샵테크 sharptech

https://blog.naver.com/sharptech6655/224270250860 현장에서 AI(딥러닝) 도입 시 가장 많이 터지는 문제현장에서 AI(특히 딥러닝 비전)를 도입하면 “기술 문제”보다 현장 적용 문제에서 더 많이 터집니다. 핵...blog.naver.com 현장에서 AI(특히 딥러닝 비전)를 도입하면 “기술 문제”보다 현장 적용 문제에서 더 많이 터집니다. 핵심만 현실적으로 정리해드리겠습니다.1. 데이터 문제 (가장 흔함)→ AI 실패의 70%는 여기서 시작됩니다불량 데이터 부족 (정상 데이터만 많음)라벨링 품질 불량 (기준이 사람마다 다름)데이터 분포 불균형 (특정 조건에만 치우침)✔ 결과→ 학습은 잘 된 것처럼 보이지만 현장에서는 오검/미검 폭발2. “AI면 다 된다”는 과도한 ..

https://blog.naver.com/sharptech6655/224270182476 학습 데이터가 부족할 때 딥러닝 비전 해결 방법딥러닝 비전에서 “데이터 부족”은 거의 가장 흔한 실패 원인입니다. 그냥 모델을 바꾸는 걸로는 해결이 ...blog.naver.com딥러닝 비전에서 “데이터 부족”은 거의 가장 흔한 실패 원인입니다.그냥 모델을 바꾸는 걸로는 해결이 잘 안 되고, 데이터 자체를 어떻게 보완하느냐가 핵심입니다.현장에서 효과적인 방법을 정리해드리겠습니다.1. 데이터 증강 (Data Augmentation)가장 먼저 해야 할 기본 대응입니다.​→ 기존 데이터를 인위적으로 늘리는 방법✔ 회전, 반전, 밝기/대비 변화✔ 노이즈 추가, 블러 적용✔ 크롭, 스케일 변경​특히 외관 검사에서는 “조명 변..

https://blog.naver.com/sharptech6655/224269367168 딥러닝 비전 검사 시스템에서 불량 이미지 수집이 중요한 이유불량 이미지 수집은 딥러닝 기반 비전 검사에서 성능을 좌우하는 핵심 요소입니다. 단순히 “데이터가 많으...blog.naver.com불량 이미지 수집은 딥러닝 기반 비전 검사에서 성능을 좌우하는 핵심 요소입니다. 단순히 “데이터가 많으면 좋다” 수준이 아니라, 불량 데이터가 얼마나 잘 모여 있느냐가 정확도를 결정한다고 보시면 됩니다.아래 핵심 이유를 정리해 드리겠습니다.1. 모델은 “불량을 보고 배운다”딥러닝은 규칙이 아니라 패턴 학습입니다.​→ 정상 데이터만 많으면✔ “정상”은 잘 알게 되지만✖ “불량”은 제대로 구분 못합니다​특히 외관 검사에서는스크래치 ..

https://blog.naver.com/sharptech6655/224268972502 AI(딥러닝) 비전 검사 정확도를 높이는 방법AI 비전 검사 정확도를 높이려면 “모델”보다 먼저 “현장 조건”을 잡는 게 핵심입니다. 실제로 정확도...blog.naver.comAI 비전 검사 정확도를 높이려면 “모델”보다 먼저 “현장 조건”을 잡는 게 핵심입니다.실제로 정확도 문제의 대부분은 알고리즘이 아니라 데이터와 환경에서 발생합니다.핵심 포인트를 단계별로 정리해드리겠습니다.1. 데이터 품질이 70%를 결정합니다→ 가장 중요​불량 데이터 확보정상보다 불량 종류가 다양해야 모델이 구분 가능 실제 현장 불량 비율이 낮으면 의도적으로 수집 필요 ​라벨링 정확도라벨 오류 → 모델도 그대로 틀림 기준이 애매하면 작업자마..

https://blog.naver.com/sharptech6655/224263492809 딥러닝 외관 검사는 언제 효과적일까?딥러닝 외관 검사는 “무조건 좋다”가 아니라, 특정 조건에서 압도적으로 효과적입니다. 현장에서 보면 잘...blog.naver.com딥러닝 외관 검사는 “무조건 좋다”가 아니라, 특정 조건에서 압도적으로 효과적입니다.현장에서 보면 잘 맞는 케이스와 망하는 케이스가 명확하게 갈립니다.핵심만 현실 기준으로 정리해드리겠습니다.1. 사람이 눈으로 판단하는 검사일 때 → 효과적✔ 기준이 애매하고 정량화가 어려운 경우​예시스크래치, 얼룩, 오염 색상 균일도, 광택 차이 미세한 외관 불량 ​이건 전통적인 룰 기반으로는→ “임계값 설정 지옥”이 됩니다​딥러닝은 사람 판단을 그대로 학습하므로→ 휴..

