AI 카메라가 렌즈 설계 방식을 바꾸는 이유

오랫동안 카메라 개발은 매우 간단한 논리를 따랐습니다.

더 나은 센서 → 더 높은 해상도 → 더 나은 카메라.

그런 다음 AI가 그림에 들어갔습니다.

갑자기, 카메라는 더 이상 무슨 일이 일어났는지를 기록하지 않게 되었습니다.

그것을 이해할 것으로 예상되었습니다.

보안 카메라는 사람과 차량을 구별해야 할 수도 있습니다. 로봇은 장애물을 인식해야 할 수도 있습니다. 드론은 고속으로 이동하면서 주변 환경을 이해해야 할 수도 있습니다.

그리고 이는 충분한 관심을 끌지 못하는 문제를 야기합니다.

AI는 카메라가 제공하는 시각적 정보로만 작업할 수 있습니다.

뛰어난 알고리즘은 광학 시스템이 포착하지 못한 세부 사항을 복구할 수 없습니다.

이것이 바로 AI가 카메라 렌즈의 설계 방식을 조용히 바꾸는 이유입니다.

AI는 열악한 광학 장치를 사라지게 만들지 않습니다.

점점 더 강력해지는 AI 모델이 평범한 카메라를 보완할 것이라고 생각하기 쉽습니다.

때로는 컴퓨터 사진 촬영이 도움이 될 수 있습니다.

노이즈 감소는 이미지를 향상시킬 수 있습니다.

선명하게 하면 가장자리가 더 강해 보일 수 있습니다.

AI 향상은 시각적으로 그럴듯한 세부 사항을 재구성할 수 있습니다.

하지만 이미지를 더 좋게 보이게 만드는 것과 더 실제적인 정보를 포착하는 것에는 차이가 있습니다.

열악한 광학 해상도로 인해 물체가 심하게 흐려지면 소프트웨어는 원본의 미세한 디테일을 안정적으로 재현할 수 없습니다.

야간 이미지에 사용 가능한 신호가 거의 포함되지 않은 경우 알고리즘은 신뢰할 수 있는 시각적 증거를 단순히 만들어낼 수 없습니다.

이는 오락용으로 이미지를 보지 않는 보안 및 산업용 애플리케이션에 특히 중요합니다.

결정을 내리는 데 사용됩니다.

저조도 성능은 AI 요구 사항이 되고 있습니다

AI 카메라의 가장 큰 과제 중 하나는 저조도입니다.

인간은 종종 어두운 환경에서도 합리적인 판단을 내릴 수 있습니다.

컴퓨터 비전 시스템은 덜 관대합니다.

조명이 감소하면 카메라는 일반적으로 다음과 같은 상황을 직면하게 됩니다.

센서 소음 증가

낮은 대비

모션 블러

색상 정보의 손실

모서리 정의 감소

이러한 문제는 AI 탐지 및 분류에 직접적인 영향을 미칠 수 있습니다.

밤에 주차장을 걷고 있는 사람을 생각해 보십시오.

밝은 장면에서는 AI가 인물의 윤곽, 옷차림, 움직임, 주변 환경에 대한 명확한 정보를 얻을 수 있습니다.

조명이 약한 장면에서는 같은 사람이 시끄러운 실루엣으로 나타날 수 있습니다.

알고리즘이 갑자기 바보가 된 것은 아닙니다.

입력 내용을 해석하기가 훨씬 더 어려워졌습니다.

이것이 바로 조리개가 크고 저조도 광학 설계가 AI 비전 시스템과 점점 더 관련성이 높아지는 이유 중 하나입니다.

픽셀이 작을수록 광학 수요가 커집니다.

최신 센서는 계속해서 픽셀 밀도를 높이고 있습니다.

이는 더 많은 이미지 데이터를 생성하지만 렌즈에 대한 요구도 더 커집니다.

픽셀이 작을수록 더 미세한 공간적 세부 사항을 해결하기 위해 광학 시스템이 필요할 수 있습니다.

렌즈가 따라가지 못하는 경우 픽셀을 추가하면 수익이 감소합니다.

시스템이 상대적으로 작은 시각적 기능에 의존할 수 있기 때문에 이는 AI 카메라의 경우 특히 중요합니다.

인간은 물체의 일반적인 형태를 통해 물체를 인식할 수 있습니다.

AI 모델은 미묘한 패턴, 가장자리, 질감 또는 색상 관계에 의존할 수 있습니다.

따라서 렌즈는 이러한 기능이 전체 이미징 파이프라인에서 살아남을 수 있도록 충분히 깨끗한 이미지를 제공해야 합니다.

