공통 사항

분석기와 타입

AI 분석기에서 사용할 분석기를 선택합니다. 분석기는 선택 창에서 바로 추가, 편집, 삭제할 수 있고 설정 > AI 분석기에서도 관리할 수 있습니다. 분석 타입은 분석기의 AI 모델로 정해지므로, 동작 창에는 선택한 분석기의 모델에 해당하는 명령과 항목만 표시됩니다.

타입 항목은 이 동작이 분석기에 무엇을 할지 정합니다.

명령

명령은 분석 타입마다 다르며, 무엇을 계산하여 어느 변수에 기록할지 정합니다. 명령을 고르면 그 명령에 필요한 설정 항목과 출력 항목만 표시됩니다. 타입별 명령은 아래 각 절의 표에 있습니다.

공통 설정

여러 타입에 같은 뜻으로 쓰이는 항목입니다. 값의 범위와 기본값이 타입마다 다르면 각 절에 따로 적었습니다.

출력 변수와 값 규약

출력 항목에 연결한 변수는 분석이 실행되는 동안 계속 갱신됩니다. 연결하지 않은 출력은 기록하지 않으므로 필요한 항목에만 변수를 연결합니다. 변수 타입은 항목에 따라 정해져 있습니다.

• 디지털: 감지 여부, 매칭 여부, 일치 여부처럼 참/거짓으로 기록되는 항목입니다.
• 숫자: 개수, 좌표, 너비·높이, 신뢰도, 확률, 각도, 거리입니다. 좌표와 크기는 카메라 프레임의 픽셀 단위이고, 중심점은 감지 상자의 가운데입니다. 신뢰도와 확률은 0~100 범위의 값입니다(OCR 은 예외, 해당 절 참고).
• 텍스트: 클래스 이름, 인식된 이름, 데이터, JSON 출력입니다.
• 색상: 색상 추적의 평균 색상입니다.

감지되지 않았을 때의 값은 타입마다 정해져 있습니다. 텍스트는 none 또는 빈 문자열, 숫자는 -1 또는 0 이 기록되며 각 절의 출력 표에 적혀 있습니다. 출력 (JSON 텍스트) 항목은 감지 결과 전체를 JSON 문자열로 텍스트 변수에 기록합니다. 결과가 여러 개인 타입은 배열이고 감지된 것이 없으면 빈 배열 [] 입니다. 키 이름과 예시는 각 절의 JSON 출력에 있으며, 값을 골라 쓰려면 블록 코딩에서 파싱합니다.

객체 감지

카메라 영상에서 사람, 차량 등 80종의 일반 객체를 실시간으로 감지합니다. 클래스는 COCO 데이터셋의 80종이며 여러 개를 함께 선택할 수 있습니다.

명령

감지 영역을 지정하면 모든 명령이 그 영역 안의 객체만 대상으로 합니다.

설정

출력 변수

JSON 출력

객체마다 class_name, confidence(0~100), 상자의 두 꼭짓점 bbox, 중심 center, width, height를 담은 배열입니다.

[
  {
    "class_name": "person",
    "confidence": 85,
    "bbox": { "x1": 100, "y1": 50, "x2": 300, "y2": 400 },
    "center": { "x": 200, "y": 225 },
    "width": 200,
    "height": 350
  },
  {
    "class_name": "car",
    "confidence": 72,
    "bbox": { "x1": 400, "y1": 200, "x2": 550, "y2": 300 },
    "center": { "x": 475, "y": 250 },
    "width": 150,
    "height": 100
  }
]

얼굴 감지

카메라 영상에서 사람의 얼굴을 실시간으로 감지하고 위치를 추적합니다. 감정 인식과 나이·성별 추정을 포함합니다.

명령

감지 영역을 지정하면 그 영역 안의 얼굴만 대상으로 합니다.

설정

출력 변수

JSON 출력

얼굴마다 score(신뢰도 0~100), bbox, center, width, height를 담습니다. 감정 항목(emotion, emotion_id, emotion_confidence)은 감정 인식이, 나이·성별 항목(age, gender, gender_confidence)은 나이/성별 추정이 실행 중일 때만 포함됩니다. 신뢰도 키가 객체 감지의 confidence와 달리 score인 점에 주의합니다.

[
  {
    "score": 95,
    "bbox": { "x1": 120, "y1": 80, "x2": 250, "y2": 300 },
    "center": { "x": 185, "y": 190 },
    "width": 130,
    "height": 220,
    "emotion": "happy",
    "emotion_id": 4,
    "emotion_confidence": 87,
    "age": 28,
    "gender": "male",
    "gender_confidence": 92
  }
]

얼굴 인식

얼굴 감지의 확장 기능으로, 감지된 얼굴을 등록된 얼굴과 비교하여 누구인지 인식합니다. 얼굴의 등록과 삭제도 이 동작의 명령으로 수행합니다.

