전이학습과 데이터 증강을 활용한 용접 결함 분류 성능 향상 = Improving Welding Defect Classification Performance Using Transfer Learning and Data Augmentation

국문 초록 (Abstract)

산업용 방사선 투과 검사(RT) 이미지는 낮은 명암 대비와 촬영 조건의 변동성을 포함한 제한적 데이터 환경으로 인해 결함 분류 모델의 일반화 성능 확보에 한계가 존재한다. 본 연구에서는 이러한 문제를 극복하기 위해, RIAWELC 데이터셋으로 사전 학습된 ResNet50 모델 기반의 계층별 전이학습과 Perlin Noise를 활용한 절차적 데이터 증강을 결합한 통합 학습 체계를 설계하였다. 특히 절차적 생성 기법은 결함의 기하학적 형태와 명암 분포를 정교하게 모사함으로써, 학습 데이터에 의존적인 GAN 계열 모델의 불안정성을 배제하고 형태적 다양성을 안정적으로 확보한다. 실험 결과, 해당 기법은 데이터가 부족한 구간에서 F1-score를 기존 대비 최대 8.6%p 향상시키며 유의미한 성능 개선을 달성하였다. 또한 생성 품질 평가에서도 GAN 모델 대비 현저히 낮은 FID 값(57.3)을 기록하여 실제 이미지와의 높은 통계적 유사성을 입증하였다. 결론적으로 절차적 합성과 전이학습의 결합이 제한적인 산업 데이터 환경에서 용접 결함 분류 모델의 성능을 안정적으로 확보하는 데 유효함을 확인하였다.

다국어 초록 (Multilingual Abstract)

Industrial Radiographic Testing (RT) images often suffer from limited data environme nts characterized by low contrast and variable imaging conditions, which impose limitati ons on securing the generalization performance of defect classification models. To addr ess these challenges, this study designed an integrated training framework that combin es layer-wise transfer learning based on a ResNet50 model pre-trained on the RIAWEL C dataset with Perlin Noise-based procedural data augmentation. In particular, the proc edural generation technique precisely simulates the geometric shapes and intensity distr ibutions of defects, thereby eliminating the instability often associated with GAN-based models that rely heavily on training data, while ensuring stable morphological diversity.
Experimental results demonstrated that the proposed technique achieved significant per formance improvements, increasing the F1-score by up to 8.6 percentage points compa red to the baseline in data-scarce scenarios. Furthermore, in the generation quality eval uation, the method recorded a significantly lower FID value of 57.3 compared to GAN models, validating its high statistical similarity to real images. Consequently, this study confirmed that the combination of procedural synthesis and transfer learning is effectiv e in stably securing the performance of welding defect classification models within limit ed industrial data environments.

목차 (Table of Contents)

• 1. 서론 1
• 1.1. 연구 배경 1
• 1.2. 연구 기여 5
• 1.3. 논문 구성 6
• 2. 관련 연구 7
• 2.1. 딥러닝 기반 RT 용접 결함 분류 연구 7
• 2.2. Perlin Noise 기반 절차적 합성 8
• 3. 데이터 분석 및 증강 방법론 10
• 3.1. RT 용접 이미지 분석 10
• 3.2. 사전학습 모델의 기본 성능 평가 13
• 3.3. Perlin Noise를 활용한 선형(Linear) 결함 생성 15
• 3.4. Perlin Noise를 활용한 원형(Hole) 결함 생성 23
• 3.5. 합성 데이터의 품질 평가 25
• 4. 전이학습 실험 설계 28
• 4.1. 데이터 크기에 따른 전이학습 성능 변화 분석 28
• 4.2. 계층별 미세조정(Fine-tuning) 전략 비교 실험 31
• 5. 데이터 증강을 통한 분류 성능 비교 34
• 5.1. 데이터 크기 및 증강 방식에 따른 성능 비교 34
• 5.2. 증강 기법별 분류 성능 비교 분석 37
• 6. 결론 40
• 참고문헌 42