[성공 사례] 수확 로봇의 눈을 학습시키는 데이터: 메타파머스의 작물 인식 데이터셋 구축

사람 손에 의존해 온 농작물 수확을 로봇으로 자동화하려는 시도가 하나의 산업으로 자리 잡고 있습니다. 시장조사기관 마켓앤마켓(MarketsandMarkets)는 글로벌 농업용 로봇 시장이 2025년 177억 3,000만 달러에서 2030년 562억 6,000만 달러 규모로, 연평균 26.0% 성장할 것으로 전망합니다. 농촌 인력난이 구조화되면서, 수확처럼 손이 많이 가는 작업을 자동화하려는 수요가 시장을 밀어 올리고 있습니다.

수확 로봇이 현장에서 일하려면 먼저 작물을 알아봐야 합니다. 어떤 것이 수확할 대상인지 판단하는 인지 모델이 로봇의 출발점이고, 그 모델의 성능은 학습 데이터가 좌우합니다.

농작물 수확을 자동화하는 AI 로봇을 개발하는 애그테크 기업 메타파머스도 이 지점에서 슈퍼브에이아이를 찾았습니다. 농작물 인식 모델의 학습 데이터를 만들어야 하는데, 라벨링을 맡길 수 있는지에 대한 문의였는데요. 슈퍼브에이아이는 슈퍼브 플랫폼과 데이터 서비스를 결합해 작물 인식 데이터셋 구축을 맡았고, 메타파머스의 데이터 파이프라인으로 자리 잡았습니다.

Challenge: 로봇을 만들 인력이 라벨링에 잡혀 있다

수확 로봇의 인지 모델에는 두 종류의 데이터가 필요했습니다. 하나는 육묘 단계의 어린 작물을 인식하는 데이터, 다른 하나는 다 자란 작물에서 수확 대상을 가려내는 데이터입니다. 로봇이 투입되는 생육 단계마다 작물의 형태가 달라지기 때문에, 단계별로 별도의 데이터셋이 필요합니다.

문제는 작물 이미지가 라벨링하기 까다로운 데이터라는 점입니다. 잎과 줄기가 서로 겹치고, 하나의 객체가 여러 갈래로 나뉘어 보이기도 합니다. 이런 장면을 어떻게 처리할지 라벨링 기준을 명확히 정하지 않으면 데이터의 일관성이 무너집니다.

메타파머스는 그동안 필요한 데이터를 내부에서 직접 라벨링해 왔습니다. 그러나 로봇과 모델을 개발해야 할 인력이 어노테이션 작업에 시간을 쓰는 구조는 데이터 수요가 늘어날수록 지속하기 어려워집니다. 개발 일정과 데이터 구축 일정이 서로를 잡아먹지 않으려면, 라벨링을 밖으로 꺼낼 수 있는 파이프라인이 필요했습니다.

Solution: 두 개 과제로 나눈 작물 인식 데이터셋 구축

슈퍼브에이아이는 프로젝트를 두 개 과제로 나눠 설계했습니다. 육묘 인식용 데이터는 바운딩 박스로, 수확 대상 작물 데이터는 객체의 윤곽을 따라 영역을 구분하는 인스턴스 세그멘테이션(instance segmentation)으로 가공했습니다. 로봇이 필요로 하는 판단의 정밀도에 맞춰 가공 방식을 달리한 구성입니다.

시작 전에 기준부터 확정했습니다. 메타파머스가 직접 라벨링해 온 데이터와 라벨링 가이드가 이미 있었기 때문에, 슈퍼브에이아이는 이를 이어받아 킥오프에서 가공 기준을 함께 검토했고, 작물 데이터 특유의 모호한 지점을 작업 시작 전에 문서로 정리했습니다.

