[논문]기계 학습을 활용한 이미지 결함 검출 모델 개발

이남영; 조혁현; 정희택

doi:10.13067/jkiecs.2020.15.3.513

기계 학습을 활용한 이미지 결함 검출 모델 개발
Development of Image Defect Detection Model Using Machine Learning 원문보기

한국전자통신학회 논문지 = The Journal of the Korea Institute of Electronic Communication Sciences, v.15 no.3, 2020년, pp.513 - 520

이남영 (전남대학교 멀티미디어전공) , 조혁현 (전남대학교 멀티미디어전공) , 정희택 (전남대학교 멀티미디어전공)

초록
AI-Helper

최근 기계 학습을 활용한 비전 검사 시스템의 개발이 활발해지고 있다. 본 연구는 기계 학습을 활용한 결함 검사 모델을 개발하고자 한다. 이미지에 대한 결함 검출 문제는 기계 학습에 있어 지도 학습 방법인 분류 문제에 해당한다. 본 연구에서는 특징을 자동 추출하는 알고리즘과 특징을 추출하지 않는 알고리즘을 기반으로 결함 검출 모델을 개발한다. 특징을 자동 추출하는 알고리즘으로 1차원 합성곱 신경망과 2차원 합성곱 신경망을 활용하였으며, 특징을 추출하지 않는 알고리즘으로 다중 퍼셉트론, 서포트 벡터 머신을 활용하였다. 4가지 모델을 기반으로 결함 검출 모델을 개발하였고 이들의 정확도와 AUC를 기반으로 성능 비교하였다. 이미지 분류는 합성곱 신경망을 활용한 모델 개발이 일반적임에도, 본 연구에서 이미지의 화소를 RGB 값으로 변환하여 서포트 벡터 머신 모델을 개발할 때 높은 정확도와 AUC를 얻을 수 있었다.

Abstract ▼ AI-Helper

Recently, the development of a vision inspection system using machine learning has become more active. This study seeks to develop a defect inspection model using machine learning. Defect detection problems for images correspond to classification problems, which are the method of supervised learning in machine learning. In this study, defect detection models are developed based on algorithms that automatically extract features and algorithms that do not extract features. One-dimensional CNN and two-dimensional CNN are used as algorithms for automatic extraction of features, and MLP and SVM are used as algorithms for non-extracting features. A defect detection model is developed based on four models and their accuracy and AUC compare based on AUC. Although image classification is common in the development of models using CNN, high accuracy and AUC is achieved when developing SVM models by converting pixels from images into RGB values in this study.

주제어

표/그림 (10)

그림 그림 1. 결함 검출 시스템 구조 Fig. 1 Defect detection system architecture
그림 그림 2 포장지 이미지 Fig. 2 Wrapping paper image
그림 그림 3. 학습 데이터 생성을 위한 window 구성 Fig. 3 Window size to generate train data set
그림 그림 4. 줄 이미지 RGB로 변환 Fig. 4 Transform line image to RGB value
그림 그림 5. 다층 퍼셉트론 기반 결함 검출 모델 구조 Fig. 5 Defect detection model based on MLP
그림 그림 6. 서포트 벡터 머신 기반 결함 검출 모델 구조 Fig. 6 Defect detection model based on SVM
그림 그림 7. 1차원 합성곱 신경망 기반 결함 검출 모델 구조 Fig. 7 Defect detection model based on 1D CNN
그림 그림 8. 2차원 합성곱 신경망 기반 결함 검출 모델 구조 Fig. 8 Defect detection model based on 2D CNN
그림 그림 9. 윈도우 크기별 2D 합성곱 신경망 AUC Fig. 9 2D CNN accuracy and AUC by window size
표 표 1. window size 3에서 모델 비교 Table 1. Model comparison based on window size is 3

