AI
고객에게 뚜렷한 경험을: 컬리의 후기 이미지 처리 기술
두줄요약
후기 이미지의 흐림 탐지 정확도를 높이기 위해 CNN 학습과 데이터 증강을 실험했습니다. 라플라시안 윤곽선의 표준편차 기반 룰로 precision 약 90%를 달성했습니다.
문제 상황
- 푸리에 변환 기반 흐린 후기 이미지 탐지의 과다 검출과 불안정한 결과
- 하루 평균 3만 건 이상 등록되는 후기 이미지의 수동 검토 업무 부담
원인 분석
- 기존 데이터에서 흐린 이미지와 뚜렷한 이미지 간 픽셀 분포 차이 부족
- BDNet 기반 CNN의 지엽적 특징 추출과 레이어·풀링 과정의 정보 손실
- 인위적 블러 학습 데이터의 batch별 과적합과 테스트 precision 저하
해결 방법
- RGB 이미지를 흑백 변환 후 라플라시안 필터로 윤곽선 추출
- 라플라시안 변환 이미지 픽셀값 표준편차를 흐림 판단 지표로 활용
- 실제 오검출 사례 분석 기반 표준편차 threshold 4에서 3.5로 하향 조정
성능/운영 포인트
- threshold 3.5 적용 시 검출 이미지의 실제 흐림 비율 약 90% precision
- 저해상도지만 상품 식별 가능한 이미지의 false positive 위험 고려
- 미해결 10% 이미지에 대한 후속 개선 과제