KITECH 생산기술 전문지

P&ID(Piping and Instrumentation Diagram)는 플랜트의 설계, 운영 및 유지보수에 필수적이지만, 기존의 수작업 기반 심볼 도면의 장비, 배관, 계측기 등의 심볼 추출 및 관리 방식은 비효율적이고 오류 발생 가능성이 높다는 한계가 있다. 또한, 영상처리 기반 템플릿 매칭이나 특징 기반의 전통적인 심볼 검출 방법들은 복잡한 도면 환경에서는 정확도가 저하되는 문제점이 있다. 이를 해결하기 위해 본 논문에서는 최신 딥러닝 객체 탐지 모델인 RT-DETR(Real-Time DEtection TRansformer)을 기반으로 한 P&ID 심볼 검출 및 인식 방법을 제안하였다. 즉, 대규모 데이터셋으로 사전 학습된 모델에 전이 학습(Transfer Learning)과 미세조정(Fine-tuning)을 적용한 것이다. 이 방법은 P&ID 데이터셋의 부족 및 클래스 불균형 문제를 완화할 수 있다. 특히, 파라미터 효율적인 미세조정(PEFT) 기법인 LoRA(Low-Rank Adaptation)와 DoRA(Weight-Decomposed Low-Rank Adaptation)를 활용하여 제한된 P&ID 데이터로 모델 성능을 최적화하였다. 공개된 P&ID 데이터셋을 활용한 실험 결과, RT-DETR에 DoRA 미세조정을 적용한 모델이 mAP50 0.939, mAP50-95 0.803을 달성하며 가장 우수한 성능을 보였다. 따라서, 본 논문은 복잡하고 작거나 인접해 있는 P&ID 심볼을 높은 정확도로 실시간 탐지할 수 있는 가능성을 보여주며, 이 연구가 P&ID 도면의 정보 관리 자동화와 전반적인 효율성 증대에 크게 기여할 것으로 기대한다.

키워드 Transformer, P&ID(Piping and Instrumentation Diagram), Object detection, Fine-tuning, DoRA(Weight-Decomposed Low-Rank Adaptation)