이것이 광학 설계와 센서 선택이 점점 더 함께 이루어져야 하는 이유 중 하나입니다.

광각 렌즈는 흥미로운 AI 절충안을 만듭니다

AI 카메라에는 넓은 시야가 필요한 경우가 많습니다.

로봇은 주변 환경을 이해해야 합니다.

드론에는 상황 인식이 필요합니다.

보안 카메라는 넓은 지역을 감시해야 합니다.

그렇다면 단순히 렌즈를 더 넓게 만드는 것은 어떨까요?

광각 광학은 그 자체로 문제를 야기하기 때문입니다.

시야가 증가함에 따라 설계자는 다음을 관리해야 합니다.

왜곡

가장자리 해상도

상대 조명

색수차

이미지 기하학

매우 넓은 렌즈는 주변 환경을 더 많이 포착할 수 있지만 가장자리 근처에서는 이미지 품질이 약해집니다.

인간이 보기에 이는 허용될 수 있습니다.

AI의 경우에는 더욱 복잡해질 수 있습니다.

이미지 가장자리 근처의 물체가 심하게 왜곡되거나 흐려지면 알고리즘은 이미 품질이 저하된 시각적 정보를 해석하도록 요청받습니다.

이로 인해 근본적인 디자인 상충관계가 발생합니다.

더 많은 시야와 더 많은 사용 가능한 세부 사항.

정답은 응용 프로그램에 따라 다릅니다.

로봇 공학: 렌즈가 인식 시스템의 일부가 되고 있습니다

구체화된 AI의 등장은 이 문제를 더욱 심화시키고 있습니다.

로봇은 다음과 같은 질문을 할 여유가 없습니다.

“누가 불 좀 켜주실 수 있나요?”

주어진 환경에서 작동해야 합니다.

해당 환경에는 다음이 포함될 수 있습니다.

그림자

불균일한 조명

반사 표면

좁은 공간

움직이는 사람들

다른 거리에 있는 물체

따라서 카메라는 로봇 인식 시스템의 일부입니다.

로봇 비전의 경우 렌즈 설계에서는 다음을 고려해야 합니다.

 시야

왜곡

저조도 성능

해상도

깊이 인식 요구 사항

크기와 무게

아름다운 실험실 이미지를 만들어내는 렌즈가 움직이는 로봇에는 반드시 적합한 렌즈가 아닐 수도 있습니다.

실제 신뢰성은 완벽한 데모보다 더 중요합니다.

UAV와 드론에는 다른 광학 균형이 필요합니다

드론은 또 다른 흥미로운 도전을 만들어냅니다.

드론 카메라에는 다음이 필요할 수 있습니다.

넓은 시야 + 가벼운 무게 + 좋은 해상도 + 저조도 성능.

참 어려운 조합이네요

넓은 시야는 드론이 주변 환경을 이해하는 데 도움이 됩니다.

가벼운 무게는 비행 효율성에 도움이 됩니다.

좋은 해상도는 물체를 식별하는 데 도움이 됩니다.

새벽, 황혼, 실내 비행 또는 악천후 조건에서는 저조도 성능이 중요합니다.

FPV 시스템에는 또 다른 요구 사항이 추가됩니다.

이미지는 즉각적으로 느껴져야 합니다.

모션 블러, 노출 불량 또는 과도한 이미지 왜곡은 조종사의 시각적 인식에 부정적인 영향을 미칠 수 있습니다.

이것이 바로 드론 렌즈 설계가 단순한 초점 거리 선택이 아닌 점점 더 최적화 문제가 되고 있는 이유입니다.

AI 감시는 탐지에서 이해로 옮겨가고 있습니다.

보안 카메라는 이러한 전환의 가장 명확한 예 중 하나를 제공합니다.

전통적인 감시 질문:

“뭔가 움직였나요?”

현대 AI 감시는 다음을 요구합니다.

이사한 사람은 누구입니까?

이것은 무슨 차량인가요?

이동하는 방향은 무엇입니까?

무슨 물건을 운반하고 있나요?

행동이 이상합니까?

행사 전후에 무슨 일이 있었나요?

분석이 더욱 발전할수록 원본 이미지의 가치는 더욱 높아집니다.

풀컬러 저조도 이미징이 주목받는 이유다.

색상은 다음에 대한 유용한 정보를 제공할 수 있습니다.

차량 분류

의류 식별

객체 인식

장면 이해

적외선은 매우 어두운 환경에서도 여전히 매우 유용하지만 가시적인 주변광을 사용할 수 있는 경우 대구경 광학 시스템은 카메라가 흑백 야간 투시경으로 전환될 때 사라지는 정보를 보존하는 데 도움이 될 수 있습니다.

