생성적 적대 신경망을 이용한 반도체 제조공정 데이터의 결측치 추정 및 공정 이상 진단 프레임웍

김희수(Heesoo Kim),이현수(Hyunsoo Lee) 한국지능시스템학회 2018 한국지능시스템학회논문지 Vol.28 No.4

많은 현대 제조 공정에서 선진화된 센서를 활용한 공정 이상 유무 진단 프레임웍이 활용되고 있다. 이때, 일부장비의 설비 보존, 정비, 고장 등으로 인하여 측정되는 센서 데이터의 결측치가 존재하게 되는 이슈가 발생한다. 또한, 제조 공정의 고도화는 불합격 표본 데이터의 부족을 초래하여, 학습 데이터의 불균형을 초래하게 된다. 이러한 문제점을 개선하기 위하여 본 연구에서는 데이터의 분포에 기반 한 샘플링을 통하여 결측치를 추정하고, 이를 다시 생성적 적대 신경망을 이용하여 보정하는 프레임웍을 제안한다. 또한, 제안된 생성적 적대 신경망을 통하여 불균형한 표본 데이터를 생성데이터로 보완하여 균형된 데이터의 학습이 이루어지게 한다. 이를 위하여 실제 반도체 제조공정 데이터를 통해 제안된 프레임웍을 테스트하고, 기존 연구들과의 비교를 통하여 그 우수성을 증명한다. Contemporary manufacturing processes have introduced several fault detection and classification systems using advanced sensor technologies. However, the maintenances and breakages of the manufacturing facilities make it possible to generate the missing values in the process data. In addition, the advanced process technologies give result to the shortage of the fault data and then, this issue causes imbalances of the data. In order to overcome these issues, the paper estimates the missing values using the data distribution based Monte Carlo based sampling method and then these data are interpolated using the proposed generative adversary network. The used network produces the more virtual fault data for balancing the input data. In order to show the proposed framework, the real manufacturing process data are tested and the applied framework is compared with the existing methods.

제조공정 데이터의 불균형 해소를 위한 생성적 적대 신경망 기반 가상 데이터 생성 프레임웍

김희수(Heesoo Kim),이현수(Hyunsoo Lee) 한국지능시스템학회 2019 한국지능시스템학회논문지 Vol.29 No.1

스마트 공장 및 제조공정의 혁신은 제조 데이터의 불균형을 가속화시키고 있으며, 이는 결함 진단 및 분석 프레임웍의 부정확성을 일으키고 있다. 본 연구에서는 이러한 제조 데이터가 가지는 불균형 문제점을 해소하기 위한 방법론으로 데이터 생성방법론인 생성적 적대 신경망 (Generative Adversary Network)을 고려한다. 생성적 적대 신경망이 가상데이터의 생성에 기여하는 동안, 실제 제조 데이터에 적용하기 위해서는 모델 붕괴 (Model Collapsing)과 같은 문제를 해소해야 한다. 모델 붕괴현상이란, 신경망에 목적함수에만 초점을 맞추어 데이터가 생성되어 각 속성값의 분포가 원래 데이터와 차이가 나는 현상을 의미한다. 본 연구에서는 생성적 적대 신경망의 기존 목적함수에서 실제와 가까운 데이터 생성을 위한 유도항을 추가하여 가상데이터를 합성하는 프레임웍을 제안한다. 생성된 가상데이터를 분류를 위한 훈련데이터로 사용함으로써, 데이터의 불균형 및 모델 붕괴현상을 동시에 해소토록 한다. 제안하는 프레임웍의 우수성을 증빙하기 위하여 불균형을 가진 실제 강판 품질 데이터를 사용하여, 기존의 여러 연구 방법론과 비교하고 분석한다. Smart manufacturing and the process innovation give result to the imbalanced manufacturing data and this tendency decreases the inaccuracy of the used manufacturing fault detection and classification frameworks. This research considers Generative Adversary Network (GAN) as a data generation method in order to overcome the imbalanced manufacturing data. While a general GAN model contributes to the generation of virtual data, several issues including the model collapsing may occur. Model collapsing is the situations that the generated data’s distribution has considerable differences with the distribution of the original data. This tendency is resulted from the objective function of a general GAN. This research proposes a new and efficient data generation framework with a modified GAN which has a correction term for decreasing gap between the generated data and the original data. The proposed method solves the data imbalance issue and the model collapsing problem simultaneously. In order to show the effectiveness of the proposed framework, the real steel plate fault data with imbalances are analyzed and the results are compared with the existing the fault detection and classification methods.

