딥러닝을 사용해 다른 이미지 처리 알고리즘을 대체할 수 있나요?

딥러닝 기술의 등장으로 최근 시각영상처리가 대중화되면서 다양한 분야에서 폭넓게 활용되고 있는 실무자가 많이 등장했습니다. 그러나 많은 사람들은 딥러닝만 사용하고 전통적인 이미지 처리 알고리즘이 구식이라고 생각합니다. 이미지 처리가 너무 보편화되어 기존 알고리즘은 시대에 뒤떨어지고 임계값이 매우 낮아 누구나 사용할 수 있다는 말을 누군가가 말한 적이 있습니다. 솔직히 그런 말을 들으면 정말 말문이 막힐 때가 있어요

오늘은 시간이 좀 있어서 이 문제에 대해 얘기하고 싶어요. 먼저, 영상처리는 주로 어떤 용도로 사용되는지 분석해 보겠습니다. 어떤 산업에서 이미지 처리가 사용되든 그 주요 기능에는 식별, 분류, 위치 지정, 감지, 크기 측정 및 시각적 안내가 포함됩니다. 일부 사람들은 딥 러닝이 기존 이미지 처리 기술을 대체했다고 말하기 때문에 오늘은 예를 들어 보겠습니다. 딥러닝의 적용을 알아보기 위해 구체적인 사례를 살펴보겠습니다. 동시에, 전통적인 영상 처리 기술이 여전히 유효한지 살펴보아야 합니다. 먼저 위에서 언급한 시각의 주요 기능이 무엇인지 간략하게 소개하겠습니다. 식별과 분류 사이에는 일정한 연관성이 있습니다. 얼굴인식, 번호판 인식, 문자인식, 바코드/QR코드 인식, 상품 카테고리 인식, 과일 인식 등은 모두 이미지 인식 기술로, 인식이 완료된 후 인식 결과를 직접 알려주는 경우도 있고, 분류를 요구하는 경우도 있습니다. . 예를 들어, 혼합 생산 라인에서 식별된 제품은 분류 및 포장이 필요합니다

중국어로 다시 작성: 포지셔닝 방법에는 여러 가지가 있습니다. 때로는 목표 위치를 대략적으로 알아야 할 때도 있고, 로봇이 자동으로 잡을 수 있도록 정확한 포지셔닝이 필요한 경우도 있습니다. 검출 방법에는 표적 검출과 결함 검출이 있습니다. 타겟 감지는 일반적으로 장면에 타겟이 존재하는지 여부만 알아야 하는 반면, 결함 감지는 결함 존재 여부를 감지할 뿐만 아니라 결함의 크기와 범주도 결정해야 합니다. 즉, 크기 측정의 목표는 매우 명확합니다. , 대상 개체의 특정 크기가 요구 사항을 충족하는지 시각적으로 감지합니다. 시각적 안내는 로봇의 자동 잡기와 결합되어 로봇이 움직일 때 대상이 떨어지는 것을 방지하기 위해 대상 위치를 정확하게 찾고 잡기의 특정 위치를 결정해야 합니다. 아래에 몇 가지 구체적인 사례를 나열하겠습니다. 이를 달성하기 위해 딥 러닝을 사용할 수 있습니다. 해당 이미지는 회사에서 공개를 원하지 않기 때문에 아래 사진은 일부만 캡쳐한 것으로 구체적인 내용을 확인할 수 없습니다

다음 예시는 모두 회사의 실제 요구사항이며, 이미지도 촬영되었습니다 현장에서. 먼저 간단한 문자 인식 사례를 살펴보겠습니다. 이 경우의 요구사항은 초당 20개의 문자를 처리해야 하며, 예산은 100개 생산라인에 200만 위안이 필요하다. 해야 할 것 같나요, 하지 말아야 할 것 같나요? 200만 위안은 이미 큰 돈이지만, 각 비전 시스템의 비용은 20,000위안밖에 되지 않습니다. 수익성이 있을까요? 게다가 호스트 컴퓨터가 잘못된 문자를 인식하면 자동으로 제거해야 합니다

