표제지
목차
ABSTRACT 9
제1장 서론 10
제1절 연구 배경 10
제2절 기존 AI기반 알고리즘의 한계점 12
제3절 연구 목표 14
제2장 연구 방법 15
제1절 One Class Classification 15
제2절 이중 네트워크 기반 단일 분류기 17
1. 전역 특징 추출 네트워크 18
2. 지역 특징 추출기 19
3. 네트워크 결합 및 분류 레이어 20
제3절 모델 검증 21
1. 데이터 수집 21
2. 모델 학습 23
3. 학습 모델 평가 지표 24
제3장 연구 결과 26
제1절 분류 레이어에 따른 성능평가 26
제2절 이중 네트워크 구조 모델의 성능 평가 28
제3절 기존 분류 모델과 제안된 모델의 성능 비교 30
제4장 토론 및 결론 32
제1절 토론 32
1. 분류 레이어에 따른 분석 32
2. 네트워크 구조에 따른 정확도 분석 33
3. 기존 모델과의 비교 및 분석 34
4. 제안된 이중 네트워크 구조의 추가적인 활용 방안 34
제2절 한계점 36
제3절 결론 37
참고문헌 38
국문초록 43
〈표 2-1〉 전역 특징 추출 네트워크의 세부 구성 19
〈표 2-2〉 지역 특징 추출 네트워크의 세부 구성 19
〈표 2-3〉 분류 레이어의 종류에 따른 세부 구성 20
〈표 3-1〉 분류 레이어에 따른 성능 평가 결과 27
〈표 3-2〉 이중 네트워크와 단일 네트워크 간의 성능 비교 28
〈표 3-3〉 실험실 환경 데이터에서의 기존 연구와의 성능비교 30
〈표 3-4〉 현장 환경 데이터에서의 기존 연구와의 성능비교 31
〈그림 2-1〉 OCC와 다중 클래스 감지 분류 간의 차이점 16
〈그림 2-2〉 각 네트워크에 따른 특징 결정 경계 17
〈그림 2-3〉 이중 네트워크 구조의 구성 18
〈그림 2-4〉 결함 이미지 샘플 21
〈그림 2-5〉 이미지 샘플 수집을 위한 비전 시스템 구성 22
〈그림 2-6〉 실험실 환경에서의 에어백 브라켓 너트 데이터 23
〈그림 2-7〉 현장 환경 데이터에서의 에어백 브라켓 너트 데이터 23
〈그림 2-8〉 생산 현장과 실험실 이미지데이터의 히스토그램 23
〈그림 2-9〉 랜덤 크롭, 회전 및 플립을 통한 학습 데이터세트 확장 24
〈그림 3-1〉 실험실 데이터 세트로 평가한 분류 계층에 따른 혼동 행렬 26
〈그림 3-2〉 현장 데이터 세트로 평가한 분류 계층에 따른 혼동 행렬 27
〈그림 3-3〉 이중 및 단일 네트워크 구조에 따른 t-SNE plot 29
〈그림 3-4〉 선행 분류 모델과 제안된 모델의 t-SNE plot 31