심층 전이학습 기반 봉제선 불량 검출 모델 연구

¹권우진, ¹류석현, ²정우균, ¹김형중


¹건국대학교, ²(주)엠파파

연구 배경

의류 제조에서 봉제 불량(sewing defect)은 대부분 작업자의 육안으로 검출되고 있으며, 이러한 수작업 검사 과정에서 실수 또는 불량이 늦게 발견될수록, 경제적, 시간적 손실이 커진다. 특히, 재봉을 마친 원단에 대한 봉제 불량은 늦게 발견될수록 그 과정에 소요된 노동력의 손실이 커지기 때문에, 의류 제조 과정에서 빠른 봉제 불량 검출은 중요한 과제이다.

본 연구에서는 이러한 문제를 해결하기 위해 주요 봉제 불량 유형을 정의하고, 실제 작업과 유사한 조건의 불량 유형별 데이터 셋을 구축하였다. 그리고 5개 널리 알려진 합성곱 신경망(Convolutional Neural Network, CNN) 모델을 사용한 심층 전이학습(deep transfer learning)을 통해 봉제 불량 유형 분류 및 모델 별 성능을 비교하여, 전이학습을 통해 개별 모델 개발의 부담을 줄이고 우수한 성능을 갖는 모델 확보를 목표로 연구를 진행하였다.

그림 1. 봉제 불량 검출 개념도

모델 및 방법

봉제 불량 검출 모델 학습을 위해, 10개의 봉제 불량 유형에 대해 약 1만여 개의 이미지 데이터를 구성하였다. 그리고 구축된 데이터셋에 대해 CNN 모델 중 우수한 성능을 보이는 모델을 도출하기 위해 전이학습을 진행하였다.

심층 전이학습을 위해 준비된 데이터셋은 학습(train)과 검증(valid), 그리고 평가(test)를 위해 6:2:2 비율로 분리하여 사용하였다. 전이학습에 사용된 컴퓨팅 환경은 표 1과 같다.

표 1. 전이학습 컴퓨팅 환경

전이학습에 사용된 사전학습 모델(pre-trained model)은 깊은 네트워크로 알려진 DenseNet201과 ResNet152V2, 경량화 모델로 알려진 InceptionV3, Xception, MobileNetV2의 총 5가지 모델을 선정하였다. 선정된 모델들은 모델의 기본 네트워크와 특성을 활용하기 위해, 추가학습 없이 그대로(all-frozen) 심층 전이학습을 진행하였다.

평가 결과

그림 2는 심층 전이학습을 통한 평가 결과를 보여준다. 이를 통해 선정된 사전학습 모델 모두 무난하게 주어진 봉제 데이터셋에 대해 수렴하는 것을 확인하였다.

그림 2. 사전학습 모델 성능 평가 결과

표 2는 심층 전이학습을 통해 모델 별 봉제 불량 예측 성능을 평가한 결과를 보여준다. 이를 통해 DenseNet201이 가장 높은 정확도를 보였으며, MobileNetV2가 가장 짧은 추론 시간을 보임을 확인하였다.

표 2. 사전학습 모델 성능 결과

맺음말

봉제 불량 데이터를 심층 전이학습 기반으로 봉제선 불량 검출 모델에 대하여 평가한 결과, DenseNet201 모델이 봉제 불량 검출에서 우수한 성능(97.53%)을 보여줌을 확인하였다. 향후 연구에서는 사전학습 모델의 일부 레이어를 학습시켜 봉제 불량에 보다 적합한 모델을 찾을 수 있는 체계적인 심층 전이학습(systematic deep transfer learning) 방법을 적용할 예정이다.

감사의 글

이 연구는 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구임(No. NRF-2021R1C1C2008026, NRF-2022R1F1A1069985).