[논문]배터리 불량 검출을 위한 딥러닝 기반 X-ray 검사

정대진; 허헌

doi:10.7236/jiibc.2024.24.2.147

배터리 불량 검출을 위한 딥러닝 기반 X-ray 검사
Deep Learning-based X-ray Inspection for Battery Defect Detection 원문보기

The journal of the institute of internet, broadcasting and communication : JIIBC, v.24 no.2, 2024년, pp.147 - 153

정대진 (한국공학대학교 메카트로닉스공학부) , 허헌 (한국공학대학교 메카트로닉스공학부)

초록
AI-Helper

X-ray는 주로 식품 검사, 의료 진단, 산업제품의 비파괴 검사에 사용되어 왔다. 최근에는 전기자동차의 핵심 부품인 배터리 검사에도 X-ray가 많이 활용되고 있다. 빠르게 증가하는 배터리 검사 수요를 고려할 때 수동 검사보다는 딥러닝 기반의 자동 배터리 검사의 도입이 필요하다. 딥러닝 성능은 기본적으로 학습 데이터 크기에 의존하는데 X-ray 응용 분야에서는 다량의 불량 데이터 확보가 쉽지 않다. 본 논문에서는 한정된 불량 데이터로부터 데이터 증강을 통해 학습, 검증, 테스트 데이터를 확보하고 학습 데이터 크기에 따른 X-ray 배터리 검사의 성능 변화를 확인하였다. 본 논문 결과를 통해 검사 성능 개선 프로세스에 대한 이해를 높일 수 있다.

Abstract ▼ AI-Helper

X-rays are extensively employed for non-destructive inspection, applied to packaged food, human anatomy, and industrial products. Recently, this technology has extended to inspecting batteries in electric vehicles. Given the challenge of manual inspection for a substantial volume of batteries, deep learning is leveraged to detect battery defects. However, the effectiveness of deep learning heavily depends upon data size, and acquiring authentic defective images is a difficult and time-consuming task. In this study, we use data augmentation and investigate the impact of data size on battery inspection performance. The results provide valuable insights for enhancing the capabilities of the inspection process.

주제어

표/그림 (9)

그림 그림 1. X-ray 영상 시스템 Fig. 1. X-ray imaging system
표 표 1. 컴퓨터 비전 기술 비교 Table 1. Computer vision techniques
그림 그림 2. 배터리 검사 장비 Fig. 2. Battery inspection equipment
그림 그림 3. 배터리 검사를 위한 딥러닝 구현 과정 Fig. 3. Deep learning workflow
그림 그림 4. 배터리 X-ray 이미지 Fig. 4. X-ray images of two batteries
그림 그림 5. 원본 이미지와 생성 이미지 Fig. 5. original image vs. generated image
그림 그림 6. Test 5 데이터 조합의 학습 손실 변화 Fig. 6. Training loss curve for Test 5 data set
표 표 2. 데이터 증강 Table 2. Data argumentation
표 표 3. 학습데이터 크기에 따른 성능 결과 Table 3. Test results for different training data sizes

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 X-ray를 이용한 배터리 검사를 딥러닝 모델을 이용하여 구현하였다. 먼저 X-ray 이미지를 이용한 컴퓨터 비전 문제에서 고품질의 데이터를 충분히 확보하는 방법을 고찰하였다.
본 논문에서는 딥러닝 모델을 기반으로 배터리 X-ray 영상에서 이물질이나 결함을 검출하는 기법을 제안한다. 논문의 구성은 다음과 같다.
현재 X-ray는 다양한 산업 분야의 제품 검사에 많이 활용되고 있다. 본 논문에서는 완성된 배터리에 대한 X-ray 영상을 활용하여 배터리 내부의 결함이나 이물질을 확인하는 방법을 제안하고자 한다. 학습으로 만들어진 딥러닝 모델에 촬영된 X-ray 이미지를 적용하여 배터리의 내부 결함 유무를 자동으로 판단하게 된다.

