설명 가능한 인공지능을 활용한 산업용 이미지 데이터 증강 기법 = Industrial Image Data Augmentation Techniques Using Explanatory Artificial Intelligence
저자
발행사항
시흥 : 한국공학대학교 일반대학원, 2024
학위논문사항
학위논문(석사)-- 한국공학대학교 일반대학원 : 스마트팩토리융합학과 2024. 2
발행연도
2024
작성언어
한국어
주제어
발행국(도시)
경기도
형태사항
; 26 cm
일반주기명
지도교수: 이동현
UCI식별코드
I804:41069-200000740799
소장기관
비전 딥러닝 모델을 위한 산업용 데이터 구축은 데이터를 수집하고 가공하는 데 많은 시간과 비용이 소모되며 그 중에서도 불량 데이터를 모으기는 정상 데 이터를 수집하는 것보다 더 큰 어려움을 가진다. 일반적으로 불량이 전체 데이 터에서 차지하는 비중은 10%아래이기에 이는 딥러닝 모델을 학습시킬 때 클래 스 불균형 문제를 야기한다. 이러한 클래스 불균형 문제는 해당 클래스에 대한 정확도를 낮추며 불량 클래스가 치명적인 일부 산업현장에서는 더 치명적으로 다가온다. 본 연구에서는 제한된 불량이미지를 증강시켜 클래스 불균형 문제를 해소하고자 하였다. 기존 일반적인 증강 기법과 설명가능한 인공지능 기법인 CAM을 결합하여 모델이 불량이라고 인식하는 부분을 찾아내고 이를 통해 불량 패치를 만들어낸다. 만들어진 불량 패치를 정상 이미지에 삽입하여 부족한 불 량 이미지의 개수를 증강시키고 이를 바탕으로 클래스 불균형 문제를 완화하고 자 하였다. 이를 통해 기존 불량 데이터 수집에 있어 나타나지 못했던 위치에 서의 불량에 대해서도 표현이 가능하였다. 본 연구를 통해 제안된 방법론은 기 존 일반적인 증강방법론 대비 높은 정확도를 가졌으며 원본 데이터세트와 기본 적인 증강이 적용된 데이터세트보다 불량 제품을 더 정확하게 분류하여 성능을 입증하였다.
더보기Construction of industrial data for the vision deep learning model takes a lot of time and money to collect and process data, and among them, collecting bad data is more difficult than collecting normal data. In general, defects account for less than 10% of the total data, so this causes a class imbalance problem when learning a deep learning model. This class imbalance problem lowers the accuracy of the class and is more fatal in some industrial sites where defective classes are fatal. This study attempted to solve the class imbalance problem by enhancing the limited defect image. By combining the existing general augmentation technique and the CAM, an explanatory artificial intelligence technique, it finds the part that the model perceives as defective and creates a defective patch through this. It was attempted to increase the number of insufficient defective images by inserting the created defective patch into the normal image and to alleviate the class imbalance problem based on this. Through this, it was possible to express defects at locations that did not appear in the collection of existing defective data. The methodology proposed in this study proved its performance by classifying defective products more accurately than the original dataset and the dataset with basic augmentation.
더보기분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)