생성적 적대 신경망과 딥러닝을 활용한 이상거래탐지 시스템 모형

김예원,유예림,최홍용 한국경영정보학회 2019 한국경영정보학회 학술대회논문집 Vol.2019 No.5

생성적 적대 신경망을 이용한 함정전투체계 획득 영상의 초고해상도 영상 복원 연구

김동영 한국디지털콘텐츠학회 2018 한국디지털콘텐츠학회논문지 Vol.19 No.6

In this paper, we perform Single Image Super Resolution(SISR) for acquired images of EOTS or IRST from naval combat system. In order to conduct super resolution, we use Generative Adversarial Networks(GANs), which consists of a generative model to create a super-resolution image from the given low-resolution image and a discriminative model to determine whether the generated super-resolution image is qualified as a high-resolution image by adjusting various learning parameters. The learning parameters consist of a crop size of input image, the depth of sub-pixel layer, and the types of training images. Regarding evaluation method, we apply not only general image quality metrics, but feature descriptor methods. As a result, a larger crop size, a deeper sub-pixel layer, and high-resolution training images yield good performance.

생성적 적대 신경망과 딥러닝을 활용한 이상거래탐지 시스템 모형

김예원,유예림,최홍용 한국경영정보학회 2020 Information systems review Vol.22 No.1

인공지능이 다루기 어려운 개념에서 아주 익숙한 도구로 자리매김 하고 있다. 이와 더불어 금융권에서도 인공지능 기술을 도입하여 기존 시스템의 문제점을 개선하고자 하는 추세이며, 그 대표적인 예가 이상거래탐지 시스템(Fraud Detection System, FDS)이다. 결제 수단의 다양화 및 전자금융거래의 증가에 따라 치밀해져 가는 사이버 금융사기(Fraud)를 기존의 규칙기반 FDS로는 탐지하기 어려워지고 있다. 이를 극복하기 위해 딥러닝 기술을 적용하여 이상거래 탐지율을 향상시키고, 이상행위에 즉각 대응하며, 탐지 결과의 반영을 자동화하고자 하는 시도가 이루어지고 있다. 딥러닝 FDS 구축에서 핵심 문제는 데이터 불균형과 이상거래 패턴의 변동이다. 본 논문에서는 생성적 적대 신경망(Generative Adversarial Network, GAN)을 활용한 오버샘플링 기법을 통해 데이터 불균형 문제를 개선하고, 이상거래 분류기로써 심층 신경망(Deep Neural Network, DNN)과 합성곱 신경망(Convolutional Neural Network, CNN)을 적용하여 이러한 문제를 개선하고자 하였다. 실험 결과, GAN 오버샘플링이 이상거래 데이터의 불균형 문제를 개선하는데 효과를 보였으며, WGAN이 가장 높은 개선 효과가 있음을 확인하였다. 또한 제안 FDS 모형의 AUC가 0.9857로 랜덤포레스트 FDS 모형에 비해 약 6.5% 향상되어, 딥러닝이 이상거래 탐지에 뛰어난 성능을 가짐을 입증하였다. 더불어 딥러닝 모형 중 DNN은 CNN에 비해 오버샘플링의 효과를 더 잘 반영함을 확인하였다.

생성적 적대 신경망과 뇌 MRI 영상을 활용한 알츠하이머병의 진행 예측

박성환(Sunghwan Park),이효찬(Hyochan Lee),김동현(Donghyeon Kim),안민규(Minkyu Ahn) 한국HCI학회 2022 한국HCI학회 학술대회 Vol.2022 No.2

알츠하이머성 치매는 조기진단이 중요한 퇴행성 신경질환이다. 최근 뇌 자기공명영상(MRI)를 이용하여 뇌의 수축정도를 통해 병을 진단하는 기술들이 개발되고 있으며 유의미한 결과들이 보고되고 있다. 하지만 향후 병이 진행되는 정도를 명확하게 보여주는 연구결과는 많지 않다. 본 연구에서는 현재의 뇌 MRI를 이용하여 3년 후의 병의 진행 정도를 예측하고자 하였다. 평가에는 공개된 뇌 MRI 데이터는 ADNI 데이터를 사용하였고, Multi-Information GAN 와 pix2pix GAN 을 활용해 3 년 뒤의 뇌 MRI 영상을 생성하여 알츠하이머병의 단계별로 SSIM 수치를 각각 계산하여 비교함으로써 기존에 알려진 GAN 모델을 통해 미래 뇌 MRI 를 예측가능한지를 평가하였다. 결과적으로 3년 후의 뇌 MRI영상과 GAN 모델을 통해 생성된 MRI 영상의 유사도는 0.823 로 확인되었으나, 원본 영상과의 유사도도 0.898로 나타났다.

