디지털 라이브러리[ 검색결과 ]
PCB 결함 분류를 위한 참조 이미지 기반 대조 어텐션 메커니즘
http://doi.org/10.5626/JOK.2025.52.1.70
인쇄 회로 기판(PCB) 결함의 효과적인 분류는 제품 품질을 보장하는 데 있어 매우 중요하다. 기존의 PCB 결함 탐지 방법은 주로 단일 이미지 분석에 의존하거나 참조 이미지와 검사 이미지 간의 정렬 문제를 충분히 해결하지 못해 결함 탐지의 신뢰성과 정밀도가 저하되는 한계가 있었다. 이러한 한계를 극복하기 위해, 본 연구에서는 이미지 정렬을 개선하기 위해 대조 손실 함수를 도입하고, 결함 발생 가능성이 높은 영역에 모델이 집중할 수 있도록 대조 어텐션 메커니즘을 적용한 새로운 심층 이미지 대조 방법을 제안한다. 실제 PCB 데이터를 활용한 실험에서 제안된 방법은 기존 방법론에 비해 우수한 분류 성능을 보여주었으며, 특히 소량의 데이터에서도 결함을 효과적으로 탐지할 수 있음을 입증했다. 본 연구는 PCB 결함 탐지의 신뢰성을 크게 향상시켜, 기존 연구의 한계를 극복하는 데 중요한 기여를 한다.
이진화 마스킹을 이용한 생성 이미지의 배경 인페인팅 성능 향상
http://doi.org/10.5626/JOK.2024.51.6.537
최근에 딥러닝분야에서 이미지 생성 기술은 빠르게 발전하고있다. 이미지를 가장 잘 표현할 수 있는 방법 중 하나는 텍스트 프롬프트를 이용해 이미지를 생성하는 기술이고, 이를 이용해 이미지를 생 성하는 모델의 성능은 매우 뛰어나다. 하지만 이미지에서 텍스트 프롬프트만으로 원하는 부분을 자연스럽게 바꾸는 것은 쉽지가 않은데 이는 전형적인 이미지 생성 모델의 문제점이라고 할 수 있다. 따라서 본 연구에서는 이미지의 각 영역에 대한 텍스트를 추출하고 이를 바탕으로 하여 이미지의 객체를 유지하면서 배경 영역을 자연스럽게 바꿔주는 배경 인페인팅 기술을 개발하였다. 특히 제안하는 이미지의 배경 변환 인페인팅 기법은 한 장의 이미지로의 변환뿐만 아니라 여러 장의 이미지로 빠르게 변환할 수 있는 장점을 가지고 있다. 텍스트 프롬프트 기반 이미지 스타일 변환을 통해 데이터가 부족한 분야에 적용한다면 이미지 증식을 통해 인공지능 모델의 성능을 향상시킬 수 있을 것이다.
이종 그래프상의 비유클리디안 데이터 분석을 위한 쌍곡 그래프 변형 인공 신경망
http://doi.org/10.5626/JOK.2021.48.2.217
합성곱 기반인 합성곱 인공 신경망(CNNs)은 이미지 분류, 이미지 생성, 시계열 분석 등에 다양하게 쓰이고 있다. 하지만 일반적인 유클리디안 공간과는 달리 그래프와 같은 비유클리디안 공간에서는 합성곱을 바로 적용할 수 없다. 이를 극복하기 위해 다양한 기법으로 합성곱을 그래프 상으로 확장하였으며, 다양한 그래프 인공 신경망(GNNs)이 제안되어 왔다. 하지만 기존의 그래프 인공 신경망 연구는 간선의 타입이 하나인 동종 그래프 분석에 국한되어 있는데 반해, 현실의 데이터는 간선의 타입이 많은 이종그래프 데이터인 경우가 많기 때문에 이를 기존의 그래프 인공 신경망으로 해결하려 하면 큰 왜곡이 생기게 된다. 본 연구는 계층적 구조를 가진 이종 그래프 데이터를 효과적으로 다루기 위하여 그래프 변형 네트워크(GTNs) 모델과 쌍곡 그래프 합성곱 네트워크(HGCNs) 모델을 통합하여 새로운 모델인 쌍곡 그래프 변형 네트워크(HGTNs)를 제안한다.
