Chill girl

프로젝트 개요

기술개발 과제

국문 : 콘센트 홀을 인식하여 자동 회전하는 플러그

영문 : Self-Rotating Power Plug with Integrated Socket Hole Detection

과제 팀명

Chill Girl

지도교수

김현식 교수님

개발기간

2025년 3월 ~ 2025년 6월 (총 4개월)

구성원 소개

서울시립대학교 신소재공학과 20214500** 최*영(팀장)

서울시립대학교 신소재공학과 20204500** 정*영

서울시립대학교 신소재공학과 20216100** 배드*라

서울시립대학교 신소재공학과 20224500** 천*경

서론

개발 과제의 개요

개발 과제 요약

본 개발 과제는 콘센트가 눈에 보이지 않거나 협소한 공간에 위치한 경우에도 사용자가 손쉽게 플러그를 삽입할 수 있도록, YOLO(You Only Look Once) 기반 이미지 인식 기술을 활용하여 콘센트 홀의 위치를 실시간으로 감지하고, 이에 맞춰 플러그가 자동으로 회전 정렬되는 시스템을 구현하는 데 목적이 있다.

이를 위해 다양한 각도 및 조도 환경(정면, 장거리, 비틀림, 조명 없음 등)에서 촬영된 최소 1,000장 이상의 콘센트 이미지를 수집하고, 라벨링을 통해 YOLO 학습 데이터를 구축한다. 이후 플러그에 장착된 Raspberry Pi 카메라 모듈을 통해 실시간으로 콘센트 홀을 인식하고, 인식된 위치를 기반으로 플러그 내부의 스텝모터가 자동으로 회전하여 핀이 정확히 정렬될 수 있도록 한다.

본 기술은 사용자의 수고를 줄이고, 콘센트 방향을 직접 맞춰야 하는 번거로움을 해소함으로써 삽입 성공률을 높이고 시간 소모를 줄이며, 콘센트 및 플러그 마모 가능성까지 저감할 수 있다. 특히 카페, 사무실, 호텔 등 콘센트가 시야에서 벗어난 환경에서의 실질적인 사용성 향상을 기대할 수 있으며, 향후 다양한 전기기기에서의 적용 가능성과 높은 범용성을 가진다.

개발 과제의 배경

기존 플러그는 대부분 정해진 방향으로만 삽입이 가능하며, 회전이 가능하더라도 콘센트 홀을 자동으로 인식해주는 기능이 부재하다. 특히 수평, 수직, 대각 등 다양한 방향으로 설치된 콘센트 홀을 육안으로 확인하고 손으로 맞추는 번거로움은 일상 속 불편을 유발한다.

좁은 공간, 어두운 환경, 가구 뒤편 등 직접 눈으로 확인하기 어려운 장소에서는 플러그 삽입에 실패하거나 방향을 재조정해야 하는 일이 반복되며, 이는 시간 낭비뿐만 아니라 콘센트와 플러그에 가해지는 물리적 충격으로 인한 마모 및 파손 가능성도 증가시킨다.

이와 같은 사용자 불편을 해소하기 위해 본 과제는 영상 인식 기술과 정밀 회전 기술을 결합하여, 플러그가 콘센트 홀을 인식하고 스스로 정렬할 수 있도록 한다. 이를 통해 삽입 절차의 자동화 및 안정화를 실현하고, 누구나 특별한 조작 없이 동일한 방식으로 사용할 수 있어 기술 진입장벽이 낮다. 나아가, 해당 기술은 공공시설, 호텔, 카페, 식당, 사무실 등 다양한 공간에 적용 가능하며, 콘센트 접근이 어려운 환경에서 접근성과 사용성을 대폭 향상시킬 수 있어 상업적·산업적 파급 효과도 크다.

개발 과제의 목표 및 내용

◇ 개발 과제의 목표

본 개발 과제의 주요 목표는 콘센트 홀의 위치를 정밀하게 인식하고, 플러그 핀의 자동 회전 정렬이 가능하며, 짧은 시간 안에 플러그가 안정적으로 삽입되도록 구현하는 것이다.