AI 본문요약
AI-Helper

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

문제 정의

1차원 합성곱 신경망을 고려한 이유는, 다층 퍼셉트론과 서포트 벡터 머신과 동일한 입력 RGB 값에 대한 분류 성능을 비교하기 위함이다. 나아가 2차원 합성곱 신경망과 비교 했을 때 차이점을 찾고자 수행하였다. 다음으로 이미지로부터 각 채널의 특징을 추출하여 모델을 생성하는 2차원 합성곱 신경망 모델 개발을 기술한다.
나아가 2차원 합성곱 신경망과 비교 했을 때 차이점을 찾고자 수행하였다. 다음으로 이미지로부터 각 채널의 특징을 추출하여 모델을 생성하는 2차원 합성곱 신경망 모델 개발을 기술한다.
본 연구는 기계 학습을 활용한 결함 검사 모델을 개발하고자 한다. 기존 검사 시스템은 생산 환경 변화와 새로운 불량원인(이물, 오염, 깨짐)을 해결하기 위해, 기존 프로그램을 수정해야 하는 문제가 존재하지만, 이미지들을 기계 학습에 기반한 모델을 개발함으로써 비전문가도 손쉽게 검사 시스템의 운영이 가능하다[5-6].
본 연구는 기계 학습을 활용한 결함 검출 모델 개발 방안을 제시하고 성능 비교를 하였다. 기존 검사 시스템은 생산 환경 변화와 새로운 불량 원인을 해결하기 위해, 기존 프로그램을 수정해야 하는 문제가 존재하지만, 이미지들을 기계 학습에 기반한 모델을 개발함으로써 비전문가도 손쉽게 검사 시스템의 운영이 가능하다.
이미지 분류 문제를 해결할 수 있는 결함 검출 모델을 개발하기 위해, 본 연구에서는 특징 추출이 없는 알고리즘인 다층 퍼셉트론과 서포트 벡터 머신 알고리즘을 활용하여 모델을 개발하였다. 다음으로 특징 추출이 있는 알고리즘인 합성곱 신경망 알고리즘을 활용하여 1차원과 2차원 모델을 개발하였다.

가설 설정

일반적으로 라인 스캐너에 의해 획득되는 데이터는 1~4줄 단위로 획득한다[4]. 본 연구에서는, 학습 데이터 구축을 위해 라인 스캐너가 한 번에 3줄을 읽어 들인다고 가정하였다. 3줄 단위로 입력되는 데이터는 그림3과 같은 윈도우 방법으로 데이터를 생성하였다.

