[WIDA] 2학년_3차 보고서

주제 :  김(Seaweed) 이미지 기반 이물질 검출 및 품질 분류

 

[ 도메인 ]

김(Seaweed)은 최근 중요한 수출 품목으로 대두되고 있으나, 품질 관리가 수출 경쟁력 유지에 핵심적인 요소이다. 그러나 기존의 김 품질 검사는 육안 검사에 의존하고 있어, 시간과 비용이 많이 소요되고 정확도가 낮다. 따라서 인공지능을 활용한 자동화된 결함 검출 및 품질 분류 시스템의 필요성이 대두되었다.

>> WIDA 프로젝트 중 참가 공모전, https://aida.kisti.re.kr/competition/main/main.do

 

 

[ 전체 프로젝트 계획 ]

김의 이미지를 학습시켜,

(1) 김이 결함이 있는지 없는지 이진분류하는 모델을 제작

(2) 결함 있는 이미지로 분류된 이미지에서 결함 위치의 바운딩 박스를 정확히 예측, 클래스 분류하는 모델 제작

 

 

[ 현재 진행 상황 ]

- 추가 객체 탐지 모델에 대한 탐색 진행

    ⇒ Faster R-CNN 모델에서 RetinaNet 모델로 변경을 통해 성능 개선을 기대

- RetinaNet 모델 활용 객체 탐지 모델 학습

<출처> https://ar5iv.labs.arxiv.org/html/1708.02002

- IoU(Intersection over Union) 및 Loss 함수를 기반으로 모델의 성능 평가를 진행

<출처> https://www.researchgate.net/figure/The-Intersection-over-Unit-IoU-The-formula-of-IoU-The-IoU-is-the-value-between-0-and_fig3_353925131

- 다양한 데이터 증강 기법(회전, 수직 및 수평 뒤집기)을 적용

- 과적합 문제를 완화하고, 모델의 일반화 성능을 향상시키기 위해 추가 학습을 진행

 

 

[ 향후 계획 ]

- 최종 모델 학습 및 평가

    : 선정한 모델을 활용하여, 이진분류와 결함 탐지 및 품질 분류 성능을 평가할 예정

- 이진 분류와 객체 탐지 모델의 통합

    : 단순한 결함 유무를 판별하는 이진 분류 모델과, 결함의 위치 및 종류를 탐지하는 객체 탐지 모델을 결합한 통합 시스템을 개발할 예정

- 성능 평가 결과에 따른 하이퍼 파라미터 튜닝

- 성능 평가 지표에 대한 근거 논문 추가 탐색 및 학습