합성곱신경망 기반의 품질 검사 모델을 위한 데이터 가공 프레임워크

Abstract

합성곱신경망은 하드웨어의 발전에 힘입어 컴퓨터 비전과 관련된 많은 논문 및 대회에서 뛰어난 성능을 입증했다. 산업 분야에서도 합성곱신경망을 이용한 연구가 활발히 진행되고 있으며, 이는 산업에서 중요한 단계에 해당되는 품질 검사 분야도 포함된다.

하지만 품질 검사 단계에서 수집된 데이터는 클래스 별 불균형 또는 데이터의 수량이 적은 문제를 가지고 있다. 이러한 경우, 합성곱신경망 분류기 성능에 문제가 발생한다는 것은 잘 알려진 사실이다. 이 외에도 산업 데이터의 특성상 1개의 이미지에 여러 개의 객체가 존재하거나 범주, 수치 데이터와 같이 이미지 형태가 아닌 데이터가 수집되어 합성곱신경망의 학습 데이터로 사용하기 어려운 문제 또한 많이 발생한다.

이에 본 연구에서는 합성곱신경망 기반의 품질 검사 모델 개발 시 흔히 발생하는 이슈인 불균형, 적은 수량, 다중 객체, 데이터 형태 문제를 해결하기 위해 산업 현장의 비전문가가 쉽게 사용할 수 있는 데이터 가공 프레임워크를 제안한다. 또한 위 문제점들을 모두 포함하고 있는 3가지 사례에 제안한 프레임워크를 적용해보고, 프레임워크의 결과물로써 생성된 학습 데이터 셋을 이용하여 합성곱신경망을 학습 및 평가하며, 이를 통해 제안한 프레임워크의 실효성을 검증한다.|Convolutional Neural Networks have demonstrated outstanding performance in many papers and competitions related to computer vision with innovation of hardware devices. In the industrial field, research using Convolutional Neural Networks is also actively underway, including quality inspection, which is an important step in the industry.

However, the data collected in the quality inspection step has small and imbalanced data problems. In such cases, it is well known that the performance problemns of the Convolutional Neural Networks model usually occur. In addition, due to the feature of industrial data, multi-objects image or non-image data form such as numerical data is collected, making it difficult to use as training data of Convolutional Neural Networks.

In this paper, we propose a data processing framework that can be easily used by non-experts in industrial sites to solve the problems of small and imbalanced data, multi-objects image, and non-image data form, which are common issues when developing a Convolutional Neural Network-based quality inspection model. We also apply the proposed framework to three cases that contain all of the above problems, and validate the effectiveness of the proposed framework by verifying the performance of Convolutional Neural Networks using training data set generated through the framework.