제안 방법

2차원 합성곱 신경망을 활용한 결함 검출 모델에서는 효율적인 윈도우 크기를 결정하기 위해, 1줄에서 343줄 크기를 갖는 서로 다른 윈도우 343개에 대해 결함검출 모델을 각각 개발하였다.
즉 1줄로 구성된 윈도우에서 343줄로 구성된 윈도우를 갖는 이미지를 학습 데이터로 구축하였다. 각 줄별 참 및 거짓 데이터 34,300장의 학습 데이터를 구축하게 되어 전체 합이 11,764,900(343 경우 수X34,300개 이미지)개의 학습 이미지를 구축하였다.
합성곱 신경망은 이미지에 있는 특징들을 자동 추출하여 학습한다. 그러나, 본 연구에서는 결함 검출에 있어 특징을 자동 추출하지 않는 다층 퍼셉트론(:MLP, Multi-Layer Perceptron), 서포트 벡터 머신(:SVM, Support Vector Machine) 알고리즘 등을 함께 적용 분석한다. 즉, 특징 추출을 포함한 네트워크와 특징 추출을 포함하지 않는 네트워크를 적용하여 기계 학습에 기반한 결함 검출 모델을 개발하고 비교한다.
표 1은 3줄로 구성된 동일한 입력 윈도우에 대한 비교 결과이다. 기준 측정값으로 정확도와 AUC(Area Under Curve)를 사용하였다. 민감도(sensitivity)와 특이도(specificity)가 어떤 관계를 갖고 변하는지를 이차원 평면상에 표현한 것이 ROC curve인데, ROC curve 아래의 면적이 AUC로, 이 면적이 넓을수록 좋은 모델로 평가할 수 있다.
2차원 합성곱 신경망을 활용한 결함 검출 모델 개발에서는 입력 데이터를 이미지 자체를 대상으로 하였다. 다만, 결함 검출 모델 개발에 있어 라인 스캔너의 획득 이미지 크기에 영향 받는지를 구분하기 위해, 학습 데이터의 크기를 1줄에서 343줄의 윈도우(343 경우의 윈도우 수)를 갖는 이미지를 대상으로 개발하였다. 즉, 343개의 결함검출 모델을 생성하였고 이들 중 정확도가 가장 높을 때의 입력 크기를 분석하기 위함이다.
이미지 분류 문제를 해결할 수 있는 결함 검출 모델을 개발하기 위해, 본 연구에서는 특징 추출이 없는 알고리즘인 다층 퍼셉트론과 서포트 벡터 머신 알고리즘을 활용하여 모델을 개발하였다. 다음으로 특징 추출이 있는 알고리즘인 합성곱 신경망 알고리즘을 활용하여 1차원과 2차원 모델을 개발하였다. 이들의 성능을 정확도와 AUC를 기반으로 분석하였다.
다층 퍼셉트론을 이용한 결함 검출 모델 개발은 활성화 함수, 가중치 최적화 기법, 그리고 은닉층 크기 값을 매개변수로 하여 모델을 개발하였다. 활성화 함수는 ‘relu’로, 가중치 최적화 기법은 ‘adam’으로, 은닉층으로 2개 층에 각 100개의 노드를 설정하였다.
이를 위해 포장지 이미지를 기반으로 학습 데이터 구축, 특징 추출이 없는 결함 검출 모델과 특징 추출이 있는 결함 검출 모델 개발을 제시한다. 또한, 모델들을 AUC를 기반으로 모델 성능을 평가하고 비교한다. 마지막으로 4장에서는 결론 및 향후 연구를 기술한다.
매개변수 선택과정에서 활성화 함수는 “relu”의 단점을 보완한 “elu” 함수와 초기 노드 개수를 60으로 하여 개수를 절반으로 나누어가며 층을 생성하며 학습시켰다.
분석된 결과 이미지를 대상으로 분류에 있어 합성곱 신경망을 많이 사용하지만, 서포트 벡터 머신도 그에 못지 않는 성능이 존재함을 제시하였다. 모델을 구축함에 매개변수를 어떻게 설정하느냐에 따라 성능이 변할 수 있지만, 본 연구에서 제시한 것과 같이 이미지를 3줄 RGB 값으로 변환하여 학습 데이터로 활용해서, 서포트 벡터 머신 기반 모델을 만들어도 높은 AUC를 담보하는 모델을 생성할 수 있음을 제시했다.
다. 본 연구에서는 이미지 처리 분야에서 활용하는 특징 추출을 신경망에 내포시킨 합성곱 신경망 기법과 특징 추출을 포함하지 않지만, 고전적인 분류 알고리즘인 다층 퍼셉트론, 서포트 벡터 머신을 간략히 기술한다. 합성곱 신경망은 입력 이미지로부터 필터링(filtering)과 폴링(pooling)을 수행하여 이미지의 특징을 추출한다[9-10].
서포트 벡터 머신의 성능을 결정하는 다양한 매개 변수가 있지만 가장 큰 변화를 주는 커널(Kernel)과 비용(Cost)값을 중점으로 바꾸어 가며 모델을 구축하였다. 비선형 분류를 위한 데이터의 차원을 증가시켜 하나의 초평면으로 분류할 수 있도록 도와주는 커널 함수로 다항 함수(Poly)를 선택하고, 비용은 얼마나 많은 데이터 샘플이 다른 클래스에 놓이는 것을 허용하는지 결정하는 패널티 오류 변수로 값이 작을수록 많이 허용하고, 클수록 적게 허용하는 것인데, 본 연구에서는 10.0으로 최종 설정하였다. 그 결과 10-fold 교차 검증에 의한 평균 정확도는 85%였다.
