[CTO칼럼]이미지 분석 알고리즘 사례

AI transformation과 소재 평가 자동화

안녕하세요. 오늘은 우리 회사의 핵심 기술 중 하나인 '양자점(Quantum Dot) 소재'의 품질을 결정짓는 숨은 주역, 이미지 분석 알고리즘에 대해 이야기해보려 합니다.

보통 "뭉치면 살고 흩어지면 죽는다"는 말이 있지만, 나노 소재의 세계에서는 정반대입니다. 입자들이 자기들끼리 뭉치지 않고 얼마나 고르게 '잘 흩어져 있느냐(Dispersion)'가 곧 제품의 수명과 성능을 결정하기 때문입니다.

하지만 눈에 보이지 않는 나노 입자의 세계를 어떻게 객관적으로 평가할 수 있을까요? 저희가 도입한 AX(AI Transformation) 기반의 분석 알고리즘 3단계를 소개합니다.

1. 주관을 배제한 '황금 기준' 찾기 (Otsu's Binarization)

연구원이 현미경 사진을 보며 "이 정도면 밝으니 입자네"라고 판단하면, 그날의 컨디션이나 모니터 밝기에 따라 결과가 달라질 수 있습니다. 이는 품질 관리의 치명적인 약점이죠.

저희는 'Otsu(오츠) 알고리즘'을 통해 이 문제를 해결했습니다. 사진 속 수백만 개의 픽셀 밝기를 통계적으로 분석하여, 배경과 입자를 가르는 최적의 임계값(Threshold)을 컴퓨터가 스스로 찾아내게 했습니다. 덕분에 어떤 사진을 넣어도 일관된 '객관적 기준'으로 분석을 시작할 수 있습니다.

2. '덩어리'의 실체를 파악하는 형태학 분석 (Blob Detection)

단순히 빛나는 지점이 많다고 해서 좋은 것은 아닙니다. 작은 입자들이 서로 엉겨 붙어 거대한 '덩어리'가 되어버리면, 빛을 내는 효율이 급격히 떨어집니다.

이를 감지하기 위해 'Blob Detection(형체 탐색)' 기술을 적용했습니다. 인접한 픽셀들을 하나의 유닛으로 묶어 면적을 측정하는 것이죠. 만약 평균 면적이 기준치를 초과한다면, 알고리즘은 즉시 '응집(Aggregation) 주의보'를 발령합니다. 육안으로는 놓치기 쉬운 미세한 뭉침까지 데이터로 잡아내는 과정입니다.

3. 데이터로 증명하는 분산의 미학 (CV 통계 분석)

마지막 단계는 "얼마나 고르게 퍼졌는가"를 수치화하는 것입니다. 저희는 전체 화면을 바둑판처럼 수십 개의 구역으로 나눈 뒤, 각 구역의 입자 밀도 편차를 계산하는 '변동 계수(CV)' 지표를 활용합니다.

입자가 특정 구역에만 쏠려 있다면 CV 값이 높아지고, 전체적으로 평온하게 퍼져 있다면 CV 값이 낮아집니다. 이 수치가 낮을수록 저희가 만든 상용화제가 입자들 사이에서 제 역할을 훌륭히 수행하고 있다는 강력한 증거가 됩니다.

기술이 신뢰가 되는 과정

과거에는 전문가의 "감"에 의존했던 영역들이 이제는 정교한 알고리즘을 통해 숫자와 통계로 치환되고 있습니다.

단순히 현미경 사진 한 장을 찍는 것에 그치지 않고, 그 안에서 입자들의 '사회적 거리두기'를 정량화하는 노력. 이러한 디테일한 AX(AI 전환) 과정이 모여 고객이 믿고 쓸 수 있는 고품질 나노 소재의 토대가 됩니다.

앞으로도 저희는 보이지 않는 곳의 데이터를 읽어내어, 가장 확실한 가치를 전달하는 기술 경영을 이어가겠습니다.

CTO 한마디: "데이터는 거짓말을 하지 않습니다. 다만 우리가 그 데이터를 읽을 적절한 '언어(알고리즘)'를 준비했을 때만 그 진실을 보여줄 뿐입니다."