ABSTRACT
Due to the high risks of manual labor in the steel industry, there is a growing demand for robot-based solutions to replace traditional manpower. Steel companies aim to reduce on-site personnel, minimize accidents, and enhance productivity. This study develops a robotic system to monitor conveyors in ironmaking and detect potential bearing failures. Rollers on belt conveyors contain bearings that emit abnormal noise when worn or damaged. Traditional manual inspection requires workers to approach each roller and listen directly, posing safety risks and inefficiencies. The proposed system detects faulty bearings more quickly and accurately by localizing abnormal sounds. The system comprises a manipulator with a microphone on its end-effector. The microphone collects sound along the conveyor as the manipulator moves to detect noise sources. Once an abnormal bearing is located, faster and more accurate maintenance becomes possible. This robotbased inspection method improves safety, inspection speed, and productivity.
-
KEYWORDS: Bearing, Manipulator, Inspection, Failure diagnosis, Belt conveyor
-
KEYWORDS: 베어링, 매니퓰레이터, 검사, 고장 진단, 벨트 컨베이어
1. 서론
철강산업은 대형 설비가 유기적으로 연결된 연속 제조 공정으로 운영되며, 제선–제강–연주–압연–후처리–출하 단계가 상호 의존적으로 구성된다. 이 중 한 공정의 설비 고장은 전체 라인의 중단으로 이어져 생산성 저하와 품질 불안정성을 초래한다. 특히 제선 공정의 입측부 벨트 컨베이어와 롤러는 연속 장입을 담당하는 핵심 설비로서, 이들의 파손이나 이상은 원료 투입 흐름을 차단하여 후속 공정의 생산성을 심각하게 저하시킨다. 따라서 설비 건전성을 사전에 확보하고 돌발 정지를 예방하기 위한 기술적 수단이 필수적이다. 기존의 예방정비 및 점검은 주로 작업자가 고열·고분진·가스 등이 발생하는 극한 환경 속에 직접 투입되어 수행해 왔다. 그러나 이 방식은 작업자 안전사고 위험 증가, 점검 시 라인 정지에 따른 생산성 하락, 점검 결과의 비정형성으로 인한 신뢰도 저하 등의 한계를 갖는다[
1]. 이와 같은 문제를 극복하기 위해서는 설비를 상시 모니터링하여 작업자 개입을 최소화하고, 라인을 중단하지 않는 방식으로 설비 상태를 진단·예측할 수 있는 예지보전 시스템이 필요하다. 최근에는 설비 이상 진단을 위해 열화상 기반 분석, 진동 신호 기반 분석, 음향 기반 진단 기술이 활발히 연구되고 있다. 특히 음향 기반 방식은 비접촉 방식으로 설비 상태를 진단할 수 있으며, 작업자의 접근이 어려운 환경에서도 적용 가능하다는 장점을 가진다. 이에 따라 본 연구에서는 제선 공정을 대상으로 벨트 컨베이어와 롤러의 상태를 실시간으로 감시하고 이상 징후를 조기에 탐지할 수 있는 예지보전 시스템을 제안한다. 제안하는 시스템은 산업 현장에서 발생하는 다양한 잡음 조건을 고려하여 음향 기반 신호 처리와 방향 추정 기법을 결합한 것으로, 작업자 안전을 확보하고 생산 라인의 연속성을 유지함으로써, 철강산업의 핵심 과제인 설비 안정성·생산성·안전성을 동시에 달성할 수 있는 기술적 기반을 마련하고자 한다.
2. 시스템 구성
2.1 시스템 개요
제선 공정 입측부의 예지보전을 위해서는 먼저 설비 내에서 점검이 요구되는 구역을 파악하고, 이후 해당 구역을 세부적으로 점검하여 실제 이상 발생 위치를 찾아내는 단계적 접근이 필요하다.
Fig. 1은 이러한 과정을 개략적으로 보여주며,
Fig. 1(a)는 컨베이어 설비 전체를 대상으로 한 이상 구역 확인을,
Fig. 1(b)는 특정된 구역 내에서의 세부 감지를 각각 나타낸다.
