이미지 처리, 컴퓨터 비전 및 머신 비전 탐구

AI는 모든 종류의 데이터를 분석하는 데 사용될 수 있으며, 이미지 및 비디오와 같은 시각적 데이터의 경우 이는 다양한 기술을 포함하는 이미지 분석의 영역에 속합니다. 이미지 처리, computer vision, 그리고 machine vision은 컴퓨터가 이미지와 비디오 프레임을 분석하여 세상을 보고 이해할 수 있도록 합니다. 이 세 가지 기술은 비슷해 보이지만, 다양한 애플리케이션에 유용하게 만드는 핵심적인 차이점이 있습니다. 이미지 처리는 이미지와 비디오 프레임을 조작하고 향상시키는 데 초점을 맞추는 반면, computer vision은 이러한 processed images를 사용하여 컴퓨터가 콘텐츠를 해석하고 이해하도록 돕는 단계로 나아갑니다. 반면 machine vision은 computer vision techniques을 inspections and quality control 작업과 같은 산업 현장에 특별히 적용합니다.

Fig 1. 시각적 데이터를 분석하는 데 사용되는 핵심 기술.

이 세 가지 분야는 healthcare, manufacturing, agriculture 등 다양한 산업 전반에서 다양한 애플리케이션을 가능하게 합니다. 이 글에서는 이미지 처리, computer vision, machine vision을 살펴보고 그 차이점에 대해 논의합니다. 또한 이들이 어떻게 작동하며 다양한 산업에서 어떻게 사용되는지 살펴보겠습니다. 시작하겠습니다.

이미지 처리란 무엇인가요?#

컴퓨터 비전과 머신 비전의 근간이 되는 기본 기술인 이미지 처리부터 시작하겠습니다. 이미지 처리는 알고리즘을 사용하여 디지털 이미지를 조작하고 향상하며, 밝기, 대비, 색상 균형과 같은 매개변수를 조정하거나 노이즈를 필터링하여 보다 정교한 분석과 해석을 준비하는 작업을 포함합니다.

작동 방식을 살펴보겠습니다. 이미지 처리는 이미지를 개별 픽셀로 분해한 다음, 이러한 픽셀을 조작하여 원하는 효과를 얻는 방식으로 수행됩니다. 예를 들어 이미지를 더 밝게 만들기 위해 알고리즘은 각 픽셀의 강도를 높일 수 있습니다. 마찬가지로, 에지를 감지하기 위해 픽셀 값의 급격한 변화를 찾을 수 있습니다. 이러한 픽셀에 수학적 연산과 알고리즘을 적용함으로써 이미지 처리는 이미지 품질을 향상하거나, 정보를 추출하거나, 새로운 이미지를 만드는 데 사용될 수 있습니다.

이미지 처리 기법은 데이터 처리와 선명하고 고품질의 이미지를 가진 시각적 데이터셋 생성에도 필수적이며, computer vision 및 머신 비전 시스템이 이를 정확하게 분석할 수 있도록 돕습니다. OpenCV 및 MATLAB과 같은 라이브러리는 다양한 분야의 개발자와 연구자가 이러한 이미지 처리 기법에 쉽게 접근할 수 있는 강력한 프레임워크를 제공합니다.

대중적인 이미지 처리 기술은 다음과 같습니다.

• 필터링: 필터링은 변동과 왜곡을 부드럽게 하여 이미지의 노이즈 수준을 줄이는 데 적용됩니다. 일반적인 필터에는 blurring을 위한 가우시안 필터와 무작위의 흰색 및 검은색 픽셀로 나타나는 솝앤페퍼(salt-and-pepper) 노이즈를 제거하기 위한 미디언 필터가 포함됩니다.
• 엣지 검출: 픽셀 강도의 급격한 변화를 감지하여 이미지 내 객체의 경계를 식별하는 데 사용됩니다. medical imaging 같은 애플리케이션에서는 엣지 검출을 사용하여 장기 and 종양의 구조를 외곽선으로 표시합니다.
• 임계값 처리(Thresholding): 이미지 처리에서 임계값 처리는 임계값을 설정하여 그레이스케일 이미지를 이진 이미지로 변환하는 것을 포함합니다. 임계값보다 높은 픽셀은 흰색(1)으로, 낮은 픽셀은 검은색(0)으로 바뀝니다.