서포트 벡터 머신의 성능을 결정하는 다양한 매개 변수가 있지만 가장 큰 변화를 주는 커널(Kernel)과 비용(Cost)값을 중점으로 바꾸어 가며 모델을 구축하였다. 비선형 분류를 위한 데이터의 차원을 증가시켜 하나의 초평면으로 분류할 수 있도록 도와주는 커널 함수로 다항 함수(Poly)를 선택하고, 비용은 얼마나 많은 데이터 샘플이 다른 클래스에 놓이는 것을 허용하는지 결정하는 패널티 오류 변수로 값이 작을수록 많이 허용하고, 클수록 적게 허용하는 것인데, 본 연구에서는 10.
본 장에서 결함 검출 모델을 개발하기 위해, 대상 이미지 데이터의 획득 및 학습, 검증, 테스트 데이트의 생성 방안을 기술한다. 이들 데이터로부터 특징 추출이 없는 다층 퍼셉트론, 서포트 벡터 머신, 1차원 및 2차원 합성곱 신경망 모델 개발을 기술한다. 1차원 합성곱 신경망을 고려한 이유는, 다층 퍼셉트론과 서포트 벡터 머신과 동일한 입력 RGB 값에 대한 분류 성능을 비교하기 위함이다.
다음으로 특징 추출이 있는 알고리즘인 합성곱 신경망 알고리즘을 활용하여 1차원과 2차원 모델을 개발하였다. 이들의 성능을 정확도와 AUC를 기반으로 분석하였다. 분석된 결과 이미지를 대상으로 분류에 있어 합성곱 신경망을 많이 사용하지만, 서포트 벡터 머신도 그에 못지 않는 성능이 존재함을 제시하였다.
최적의 매개변수 결정은 값들의 다양한 변경을 통해 값들을 설정하고 그 결과 정확도(accuracy)를 기반으로 변수들을 재조정하였다. 이때 정확도는 학습 데이터의 특성에 의해 영향을 받을 수 있기 때문에 본 연구에서는 10-fold 교차검증(crossvalidation)을 통해 평균 정확도가 가장 높은 초매개 변수 갖는 모델을 선택하였다. 이미지 결함검출 모델 개발을 위한 시스템 환경으로는 윈도우 10, 128GB 메모리, 2개의 NVIDIA Quadro P5000 GPU를 기반으로 하였다.
3장에서는 기계 학습을 활용한 결함 검출 모델 개발을 제시한다. 이를 위해 포장지 이미지를 기반으로 학습 데이터 구축, 특징 추출이 없는 결함 검출 모델과 특징 추출이 있는 결함 검출 모델 개발을 제시한다. 또한, 모델들을 AUC를 기반으로 모델 성능을 평가하고 비교한다.
데이터를 미리 RGB로 분해하여 입력받기 때문에 다층 퍼셉트론, 서포트 벡터 머신에서 입력되는 되는 4,950개의 입력과 동일한 입력을 대상으로 하였다. 즉, 입력을 RGB의 1차원 데이터로 변환하여 학습 데이터를 구성하기 때문에, 1차원 합성곱 신경망 결함검출 모델을 활용하여 개발하였다. 매개변수 선택과정에서 활성화 함수는 “relu”의 단점을 보완한 “elu” 함수와 초기 노드 개수를 60으로 하여 개수를 절반으로 나누어가며 층을 생성하며 학습시켰다.
그러나, 본 연구에서는 결함 검출에 있어 특징을 자동 추출하지 않는 다층 퍼셉트론(:MLP, Multi-Layer Perceptron), 서포트 벡터 머신(:SVM, Support Vector Machine) 알고리즘 등을 함께 적용 분석한다. 즉, 특징 추출을 포함한 네트워크와 특징 추출을 포함하지 않는 네트워크를 적용하여 기계 학습에 기반한 결함 검출 모델을 개발하고 비교한다. 특히 합성곱 신경망을 기반으로 한 결함 검출 모델에 있어, 학습 데이터의 크기에 대한 다양한 실험 및 분석을 하여 효율적인 결함 검출 모델 구축 방안을 제시한다.
각각에 대한 정확도와 AUC는 그림 9와 같다. 지면상의 이유로 AUC를 기준으로 그 일부를 제시하였다. 윈도우 크기가 95줄 일 때 AUC가 1이고 정확도는 69%였다.
즉, 참에 해당하는 343개의 학습 데이터를 생성하였고, 각 343개 학습 데이터에 램덤 함수를 적용하여 임의 화소의 값을 변경함으로써 거짓에 해당하는 343개의 학습 데이터를 구축하였다. 참 데이터와 거짓 데이터를 합한 686개의 데이터를 학습 데이터를 구축하였고, 이 데이터를 scikit-learn에서 제공하는 섞기(shuffling)를 통해 학습, 검증 데이터를 구축하였다.
즉, 특징 추출을 포함한 네트워크와 특징 추출을 포함하지 않는 네트워크를 적용하여 기계 학습에 기반한 결함 검출 모델을 개발하고 비교한다. 특히 합성곱 신경망을 기반으로 한 결함 검출 모델에 있어, 학습 데이터의 크기에 대한 다양한 실험 및 분석을 하여 효율적인 결함 검출 모델 구축 방안을 제시한다.
활성화 함수는 ‘relu’로, 가중치 최적화 기법은 ‘adam’으로, 은닉층으로 2개 층에 각 100개의 노드를 설정하였다.

