- 32 -
참 양성 37 거짓 양성 37
참 음성 5052 거짓 음성 191
정밀도 0.69421
민감도 0.30545
정확도 0.95749
[표 2-6] 합성곱 신경망을 이용한 얼룩검출 알고리즘의 성능
[그림 2-18] 합성곱 신경망을 이용한 얼룩 검사 적용 결과 이미지
제 3 장 결 론
본 논문에서는 도금된 제품의 표면에서 얼룩 혹은 흠집 같은 불량을 검출하기 위한 알고리즘을 제안 하였다. 첫 번째로 VAD 기반의 불량 검출 알고리즘은 옅고 넓게 퍼진 얼룩 외에는 문제가 되는 부분을 잘 검 출하였다. 넓게 퍼진 얼룩을 검출하기 위한 별도의 알고리즘을 같이 사 용하면 성능개선이 가능할 것이다. 단, 학습하는 과정이 없는 만큼 이미 지를 검사할 때 처음 노이즈 성분을 초기화 하는 과정이 필요하다는 점 과 제품 등 환경이 변할 때 몇몇 변수 값을 직접 수정해야한다는 것은 단점이다. 소량의 데이터가 주어진 경우 로지스틱 회귀 분석이나 SVM 을 시도해볼 수 있다. VAD와 달리 넓게 퍼진 얼룩도 잘 검출하는 것을 확인하였다. SVM의 경우 특징 벡터를 추출하는 윈도우의 크기에 따라 학습이 불안정해서 데이터가 매우 소량일 때는 사용이 힘들 것으로 보인 다. 마지막으로 신경망의 경우 심층 신경망과 합성곱 신경망 모두 민감 도가 낮아 실전에서 쓰긴 힘든 성능을 보였다. 더 많은 데이터를 이용 할 필요가 있다.
로지스틱 회귀 분석법으로 학습시킨 모델이 빛에 의한 밝기 변화, 강 한 흠집에서부터 옅은 얼룩까지 가장 잘 검출하였다. 훈련용 데이터가 소량밖에 없고 중복이 심하다는 조건 때문에 신경망을 이용한 모델 보다 로지스틱 회귀를 이용하는 방법이 더 좋은 성능을 낸 것으로 보인다. 테 스트 이미지에 대해서는 놓친 얼룩 없이 대부분을 검출해냈지만 로지스 틱 회귀를 이용한 방법도 민감도가 0.66정도라 놓치는 얼룩이 나올 수 있 고 실전에서 쓰이기 위해서는 좀 더 성능을 향상시킬 필요가 있다. 불균 형이 심하고 적은 데이터 셋에 대해서도 신경망이 학습이 잘 되도록 연 구가 선행 된다면 더 좋은 결과를 얻을 수 있을 것이다.
- 34 -
참 고 문 헌
[1] Jongseo Sohn, Nam Soo Kim, Wonyong Sung, “A statistical model-based voice activity detection,” IEEE Signal Processing Letters, pp. 1-3, 1999.
[2] Jongseo Sohn, Wonyong Sung, “A voice activity detector employing soft decision based noise spectrum adaptation,” in Proceedings of 1998 IEEE International Conference on Acoustics, Speech and Signal Processing, vol. 1, pp. 365-368, 1998.
[3] David W Hosmer Jr, Stanley Lemeshow, Applied logistic regression, John Wiley & Sons, 2004.
[4] Corinna Cortes, Vladimir Vapnik, “Support-vector networks,”
Machine learning, vol. 20, no. 3, pp. 273-297, 1995.
[5] Deng, Li, and Dong Yu. "Deep learning: Methods and applications." Foundations and Trends in Signal Processing, vol. 7, no. 3–4, pp. 197-387, 2014.
[6] Glorot, Xavier, and Yoshua Bengio. "Understanding the difficulty of training deep feedforward neural networks," in Proceedings of International Conference on Artificial Intelligence and Statistics, vol. 9, pp. 249-256, 2010.
[7] Krizhevsky, Alex, Ilya Sutskever, and Geoffrey E. Hinton.
"Imagenet classification with deep convolutional neural
networks," in Proceedings of Advances in Neural Information Processing Systems, pp. 1097-1105, 2012.
[8] Mazurowski, Maciej A., et al. "Training neural network classifiers for medical decision making: The effects of imbalanced datasets on classification performance," Neural networks, vol.
21, no. 2-3, pp. 427-436, 2008.
[9] Minka, Thomas P. "Algorithms for maximum-likelihood logistic regression," 2003.
[10] Hinton, Geoffrey E., and Ruslan R. Salakhutdinov. "Reducing the dimensionality of data with neural networks," Science, vol.
313, no. 5786, pp. 504-507, 2006.
[11] Hecht-Nielsen, Robert. "Theory of the backpropagation neural network," in Proceedings of International Joint Conference on Neural Networks, vol. 1, pp. 593-605, 1989.
- 36 -
Abstract
Scratch Detection on Metal or Aluminum Surface
Sungwook Choi Electrical and Computer Engineering The Graduate School Seoul National University
Scratch detection on aluminum or metal surface is difficult because there are large variations in the size and shape. In addition, camera images for the detection often contain shadow or have irregular brightness at the corner or curbed surfaces. Frequently, the background images have regular or irregular patterns. In this paper, several scratch detection algorithms are developed for the application to smart-phone case test. Three algorithms are implemented and compared to solve these problems. First, a statistical model-based algorithm is applied to find the scratches. The algorithm continuously adapts to the background so that it can find scratches despite of the brightness change in test images. Second, linear classifiers including logistic regression and SVM (support vector machine) are implemented. Feature vectors are generated by conducting DCT (discrete cosine transform) on the input image. Lastly, a CNN