https://blog.naver.com/sharptech6655/224262441560 딥러닝 비전 검사 도입 시 주의사항딥러닝 비전 검사는 강력하지만, “잘 쓰면 혁신 / 잘못 쓰면 오히려 불량 양산”이 되는 영역입니다. 현장...blog.naver.com딥러닝 비전 검사는 강력하지만, “잘 쓰면 혁신 / 잘못 쓰면 오히려 불량 양산”이 되는 영역입니다.현장에서 자주 발생하는 실패 기준으로 핵심 주의사항을 정리해드리겠습니다.1. 데이터 품질이 성능을 결정합니다딥러닝은 알고리즘보다 데이터가 훨씬 중요합니다.​불량 데이터 부족 → 과검(정상품을 불량으로 판단) 정상 데이터 다양성 부족 → 미검(불량을 놓침) 라벨링 오류 → 모델 자체가 잘못 학습됨 ​✔ 핵심→ “데이터 수”보다 “데이터 다양성 + 정확한..

https://blog.naver.com/sharptech6655/224261084625 딥러닝 비전은 모든 검사에 적합할까?결론부터 말씀드리면 딥러닝 비전이 모든 검사에 적합하지는 않습니다. 오히려 잘못 적용하면 비용·성능 모...blog.naver.com결론부터 말씀드리면 딥러닝 비전이 모든 검사에 적합하지는 않습니다.오히려 잘못 적용하면 비용·성능 모두 손해 보는 경우가 많습니다.1. 딥러닝 비전이 강한 영역다음과 같은 경우에는 딥러닝이 거의 “필수 수준”입니다.​1. 패턴 정의가 어려운 검사→ 스크래치, 얼룩, 이물 등→ 기준을 룰로 만들기 어려운 경우 ​2. 형상이 다양하고 변동성이 큰 대상→ 제품 편차, 자연물, 복잡한 표면 ​3. 조명/환경 변화가 있는 경우→ 기존 룰 기반은 환경 변화에 취..

https://blog.naver.com/sharptech6655/224259692894 딥러닝 머신비전 실제 적용 사례딥러닝 기반 머신비전은 기존 Rule-based 방식으로는 잡기 어려운 패턴 다양성, 불규칙성, 환경 변화 대응...blog.naver.com딥러닝 기반 머신비전은 기존 Rule-based 방식으로는 잡기 어려운 패턴 다양성, 불규칙성, 환경 변화 대응이 필요한 공정에서 특히 강력합니다. 실제 산업 현장에서 많이 적용되는 사례를 중심으로 정리해드리겠습니다.1. 외관 불량 검사 (가장 대표적인 사례)→ 딥러닝 머신비전 도입 1순위 영역​적용 산업반도체 / 디스플레이 자동차 부품 2차전지 플라스틱 사출품 ​기존 방식 한계스크래치, 얼룩, 찍힘 → 형태가 일정하지 않음 조명 조건 바뀌면 검사..

https://blog.naver.com/sharptech6655/224258905017 머신비전 + AI 조합이 필요한 이유머신비전에 AI(딥러닝)를 결합하는 이유는 단순히 “정확도를 높이기 위해서”가 아니라, 기존 비전이 갖...blog.naver.com머신비전에 AI(딥러닝)를 결합하는 이유는 단순히 “정확도를 높이기 위해서”가 아니라, 기존 비전이 갖고 있는 구조적인 한계를 넘기 위해서입니다. 현장 기준으로 핵심만 정리해드리겠습니다.1. 기존 머신비전의 한계전통적인 머신비전은 룰 기반 (Rule-based) 입니다.​→ 특징임계값(Threshold), 패턴 매칭, 엣지 검출 등으로 판단 사람이 기준을 직접 설정 ​→ 문제점환경 변화(조명, 위치, 색상)에 매우 취약 복잡한 불량 정의가 어려움 설정..

https://blog.naver.com/sharptech6655/224258485318 딥러닝 머신비전이란? 기존 비전과 차이점딥러닝 머신비전은 기존의 룰 기반(machine vision) 방식에서 한 단계 더 발전한 데이터 기반 검사 방식입...blog.naver.com딥러닝 머신비전은 기존의 룰 기반(machine vision) 방식에서 한 단계 더 발전한 데이터 기반 검사 방식입니다.핵심은 사람이 규칙을 직접 만드는 대신, 데이터를 통해 모델이 스스로 판단 기준을 학습한다는 점입니다.1. 딥러닝 머신비전이란?딥러닝 머신비전은 Deep Learning 기반으로 이미지에서 특징을 자동으로 학습하여 검사·판단을 수행하는 기술입니다.​→ 사람이 “이건 불량이다”라고 규칙을 정의하는 것이 아니라→ 여러 장..