이수를 이용하여

Scientific Reports 12권, 기사 번호: 11604(2022) 이 기사 인용

1991년 액세스

2 인용

측정항목 세부정보

표면 결함 감지는 산업 생산의 필수 프로세스이자 컴퓨터 비전 분야의 중요한 연구 방향입니다. 오늘날 컴퓨터 비전을 기반으로 하는 딥러닝 결함 탐지 방법은 높은 탐지 정확도를 달성할 수 있지만 주로 지도 학습을 기반으로 합니다. 모델을 훈련하려면 많은 결함 샘플이 필요합니다. 이는 산업 결함 샘플을 얻기 어렵고 라벨링 비용이 많이 드는 현재 상황과 호환되지 않습니다. 그래서 우리는 CycleGAN 아키텍처를 기반으로 하는 새로운 비지도 소표본 결함 탐지 모델인 ISU-GAN을 제안합니다. Generator에 Skip Connection, SE 모듈, Involution 모듈이 추가되어 모델의 특징 추출 기능이 크게 향상됩니다. 또한, GAN 기반 결함 검출에 적용하여 중복된 노이즈 감소 후처리 없이 결함 윤곽선을 정확하게 추출할 수 있는 SSIM 기반 결함 분할 방법을 제안합니다. DAGM2007 데이터 세트에 대한 실험에서는 감독되지 않은 ISU-GAN이 전체 훈련 세트를 갖춘 감독 모델보다 레이블이 지정되지 않은 훈련 데이터의 1/3 미만으로 더 높은 감지 정확도와 더 미세한 결함 프로필을 달성할 수 있음을 보여줍니다. 더 많은 훈련 샘플을 포함하는 지도 분할 모델 UNet 및 ResUNet++에 비해 우리 모델은 감지 정확도를 각각 2.84% 및 0.41% 향상시키고 F1 점수를 각각 0.025 및 0.0012 향상시킵니다. 또한, 우리의 방법을 사용하여 얻은 예측 프로파일은 비교에 사용된 다른 모델보다 실제 프로파일에 더 가깝습니다.

제품은 실제 산업생산과정에서 기계오류, 작업자 오류, 생산공정상의 문제로 인해 표면결함이 있을 수 있습니다. 표면 결함은 제품의 심미성 및 성능에 영향을 미쳐 사용자 만족도를 저하시킬 뿐만 아니라, 안전상의 위험으로 사용자의 생명과 재산에 위협이 될 수 있습니다. 따라서 표면 결함 검출은 산업 생산의 필수적인 부분입니다.

오랫동안 산업 표면 결함 처리는 수작업에 의존해 왔으며 이는 시간이 많이 걸리고 힘들 뿐만 아니라 매우 주관적이어서 높은 효율성과 정밀도로 산업 생산의 요구를 충족시킬 수 없습니다. 따라서 컴퓨터 비전을 기반으로 한 자동화된 결함 검출 기술이 더욱 주목받는 연구 방향이 되었습니다. 현재 머신비전을 기반으로 한 자동화된 결함 검출 방법에는 주로 전통적인 방법과 딥러닝 방법이 있다.

기존 방법은 결함을 감지하기 위해 이미지의 구조적 정보에 의존했습니다. 일반적으로 결함의 특성과 실제 적용 시나리오를 기반으로 해당 탐지 알고리즘을 설계하려면 인간의 노력이 필요합니다. 머신 비전을 기반으로 하는 현재의 전통적인 결함 탐지 방법에는 주로 Gabor 필터링1, 향상된 로컬 이진 패턴 알고리즘(MB-LBP)2, 향상된 Sobel 알고리즘3 등이 포함됩니다. 대부분의 전통적인 비전 방법은 특정 결함 기능에 크게 의존하며 엔드투를 달성하기 어렵습니다. -끝 감지. 다양한 결함에 대해 다양한 검사 알고리즘을 수동으로 설계하는 데 드는 시간과 경제적 비용은 매우 높으며 강력한 전문 지식을 갖춘 많은 인력이 필요하므로 산업 생산의 효율성과 비용 요구 사항을 충족하기가 어렵습니다. 또한, 실제로 인간의 눈으로 보이는 결함의 특성을 기반으로 한 검출 알고리즘은 외부 환경 변화에 따른 간섭을 받기 쉬우므로 만족스러운 견고성을 확보하기 어렵습니다.

딥러닝의 출현으로 CNN(Convolutional Neural Networks)을 기반으로 한 다양한 알고리즘이 머신 비전의 여러 하위 분야에서 놀라운 결과를 달성했습니다. 기존 결함 감지 방법과 비교하여 딥 러닝 방법은 대부분 결함 기능을 수동으로 모델링할 필요성을 없애고 엔드투엔드 감지를 가능하게 합니다. 또한 높은 감지 정확도, 빠른 수렴 및 견고성이라는 장점도 있습니다.