[논문]표면 결함 검출을 위한 CNN 구조의 비교

최학영; 서기성

doi:10.5370/kiee.2017.66.7.1100

표면 결함 검출을 위한 CNN 구조의 비교
Comparison of CNN Structures for Detection of Surface Defects 원문보기

전기학회논문지 = The Transactions of the Korean Institute of Electrical Engineers, v.66 no.7, 2017년, pp.1100 - 1104

최학영 (Dept. of Electronics and Computer Engineering, Seokyeong University) , 서기성 (Dept. of Electronics Engineering, Seokyeong University)

Abstract ▼ AI-Helper

A detector-based approach shows the limited performances for the defect inspections such as shallow fine cracks and indistinguishable defects from background. Deep learning technique is widely used for object recognition and it's applications to detect defects have been gradually attempted. Deep learning requires huge scale of learning data, but acquisition of data can be limited in some industrial application. The possibility of applying CNN which is one of the deep learning approaches for surface defect inspection is investigated for industrial parts whose detection difficulty is challenging and learning data is not sufficient. VOV is adopted for pre-processing and to obtain a resonable number of ROIs for a data augmentation. Then CNN method is applied for the classification. Three CNN networks, AlexNet, VGGNet, and mofified VGGNet are compared for experiments of defects detection.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

산업용부품의 결함은 해상도가 높은 영상에서 작은 결함을 발견을 해야 하기 때문에 본 연구에서는 VGGNet 보다 pooling layer의 층수를 줄여서 pooling layer를 거치며 줄어드는 특징의 손실을 줄이는 방식을 제안하고 이를 수정된 VGGNet이라고 명한다. 산업용 부품의 표면 결함 검출에 대해서 AlexNet, VGGNet, 그리고 수정된 VGGNet의 3가지 CNN 구조의 성능을 비교한다.

가설 설정

그림 7(b) 하단의 점선 타원은 미검출 사례를 나타낸다. 그림 7(a)에 비해 조명이 어둡게 나타났고 상대적으로 작은 흠집을 검출하지 못한 결과를 나타낸다.

제안 방법

산업용 부품의 표면 결함 검사에 CNN 기반의 딥러닝 기법을 적용하였다. VOV 전처리와 CNN 분류를 결합한 방식을 사용하였고, 기존 VGGNet의 구조를 수정하여 변형된 VGGNet을 제안하였다. VOV 전처리를 통해 얻어진 ROI 영상에 대해서 결함 검사를 수행하였으며, 2 클래스 문제에서는 4%대의 오류율 성능과 4 클래스 문제에서는 8%대의 성능을 얻었다.
기존의 VGGNet은 2개의 conv 층과 하나의 pooling 층 교대로 반복하였는데 비하서, 제안된 구조는 두 번째 conv 층부터 4개의 층을 수행한 후 하나의 pooling 층을 수행한다. 기존 VGGNet 보다 conv 층의 중첩을 늘리고, pooling layer의 층수를 줄이는 방식을 사용하여 결함에 대한 특징의 손실을 적게 하고자 한다.
본 연구에서는 AlexNet보다 적은 크기의 conv 필터를 가지는 VGGNet의 구조에서 conv 층과 pooling 층의 개수 및 연결 관계를 변형하여, 작은 결함의 검출에 특화된 수정된 VGGNet을 제안한다(그림 4 하단). 기존의 VGGNet은 2개의 conv 층과 하나의 pooling 층 교대로 반복하였는데 비하서, 제안된 구조는 두 번째 conv 층부터 4개의 층을 수행한 후 하나의 pooling 층을 수행한다. 기존 VGGNet 보다 conv 층의 중첩을 늘리고, pooling layer의 층수를 줄이는 방식을 사용하여 결함에 대한 특징의 손실을 적게 하고자 한다.
데이터를 2가지 방법으로 나누어 학습하였다. 첫째는 결함과 비결함의 2 클래스 문제로, 둘째는 결함과 비결함을 평면과 가장자리로 세분화하여 4 클래스 문제로 구성하였다.
본 연구에서는 AlexNet보다 적은 크기의 conv 필터를 가지는 VGGNet의 구조에서 conv 층과 pooling 층의 개수 및 연결 관계를 변형하여, 작은 결함의 검출에 특화된 수정된 VGGNet을 제안한다(그림 4 하단). 기존의 VGGNet은 2개의 conv 층과 하나의 pooling 층 교대로 반복하였는데 비하서, 제안된 구조는 두 번째 conv 층부터 4개의 층을 수행한 후 하나의 pooling 층을 수행한다.
산업용부품의 결함은 해상도가 높은 영상에서 작은 결함을 발견을 해야 하기 때문에 본 연구에서는 VGGNet 보다 pooling layer의 층수를 줄여서 pooling layer를 거치며 줄어드는 특징의 손실을 줄이는 방식을 제안하고 이를 수정된 VGGNet이라고 명한다. 산업용 부품의 표면 결함 검출에 대해서 AlexNet, VGGNet, 그리고 수정된 VGGNet의 3가지 CNN 구조의 성능을 비교한다.
크기가 1000x2192인 케이스 외관 검사 영상 500장에 대해서 VOV(Variance Of Variance)[9]를 적용하여, 227x227 크기의 20,000장의 ROI 군들을 추출하였다. 이들 ROI를 정상과 결함 영상으로 분류한 후, AlexNet VGGNet, 그리고 수정된 VGGNet의 3가지 CNN 구조를 적용하여 학습한 후, 테스트 영상에 대해서 검출 성능을 비교하였다. 학습 파라미터는 다음과 같다.
(a)에 비해서 (b)의 밝기 변화가 크므로 열 (b)에 비해 행 (d)의 분산값이 크게 나타난다. 임계치 이상의 분산값을 가지는 구간을 검출하여, 영상내에서의 밝기 변화가 큰 ROI로 선택한다.
데이터를 2가지 방법으로 나누어 학습하였다. 첫째는 결함과 비결함의 2 클래스 문제로, 둘째는 결함과 비결함을 평면과 가장자리로 세분화하여 4 클래스 문제로 구성하였다.

