[논문]CNN 기반 딥러닝을 이용한 인공지지체의 외형 변형 불량 검출 모델에 관한 연구

이송연; 허용정

CNN 기반 딥러닝을 이용한 인공지지체의 외형 변형 불량 검출 모델에 관한 연구
A Study on Shape Warpage Defect Detecion Model of Scaffold Using Deep Learning Based CNN 원문보기

반도체디스플레이기술학회지 = Journal of the semiconductor & display technology, v.20 no.1, 2021년, pp.99 - 103

이송연 (한국기술교육대학교대학원 메카트로닉스공학과) , 허용정 (한국기술교육대학교 메카트로닉스공학부)

Abstract ▼ AI-Helper

Warpage defect detecting of scaffold is very important in biosensor production. Because warpaged scaffold cause problem in cell culture. Currently, there is no detection equipment to warpaged scaffold. In this paper, we produced detection model for shape warpage detection using deep learning based CNN. We confirmed the shape of the scaffold that is widely used in cell culture. We produced scaffold specimens, which are widely used in biosensor fabrications. Then, the scaffold specimens were photographed to collect image data necessary for model manufacturing. We produced the detecting model of scaffold warpage defect using Densenet among CNN models. We evaluated the accuracy of the defect detection model with mAP, which evaluates the detection accuracy of deep learning. As a result of model evaluating, it was confirmed that the defect detection accuracy of the scaffold was more than 95%.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 변형된 인공지지체를 측정할 때 속도가 느리고 정확도가 떨어지는 문제를 CNN기반의 딥러닝을 이용하여 불량검출 모델을 제작했다. 세포배양연구에 자주 사용되는 인공지지체의 형태를 확인한 결과 정사각형 모양의 인공지지체가 많이 사용된 것을 확인하였고 직접 3D프린터로 출력한 뒤, 웹캠을 이용하여 여러 형태로 변형된 인공지지체와 정상적인 인공지지체를 1, 080 pixel의 이미지로 촬영했다.
본 연구에서 FDM 방식의 3D프린터로 출력된 인공지지체를 사람이 일일이 측정하여 속도가 느린 문제를 확인할 수 있었다. 이러한 문제를 CNN(Convolution Neural Network)기반의 딥러닝(Deep Learning) 방법인 Densenet을 이용하여 인공지지체의 외형 변형 불량을 검출할 수 있는 모델을 제작할 수 있었다.
그리고 시간이 지날수록 눈의 피로도가 증가하여 불량 검출의 정확도가 감소할 수 있다. 이러한 딥러닝 기술을 이용하여 측면이 변형된 인공지지체의 검출이 가능한 모델을 제작하려 한다.

가설 설정

6 이상일 경우에 참인 연구와는 달리 높은 정밀도를 요구하는 모델이다. 따라서 본 논문에서는 인공지지체의 실제 검출 구역과 예측된 인공지지체의 검출 구역의 겹치는 영역이 0.8이상일 경우에 인공지지체의 외형 변형 불량검출이 참이라고 설정했다.

제안 방법

Dense blocke 합성곱 4회를 반복 실시한다. Transitione 합성곱과 풀링을 1회씩 실시한다. 모든 과정이 완료되면 풀링을하여 불량여부를 검출한다.
변형된 인공지지체의 이미지와 정상적인 인공지지체의 이미지 1,000 ea 중에서 학습 데이터로 700 ea의 인공지지체 이미지를 사용해 인공지지체의 외형 변형 불량 검출모델을 제작하였고 mAP라는 딥러닝 이미지 평가 방안을 이용하여 모델의 성능을 평가했다.
본 논문을 위해 제작할 인공지지체의 외형 변형 불량검출 모델은 복잡한 구조가 아닌 단순한 외형의 인공지지체를 측정하기 때문에 파라미터의 수가 적으며 간단한 모델을 제작하기 위해 Desnet을 사용했다.
불량검출 모델을 제작했다. 세포배양연구에 자주 사용되는 인공지지체의 형태를 확인한 결과 정사각형 모양의 인공지지체가 많이 사용된 것을 확인하였고 직접 3D프린터로 출력한 뒤, 웹캠을 이용하여 여러 형태로 변형된 인공지지체와 정상적인 인공지지체를 1, 080 pixel의 이미지로 촬영했다.

대상 데이터

가로, 세로 20㎜, 높이 2 ㎜의 사각형 인공지지체를 시편으로 선정했다. 사각형의 인공지지체는 1개만 사용할 수 있고 필요에 따라 여러 개를 붙여서 사용 가능하여 세포배양 연구에 많이 사용되기 때문이다.
위하여 자유로운 각도조절이 하다. 따라서 NV50- HD100을 인공지지체 촬영을 위한 웹캠으로 선정했다.
외형 변형 불량 검출 모델의 제작에 사용된 인공지지체 이미지는 1,000 ea 모두 FDM 방식 3D프린터로 직접 출력한 인공지지체로 사용되었다.
인공지지체 외형 변형 불량 검출 모델 제작을 위한 인공지지체 전체 이미지 수량은 1,000 ea 으로 학습에 사용된 인공지지체 이미지 수량은 700 ea 이다. 나머지 300 ea의 인공지지체 이미지는 평가에 사용되었으며 학습에 사용된 인공지지체 이미지와 평가에 사용된 인공지지체 이미지는 서로 중복되지 않았다.
인공지지체 외형 변형 불량 검출 모델을 제작하기 위하여 데이터의 학습은 3, 000회 진행했다.
인공지지체를 촬영하기 위하여 청연엠에스에서 제작한 NV50-HD100이라는 제품을 사용했다.
촬영하려는 인공지지체들은 가로, 세로 20㎜, 높이 2 ㎜ 의 크기이다. 따라서 인공지지체의 변형을 촬영하기 위해서는 카메라의 해상도가 1,000 pixel 이상이어야 한다.