먼저,
Fig. 1(a)에서와 같이 컨베이어 전 구간을 대상으로 열화상 및 음향 신호를 활용하여 고온 구역이나 충격음 발생 지점을 추정함으로써 점검이 필요한 이상 구역을 확인할 수 있다. 이는 점검 대상을 좁혀 효율적인 후속 진단이 가능하도록 하는 전처리 단계라 할 수 있다. 이어서,
Fig. 1(b)에서와 같이 특정된 구역 내 롤러를 영상 기반으로 인식한 뒤, 롤러의 베어링을 대상으로 음향 데이터를 수집하고 분석하여 이상 소음이 발생하는 방향을 추정한다.
Fig. 2는 본 연구에서 제안하는 이상 베어링 탐지 시스템의 간단한 모식도이다. 컨베이어 벨트 하부에는 다수의 롤러가 배치되어 있으며, 각 롤러는 양단의 베어링을 통해 회전한다. 베어링에 이상이 발생할 경우 회전 시 정상 상태보다 큰 충격음이 발생하는데, 본 연구에서는 이를 로봇 기반 감시 시스템으로 탐지하고자 하였다. 이 시스템은 넓은 컨베이어 설비를 따라 이동할 수 있도록 이동형 차체 위에 매니퓰레이터를 장착한 형태로 구성되었다. 매니퓰레이터에는 롤러를 인식하기 위한 카메라와 음향을 수집하기 위한 마이크가 탑재되어 있으며, 매니퓰레이터를 이용하여 센서의 위치를 조정할 수 있다.
이러한 구성을 통해 설비 내 특정 이상 구역이 확인되면, 해당 구역 내 롤러를 카메라로 탐지한 뒤, 롤러 중심축과 마이크 중심을 정렬하여 점검을 수행한다[
2,
3]. 이후 마이크 중심을 롤러 길이 방향으로 이동시키면서 음향을 수집하고, 위치 변화에 따른 음향 특성을 분석함으로써 이상 소음이 발생하는 베어링의 방향을 추정한다.
Fig. 3에서 카메라와 마이크의 배치를 더욱 자세하게 확인할 수 있다. 마이크는 대각선 길이가 300 mm인 사각형 형태로 배치되었으며, 중앙부에 카메라가 위치한다[
4]. 이와 같은 배열을 통해 롤러 중심과 마이크 중심을 정렬한 상태에서 마이크를 상·하·좌·우 방향으로 이동시키며 음향을 수집할 수 있다. 각 방향에서 얻어진 음향 데이터를 비교·분석함으로써, 이상 소음이 발생하는 베어링의 위치와 방향을 효과적으로 추정할 수 있다. 따라서 본 시스템은 영상 기반의 롤러 인식과 마이크 어레이 기반의 음향 분석을 결합하여, 컨베이어 설비 내 이상 베어링을 정밀하게 탐지할 수 있다.
3. 베어링 고장 진단 알고리즘
3.1 영상 기반 롤러 인식
컨베이어 설비의 롤러를 인식하기 위해 영상 기반 학습을 수행하였다.
Fig. 4와 같이 컨베이어 하단에 위치한 롤러를 다양한 각도에서 촬영하였으며, 촬영된 영상을 프레임 단위로 분할하여 이미지를 추출하였다. 이후 롤러 영역을 라벨링하여 데이터셋을 구축하였고, 전체 데이터셋은 Train:Validation:Test = 0.8 : 0.1 : 0.1의 비율로 분할하였다. 학습 데이터의 다양성을 확보하기 위해 Train(학습) 데이터셋에 기하학적 변환(회전, 크롭, 전단 변환)과 광학적 변환(HSV, 밝기 조절, 노이즈 및 블러)을 적용하여 3,154장으로 증강하였으며 검증 및 테스트 데이터셋은 원본 이미지만을 사용하였다. 롤러 인식 모델은 YOLOv8을 이용해 학습하였다[
5].
테스트에는 총 77장의 이미지가 사용되었으며,
Fig. 5에서와 같이 롤러가 안정적으로 검출되는 것을 확인할 수 있었다. 정량적 성능 평가 결과, 검출된 롤러의 평균 신뢰도(Average Confidence Score)는 약 0.70으로 나타났으며, 검출 임곗값 0.3을 적용하였을 때 모든 테스트 이미지에서 롤러가 인식되어 인식 성공률(Recall)은 100%를 기록하였다. 이를 통해 제안된 영상 기반 학습이 실제 환경에서 롤러를 안정적으로 인식할 수 있음을 검증하였다.
