본문 바로가기

전체 글

Python 단일 카메라 Depth Estimation (2편): OpenCV를 활용한 뎁스 노이즈 및 떨림 보정 실무 1. 끝없이 요동치는 뎁스 맵, 어떻게 제어할 것인가지난 1편에서는 라이다(LiDAR) 센서를 대체하기 위해 단일 카메라 기반의 딥러닝 Depth Estimation 모델을 산업 현장에 도입했다가 겪었던 치명적인 한계들을 다루었습니다. 조명의 변화나 그림자를 실제 웅덩이로 오인하는 문제도 심각했지만, 현장에서 실시간으로 시스템을 띄웠을 때 마주한 가장 큰 골칫거리는 바로 '플리커링(Flickering)' 현상이었습니다.동일한 위치에서 카메라와 피사체가 1mm도 움직이지 않았음에도 불구하고, 화면에 출력되는 뎁스 맵(Depth Map)의 픽셀 값은 프레임이 바뀔 때마다 미친 듯이 깜빡이고 널뛰기를 반복했습니다. 이런 불안정한 날것의 데이터(Raw Data)를 로봇 팔의 거리 제어 알고리즘이나 물체 인식 트.. 더보기
산업용 데이터 자동화: 비정형 데이터 수집부터 AI 분석 최적화까지, 파이썬 기반 실전 전략 1. 도입: 이론과 현장의 괴리산업 현장에서는 다양한 종류의 데이터가 쏟아져 나온다. IoT 센서의 실시간 값, 장비 로그, 생산 라인의 비전 데이터, 심지어 외부 시장 동향까지, 이 모든 정보는 기업의 의사결정에 중요한 영향을 미친다. 연구실에서 구현하는 깔끔한 데이터 파이프라인은 이론적으로 완벽해 보이지만, 실제 현장에서는 예측 불가능한 변수들이 존재한다. 통신 지연, 불규칙한 데이터 형식, 급작스러운 노이즈 유입 등은 자동화 시스템 구축의 걸림돌이 되곤 한다. 특히 대규모 데이터에 AI 분석을 접목할 경우, 처리 비용과 속도 또한 무시할 수 없는 현장의 한계로 다가온다. 2. 현장에서 발생한 치명적인 에러/한계제이윤이엔지에서 구축한 한 산업용 데이터 분석 시스템 역시 이러한 문제에 직면했다. 이 시.. 더보기
Python 단일 카메라 기반 Depth Estimation 도입기: 라이다(LiDAR) 없이 거리 측정이 가능할까? 1. 도입: 고가의 3D 센서를 소프트웨어로 대체하려는 시도머신비전 설비나 로봇 비전 시스템을 설계할 때 가장 큰 고민거리 중 하나는 '공간의 깊이(Depth)와 거리'를 어떻게 측정할 것인가 하는 점입니다. 가장 확실하고 정밀한 방법은 라이다(LiDAR) 센서나 스테레오(Stereo) 카메라, 혹은 적외선 기반의 뎁스 카메라(Intel RealSense 등)를 하드웨어적으로 부착하는 것입니다. 하지만 이러한 장비들은 단가가 매우 높고, 산업 현장의 열악한 환경(진동, 분진)에서는 내구성을 담보하기 어려울 때가 많습니다.엔지니어로서 비용(Cost)을 절감하면서도 목적을 달성하기 위해 눈을 돌린 곳은 파이썬(Python) 기반의 딥러닝 기술이었습니다. 바로 평범한 2D 단일 카메라(Monocular Cam.. 더보기
파이썬으로 3D 수중 지형 시각화 구현하기 (시뮬레이션 데이터 활용) 바다 환경이나 수중 지형을 3차원으로 표현하는 작업은 해양 데이터 분석이나 시각화 학습에서 매우 흥미로운 주제다. 이 글에서는 실제 수심 데이터가 아닌 **시뮬레이션(가상 데이터)**을 활용하여, 파이썬으로 3D 수중 지형을 표현하는 과정을 단계별로 정리한다.본 예시는 실측 수심 정보가 아닌 임의로 생성한 데이터이며, 목적은 3D 시각화 구조와 표현 방법을 이해하는 것에 있다.3D 수중 지형 시각화 개념 이해수중 지형은 일반적으로 다음과 같은 요소로 구성된다.완만한 경사급격한 낙차 구간돌출 지형(여 형태)움푹 파인 구간(골 형태)이러한 형태는 수학적 함수와 난수를 조합하면 충분히 표현할 수 있다. 실제 데이터를 사용하지 않더라도, 구조를 이해하는 데는 시뮬레이션이 효과적이다.실행 환경Python 3.xn.. 더보기