명령

설정

얼굴 데이터의 저장소는 분석기 설정의 DB 이름(기본 default)으로 정하며 같은 이름을 쓰는 분석기끼리 데이터를 공유합니다. 사진이나 화면으로 된 얼굴을 차단하는 안티 스푸핑도 분석기 설정에 있습니다(6부 AI 분석기).

출력 변수

이 타입에는 JSON 출력이 없습니다.

자세 추정

카메라 영상에서 사람의 자세를 실시간으로 추정하여 17개 키 포인트(관절) 좌표를 제공합니다. 키 포인트 사이의 거리와 관절 각도를 바로 계산할 수 있습니다.

명령

설정

출력 변수

JSON 출력

키 포인트마다 id, name, x, y, confidence(0~100)를 담은 배열입니다. 아래는 일부만 보인 예시입니다.

[
  { "id": 0, "name": "nose", "x": 320, "y": 180, "confidence": 95 },
  { "id": 5, "name": "left_shoulder", "x": 280, "y": 260, "confidence": 91 },
  { "id": 6, "name": "right_shoulder", "x": 360, "y": 258, "confidence": 93 },
  { "id": 15, "name": "left_ankle", "x": 270, "y": 470, "confidence": 78 }
]

손 추적

카메라 영상에서 손을 실시간으로 추적하여 21개 키 포인트(손가락 관절) 좌표를 제공합니다. 왼손·오른손 판별, 손가락 펴짐 상태, 제스처 인식을 포함합니다.

명령

설정

출력 변수

JSON 출력

키 포인트마다 id, name, x, y, z를 담은 배열입니다. 아래는 일부만 보인 예시입니다.

[
  { "id": 0, "name": "wrist", "x": 320, "y": 350, "z": 0 },
  { "id": 4, "name": "thumb_tip", "x": 280, "y": 310, "z": -15 },
  { "id": 8, "name": "index_tip", "x": 310, "y": 260, "z": -25 },
  { "id": 12, "name": "middle_tip", "x": 330, "y": 255, "z": -22 }
]

색상 추적

카메라 영상에서 지정한 색상 범위의 영역을 실시간으로 찾아 위치, 크기, 면적, 평균 색상을 제공합니다.

명령

감지 영역을 지정하면 그 영역 안의 색상 영역만 대상으로 합니다.

설정

출력 변수

JSON 출력

영역마다 중심 x, y, width, height, area, 평균 색상 color(16진수)를 담은 배열입니다.

[
  { "x": 320, "y": 240, "width": 50, "height": 60, "area": 3000, "color": "#FF5733" },
  { "x": 500, "y": 300, "width": 40, "height": 45, "area": 1800, "color": "#33FF57" }
]

QR / 바코드

QR 코드와 여러 형식의 1차원 바코드를 실시간으로 감지하고 디코딩합니다.

명령

설정

출력 변수

JSON 출력

코드마다 data, type, 중심 x, y, width, height를 담은 배열입니다.

[
  { "data": "https://example.com", "type": "QR-Code", "x": 320, "y": 240, "width": 100, "height": 100 },
  { "data": "1234567890123", "type": "EAN-13", "x": 500, "y": 300, "width": 80, "height": 40 }
]

OCR (문자 인식)

카메라 영상에서 문자를 실시간으로 감지하고 읽어옵니다. 인식 언어는 분석기 설정의 OCR 언어에서 영어(기본), 한국어, 일본어, 중국어 (간체), 독일어, 프랑스어, 스페인어, 포르투갈어, 힌디어, 아랍어, 러시아어 중 하나를 고릅니다. 분석기 하나는 한 언어만 인식합니다.

• 시간 안정화로 프레임마다 흔들리는 인식 결과를 억제합니다.
• 감지된 텍스트를 읽기 순서(위에서 아래, 왼쪽에서 오른쪽)로 정렬합니다.

명령

설정

출력 변수

JSON 출력

항목마다 text, confidence(0~1 소수), 중심 x, y, width, height를 담은 배열입니다.

[
  { "text": "Hello", "confidence": 0.95, "x": 100, "y": 50, "width": 80, "height": 25 },
  { "text": "World", "confidence": 0.88, "x": 190, "y": 50, "width": 70, "height": 25 }
]

라인 트래킹

라인팔로워 로봇을 위한 기능입니다. 바닥의 라인을 감지하여 화면 중심 대비 오프셋, 기울기 각도, 라인 벡터를 제공하므로 이 값으로 조향을 보정합니다.