이상 소음을 발생시키는 베어링의 위치를 추정하기 위해, 본 연구에서는 마이크 배열을 이용한 진폭 비대칭 기반 방식을 적용하였다[
6]. 이 방식은 사각형 형태로 배치된 다수의 마이크에서 수집한 음향 신호의 진폭을 비교하여, 비대칭성을 기반으로 소음원 방향 벡터를 생성하고 이를 통해 소음원의 방향을 추정하는 방법이다. 예를 들어,
Fig. 6에서와 같이 네 개의 마이크 중 마이크 3과 마이크 4에서 상대적으로 높은 진폭이 검출될 경우, 소음원은 두 마이크 사이의 방향에 존재한다고 판단할 수 있다.
정확한 벡터 생성을 위해 두 가지의 사전 보정 과정이 수행되었다. 첫 번째는 마이크 캘리브레이션 단계이다. 실제 산업 환경에서는 구조물 진동, 주변 설비 소음, 반사음 등 다양한 배경 소음이 존재하므로, 이를 최소화하기 위한 추가적인 신호 처리 과정이 필요하다. 본 연구에서는 마이크 간 감도 차이를 보정하기 위해 무소음 환경에서 기준 진폭을 설정하고 이를 기반으로 캘리브레이션을 수행하였다. 본 연구에 사용된 마이크는 아날로그 방식의 감도 조절기를 사용하므로, 네 개의 마이크를 완전히 동일한 감도로 설정하기 어렵다. 이를 보정하기 위해 주변에 소음원이 없는 정상 상태의 환경에서 기준 진폭을 설정하였다.
i번째 마이크의 기준 진폭
basei는
식(1)과 같이 정의되며, 이때 보정된 신호
xi'n는 원 신호인
xin에서 기준 진폭을 제거한 값으로 나타낼 수 있다[
7]. 이 기준 진폭을 기반으로 베어링의 이상 유무를 판단하는 임곗값이 설정되는데, 본 연구에서는 각 마이크 채널에 대해 주변 소음이 없는 환경에서 일정 시간 동안 신호를 수집하고 평균 진폭을 계산하여 기준값으로 정의하였다. 이후 실제 측정 신호가 해당 기준값을 초과하는 경우를 유효 신호로 판단하였다. 또한 다양한 거리 및 방향 조건에서 반복 실험을 수행하여, 설정된 임곗값이 정상 상태와 이상 상태를 구분할 수 있음을 확인하였다.
두 번째는 노이즈 제거 과정이다. 수집된 신호에는 주변 잡음이 포함될 수 있으므로, 이를 제거하기 위해 Band-pass 필터를 적용하였다. 보정된 신호인
xi'n에 대해 특정 주파수 대역 (
flow,
fhigh)을 통과시키는 필터링을 수행하였으며, 이는
식 (2)로 표현된다. 본 연구에서는 베어링 이상 시 주로 발생하는 진동 및 음향 신호 특성을 고려하여, Band-pass 주파수 대역을 500-1,500 Hz 범위로 설정하였다. 하한 주파수는 저주파 구조 진동 및 배경 잡음을 줄이기 위해 설정하였으며, 상한 주파수는 고주파 센서 노이즈 및 불필요한 성분의 영향을 줄이기 위해 설정하였다. 주파수 대역이 지나치게 넓을 경우 불필요한 잡음 성분이 포함되어 방향 추정 정확도가 저하될 수 있으며, 지나치게 좁을 경우 유효 신호가 감소하여 방향 추정의 안정성이 저하될 수 있으므로 본 연구의 베어링 이상을 구별 가능한 주파수 범위를 반복 실험을 통해 선정하였다. 이후
식(3)에서와 같이 버퍼 길이 M 구간에 대해 필터링된 신호의 평균 진폭을 계산하여
ei로 정의하였다.
ei는 보정 후 신호의 세기를 의미한다[
8,
9].
또한, 일정 임곗값 이하의 신호를 제거하는 Threshold 기반 처리를 적용하여 미세한 배경 소음 성분을 억제하였다. 이러한 다단계 처리 과정은 신호대잡음비를 향상시키고, 방향 벡터 계산에 유효한 신호만을 반영함으로써 방향 추정의 안정성을 향상시키는 데 기여하게 된다.
앞서 설명한 과정을 수행한 후 마이크별 진폭을 계산하고 4개의 마이크에서 측정된 진폭의 비대칭성을 기반으로 방향 벡터를 구성하여 위치를 추정하게 된다. 방향 벡터 계산 시
식(4)를 이용하였다.