대상 데이터

표 1에 결함과 비결함 영상의 데이터 수, 그리고 학습 및 평가 데이터 수가 나와 있다. 대략 18,000개의 학습 데이터와 2,400개의 평가데이터로 나누어 실험하였다. 표 2에는 4가지 클래스 실험을 위한 결함과 비결함 영상의 데이터 수, 그리고 학습 및 평가 데이터 수가 나와 있다.
그러나 산업용부품의 결함은 해상도가 높은 영상에서 작은 결함을 발견을 해야 하고, 짧은 시간에 검출을 해야 하기 때문에, CNN 네트워크의 크기가 고려되어야 한다. 따라서, 최신의 규모가 큰 GoogLeNet과 ResNet은 제외하고, AlexNet과 VGGNet을 우선적으로 비교 대상으로 선택한다. AlexNet은 11x11 크기의 conv 필터를 사용하지만, VGGNet은 3x3 크기의 작은 conv 필터를 여러 개 사용한다.
크기가 1000x2192인 케이스 외관 검사 영상 500장에 대해서 VOV(Variance Of Variance)[9]를 적용하여, 227x227 크기의 20,000장의 ROI 군들을 추출하였다. 이들 ROI를 정상과 결함 영상으로 분류한 후, AlexNet VGGNet, 그리고 수정된 VGGNet의 3가지 CNN 구조를 적용하여 학습한 후, 테스트 영상에 대해서 검출 성능을 비교하였다.

이론/모형

학습 파라미터는 다음과 같다. Epochs 수는 20, 학습률은 0.01~0.0001, 가중치 감소(Weight Decay)는 0.0005, 가중치 초기화는 Xavier 방법을 사용하였고, 드롭아웃은 사용하지 않았다.
따라서 검출 목적 및 대상 영상에 따라 CNN 만의 또는 전처리 필터와의 결합 기법의 타당성 여부가 결정된다고 볼 수 있다. 본 연구에서는 적정수의 의미있는 ROI를 확보하기 위해서 전처리 필터와 CNN의 결합 기법을 적용한다. 전처리 필터로는 픽셀 값에 대한 분산을 기초로 한 VOV(Variance Of Variance) [9]를 적용한다.
산업용 부품의 표면 결함 검사에 CNN 기반의 딥러닝 기법을 적용하였다. VOV 전처리와 CNN 분류를 결합한 방식을 사용하였고, 기존 VGGNet의 구조를 수정하여 변형된 VGGNet을 제안하였다.

성능/효과

오류율은 전체 평가 데이터에서 잘못 분류한 비율을 의미한다. AlexNet과 VGGNet에 비해서 제안된 CNN 구조인 수정된 VGGNet 방법이 4.33%로 가장 낮은 오류율을 보이고 있다. 4 클래스 문제에 대한 성능비교 결과가 표 4에 나와 있다.
VOV 전처리와 CNN 분류를 결합한 방식을 사용하였고, 기존 VGGNet의 구조를 수정하여 변형된 VGGNet을 제안하였다. VOV 전처리를 통해 얻어진 ROI 영상에 대해서 결함 검사를 수행하였으며, 2 클래스 문제에서는 4%대의 오류율 성능과 4 클래스 문제에서는 8%대의 성능을 얻었다.
아직 실험이 충분치 않아서 제안된 CNN 구조의 성능 개선 여부를 단정 지을 수는 없지만, 구조의 변화가 검출 성능에 영향을 미칠 수 있는 가능성은 확인할 수 있었다. 제안된 구조에 CNN 파라미터를 변화시켜 확장된 실험을 수행하면 더 의미있는 결과를 얻으리라 사료된다.
전반적으로 2 클래스 문제보다는 분류의 경우 수가 늘어나므로 오류율이 더 높으나, 제안된 VGGNet 방법이 8.49%로 가장 낮은 오류율을 보이고 있다. 기존의 VGGNet의 구조를 변형한 제안된 방법이 큰 차이는 아니지만 성능의 개선을 보여주고 있다.

