🏆30분
도전 과제: 제조 이미지 전처리 파이프라인 구축
Day 1: 제조 비전 AI 개요 & OpenCV 기초
도전 과제: 제조 이미지 전처리 파이프라인 구축
비전 AI 외관검사 > Day 1: 제조 비전 AI 개요 & OpenCV 기초
학습 목표
- 다양한 전처리 조합을 실험하여 최적의 파이프라인을 찾는다
- 전처리 전후의 결함 검출 성능을 비교한다
도전 과제: 최적 전처리 파이프라인 찾기
미션
제공된 샘플 이미지(또는 직접 생성한 이미지)에 대해 다양한 전처리 조합을 실험하고 최적의 파이프라인을 찾으세요.
실험 항목
| 단계 | 옵션 A | 옵션 B | 옵션 C |
|---|---|---|---|
| 노이즈 제거 | Gaussian(3x3) | Bilateral | NLMeans |
| 대비 향상 | CLAHE(2.0) | CLAHE(4.0) | Histogram EQ |
| 이진화 | Otsu | Adaptive | 고정 임계값 |
| 모폴로지 | Open(3x3) | Close(3x3) | Close(5x5) |
평가 기준
결함 검출 성능 평가:
1. 검출된 결함 후보 수 (contour 개수)
2. 과검출 수 (정상 영역이 결함으로 검출된 수)
3. 미검출 수 (알려진 결함이 검출되지 않은 수)
4. 처리 시간 (ms)제출물
- 실험 결과 표 (최소 6개 조합)
- 최적 파이프라인 코드
- 전처리 전후 비교 이미지
- 결론 및 근거 (어떤 조합이 왜 최적인지)
AI로 학습하기 — 꿀팁
제조 이미지 전처리 파이프라인 설계 검토AI 학습 팁
외관검사 카메라 이미지의 전처리 파이프라인을 설계했다면, AI에게 조명 변화·노이즈 유형별 전처리 전략의 적합성을 검토받으세요.
자동차 부품 외관검사 라인의 이미지 전처리 파이프라인을 설계했습니다. 다음을 검토해 주세요: 1) 형광등·LED 혼합 조명 환경에서 일관된 명암 처리를 위한 전처리 순서 (CLAHE vs 글로벌 히스토그램 평활화 선택 기준), 2) 고속 라인(분당 200개)에서 OpenCV 처리 레이턴시를 50ms 이하로 유지하는 최적화 방법, 3) 스크래치(선형 결함)와 기포(원형 결함) 두 유형에 각각 적합한 전처리 필터 조합, 4) 전처리 결과를 딥러닝 모델 입력 전 정규화(Normalize) 할 때 제조 이미지에 맞는 mean/std 값 추정 방법. 파이프라인 코드를 공유하면 구체적인 개선 제안을 해주세요: [현재 파이프라인 설명]
이 팁이 도움이 됐나요?