4. 이상 소음 위치 추정 테스트
4.1 소음원 방향 추정 테스트
소음원 방향 추정 성능을 검증하기 위하여,
Fig. 7과 같이 마이크 중심을 기준으로 상·하·좌·우(±X, ±Y) 네 방향에 소음원을 배치하고, 각각 200, 300, 400, 500 mm의 거리를 두어 측정하였다. 이때 소음원은 실제 베어링에서 발생하는 이상 소음을 모사하였으며, 각 위치에서 1분 이상 반복 측정하였다.
실험 환경은
Fig. 8에 나타낸 바와 같이 로봇 매니퓰레이터 끝단에 장착된 마이크 어레이와 카메라를 이용하여 구성하였다. 상부(+Y), 하부(–Y), 우측(+X), 좌측(–X) 네 방향에 대해 동일한 실험을 수행하였으며, 구조물 제약으로 인해 로봇이 롤러에 접근할 수 있는 최소 거리는 약 500 mm로 설정하였다. 측정 결과는
Figs. 9-
12에서 확인할 수 있다. +Y 방향에서의 실험 결과(
Fig. 9)는 네 경우 모두 올바르게 +Y 방향을 추정하였으며, 거리가 가까워질수록 검출된 진폭이 증가하는 경향을 보였다. –Y 방향(
Fig. 10)에서도 대부분 정확히 –Y 방향을 추정하였으나, 500 mm 거리에서는 일부 샘플에서 –X 방향으로 잘못 추정되는 사례가 확인되었다. 이는 거리에 따른 신호 감쇠로 인해 추정 정확도가 저하된 것으로 해석할 수 있다. +X 방향의 경우(
Fig. 11)는 거리 감소에 따라 진폭이 점진적으로 증가하며 모든 거리 조건 에서 +X 방향을 추정하였다. –X 방향(
Fig. 12)에서도 네 경우 모두 –X 방향을 추정하는 결과를 확인할 수 있다.
이상의 결과를 종합하면, 제안한 진폭 비대칭 기반 소음원 방향 추정 방식은 ±X 및 ±Y 네 방향에서 대부분 올바른 방향을 추정하는 성능을 보였으며, 특히 소음원 거리가 가까울수록 추정 정확도가 향상됨을 확인하였다.
다만, 거리가 멀어질수록 일부 방향 오차가 발생하는 한계가 나타났으며, 이는 추후 알고리즘을 보완하여 개선할 예정이다.
4.2 벨트 컨베이어 테스트베드 테스트
본 연구에서는
Fig. 13과 같이 실제 제선 공정에서 사용되는 벨트 컨베이어와 유사한 형태의 테스트베드를 구축하여 실험을 수행하였다. 테스트베드 상부에는 컨베이어 벨트가 위치하고, 하부에는 원료 이송을 위한 롤러가 배치되어 있다. 컨베이어 하단부 접근을 위해 이동 플랫폼으로 시저 리프트를 활용하였으며, 리프트 상부에 마이크와 카메라가 장착된 매니퓰레이터를 설치하였다.
Fig. 14와 같이 점검이 필요한 이상 구역이 특정되었다고 가정한 후,
Fig. 15와 같이 해당 구역 내 롤러를 영상 기반으로 인식하여 롤러 길이축 중심과 마이크 중심을 정렬한다. 이후 매니퓰레이터를 롤러 방향으로 접근시킨 뒤, 롤러 길이축을 따라 이동하면서 베어링에서 발생하는 이상 소음을 탐지하였다.
베어링과 마이크 중심까지의 수직 거리는 500 mm이며, 이는 컨베이어 롤러의 길이축과 마이크 어레이 중심축이 직교하도록 배치되었을 때 두 축 사이의 최소 거리를 의미한다. 본 연구에서는 컨베이어 설비를 지지하는 구조물의 공간을 고려하여 수직 거리를 500 mm로 설정하였다. 이 수직 거리를 유지한 채, 롤러 길이 방향으로 움직이며 베어링과 가까워지는 방향을 +Y 방향, 멀어지는 방향을 –Y로 정의하였다. 또한 롤러 길이축과 수직인 방향을 X축으로 정의하여 네 방향에 대한 검증이 가능하도록 하였다. 해당 테스트베드에서는
Fig. 16에서와 같이 +Y 방향으로 베어링과의 거리가 500, 400, 300, 200 mm인 위치에서 음향 수집을 통해 거리별 진폭 크기 및 방향 인식 테스트를 수행하였다.
