미디어 기술 회사가 왜 시설물 AI인가 — 같은 코어 기술
곁다리가 아닙니다. immersivecast가 쌓아온 실시간 비전·GPU 렌더·3D 디지털트윈·VLM 역량이 시설물 결함 AI로 그대로 전이됩니다.
점검 사진 한 폴더에서 점검대장까지 — 판단은 점검자가.
업로드부터 산출물까지 하나의 웹앱. 점검자 검토 단계가 흐름의 중심에 있습니다 — imai는 사전선별·정량화까지, 최종 판정은 사람이.
점검 이미지
드론·크롤러·현장 카메라 사진을 배치로 업로드. 시설 유형 선택.
1차 자동 검출·정량화
균열 dense-seg(길이·폭·등급) + 다중결함 분할(물량 집계).
VLM 2차 오탐 판정
이음부·그림자·얼룩을 맥락으로 기각.
점검자 유지/제외
민감도 조절로 오탐↔누락 운영점 선택. 최종 판정은 인증 점검자.
대장·리포트·조서
점검대장·손상물량·결정 리포트(PDF)·조서 문안 초안.
검토 → 재학습
점검자 교정이 라벨로 축적 → 시설별로 점점 정확.
검출 정확도와 현장 편의를 동시에
픽셀 정확 균열 검출
dense-segmentation으로 균열을 픽셀 단위 분할, 길이·최대폭·심각도를 정량화. 스케일 입력 시 mm 환산.
다중 결함 검출
균열·박리·백태/누수·철근노출을 한 번에 인스턴스 분할하고 결함 종류별 물량을 집계.
VLM 2차 오탐 게이트
비전언어모델이 검출 후보를 맥락으로 재판정 — 유사 패턴을 기각하고 근거를 한국어로 제시.
시설별 모델 적응
교량·터널·하수관로 전용 모델을 시설 조건에 맞게 자동 선택. 신규 현장은 소량 데이터로 적응 학습.
쓸수록 정확해짐
점검자 유지/제외 검토가 라벨로 축적. AI와 다른 판정(교정)을 우선 재학습해 시설별로 개선됩니다.
완성형 산출물
점검대장·손상물량 집계·결정 리포트(PDF)·조서 문안 초안(자체 LLM)까지 브라우저 하나로.
중앙 관리 · 지속 개선
여러 현장의 운영 로그·신규 점검 기록을 중앙에서 취합해 모델을 지속 개선하고, 업데이트를 자동 배포. 연동은 기관이 선택.
원천기술은 업계 공통. 우리의 차별은 정직성을 검증가능한 메커니즘으로 구현한 것.
후발주자일수록 광고 문구가 아니라 재현 가능한 증거로 승부해야 합니다. imai는 부풀린 단일 정확도 대신 다섯 가지를 제품에 심었습니다.
단일 split·단일 도메인 정확도만 크게 내세우고, 교차 도메인·오탐·누락 트레이드오프는 공개하지 않는 관행.
귀사 데이터로 측정한 보장 수치 + 보정된 확률 + 공개 벤치 + 쓸수록 좋아지는 데이터 루프. 못 증명하는 것은 못 증명한다고 말합니다.
수치는 전부 공개돼 있습니다. 직접 확인하세요.
측정 방법·데이터·한계까지 리포트로 누적 공개. 아래는 대표 다섯 건.
현재 라이브 제품 0.9.3
지금 배포된 것: 검출(bF1 0.884)→측정→게이트→조서 + 파이프라인 전체 놓침율 보장(전 폭버킷 통과) + 다중결함(철근·누수 신뢰/박리 실험적). 약한 클래스는 정직 표기 출하.
데이터 엔진 실증
디지털 트윈 합성이 실제 검출 난이도 순위를 완벽 예측(재표집 1,989회 견고)을 가드레일·해시 봉인으로 증명. 특정 업체에 얽매이지 않음(3종 검출기) 확정. 순위 예측용·레벨 낙관 정직 표기.
한국 인프라 cross-structure
AI-Hub 075(드론 실인프라: 교량·터널·옹벽) 구조물 간 cross-structure dense-seg. in→cross 저하 −16~22%만(화재와 달리 붕괴X). 3독립시드·서명 매니페스트. 누수·세탁셋 옛 0.772 은퇴.
신뢰도 보정 — reliability
운영점 민감도 조절이 실제 오탐 확률과 일치하도록 보정. reliability diagram 공개.
쌓이는 데이터 — 메커니즘 시연
교정 선별 500개가 무선별 1800개(3.6배)를 소폭 앞선 예비 결과. 단 실 점검자 라벨 아닌 GT 시뮬·단일시드라 실데이터·CI 재검증 필요.
같은 엔진이 다른 위험까지 — 구조물 결함에서 화재·연기로
우리의 차별 메커니즘(VLM 2차 맥락 게이트 + 데이터엔진 도메인 적응)은 결함 종류에 묶여 있지 않습니다.