대상 데이터

기계 학습에 기반한 결함 검출 모델을 개발하기 위해 대상 데이터로는 과자 포장지를 사용하였다. 국내 포장지 이미지를 쉽게 구할 수 없기 때문에 구글링을 통해 그림 2와 같은 jpg 이미지(550X343)를 대상으로 하였다.
앞서 제시한 학습 데이터 구축에 있어 윈도우의 크기를 3줄로 한 것은 라인 스캐너의 특성, 일반성 있는 모델 구축 및 성능 비교를 수행하자고 한 것이다. 그러나, 성능이 3줄이라는 윈도우 크기에 의존되었을 수 있다는 이유, 모델 구축의 긴 소요 시간 요구, 그리고 이미지를 기반으로 모델 개발에 2차원 합성곱 신경망이 널리 사용된다는 이유로 윈도우 크기별 모델 개발 및 성능 비교를 위해 윈도우 크기별 학습 데이터를 생성하였다. 즉 1줄로 구성된 윈도우에서 343줄로 구성된 윈도우를 갖는 이미지를 학습 데이터로 구축하였다.
기계 학습에 기반한 결함 검출 모델을 개발하기 위해 대상 데이터로는 과자 포장지를 사용하였다. 국내 포장지 이미지를 쉽게 구할 수 없기 때문에 구글링을 통해 그림 2와 같은 jpg 이미지(550X343)를 대상으로 하였다.
1차원 합성곱 신경망 알고리즘을 활용한 결함 검출 모델의 개발은, 동일한 입력을 갖는 다층 퍼셉트론, 서포트 벡터 머신과 성능 비교를 해보기 위함이다. 데이터를 미리 RGB로 분해하여 입력받기 때문에 다층 퍼셉트론, 서포트 벡터 머신에서 입력되는 되는 4,950개의 입력과 동일한 입력을 대상으로 하였다. 즉, 입력을 RGB의 1차원 데이터로 변환하여 학습 데이터를 구성하기 때문에, 1차원 합성곱 신경망 결함검출 모델을 활용하여 개발하였다.
즉, 343개의 결함검출 모델을 생성하였고 이들 중 정확도가 가장 높을 때의 입력 크기를 분석하기 위함이다. 앞서 제시한 것처럼 각 모델당 34,300개의 학습 데이터로 모델을 개발하였으며 전체 11,764,900개의 학습 이미지를 대상으로 하였다.
결함 검출 모델 개발에 있어 입력은 그림 4와 같이 RGB로 분해하여 입력한다. 윈도우가 3줄로 구성되기 때문에, 본 연구에서 사용한 입력은 550X3X3으로 4,950개다. 첫 번째 3은 각 이미지를 RGB로 분해한 것이고 두 번째 3은 한 번에 3줄의 데이터가 입력되기 때문이다.
이때 정확도는 79%였다. 이 모델에 다른 윈도우 크기를 갖는 342개 모델을 개발하였다. 2차원 합성곱 신경망 모델의 개발은 Keras, Tensorflow, 2개의 GPU(: Graphics Processing Unit) P5000을 활용하여 개발하였고 구조는 그림 8과 같다.
이를 위해 앞서 기술한 윈도우 기법을 기반으로 343개의 이미지를 생성하고 각 이미지에 50장씩을 복사하여 17,150(343X50)장을 생성하였다. 이때 생성된 데이터는 참 데이터이고, 이에 램덤 함수를 적용하여 임의 화소의 값을 변경함으로써 거짓에 해당하는 17,150장의 학습 데이터를 구축하였다. 참 데이터와 거짓 데이터를 합한 34,300개의 이미지 데이터를 학습 데이터로 구축하였다.