Benefit: 로봇 개발에 집중하는 구조

이 프로젝트에서 메타파머스가 얻은 것은 두 가지입니다. 하나는 로봇 인지 모델 학습에 필요한 작물 인식 데이터셋입니다. 다른 하나는 데이터가 필요할 때마다 반복 가동할 수 있는 외부 파이프라인입니다. 어노테이션 작업을 밖으로 옮기면서 내부 인력은 로봇과 모델 개발에 집중하는 구조가 만들어졌습니다.

슈퍼브에이아이 입장에서 이 사례는 데이터 서비스가 로보틱스 기업과 일하는 방식을 보여줍니다. 고객이 이미 만들어 둔 가이드를 이어받고, 데이터 특성에 맞춰 계약과 가공 방식을 조정하고, 과제가 반복될 때 같은 기준으로 이어가는 것입니다. 로봇이 현장에서 판단하고 행동하려면 그 판단을 학습시킬 데이터가 먼저 있어야 하고, 슈퍼브에이아이는 그 데이터를 만드는 일을 맡고 있습니다.

1.3억 장 이상의 산업용 시각 데이터를 보유한 슈퍼브에이아이는 데이터 라벨링부터 모델 개발과 운영까지, 시각 데이터를 인텔리전스로 바꾸는 전 과정을 함께합니다.

자주 묻는 질문(FAQ)

작물처럼 형태가 불규칙한 객체도 라벨링 품질이 확보되나요?

기준을 먼저 세우면 가능합니다. 잎·줄기의 겹침처럼 판단이 갈리는 지점을 킥오프에서 가이드라인으로 확정하고, 그 기준으로 작업과 검수를 진행합니다. 이 사례에서도 고객이 보유한 가이드를 출발점으로 삼아 기준을 함께 정리했습니다.

인스턴스 세그멘테이션과 바운딩 박스는 어떻게 다른가요?

바운딩 박스는 객체를 둘러싼 사각형으로 위치를 표시하고, 인스턴스 세그멘테이션은 객체의 윤곽을 따라 영역을 구분해 개체별로 분리합니다. 위치만 알아도 되는 검출 과제에는 바운딩 박스가 적합하고, 대상이 서로 겹쳐 있거나 형태와 경계가 판단에 필요한 과제에는 인스턴스 세그멘테이션이 적합합니다. 두 방식을 한 프로젝트에서 함께 사용할 수도 있습니다.

이미 내부에서 라벨링하던 데이터가 있는데 이어서 진행할 수 있나요?

가능합니다. 이 사례에서도 고객이 직접 라벨링해 온 데이터와 가이드를 이어받아 기준을 정리한 뒤 착수했고, 최종 검수는 고객이 슈퍼브 플랫폼에서 직접 진행했습니다.

라벨링을 맡길 때 데이터 보안은 어떻게 관리되나요?

데이터는 합의된 사업 목적 범위에서만 사용되며, 작업자에게는 프로젝트 단위로 접근 권한이 부여됩니다. 웹 기반 플랫폼에도 2단계 인증(2FA)과 IP 화이트리스트 같은 접근 통제를 적용할 수 있고, 고객사 보안 요건에 따라 온프레미스를 포함한 폐쇄 환경 운영도 지원합니다.

함께 보면 좋은 성공 사례

애그테크 비전 AI 활용 사례 3선: 축사 비용 31.6% 절감, 생육 측정 92.4%

축사 생체정보 분석, 농작물 생육 측정, 자동 수확 경로 인식 - 농축산 현장의 비전 AI 활용 사례 3건. 관리 비용 31.6% 절감, 측정 정확도 92.4% 수치로 정리했습니다.

슈퍼브 블로그

[고객 사례] 스마트팜 생육 데이터 라벨링 9만 개, 8일 만에 끝낸 아이오크롭스

스마트팜 생육 데이터 라벨링을 자동화한 사례입니다. 애그테크 기업 아이오크롭스는 슈퍼브 플랫폼의 커스텀 오토라벨로 9만 개 인스턴스를 8일 만에 라벨링하고, 모델 이터레이션 주기를 2~3일로 줄여 AI를 상용화했습니다.

슈퍼브 블로그