드론 프로펠러 결함 감지를 위한 AutoML 레이블링 자동화

Abstract

Recently, with the development of the 4th industrial revolution, interest in artificial intelligence technology and smart factory related technologies is increasing. Research to increase productivity and stability by grafting the Internet of Things (IoT) into various parts of a factory has been discussed in various ways. In addition to simple factory status and safety checks through IoT sensors, machine vision technology is also being researched to assist production personnel to increase production efficiency. A system that detects defective or damaged products through learning has been produced in various ways based on deep learning technology Convolutional Neural Network(CNN) specialized in image learning. CNN and object detection technologies based on it have high performance in a limited environment, but image big data for learning is required. In addition, a labeling step is required to train image big data into an object detection system, and this step requires a lot of manpower and time. In this paper, in order to reduce the difficulty of image collection and labeling steps for this data set configuration is difficult factory product categories designed for automatic labeling system with a small amount of image collection produced a color filter configured to limit an environment similar to factory It was implemented. For the system evaluation, the labeling results were first checked, and the object detection model was trained through Automated Machine Learning(AutoML) to derive and evaluate the model's Average Precision (AP). This increases the efficiency of the system by automating the labeling step of the dataset for learning the object detection model in a limited environment, and makes the automation of AutoML more easily available.

최근 4차 산업 혁명의 발달로 인공지능 기술과 스마트 팩토리 관련 기술들에 대한 관심이 높아지고 있다. 기존의 공장에 IoT(Internet of Things)를 공장의 다양한 부분에 접목하여 생산성과 안정성을 증가시키는 연구가 다양한 방면에서 논의되고 있다. IoT 센서를 통해 단순 공장의 상태와 안전 점검 외에도 제품 생산의 효율성 증가를 위해 담당자를 보조하여 생산 품질 관리하는 머신 비전 기술 또한 연구되고 있다. 학습을 통해 생산 물품의 불량 혹은 파손을 감지하는 시스템이 이미지 학습에 특화된 딥러닝 기술 CNN(Convolutional Neural Network)를 기반으로 다양하게 제작되고 있다. CNN과 이를 기반으로 하는 객체 감지 기술들은 제한된 환경에서 높은 성능을 내지만 학습을 위한 이미지 빅데이터가 필수로 요구된다. 또한 이미지 빅데이터를 객체 감지 시스템에 학습시키기 위해서는 레이블링 단계가 필수되며 이 단계에는 많은 인력과 시간이 요구된다. 이런 데이터셋 구성이 어려운 공장 생산품 카테고리에 대한 이미지 수집과 레이블링 단계의 어려움을 축소하기 위해 본 논문에서는 공장과 유사한 제한 환경을 구성하여 소량의 이미지 수집을 통해 색상 필터를 제작하여 레이블링 자동화 시스템을 설계하고 구현했다. 시스템 평가를 위해 1차적으로 레이블링 결과를 확인하고 2차적으로 AutoML(Automated Machine Learning)을 통해 객체 감지 모델을 학습시켜 해당 모델의 AP(Average Precision)을 도출하여 평가했다. 이를 통해 제한된 환경에서 객체 감지 모델 학습을 위한 데이터셋의 레이블링 단계를 자동화하여 시스템 효율성을 증가시키고 AutoML의 자동화를 더욱 고도화시켜 손쉽게 사용 가능하도록 한다.