Image Augmentation Parameters
안정적이고 효과적인 학습을 위하여 기존 이미지들에 다양한 변화를 적용하여 학습을 진행하게 되는데 이러한 기법을 이미지 변형(Image Augmentation)이라 하며 이미지의 특성에 따라 적용할 변화의 종류와 정도를 선택할 수 있습니다. [Train] – [Preview]에서 설정된 값에 따라 실제 이미지에 어떻게 적용되는지 확인해 볼 수 있으며, 새로 고침을 누르면 설정된 범위 내에서 랜덤하게 생성된 이미지를 확인할 수 있습니다.
| Image Aug. |
설명 |
기능 |
비고 |
| Vertical Flip |
이미지를 상하 반전시킵니다. |
CLS, DET, SEG, GEN |
사용 권장 |
| Horizontal Flip |
이미지를 좌우 반전시킵니다. |
CLS, DET, SEG, GEN |
사용 권장 |
| Rotate |
이미지를 0, 90, 180, 270도 중 하나로 회전시키는 변형을 가합니다. |
CLS, DET, SEG, GEN |
사용 권장 |
| Ratio Jitter |
이미지의 상하좌우에 변형을 가하여 aspect-ratio 에 변화를 줍니다. |
CLS |
사용 권장 |
| Color Jitter |
명암, 대비, 색감에 미세한 변화를 줍니다. |
CLS, DET, SEG, OCR, GEN |
사용 권장 |
| Blur |
이미지를 흐리게 만듭니다. |
CLS, DET, SEG, OCR |
실제 공정에서 blur 현상이 자주 발생하는 경우에 사용 권장 (예: 카메라 초점이 자주 틀어지는 경우), 일반적인 경우에 사용 권장하지 않음 |
| Zoom |
이미지를 확대하거나 축소하여 다양한 배율의 이미지를 생성합니다. |
CLS, DET |
카메라 상에서 물체의 배율이 자주 변화하는 경우에만 사용 권장, 일반적인 경우에 사용 권장하지 않음 (이미지의 해상도는 변하지 않습니다) |
| Gamma |
이미지에 감마 보정을 수행합니다. |
CLS, DET, SEG |
사용 권장 |
| Bright, Contrast |
명암, 대비에 변화를 줍니다. |
CLS, DET, SEG |
사용 권장 |
Vertical Flip
 |
 |
| original |
v-flip |
Horizontal Flip
|
 |
| original |
h-flip |
Rotate
|
 |
 |
 |
| original |
90 deg |
180 deg |
270 deg |
Ratio Jitter
|
 |
 |
| original |
left(2%), top(5%), right(-2%), bot(+5%) |
left(2%), top(10%), right(-2%), bot(+10%) |
Color Jitter (Det - shallow)
Hue
 |
 |
 |
|
 |
 |
 |
| hue(-18) |
hue(-12) |
hue(-6) |
original |
hue(+6) |
hue(+12) |
hue(+18) |
Saturation
 |
 |
 |
|
 |
 |
 |
| sat.(1/1.50) |
sat.(1/1.33) |
sat.(1/1.16) |
original |
sat.(1.16) |
sat.(1.33) |
sat.(1.50) |
Exposure
 |
 |
 |
|
 |
 |
 |
| exp.(1/1.50) |
exp.(1/1.33) |
exp.(1/1.16) |
original |
exp.(1.16) |
exp.(1.33) |
exp.(1.50) |
Color Jitter (그 외)
Bright
 |
 |
 |
|
 |
 |
 |
| bri.(-0.6) |
bri.(-0.4) |
bri.(-0.2) |
original |
bri.(+0.2) |
bri.(+0.4) |
bri.(+0.6) |
Contrast
 |
 |
 |
|
 |
 |
 |
| con.(-0.6) |
con.(-0.4) |
con.(-0.2) |
original |
con.(+0.2) |
con.(+0.4) |
con.(+0.6) |
Saturation
 |
 |
 |
|
 |
 |
 |
| sat.(-0.6) |
sat.(-0.4) |
sat.(-0.2) |
original |
sat.(+0.2) |
sat.(+0.4) |
sat.(+0.6) |
Hue
 |
 |
 |
|
 |
 |
 |
| hue(-0.1) |
hue(-0.067) |
hue(-0.033) |
original |
hue(+0.033) |
hue(+0.067) |
hue(+0.1) |
Blur
|
 |
 |
| original |
blur(2.5%) |
blur(5%) |
Zoom
 |
 |
|
 |
 |
| x0.5 |
x0.75 |
original |
x1.5 |
x2 |
Gamma
 |
 |
 |
|
 |
 |
 |
| gam.(0.2) |
gam.(0.467) |
gam.(0.733) |
original |
gam.(1.33) |
gam.(1.67) |
gam.(2) |
Bright, Contrast
Bright
 |
 |
 |
|
 |
 |
 |
| bri.(-0.6) |
bri.(-0.4) |
bri.(-0.2) |
original |
bri.(+0.2) |
bri.(+0.4) |
bri.(+0.6) |
Contrast
 |
 |
 |
|
 |
 |
 |
| con.(-0.6) |
con.(-0.4) |
con.(-0.2) |
original |
con.(+0.2) |
con.(+0.4) |
con.(+0.6) |
Data Parameters
분류(Classification)
- Input image size: 원본 이미지를 Input image size 크기로 설정하여 학습에 사용합니다. Input image size가 작을 수록 학습 및 검사 속도가 빨라지나 성능이 저하될 수 있습니다.