Fig 2. 임계값 처리 전후의 그레이스케일 이미지.

이미지 처리 애플리케이션 탐구#

Image restoration은 이미지 처리 애플리케이션의 훌륭한 예입니다. 이는 시간이 지남에 따라 손상된 이미지를 복구하는 과정을 포함합니다. 필터링 및 노이즈 감소와 같은 기법을 사용하여 자국, 긁힘, 얼룩, 마모를 제거하고 손상된 이미지를 원래 품질로 복원합니다. 이미지 복원은 오래된 사진처럼 이미지가 저렴하거나 손상된 상황에서 특히 유용합니다.

Fig 3. 이미지 처리는 오래된 손상된 이미지를 복원하는 데 사용할 수 있습니다.

컴퓨터 비전이란 무엇인가요?#

이미지를 변경하고 향상하는 데 중점을 두는 이미지 처리와 달리, 컴퓨터 비전은 컴퓨터에 현실 세계를 보고 이해하는 능력을 부여합니다. 많은 애플리케이션이 컴퓨터 비전을 사용하여 이미지나 비디오 프레임 속의 객체와 사람을 식별하고 이해합니다. 이는 인간의 시각을 복제하며 우리가 주변을 보며 사물을 이해하는 방식을 모방하고자 합니다.

컴퓨터 비전은 surveillance 같은 작업을 자동화하는 데 사용할 수 있습니다. 또한 facial recognition, medical imaging, autonomous vehicles과 같은 다양한 실용적 애플리케이션을 가지고 있습니다. 컴퓨터 비전 모델은 대규모 image datasets에서 복잡한 특징과 패턴을 추출하고 식별하기 위해 딥러닝 기법을 사용하여 학습됩니다. 그런 다음 다양한 산업에서는 Ultralytics YOLOv8과 같은 학습된 모델을 object detection 및 object tracking과 같은 다양한 작업에 사용합니다.

Fig 4. object detection을 위해 Ultralytics YOLOv8을 사용하는 예시.

예를 들어, 테슬라와 같은 self-driving cars는 실제 도로를 주행하기 위해 컴퓨터 비전을 사용합니다. 자동차의 온보드 카메라가 포착한 영상은 컴퓨터 비전을 사용하여 처리됩니다. object detection, tracking, segmentation과 같은 컴퓨터 비전 작업은 understanding traffic 상황과 주변 환경을 파악하는 데 매우 중요합니다. 또 다른 흥미로운 애플리케이션은 안면 인식입니다. 컴퓨터 비전은 image 또는 video에서 사람의 얼굴을 캡처하고, 주요 특징을 식별하며, 이를 저장된 안면 데이터베이스와 비교함으로써 이미지 내의 얼굴 특징을 분석하고 인식하는 데 사용할 수 있습니다.

머신 비전이란 무엇인가요?#

Machine vision is used in industrial settings은 대규모 제조 공장이나 생산 시설에서 제품 품질 보장, 완성된 제품의 라벨 및 바코드 정확성 확인 등의 애플리케이션을 위해 사용됩니다. Machine vision은 가혹한 조건에서도 효과적으로 작동하기 위해 내구성 있는 하드웨어에 의존하는 컴퓨터 비전의 특화된 분야입니다. 이러한 시스템은 산업용 애플리케이션과 통합되어 있으므로 고속 처리와 실시간 정확도가 필수적입니다.

작동 원리를 살펴보겠습니다. 먼저 하나 이상의 고해상도 카메라를 사용하여 데이터를 수집합니다. 이러한 카메라는 적외선 또는 thermal imaging과 같은 특수 기능을 포함할 수도 있습니다. 그런 다음 컴퓨터 비전 기법을 사용하여 collected data를 분석하여 필요한 정보를 추출합니다. 추출되는 정보는 일반적으로 특정 애플리케이션에 따라 객체 식별, 모양, 크기, 움직임, 패턴, 그리고 장면에 존재하는 이상 징후 등의 세부 정보를 포함합니다.

