https://github.com/jaeni01/coin-classifier-cnn
Damaged-coin image classifier with ML.NET transfer learning (94.60% accuracy, 5-fold CV)
https://github.com/jaeni01/coin-classifier-cnn
csharp deep-learning image-classification mlnet winforms
Last synced: 21 days ago
JSON representation
Damaged-coin image classifier with ML.NET transfer learning (94.60% accuracy, 5-fold CV)
- Host: GitHub
- URL: https://github.com/jaeni01/coin-classifier-cnn
- Owner: jaeni01
- Created: 2026-06-22T13:10:43.000Z (about 1 month ago)
- Default Branch: main
- Last Pushed: 2026-07-03T00:23:06.000Z (21 days ago)
- Last Synced: 2026-07-03T01:22:51.759Z (21 days ago)
- Topics: csharp, deep-learning, image-classification, mlnet, winforms
- Language: C#
- Size: 1 MB
- Stars: 0
- Watchers: 0
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# 동전 판별기 (Coin Classifier · ML.NET 이미지 분류 94.60%)
> 유통 중 훼손·오염 동전과 정상 동전을 자동 판별·분류하는 딥러닝 기반 비전 시스템
## 📌 프로젝트 정보
| 항목 | 내용 |
|------|------|
| 개발 기간 | 2022.11.12 ~ 2022.11.28 |
| 팀 구성 | 3인 팀 프로젝트 |
| 담당 역할 | 딥러닝 계산, C# WinForms Form 제작, OpenCV·Tesseract 문자 인식 |
## 🎯 프로젝트 개요
은행에서 훼손·오염된 폐동전을 분류하는 작업에는 많은 시간이 소요되며, 동전의 크기·모양으로 금액을 분류하는 기계는 있어도 **표면 상태로 폐동전을 가려내는** 시스템은 없습니다. 본 프로젝트는 실시간 카메라 영상을 이진화하여, 마모·오염·녹으로 훼손된 폐동전과 사용 가능 동전을 자동으로 구별하는 시스템을 제작했습니다.
동전은 단색 표면과 빛 반사로 패턴 구별이 어렵기 때문에, **이진화 전처리 → Tesseract OCR → 픽셀 개수 비교 → 딥러닝(ML.NET 이미지 분류)** 순으로 접근 방식을 단계적으로 발전시키며 각 방식의 한계를 실험으로 분석했습니다. 최종적으로 ML.NET 이미지 분류 모델을 통해 **100원 판별 정확도 94.60%**를 달성했고, 앞·뒷면 추론 결과의 일치 여부로 사용 가능 동전과 폐동전을 판정합니다.
## ✨ 주요 기능 / 담당 업무
- **딥러닝 동전 판별 모델 구축 (담당)**: 500·100·50·10원 앞·뒷면을 다양한 각도·조명에서 이진화 촬영해 학습 데이터셋을 구성하고, ML.NET 이미지 분류(전이학습 기반) 모델을 학습시켰습니다. 5-Fold 교차검증으로 정확도를 평가했으며 100원 판별 정확도 94.60%를 달성했습니다.
- **판별 로직 구현 (담당)**: 앞·뒷면을 각각 추론해 두 결과가 일치하면 사용가능, 불일치하면 폐동전으로 분류하는 판정 로직을 구현했습니다.
- **C# WinForms GUI 제작 (담당)**: 이미지를 입력받아 추론 모델을 호출하고, 예측 결과와 확률(Score)을 사용자에게 시각적으로 보여주는 데스크톱 GUI를 제작했습니다.
- **OpenCV·Tesseract 문자 인식 시도 (담당)**: OpenCV 이진화로 추출한 숫자·문자를 Tesseract OCR로 실시간 인식하려 했으나, 단색·빛 반사로 인한 글자 깨짐으로 한계를 확인하고 방식 전환의 근거를 확보했습니다.
## 🛠 기술 스택
### Software
- C# / .NET (WinForms)
- ML.NET — Image Classification (전이학습 기반 이미지 분류)
### 시도한 접근 (최종 미채택)
- OpenCV 이진화 + 픽셀 개수 비교 — 조명 편차로 신뢰성 확보 실패
- Tesseract OCR 문자 인식 — 단색·빛 반사로 인한 글자 깨짐으로 한계 확인
- 위 실험 과정은 아래 [기술적 도전과 해결](#-기술적-도전과-해결-technical-challenges)에 정리 (해당 코드는 본 저장소에 미포함)
### Hardware
- 웹캠 (실시간 영상 입력)
## 🚀 빌드 안내
```bash
dotnet build CoinClassifier.sln
```
- `CoinTestGO` — WinForms 판별 GUI / `CoinTestGOML.ConsoleApp` — 학습 파이프라인 / `CoinTestGOML.Model` — 추론 엔진
- 학습된 모델 파일 `MLModel.zip`은 학습 산출물로 저장소에 **미포함**되어 있습니다. 추론 실행은 `CoinTestGOML.ConsoleApp`의 ModelBuilder로 재학습해 실행 파일 폴더에 모델을 배치한 후 가능합니다.