검출(Detection)
- Crop: 이미지를 격자 모양으로 잘라 학습에 사용합니다. 전체 이미지에 비해 결함의 크기가 작을 경우 사용을 권장합니다. 일반적으로 검출하고자 하는 가장 작은 결함의 크기가 잘린 격자 크기의 1/20 정도가 되도록 Num. of rows 와 Num. of cols을 설정하는 것을 권장합니다.
- Num. of rows: 격자의 행 개수.
- Num. of cols: 격자의 열 개수.
- Input image size: Standard 모델에서 사용 가능하며 분류 모드와 동일.
분할(Segmentation)
분할 모드의 경우 이미지에서 패치를 crop size 로 잘라 내어 resize factor 로 크기를 변경한 후에 네트워크에 인풋으로 넣어줍니다.
- Crop size: 원본 이미지에서 패치를 crop size로 잘라 내어 학습에 사용합니다.
- Resize factor: 전체 이미지 또는 이미지 패치의 크기를 주어진 resize factor 만큼 확대하거나 축소합니다(변형된 이미지의 크기 = 원본 이미지 크기 x resize factor). 전체 이미지의 크기가 너무 크거나 빠른 검사 속도를 원할 때 resize factor 값을 작은 값으로 설정하는 것을 권장합니다.
- Input patch size: 딥러닝 네트워크에 인풋으로 들어가는 패치의 크기입니다. 학습 시 속도와 GPU 메모리 사용량에 영향을 끼칩니다. Input patch size는 32의 배수여야 하며 64 이상의 값을 가져야 합니다. 또한 Input patch size 는 사용자가 조작할 수 없으며, Crop size 와 resize factor 에 의해 다음의 관계식으로 계산됩니다.
(Input patch size) = (Crop size) * (Resize factor)
- Crop size와 resize factor의 추천 설정 조합은 다음과 같습니다.
- 추천 조합 1: Crop size = 256, resize factor = 1 (default)
- 추천 조합 2: Crop size = 512, resize factor = 1/2 (검출하고자 하는 결함의 크기가 전체 이미지에 비해 클 경우 설정)
문자 인식(OCR)
- Resize factor: 전체 이미지 또는 이미지 패치의 크기를 주어진 resize factor 만큼 축소합니다(변형된 이미지의 크기 = 원본 이미지 크기 x resize factor). 전체 이미지의 크기가 너무 크거나 빠른 검사 속도를 원할 때 resize factor 값을 작은 값으로 설정하는 것을 권장합니다.
이미지 생성(Image Generation)
- Crop size: 라벨링한 결함 주위를 crop size로 잘라 학습에 사용합니다. 결함 사이즈에 따라 결함이 작으면 128, 크면 256으로 설정합니다. 'Recommended'로 설정할 경우 내부 알고리즘에 의해 자동으로 crop size를 설정하며 Recommended로 설정하는 것을 권장합니다.
- NG : OK: 학습에서 한 장의 결함 패치 이미지에 몇 장의 정상 패치 이미지를 매칭할지 설정합니다. 1 : 1을 선택할 경우 결함 패치 이미지와 정상 패치 이미지가 1 : 1로 매칭되며 학습 이미지가 제품을 crop한 후의 이미지일 경우에 사용이 권장됩니다. 1 : Many 는 결함 패치 이미지 1장에 다수의 정상 패치 이미지가 매칭되며 학습 이미지가 제품 전체를 포함하는 이미지일 경우 사용이 권장됩니다.
