컴퓨터 비전과 AI 기술의 만남

컴퓨터 비전과 AI는 현대 비전 시스템에서 각각의 목적이 있다. 이미징 플랫폼을 개발할 때 기존 컴퓨터 비전 시스템에서 AI를 구 현하려고 하면 특정 문제가 발생할 수 있다. AI에 가장 적합한 작 업을 결정하는 것은 처음에는 어렵다. 따라서 AI와 컴퓨터 비전 솔루션의 조합을 제공하기 위해 이미 많은 단계를 수행한 업계 전 문가의 경험을 살펴보는 것이 도움이 될 수 있다.

AI의 가치

엔지니어들은 처음에 기존 컴퓨터 비전의 어려운 이미징 문제를 극복하기 위해 AI를 구현하기 시작했다. 기존 비전 시스템의 전문 가는 오랫동안 존재해 왔으며 머신 비전 자동화, ITS(Intelligent Traffic Systems; 지능형 교통 시스템) 및 항공 이미징을 비롯한 산업 응용 분야의 컴퓨터 비전 해결 과제에 대한 수십 년의 경험 을 개발했다. 그러나 컴퓨터 비전이 적절하지 않을 수 있는 여러 애플리케이션이 있다.

컴퓨터 비전 소프트웨어는 매개변수가 미리 결정된 공장 애플 리케이션에 매우 적합하다. 카메라는 사물이 지나갈 때 이미지를 계속 캡처하도록 설정되어 있다. 카메라가 각 이미지에 대해 동일 한 피사체, 위치 및 조명을 캡처할 수 있는 공장 설정의 반복적인 특성으로 인해 시스템은 이상이 있는지 식별하도록 설정된다.

그러나 ITS를 사용하면 컴퓨터 비전으로 차량 감지를 위한 자 동화 솔루션을 개발하는 것이 까다로울 수 있으며 처음으로 AI에 적응하는 것조차 상당한 도전이 될 수 있다. 컴퓨터 비전에서 AI 로의 전환은 선입견 때문에 어려울 수 있다.

전통적인 방법에서 개발자는 소프트웨어가 차량 감지를 위해 이미지의 변화를 찾도록 사양을 프로그래밍 할 수 있다. 소프트웨 어가 이미지가 변경될 때마다 카메라를 트리거 하는 경우 카메라 옆을 지나가는 차량을 나타내기 위해 이미지에 대한 몇 가지 다른 변경 사항이 동일할 수 있기 때문에 이로 인해 문제가 발생할 수 있다. 예를 들어, 날씨가 변하면 소프트웨어는 이를 카메라가 이 미지를 캡처해야 하는 변화로 해석할 수 있다. 또한 새와 같이 무 엇이 카메라 앞을 지나치면 카메라도 트리거링 될 수 있다.

동일한 유형의 물체가 카메라를 계속 통과하는 공장 설정에서 컴퓨터 비전 소프트웨어는 검사를 위해 제품·구성 요소·재료를 정확하게 이미지화 할 수 있다. 그러나 장면에 일관성이 없고 솔 루션을 프로그래밍 할 때 문제를 일으킬 수 있는 여러 유형의 실 외 현상이 있다. AI는 이러한 상황에서 가치를 제공할 수 있다.

AI 훈련은 컴퓨터 비전 소프트웨어 프로그래밍과는 상당히 다 르다. AI 훈련 과정은 덜 고정적이다. 그것은 학생에게 주제를 소 개하고 그들이 이해를 이해할 때까지 자료를 여러 번 복습하게 하 는 것과 비슷하다. 그러나 AI는 특정 주제를 염두에 두고 집중해 야 한다. 차량과 같은 피사체를 촬영할 때 소프트웨어는 차량이 성공적으로 보이는 모습을 구별할 수 있어야 한다.

