와이즈스톤에 시험은 신청해둔 상태
<aside>
목표 성적
| 시험항목 | 목표 |
|---|---|
| 학습 데이터 구축 개수 | 30,000개 이상 |
| 합성 데이터 생성 개수 | 10,000개 이상 |
| 분류 정확도 | 85% 이상 |
| 모델 평균 추론 시간 | 1초 이하 |
| 객체 검출 정확도 | [email protected] 85% 이상 |
| 저장소 | 주요 내용 | 공인시험 활용 | 관리·준비 사항 |
|---|---|---|---|
| safe-check-fischbach-edge | 현장 엣지 검사 앱. 라인스캔 카메라·저장 이미지 리플레이, 기준 이미지/도면 정렬·차이 기반 불량 판정, 대시보드·생산 기록 연동. | 정상/불량 분류 및 처리시간 시험에 활용 검토. 로컬 일괄 검사 도구로 판정 결과와 판정 기준을 results.csv에 저장 가능. |
정답 라벨과 비교한 정확도·평균 처리시간 집계는 별도 준비 필요. 실행 시 도면·기준 이미지와 검사 설정 필요. |
| synthetic-dataset-object-detection | 정상·불량 카트리지 합성 데이터 생성. 일반 검출·회전 박스(OBB)·분할 마스크, 왜곡·연속 프레임 생성 및 라벨 변환·검수 도구. | 합성 데이터 10,000개 이상 생성 및 학습 데이터 구축 준비에 활용. 실제 생성 수량과 데이터 목록을 별도로 집계해야 함. | README·공통 모듈·실행 옵션 정리 완료. 원본·생성 데이터는 로컬 보존하고 Git 추적에서 제외; 별도 데이터 보관(Drive). |
| synth_blender | Blender(bpy) 기반 카트리지 3D 합성. 정상·불량 텍스처 생성, 단일·360° 회전 렌더링, 기준 이미지 정렬·차이 분석 및 YOLO 분류 학습 도구. |
각도·텍스처별 합성 데이터 생성 및 학습 데이터 구축 준비에 활용. 렌더링 파일·각도·설정을 manifest.json에 기록하며, 시험용 생성 수량과 데이터 목록은 별도 집계 필요. |
비공개 저장소로 정리·푸시 완료. 모델·텍스처·데이터는 로컬 보존하고 Git 추적에서 제외; Blender 실행 환경과 입력 자산 별도 준비 필요. |
| fischbach_defect_detection | ONNX로 카트리지 영역을 분할하고 윤곽의 직선 오차로 형상 불량 판정. 정상 기준 분석·SVM 분할·마스크 변환·렌즈 보정 도구 포함. | 정상/불량 분류·평균 추론 시간 시험 준비에 활용. 판정·추론/처리 시간을 CSV/JSON으로 저장하며, 정답 대비 정확도 집계와 시험 조건·임계값 검증은 별도 필요. | 비공개 저장소로 정리·푸시 완료. 모델·데이터는 Git 제외; 추론용 모델·보정 파일(Drive). line_fit_results.csv·figs/·output/은 실행 결과로 Drive 백업 제외. |
스마트제조(휘쉬바크) 과제의 시험성적 대상 과제 목표는 네트워크형 과제(나인웨어)와 완전히 동일하게 작성됨
네트워크형 과제 자료를 참고하는 것이 도움이 될 것이라고 생각됨