적대적 생성 신경망(GAN)을 활용한 딥러닝 기반의 향상된 자동차 부품 품질검사 기법 연구 = Research on an Enhanced Automotive Parts Quality Inspection Technique Based on Deep Learning Utilizing Generative Adversarial Networks (GANs)

국문 초록 (Abstract)

본 연구는 기존 딥러닝 기반 객체 탐지 방식의 한계를 극복하기 위해 적대 적 생성 신경망(GAN)을 활용하여 고품질의 가짜 이미지를 생성하고, 이를 실제 이미지와 결합하여 객체 탐지의 정확도를 향상하는 방안을 모색한다. 연구의 핵심은 GAN을 통해 생성된 고품질 이미지를 딥러닝 알고리즘과 결 합하여 더 효율적인 객체 탐지를 실행하는 데 있다. 생성형 AI 알고리즘 중 하나인 GAN을 객체 탐지 알고리즘에 적용하면 데이터 증강 문제를 해결하 고 데이터의 다양성을 증가시킬 수 있는 방법으로 제안된다. 객체 탐지는 컴퓨터 비전 분야에서 중요한 과제 중 하나이다. 기존 딥러닝 방법들은 다양한 환경에서 변화성과 복잡성으로 인해 정확도에 한계를 보여 왔다. 본 연구에서는 GAN의 활용을 통해 이러한 한계를 극복하고자 한다. YOLO v8은 실시간 처리에 있어서 뛰어난 성능을 보이지만, One-Stage Detector의 형태를 갖기 때문에 객체를 한 번만 탐지하는 특징을 가지고 있 다. One-Stage Detector는 구현이 간단하고 추론 속도가 빠르지만, Two-Stage Detector에 비해 정확도가 낮을 수 있다. 본 연구에서는 GAN과 YOLO v8를 활용하여 실험을 진행하였다. GAN은 실제 이미지를 기반으로 고품질의 이미지를 생성할 능력을 갖추고 있다. 구 별하기 어려운 수준의 가짜 이미지를 통해 딥러닝 모델이 더 복잡한 패턴을 학습하게 하여, 고도화된 객체 탐지 능력을 개발할 수 있도록 돕는다. GAN 과 같은 생성형 AI 이미지는 특히 데이터가 부족한 경우에 데이터 증강에 서 적용할 수 있는 기회를 제공한다. 본 연구에서는 GAN(Generative Adversarial Networks, 적대적 생성 신경 망)을 활용하여 가짜 이미지를 생성한 후, 이를 실제 이미지와 결합하여 객 체 탐지 알고리즘에서의 데이터 증강에 학습 데이터로 활용함으로써, 모델 이 다양한 시나리오에서 객체를 인식하는 능력을 향상하고, 결과적으로 일 반화 성능을 크게 개선하는 방법을 탐구하였다. 정밀하게 고화질의 가짜 이 미지를 생성하는데 한계가 있지만, 데이터 증강의 가능성을 보여주었다. 본 연구에서 제시한 GAN의 활용은 딥러닝 기반의 객체 탐지 기술을 한 단 계 진화하는 중요한 발전을 이루었다고 할 수 있다. GAN과 YOLO 알고리 즘의 효과적인 결합을 통해 달성한 객체 탐지 성능의 현저한 향상은, 이후 컴퓨터 비전 분야에서의 객체 탐지 연구에 큰 영향을 미칠 것으로 기대된다 [1-5][16-26].

목차 (Table of Contents)

• 1장 서론 1
• 1절 연구 배경 및 필요성 1
• 2절 연구 목표 및 기대효과 3
• 2장 관련 연구 4
• 1절 딥러닝 기반 객체 탐지 4
• 1항 Faster R-CNN 4
• 2항 YOLO 알고리즘의 진화 6
• 3항 YOLO v8(You Only Look Once) 8
• 2절 적대적 생성 신경망(Generative Adversarial Networks) 12
• 1항 적대적 생성 신경망의 구조와 원리 12
• 2항 DCGAN 15
• 3항 CycleGAN 17
• 3절 표면 결함 탐지
• 1항 자동차 브레이크 디스크의 표면 결함 검출에 관한 사례 19
• 3장 연구 방법 22
• 1절 프로세스 22
• 2절 모델 23
• 3절 데이터 세트 23
• 4절 실험 26
• 5절 기술의 한계 및 개선 방향 28
• 4장 연구 결과 및 분석 30
• 1절 GAN 결과 30
• 2절 라벨링 30
• 3절 Object Detection – YOLOv8 결과 36
• 4절 머신비전과 영역 스캔 카메라를 통한 불량 검출 39
• 5장 결론 51
• 참고문헌 52