특징 추출을 기본으로 한 결함 검출 모델은 합성곱 신경망을 기반으로 하기 위해 충분한 데이터가 필요하다. 이를 위해 앞서 기술한 윈도우 기법을 기반으로 343개의 이미지를 생성하고 각 이미지에 50장씩을 복사하여 17,150(343X50)장을 생성하였다. 이때 생성된 데이터는 참 데이터이고, 이에 램덤 함수를 적용하여 임의 화소의 값을 변경함으로써 거짓에 해당하는 17,150장의 학습 데이터를 구축하였다.
이때 정확도는 학습 데이터의 특성에 의해 영향을 받을 수 있기 때문에 본 연구에서는 10-fold 교차검증(crossvalidation)을 통해 평균 정확도가 가장 높은 초매개 변수 갖는 모델을 선택하였다. 이미지 결함검출 모델 개발을 위한 시스템 환경으로는 윈도우 10, 128GB 메모리, 2개의 NVIDIA Quadro P5000 GPU를 기반으로 하였다.
그러나, 성능이 3줄이라는 윈도우 크기에 의존되었을 수 있다는 이유, 모델 구축의 긴 소요 시간 요구, 그리고 이미지를 기반으로 모델 개발에 2차원 합성곱 신경망이 널리 사용된다는 이유로 윈도우 크기별 모델 개발 및 성능 비교를 위해 윈도우 크기별 학습 데이터를 생성하였다. 즉 1줄로 구성된 윈도우에서 343줄로 구성된 윈도우를 갖는 이미지를 학습 데이터로 구축하였다. 각 줄별 참 및 거짓 데이터 34,300장의 학습 데이터를 구축하게 되어 전체 합이 11,764,900(343 경우 수X34,300개 이미지)개의 학습 이미지를 구축하였다.
다만, 결함 검출 모델 개발에 있어 라인 스캔너의 획득 이미지 크기에 영향 받는지를 구분하기 위해, 학습 데이터의 크기를 1줄에서 343줄의 윈도우(343 경우의 윈도우 수)를 갖는 이미지를 대상으로 개발하였다. 즉, 343개의 결함검출 모델을 생성하였고 이들 중 정확도가 가장 높을 때의 입력 크기를 분석하기 위함이다. 앞서 제시한 것처럼 각 모델당 34,300개의 학습 데이터로 모델을 개발하였으며 전체 11,764,900개의 학습 이미지를 대상으로 하였다.
높이가 343이기 때문에 343개의 윈도우가 생성된다. 즉, 참에 해당하는 343개의 학습 데이터를 생성하였고, 각 343개 학습 데이터에 램덤 함수를 적용하여 임의 화소의 값을 변경함으로써 거짓에 해당하는 343개의 학습 데이터를 구축하였다. 참 데이터와 거짓 데이터를 합한 686개의 데이터를 학습 데이터를 구축하였고, 이 데이터를 scikit-learn에서 제공하는 섞기(shuffling)를 통해 학습, 검증 데이터를 구축하였다.
이때 생성된 데이터는 참 데이터이고, 이에 램덤 함수를 적용하여 임의 화소의 값을 변경함으로써 거짓에 해당하는 17,150장의 학습 데이터를 구축하였다. 참 데이터와 거짓 데이터를 합한 34,300개의 이미지 데이터를 학습 데이터로 구축하였다.

