선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
제안 방법
- CNN 기반 전자제품 표면 결함 검사 실험은 각 결함 마다 3가지 확장 방법을 적용해 정상과 결함을 분류하는 2 클래스 분류 실험으로 수행한다.
- 본 연구에서는 다양한 표면 결함에 대해서 기하적 변환 외에 작은 결함의 특성에 영향을 끼치는 밝기조절을 추가하여 여러 CNN 네트워크 구조 변화에 대해서 실험한다. 이를 토대로 메탈 케이스의 표면 결함에 대해서 이미지 데이터 확장 방법에 따른 CNN 학습 및 분류 성능의 변화 실험을 수행하고 분석한다.
- 산업용 부품 결함 이미지에 대해서 결함 종류에 따라 어떤 이미지 확장 방법이 학습에 더 효과적인지 CNN 기반의 딥러닝 기법을 적용하여 실험하고 비교분석하였다. 짙은 얼룩, 스크래치, 찍힘 세 가지 결함에 대해 밝기 조절, 회전, 윈도우 이동의 세 가지 이미지 확장 방법을 적용하였다.
- 확장 방법을 사용한 실험에서는 결함 이미지 4000장(원본 400장 + 확장 3600장)과 원본 정상 이미지 4000장을 학습에 사용하였고, 평가는 같은 방법을 사용하였다. 위 데이터로 앞서 소개한 세 가지 네트워크에 대해 각각 열두 개 씩 총 36가지를 실험하였다. 표 1은 실험 데이터를 정리한 것이다.
- 본 연구에서는 다양한 표면 결함에 대해서 기하적 변환 외에 작은 결함의 특성에 영향을 끼치는 밝기조절을 추가하여 여러 CNN 네트워크 구조 변화에 대해서 실험한다. 이를 토대로 메탈 케이스의 표면 결함에 대해서 이미지 데이터 확장 방법에 따른 CNN 학습 및 분류 성능의 변화 실험을 수행하고 분석한다.
- 학습 시 정상 이미지에 비해 결함 이미지의 수가 부족하므로 학습용 결함 이미지에 대해서만 이미지 확장을 수행했다. 이미지 확장 방법은 회전, 윈도우 이동, 밝기 조절 방법을 적용했으며, 각 이미지는 CNN에 입력될 때 32x32 해상도로 크기를 조절하였다.
- 산업용 부품 결함 이미지에 대해서 결함 종류에 따라 어떤 이미지 확장 방법이 학습에 더 효과적인지 CNN 기반의 딥러닝 기법을 적용하여 실험하고 비교분석하였다. 짙은 얼룩, 스크래치, 찍힘 세 가지 결함에 대해 밝기 조절, 회전, 윈도우 이동의 세 가지 이미지 확장 방법을 적용하였다.
- 회전은 71x71 크기 윈도우를 10도씩 회전시켜 확장 이미지를 생성했고, 윈도우 이동은 71x71 크기로 8픽셀씩 이동하며 잘라내어 확장 이미지를 생성했다. 밝기 조절은 영상의 각 픽셀에 실수값을 곱하여 수행하며, 곱해지는 실수 값은 0.
대상 데이터
- 실험에 사용된 원본 이미지는 스크래치, 찍힘, 짙은 얼룩에 대해 각 종류별로 결함 이미지 500장과 정상 이미지 4100장이다. 그리고 확장된 결함 이미지는 각 결함 종류마다 세 가지 확장을 각각 적용하여 생성된 이미지들 중 종류별로 3600장씩 임의로 선택하여 실험에 사용하였다.
- 본 연구에서는 널리 알려진 CNN 네트워크 구조인 AlexNet이나 VGGNet에 비해 비교적 단순한 구조의 네트워크를 사용한다. 네트워크 구조가 복잡해지면 충분히 학습시키기 위해서는 많은 양의 이미지가 필요한데, 산업용 데이터의 특성상 제공되는 양이 매우 적다.
- 실험에 사용된 네트워크에서는 세 개 이하의 컨볼루션 층을 사용하고, 입력 이미지의 크기가 32x32로 작기 때문에 결함에 대한 특징 손실을 적게 하기 위해 세 개 이하의 풀링 층을 사용한다. 그리고 네트워크의 후반부에는 분류를 위한 완전연결 층과 소프트맥스 층이 위치한다.
- 실험에 사용된 원본 이미지는 스크래치, 찍힘, 짙은 얼룩에 대해 각 종류별로 결함 이미지 500장과 정상 이미지 4100장이다. 그리고 확장된 결함 이미지는 각 결함 종류마다 세 가지 확장을 각각 적용하여 생성된 이미지들 중 종류별로 3600장씩 임의로 선택하여 실험에 사용하였다.
- 원본 이미지는 100x100 크기의 이미지로 스크래치, 찍힘, 짙은 얼룩, 정상 4개의 클래스로 이루어져있다. 학습 시 정상 이미지에 비해 결함 이미지의 수가 부족하므로 학습용 결함 이미지에 대해서만 이미지 확장을 수행했다.
- 원본 이미지로만 학습시킨 실험은 결함 이미지 400장, 정상 이미지 400장씩을 학습에 사용하였고, 결함 이미지와 정상 이미지 100장씩에 대해 평가하였다. 확장 방법을 사용한 실험에서는 결함 이미지 4000장(원본 400장 + 확장 3600장)과 원본 정상 이미지 4000장을 학습에 사용하였고, 평가는 같은 방법을 사용하였다.
- 원본 이미지로만 학습시킨 실험은 결함 이미지 400장, 정상 이미지 400장씩을 학습에 사용하였고, 결함 이미지와 정상 이미지 100장씩에 대해 평가하였다. 확장 방법을 사용한 실험에서는 결함 이미지 4000장(원본 400장 + 확장 3600장)과 원본 정상 이미지 4000장을 학습에 사용하였고, 평가는 같은 방법을 사용하였다. 위 데이터로 앞서 소개한 세 가지 네트워크에 대해 각각 열두 개 씩 총 36가지를 실험하였다.
데이터처리
- 표 2~4에 각 네트워크별 3가지 성능 지표에 대한 결과가 나와 있다. 실험에 사용된 데이터의 결함과 정상의 수가 같기 때문에 정확도 위주로 분석하고, 재현율과 정밀도에 대해서는 표 5의 평균 mAP 수치를 중심으로 분석한다.
이론/모형
- 실험 결과를 나타내는 성능지표는 재현율(recall), 정밀도(precision), 정확도(accuracy)를 사용한다. recall은 평가에 사용된 결함 이미지 중 학습된 모델에서 결함으로 분류한 이미지의 비율을 나타내고, precision은 학습된 모델에서 결함으로 분류한 이미지 중 실제 결함 이미지의 비율을 나타낸다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.