🌟 영상 처리란?
영상 처리(Image Processing)는 카메라로 찍은 이미지를 컴퓨터가 분석할 수 있도록 가공하고, 원하는 정보를 추출하는 기술이다. 공장 자동화에서는 제품 불량 검사, 위치 측정, 바코드/OCR 판독 등에 사용된다.
"핵심 흐름: 이미지 입력 → 전처리 → 특징 추출 → 판정 → 결과 출력"
🌟 전처리 (Preprocessing)
촬영된 원본 이미지는 노이즈, 조명 불균일 등 문제가 있다. 전처리는 이후 분석이 잘 되도록 이미지 품질을 개선하는 단계다.
| 노이즈 제거 필터 | |||
| 평균 필터 (Mean) | 가우시안 필터 (Gaussian) | 미디언 필터 (Median) | 바이래터럴 필터 (Bilateral) |
| 주변 픽셀 전체를 동일한 가중치로 단순 평균. 구조가 가장 단순하지만 그만큼 엣지가 많이 뭉개진다. 가우시안 필터의 기초가 되는 개념. | 주변 픽셀을 거리에 따라 가중 평균. 가까울수록 가중치가 높다. Mean보다 자연스럽게 블러되며 가장 범용적으로 쓰인다. | 주변 픽셀들을 정렬해서 중앙값으로 대체. Salt & Pepper 노이즈에 특히 강하고 가우시안보다 엣지 보존이 좋다. | 거리와 픽셀 밝기 차이를 모두 고려해서 가중 평균. 엣지는 살리고 노이즈만 제거. 넷 중 가장 정교하지만 연산이 가장 무겁다. |
| 엣지 보존 ✕ · 속도 ◎ | 엣지 보존 ✕ · 속도 ◎ | 엣지 보존 △ · 속도 O | 엣지 보존 ◎ · 속도 △ |
| 화질 개선 | ||
| 히스토그램 평활화 | 샤프닝 | 그레이스케일 변화 |
| 밝기 분포를 고르게 펴서 대비를 향상. 조명이 불균일한 이미지에 유용. |
엣지를 강조해서 이미지를 선명하게. 흐릿하게 촬영된 이미지 보정에 활용. |
컬러 이미지를 흑백으로 변환. 이후 연산량 감소 효과. |
🌟 이진화 (Binarization) 및 모폴로지
이진화는 이미지를 흰색(255)과 검은색(0), 두 가지 값으로만 표현하는 것이다. 특정 밝기 기준(Threshold)을 정해서 그 이상이면 흰색, 이하면 검은색으로 변환한다. 이후 모폴로지 연산으로 결과를 다듬는다.
| 모폴로지 연산 | Threshold 방법 |
| - Erosion (침식) ㅡ 흰 영역을 축소, 작은 노이즈 제거 - Dilation (팽창) ㅡ 흰 영역을 확장, 끊긴 부분 연결 - Opening ㅡ 침식 후 팽창, 작은 점 노이즈 제거 - Closing ㅡ 팽창 후 침식. 구멍 채우기 |
- Global ㅡ 전체 이미지에 단일 기준 값 - Otsu ㅡ 자동으로 최적 기준값 계산 - Adaptive ㅡ 영역마다 다른 기준값 적용 |
🌟 엣지 검출 (Edge Detection)
이미지에서 밝기가 급격하게 변하는 경계선이다. 물체의 외곽선, 결함 등을 찾는 데 사용된다.
| Sobel | Canny | Laplacian | Sub-pixel |
| X/Y 방향 기울기로 엣지 검출.빠르고 간단. | 노이즈 억제 + 이중 임계값으로 얇고 정확한 엣지 추출. | 2차 미분으로 엣지 검출. 방향 무관 |
픽셀 단위 이하 정밀도로 엣지 계산. HALCON 주력 |
🌟 블롭 분석 (Blob Analysis)
이진화 후 연결된 픽셀 덩어리를 말한다. 각 덩어리의 크기, 위치, 형태 특징을 계산해서 OK/NG 판정에 활용된다.