명령

설정

출력 변수

라인이 감지되지 않으면 감지 결과가 거짓이 되고 나머지 숫자 값은 0으로 기록됩니다.

JSON 출력

배열이 아니라 객체 하나입니다. offset_x와 line_width는 위 표와 같이 비율 값입니다.

{
  "detected": true,
  "offset_x": 0.15,
  "angle": 12.5,
  "line_width": 0.06,
  "vector_x0": 100,
  "vector_y0": 200,
  "vector_x1": 540,
  "vector_y1": 210
}

라인 크로싱 카운터

카메라 프리뷰 위에 그린 가상의 선을 넘는 사람의 입장·퇴장 수를 자동으로 셉니다. 출입구 방문자 집계, 매장 이용객 계수에 활용합니다.

명령

설정

출력 변수

JSON 출력

tracks에는 추적 중인 사람마다 추적 ID, 클래스, 중심 x·y, 크기 w·h, 통과 방향 direction(in 또는 out), 통과 여부 crossed가 들어갑니다.

{
  "in_count": 5,
  "out_count": 3,
  "current_count": 2,
  "tracks": [
    { "id": 1, "class": "person", "x": 320, "y": 240, "w": 80, "h": 200, "direction": "in", "crossed": true }
  ]
}

화재 감지

카메라 영상에서 불꽃을 실시간으로 감지합니다. 화재 확률이 임계값을 넘으면 참이 되는 디지털 변수로 경보음, 알림 전송, 설비 정지와 같은 자동 대응 로직을 구성합니다.

명령

설정

출력 변수

이 타입에는 JSON 출력이 없습니다. 분석기의 모드 항목은 값에 관계없이 같은 모델로 동작합니다.

동작 인식

사람이 하고 있는 행동을 400가지 동작 카테고리(걷기, 뛰기, 앉기, 박수치기, 요리하기 등) 중에서 인식합니다. 낙상 감지, 운동 자세 확인, 행동 분석에 활용합니다.

명령

설정

출력 변수

JSON 출력

결과마다 label, confidence(0~100), 모델 클래스 번호 index를 담은 배열이며 확률이 높은 순서입니다.

[
  { "label": "walking", "confidence": 85, "index": 0 },
  { "label": "running", "confidence": 10, "index": 1 }
]

400가지 동작의 전체 목록은 Kinetics-400 데이터셋의 공식 라벨 목록(github.com/cvdfoundation/kinetics-dataset)을 참고합니다.

손동작 인식

카메라 앞에서 취하는 25가지 손동작(스와이프, 엄지 들기, 정지 신호 등)을 인식합니다. 비접촉 제스처 제어, 게임 입력에 활용합니다. 손 추적의 제스처 인식이 한 장면의 손 모양을 분류하는 것과 달리, 손동작 인식은 시간에 따른 움직임을 분류합니다.

명령

설정

출력 변수

JSON 출력

결과마다 label, confidence(0~100), 모델 클래스 번호 index를 담은 배열이며 확률이 높은 순서입니다.

[
  { "label": "Swiping Left", "confidence": 85, "index": 0 },
  { "label": "Thumb Up", "confidence": 10, "index": 1 }
]

번호판 인식

카메라 영상에서 차량 번호판을 실시간으로 감지하고 문자를 읽습니다. 번호판 모델은 분석기 설정의 지역에서 라틴 (EU/US/남미)(기본) 또는 한국을 고릅니다.

• 여러 프레임의 결과를 다수결로 보정하여 한 프레임의 오인식을 자동으로 바로잡습니다.
• 최소 신뢰도 필터로 잡음 결과를 제거합니다.

명령

설정

출력 변수

JSON 출력

번호판마다 text, region, confidence(문자 인식 신뢰도 0~100), 번호판 검출 단계의 점수 det_score, 중심 x, y, width, height를 담은 배열입니다.

[
  { "text": "ABC1234", "region": "Argentina", "confidence": 92, "det_score": 0.97, "x": 320, "y": 240, "width": 120, "height": 40 }
]

Teachable Machine 분류

Google Teachable Machine 으로 학습한 이미지 분류 모델로 카메라 영상을 분류합니다. 모델은 분석기 설정에서 올립니다. 모델 파일 (.tflite)은 TensorFlow Lite 형식의 224×224 RGB 모델만 지원하며 Floating Point 또는 Quantized 타입을 고릅니다. 레이블 파일은 모델과 함께 내보내지는 labels.txt 로, 각 줄에 클래스 이름이 순서대로 들어 있습니다. 모델을 만드는 절차는 부록 B 외부 서비스 준비를 참고합니다.

