용접 자동화를 위한 준지도 학습 기반 딥러닝 모델의 앙상블 기법

Abstract

용접 작업은 고열에 의한 화재 및 폭발 위험, 유해 가스로 인한 건강 장해, 충전부, 노출부 접촉에 의한 감전 등 매우 위험한 작업이다. 이로 인해 용접공들의 수는 꾸준히 감소하고 있다. 이를 대체하고자 용접 로봇을 통한 자동화 연구가 활발히 진행되고 있다. 하지만, 기존의 용접 자동 시스템은 정해진 작업만을 반복하고, 용접 대상이 변할 때 마다 Off-line Programming 작업이 필요하다는 한계점 때문에 최근 들어 딥러닝을 통해 용접 대상을 감지하고 형상에 맞는 용접 경로를 생성하는 연구가 진행되고 있다. 지도학습 기반으로 용접선 검출이 이루어지는데, 딥러닝의 지도학습은 학습에 필요한 많은 라벨링 자원이 요구된다. 이를 해결하고자 본 논문에서는 라벨링 자원을 줄이고 적은 라벨 수 대비 높은 정확도를 위해 두 준지도 학습 모델의 앙상블 기법을 제안한다. 면이 아닌 선을 Segmentation하는 작업인 만큼 모델이 Edge 정보를 추가적으로 학습할 수 있도록 Richer Convolutional Features 모델로 추론된 Edge 이미지를 추가적으로 학습하는 Edge loss와 Regional Contrastive learning을 통한 배경과 용접선의 경계를 학습하는 loss를 Unimatch에 추가해 각각 학습하였다. 이 두 모델의 추론결과를 앙상블하여 용접선을 검출한다. 제안하는 앙상블 기법은 검출된 용접 경로의 끊김을 방지할 수 있으며, 용접 경로의 가장자리 부분을 명확하게 추론할 수 있다. 라벨 4장으로 학습된 앙상블 모델을 통해 Intersection of Union 78.2%를 달성하였고, 지름 114.3mm 파이프의 용접선을 검출하고 평균 오차 1mm이내로 용접을 진행하였다. 이 결과를 통해 제안하는 앙상블모델은 적은 라벨로도 실제 용접이 가능함을 보인다. |Welding work is inherently hazardous, posing risks such as fire and explosions from intense heat, health issues stemming from harmful gases, and electric shock due to contact with live or exposed parts. Consequently, the number of welders is steadily declining. To address this, active research is being conducted in the field of automation, specifically using welding robots. However, the current limitations of automatic welding systems, which only repeat predefined tasks and necessitate offline programming whenever the welding object changes, have led to recent research on detecting welding objects through deep learning and creating a welding path that aligns with their shapes.

Weld line detection is carried out using supervised learning, but the resource-intensive nature of deep learning's supervised learning, requiring extensive labeling resources, poses a challenge. To address this issue, this paper proposes an ensemble technique involving two semi-supervised learning models. This approach aims to reduce labeling resources while achieving high accuracy with a limited number of labels. Given that the task involves segmenting lines rather than surfaces, the Edge loss additionally learns the edge image inferred by the Richer Convolutional Features model, enabling the model to acquire additional edge information. The loss also learns the boundary of the background and weld line through Regional Contrastive Learning. These losses are added to Unimatch for each learning. The inference results of these two models are combined to detect the weld line.

The proposed ensemble method prevents disconnection of the detected welding path and accurately infers the edge portion of the welding path. Intersection of Union of 78.2% was achieved through an ensemble model trained with only 4 labels. The weld line of a pipe with a diameter of 114.3 mm was successfully detected, and welding was performed within an average error of 1mm. These results demonstrate that the proposed ensemble model is capable of actual welding even with a small number of labels.