$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

[국내논문] 방사선 투과 이미지에서의 용접 결함 검출을 위한 딥러닝 알고리즘 비교 연구
Comparative Study of Deep Learning Algorithm for Detection of Welding Defects in Radiographic Images 원문보기

한국산업융합학회 논문집 = Journal of the Korean Society of Industry Convergence, v.25 no.4/1, 2022년, pp.687 - 697  

오상진 (부산대학교 조선해양공학과) ,  윤광호 (부산대학교 조선해양공학과) ,  임채옥 (부산대학교 조선해양공학과) ,  신성철 (부산대학교 조선해양공학과)

Abstract AI-Helper 아이콘AI-Helper

An automated system is needed for the effectiveness of non-destructive testing. In order to utilize the radiographic testing data accumulated in the film, the types of welding defects were classified into 9 and the shape of defects were analyzed. Data was preprocessed to use deep learning with high ...

주제어

표/그림 (10)

AI 본문요약
AI-Helper 아이콘 AI-Helper

문제 정의

  • Transformer 구조는 입력 시퀀스(sequence)를 하나의 벡터로 압축하는 과정에서 일부 정보가 손실되지 않는다는 장점과 이미지를 패치로 나눠 토큰 형식으로 이미지 전체를 학습할 수 있다는 장점이 어우러져 낮은 계산 비용과 높은 성능으로 연결된다[9]. 이미지 인식에 대한 전반적인 가능성과 용접 결함의 특징에서 볼 수 있는 작은 객체에 대한 탐지에 대한 성능[10], 소규모 데이터 세트에서의 성능[11]을 확인하고 Transformer를 이용하여 용접 결함을 자동으로 검출하기 위한 연구를 수행했다.
  • 본 논문에서는 객체 검출 정확도에서 높은 성과를 보인 Transformer와 CNN을 이용하여 방사선 투과 이미지에서 용접부 결함을 자동으로 검출하는 알고리즘을 제안한다. Swin transformer[12]와 ResNet[13]을 backbone 네트워크로 구성하여 비교했으며, Retinanet[14], Faster R-CNN, Cascade R-CNN[15]을 객체 탐지 모델로 설정하여 one-stage와 two-stage에 대한 성능도 분석했다.
본문요약 정보가 도움이 되었나요?

참고문헌 (26)

  1. Kim, Y., Kim, J., & Kang, S. (2019). A study on welding deformation prediction for ship blocks using the equivalent strain method based on inherent strain. Applied Sciences, 9(22), 4906. 

  2. Vilar, R., Zapata, J., & Ruiz, R. (2009). An automatic system of classification of weld defects in radiographic images. Ndt & E International, 42(5), 467-476. 

  3. Girshick, R., Donahue, J., Darrell, T., & Malik, J. (2014). Rich feature hierarchies for accurate object detection and semantic segmentation. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 580-587). 

  4. Datal, N. (2005). Histograms of oriented gradients for human detection. In Proc. 2005 International Conference on Computer Vision and Pattern Recognition (Vol. 2, pp. 886-893). IEEE Computer Society. 

  5. Lowe, D. G. (2004). Distinctive image features from scale-invariant keypoints. International journal of computer vision, 60(2), 91-110. 

  6. Sizyakin, R., Voronin, V., Gapon, N., Zelensky, A., & Pizurica, A. (2019, June). Automatic detection of welding defects using the convolutional neural network. In Automated Visual Inspection and Machine Vision III (Vol. 11061, pp. 93-101). SPIE. 

  7. Tang, Y. X., Tang, Y. B., Peng, Y., Yan, K., Bagheri, M., Redd, B. A., ... & Summers, R. M. (2020). Automated abnormality classification of chest radiographs using deep convolutional neural networks. NPJ digital medicine, 3(1), 1-8. 

  8. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., ... & Polosukhin, I. (2017). Attention is all you need. Advances in neural information processing systems, 30. 

  9. Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., ... & Houlsby, N. (2020). An image is worth 16x16 words: Transformers for image recognition at scale. arXiv preprint arXiv:2010.11929. 

  10. Zhu, X., Su, W., Lu, L., Li, B., Wang, X., & Dai, J. (2020). Deformable detr: Deformable transformers for end-to-end object detection. arXiv preprint arXiv:2010.04159. 

  11. Chen, X., Hsieh, C. J., & Gong, B. (2021). When vision transformers outperform ResNets without pre-training or strong data augmentations. arXiv preprint arXiv:2106.01548. 

  12. Liu, Z., Lin, Y., Cao, Y., Hu, H., Wei, Y., Zhang, Z., ... & Guo, B. (2021). Swin transformer: Hierarchical vision transformer using shifted windows. In Proceedings of the IEEE/CVF International Conference on Computer Vision (pp. 10012-10022). 

  13. He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 770-778). 

  14. Lin, T. Y., Goyal, P., Girshick, R., He, K., & Dollar, P. (2017). Focal loss for dense object detection. In Proceedings of the IEEE international conference on computer vision (pp. 2980-2988). 

  15. Cai, Z., & Vasconcelos, N. (2018). Cascade r-cnn: Delving into high quality object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 6154-6162). 

  16. 김창현, 유홍연, & 홍성훈. (2007). 용접결함 패턴인식을 위한 신경망 알고리즘 적용. 한국콘텐츠학회논문지, 7(1), 65-72. 

  17. Ahn, H. (2013). Digital Radiography. Journal of the Korean Society for Nondestructive Testing, 33(1), 80-95. 

  18. Lin, T. Y., Maire, M., Belongie, S., Hays, J., Perona, P., Ramanan, D., ... & Zitnick, C. L. (2014, September). Microsoft coco: Common objects in context. In European conference on computer vision (pp. 740-755). Springer, Cham. 

  19. Eggert, C., Zecha, D., Brehm, S., & Lienhart, R. (2017, June). Improving small object proposals for company logo detection. In Proceedings of the 2017 ACM on international conference on multimedia retrieval (pp. 167-174). 

  20. Law, H., & Deng, J. (2018). Cornernet: Detecting objects as paired keypoints. In Proceedings of the European conference on computer vision (ECCV) (pp. 734-750). 

  21. Kornblith, S., Shlens, J., & Le, Q. V. (2019). Do better imagenet models transfer better?. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (pp. 2661-2671). 

  22. Deng, J., Dong, W., Socher, R., Li, L. J., Li, K., & Fei-Fei, L. (2009, June). Imagenet: A large-scale hierarchical image database. In 2009 IEEE conference on computer vision and pattern recognition (pp. 248-255). Ieee. 

  23. Lin, T. Y., Dollar, P., Girshick, R., He, K., Hariharan, B., & Belongie, S. (2017). Feature pyramid networks for object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 2117-2125). 

  24. Yun, G. H., Oh, S. J., & Shin, S. C. (2021). Image Preprocessing Method in Radiographic Inspection for Automatic Detection of Ship Welding Defects. Applied Sciences, 12(1), 123. 

  25. Loshchilov, I., & Hutter, F. (2017). Decoupled weight decay regularization. arXiv preprint arXiv:1711.05101. 

  26. Bodla, N., Singh, B., Chellappa, R., & Davis, L. S. (2017). Soft-NMS--improving object detection with one line of code. In Proceedings of the IEEE international conference on computer vision (pp. 5561-5569). 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

FREE

Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로