카메라로 보는 모든 것을 인식하고 차량을 식별할 수 있도록 AI 를 훈련시키는 대신 훈련은 차량에만 집중한다. 자동차, 트럭 또 는 오토바이가 어떻게 생겼는지 인식함으로써 AI는 이미지 내에 서 이러한 가능한 표적을 찾아내는지 알게 된다. 이 기준을 통해 AI는 실제 교통 이미징 환경에서 발생할 수 있는 다른 모든 문제 를 무시할 수 있다.

AI는 훈련에 사용된 데이터만큼만 수행한다. 이미지 데이터의 품질이 낮으면 AI가 많은 실수를 할 가능성이 크다. 비, 태양 또는 구름의 경우 이미지의 조명 및 전체 구성이 변경될 수 있으며 날씨 에 따라 차량의 외관도 변경될 수 있다. 따라서 맑은 날 뿐만 아니 라 악천후의 차량 이미지를 포함하는 이미지 세트를 제공하여 AI 에서 더 높은 수준의 신뢰성을 제공한다.

컴퓨터 비전의 가치

이미징 문제를 해결하는 방법에는 여러 가지가 있다. AI는 비전 시스템에 많은 새로운 기능을 제공할 수 있지만 유일한 옵션은 아 니다. 기존의 컴퓨터 비전 소프트웨어는 다양한 이미지 문제에 대 한 효율적인 솔루션을 제공할 수 있다.

AI가 복잡한 이미지 분석에 유용할 수 있는 경우에는 컴퓨터 리소스에 많은 부담을 주는 단점도 있다. 반면에 컴퓨터 비전 소 프트웨어는 가장 작은 임베디드 시스템에서 쉽게 실행할 수 있는 간단한 프로그램을 제공한다. 트래픽과 같은 애플리케이션은 OCR과 같은 애플리케이션을 위한 컴퓨터 비전 소프트웨어의 이점을 크게 누릴 수 있다.

그 래픽 처리 장치(GPU) 또는 FPGA(Field Programmable Gate Array)를 사용하여 더 많은 전력이 필요할 수 있는 AI를 사용하 는 대신, 컴퓨터 비전 OCR 소프트웨어는 기본 모양이 사전 설정 중 하나와 일치하는지 이미지를 교차 확인한다. 번호판의 문자 목 록을 설정한다.

<그림 3>의 각 번호판에 있는 문자는 OCR 시스템을 통과하고 카메라 시스템에 캡처 된 각 차량의 데이터 수집을 위해 인쇄된다. 이는 각 문자를 스캔하고 통행료 집행을 위해 해당 데이터를 저장하여 각 번호판을 효과적으로 등록하는 데 유리할 수 있다.

AI와 컴퓨터 비전을 함께 사용하는 방법

AI를 사용하는 비전 시스템은 복잡한 이미지 분석을 수행할 수 있다. 그러나 일부 이미징 작업은 간단하며 충분한 처리 능력이 필요하지 않다. 따라서 기존의 컴퓨터 비전 소프트웨어도 시스템 을 압도하지 않는 중요한 역할을 할 수 있다. AI와 컴퓨터 비전을 서로 다른 과제에 맞게 조정함으로써 이미징 시스템은 각 작업에 가장 효율적인 솔루션을 사용할 수 있다.

ITS의 경우 OCR과 차량 감지 모두 통행료 집행에 매우 중요하 다. 그러나 컴퓨터 비전 소프트웨어가 일관된 이미지 샘플을 안정 적으로 통과할 수 있도록 하려면 이미지 시스템도 이미지에서 각 차량을 분리해야 한다.

하나의 이미지에서 카메라는 컴퓨터 비전 소프트웨어에 의해 검사되기 전에 별도로 분리되고 감지되어야 하는 각 번호판이 있 는 여러 대의 차량을 캡처할 수 있다(그림 4 참조). 차량 감지 소 프트웨어와 유사하게 이미지에서 번호판의 위치를 감지하는 신뢰할 수 있는 방법은 AI가 도로에서 차량의 예를 보도록 훈련하여 끊임없이 변화하는 도로 교통 장면에 더 정확하게 적응할 수 있도 록 하는 것이다.