## 🔀 시스템 아키텍처
```mermaid
flowchart LR
A["웹캠 / 이미지 입력"] --> B["OpenCV 이진화 전처리"]
B --> C["ML.NET 추론 - 앞면"]
B --> D["ML.NET 추론 - 뒷면"]
C --> E["앞뒤 값 비교"]
D --> E
E -->|일치| F["사용가능 동전"]
E -->|불일치| G["폐동전"]
F --> H["금액별 분류 - 500/100/50/10원"]
B -.폐기된 방식.-> I["픽셀 개수 비교"]
B -.폐기된 방식.-> J["Tesseract OCR 문자 인식"]
```
웹캠으로 입력된 동전 영상을 이진화 전처리한 뒤 앞·뒷면 각각을 ML.NET 이미지 분류 모델로 추론하고, 두 값의 일치 여부로 사용가능 동전과 폐동전을 구분하며, 사용가능 동전은 금액별로 분류합니다. 초기에 시도한 픽셀 비교·OCR 방식은 신뢰성 한계로 폐기되었습니다.
## 💻 핵심 코드 (담당 역할)
### 1. WinForms GUI — 이미지 입력 및 추론 결과 표시
이미지를 선택받아 ML.NET 추론 모델을 호출하고, 예측 결과와 확률(Score)을 정렬해 가장 높은 확률을 화면에 출력합니다. (`CoinTestGO/Form1.cs`)
```csharp
private void Result(string _adress)
{
var input = new ModelInput()
{
ImageSource = _adress
};
ModelOutput result = ConsumeModel.Predict(input);
// Score 배열을 내림차순 정렬해 최상위 확률을 추출
float ex_temp;
for (int i = 0; i < result.Score.Length; i++)
{
for (int j = 1; j < result.Score.Length; j++)
{
if (result.Score[i] < result.Score[j])
{
ex_temp = result.Score[j];
result.Score[j] = result.Score[i];
result.Score[i] = ex_temp;
}
}
}
textBox2.Text = $"확률은 {result.Score[0] * 100:N2} % ";
textBox3.Text = $"결과는 {result.Prediction} 입니다. ";
}
```
### 2. 학습 파이프라인 — ML.NET 이미지 분류
원본 이미지 바이트를 Feature로 변환하고 `ImageClassification` 트레이너로 다중 분류 모델을 구성합니다. 별도 검증셋이 없어 5-Fold 교차검증으로 정확도를 측정했습니다. (`CoinTestGOML.ConsoleApp/ModelBuilder.cs`)
```csharp
public static IEstimator BuildTrainingPipeline(MLContext mlContext)
{
// 라벨 매핑 + 이미지 원본 바이트를 Feature로 로드
var dataProcessPipeline = mlContext.Transforms.Conversion.MapValueToKey("Label", "Label")
.Append(mlContext.Transforms.LoadRawImageBytes("ImageSource_featurized", null, "ImageSource"))
.Append(mlContext.Transforms.CopyColumns("Features", "ImageSource_featurized"));
// 이미지 분류 트레이너
var trainer = mlContext.MulticlassClassification.Trainers.ImageClassification(
new ImageClassificationTrainer.Options() { LabelColumnName = "Label", FeatureColumnName = "Features" })
.Append(mlContext.Transforms.Conversion.MapKeyToValue("PredictedLabel", "PredictedLabel"));
return dataProcessPipeline.Append(trainer);
}
private static void Evaluate(MLContext mlContext, IDataView trainingDataView, IEstimator trainingPipeline)
{
// 단일 데이터셋을 5-Fold 교차검증해 정확도 지표 산출
var crossValidationResults = mlContext.MulticlassClassification.CrossValidate(
trainingDataView, trainingPipeline, numberOfFolds: 5, labelColumnName: "Label");
PrintMulticlassClassificationFoldsAverageMetrics(crossValidationResults);
}
```
### 3. 추론 엔진 — 학습된 모델 로드 및 예측
학습된 모델(.zip)을 한 번만 로드해 `PredictionEngine`을 지연 생성(Lazy)하고, 재사용하여 예측합니다. (`CoinTestGOML.Model/ConsumeModel.cs`)
```csharp
private static Lazy> PredictionEngine =
new Lazy>(CreatePredictionEngine);
public static ModelOutput Predict(ModelInput input)
{
ModelOutput result = PredictionEngine.Value.Predict(input);
return result;