이론/모형

모든 과정이 완료되면 풀링을하여 불량여부를 검출한다. Densenete 다른 CNN알고리즘에 비하여 구조가 비교적 간단하기 때문에 활성화함수로 Softmax를 사용했다.
파이썬을 사용했다. 또한 모델 제작을 위한 패키지는 케라스와 텐서플로우를 사용했고 모델 제작에 사용된 프로그램은 파이참을 사용했다.
외형 변형 불량 검출모델의 제작에 사용된 프로그래밍언어는 파이썬을 사용했다. 또한 모델 제작을 위한 패키지는 케라스와 텐서플로우를 사용했고 모델 제작에 사용된 프로그램은 파이참을 사용했다.
수 있었다. 이러한 문제를 CNN(Convolution Neural Network)기반의 딥러닝(Deep Learning) 방법인 Densenet을 이용하여 인공지지체의 외형 변형 불량을 검출할 수 있는 모델을 제작할 수 있었다. USB현미경을 이용하여 인공지지체의 측면 이미지를 수집하고 특징을 추출할 수 있었다.
Densenet의 구조를 확인한 뒤, 활성화 함수를 선택할 수 있었다. 인공지지체 외형 변형 불량 검출 모델의 성능을 이미지 처리의 평가 방법인 mAP로 평가할 수 있었다. 검출 구역과 예측 구역의 겹치는 영역이 0.
인공지지체의 변형 불량 검출 모델은 Densenet을 기반으로 제작했다.
인공지지체의 외형 변형 불량 검출 모델의 성능은 mAP(mean Average Precision)으로 평가했다. mAP는 딥러닝객체 검출 알고리즘에서 주로 사용되는 성능 지표이다.

성능/효과

인공지지체 외형 변형 불량 검출 모델의 성능을 이미지 처리의 평가 방법인 mAP로 평가할 수 있었다. 검출 구역과 예측 구역의 겹치는 영역이 0.8이상일 경우를 확인한 결과 검출 정확도가 95.8 % 임을 정량적으로 확인할 수 있었다.
9 % 이다. 그리고 양쪽 모두 변형된 인공지지체의 불량 검출성능은 95.3 %로 3가지 검출 성능의 평균은 95.8 %임을 확인할 수 있다.
변형 불량 검출 모델의 성능을 평가한 결과 왼쪽 하단만 변형된 인공지지체의 불량 검출 성능은 96.3 %이며, 오른쪽 하단만 변형된 인공지지체의 불량 검출 성능은 95.9 % 이다. 그리고 양쪽 모두 변형된 인공지지체의 불량 검출성능은 95.
인공지지체 외형 불량 검출 모델의 성능을 확인한 결과 외형 변형 불량 검출 정확도가 95% 이상인 것을 확인했다.
평가 데이터들을 이용하여 학습 횟수에 따라 불량 검출모델의 성능을 mAP로 평가하였을 때, 학습 횟수가 높아질수록 모델의 불량 검출 성능이 높아지는 것을 확인했다.
평가 데이터를 이용하여 CNN 기반의 Dense net 알고리즘으로 제작된 불량 검출 모델이 변형된 불량 인공지지체의 검출을 확인할 수 있었다. Fig.

참고문헌 (8)

Song-Yeon Lee and Yong-Jeong Huh, "A Study on Prediction Model of Scaffold Pore Size Using Machine Learning", J. of The Korean Society of Semiconductor & Display Technology, Vol.18, pp. 46-50, 2019.
Song-Yeon Lee and Yong-Jeong Huh, "A Study on Square Pore Shape Discrimination Model of Scaffold Using Machine Learning Based Multiple Linear Regression", J. of The Korean Society of Semiconductor & Display Technology, Vol.19, pp. 59-64, 2020.
Sang-Ho Park, Joo-Hyeong Lee and Jung-Min Kim, "Development of Heating System for Ensuring Accuracy of Output for Open 3D Printer", J. of The Korean Society of Mechanical Engineers, Vol.41, pp. 477-482, 2017.
Song-Yeon Lee and Yong-Jeong Huh, "A Study on Prediction Model Performance of Scaffold Pore Size Using Machine Learning Regression Method", J. of The Korean Society of Semiconductor & Display Technology, Vol.19, pp. 36-41, 2020.
Yong-Hwan Lee and Heung-Jun Kim, "Implementation of Fish Detection Based on Convolution Neural Networks" J. of The Korea Society of Semiconductor & Display Technology, Vol.19, pp.124-129, 2020.
Chang-Hee Yang, Kyu-Sub Park, Young-Sub Kim and Yong-Hwan Lee, "Comparative Analysis for Emotion Expression Using Three Methods Based by CNN" J. of The Korea Society of Semiconductor & Display Technology, Vol.19, pp.65-70, 2020.
Soo-Hyeon Lee, Dong-Hyun Kim and Hae-Yeoun Lee, "Camera Model Identification Using Modified DenseNet and HPF", J. of Korean Institute of Information Technology, Vol.17, pp. 11-19, 2019.
Ho-Yeon Ahn and Jong-Taek Lee, "Classification of vehicles Based on Faster R-CNN Suitable for Use in Actual Road Environments" J. of The Korea Institute of Intelligent Systems, Vol.28, pp.210-218, 2018.

상세보기

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