데이터처리

민감도(sensitivity)와 특이도(specificity)가 어떤 관계를 갖고 변하는지를 이차원 평면상에 표현한 것이 ROC curve인데, ROC curve 아래의 면적이 AUC로, 이 면적이 넓을수록 좋은 모델로 평가할 수 있다. AUC의 계산은 python 코드를 활용하여 계산하였다. 동일한 조건에서 서포트 벡터 머신의 성능이 가장 좋음을 확인할 수 있다.
모델의 매개변수 설정은 입력이 3줄인 모델에서 가장 정확도가 높은 모델을 10-fold 교차검증으로 선정하였다. 이때 정확도는 79%였다.

이론/모형

미지 분류 문제에 일반적으로 활용하는 알고리즘은 합성곱 신경망이 널리 사용된다. 본 연구에서도 특징 추출을 기본으로 한 결함 검출 모델을 개발하기 위해 1차원과 2차원 합성곱 신경망 알고리즘을 활용하였다. 2차원은 입력 데이터를 이미지 자체로 받아들이는 경우이며, 1차원은 각 화소의 RGB를 수치화하여 1차원으로 배치된 데이터를 입력 데이터로 받아들이는 차이가 있다.
특징 추출이 없는 포장지 결함검출 모델 개발을 위해 다층 퍼셉트론, 서포트 벡터 머신 알고리즘을 사용하였으며, 이를 구축하기 위해 scikit-learn을 사용하여 구축하였다.

성능/효과

0으로 최종 설정하였다. 그 결과 10-fold 교차 검증에 의한 평균 정확도는 85%였다. 서포트 벡터 머신 모델의 매개변수 구조는 그림 6과 같다.
다층 퍼셉트론, 서포트 벡터 머신, 1차원 합성곱 신경망, 그리고 2차원 합성곱 신경망 알고리즘을 활용하여 결함 검출 모델 개발에 있어, 성능 관점에서 비교한다면 서포트 벡터 머신이 보다 효율적일 수 있다는 것이다. 이미지를 대상으로 합성곱 신경망을 활용한 분류 모델 구축에 있어 많은 학습 데이터 및 많은 학습 시간을 고려할 때, 표1에서 확인할 수 있듯이 3줄을 RGB 값으로 변환하여 학습하고 분류할 때, 85%의 정확도와 0.
이들의 성능을 정확도와 AUC를 기반으로 분석하였다. 분석된 결과 이미지를 대상으로 분류에 있어 합성곱 신경망을 많이 사용하지만, 서포트 벡터 머신도 그에 못지 않는 성능이 존재함을 제시하였다. 모델을 구축함에 매개변수를 어떻게 설정하느냐에 따라 성능이 변할 수 있지만, 본 연구에서 제시한 것과 같이 이미지를 3줄 RGB 값으로 변환하여 학습 데이터로 활용해서, 서포트 벡터 머신 기반 모델을 만들어도 높은 AUC를 담보하는 모델을 생성할 수 있음을 제시했다.
윈도우 크기가 95줄 일 때 AUC가 1이고 정확도는 69%였다. 즉, 2차원 합성곱 신경망을 활용한 모델 개발에 있어 95줄로 구성된 이미지들을 대상으로 결함 검출 모델을 개발했을 때, 높은 성능을 담보할 수 있었다.
매개변수 선택과정에서 활성화 함수는 “relu”의 단점을 보완한 “elu” 함수와 초기 노드 개수를 60으로 하여 개수를 절반으로 나누어가며 층을 생성하며 학습시켰다. 최종 정확도 67%라는 결과를 생성하는 모델을 개발하였다. 1차원 합성곱 신경망을 활용한 구조는 그림 7과 같다.
하지만 더 좋은 결과를 위해 규제 강화를 위한 ‘alpha’ 값을 0.01로, 최적화를 위한 허용 오차인 ‘tol’을 0.001로 하였을 때 가장 높은 결과인 74%를 기록하였다.

