진단 한전, 미국 주요 전력사 등의 전력 시설물 관리
전철주 및 가는 기둥 LiDAR + SVP / 3DPillars 기술 가느다란 기둥 형태의 3차원 공간 정보를 빠짐없이 포착, 탐지 정확도 향상 자율주행차량, 자율주행 지게차, 로봇의 장애물 인지
선택 시 고려해야 할 추가 사항은 아래와 같습니다.
탐지 환경: 주·야간, 안개 등 기상 조건에 민감하지 않은 LiDAR 또는 초음파 방식이 유리하며, AI 영상 분석은 경제성이 좋지만 기상 영향이 큽니다.
정밀도: 1cm 미만의 초정밀 측정이 필요하면 3D 레이저 삼각측량, 밀리미터 단위의 균열 탐지에는 초음파 기술이 적합합니다.
처리 속도: 실시간 탐지가 중요하다면 YOLO26과 같이 최적화된 AI 모델이나 3DPillars와 같은 고속 LiDAR 기술이 필수적입니다.
결론적으로, 2026년 현재 가장 효과적인 전략은 센서로 정밀한 3D 데이터를 수집하고, 이를 수직 정보 복원이 강화된 최신 AI 모델로 분석하는 '3D 센싱-딥러닝 통합 기술' 입니다.
궁금하신 점이나 더 자세한 정보가 필요하시면 언제든지 물어봐 주세요.
USA: Looq AI has launched qPole, an AI-powered solution designed to make the power grid more reliable and resilient by understanding utility poles the way experienced engineers do. The system analyses physical structure, geometry, materials, and real-world context to generate engineering-ready models of each pole.
With an estimated 180–200 million distribution poles in the US, many ageing or in extreme weather zones, utilities face growing pressure to maintain reliability and comply with wildfire and storm-hardening mandates. Traditional pole inspections are slow, labour-intensive, and sometimes hazardous, taking around 30 minutes per pole when combining fieldwork and office processing.
qPole streamlines this workflow, reducing the total time to just seven minutes per pole. Field capture drops from 15 minutes to about two, while AI-assisted office processing takes only five minutes. The system automatically detects pole components such as crossarms and transformers, producing precise CAD models that identify current or potential failures and recommend remediation.
“The AI captures a pole’s ‘DNA’– its height, diameter, material and attachments – just like a human engineer,” said Dominique Meyer, CEO of Looq AI. “This saves an estimated 19 million work hours annually in the US, allowing utilities to focus on grid hardening rather than manual data entry.”
Field measurements are accurate to under a centimetre, preventing unnecessary replacements and optimising construction planning. Industry experts say qPole represents a major step forward in asset modelling, safety, and operational efficiency, offering utilities a practical, reliable tool to modernise their distribution network.
Source: T&D World
위의 내용을 추적해서 논문이나 프로그램 등 적용이 가능한가?
네, 제공해 주신 qPole 관련 기사 내용은 실제로 검증 가능한 제품이며 논문이나 프로그램 수준에서 충분히 적용 가능한 기술입니다.
### 핵심 요약
| 구분 | 내용 |
| :--- | :--- |
| **제품 상태** | 2026년 2월 Distributech 전시회에서 정식 발표된 상용 제품 |
| **기술 방식** | 핸드헬드 장비로 촬영한 이미지를 AI가 분석하는 **Photogrammetry(사진 측량)** 기반 |
| **출력 결과** | SPIDAcalc, O-Calc, PLS-CADD 등 전주 구조 해석 툴에 바로 입력 가능한 **CAD 모델** |
| **실제 적용** | EPI(Engineering Partners, Inc.)가 SCE(Southern California Edison) 프로젝트에 이미 활용 |
### 1. 실제 사용 가능한 제품인가?
**네, 실제로 검증이 완료된 상용 제품입니다.**
- **발표일**: 2026년 2월, 미국 샌디에이고에서 열린 **Distributech 2026**에서 정식 발표되었습니다 .
- **제공사**: **Looq AI**社가 개발했으며, 미국 전력사들을 대상으로 이미 판매 및 적용이 시작된 상태입니다 .
- **기술 핵심**: 기존에는 '전주 데이터 수집에 현장 15분 + 사무실 검증 15분 = 총 30분'이 걸렸다면, qPole은 **현장 촬영 2분 + AI 자동 처리 5분 = 총 7분**으로 단축했다고 설명합니다 .
### 2. 논문이나 공개된 자료로 구현 가능한가?
구현 가능성과 관련해서는 다음 두 가지 측면에서 접근할 수 있습니다.
#### A. 상용 솔루션 직접 도입 (B2B)
- **적용 대상**: 전력 공사, 엔지니어링 회사, 대규모 설비 관리 기관
- **방법**: Looq AI에 **기업 문의**하여 컨설팅, 장비 도입, 파일럿 프로젝트 진행
- **장점**: 발표된 성능(1cm 미만 정확도, 7분 처리)을 바로 활용 가능
- **단점**: 비용 부담 및 기술 종속성
#### B. 유사 기술 자체 개발 (R&D)
- **적용 대상**: 대학 연구실, AI 스타트업, 공공 연구 기관
- **핵심 기술 구성**:
1. **데이터 수집**: 스마트폰 또는 일반 카메라로 전주를 여러 각도에서 촬영
2. **3D 복원(Photogrammetry)**: COLMAP, Meshroom, 혹은 OpenCV의 Structure from Motion(SfM) 라이브러리 활용
3. **객체 탐지 & 분할**: YOLOv11 이상 버전 또는 Meta의 SAM(Segment Anything Model)을 fine-tuning하여 전주, 완금, 변압기 등을 탐지
4. **CAD 변환**: 탐지된 3D 모델에서 치수 추출 및 CAD 형식(DXF, STEP 등)으로 자동 변환하는 파이프라인 구축
- **한계점**:
- **상용 제품 대비 성능 격차**: Looq AI의 '지구물리학적 추론(Geophysical Reasoning)' 엔진은 수년간 축적된 특화 데이터로 학습된 것으로, 공개 모델만으로 동일한 정확도(1cm 미만)를 내기는 어렵습니다.
- **전문 도메인 지식 부재**: 전주 설계 기준(NESC 등)과 연계한 '자동 결함 탐지' 및 '보수 방안 추천' 기능은 상당한 엔지니어링 지식이 필요합니다.
### 3. 실제 적용 사례
2025년 11월, 엔지니어링 업체 **EPI**는 **남부 캘리포니아 에디슨(SCE)** 의 전주 데이터를 수집하는 프로젝트에서 qPole을 활용했습니다 .
- **현장 촬영**: 단 2시간 만에 3D 스캔 완료
- **데이터 전달**: 촬영 후 단 **24시간** 만에 구조 해석용 데이터를 SCE 엔지니어에게 전달
이는 기존에는 몇 주가 걸리던 작업을 하루 만에 끝낸 사례로, qPole 기술이 현장에서 실질적으로 통용될 수 있음을 보여줍니다.
### 결론 및 제안
- **전력사, 대형 엔지니어링 업체** → **Looq AI (qPole) 도입 검토**
- ROI(투자 대비 효율)가 명확하고, 최신 기술을 안정적으로 활용할 수 있는 경로입니다.
- **연구/개발 목적** → **오픈소스 기반 유사 시스템 개발**
- Photogrammetry(SfM) + 최신 Segmentation AI 모델을 결합한 Proof-of-Concept은 충분히 가능합니다.
- 관심 있으시면, 제가 위의 핵심 기술 구성 요소별로 더 자세한 구현 가이드라인을 제공해 드릴 수 있습니다.