| 주요 측정 특징 | 활용 예시 |
| - 면적 (Area) - 무게중심 (Centroid) - 외접 사각형 (Bounding Box) - 원형도 (Circularity) - 장단축 비율 (Aspect Ratio) |
- 면적 범위로 불량 크기 판정 - 개수로 부품 누락 검사 - 위치로 정렬 검사 - 형태로 스크래치/이물 검사 |
🌟 패턴 매칭 (Pattern Matching)
미리 저장해 둔 기준 이미지(템플릿)와 입력 이미지를 비교해서 같은 패턴이 어디에 있는지 찾는 기술로,
위치, 각도, 크기가 달라져도 찾을 수 있다.
| NCC 매칭 | 형상 기반 매칭 (Shape-based) | 특징점 기반 매칭 |
| 정규화된 상관계수로 유사도 비교. 조명 변화에 어느 정도 강하지만 회전, 크기 변화에는 약하다. |
엣지 방향 정보를 기반으로 매칭. 조명, 색상 변화에 강하고 회전, 크기 변화도 처리 가능. HALCON의 Shape Model이 대표적. |
SIFT, SURF 등 특정점을 추출해서 대응점을 매칭. 원근 변형이 있는 상황에도 대응 가능. |
🌟 측정 (Measurement)
이미지에서 물체의 길이, 각도, 원, 지름 등 치수를 정밀하게 측정하는 기술이다. 캘리브레이션을 통해 픽셀 단위를 실제 mm 단위로 변환해서 사용한다.
| 거리 측정 | 원/호 측정 | 각도 측정 | Sub-pixel 측정 |
| 두 점 or 두 엣지 사이의 거리. 부품 폭/간격 검사에 활용. |
원의 지름, 중심 좌표, 진원도 측정. 홀(Hole) 검사에 활용. |
두 선분 사이의 각도. 부품 정렬 상태 확인에 활용. |
픽셀 단위 이하의 정밀도로 엣지 위치를 계산. 고정밀 치수 검사에 필수. |
🌟 OCR / Barcode
이미지에서 문자나 코드를 읽어내는 기술이다. 공장에서는 제품에 인쇄된 로트번호, 시리얼 넘버, QR코드 등을 자동으로 판독하는 데 사용된다.
| OCR (광학 문자 인식) | 1D 바코드 | 2D 코드 (QR, DataMatrix) |
| 이미지 속 문자를 인식해서 텍스트로 변환. 잉크젯, 레이저 마킹된 문자 판독에 활용. 딥러닝 기반 OCR이 최근 주류. |
선 긁기 패턴으로 데이터를 표현. Code128, EAN 등이 대표적. 읽기 쉽지만 저장 용량이 적다. |
2차원 패턴으로 더 많은 데이터를 저장. 공장에서는 DataMatrix가 작은 부품에 직접 마킹하는 방식으로 많이 쓰인다. |
🌟 딥러닝 기반 검사
전통적인 룰 기반 검사가 어려운 복잡한 패턴이나 가변적인 외관 불량에는 딥러닝을 활용한다. 학습 데이터로 모델을 훈련시켜 자동으로 OK/NG를 판정한다.
| 분류 (Classification) | 객체 검출 (Detection) | 세그멘테이션 | 이상 검출 (Anomaly) |
| 이미지 전체가 OK인지 NG인지 판정. | 불량 위치를 Bounding Box로 표시. | 불량 영역을 픽셀 단위로 정확히 구분. | 정상 이미지만 학습해서 비정상 탐지. |
🌟 좌표계 & 캘리브레이션
카메라는 3D 세계를 2D 이미지로 촬영한다. 이 과정에서 픽셀 좌표와 실제 물리 좌표 사이에 차이가 생기며, 캘리브레이션으로 이를 보정해야 정확한 치수 측정이 가능하다.
| 주요 왜곡 종류 | 캘리브레이션 방법 |
| - 방사형 왜곡 (Radial) ㅡ 렌즈 굴절 - 접선 왜곡 (Tangential) ㅡ 렌즈 정렬 불량 - 원근 왜곡 ㅡ 카메라 각도 |
- 체커보드 패턴 촬영 - 내부 파라미터(초점거리, 주점) 계산 - 외부 파라미터(위치, 자세) 계산 - 왜곡 계수 보정 |
🌟 정리하며
영상 처리는 단순히 이미지를 보는 것이 아니라, 전처리 → 특징 추출 → 분석 → 판정 이라는 일련의 파이프라인으로 동작한다. 각 단계를 이해하면 HALCON이나 OpenCV 같은 라이브러리들의 함수들이 왜 그런 순서로 쓰이는지 자연스럽게 납득이 된다.
