적대적 생성 네트워크(GAN)를 활용한 주조품 분류 정확도 향상에 관한 연구 = Data augmentation using GAN for casting data identification classification enhancement

국문 초록 (Abstract)

4차 산업혁명이 들어서면서 딥러닝의 발전이 가속화되고 있다. 특히, 딥러닝은 자연어 인식, 영상, 이미지 및 시계열 예측 분야 등 여러 방면에서 활용이 되고 있다. 컴퓨터는 원하는 결과값을 얻기 위해서 사전에 입력한 데이터를 기반으로 여러 훈련 과정을 거쳐 스스로 학습한다. 이를 통해 사람이 행하던 작업을 더욱더 신속하고 효율적으로 일을 처리할 수 있도록 도와준다.
대표적인 딥러닝 활용 분야는 이미지 분류 분야가 있다. 이미지 분류에 대한 적합한 네트워크 등이 무수히 개발되고 있으며, 대표적으로 Convolutional Neural Network(CNN) 기법을 통해서 영상 분류작업이 진행된다. 하지만 딥러닝 연구에서 데이터 셋이 충분히 확보되지 않은 경우가 존재한다. 적정량의 데이터를 통해 네트워크를 학습시켜야 최상의 정확도가 나오지만, 최적의 데이터 셋을 구축하기엔 많은 어려움과 제약이 존재한다.
주조 공법을 통해 제품을 제조하여 대기업에 납품하는 회사들은 주로 중소기업에 해당되며, 해당 회사들은 주조 물품들에 대한 양품/불량품을 분류하기 위해 최근까지 직접 품질 검사자를 통해 품질관리를 실시한다. 현재 높은 품질을 유지하기 위해선 검사자가 양품과 불량품을 구분하기 위한 시간 및 비용이 소요되며, 이 또한 검사자의 부정확성으로 인해 불량품이 양품으로 오인되어 양산되는 경우가 많다. 기존 품질 수준을 높이기 위한 방법으로 대부분 검사자의 경험에 의해 품질의 높고 낮음이 결정된다. 이미지 딥러닝을 통해 양품/불량품을 검출하는 네트워크를 구축해 품질검사를 대체할 수 있지만, 중소기업의 특징상 양품/불량품에 대한 충분한 데이터 셋을 확보하기엔 부족하다.
본 논문에서, 이러한 문제를 해결하고자 딥러닝 방법을 통해 양품과 불량품을 검출하는 딥러닝 학습구조를 도입해 품질 검수 비용 및 정확성 문제를 해결하였다. 주조 공법을 통해 생성된 임펠러(Impeller) 제품에 대해 양품/불량품 여부를 제한된 데이터만으로도 높은 정확도를 구현하며 분류가 가능함을 보여준다. 제한된 이미지 데이터가 제공된 상황에서 Classic Augmentation과 Generative Adversarial Networks (GAN)를 통해 이미지를 증강시켜 각 방법론에 대한 분류 정확도를 비교하였다. 제한된 이미지만으로도 많은 데이터 셋이 제공된 상황보다 더 높은 성능으로 분류 가능하다는 점을 확인하였다.

목차 (Table of Contents)

• 제 1 장 서 론 1
• 1.1 연구배경 및 목적 1
• 1.2 논문의 구성 4
• 제 2 장 관련 연구 5
• 2.1 Convolutional Neural Networks (CNN) 5
• 2.2 Classic Augmentation 7
• 2.3 Generative Adversarial Networks (GAN) 9
• 2.4 Self-Attention GAN (SAGAN) 12
• 제 3 장 연구 및 결과 14
• 3.1 이미지 데이터 셋 수집 14
• 3.2 이미지 데이터 셋 전처리 과정 15
• 3.3 연구방법 및 결과 분석 18
• 제 4 장 결론 및 향후 연구과제 25