[Machine Vision] 머신비전 기술분석

머신비전 기술이란?
비전 센서를 이용한 검사/가공 장비들에 대한 자동화를 실현하는 기술이다. 

최근 동향을 살펴보면 검사 대상이 소형화되고 내부 패턴이 복잡해지면서 고도의 영상처리 기술을 필요로 하고, 생산성 향상을 위한 고속처리 기술 또한 요구됨 기술적인 측면에서 알고리즘의 정확도 문제로 인해 완전 자동화는 힘들고 마지막 단계에서 검출된 결함들을 작업자가 한 번 더 확인하는 경우가 많아, 이러한 기술적인 한계를 극복하기 위해서는 빅데이터 기반의 딥러닝 기술을 활용해 검사 장비가 시간이 지남에 따라 자가 학습해 점점 정확도가 좋아지도록 해야 한다.

머신비전(machine vision) 시스템의 목표

머신비전의 목표는 영상으로부터 실제의 모델을 추출하는 것이다. 머신비전 시스템은 전경의 2 차원 투영(projection) 으로부터 유용한 정보를 복원시키는 작업을 수행한다. 영상은 3차원 세상에 대한 2차원 투영이므로 정보를 곧바로 얻을 수 없고 적절한 복구과정을 거쳐야 한다. 이 복구과정은 다 대 일 사상(many-to-one mapping)의 역과정을 거쳐야 하므로 배경 속의 물체에 대한 정보와 투영의 기하학적 정보가 필요하다. 머신비전의 동작은 영상 획득, 영상 이진화, 영상 처리, 영상 분석, 영상 해석과 같은 다섯 단계로 나뉜다.  

 

1단계 : 영상 획득

영상의 기하학적 구성과 컴퓨터 내에서의 표현과의 관계를 이해하는 것이 매우 중요
머신비전 알고리즘을 개발하기 위한 수학적 표기와 프로그램에 사용되는 표현과는 서로 표현상의 변환이 필요

 

2단계 : 영상 이진화

해석에 필요한 영상 데이터를 저장하기 위하여 카메라와 이진화 시스템을 사용하여 영상 이진화를 수행
카메라가 관심있는 물체에 초점을 맞추고 보이는 영역을 광도에 비례하는 값을 갖는 화상요소 (화소) 행렬로 분할해 영상을 얻고, 각 화소에 대한 강도 값은 A/D 변환기를 통하여 해당하는 디지털 값으로 변환됨

 

3단계 : 영상 처리

이 디지털 신호는 전체 영상에 걸쳐 광의 강도 값을 나타내고, 이 값이 메모리에 저장되어 디지털 영상을 얻게 되며 이는 분석과 해석을 가능하게 한다. 영상 처리는 잘 발달된 분야로, 처리 기술은 대개 한 영상을 다른 영상으로 변환하는 기술이며, 예를 들면 영상 향상(enhancement), 영상 압축, 번졌거나 초점이 어긋난 영상의 보정 등이 있음, 한편 머신비전 알고리즘은 영상을 입력으로 받아들여 영상 내의 물체의 외곽선에 대한 표현과 같이 다른 방법으로 표현된 결과를 출력한다. 이 단계에서 영상 처리 알고리즘은 특정 정보를 향상시키고 잡음을 제거하는 역할도 수행한다.

 

패턴 인식은 숫자 또는 기호 데이터를 분별하는 것으로, 패턴을 인식하기 위하여 많은 통계적이나 구문론적(syntactical) 기술들이 개발된다. 패턴 인식은 머신비전에서의 물체 인식에 중요한 역할을 하고 있다.


4단계 : 영상 분석

영상 분석(image analysis)은 영상 처리로부터의 정보를 모아서 변환을 완료하는 데 필요한 시간 내에 이를 분석하는 것이다. 세그먼테이션 기술은 영상 내에 관심영역 (region of interest) 을 정의하고 분리하는 것이며, 두 개의 공통적인 세그먼테이션 기술은 Thresholding 과 에지 검출(edge detection)이 있다.

