과제정보
이 논문은 2022년도 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원(No. 022R1F1A1065171)과 2022년도 산업통상자원부의 재원으로 한국산업기술진흥원의 지원을 받아 신기술분야융합디자인 전문인력양성사업의 일환으로 수행된 연구임 (P0012725)
한국컴퓨터정보학회:학술대회논문집 (Proceedings of the Korean Society of Computer Information Conference)
- 한국컴퓨터정보학회 2022년도 제66차 하계학술대회논문집 30권2호
- /
- Pages.81-84
- /
- 2022
다중 클래스 이상치 탐지를 위한 계층 CNN의 효과적인 클래스 분할 방법
Effective Classification Method of Hierarchical CNN for Multi-Class Outlier Detection
- 김지현 (성신여자대학교대학원 미래융합기술공학과) ;
- 이세영 (성신여자대학교대학원 미래융합기술공학과) ;
- 김예림 (성신여자대학교대학원 미래융합기술공학과) ;
- 안서영 (성신여자대학교대학원 미래융합기술공학과) ;
- 박새롬 (성신여자대학교 융합보안공학과)
- Kim, Jee-Hyun (Dept. of Future Convergence Technology Engineering, Sungshin Women's University) ;
- Lee, Seyoung (Dept. of Future Convergence Technology Engineering, Sungshin Women's University) ;
- Kim, Yerim (Dept. of Future Convergence Technology Engineering, Sungshin Women's University) ;
- Ahn, Seo-Yeong (Dept. of Future Convergence Technology Engineering, Sungshin Women's University) ;
- Park, Saerom (Dept. of Convergence Security engineering, Sunghin Women's University)
- 발행 : 2022.07.13
초록
제조 산업에서의 이상치 검출은 생산품의 품질과 운영비용을 절감하기 위한 중요한 요소로 최근 딥러닝을 사용하여 자동화되고 있다. 이상치 검출을 위한 딥러닝 기법에는 CNN이 있으며, CNN을 계층적으로 구성할 경우 단일 CNN 모델에 비해 상대적으로 성능의 향상을 보일 수 있다는 것이 많은 선행 연구에서 나타났다. 이에 MVTec-AD 데이터셋을 이용하여 계층 CNN이 다중 클래스 이상치 판별 문제에 대해 효과적인지를 탐구하고자 하였다. 실험 결과 단일 CNN의 정확도는 0.7715, 계층 CNN의 정확도는 0.7838로 다중 클래스 이상치 판별 문제에 있어 계층 CNN 방식 접근이 다중 클래스 이상치 탐지 문제에서 알고리즘의 성능을 향상할 수 있음을 확인할 수 있었다. 계층 CNN은 모델과 파라미터의 개수와 리소스의 사용이 단일 CNN에 비하여 기하급수적으로 증가한다는 단점이 존재한다. 이에 계층 CNN의 장점을 유지하며 사용 리소스를 절약하고자 하였고 K-means, GMM, 계층적 클러스터링 알고리즘을 통해 제작한 새로운 클래스를 이용해 계층 CNN을 구성하여 각각 정확도 0.7930, 0.7891, 0.7936의 결과를 얻을 수 있었다. 이를 통해 Clustering 알고리즘을 사용하여 적절히 물체를 분류할 경우 물체에 따른 개별 상태 판단 모델을 제작하는 것과 비슷하거나 더 좋은 성능을 내며 리소스 사용을 줄일 수 있음을 확인할 수 있었다.
키워드