후속연구

아직 실험이 충분치 않아서 제안된 CNN 구조의 성능 개선 여부를 단정 지을 수는 없지만, 구조의 변화가 검출 성능에 영향을 미칠 수 있는 가능성은 확인할 수 있었다. 제안된 구조에 CNN 파라미터를 변화시켜 확장된 실험을 수행하면 더 의미있는 결과를 얻으리라 사료된다. 그리고 VOV 필터를 사용하여 검출되는 ROI 수는 조명에 큰 영향을 받으므로, 대상 영상의 상태에 따라 전처리 필터 없이 CNN을 직접 적용하여 비교해 보는 시도도 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	CNN은 어떤 구조로 구성되어 있는가?	CNN의 구조는 다음과 같이 구성된다. 그림 1과 같이 층 사이의 노드 쌍들 중 일부만 연결하는 컨볼루션층(convolution layer)과 다운 샘플링 층(pooling layer)이 교대로 반복되며 특징 추출에 관여하고, 후반부에 분류 목적에 사용되는 층 사이의 노드를 모두 연결하는 완전연결 층(fully connected layer)이 위치한다.
	VOV기법은 어떻게 결함을 검출하는가?	VOV는 특정 크기를 가지는 윈도우를 이동 및 탐색하면서 영상에서의 변화량이 많은 부분을 1차적으로 분류한다. 검출 방법은 영상의 세로축과 가로축의 픽셀 분산값이 큰 부분을 검출한다[9].
	CNN의 모델중 AlexNet은 어떤 구조로 구성되어 있는가?	그림 4의 상단과 같이 AlexNet은 3개의 conv 층, 2개의 pooling 층, 2개의 FC(fully connected)층으로 구성된다. AlexNet 에서는 데이터의 평균을 구하고 전체 데이터를 평균과 빼서 학습과 평가에 적용하는 Zero-centered, Vanishing Gradient 문제를 해결할 수 있는 ReLU(Rectified Linear Unit) function, Overlapping Pooling 등이 새로 도입되었다.

참고문헌 (13)

Y. Park, and I. S. Kweon "Ambiguous Surface Defect Image Classification of AMOLED Displays in Smartphones," IEEE Trans. on Industrial Informatics, Vol. 12, No. 2, pp. 597-607, 2016

상세보기
J-K. Park, N. Kwon, J-H. and D. Kang "Machine Learning-Based Imaging System for Surface Defect Inspection," International Journal of Precision Engineering and Manufacturing-Green Technology, Vol. 3, No. 3, pp. 303-310, 2016

상세보기
H. Choi and K. Seo, "CNN Based Detection of Surface Defects for Electronic Parts," Journal of Korean Institute of Intelligent Systems, Vol. 27, No. 3, pp. 2017.
LeCun, Yann, et al. "Gradient based learning applied to document recognition," Proceedings of the IEEE, pp. 2278-2324, 1998
A. Krizhevsky, I. Sutskever, and G. Hinton. "ImageNet classification with deep convolutional neural networks.", In NIPS, 2012.
K. Simonyan and A. Zisserman, Very Deep Convolutional Networks for Large-Scale Image Recognition, ICLR 2015.
C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke, and A Rabinovich, "Going Deeper with Convolutions," CVPR 2015
K. He, X. Zhang, S. Ren, J. Sun, "Deep Residual Learning for Image Recognition," CVPR 2016
B.-K Kwon, J.-S. Won, D.-J. Kang. "Fast defect detection for various types of surfaces using random forest with VOV features". International Journal of Precision Engineering and Manufacturing, Vol. 16, No. 5, pp. 965-970, 2015

상세보기
R. Girshick, J. Donahue, T. Darrell, J. Malik, "Region-Based Convolutional Networks for Accurate Object Detection and Segmentation," IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol. 38, No. 1. pp. 142-158. 2016

상세보기
R. Girshick, J. Donahue, T. Darrell, J. Malik, "Region-Based Convolutional Networks for Accurate Object Detection and Segmentation," IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol. 38, No. 1. pp. 142-158. 2016

상세보기
Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun, "Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition," arXiv:1406.472
Shaoqing Ren, Kaiming He, Ross Girshick, Jian Sun, "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks," arXiv:1506.01497

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증