제안 방법

먼저 X-ray 이미지를 이용한 컴퓨터 비전 문제에서 고품질의 데이터를 충분히 확보하는 방법을 고찰하였다. 또한 불량 검출을 객체 검출 문제로 정의하고 객체검출에 효과적인 딥러닝 모델을 선정하고 학습을 진행하였다. 최종적으로 학습된 모델이 1% 이하의 미검 성능을 내기위한 최소한의 데이터 크기를 확인하였다.
본 논문에서는 X-ray를 이용한 배터리 검사를 딥러닝 모델을 이용하여 구현하였다. 먼저 X-ray 이미지를 이용한 컴퓨터 비전 문제에서 고품질의 데이터를 충분히 확보하는 방법을 고찰하였다. 또한 불량 검출을 객체 검출 문제로 정의하고 객체검출에 효과적인 딥러닝 모델을 선정하고 학습을 진행하였다.
본 논문에서의 결과가 유사한 X-ray 기반 불량 검출 시스템의 초기 학습에 필요한 학습 모델과 학습에 필요한 데이터 크기에 대한 기준을 제공할 수 있을 것으로 기대한다. 본 논문에서는 불량의 유무와 대략적인 위치 검출 문제를 객체 검출로 정의했지만 픽셀 단위의 결함의 형태와 세밀한 위치 정보를 얻기 위해서 분할 문제로 접근하여 관련 모델을 사용한 검사기 구현도 가능하다. 이에 객체 검출과 분할 사이의 성능 비교도 추후 진행할 예정이다.
왼쪽의 (a)는 결함이 없는 정상 배터리이고 오른쪽 (b) 이미지에서는 결함에 해당하는 여러개의 이물이 보인다. 이처럼 X-ray 촬영을 통해 획득한 이미지를 이용하여 GANs 모델에 대한 학습을 진행하고 데이터 증강을 통한 합성 이미지를 생성하였다.
본 논문에서는 완성된 배터리에 대한 X-ray 영상을 활용하여 배터리 내부의 결함이나 이물질을 확인하는 방법을 제안하고자 한다. 학습으로 만들어진 딥러닝 모델에 촬영된 X-ray 이미지를 적용하여 배터리의 내부 결함 유무를 자동으로 판단하게 된다.

대상 데이터

본 실험에서는 표 2와 같이 95개 원본 X-ray 이미지로부터 데이터 증강을 통해서 총 2250의 데이터 세트를 만들었다. 생성된 전체 이미지를 각각 학습 데이터 1750개, 검증 데이터 250개, 테스트 데이터 250개로 분류하였다.
본 실험에서는 표 2와 같이 95개 원본 X-ray 이미지로부터 데이터 증강을 통해서 총 2250의 데이터 세트를 만들었다. 생성된 전체 이미지를 각각 학습 데이터 1750개, 검증 데이터 250개, 테스트 데이터 250개로 분류하였다. 또한 학습 데이터와 검증 데이터의 개수를 표 3에서 5 종류로 만들어 실험을 진행하였다.

후속연구

최종적으로 학습된 모델이 1% 이하의 미검 성능을 내기위한 최소한의 데이터 크기를 확인하였다. 본 논문에서의 결과가 유사한 X-ray 기반 불량 검출 시스템의 초기 학습에 필요한 학습 모델과 학습에 필요한 데이터 크기에 대한 기준을 제공할 수 있을 것으로 기대한다. 본 논문에서는 불량의 유무와 대략적인 위치 검출 문제를 객체 검출로 정의했지만 픽셀 단위의 결함의 형태와 세밀한 위치 정보를 얻기 위해서 분할 문제로 접근하여 관련 모델을 사용한 검사기 구현도 가능하다.
본 논문에서는 불량의 유무와 대략적인 위치 검출 문제를 객체 검출로 정의했지만 픽셀 단위의 결함의 형태와 세밀한 위치 정보를 얻기 위해서 분할 문제로 접근하여 관련 모델을 사용한 검사기 구현도 가능하다. 이에 객체 검출과 분할 사이의 성능 비교도 추후 진행할 예정이다.

참고문헌 (18)

M. Rafiei, J. Raitoharju and A. Iosifidis, "Computer？Vision on X-Ray Data in Industrial Production and？Security Applications: A Comprehensive Survey," IEEE？Access, Vol. 11, pp. 2445-2477, 2023.？DOI: https://doi.org/10.1109/ACCESS.2023.3234187

상세보기
J. Lee, R. Lee, S. Hong, Y. Kim, "Image Processing System based on Deep Learning for Safety of Heat？Treatment Equipment," The Journal of The Institute？of Internet, Broadcasting and Communication(JIIBC),？Vol. 20 No. 6, pp. 77-83, Dec 2020.？DOI: https://doi.org/10.7236/JIIBC.2020.20.6.77

원문보기 상세보기
H. Park, "Trend Analysis of Korea Papers in the Fields？of 'Artificial Intelligence', 'Machine Learning' and？'Deep Learning'," The Journal of Korea Information？Electron Communication Technology, Vol. 13, No. 4,？pp. 283-292, 2020.？DOI: https://doi.org/10.17661/jkiiect.2020.13.4.283

원문보기 상세보기
Y. Cho, J. Kim, "A Study on The Classification of？Target-objects with The Deep-learning Model in The？Vision-images," The Journal of Korea Academia-Industrial？cooperation Society(JKAIS), Vol. 22, No. 2, pp. 20-25,？2021.？DOI: https://doi.org/10.5762/KAIS.2021.22.2.20