모든 차량은 다양한 번호판 위치를 가질 수 있고 다양한 색상 을 취할 수 있기 때문에 이러한 엣지 케이스에 사용되는 AI를 갖 는 것이 유리할 수 있다. 특정 지역의 번호판은 새 번호판이 발행 될 때 이전 형식을 대체하는 새로운 스타일을 가질 수 있기 때문 에 여러 색상이 될 수 있다.

<그림 5>에는 다양한 지역의 다른 번호판이 표시되어 있으며 일부는 디자인이 다른 동일한 지역(온타리오)에서도 이러한 옵션 을 수용하도록 잘 훈련되지 않은 비전 시스템을 혼동시킬 수 있다.

물론 다양한 기상 조건도 각 이미지가 표시되는 방식에 영향을 줄 수 있다. 번호판이 감지되면 나머지 이미지를 잘라서 OCR을 사용 하여 문자를 추출할 수 있는 직사각형 번호판만 남을 수 있다.

<그림 6>의 3개의 번호판은 번호판을 가릴 수 있는 다양한 형 태의 먼지나 진흙을 보여준다. 번호판 덮개조차도 캐릭터에서 반사되는 빛을 줄여 추가적인 문제를 제공할 수 있다.

둘 다 함께 사용하는 실제 사례

Teledyne의 프로젝트 중 하나는 OCR용 ITS 이미징 시스템을 개 발하는 것이었다. 그러나 이 예에서 설계는 처음에 컴퓨터 비전에 만 의존하도록 의도되었다. 문제는 컴퓨터 비전에만 의존하는 톨 링 시스템(system for tolling)을 95% 이상의 정확도로 구축하 는 것이었다. 약간의 개발 시간 후에 75%의 정확도가 빠르게 달 성되었다. 그런 다음 엔지니어는 AI를 사용하기로 결정했다.

AI로 작업한 후 결론은, 여전히 전통적인 컴퓨터 비전에 더 적 합한 특정 작업과 애플리케이션이 있으며 AI도 마찬가지였다. 그 주된 이유는 AI가 하드웨어에 대해 더 많은 요구를 하고 더 많은 처리 능력이 필요하기 때문이다.

컴퓨터 비전 코드는 일반적으로 시스템이 많은 이미지를 처리 할 수 있도록 하기 위해 특정 간단한 작업을 대상으로 한다. 승자 는 AI를 차량 감지 및 번호판 식별에 사용하는 것이었지만 OCR 의 경우 여전히 컴퓨터 비전이 1위였다. OCR과 같은 애플리케이 션에 대해 입증된 알고리즘을 사용하면 기존 컴퓨터 비전으로 정 확성을 보장할 수 있다.

이제 더 어려운 시나리오는 카메라에 차량 감지 기능을 내장하 는 것이다. Teledyne의 이미징 전문가 팀은 AI를 사용하여 카메 라 앞에 나타날 모든 차량을 찾고 각 차량에서 번호판까지 추출할 수 있었다. 이것의 가장 큰 장애물은 모든 종류의 작동 조건에서 일관된 성능을 보장하는 것이었다.

번호판 이미지를 OCR 엔진에 제공함으로써 시스템은 컴퓨터 비전을 사용하여 각 문자를 추출하고 번호판을 저장할 수 있었다. 두 시스템을 하이브리드 솔루션으로 결합하는 것이 가장 효율적 이고 효과적인 솔루션임이 입증되었다. AI는 75% 벤치마크를 초 과하고 원하는 95% 정확도에 도달할 수 있었다.

여기서 교훈은 이것이 초기 선택이 아니었다는 것이다. 원래 계 획은 반드시 하이브리드 시스템을 만드는 것이 아니었다. 그러나 결과는 AI가 차량 식별이라는 어려운 작업을 보다 잘 처리할 수 있 었던 반면 기존의 컴퓨터 비전은 OCR을 쉽게 관리할 수 있었다. AI는 점점 더 많은 이미징 애플리케이션에서 점점 더 중요해지고 있으며 이전 성능 임계 값을 다음 수준으로 끌어올릴 수 있다.