이를 위해 핵심적으로 다음과 같은 기술적 달성을 목표로 한다:

(1) YOLO 기반 인식 기술 구현 다양한 환경에서 학습된 YOLO 모델을 활용하여, 플러그에 내장된 라즈베리파이 카메라가 콘센트 내부의 홀 위치(수평, 수직, 대각선 등)를 빠르고 정확하게 인식한다.

(2) 스텝모터 기반 회전 제어 시스템 설계 YOLO가 출력한 중심 좌표에 따라 스텝모터가 플러그를 정밀하게 회전시키며, 과도한 흔들림 없이 정렬되도록 한다.

(3) 하드웨어 통합 및 구조 설계 플러그 내부에는 카메라, 제어 보드(Raspberry Pi), 스텝모터 등 핵심 부품이 모두 내장되며, 핀 사이의 전선 및 회전 구조에서 꼬임이 발생하지 않도록 외관을 3D 프린팅을 통해 직접 설계한다.

(4) 편의성과 신뢰성을 모두 확보한 플러그 구현 누구나 무리한 힘이나 반복 삽입 없이 간편하게 사용할 수 있으며, 내구성과 기능적 안정성을 동시에 만족시키는 플러그를 구현한다.

◇ 개발 과제의 내용

본 과제는 콘센트의 소켓 홀을 자동으로 인식하고, 플러그가 자동으로 회전하여 정렬되는 기능을 통해 사용자 편의성과 전기적 안정성을 향상시키는 것을 목표로 한다. 이를 위해 전체 시스템은 다음과 같은 구성 요소로 나뉘며, 각 요소는 상호 연동되어 동작한다.

(1) 데이터 수집 및 YOLO 모델 학습 YOLO 모델 학습을 위해 다양한 각도와 거리, 조도 조건에서 콘센트 이미지 1,000장 이상을 수집하고, 소켓 홀에 대한 바운딩박스 라벨링 작업을 수행한다. 이를 통해 ‘콘센트 홀’이라는 객체를 모델이 정확히 식별하고, 다양한 환경에서도 인식 정확도를 확보하도록 학습시킨다.

(2) 실시간 영상 인식 및 좌표 추출 플러그에 탑재된 Raspberry Pi 카메라 모듈이 콘센트 전면을 실시간 촬영하고, 영상 스트림은 제어 보드를 통해 분석된다. 학습된 YOLO 모델이 영상 내에서 콘센트 홀을 탐지하고, 중심 좌표(x, y)를 실시간으로 산출한다.

(3) 스텝모터 기반 회전 정렬 시스템 YOLO로부터 도출된 좌표 정보를 기반으로, 스텝모터가 플러그의 회전 방향과 각도를 제어한다. 회전 시 불필요한 진동이나 과도한 흔들림을 최소화하도록 기어비가 조절된 정밀 스텝모터를 사용하여 핀과 홀의 정렬이 매끄럽게 이루어진다.

(4) 하드웨어 설계 및 구조적 안정성 확보 플러그 외관은 3D 프린팅으로 직접 설계 제작하며, 회전 구동 중 내부 전선의 꼬임이나 손상 방지를 고려한 구조를 설계한다. 플러그 핀과 전선 사이에 카메라가 삽입되더라도, 기구적 안정성과 내구성이 유지되도록 내부 부품 배치를 최적화한다.

관련 기술의 현황

관련 기술의 현황 및 분석(State of art)

전 세계적인 기술현황
◇ 플러그 관련 기술 현황

플러그와 관련된 최근 기술에는 AHOKU에서 개발한 ‘360도 회전 가능한 UK 플러그 AC 전원 코드’가 있다. 이 회전 플러그는 이름에서도 언급했듯이, 360°로 회전하는 기능이 있다. 플러그를 콘센트에 꽂은 상태에서 손으로 자유롭게 회전하여, 좁은 공간에서도 쉽게 사용할 수 있다. 플러그는 링 풀 프리로테이팅 디자인으로 이루어져 있어서 플러그에 부착된 링으로 플러그를 쉽게 뽑을 수 있다.

