딥러닝 기반의 철강 표면의 결함 검출기
Deep Learning based Surface Defect Detector on Metal Surface
0
조회
0
다운로드
5
인용
0
참고문헌
키워드
초록
철강 산업에서는 철강의 표면 결함을 감지하고 수리해야 한다. 따라서 철강 표면 결함의 자동 감지는 철강 제조 공정에서 중요한 역할을 한다. 이러한 결함 검출을 위해 HAAR 기능 기반 캐스케이드 분류기 및 서포트 벡터 머신(SVM)과 같은 머신 러닝 기반 분류 방법이 널리 사용되었다. 딥 러닝 방법이 대중화되면서 최근에는 신경망 기반 표면 결함 검출이 도입되고 있다. 일반적으로 많은 연구자들이 최근 ILSVRC (ImageNet Large Scale Visual Recognition Challenge)에서 우승한 성능이 검증된 신경망을 채택한 후, 가중치와 마지막 레이어를 수정하여 표면 결함 감지에 사용하는데, 이를 전이 학습이라고 한다. 이전 연구에서는 ResNet152를 사용했으며, 서로 다른 연구에서 성능은 각각 F1=0.975 및 F1=0.912였다. 그러나 그들의 연구에 사용된 신경망은 매우 넓고 깊어서, 훈련된 가중치를 저장하기 위해서는, 큰 메모리와 많은 승산기-누적기 (multiplier -accumulator, MAC)가 필요하다. 그리고 이것은 강철 표면의 표면 결함을 예측하기 위해 고가의 하드웨어 시스템이 필수적임을 의미합니다. 이 논문은 표면 결함 탐지 전용의 작은 신경망을 제안한다. 제안된 네트워크는 3개의 합성곱 레이어와 2개의 완전 연결 레이어만 있습니다. 실험 결과로부터 F1=0.931, 최소 AUC (area under the curve)=0.995를 얻었다.
Abstract
Steel surface defect should be detected and repaired in steel industry. Therefore, automatic detection of the steel surface defects plays a vital role in the steel manufacturing process. For the defect detection, machine learning based classification methods have been widely used such as HAAR feature-based cascade classifiers and support vector machines (SVM). As deep learning methods have been popular, the neural network based surface defect detection has been recently introduced. As for the methods, many researchers, in general, adopt a trained neural network, which is mainly winner in the recent ILSVRC (ImageNet Large Scale Visual Recognition Challenge). Then, the weights and last layers are modified to be used for surface defect detection (SDD), which is called transfer learning. In the previous researches, ResNet152 (winner in ILSVRC 2015) was used and the resulting performances were F1=0.975 and F1=0.912 in two different studies, respectively. However, the neural network used in their research has very wide and deep. Therefore, huge memories to save the trained weights and many multiplier–accumulators (MAC) are necessary, which means expensive hardware systems are essential to predict surface defect on the steel surface. This paper suggests a small neural network dedicated to surface defect detection. The proposed network has only three convolution layers and two fully connected layers. From the experimental results, we obtained F1=0.931 and minimum AUC (area under the curve)=0.995.
참고문헌 (14)
- 이민기, "금속 표면의 결함 검출을 위한 영역 기반 CNN 기법 비교", 전기학회논문지, 67(7), pp.865~870 (2018), 대한전기학회
- K. Liu, "A new self-reference image decomposition algorithm for strip steel surface defect detection", IEEE Transactions on Instrumentation and Measurement, 69(7) (2020)
- S. Ghorai, "Automatic defect detection on hot-rolled flat steel products", IEEE Transactions on Instrumentation and Measurement, 62(3) (2013)
- 서상민, "감시 카메라를 이용한 딥러닝 기반의 화재 경보 시스템", 한국지식정보기술학회 논문지, 16(3), pp.423~432 (2021), 한국지식정보기술학회[DOI]
- 서상민, "높은 정밀도를 위한 CNN 기반의 개선된 모션 인식기", 한국지식정보기술학회 논문지, 16(3), pp.453~460 (2021), 한국지식정보기술학회[DOI]
- 서상민, "딥러닝과 최대 색차를 이용한 인간 행동 인식기", 한국지식정보기술학회 논문지, 16(4), pp.629~637 (2021), 한국지식정보기술학회[DOI]
- K He, "Deep residual learning for image recognition", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (2016)
- S. Wang, "Automatic detection and classification of steel surface defect using deep convolutional neural networks", Metals, 11(3) (2021)
- I. Konovalenko, "Recognition of scratches and abrasions on metal surfaces using a classifier based on a convolutional neural network", Metals, 11(4) (2021)
- M. S. Kim, "Classification of steel surface defect using convolutional neural network with few images", 12th Asian Control Conference(ASCC) (2019)
- Y. Li, "Research on a surface defect detection algorithm based on mobileNet-SSD", Applied Sciences, 8(9) (2018)
- Avlokulov Anvar, "Automatic Metallic Surface Defect Detection using ShuffleDefectNet", 한국컴퓨터정보학회논문지, 25(3), pp.19~26 (2020), 한국컴퓨터정보학회[DOI]
- "Northeastern University"[URL]