동일 스택을 화재·연기 영상에 그대로 적용해 실촬영 별도 시험셋으로 측정했습니다.
imai 제품은 구조물 결함 점검입니다. 화재·연기는 같은 엔진을 쓰는 별도 오퍼링(공개셋 in-dist 별도 시험셋 측정 — 고객 현장 실증은 파일럿에서)으로, 대상 시장·조달이 다릅니다.
구조물 결함 점검
균열·박리·백태/누수·철근노출 · 교량·터널·하수관로
- −37%VLM 게이트 오탐 인스턴스 감소 (n=300 재확증 · 소표본선 −46% · 민감도 조절)
- 0.68 / 0.26외부 상업셋 추가 학습 없이 bF1@4px — 실교량(BCL·CC0) / 근접 건물표면(Özgenel·CC BY, 스케일갭) · 3독립시드 · 0.772(누수셋) 대체 완결
화재 · 연기 조기감지
CCTV·관제 영상 · 오탐(false alarm)이 지배하는 문제
- 0.11–0.34cross-source mAP50 — 다른 출처 화재셋으로 가면 in-source 0.59–0.80에서 −42~86% 붕괴(진짜 별도 시험셋·3 독립시드). 그래서 현장별 적응이 필수.
- 0.15→0.53회복곡선: 타깃 데이터 10%만 주입하면 붕괴가 급속 회복(격차 57%) — 소량 현장 라벨로 적응이 통한다는 정량 근거.
- 91.5%VLM 게이트 오탐 기각 (N=305, 동일셋서 프롬프트 선택 · in-dist)
시설물 안전점검 현장을 위한 도구
교량·터널·하수관로 점검을 수행하는 기관·업체를 위해. 시설물안전법 점검 실무의 외관조사를 보조합니다.
시설물안전법 점검 연계
- 정기·정밀 안전점검의 외관조사 결함 사전선별과 균열·손상 물량 정량화를 보조
- 상태평가(A~E) 판단을 위한 근거자료(결함도·물량·측정치) 생성
- 지원 시설: 교량·터널·하수관로(전용 모델 보유) / 로드맵: 건축물 외벽·옹벽 등
- 사내 대장·조사표 양식에 맞춘 산출물 커스터마이즈(협의)
기관 서버에 설치(구축형) — 데이터 통제와 지속 개선을 함께
설치는 기관 서버에. 데이터 통제(내부 보관 / 중앙 연동)는 기관이 선택하고, 공공·진단기관 IT 심사를 통과하도록 설계했습니다.
| 구성 | GPU (VRAM) | 예시 그래픽카드 | 용도 |
|---|---|---|---|
| 검출 단독 | 8GB 이상 | RTX 3060 12GB · RTX 4060 Ti 16GB | 균열·다중결함 검출·정량화 |
| 표준 — 검출 + VLM 오탐게이트 (권장) | 24GB 이상 | RTX 4090 24GB · RTX A5000 24GB | 오탐 자동 필터 포함 전 기능 |
| 여유 · 대량 처리 | 48GB 이상 | RTX A6000 · L40 · RTX 6000 Ada | 대량 배치·동시 처리 여유 |
GPU 세대 — Ampere(2020년) 이후 권장. Turing 등 구형은 VLM 게이트가 fp16로 자동 폴백(오탐 성능 현장 재측정).
설치 후 자동 검증 — install-verify 도구가 고객 서버의 GPU 사양·실기동·스모크 검출을 확인하고 리포트를 냅니다. "우리 서버에서 되나"를 설치 즉시 증명.
- 무상 업데이트 — 모델·소프트웨어 개선, 신규 결함 유형 대응 (중앙 연동 시 자동 적용 / 폐쇄망 운영 시 오프라인 패키지)
- 원격 기술 지원 — 설치·운영·문제 해결 (전화·이메일·화면공유)
- 정기 점검 — 동작·검출 정확도 확인
요구 분석 · 샘플 진단1~2주
시설 유형·현장 조건·기존 점검 방식 파악. 귀사 샘플 이미지로 현재 정확도를 먼저 실측.
현장 전용 학습 · 적응2~4주
귀사 현장 데이터로 검출 모델을 재학습·보정. 시설별 특성 반영, 계약 가능한 놓침율 판정.
맞춤 UI · 워크플로 구성1~3주
점검대장 양식·리포트 서식·현장 업무 흐름에 맞춘 화면 구성. 기존 시스템 연계(선택).
설치 · 검증 · 교육1~2주
기관 서버에 설치, install-verify 검증, 담당자 교육·인수인계.
지어낸 실적 대신, 검증 가능한 증거
제품품질 인증과 AI 정확도 검증은 다른 트랙입니다 — 그 구분을 명확히 하는 것부터가 우리의 정직성입니다.
고객 레퍼런스가 쌓이기 전이라, 실적을 지어내지 않습니다. 대신 공개 벤치·검증 리포트로 지금 증명하고, 도입 전 귀사 데이터로 PoC 실측해 확인시켜 드립니다 — 이 방식이 정직성 브랜드에 맞는 유일한 신뢰 전략입니다.