그림 1. 360도 회전 가능한 UK 플러그 AC 전원 코드 (AHOKU)

◇ YOLO 딥러닝 기술 현황

그림 . 트래픽을 감지, 집계 및 추적하기 위해 Ultralytics YOLO11 사용 최근 YOLO 모델은 Ultralytics YOLO11로, 파라미터의 수는 감소시키고 정확도는 향상되어 작업을 실시간으로 처리할 수 있다는 장점이 있다. 또한, 계산 및 처리 속도가 빨라 물체를 빠르게 감지하여 인스턴스 분할, 이미지 분류, 포즈 추정, 다중 객체 추적 등의 작업을 이전 모델보다 더욱 향상된 속도와 정밀도를 가지고 처리할 수 있다.

‘그림 2.’는 여러 이동 수단을 감지하여 트래픽을 집계하기 위해 Ultralytics YOLO11 모델을 사용하여 나타낸 것이고, ‘그림 3.’은 이전의 YOLOv8, YOLOv9, YOLOv10 모델과 최신 YOLO11 모델 간 테스트 및 비교를 나타내기 위한 사진이다.

YOLO11의 경우, 왼쪽 상단에 있는 트럭(대형 차량)을 포착했으나 YOLOv10에서는 트럭을 감지하지 못한 것을 확인할 수 있다. YOLOv8와 YOLOv9는 괜찮은 성능을 보였지만 조명 조건과 물체 크기에 따라 차이가 있다. YOLOv8과 YOLOv9는 비디오 전체에서 안정적이고 신뢰할 수 있는 감지 성능을 제공하였으나, 지연 시간을 줄이기 위해 설계된 YOLOv10은 더 빨랐지만 특정 물체 유형을 감지하는 데 약간의 불일치를 보였다. 반면에 YOLO11 속도와 정확도 사이의 강력한 균형을 제공하는 정밀도가 돋보여 YOLO11 모델이 전반적으로 가장 우수한 성능을 제공한다는 것을 알 수 있다.

YOLO11 모델은 지연 시간을 최소화하도록 설계된 탐지 헤드를 탑재함으로써 성능 저하 없이 객체를 감지할 수 있고, 최적화된 백본과 넥 아키텍처가 특징 추출을 향상시켜 객체의 특징을 더 정확하게 탐지할 수 있다. 더불어, YOLO11 엣지 디바이스, NVIDIA GPU 등 다양한 플랫폼에서 실행할 수 있다.

▶ 국내 사례
◇ 딥러닝을 통한 이미지 인식 관련 기술 사례

이미지 및 영상을 처리하는 AI (Artificial Intelligence, 인공지능) 기술은 빅데이터뿐만 아니라 딥러닝의 발전으로 인해 실시간으로 객체를 인식하고, GPU (Graphic Processing Unit)와 TPU (Tensor Processing Unit)를 통해 데이터를 빠른 속도로 처리할 수 있게 되었다. 적대 신경망(Generative Adversarial Networks, GAN), VAE(Variational Auto encoders), 합성곱 신경망(Convolutional Neural Network, CNN) 등의 AI 알고리즘은 이미지를 생성하고 해당 이미지의 패턴이나 특성을 파악하는 데 쓰이는 대표적인 기술이다. 이미지 및 영상을 처리하는 대표적인 AI 기술은 크게 의료, 자율주행 등의 분야에서 널리 활용된다. 먼저, 의료 분야에서는 의료 분야에서의 대표적인 예시는 ‘루닛 인사이트’라는 AI 기반 의료 영상 진단 시 사용되는 보조 솔루션이 있다. 루닛 인사이트에서는 ‘그림 2.’를 보면 알 수 있듯이, 흉부 엑스레이와 유방 촬영 영상을 분석함으로써 이상 소견이나 암이 의심되는 부위를 AI 소프트웨어를 통해 쉽게 검출할 수 있다. 이를 통해 의료 진단의 효율성을 극대화할 수 있다. 다음으로 자율주행 분야에서는 주로 차량 등의 이동 수단과 표지판, 사람 등의 객체를 인식하거나 도로 주행 중에 발생하는 이상 현상을 감지하여 사고를 예방하는 데 도움을 줄 수 있다. 대표적인 사례로는 현대오토에버의 무인 자율주행 로보택시가 있다. ‘그림 4.’가 바로 무인 자율주행 로보택시이다. 이는 ADAS(Adanced Driver Assistance System)라는 첨단 운전자 보조 시스템을 기반으로 한 고정밀의 지도 기술을 통하여 차선이 이탈하거나 전방 충돌 사고를 방지하여 안전성을 확보할 뿐만 아니라 98% 이상의 정확도를 보여준다.