명령

설정

출력 변수

JSON 출력

클래스마다 label과 confidence(0~100)를 담은 배열이며 확률이 높은 순서입니다.

[
  { "label": "apple", "confidence": 92 },
  { "label": "banana", "confidence": 6 },
  { "label": "orange", "confidence": 2 }
]

Edge Impulse 분류

Edge Impulse 로 학습한 분류 모델로 이미지 또는 소리를 분류합니다. 비디오 분석기와 오디오 분석기 양쪽에서 같은 명령과 항목을 쓰며, 모델은 분석기 설정의 모델 파일 (.eim)에 Edge Impulse Studio 에서 내보낸 .eim 파일을 올립니다. 모델을 만드는 절차는 부록 B 외부 서비스 준비를 참고합니다.

명령

설정

출력 변수

JSON 출력

클래스마다 label과 confidence(0~100)를 담은 배열이며 확률이 높은 순서입니다.

[
  { "label": "normal", "confidence": 89 },
  { "label": "defective", "confidence": 11 }
]

Edge Impulse 객체 감지

Edge Impulse 로 학습한 객체 감지 모델로 카메라 영상에서 객체를 감지합니다. 모델은 분석기 설정의 모델 파일 (.eim)에 올립니다.

명령

감지 영역을 지정하면 그 영역 안의 객체만 대상으로 합니다.

설정

출력 변수

JSON 출력

객체마다 label, confidence(0~100), 상자의 왼쪽 위 x, y, width, height를 담은 평면 배열입니다. 내장 객체 감지와 달리 bbox·center 중첩 객체가 없고 x, y가 중심이 아닌 점에 주의합니다.

[
  { "label": "person", "confidence": 87, "x": 100, "y": 50, "width": 200, "height": 350 },
  { "label": "car", "confidence": 75, "x": 400, "y": 200, "width": 150, "height": 100 }
]

Edge Impulse 이상 탐지

Edge Impulse 로 학습한 시각적 이상 탐지(Visual Anomaly) 모델로 정상과 비정상 상태를 판별합니다. 화면을 격자로 나누어 셀마다 이상 점수를 매기고, 전체의 평균과 최대 점수를 제공합니다. 모델은 분석기 설정의 모델 파일 (.eim)에 올립니다.

명령

설정

출력 변수

JSON 출력

배열이 아니라 객체 하나입니다. grid의 각 셀은 위치 x, y, 크기 width, height, 이상 점수 value(0~100)를 가집니다.

{
  "mean": 45,
  "max": 78,
  "grid": [
    { "x": 0, "y": 0, "width": 32, "height": 32, "value": 12 },
    { "x": 32, "y": 0, "width": 32, "height": 32, "value": 67 },
    { "x": 64, "y": 0, "width": 32, "height": 32, "value": 78 }
  ]
}

소리 분류

오디오 분석기의 타입입니다. 마이크 입력(또는 스피커 출력)의 소리를 Google YAMNet 모델이 학습한 AudioSet 의 521가지 범주(사람 목소리, 음악, 개 짖는 소리, 알람, 유리 깨지는 소리, 비명, 자동차 경적 등) 중에서 분류합니다. 이상 소리 감지, 환경음 분석에 활용합니다. 소리의 입력원은 분석기 설정의 오디오 소스에서 마이크 (입력) 또는 스피커 (출력)로 고릅니다.

명령

설정

출력 변수

JSON 출력

결과마다 label과 confidence(0~100)를 담은 배열이며 확률이 높은 순서입니다. 동작 인식·손동작 인식과 달리 index 항목이 없습니다.

[
  { "label": "Speech", "confidence": 85 },
  { "label": "Music", "confidence": 10 }
]

521가지 범주의 전체 목록은 YAMNet 의 공식 클래스 표(yamnet_class_map.csv)를 참고합니다.

Edge Impulse 분류 (오디오)

오디오 분석기의 AI 모델에서 Edge Impulse 분류를 고르면 Edge Impulse 로 학습한 오디오 분류 모델로 소리를 인식하고 분류합니다. 명령, 설정, 출력 변수, JSON 형식은 Edge Impulse 분류와 같습니다.

• 모델은 분석기 설정의 모델 파일 (.eim)에 올리고, 입력원은 오디오 소스에서 마이크 또는 스피커로 고릅니다.
• 분석 추가 뒤에 분석 시작 명령을 실행해야 결과가 기록됩니다.