[논문 리뷰] Efficient Neural Network Approaches for Leather Defect Classification

Sze‐Teng Liong, Y.S. Gan외 6명|arXiv (Cornell University)|2019. 06. 15.

Industrial Vision Systems and Defect Detection참고 문헌 8인용 수 9

한 줄 요약

이 논문은 사전 처리된 이미지 패치와 신경망을 사용하여 자동화된 가죽 결함 분류를 위한 효율적인 딥러닝 접근법을 제안한다. Canny 에지 검출과 블록 분할을 적용한 후, ANN 및 CNN(특히 수정된 AlexNet)를 통해 특징을 추출함으로써, 약 2000개의 샘플 데이터셋에서 최대 80.3%의 분류 정확도를 달성하였으며, 수동 점검에 비해 훨씬 높은 효율성을 입증하였다.

ABSTRACT

Genuine leather, such as the hides of cows, crocodiles, lizards and goats usually contain natural and artificial defects, like holes, fly bites, tick marks, veining, cuts, wrinkles and others. A traditional solution to identify the defects is by manual defect inspection, which involves skilled experts. It is time consuming and may incur a high error rate and results in low productivity. This paper presents a series of automatic image processing processes to perform the classification of leather defects by adopting deep learning approaches. Particularly, the leather images are first partitioned into small patches,then it undergoes a pre-processing technique, namely the Canny edge detection to enhance defect visualization. Next, artificial neural network (ANN) and convolutional neural network (CNN) are employed to extract the rich image features. The best classification result achieved is 80.3 %, evaluated on a data set that consists of 2000 samples. In addition, the performance metrics such as confusion matrix and Receiver Operating Characteristic (ROC) are reported to demonstrate the efficiency of the method proposed.

연구 동기 및 목표

• 수동 가죽 결함 점검의 비효율성과 일관성 부족 문제를 해결하기 위해 분류 과정을 자동화하는 것.
• 가죽 제조 산업의 품질 관리에서 인간의 실수와 노동 강도를 줄이는 것.
• 실제 가죽 결함 이미지 데이터셋에서 딥러닝 모델—특히 ANN 및 CNN—의 성능을 평가하는 것.
• 결함 분류에서의 데이터 불균형 문제를 해결하기 위해 1:1, 1:2, 1:3 클래스 비율로 훈련 세트를 재구성하는 것.
• 에지 검출 및 공간 패치 기반 전처리 기법을 통해 모델 성능을 최적화하는 것.

제안 방법

• 결함을 국소화하고 분석하기 위해 가죽 이미지를 작은 공간 패치(예: 50×50에서 200×200 픽셀)로 분할한다.
• 사전 처리에는 RGB에서 회색조로의 변환, 이미지 크기 조정, Canny 에지 검출이 포함되어 결함의 가시성을 향상시킨다.
• 사전 처리 후, 이미지 패치에서 파생된 입력 벡터를 사용하여 인공 신경망(ANN)을 통해 특징 추출 및 분류를 수행한다.
• 이미지 패치에서 계층적 특징을 추출하기 위해 수정된 AlexNet 아키텍처를 사용한 컨볼루션 신경망(CNN)을 구현한다.
• 데이터 증강 및 클래스 균형을 위해 훈련 데이터셋을 결함이 있는 샘플 대비 비결함 샘플이 1:1, 1:2, 1:3이 되도록 재구성한다.
• 분류 정확도를 최적화하기 위해 해상도, 에포크 수, 학습률 등의 하이퍼파ram터를 조정한다.

실험 결과

연구 질문

• RQ1 이미지 사전 처리와 딥러닝 모델의 조합이 높은 정확도로 가죽 결함을 효과적으로 분류할 수 있는가?
• RQ2 신경망 아키텍처 선택(ANN 대비 CNN)이 가죽 결함 데이터셋에서의 분류 성능에 어떤 영향을 미치는가?
• RQ3 데이터 불균형이 분류 정확도에 어느 정도 영향을 미치며, 결함 탐지 작업에서 이를 어떻게 완화할 수 있는가?
• RQ4 수정된 AlexNet을 사용할 때 최대 분류 정확도를 달성하기 위한 최적의 패치 해상도와 훈련 에포크 수는 무엇인가?
• RQ5 다른 조명 조건(밝은 조명 대비 어두운 조명)은 제안된 분류 모델의 성능에 어떤 영향을 미치는가?

주요 결과

• 제안된 ANN 기반 방법이 약 2000장의 가죽 이미지로 구성된 전체 데이터셋에서 최고의 분류 정확도 80.3%를 달성하였다.
• 수정된 AlexNet을 사용한 CNN 기반 분류에서는 이미지 크기 조정과 1:3의 결함 대비 비결함 샘플 비율을 적용했을 때 최고 정확도 76%를 기록하였다.
• 1:3 데이터 서브셋에서 150×150 패치와 200 에포크를 사용했을 경우 정확도가 최고 75.1%에 도달했으며, 어두운 조명 조건에서는 200×200 해상도에서 74.1%의 정확도를 기록하였다.
• 혼동 행렬 분석 결과, 1:3 밝은+어두운 조합 서브셋에서 수정된 AlexNet 모델은 결함 샘플의 74.0%와 비결함 샘플의 86.4%를 올바르게 분류하였다.
• 밝은 조명 조건에서 1:3 데이터 서브셋을 사용했을 경우, 50×50 해상도와 100 에포크에서 최고 정확도 75.0%를 기록하였다.
• 연구 결과, Canny 에지 검출을 통한 사전 처리가 결함 시각화를 향상시키고, 더 나은 특징 추출 및 분류 성능에 기여함을 확인하였다.