간단한 분석에 따르면 초당 20개의 제품을 감지할 수 있으며, 이는 각 제품이 50밀리초 이내에 완료되어야 함을 의미합니다. 동시에 호스트 컴퓨터는 신호의 안정성을 보장하기 위해 거부 메커니즘에 신호를 보내야 하며 20밀리초를 예약해야 합니다. 나머지 30밀리초는 사진 촬영과 이미지 처리에 사용됩니다. 딥러닝 훈련을 위해서는 산업용 컴퓨터의 구성을 고려해야 합니다. 또한 PLC, 리젝션 장치, 카메라, 광원, 렌즈, 캐비닛 및 기타 소형 액세서리의 비용도 고려해야 합니다. 수동 현장 시운전 비용은 얼마입니까? 총 비용은 얼마입니까?

또 다른 예를 들어보겠습니다. 아래 그림은 용접 결함 감지를 보여줍니다. 용접 결함에는 여러 종류가 있습니다. 어떤 사람은 딥 러닝을 사용하여 훈련하고 감지하는 데 일주일을 보냈습니다. 테스트 결과가 아주 좋다고 하더군요. 그런데 한 달 뒤에 다시 오더니 비용을 감당할 수 없고 테스트 결과도 좋지 않다고 하더군요. 생각해 보세요, 왜 이런 일이 일어나는 걸까요?

또 다른 예를 들어보겠습니다. 아래 사진은 바코드 인식의 예입니다. 이 바코드는 매우 흐릿하고 식별하기 어렵습니다. 딥러닝을 사용하여 식별할 수 있습니다

예를 들어 아래 그림을 살펴보겠습니다. 양면의 두께가 일정한지, 표면에 결함이 있는지 확인해야 합니다. 그렇다면 딥러닝을 활용해 이 문제를 어떻게 해결할 수 있을까요? 누군가가 반년 동안 현장에서 디버깅을 했는데, 결국 고객이 만족하지 못했어요

딥러닝을 사용해 로봇을 자동으로 파악하고, 잡은 물체의 기울기 각도를 감지하여 로봇의 자세를 조정하는 방법은 무엇인가요?

딥 러닝을 사용하여 일정 기간 동안 사용된 스프링의 크기를 측정하여 적합 여부를 결정하는 방법은 무엇입니까? 베어링, 기어, 스레드 등의 다른 유사한 매개변수를 측정하는 방법은 무엇입니까?

위의 예는 자동 볼트 조임, 무질서한 잡기, 미크론 수준의 정밀 위치 지정 등 유사한 감지 방법이 끝없이 등장하는 많은 실제 사례의 일부일 뿐입니다. 그러나 불행하게도 많은 사람들이 딥러닝만 사용하고 있으며, 이미지 처리의 기본 개념조차 이해하지 못한 채 딥러닝이 다른 이미지 처리 방법을 대체했다고 주장하는 사람들도 있습니다. 실제 사례를 더 많이 접했다면 그런 말을 하지 않았을 겁니다

많은 사람들이 딥러닝 모델에 이미지만 입력하면 훈련 효과가 좋지 않으면 훈련을 늘릴 수 있다고 잘못 생각하고 있습니다. 이상적인 결과를 얻으려면 매개변수를 샘플링하거나 조정하세요. 내가 말할 수 있는 것은 이미지에 대한 이러한 이해가 너무 피상적이라는 것이다. 가장 많이 사용되는 이미지 애플리케이션은 얼굴 인식과 차량번호판 인식입니다. 이러한 인식 작업에는 인식 요구 사항이 높지 않기 때문에 딥러닝을 활용하는 데 큰 문제가 없습니다. 인식하는데 시간이 오래 걸리거나 인식 오류가 발생하더라도 크게 문제가 되지는 않습니다. 예를 들어, 얼굴 인식 결제를 사용하면 얼굴을 인식할 수 없는 경우 번호판 인식 및 출입 통제 시스템을 통해 수동으로 결제할 수도 있고, 번호판이나 얼굴을 인식할 수 없는 경우 문을 열 수도 있습니다. 수동으로. 그러나 완전 자동 애플리케이션 시나리오에서는 이러한 상황이 허용되지 않습니다. 제품 결함의 감지, 분류 및 식별을 위해 딥러닝이 일반적으로 사용되는 방법이지만 특정 상황에 따라 결정해야 합니다. 또한 훈련 전에 일반적으로 다른 이미지 처리 알고리즘을 사용해야 합니다

