데이터 획득 기준

현재 최신 버전 (2.6.2)에 대한 매뉴얼을 보고 계십니다. 다른 버전에 액세스하려면 페이지 오른쪽 상단 모서리에 있는 '버전 전환' 버튼을 클릭하세요.

■ 현재 사용하고 있는 제품의 버전이 확실하지 않은 경우에는 언제든지 당사 기술 지원팀에 문의하시기 바랍니다.

딥 러닝 모델을 훈련할 때, 모델은 이미지에 있는 물체의 특징(색상, 윤곽선, 위치 등)을 추출하고 훈련합니다. 이미지가 과도하게 노출되었거나, 너무 어둡거나, 색상이 왜곡되었거나, 흐릿하거나, 가려져 있는 경우, 이러한 조건으로 인해 딥 러닝 모델이 의존하는 특징 정보가 손실될 수 있으며, 이는 모델 훈련 성능에 영향을 미칩니다.

이 부분에서는 고품질 이미지를 획득하여 모델 인식률과 정확도를 높일 수 있도록, 이미지 획득 전 준비 사항, 획득 중 유의사항, 획득 후 데이터 필터링 기준을 소개합니다.

데이터 획득 전 준비사항

현장 조명 환경 개선

Mech-DLK를 사용하면 현장 조명의 영향을 어느 정도 줄일 수 있습니다. 현장 조명이 어느 정도 변화하더라도 딥 러닝은 안정적으로 작동할 수 있습니다. 하지만 조명 변화가 너무 큰 경우 실제 환경과의 차이로 인해 이미지 내 물체의 세부 정보가 손실될 수 있으며, 이로 인해 모델 학습 성능에 부정적인 영향을 줄 수 있습니다.

다음과 같이 현장 조명이 변화될 수 있습니다.

  • 낮과 밤의 조명 차이가 큼 (직사광선, 일반 조명, 조명 없음/조명이 약함)

  • 인공 조명원의 밝기가 크게 변동

  • 색온도 변화가 큼

  • 컬러 맵의 픽셀 값에 영향을 미칠 수 있는 조명 변화

현장 조명 변화가 불가피하다면, 다음과 같은 방법으로 영향을 줄일 수 있습니다.

  • 프로젝트 상황에 맞게 적절한 차광이나 보조 조명을 설계해 적용합니다.

  • 프로젝트 요구 사항에 맞는 카메라 유형을 선택합니다. 물체의 윤곽만 구분하면 되는 경우, 흑백(MONO) 카메라를 사용하면 됩니다. 물체의 색상도 구분해야 하는 경우, 컬러 카메라를 사용하면 더 나은 결과를 얻을 수 있습니다.

  • Mech-Eye Viewer에서 카메라의 노출 모드와 화이트 밸런스 등 2D 파라미터를 조정하여 획득한 이미지가 실제 작업 환경과 일치하도록 합니다.

ROI 외부의 이미지가 과다 노출되고, ROI 내부의 이미지가 정상인 경우, 이미지를 추가로 처리할 필요는 없습니다.
improve model accuracy overexposed
improve model accuracy darker lighting
improve model accuracy color distortion

이미지가 선명하도록 보장

improve model accuracy obscure
improve model accuracy occluded

실제 상황 시뮬레이션

데이터를 캡처할 때의 배경, 시각, 높이 등 요소가 실제와 일치해야 합니다. 일치하지 않으면 딥 러닝 성능이 저하되어 데이터를 다시 수집해야 할 수 있습니다. 실제 적용 환경을 사전에 충분히 확인해 주세요.

improve model accuracy background inconsistent
improve model accuracy field mismatch
improve model accuracy height mismatch

데이터 획득 중 주의사항

데이터 획득 과정에서는 다양한 배치 조건에 따라 이미지 캡처 수를 적절히 배분해야 합니다. 예를 들어, 실제 생산 과정에서는 물체가 수평과 수직으로 배치될 수 있는데, 수평 배치된 물체의 데이터만 수집하는 경우, 수직 배치된 물체에 대한 분류 성능을 보장할 수 없습니다. 따라서 데이터를 획득할 때 아래와 같은 실제 생산 시 고려해야 되는 포인트를 참조해야 합니다.