벨트 컨베이어 테스트베드 환경에서 수행한 실험 결과를
Figs. 17-
19에서 확인할 수 있다. 먼저,
Fig. 17은 베어링과 마이크 중심 사이의 거리를 200, 300, 400, 500 mm로 변화시키며 측정한 진폭 비대칭 그래프를 나타낸 것이다. 네 경우 모두 대부분 +Y 방향으로 추정됨을 확인할 수 있었으며, 앞선 실험과 마찬가지로 소음원과의 거리가 500 mm로 멀어질 경우 추정 정확도가 다소 저하되는 경향이 있음을 확인하였다.
Fig. 18은 거리별 진폭 크기의 변화를 나타낸 그래프로, 소음원과의 거리가 가까워질수록 진폭이 점진적으로 증가하는 경향을 확인하였다. 이러한 결과는 진폭 크기의 상대적인 변화로 소음원과의 거리를 추정하는 데에 활용할 수 있음을 나타낸다.
이러한 위치 추정 방식을 이용하여 거리별 방향 인식 성공률을
Fig. 19에서 확인할 수 있으며, +Y 방향으로 판정된 결과가 평균 98.6%의 정확도를 달성하였음을 확인하였다.
5. 결론
본 연구에서는 4개의 마이크로 구성된 배열을 이용하여 소음원의 방향과 위치를 추정하는 진폭 비대칭 기반 방식을 제안하고, 캘리브레이션 및 필터링 과정을 결합하여 정밀도를 향상시켰다. 실험 결과, 마이크 중심과 소음원 간의 상·하·좌·우 방향 및 거리 조건에서 일관된 방향성을 특정할 수 있음을 확인하였다. 특히, 소음원과의 거리에 따라 진폭 크기가 달라지는 경향을 관찰함으로써, 상대 거리 추정의 가능성도 검증하였다.
이러한 결과는 제안된 방식이 컨베이어 롤러 베어링과 같은 산업 현장의 이상 소음 탐지 및 고장 예측에 활용될 수 있음을 보여준다. 다만 실제 현장의 컨베이어 설비는 본 연구의 테스트 베드보다 규모가 크고 구조가 복잡하며, 다양한 배경 소음이 존재할 것으로 예상된다. 따라서 향후에는 소음원 방향 추정 성능 향상을 위해 주파수 영역 기반 분석 기법을 도입하고자 한다. 작업 공간 활용성이 더 높은 매니퓰레이터를 적용하고, 복잡한 소음 환경에서도 안정적인 성능을 보장할 수 있도록 알고리즘을 보완할 예정이다. FFT (Fast Fourier Transform)를 이용하여 특정 주파수 성분을 선택적으로 분석함으로써 배경 소음과 이상 신호를 효과적으로 분리하고, 신호대잡음비를 향상시킬 수 있을 것으로 기대된다. 또한, 다중 소음원 및 반사음이 존재하는 실제 산업 현장을 고려하여, FFT 기반 필터링과 시공간적 신호 처리 기법을 결합한 보다 강건한 방향 추정 알고리즘으로 확장 할 예정이다. 이를 통해 보다 정확하고 신뢰성 있는 베어링 고장 진단 감시 시스템으로 발전시키고자 한다[
10].
FOOTNOTES
-
ACKNOWLEDGEMENT
이 연구는 2024년도 산업통상자원부 및 산업기술기획평가원(KEIT) 연구비 지원에 의한 연구임(RS-2024-00507783).
Fig. 1Procedure of abnormal area identification and detailed detection
Fig. 2System schematic illustration
Fig. 3Configuration of microphones and camera
Fig. 4Image-based training for roller detection
Fig. 5Result of roller detection
Fig. 6Method for estimating noise source using 4-microphone
Fig. 7Schematic illustration of noise source localization test
Fig. 8Noise source localization test based on direction
Fig. 9Direction estimation results at +Y positions of 4 distances from the microphone center
Fig. 10Direction estimation results at −Y positions of 4 distances from the microphone center
Fig. 11Direction estimation results at +X positions of 4 distances from the microphone center
Fig. 12Direction estimation results at −X positions of 4 distances from the microphone center
Fig. 13Belt conveyor testbed and robotic inspection system
Fig. 14Area assumed to be identified as abnormal
Fig. 15Roller detected in the identified abnormal area
Fig. 16Configuration of the microphone array and measurement positions in the conveyor testbed
Fig. 17Direction estimation results at +Y positions of 4 distances from the microphone center in conveyor testbed
Fig. 18Amplitude by distance of +Y direction in testbed
Fig. 19Success rate of +Y direction in testbed
REFERENCES
- 1. Xie, M., Li, B., Ma, S., Lu, J., Hu, G., Meng, Q., Luo, J., (2024), Research on roller monitoring technology based on distributed fiber optic sensing system, Scientific Reports, 14(1), 10048.