어떤 사람들은 공개 데이터 세트를 사용하여 딥 러닝 모델을 훈련하고 기사를 작성하는데 이는 문제가 되지 않습니다. 그러나 이러한 모델이 실제 응용에 적용되려면 아직 갈 길이 멀다. 제가 아는 한 회사에서는 박사학위자들을 모집하여 육안검사 업무를 하게 되었는데, 6개월이 지나도 결과가 나오지 않아 리더로부터 심한 비난을 받았습니다. 이유를 아시나요?

딥 러닝은 응용 분야에서도 그 자리를 차지하고 있으며 이는 부인할 수 없는 사실입니다. 그러나 이는 육안 검사의 한 부분일 뿐이며 다른 여러 측면에서 구현할 수는 없습니다. 현재의 시각적 감지 기술은 일부 간단한 장면에만 적용할 수 있습니다. 많은 복잡한 장면의 경우 어떤 알고리즘을 사용하더라도 효과적인 감지를 달성할 수 없습니다. 따라서 시각적 이미지 처리 알고리즘은 아직 갈 길이 멀습니다. 딥 러닝으로 이미지를 훈련할 때 일반적으로 필터링, 향상, 임계값 분할, 가장자리 감지 및 형태학적 연산과 같은 원본 이미지의 일부 처리가 필요합니다. 때로는 딥러닝 훈련을 위해 이미지를 처리한 후 직접 이미지 특징을 추출해야 하는 경우도 있습니다. 시각 작업에 종사하는 많은 사람들이 이 원리를 이해합니다

앞서 언급했듯이 논문을 쓰고 싶다면 한 방향을 깊이 연구하면 충분합니다. 심층적인 이론적 연구도 유망하지만 더 높은 개인의 이론적 능력이 필요합니다. 실제 비전 애플리케이션을 접해본 적이 없다면, 이미지 처리가 오래됐다고, 다른 이미지 처리 알고리즘은 더 이상 사용되지 않으며, 딥러닝이 다른 이미지 처리 알고리즘을 대체했다고 함부로 주장하지 않는 것이 가장 좋습니다

그래서 여전히 필요한가요? 전통적인 이미지 처리 알고리즘은 어떻습니까? 나는 이 질문에 대한 답이 분명하다고 생각한다. 아직도 불분명한 점이 있다면, 시력 관련 프로젝트를 얼마나 많이 접했는지, 또 무엇을 모르는지 잘 생각해 보세요. 육안 검사가 무엇을 할 수 있는지, 어떻게 해야 하는지 잘 이해하고 있나요? 단일 이미지 처리 알고리즘에만 의존하여 육안 검사를 수행하는 경우는 거의 없습니다. 따라서 응용레벨에서는 영상산업을 수월하게 운용하기 위해서는 다양한 영상처리 알고리즘의 활용과 다양한 알고리즘의 결합적 응용에 능숙해야 한다. 여름 방학이 곧 다가옵니다. 이번 방학과 이 학습 플랫폼을 활용해 영상 처리 관련 알고리즘의 응용을 빠르게 익히세요

위 내용은 딥러닝을 사용해 다른 이미지 처리 알고리즘을 대체할 수 있나요?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!