딥러닝 모델 학습도구를 이용한 용접불량검출 System 설계 = Design of a Welding Defect Detection System using a Deep Learning Model Training Tool

국문 초록 (Abstract)

숙련 용접 인력 부족과 현장 교육의 비효율성 문제를 해결하고자 학습 보조 도구로서, 딥러닝 모델 기반의 자동 결함 탐지 시스템의 필요성을 제기했다. 인력 수급 문제와 함께 기술을 교육하고 있는 실습 현장에서도 전문가의 부족과, 기술 전수를 받는 다수의 훈련생을 교수자 1명이 교육해야 하는 환경으로 인해 효율적이고 집중도 높은 실습 교육이 어려운 상황이다.
본 연구는 용접 훈련생에게 실시간으로 유용한 피드백을 제공하여 교육 효과를 높이는 용접 결함 탐지 시스템을 개발하는 것이다. 이 연구의 핵심은 용접 교육 현장에서 발생하는 불규칙하고 비정형적인 용접 결과물 데이터를 결함 탐지 모델 학습에 효과적으로 사용될 수 있는 방법론을 찾아 제시하는 것이었다. 훈련생들이 자신의 스마트폰과 플래쉬로 찍은 사진만으로도 시스템을 활용하여 학습에 도움을 받기 위해서는, 데이터셋을 구축하는 단계부터 비슷한 환경에서 만들어진 데이터로 연구를 진행해야 한다. 정밀한 검출을 위한 라벨링 전략 및 모델 적용은 배경 노이즈를 줄이고 모델이 결함 자체에 집중하도록, 용접 결함의 비정형적인 특징을 정확히 학습시켜야 한다. 불완전한 데이터 환경에서 AI 기반 교육용 도구를 개발할 때, 데이터 가치를 체계적으로 높이는 구체적인 방법론과 가능성을 제시한 점에서 학술적, 실용적 의의가 있다.

목차 (Table of Contents)

• 목 차
• [그림차례] i
• [표 차례] iii
• 제 1 장 서 론 1
• 1.1 연구 배경 및 필요성 1
• 1.2 연구 목표 3
• 1.3 논문 구성 3
• 제 2 장 이론적 배경 및 연구 데이터 문제 진단 4
• 2.1 용접 결함 탐지 기술 동향 4
• 2.2 주요 용접 기술의 개요 4
• 2.2.1 피복 아크 용접(SMAW) 5
• 2.2.2 가스텅스텐아크용접(GTAW/TIG) 5
• 2.2.3 솔리드 와이어 및 플럭스 코어드 아크 용접(GMAW/FCAW) 5
• 2.3 YOLO (You Only Look Once) 모델 6
• 2.3.1 YOLOv8 모델의 주요 구조적 개선 사항 8
• 2.3.2 YOLO 아키텍처의 구조 및 특징 9
• 2.4 연구 데이터셋 구축 및 결함 분포 분석 10
• 2.5 훈련생 용접 데이터의 특징 및 연구 데이터 선정의 당위성 12
• 2.6 언더컷 결함의 낮은 발생 빈도 원인 분석 및 연구 범위 설정 13
• 2.6.1 용접 열량(Heat Input)과 용입의 상관관계 13
• 2.6.2 훈련생의 보수적 용접 방식과 열량 부족 현상 14
• 2.6.3 용입 불량 발생의 필연적 원리 14
• 2.7 초기 실험을 통한 데이터 문제의 재확인 및 한계 도출 15
• 2.7.1 검출 방식별 성능 상세 분석 (AABB, OBB, Segmentation) 17
• 2.7.2 모델 스케일(YOLOv8n vs. YOLOv8s)에 따른 성능 상세 분석 19
• 2.7.3 종합적인 초기 실험 결과 및 데이터 문제의 재확인 결론 20
• 2.8 데이터의 비일관성 진단 21
• 제 3 장 데이터 큐레이션 방법론 및 실험 설계 22
• 3.1 데이터 큐레이션 방법론 22
• 3.1.1 1단계: 데이터 정제(Filtering) 및 선별 23
• 3.1.2 2단계: 라벨링 기준 재수립 및 가이드라인 정의 23
• 3.1.3 3단계: 정밀한 검출을 위한 라벨링 전략 및 OBB 모델 적용 26
• 3.1.3.1 데이터 증강 및 양적 확장 전략 26
• 3.1.4 데이터 큐레이션 세부 논의 및 일반화 전략 28
• 3.1.4.1 클래스 통합 및 세분화에 대한 고찰 28
• 3.1.4.2 용입 불량 라벨링 일반화를 위한 추가 고려사항 및 팁 29
• 3.1.4.3 크레이터 라벨링 일반화를 위한 추가 고려사항 및 팁 31
• 3.1.4.4 용락 라벨링 일반화를 위한 추가 고려사항 및 팁 31
• 3.2 성능 평가 지표 32
• 3.2.1 IoU (Intersection over Union) 33
• 3.2.2 정밀도(Precision)와 재현율(Recall) 34
• 3.2.3 PR 곡선(Precision-Recall Curve)과 AP (Average Precision) 35
• 3.2.4 mAP (mean Average Precision) 36
• 3.2.5 혼동 행렬 (Confusion Matrix) 36
• 3.3 실험 환경 37
• 3.4 평가 모델 선정 과정 38
• 3.5 학습 파라미터 42
• 제 4 장 실험 결과 및 분석 44
• 4.1 데이터 큐레이션의 효과 분석 44
• 4.1.1 베이스라인 성능: 초기 데이터셋(Raw_data)의 한계 46
• 4.1.2 1단계 & 2단계: 질적(Qualitative) 개선의 결정적 효과 47
• 4.1.3 최종 단계: 양적(Quantitative) 확장의 시너지 효과 47
• 4.2 하이퍼파라미터 최적화를 통한 성능 극대화 48
• 4.3 최종 모델 종합 성능 심층 분석 51
• 4.3.1 정량적 성능 분석 51
• 4.3.2 정성적 오류 분석 (Qualitative Error Analysis) 55
• 제 5 장 결론 및 향후 연구 63
• 5.1 결론 63
• 5.2 연구의 한계 및 향후 연구 방향 63
• [참고문헌] 65