  • 실제 솔루션에서 나타날 수 있는 모든 물체 방향이 포함되었는지 확인합니다.

  • 실제 솔루션에서 나타날 수 있는 모든 물체 위치가 포함되었는지 확인합니다.

  • 실제 솔루션에서 나타날 수 있는 모든 물체 간 위치 관계가 포함되었는지 확인합니다.

위 세 가지 포인트 중 하나라도 데이터셋에서 누락되면, 딥 러닝 모델은 해당 특징을 제대로 훈련하지 못해 물체를 정확하게 인식할 수 없습니다. 충분한 샘플이 포함된 데이터셋은 오류를 줄이는 데 도움이 됩니다.

물체 방향

improve model accuracy different towards

물체 위치

improve model accuracy different situations
improve model accuracy different layers

물체 간 위치 관계

improve model accuracy positions
improve model accuracy different positions

데이터 획득 후 필터링 기준

  1. 훈련 세트의 질량 및 수량 제어

    일부 모듈을 처음 사용할 때는 훈련 세트의 이미지 품질과 양을 제어하는 것이 좋습니다.

    • 고품질 이미지를 사용하면 모델 훈련 효과도 좋습니다. 품질이 낮거나 관련성이 없는 이미지는 모델 학습에 악영향을 미칠 수 있습니다.

    • 이미지 수가 많다고 항상 좋은 것은 아닙니다. 초기에 부적절한 이미지를 대량으로 추가하는 것은 모델 개선에 도움이 되지 않으며, 오히려 훈련 시간을 증가시킬 수 있습니다.

      모듈 훈련 세트의 권장 이미지 수

      인스턴스 세그먼테이션

      30~50

      결함 세그먼테이션

      20~30(결함 유형 및 차이 정도에 따라 조정)

      이미지 분류

      30

      물체 검출

      30

      신속하게 위치 지정

      40

      텍스트 감지

      30~50

      텍스트 인식

      40

      비지도 세그먼테이션

      30~50개의 OK 이미지

  2. 대표적인 데이터를 선택

    • 이미지 획득은 인식하고자 하는 물체의 조명, 색상, 크기 등 모든 조건을 고려해야 합니다.

      • 조명 : ​​현장에서는 일반적으로 조명 환경이 바뀌기 때문에 데이터에는 다양한 조명 조건의 이미지가 포함되어야 합니다.

      • 색상 : 다양한 색상으로 나타날 수 있으며, 데이터에는 모든 색상의 이미지가 포함되어야 합니다.

      • 크기 : 물체의 크기가 다양할 수 있으므로, 데이터에는 모든 크기의 물체 이미지가 포함되어야 합니다.

        현장에서 물체가 회전하거나 이미지 크기가 변할 수 있습니다.만약 모든 현장 조건을 직접 캡처하는 것이 어려운 경우, 데이터 증강 훈련 파라미터를 조정하여 훈련 세트를 보완할 수 있습니다.

  3. 데이터 비율 균형

    훈련 세트에 포함된 다양한 클래스 또는 배치 방식의 이미지 수는 실제 프로젝트의 요구 사항에 맞춰 비례해야 합니다. 그렇지 않으면 훈련 효과가 저하될 수 있습니다. (예시 : 특정 물체에 대한 이미지가 20개이고, 다른 물체는 3장만 있는 경우는 없어야 합니다.)

  4. 데이터는 실제와 일치

    이미지를 획득할 때 조명 조건, 물체 특징, 배경, 시야 등 요소는 실제 환경과 일치해야 합니다.

이 페이지가 도움이 되었습니까?

다음 방법을 통해 피드백을 보내주실 수 있습니다:

저희는 귀하의 개인정보를 소중히 다룹니다.

당사 웹사이트는 최상의 사용자 경험을 제공하기 위해 쿠키를 사용하고 있습니다. "모두 수락"을 클릭하시면 쿠키 사용에 동의하시는 것이며, "모두 거부"를 클릭하시면 이 웹사이트 방문 시 귀하의 정보가 추적되거나 기억되지 않도록 단일 쿠키만 사용됩니다.

  • Preference
  • 모두 수락
  • 모두 거부