머신 비전의 애플리케이션 이해#

manufacturing production 라인에서의 품질 관리는 고품질의 제품만이 고객에게 도달하도록 보장하여 고객 만족도를 높이고 이익을 증대시킵니다. 전통적인 방법은 종종 수동 검사에 의존하는데, 이는 시간이 많이 소요되고 인적 오류가 발생하기 쉽습니다. 저조한 품질 도모는 또한 생산 지연 및 재정적 손실로 이어져 기업의 평판에 영향을 미칠 수 있습니다. 훌륭한 해결책은 머신 비전의 도움을 받아 표면 검사, 라벨 검증, 객체 위치 지정과 같은 작업을 자동화하는 것입니다.

예를 들어 pharmaceutical industry에서는 제품 품질이 매우 중요하며, 높은 기준을 유지하기 위해 엄격한 규정이 시행됩니다. 머신 비전을 사용하여 블리스터 팩(blister pack)에 올바른 수의 알약이 들어 있는지 확인하고, 10개 팩에 정확히 10개의 알약이 들어 있는 것과 같이 각 팩에 올바른 수량이 있는지 검증할 수 있습니다. YOLOv8과 같은 컴퓨터 비전 모델을 사용하여 count the pills using object detection을 수행할 수 있습니다.

Fig 5. 머신 비전은 제약 산업의 품질 관리에 사용될 수 있습니다.

그러나 머신 비전으로 작업을 수행할 때 고려해야 할 몇 가지 한계가 있음을 유의하는 것이 중요합니다. Machine vision 시스템은 산업 환경에서 제품을 illuminate하기 위해 종종 우수한 조명 조건을 필요로 합니다. 데이터를 캡처하고 분석 프로세스를 가속화하기 위해 고품질 카메라, processors, and hardware accelerators도 필요합니다. 이러한 시스템이 산업 환경 내의 실용적인 작업을 위해 특별히 설계되었다는 직접적인 결과로, 구축 비용이 많이 들 수 있습니다.

이미지 처리, 컴퓨터 비전, 머신 비전의 주요 차이점#

이제 세 가지 기술을 개별적으로 논의하고 몇 가지 애플리케이션을 살펴보았으니, 나란히 비교해 보겠습니다.

Fig 6. 이미지 처리, 컴퓨터 비전, 머신 비전의 나란한 비교.

이미지 처리는 적은 연산 전력을 필요로 하고 복잡한 시각 정보를 이해할 능력이 필요 없는 밝기 조절이나 노이즈 필터링 같은 작업에 가장 적합합니다. 반면, 컴퓨터 비전은 이미지에서 의미 있는 통계를 추출하고 복잡한 장면을 처리하는 데 탁월하지만, 더 많은 연산 자원과 복잡성을 요구합니다. 한편, machine vision은 자동 검사와 같은 산업 용도에 맞게 최적화되어 있으며, 종종 전문적이고 비용이 많이 드는 시스템의 지원을 받습니다.

더 큰 그림 보기#

이미지 처리, 컴퓨터 비전, 머신 비전은 밀접하게 관련되어 있지만 각각 뚜렷한 목적을 가지고 있습니다. 이미지 처리는 픽셀 수준에서 이미지를 향상하고 조작하며, 이미지 재구성과 같은 작업에 매우 유용합니다.

반면 컴퓨터 비전은 컴퓨터가 시각 데이터를 이해하고 파악할 수 있는 능력을 부여함으로써 한 걸음 더 나아갑니다. 이는 안면 인식이나 자율 주행 자동차와 같은 사용 사례에 매우 중요합니다. 또한 머신 비전은 특히 산업용 애플리케이션에 사용됩니다. 이는 검사 및 품질 관리와 같은 산업 프로세스를 자동화합니다.

이러한 기술과 그 차이점을 이해하면 애플리케이션에 가장 적합한 기술을 선택하여 효율성을 높이고 더 나은 결과를 얻을 수 있습니다.

함께 배우고 탐구해 보세요! AI에 대한 당사의 기여를 보려면 GitHub repository를 확인하시고, 당사의 community에도 참여하는 것을 잊지 마세요. 최첨단 AI 기술로 manufacturing 및 healthcare 같은 산업을 어떻게 재정의하고 있는지 확인해 보세요.