렌즈는 데이터 품질 구성 요소가 되고 있습니다

이것은 아마도 AI가 광학 공학에 가져오는 가장 큰 변화일 것입니다.

역사적으로 렌즈는 종종 이미징 부품으로 취급되었습니다.

이제는 점점 더 데이터 품질 구성 요소로 간주되어야 합니다.

카메라가 데이터를 캡처합니다.

렌즈는 센서에 도달하는 유용한 광학 정보의 양을 결정합니다.

센서는 해당 정보를 전기 신호로 변환합니다.

ISP가 이를 처리합니다.

AI 모델이 이를 해석합니다.

첫 번째 단계가 약하면 이후의 모든 단계는 더 열심히 노력해야 합니다.

이는 항상 좋은 전략은 아닙니다.

나중에 정보를 수정하기 위해 막대한 계산 리소스를 소비하는 것보다 처음에 더 나은 정보를 캡처하는 것이 일반적으로 더 좋습니다.

이것이 렌즈 디자인에 무엇을 의미합니까?

미래의 AI 카메라 렌즈는 개별 사양보다는 애플리케이션 요구 사항을 중심으로 점점 더 많이 설계될 가능성이 높습니다.

엔지니어는 다음을 고려해야 할 수 있습니다.

센서별 광학 설계

렌즈는 단순히 센서 형식을 지원하는 것이 아니라 실제 센서 특성과 일치해야 합니다.

더 나은 저조도 성능

AI 시스템은 조명이 제한된 경우에도 사용 가능한 시각적 정보가 필요합니다.

더욱 일관된 엣지 성능

광각 시스템에는 중앙뿐만 아니라 이미지 전반에 걸쳐 사용 가능한 정보가 필요합니다.

통제됨왜곡

일부 응용 프로그램은 왜곡을 허용할 수 있습니다. 다른 사람들은 할 수 없습니다.

열 안정성

로봇, 차량, 드론 및 실외 카메라는 넓은 온도 범위에서 작동할 수 있습니다.

애플리케이션별 최적화

이상적인 보안 렌즈가 반드시 이상적인 로봇 렌즈는 아닙니다.

미래는 수행해야 하는 작업을 중심으로 설계된 광학 시스템에 달려 있습니다.

보시광학에서 우리가 배우는 것

~에보시광학, 우리는 보안 감시, 자동차 영상, 의료 영상, 스마트 장치 및 기타 광학 응용 분야 전반에 걸쳐 작업합니다. 이러한 다양한 응용 분야에서 특히 분명한 사실은 다음과 같습니다.

"좋은 렌즈"에 대한 보편적인 정의는 없습니다.

광각 렌즈는 한 카메라에는 탁월하지만 다른 카메라에는 전혀 적합하지 않을 수 있습니다.

고해상도 렌즈는 저비용 모니터링 시스템에는 불필요할 수 있지만 머신 비전에는 필수적입니다.

대구경 렌즈는 야간 감시 용도에는 중요하지만 통제된 ​​산업 환경에서는 덜 중요합니다.

카메라가 AI 시스템의 일부가 되면서 이러한 애플리케이션 우선 접근 방식은 점점 더 중요해지고 있습니다.

렌즈는 단순히 제품 시트에 인상적으로 보이는 사양이 아니라 AI가 수신해야 하는 정보를 중심으로 설계되어야 합니다.

미래: "명확하게 보기"에서 "유용하게 보기"로

AI가 카메라의 목적을 바꾸고 있다.

단순히 매력적인 이미지를 만들기 위해 카메라가 더 이상 존재하지 않습니다.

정보를 제공하기 위해 존재합니다.

그러면 광학 우선순위가 변경됩니다.

문제는 더 이상 단순한 것이 아닙니다.

“이 렌즈는 얼마나 날카로운가요?”

그것은 다음과 같이 된다:

"이 렌즈는 시스템의 실제 작업에 대한 신뢰할 수 있는 시각적 정보를 제공합니까?"

보안을 위해 이는 밤에도 사람의 모습을 보존하는 것을 의미할 수 있습니다.

로봇 공학의 경우 이는 넓은 시야에서 객체 인식을 유지하는 것을 의미할 수 있습니다.

드론의 경우 이는 광각 인식과 저조도 성능의 균형을 의미할 수 있습니다.

산업 비전의 경우 작은 결함을 지속적으로 해결하는 것을 의미할 수도 있습니다.

AI 혁명은 알고리즘에 의해 주도될 수 있지만, 알고리즘에는 여전히 살펴볼 것이 필요합니다.

이것이 바로 AI 비전의 미래가 광학에 의해 형성되는 이유이기도 합니다.