생성적 적대 신경망을 활용한 지능형 송전철탑 애자 탐지 기법

나윤호,주승민,김준수,전문수,윤동현,오기용 한국비파괴검사학회 2024 한국비파괴검사학회지 Vol.44 No.4

최근 증가하는 전력 수요에 따라 발전소로부터 전력을 전달하는 송전철탑의 건설이 증가 되고 있다. 이에 따라 송전철탑 안정성의 핵심 요소인 애자의 유지 보수 작업이 중요해지고 있다. 기존의 수동적인 애자보수 작업은 작업자가 직접 송전철탑에 올라가 애자를 확인하는 방식인데 이는 작업자의 안전성과 효율성의 문제를 가진다. 따라서 본 연구에서는 드론과 고해상도 카메라, 생성적 적대 신경망 StyleGAN2-ADA, 객체탐지 모델인 YOLO v7을 이용하여 자동화 및 향상된 애자 탐지 기법을 제시한다. 드론과 고해상도 카메라로 실제적인 애자 이미지 데이터를 취득하고 StyleGAN2-ADA를 통해 가상 애자 이미지 데이터를 생성한다. 이후 실제 이미지 데이터와 가상 이미지 데이터를 결합해 YOLO v7을 학습하여 애자 탐지에 적용한다. 실험을 통해 이 기법의 우수성을 검증하였으며 애자뿐만 아니라 탐지 작업이 필요한 다양한 산업현장에서도 적용가능할 것이다. Due to the continuous increase in power demand, the construction of transmission towers to deliver electricity from power plants is increasing. Consequently, the importance of maintaining insulators, a key element in the stability of transmission towers, has become increasingly significant. Traditional maintenance involves manual inspections in which workers climb transmission towers to check the insulators. However, this method poses safety and efficiency issues for workers. Therefore, this study proposes an automated and enhanced detection method for insulators using drones, high-resolution cameras, StyleGAN2-ADA, and the object detection model YOLO v7. High-resolution images of the real insulators are captured using drones and cameras, and virtual insulator images are generated using StyleGAN2-ADA. YOLO v7 is trained on a combined dataset of real and virtual images to detect insulators. Experiments verified the superiority of this method, suggesting its applicability to insulators, and various industrial sites that involve detection tasks.

GAN 알고리즘의 생성이미지와 시물라크룸

박평종 현대미술학회 2021 현대미술학 논문집 Vol.25 No.2

This article deals with the the characteristics and status of the generative image of the GAN(Generative Adversarial Network) algorithm from the perspective of simulacrum. Photo- based simulacrum has been continuously produced from analog printing or photomontage to digital compositing. The production of the analog simulacrum required sophisticated manual labor and skill, as well as an accurate understanding of the photochemical principle of photography. Since then, with the spread of digital technology, the production of simulacrums has become much easier. By using digital tools, easy and sophisticated operation became possible. With the rapid growth of artificial intelligence algorithms, the production of simulacrum takes another leap forward. GAN is an algorithm that calculates similar data based on learning data, and is a generative model optimized for the production of simulacrum. GAN is opening a new dimension of simulacrum by continuously growing and conquering new tasks. This means that the eyes of artificial intelligence-based machines are once again expanding the human vision. 이 글은 GAN(생성적적대신경망) 알고리즘의 생성이미지가 지닌 특성과 지위를 시물라크룸의 관점에서 다룬다. 사진 기반의 시물라크룸은 아날로그 방식의 조합인화나 포토몽타주에서부터 디지털 합성에 이르기까지 꾸준히 생산되어 왔다. 아날로그 시물라크룸의 제작에는 정교한 수작업과 숙련이 요구됐고 사진의 광화학 원리에 대한 정확한 이해도 필요했다. 이후 디지털 기술이 보급되면서 시물라크룸의 생산은 훨씬 용이해졌다. 디지털 도구를 활용하여 손쉽고 정교한 조작이 가능해진 것이다. 인공지능 알고리즘의 급속한 성장으로 시물라크룸의 생산은 다시 한 번 도약의 계기를 맞는다. GAN은 학습 데이터를 바탕으로 유사 데이터를 산출하는 알고리즘으로 시물라크룸의 생산에 최적화된 생성모델이다. GAN은 꾸준한 성장을 거듭하여 기존의 아날로그, 디지털 기술로는 불가능했던 새로운 과업들을 정복해 나가면서 시물라크룸의 새로운 차원을 열고 있다. 이는 곧 인공지능 기반 기계의 눈이 인간의 시각을 다시 한 번 확장시켜 나가고 있다는 뜻이다.