 

Thresholding 은 각 화소의 광도 레벨을 백색과 흑색을 표현하는 이진값으로 변환하는 과정이다. 이 과정은 정의된 Thresholding 과 각 화소의 강도를 비교함으로써 진행되며 만일 화소의 값이 Threshold 에 비하여 높으면 백색에 해당하는 이진값, 즉 1이 부여되며, 반대로 Threshold 에 비하여 낮으면 흑색에 해당되는 0이 부여된다. 
Threshold 에 의하여 영상을 이진화함으로써 다음 단계로 진행될 영상 속의 물체를 정의하고 식별하는 작업을 단순화하게 된다. 

 

에지 검출은 영상 속의 물체와 그 배경 사이의 경계의 위치를 결정하는 데 관여하며, 물체의 경계에 인접한 화소들 간의 빛 강도의 대조를 이용하여 에지 검출이 이루어진다. 영상 처리에 있어서 세그먼테이션 다음으로 진행되는 기술은 특징 추출(feature extraction)에 관련된 것으로, 대부분의 머신비전 시스템은 물체의 특징에 의하여 영상 내의 물체를 정의한다. 물체의 특징은 물체의 면적, 길이, 폭, 지름, 둘레, 무게중심, 종횡비(asliect ratio) 등이 될 수 있고, 특징추출 방법은 스레쉬홀딩과 에지 검출과 같은 세그먼테이션으로 물체의 면적과 그 경계를 근거로 물체의 특징들이 결정되도록 설계된다. 예컨대 물체의 면적은 물체를 구성하는 흑색 또는 백색의 모든 화소를 카운트함으로써 결정될 수 있으며, 물체의 길이도 물체의 양 끝점을 잇는 선을 따라 화소수를 카운트하여 구해질 수 있다. 

 

5단계 : 영상 해석

주어진 어떤 응용에 대하여 영상으로부터 추출된 특징들을 기반으로 영상 해석(image interpretation)이 수행된다. 영상 해석 단계는 물체의 인식에 관여되며, 이 작업의 목표는 미리 정의된 모델이나 표준값과 비교하여 영상 속의 물체를 식별하는 것이다. 일반적으로 사용되는 해석 기술으로는 템플릿 매칭(template matching)과 특징 가중(feature weighting)이 있다.

 

템플릿 매칭은 영상의 한 개 이상의 특징을 컴퓨터 메모리에 저장된 모델 또는 템플릿의 해당 특징과의 비교를 시도하는 다양한 방법에 붙여진 이름으로, 가장 기초적인 템플릿 매칭 기술은 영상의 화소를 일일이 컴퓨터 내의 모델의 화소와 비교하고 통계적 허용공차 이내에 템플릿과 영상이 매칭 되는지를 컴퓨터로 판단하는 이다. 이 방법을 사용할 때 발생하는 기술적 문제는 카메라 앞에 물체를 어떻게 일정한 위치에 배치시켜 간단하게 비교작업이 진행되도록 하는 것이다. 특징 가중은 여러 특징에 물체를 구별하는 데 필요한 상대적인 중요도인 가중치를 부여하고 이들을 조합하여 하나의 척도로 만들어 내는 기술로 물체를 적절하게 식별하기 위하여 영상 내의 물체의 점수와 컴퓨터 내의 저장된 이상적인 물체의 점수가 비교된다. 

최근의 기술은 인공지능(artificial intelligence)인데, 인공지능은 지능을 계산적 관점에서 구현할 수 있는 시스템으로 설계하는 것으로 이 시스템은 특징 추출을 완료한 후 전경의 내용에 대한 기호적 표현을 계산함으로써 전경을 해석하는 데 이용된다. 인공지능은 인지(perception), 지각(cognition), 행동(action) 세단계로 분리할 수 있으며, 인지는 관찰대상에서 오는 신호를 식별하여 기호로 표현하고, 지각은 기호를 조작하여 신호로 만들며 행동은 신호를 해석하여 관찰대상을 변화할 새로운 영상을 만들어 내는 것을 뜻한다. 

 

 

 

참고자료 :

http://www.aistudy.co.kr/robot/vision_keramas.htm

Vision : James G. Keramas