모노 카메라를 사용하는 머신 비전 시스템에서 비정형 결함을 검사하는 CNN을 훈련하기 위한 데이터 증식 방법Data Augmentation Method for Training Convolutional Neural Networks to Inspect Amorphous Defects in Machine Vision Systems Using Mono Cameras
- Other Titles
- Data Augmentation Method for Training Convolutional Neural Networks to Inspect Amorphous Defects in Machine Vision Systems Using Mono Cameras
- Authors
- 왕진영; 이상환
- Issue Date
- Jan-2022
- Publisher
- 대한기계학회
- Keywords
- 머신 비전; 합성곱 신경망; 데이터 증식; 이미지 영역 분할; Machine Vision; Convolutional Neural Networks; Data Augmentation; Image Segmentation
- Citation
- 대한기계학회논문집 A, v.46, no.1, pp.49 - 56
- Indexed
- KCI
- Journal Title
- 대한기계학회논문집 A
- Volume
- 46
- Number
- 1
- Start Page
- 49
- End Page
- 56
- URI
- https://scholarworks.bwise.kr/hanyang/handle/2021.sw.hanyang/139829
- DOI
- 10.3795/KSME-A.2022.46.1.049
- ISSN
- 1226-4873
- Abstract
- 최근 합성곱 신경망(CNN)을 머신 비전에 적용함으로써 비정형 결함의 검사에서 우수한 검사 성능을 보이고 있다. 그러나 머신 비전 시스템에서 CNN을 훈련하기 위해 충분한 양의 데이터를 모으고 정리하는 것은 상당한 시간이 필요하다. 이 문제를 해결하기 위해 본 연구는 모노 카메라를 사용하는 머신 비전 시스템에서 CNN을 사용하여 비정형 결함을 검사할 때 사용할 수 있는 데이터 증식 방법을 제안한다. 임의의 패턴에서 비정형의 결함을 검출하기 위해 제작된 DAGM 2007 데이터 중 1번 하위 클래스 데이터를 실험 데이터로 사용하였다. 결함 검출을 위한 CNN은 Mask R-CNN ResNet 50을 사용하였다. 제안하는 방법을 통해 증식한 데이터로 훈련한 CNN이 원본 회색조 이미지로 검증을 수행했을 때 원본 데이터로 훈련한 CNN에 비해 Mask mAP@0.5:0.95 기준 평균 16.73%p 높은 61.38%의 정확도를 보이는 것을 확인했다. 본 연구에서 적용한 데이터 증식 방법을 통해 모노 카메라를 활용하는 머신 비전 시스템에서 우수한 성능을 가진 CNN을 훈련할 수 있다.
- Files in This Item
-
Go to Link
- Appears in
Collections - 서울 공과대학 > 서울 기계공학부 > 1. Journal Articles
![qrcode](https://api.qrserver.com/v1/create-qr-code/?size=55x55&data=https://scholarworks.bwise.kr/hanyang/handle/2021.sw.hanyang/139829)
Items in ScholarWorks are protected by copyright, with all rights reserved, unless otherwise indicated.