조건부 생성적 적대 신경망을 활용한 폭발 하중 하 RC 기둥의 손상 분포 예측 프레임워크

강해원,김예은,신지욱 한국전산구조공학회 2026 한국전산구조공학회논문집 Vol.39 No.4

본 연구에서는 폭발 하중 하 RC 기둥의 손상 분포를 공간적으로 예측하기 위한 조건부 생성적 적대 신경망(cGAN) 기반 프레임워크를 제안한다. 제안된 프레임워크는 철근 상세와 폭발 조건을 포함하는 4차원 조건 벡터로부터 유효 소성 변형률(EPS) 분포 이미지와 이진 spalling 마스크를 동시에 생성하는 이중 출력 구조를 채택하였으며, Adaptive Instance Normalization(AdaIN)을 통해 연속적인 물리 조건 변수를 특징 맵에 적응적으로 반영하도록 하였다. 학습 데이터는 LS-DYNA 기반 유한요소해석을 통해 구축하였으며, 정규화 전략 및 손실함수 조합에 대한 체계적 비교를 통해 AdaIN과 L1+Perceptual 조합이 최적임을 확인하였다. 최종 모델은 변형률 분포 예측에서 SSIM 0.899, L1 error 0.128을, spalling 영역 예측에서 IoU 0.843, Dice coefficient 0.874를 달성하였다. 본 결과는 제안된 프레임워크가 폭발 손상의 공간적 분포 패턴을 효과적으로 재현하며, 폭발 후 손상 평가 및 보강 전략 수립에 활용 가능함을 입증한다. This paper presents a conditional generative adversarial network (cGAN)-based framework for predicting the spatial damage distribution of reinforced concrete (RC) columns under blast loading. The proposed framework employs a dual-output generator that simultaneously produces effective plastic strain (EPS) distribution images and binary spalling masks from a four-dimensional condition vector comprising reinforcement details and blast parameters. Adaptive instance normalization (AdaIN) is adopted to adaptively modulate feature maps in response to continuous physical condition variables. Training data were generated through finite element simulations using LS-DYNA, and a systematic ablation study on normalization strategies and loss function combinations confirmed that the AdaIN with L1+Perceptual combination achieved the best performance. The final model achieved an SSIM of 0.899 and L1 error of 0.128 for strain distribution prediction, and IoU of 0.843 and Dice coefficient of 0.874 for spalling region prediction. The results demonstrated that the proposed framework effectively reproduces spatially distributed blast damage patterns, confirming its applicability to post-blast damage assessment and repair strategy planning.

GAN 기반 데이터 증강 및 CNN 앙상블 모델을 통한 유방암 조직병리학 이미지 분류

레디엣 알레무,나즈라위트 테쇼메,최세운 한국정보통신학회 2025 한국정보통신학회논문지 Vol.29 No.11

본 연구는 유방암 조직병리 이미지를 사실적으로 합성하기 위한 생성적 적대 신경망(Generative Adversarial Network, GAN) 기반 데이터 증강 기법을 제안하였다. 이는 학습 데이터의 불균형 문제를 완화하고, 분류 성능의 안정성과 일반화를 향상시키기 위해 Deep Regret Analytic GAN(DRAGAN), Spectral Normalization GAN(SNGAN), Self-Attention GAN(SAGAN)의 세 가지 변형 모델을 구현하여, 네 가지 배율(40×, 100×, 200×, 400×)의 BreakHis 데이터셋을 이용해 성능을 평가하였다. Fréchet Inception Distance(FID), Inception Score(IS), Kernel Inception Distance(KID) 지표를 활용한 정량적 분석 결과, SAGAN이 특히 40× 및 400× 배율에서 가장 높은 이미지 충실도와 다양성을 보였다. SAGAN으로 생성된 합성 이미지는 실제 이미지와 결합되어 InceptionV3, Xception, 및 로지스틱 회귀 기반 앙상블 분류기의 학습에 활용되었으며, 40× 배율에서 최대 정확도 99.0%를 달성하였다. 본 연구 결과는 GAN 기반 데이터 증강이 임상 영상 데이터의 한계를 보완하고, 유방암 조직 영상 분류의 신뢰성과 진단 정확도를 향상시킬 수 있음을 입증하였다. This study proposes a Generative Adversarial Network (GAN)-based data augmentation framework to synthesize realistic breast cancer histopathology images, thereby addressing dataset imbalance and improving classification robustness. Three GAN variants—Deep Regret Analytic GAN (DRAGAN), Spectral Normalization GAN (SNGAN), and Self-Attention GAN (SAGAN)—were implemented and evaluated using the BreakHis dataset at four magnifications (40×, 100×, 200×, and 400×). Quantitative analyses employing Fréchet Inception Distance (FID), Inception Score (IS), and Kernel Inception Distance (KID) revealed that SAGAN achieved the highest image fidelity and diversity, particularly at 40× and 400× magnifications. The most effective synthetic images generated by SAGAN were combined with real samples to train InceptionV3, Xception, and a logistic regression–based ensemble classifier. The ensemble model achieved a maximum classification accuracy of 99.0% at 40×. Experimental results demonstrate that GAN-based augmentation effectively mitigates data scarcity and enhances the generalization capability of deep learning models for breast cancer diagnosis.