}
```
## 🔧 기술적 도전과 해결 (Technical Challenges)
### Q1. 단색 동전의 패턴을 어떻게 인식할 것인가?
> **Challenge:** 동전은 단색 표면에 빛 반사가 심해, OpenCV로 최대한 정확하게 이진화하더라도 패턴이 일부 깨져 Tesseract OCR이 동전의 숫자·문자를 제대로 인식하지 못했습니다.
>
> **Solution:** OCR로 문자를 직접 읽는 방식의 한계를 실험으로 확인하고, 문자 인식 대신 이진화된 동전 패턴 전체를 학습하는 딥러닝(ML.NET 이미지 분류) 방식으로 전환했습니다.
### Q2. 조명에 따라 결과가 달라지는 픽셀 비교 방식의 한계
> **Challenge:** 딥러닝 난이도가 높아 먼저 이진화된 동전의 흰색 픽셀 개수를 세어 개수가 비슷하면 같은 동전으로 판단하는 방식을 시도했으나, 빛에 따라 픽셀 개수가 천차만별로 달라져 신뢰성 확보에 실패했습니다.
>
> **Solution:** 조명 편차에 취약한 픽셀 비교 방식을 폐기하고, 다양한 구도·빛 반사·회전 각도로 촬영·이진화한 이미지를 학습 데이터로 구성해 조명 변화에 강건한 딥러닝 모델을 구축했습니다.
### Q3. 학습 데이터가 적은 상황에서 정확도를 어떻게 신뢰할 것인가?
> **Challenge:** 동전 이미지 데이터셋의 규모가 작아 학습용·검증용 데이터를 따로 나누기 어려웠고, 단일 학습 결과만으로는 모델 정확도를 신뢰하기 어려웠습니다.
>
> **Solution:** 단일 데이터셋을 5-Fold 교차검증(CrossValidate)으로 평가해 평균 정확도와 표준편차·신뢰구간을 함께 산출했습니다. 또한 동전을 여러 각도로 회전·다양한 조명에서 촬영해 데이터 다양성을 확보, 최종 100원 판별 정확도 94.60%를 달성했습니다.
## 📸 프로젝트 흐름 및 이미지 기록
> 입력 이미지 → 전처리 → ML.NET 추론 → WinForms 결과 표시 흐름이 보이도록 구성했습니다. 동전의 앞/뒷면과 폐동전 여부를 함께 보여줘 단순 분류 정확도뿐 아니라 실제 사용 화면까지 확인할 수 있습니다.
```mermaid
flowchart LR
Image[Coin Image] --> Preprocess[OpenCV Binarization]
Preprocess --> Model[ML.NET Image Classifier]
Model --> Result[Prediction + Probability]
Result --> UI[WinForms Result View]
```
| 화면 | 설명 |
|------|------|
|  | WinForms 판별 GUI — 동전 앞·뒷면 이진화 이미지와 확률·결과를 표시하며 사용 가능 동전과 폐동전 결과를 비교 |
|  | 동전 이진화 전처리 — 빛 반사로 패턴이 보이지 않던 원본을 이진화해 숫자·문양 특징을 또렷하게 변환 |
|  | 최종 결과 비교 — 정상 500원과 폐동전 케이스를 같은 화면에 배치해 모델 판정 차이를 확인 |
|  | 100원 판별 예시 — `100원 = 94.60%`처럼 추론 확률을 UI에 표시해 결과 신뢰도를 함께 제공 |
|  | 전처리/판별 UI — 입력 이미지 경로, 앞면/뒷면 처리 결과, 예측값이 한 화면에서 이어지는 구조 |
|  | 이진화 테스트 — 원본 대비 이진화 결과를 확인하며 조명 변화에 따른 특징 보존 여부를 검증 |
## 📄 라이선스·공개 범위
- 본 프로젝트는 3인 팀 프로젝트이며, 이 저장소에는 본인이 담당한 부분의 코드를 공개합니다.
- 팀원 공동 산출물(학습 데이터셋, 학습된 모델 파일 등)은 저장소에 포함하지 않았습니다.