Implementation of an Edge Computing-Based Industrial Site Monitoring System Using Deep Learning for Object Detection and Tracking

본 논문에서는 YOLOv7 기반의 객체 검출 및 특징 임베딩 통합 네트워크를 엣지 컴퓨팅 환경에 최적화하고, 다중 객체 추적 기술을 적용하여 산업 현장을 모니터링할 수 있는 시스템을 제안한다. 다양한 산업 현장의 요구에 맞게 객체 검출 통합 네트워크를 세 가지 복잡도와 세 가지 해상도로 설계하였다. 총 9개의 스케일을 갖는 모델을 서버에서 학습하고, ONNX 모델 변환 및 TensorRT의 FP32, FP16, INT8 양자화 기반 최적화를 통해 Jetson Xavier 및 Nano 보드에 적용하였다. 객체 검출 박스의 IOU 유사도와 특징 임베딩 유사도를 기반으로 다중 객체 추적 기법을 개발하였다. 실험 결과, 객체 검출 기법은 Xavier 보드에서 INT8 연산 기준 100 FPS 이상의 실시간 추론이 가능했으며, Nano 보드에서도 최대 약 70 FPS의 성능을 나타냈다. 정확도 측면에서도 INT8 최적화 적용 후 평균 1% 이내의 성능 저하만 발생하였다. 다중 객체 추적은 MOTA 52.73% 성능을 나타냈으며, 추론 속도는 평균 1.93ms로 측정되었다. 다양한 스케일의 모델과 객체 검출 및 다중 객체 추적 기법을 기반으로, 산업 현장의 다양한 요구사항에 맞게 적용 가능한 모니터링 시스템을 개발하였다.