딥러닝 기반의 자동차 타이어 결함 분류
Automotive Tire Defect Classification Based on Deep Learning
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
교통사고는 운전자, 동승자 뿐만 아니라 다른 운전자에게 큰 상처를 줄 수 있기 때문에 교통사고를 예방하는 일은 매우 중요하다. 교통사고의 원인 중 하나는 타이어 결함으로 인한 사고로, 타이어 결함을 사전에 방지하기 위해 많은 연구가 진행되었고, 본 논문에서는 적은 수의 파라미터로 딥러닝 모델을 만들어 모바일 기기에서도 타이어 결함을 방지할 수 있도록 설계하였다. 이번 연구에서는 타이어의 상태를 “good”과 “defective” 두 가지 클래스로 분류한다. 데이터 세트의 균형을 맞추기 위해, 각 클래스당 800개의 이미지를 사용하였으며, 데이터 세트의 90%는 훈련에, 나머지 10%는 훈련 검증에 사용하였다. 딥러닝 모델을 최적화하기 위해 AdamW(Adaptive momentum estimation + Weight decay) 최적화 함수를 사용하였다. 훈련 모델의 하이퍼 파라미터는 Batch size는 32, Epoch는 300, 학습률(learning rate)은 0.000002로 설정하였다. 학습된 모델의 성능평가를 진행한 결과, “good”클래스의 F1-Score는 0.863, “defective”클래스의 F1-Score는 0.874, 평균 F1-Score는 0.869으로 나타났다. 또한 다른 성능 평가 지표로 ROC(Receiver Operating Characteristic) Curve와 AUC(Area Under Curve)를 사용하였고, “good”의 AUC는 0.94, “defective”의 AUC는 0.94로 나타났다.
Abstract
Preventing traffic accidents is one of the most important things you can do, as they can be very traumatic for the driver, passengers, and other drivers. One of the causes of traffic accidents is defective tyres. Many studies have been conducted to prevent tyre defects, and in this paper, we explore how to detect tyre defects on mobile devices by creating a deep learning model with a small number of parameters. In this study, we use two classes, "good" and "defective," to distinguish the status of tyres. To balance the dataset, we used 800 images for each class, and 90% of the dataset was used for training and 10% for validation and test. To optimize the deep learning model, we used the AdamW(Adaptive moment estimation + Weight decay) optimization function. The hyper-parameters of the training model were batch size 32, epoch 300, and learning rate 0.000002. We use a Convolution Neural Network(CNN) with ReLU Activation Function. We use a (3×3) and (1×1) Convolution filters to train our model, and use BatchNormalization layer to avoid biased distribution. We evaluated the performance of the trained model and found that the F1-Score of the "good" class was 0.863, the F1-Score of the "defective" class was 0.874, and the average F1-Score was 0.869. We also used ROC (Receiver Operating Characteristic) Curve and AUC (Area Under Curve) as other performance evaluation methods, and the AUC of "good" was 0.94 and that of "defective" was 0.94.
참고문헌 (18)
- "KoROAD" (2012)[URL]
- 서상민, "딥러닝 기반의 철강 표면의 결함 검출기", 한국지식정보기술학회 논문지, 16(5), pp.897~904 (2021), 한국지식정보기술학회[DOI]
- 김영진, "인공신경망을 이용한 가속도 센서 기반 타이어 트레드 마모도 판별 알고리즘", 한국산업융합학회논문집, 23(2), pp.163~171 (2020), 한국산업융합학회[DOI]
- Backpropagation applied to handwritten zip code recognition, "Y. LeCun", Neural computation, ~ (1989)
- K. He, "Mask r-cnn", Proceedings of the IEEE international conference on computer vision, pp.2961~2969 (2017)
- 박혜진, "심층학습 기법을 활용한 효과적인 타이어 마모도 분류 및 손상 부위 검출 알고리즘", 멀티미디어학회논문지, 24(8), pp.1026~1034 (2021), 한국멀티미디어학회
- "2012-2023 Study of Smartphone Usage &Brands, Smartwatches, and Wireless Earphones(Gallup Korea)" (2023)[URL]
- "Tyre Quality Classification" (2023)[URL]
- "Korea Institute of Science and Technology Information(KISTI)" (2020)[URL]
- A. G. Howard, "Mobilenets : Efficient convolutional neural networks for mobile vision applications", arXiv preprint arXiv : 1704. 04861, ~ (2017)
- S. Ioffe, "Batch normalization: Accelerating deep network training by reducing internal covariate shift", International conference on machine learning. pmlr, pp.448~456 (2015)
- I. Loshchilov, "Decoupled weight decay regularization", arXiv preprint arXiv : 1711. 05101, ~ (2017)
- 서상민, "감시 카메라를 이용한 딥러닝 기반의 화재 경보 시스템", 한국지식정보기술학회 논문지, 16(3), pp.423~432 (2021), 한국지식정보기술학회[DOI]
- A. Vaswani, "Attention is all you need", Advances in neural information processing systems, 30 (2017)
- A. Dosovitskiy, "An image is worth 16x16 words : Transformers for image recognition at scale", arXiv preprint arXiv : 2010. 11929, ~ (2020)
- S. Mehta, "Mobilevit:light-weight, general-purpose, and mobile-friendly vision transformer", arXiv preprint arXiv : 2110. 02178, ~ (2021)
- 김현석, "깊이 이미지를 이용한 타이어 표면 결함 검출 방법에 관한 연구", 정보처리학회 논문지, 11(5), pp.211~220 (2022), 한국정보처리학회