Python으로 구현한 상품 수집 서버 실시간 로그 분석 및 자동 알림 시스템 1. 상품 수집 서버의 안정성이 곧 비즈니스의 수익이다해외구매대행 사업의 핵심은 수만 개의 상품 데이터를 얼마나 빠르고 정확하게 수집하느냐에 달려 있다. 나는 중국 쇼핑몰의 데이터를 24시간 수집하기 위해 파이썬 기반의 상품 수집 자동화 서버를 운영 중이다. 하지만 서버는 언제나 예기치 못한 이유로 멈출 수 있다. 네트워크 오류나 사이트 구조의 미세한 변화로 수집 스크립트가 멈췄을 때, 이를 뒤늦게 발견하는 것은 비즈니스에 있어 치명적인 기회비용 발생을 의미한다. 이를 방지하기 위해 실시간 로그 분석과 자동 알림 시스템 구축은 선택이 아닌 필수였다.2. 왜 이 기술들을 선택했는가: 설계 의도2.1. Watchdog: CPU 자원을 아끼는 이벤트 기반 감시로그를 감시하는 가장 단순한 방법은 무한 루프를 돌.. 더보기
실제 모바일 영상 처리 실습에서 느낀 한계와 TensorFlow Lite 적용 후기 모바일 환경에서 영상 처리를 해야 하는 상황이 생겼다.처음에는 OpenCV만으로도 충분하지 않을까 생각했다. 실제로 간단한 테스트까지는 문제없이 돌아갔다. 그런데 프레임이 조금만 많아지거나, 모바일 환경을 고려하기 시작하니 생각보다 한계가 분명해졌다.그래서 TensorFlow Lite까지 보게 됐다.솔직히 말하면, 프레임 처리 부분에서 한참 헤맸다. 모바일 환경에서는 로그 하나 보는 것조차 번거로워서, 어떤 접근이 옳은지 판단하는 데 시간이 오래 걸렸다. 자료를 찾아보면 굉장히 가볍고 빠를 것처럼 보이는데, 막상 직접 써보니 생각보다 손볼 게 많았다. ‘모바일에 최적화됐다’는 말과 실제 적용 사이에는 꽤 거리가 있었다.예상과 현실 차이 — 예상보다 쉽지 않았던 이유문서나 예제만 봤을 때는 구조가 단순해 .. 더보기
Python으로 영상 기반 감정 인식 실습을 하며 느낀 현실적인 한계 영상에서 사람의 감정을 인식해야 하는 상황이 생겼다.정확도가 아주 높을 필요는 없었고, “대략적인 분위기”만 파악하면 되는 목적이었다.그래서 처음에는 비교적 접근이 쉬운 Python 기반 감정 인식 모델부터 살펴보게 됐다.자료를 찾아보면 이미 잘 정리된 예제도 많고,웹캠 하나만 있으면 바로 동작하는 것처럼 보였다.솔직히 말하면, 시작하기 전까지는 그렇게 복잡한 작업일 거라고 생각하지 않았다.막상 해보니 생각보다 고려해야 할 부분이 많았다.시작 전에 기대했던 것과 실제의 차이문서나 예제에서는 감정 인식이 꽤 단순해 보였다.프레임을 받아서 얼굴을 검출하고, 감정 클래스를 예측하는 구조였다.속도나 정확도도 어느 정도는 보장되는 느낌이었다.하지만 실제 영상 환경에서는 상황이 달랐다.조명, 얼굴 각도, 표정 변화.. 더보기
Python으로 AR 기반 상품 시각화를 시도하며 느낀 현실적인 한계 AR 기반 상품 시각화를 검토하게 된 건, 온라인에서 상품을 설명하는 방식에 한계를 느꼈기 때문이다.이미지 몇 장과 텍스트만으로는 전달이 잘 안 되는 경우가 많았고, 특히 크기나 배치 감각은 말로 설명하기가 애매했다.처음에는 “이 정도는 생각보다 간단하지 않을까”라는 생각이 있었다. Python으로도 충분히 테스트해볼 수 있을 것 같았고,가벼운 실험 정도라면 큰 부담은 없을 것 같았다. 막상 해보니, 예상과는 조금 달랐다.시작 전에 기대했던 것과 실제의 차이자료를 찾아보면 AR 상품 시각화는 꽤 그럴듯해 보인다.카메라 화면 위에 자연스럽게 상품이 올라가고,실제 공간에 놓인 것처럼 보이는 예제도 많았다.그래서 처음엔“기본 구조만 잡으면 금방 방향이 보이겠지”라고 생각했다.하지만 실제로 테스트를 시작하자,생.. 더보기

티스토리툴바