원문보기 상세보기
A. Thompson, I. Maskery, and R. K. Leach, "X-ray？computed tomography for additive manufacturing: a？review," Measurement Science and Technology, Vol.？27, No. 7, 2016.？DOI: https://doi.org/10.1088/0957-0233/27/7/072001

상세보기
C. Hu and Y. Wang, "An Efficient Convolutional？Neural Network Model Based on Object-Level Attention？Mechanism for Casting Defect Detection on Radiography？Images," IEEE Transactions on Industrial Electronics,？Vol. 67, No. 12, pp. 10922-10930, Dec. 2020.？DOI: https://doi.org/10.1109/TIE.2019.2962437

상세보기
Q. Ling and N. A. M. Isa, "Printed Circuit Board？Defect Detection Methods Based on Image Processing,？Machine Learning and Deep Learning: A Survey," IEEE？Access, Vol. 11, pp. 15921-15944, 2023.？DOI: https://doi.org/10.1109/ACCESS.2023.3245093

상세보기
S. V. Mahadevkar et al., "A Review on Machine？Learning Styles in Computer Vision-Techniques and？Future Directions," IEEE Access, Vol. 10, pp.？107293-107329, 2022.？DOI: https://doi.org/10.1109/ACCESS.2022.3209825

상세보기
I. Goodfellow, et al. "Generative adversarial nets",？Neural Information Processing Systems, 2014.
Z. Zhao, P. Zheng, S. Xu and X. Wu, "Object？Detection With Deep Learning: A Review," IEEE？Transactions on Neural Networks and Learning？Systems, Vol. 30, No. 11, pp. 3212-3232, Nov. 2019.？DOI: https://doi.org/10.1109/TNNLS.2018.2876865

상세보기
S. Minaee, Y. Boykov, F. Porikli, A. Plaza, N. Kehtarnavaz？and D. Terzopoulos, "Image Segmentation Using Deep？Learning: A Survey," IEEE Transactions on Pattern？Analysis and Machine Intelligence, Vol. 44, No. 7, pp.？3523-3542, 1 July 2022.？DOI: https://doi.org/10.1109/TPAMI.2021.3059968
J. Redmon, S. Divvala, R. Girshick and A. Farhadi,？"You Only Look Once: Unified, Real-Time Object？Detection," 2016 IEEE Conference on Computer？Vision and Pattern Recognition (CVPR), Las Vegas,？NV, USA, 2016, pp. 779-788.？DOI: https://doi.org/10.1109/CVPR.2016.91
R. Girshick, J. Donahue, T. Darrell and J. Malik, "Rich？Feature Hierarchies for Accurate Object Detection？and Semantic Segmentation," 2014 IEEE Conference？on Computer Vision and Pattern Recognition,？Columbus, OH, USA, 2014, pp. 580-587.？DOI: https://doi.org/10.1109/CVPR.2014.81
J Long, E Shelhamer and T. Darrell, "Fully？convolutional networks for semantic segmentation,"？Proceedings of the IEEE conference on computer？vision and pattern recognition, pp. 3431-3440, 2015.？DOI: https://doi.org/10.1109/CVPR.2015.7298965
V. Badrinarayanan, A. Kendall and R. Cipolla, "SegNet: A？Deep Convolutional Encoder-Decoder Architecture？for Image Segmentation," IEEE Transactions on？Pattern Analysis and Machine Intelligence, Vol. 39,？No. 12, pp. 2481-2495, 1 Dec. 2017.？DOI: https://doi.org/10.1109/TPAMI.2016.2644615

상세보기
L. -C. Chen, G. Papandreou, I. Kokkinos, K. Murphy？and A. L. Yuille, "DeepLab: Semantic Image Segmentation？with Deep Convolutional Nets, Atrous Convolution,？and Fully Connected CRFs," IEEE Transactions on？Pattern Analysis and Machine Intelligence, vol. 40, no.？4, pp. 834-848, 1 April 2018.？DOI: https://doi.org/10.1109/TPAMI.2017.2699184

상세보기
Saige Research, "Introducing the SaigeVison: AI？Vision Inslpection Platform", [White paper].？https://saige.ai/wp-content/uploads/2021/09/SaigeVision-White-Paper-v12.pdf
J. Kim, S. and Park, B. On, "A Pooled RNN-based？Deep Learning Model based on Data Augmentation？for Clickbait Detection," The Journal of KIIT, Vol. 21,？No. 4, pp. 45-56, 2023.？DOI: https://doi.org/10.14801/jkiit.2023.21.4.45

상세보기

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