전체 글34 딥러닝 기반 스테레오 Depth Estimation의 전체 흐름과 산업용 비전 적용 딥러닝 기반 스테레오 Depth Estimation의 전체 흐름과 산업용 비전 적용— A Survey on Deep Learning Techniques for Stereo-based Depth Estimation 정리사람은 두 눈의 미세한 시차를 이용해 거리와 깊이를 자연스럽게 인지합니다. 컴퓨터 비전의 Stereo Depth Estimation도 비슷한 원리를 사용합니다. 왼쪽과 오른쪽 카메라에서 같은 장면을 촬영하고, 두 영상에서 같은 지점을 찾아 그 위치 차이인 disparity를 계산한 뒤 삼각측량으로 깊이를 추정합니다.하지만 실제 산업 현장에서는 문제가 단순하지 않습니다. 표면이 반사되거나, 무늬가 반복되거나, 텍스처가 거의 없는 영역이 존재하고, 가려짐(occlusion)도 빈번합니다. 이 때.. 2026. 9. 13. BEVStereo로 이해하는 멀티뷰 3D 깊이 추정과 산업용 비전 응용 BEVStereo로 이해하는 멀티뷰 3D 깊이 추정과 산업용 비전 응용카메라만으로 3차원 공간을 이해하려면 결국 핵심은 ‘깊이(Depth)’입니다. 이번 글에서는 AAAI 2023 논문 BEVStereo: Enhancing Depth Estimation in Multi-View 3D Object Detection with Temporal Stereo를 바탕으로, 왜 기존 카메라 기반 3D 인식이 깊이 추정에서 한계를 가지는지, BEVStereo가 이를 어떻게 개선했는지, 그리고 이 아이디어를 산업용 머신비전과 반도체 장비에 어떻게 확장할 수 있는지 살펴보겠습니다.1. 카메라 기반 3D 인식에서 왜 Depth가 가장 어려운가?LiDAR는 레이저를 직접 쏘고 되돌아오는 시간을 측정하기 때문에 물체까지의 거리.. 2026. 9. 12. 상하이 하루 실전 여행 코스｜우캉맨션·우캉루·푸싱공원·신천지·와이탄 상하이 하루 실전 여행 코스｜우캉맨션·우캉루·푸싱공원·신천지·와이탄상하이 여행을 준비할 때 지도에서 명소를 보는 것과 실제로 하루 동안 움직이는 것은 꽤 다릅니다. 특히 가족 4명이 함께 여행한다면 ‘많이 보는 것’보다 동선이 자연스럽고, 중간에 쉴 수 있으며, 저녁까지 체력이 남는 일정이 더 중요합니다.이번 글은 상하이에서 실제로 하루를 보낸다는 느낌으로, 우캉맨션 → 우캉루 → 푸싱공원 → 신천지 → 와이탄 순서로 이동하는 실전 코스를 정리했습니다. 에이맵(Amap/高德地图)에 바로 입력할 수 있도록 중국어 검색어도 함께 적었습니다.1. 오전 10시｜우캉맨션에서 하루 시작아침부터 너무 서두르기보다 호텔에서 여유 있게 조식을 먹고 9시 30분~10시쯤 출발합니다. 첫 목적지는 우캉맨션(武康大楼)입니다... 2026. 9. 12. 푸동공항에서 상하이 예원 르네상스 호텔까지자기부상열차(Maglev)+지하철로 가는 방법 푸동공항에서 상하이 예원 르네상스 호텔까지자기부상열차(Maglev)+지하철로 가는 방법상하이 푸동국제공항(PVG)에 도착한 뒤 시내 중심의 Renaissance Shanghai Yu Garden Hotel로 이동하는 방법은 여러 가지가 있습니다. 택시나 DiDi를 이용하면 가장 편하지만, 상하이의 대표적인 교통수단인 자기부상열차(Maglev)를 직접 경험해보고 싶다면 공항에서 호텔까지 가는 길에 이용하는 방법이 꽤 재미있습니다.이번 글에서는 푸동공항 → 자기부상열차 → Longyang Road → 지하철 2호선 → East Nanjing Road → 지하철 10호선 → Yuyuan Garden → 호텔 순으로 이동하는 방법을 실제 여행자 관점에서 정리해보겠습니다.1. 전체 이동 경로 한눈에 보기PVG 푸.. 2026. 9. 12. 반도체 웨이퍼 표면 결함을 CNN으로 분류하는 방법 반도체 웨이퍼 표면 결함을 CNN으로 분류하는 방법반도체 제조 공정에서 웨이퍼 표면에 나타나는 결함은 단순한 ‘불량 표시’가 아니라 공정 이상을 알려주는 중요한 신호입니다. 이번 글에서는 2020년 Applied Sciences에 발표된 Inspection and Classification of Semiconductor Wafer Surface Defects Using CNN Deep Learning Networks 논문을 바탕으로, CNN을 이용해 웨이퍼 결함을 어떻게 분류하고 공정 원인 추정까지 연결할 수 있는지 정리합니다.1. 왜 웨이퍼 결함 자동 분류가 필요한가반도체 공정은 박막, CMP, 포토리소그래피, 식각, 이온주입, 산화, 금속배선 등 여러 복잡한 공정으로 구성됩니다. 이 과정에서 로봇 핸.. 2026. 9. 11. 반도체 웨이퍼 미세 결함을 잡는 하이브리드 딥러닝 검사 기술 반도체 웨이퍼 미세 결함을 잡는 하이브리드 딥러닝 검사 기술반도체 웨이퍼 검사에서 가장 어려운 문제 중 하나는 아주 작은 결함을 거대한 고해상도 이미지 속에서 빠르게 찾아내는 일입니다. 이번 글에서는 Journal of Intelligent Manufacturing에 발표된 논문 Improving automated visual fault inspection for semiconductor manufacturing using a hybrid multistage system of deep neural networks를 바탕으로, 전통 영상처리와 딥러닝을 결합한 SH-DNN 방식의 핵심을 살펴봅니다.왜 웨이퍼 검사는 어려운가?웨이퍼 전체 이미지는 매우 크지만 실제 결함은 수 μm, 몇 픽셀 수준에 불과할 수 .. 2026. 9. 11. 이전 1 2 3 4 ··· 6 다음