▶ 해외 사례

먼저, 의료 분야에서는 Philips와 Google을 비롯한 글로벌 기업들이 의료기기, 빅테크, 병원 등의 범주로 나누어서 AI 기술 개발에 적극 참여함으로써 AI 시장에 꾸준히 진출하고 있다.

특허조사 및 특허 전략 분석

기술 로드맵

◇ YOLO (You Only Look Once)

그림 . YOLO 등장 배경

YOLO (You Only Look Once)가 등장하기까지의 배경은 ‘그림 7.’과 다음 설명을 통해 알 수 있다. 초기에 2001년부터 2012년까지는 Traditional Detection Methods, 즉 전통적인 객체 검출 방식으로 이루어졌다. VG Detector는 Viola-Jones에 의해 얼굴 검출 등의 사용된 초기 방법이었다. Dalal & Triggs (2006)는 HOG Detector로 방향 Gradient를 기반으로 객체를 검출하였으며, 2008년에 DPM ( Deformable Part Model)을 통해 객체를 여러 파트로 나누어 검출하였다. 이 시기에는 GPU 없이 작동되었으며 wisdom of the cold weapon이라 불렸다.

2012년 AlexNet 이후에는 딥러닝을 기반으로 한 객체 검출 (Deep Learning based Detection Methods) 방식이 도입되면서 객체를 검출하는 방식이 점차 발전되어갔다. 딥러닝을 기반으로 한 객체 검출에는 2단계 방식 (Two-stage Detector)과 1단계 방식 (One-stage Detector) 이렇게 2가지로 분류된다. 2단계 방식에서는 후보 영역 (Region Proposal)을 탐색한 후에 분류되는 형태로 이루어져 RCNN (2014, Girshick), SPPNet (2014, He 등), Fast RCNN (2015, Girshick), RPN(Region Proposal Network) 도입된 Faster RCNN (2015, Ren 등), 다중 해상도에서 특성 융합된 형태인 Pyramid Networks (2017, Lin 등)이 있다. 반면에, 1단계 방식은 후보 영역을 탐색하는 과정 없이 바로 위치를 예측하기 때문에 속도가 빠르다는 장점이 있다. YOLO는 바로 1단계 방식으로 개발 딥러닝 기반 이미지 인식 기술이다. 이는 우리가 인식하고자 하는 객체 외의 주변 부분에서도 정보를 얻어내 전체의 이미지를 처리하여 백그라운드에 대한 오류가 적다. YOLO 모델의 발전 과정은 ‘표 2.’와 같이 정리하였다.

시장상황에 대한 분석

경쟁제품 조사 비교

내용

마케팅 전략 제시

내용

개발과제의 기대효과

기술적 기대효과

내용

경제적, 사회적 기대 및 파급효과

내용

기술개발 일정 및 추진체계

개발 일정

구성원 및 추진체계

◇ 배드보라: 콘센트 홀 인식 시스템의 전체 아이디어를 기획하고, 사용자 요구에 기반한 주요 기능을 정의함. 초기 개발 방향성과 시스템 구조 구상을 총괄함.

◇ 정다영: 회로 배치를 고려한 전반적인 제품 구조를 설계하고, 부품 통합 조립을 통 3D 모델링을 제작하는 등 제품의 실물화 과정을 담당함.

◇ 천성경: 콘센트 홀 인식을 기반으로 한 회로 설계 및 작동 흐름을 담당함. 시스템의 동작 논리를 전기적으로 구현하고, 작동 검증을 위한 논리 회로를 구성함.

◇ 최서영: 카메라, 회전 모터, 회로 등의 구성 부품을 검토하고 기술적 사양을 분석함. 부품 간의 호환성과 효율적인 구성 방안을 마련함.

설계

설계사양

제품의 요구사항

내용

설계 사양

내용

개념설계안

내용

이론적 계산 및 시뮬레이션

내용

상세설계 내용

내용

결과 및 평가

완료 작품의 소개

프로토타입 사진 혹은 작동 장면

내용

포스터

내용

완료작품의 평가

내용

향후계획

내용

특허 출원 내용

내용