- 2. POSCO Group Newsroom. POSCO Showcases smart safety technologies at the Safety Industry Expo. https://newsroom.posco.com/kr/%ED%8F%AC%EC%8A%A4%EC%BD%94-%EC%95%88%EC%A0%84%EC%82%B0%EC%97%85%EB%B0%95%EB%9E%8C%ED%9A%8C-%EC%84%9C-%EC%8A%A4%EB%A7%88%ED%8A%B8-%EC%95%88%EC%A0%84%EA%B8%B0%EC%88%A0-%EC%A0%84/.
- 3. Yang, X., Tian, L., Chen, F., (2024), Thermal infrared imaging for conveyor roller fault detection in coal mines, PLoS ONE, 19(7), e0307591.
- 4. Gambini, T., Albertini, D., Bernardini, A., (2024), Sound-intensity-based direction of arrival estimation using centro-symmetric sensor arrays, Proceedings of the 32nd European Signal Processing Conference. 266-270.
- 5. Silva, R., Yang, Y., Morier, M., Al-Ali, S., Sermesant, M., (2024), YOUR-Lead: YOLO and U-Net for reconstruction of ECG lead signals, Proceedings of the Computing in Cardiology Conference. 51: 1-4.
- 6. Zetterqvist, G., Gustafsson, F., Hendeby, G., (2023), Using received power in microphone arrays to estimate direction of arrival, Proceedings of the IEEE International Conference on Acoustics, Speech and Signal Processing. 1-5.
- 7. Vanwynsberghe, C., Bouley, S., Antoni, J., (2023), Gain and phase calibration of sensor arrays from ambient noise by cross-spectral measurements fitting, The Journal of the Acoustical Society of America, 153(2), 1319-1330.
- 8. Tokgoz, S., Panahi, I. M., (2021), Robust three-microphone speech source localization using randomized singular value decomposition, IEEE Access, 9, 157800-157811.
- 9. Zhu, K., Jin, T., Xie, S., Liu, Z., Sun, J., (2025), TSNetIQ: HIGH-resolution DOA estimation of UAVs using microphone arrays, Applied Sciences, 15(15), 8734.
- 10. Lim, J., Joo, J., Kim, S. C., (2025), Performance enhancement of drone acoustic source localization through distributed microphone arrays, Sensors, 25(6), (1928.
Biography
- Seolha Kim
Researcher at the Manufacturing AI Autonomy Research Team, Manufacturing AX Robotics Research Group, Korea Institute of Robotics & Technology Convergence (KIRO), Republic of Korea. Her research interest is robot control.
- Han-Gyeol Kim
Senior Researcher at the Manufacturing Humanoid Integration Research Team, Manufacturing AX Robotics Research Group, Korea Institute of Robotics & Technology Convergence (KIRO), Republic of Korea. His research interest is AI based robot control.
- WooHyeon Ahn
Researcher at the Manufacturing AI Autonomy Research Team, Manufacturing AX Robotics Research Group, Korea Institute of Robotics & Technology Convergence (KIRO), Republic of Korea. His research interest is manipulator control.
- NamKi Kim
Researcher at the Manufacturing AI Autonomy Research Team, Manufacturing AX Robotics Research Group, Korea Institute of Robotics & Technology Convergence (KIRO), Republic of Korea. His research interest is robot vision.
- Jonghwan Baek
Senior Researcher at the Manufacturing Humanoid Integration Research Team, Manufacturing AX Robotics Research Group, Korea Institute of Robotics & Technology Convergence (KIRO), Republic of Korea. His research focuses on the fields of image processing and signal processing.
- Jaeyoul Lee
He is currently serving as the Head and Chief Researcher of the Manufacturing AX Robotics Research Group at the Korea Institute of Robotics and Technology Convergence (KIRO). His current research interests include humanoid systems, AX conversion research for humanoid utilization tasks that transfers human expertise to robots.