후속연구

이를 통해 결함 검출 시스템의 활용도를 높일 것이다. 나아가 다양한 이미지에 대한 분류 모델을 서포트 벡터 머신과 합성곱 신경망 알고리즘 기반으로 개발, 비교함으로써, 어떤 특성이 서포트 벡터 머신 방법에 더 유효한지 또는 합성곱 신경망이 유효한지 구체적인 기준을 찾고 분석할 계획이다.
향후 연구에서는 개발된 모델을 웹에서 시험해 볼 수 있는 시스템을 개발할 계획이다. 이를 통해 결함 검출 시스템의 활용도를 높일 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	합성곱 신경망은 입력 이미지로부터 무엇을 추출하는가?	본 연구에서는 이미지 처리 분야에서 활용하는 특징 추출을 신경망에 내포시킨 합성곱 신경망 기법과 특징 추출을 포함하지 않지만, 고전적인 분류 알고리즘인 다층 퍼셉트론, 서포트 벡터 머신을 간략히 기술한다. 합성곱 신경망은 입력 이미지로부터 필터링(filtering)과 폴링(pooling)을 수행하여 이미지의 특징을 추출한다[9-10]. 즉, 낮은 층은 이미지상의 각 영역에서 경계, 명암, 색상변화 등의 특징들을 추출하고 낮은 충에서 추출된 특징들은 더 높은 층에서 서로 조합하여 더 넓은 영역의 특징들을 추출한다.
	서포트 벡터 머신은 무엇인가?	고전적인 다층 퍼셉트론은 각 층에서 특징 공간을 다른 특징 공간으로 변환하는 특성이 있으며, 이때 특징 공간의 변환이 충분히 이루어지지 않음으로 인한 낮은 성능을 보인다. 서포트 벡터 머신은 분류할 데이터를 분리하는 최적의 결정 경계(Decision Boundary)를 찾는 알고리즘으로 높은 정확도를 갖는 분류 알고리즘이다[7,11]. 고전적인 다층 퍼셉트론은 분류에 있어 목적함수가 0이 되는 곳에서 끝나지만 서포트 벡터 머신은 이득(margin)을 가장 크게 하는 분류 기준을 선택함으로써 일반화 능력이 보다 높다.
	고속 적이면서 연속적인 이동이 있는 상품에서 고해상도 이미지 획득을 위해 무엇을 활용하는가?	이미지 획득은 라인 스캐너(Line Scanner)를 활용하여 줄 단위로 획득하는 방법과 영역 카메라(Area Camera)를 활용하여 일정 면적 단위로 획득하는 방법이 있다[2-4]. 고속이면서 연속적으로 이동하는 상품에서 고해상도 이미지를 획득하기 위해 라인 스캐너를 활용한다. 이때 획득되는 이미지는 하드웨어의 특징에 따라 1~4줄을 기반으로 하고 이를 프레임 그래버(Frame grabber)를 통해 전체 이미지를 획득할 수 있다.

참고문헌 (11)

H. Kang, J. Lee, S. Choi, H. Kim, J. Park, J. Son, B. Kim, and S. noh, "Smart Manufacturing: Past Research, Present Findings, and Future Directions," J. of Precision Engineering and Manufacturing-Green Technology, vol. 3, no. 1, 2016, pp. 111-128.

상세보기
J. Ha and T, Song, "Automatic detection of surface area for the inspection of color fastener," J. of the Korea Institute of Electronic Communication Science, vol. 11, no. 1, 2016, pp. 107-112.

원문보기 상세보기
C. Moon, "Implementation of an FPGA-based Frame Grabber System for PCB Pattern Detection," J. of the Korea Institute of Electronic Communication Science, vol. 13, no. 2, 2018, pp. 435-442.
Envision, "Understanding Line Scan Camera Applications," Technical report, July 2014.
Y. Cha and W. Choi, "Deep Learning-Based Crack Damage Detection Using Convolutional Neural Networks," Computer-Aided Civil and Infrastructure Engineering, vol. 32, 2017, pp. 361-378.

상세보기
J. Park, B. Kwon, J. Park, and D. Kang, "Machine Learning-Based Imaging System for Surface Defect Inspection," J. of Precision Engineering and Manufacturing-Green Technology, vol. 3, no. 3, 2016, pp. 303-310.

상세보기
C. C. Aggarwal, Neural Networks and Deep Learning. A Textbook. Basel: Springer, 2018.
X. Zhang, J. Zou, K. He, and J. Sun, "Accelerating very deep convolutional networks for classification and detection," IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 38, 2015, pp. 1943-1955.
S. Bak, M. Jeong, D. Hwang, U. Enkhjargal, and H. Yoon, "Study on Cochlodinium polykrikoides Red tide Prediction using Deep Neural Network," J. of the Korea Institute of Electronic Communication Science, vol. 14, no. 6, 2019, pp. 1161-1170.
S. Bang, "Implementation of Image based Fire Detection System Using Convolution Neural Network," J. of the Korea Institute of Electronic Communication Science, vol. 12, no. 2, 2017, pp. 331-336.
J. Jo, "Effectiveness of normalization Pre-Processing of Big Data to the Machine Learning Performance," J. of the Korea Institute of Electronic Communication Science, vol. 14, no. 3, 2019, pp. 547-552.

저자의 다른 논문 :

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