선체 균열 탐지를 위한 도메인 적응 및 데이터 증강의 효율적 혼합 적용 방안
Efficient Combined Method of Domain Adaptation and Data Augmentation for Hull Crack Detection
- 주제어 (키워드) 선체 균열 , 선체 균열 탐지 , 도메인 적응 , 데이터 증강 , 이미지 분류 , Hull Crack , Hull Crack Detection , Domain Adaptation , Data Augmentation , CNN , Image Classification
- 발행기관 서강대학교 정보통신대학원
- 지도교수 최준석
- 발행년도 2024
- 학위수여년월 2024. 8
- 학위명 석사
- 학과 및 전공 정보통신대학원 데이터사이언스 · 인공지능
- 실제 URI http://www.dcollection.net/handler/sogang/000000078833
- UCI I804:11029-000000078833
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
본 연구는 선체 표면 균열 탐지를 위해 도메인 적응과 데이터 증강 기법의 효율적 혼합 적용 방안을 연구하고자 하였다. 이를 위해 상대적으로 수집이 쉬운 콘크리트 표면의 정상 및 균열 이미지 데이터를 소스 도메인 데이터셋으로 활용하여, 최종적으로 타겟 도메인인 선체 표면의 정상 및 균열 이미지 데이터를 분류하는 딥러닝 모델의 성능을 향상시키는 방안을 여러가지 실험을 통해 비교 및 분석하였다. 사용된 데이터는 콘크리트 표면 균열 이미지와 선체 표면 균열 이미지로 구성되었다. 연구 방법으로 CNN 을 기반으로 한 ResNet, VGG 등 다양한 딥러닝 모델과 Grad-CAM 알고리즘을 사용하여 선체 표면의 균열을 분류 및 탐지하고자 하였다. 이 과정에서 도메인 적응 방법 중 DANN(Domain-Adversarial Neural Network)과 데이터 증강 기법 중 CutOut, CutMix, Mixup, Auto Augmentation 등 여러가지 증강 기법을 비교 분석하여 타겟 도메인에서의 모델 성능을 향상 시키고자 하였다. 학습한 모델의 분류 성능을 평가하기 위해 정확도, F1- score, 재현율, 정밀도 등의 평가지표를 사용하였으며 추가적으로 모델의 학습 효율성을 확인하기 위해 학습 소요시간, 모델 파라미터 수를 비교하였다. 실험 결과, 데이터 증강 및 도메인 적응 기법을 적용한 딥러닝 모델은 베이스라인 모델보다 우수한 성능을 보였다. 특히 CutMix와 DANN을 동시에 적용 한 모델은 타겟 도메인에서의 정확도가 76.3%로, 데이터 증강과 도메인 적응 기법을 단독으로 적용한 경우보다 유의미한 성능 향상을 나타내었다. 이는 데이터 증강과 도메인 적응 기법이 결합될 때 시너지 효과가 발생하여 모델의 일반화 능력을 크게 향상시킬 수 있음을 시사한다. 본 연구의 한계점으로는 한정된 컴퓨터 자원으로 인해 다양한 데이터 증강 및 도메인 적응 기법을 비교 분석하는데 제한이 있었다. 또한, 실험 환경을 보다 다양하게 구성하여 실험환경 별 실제 자원 소모량, 연산량 등을 비교하는 더욱 구체적인 성능평가 기준 마련이 필요할 것이다. 향후 연구에서는 실험을 통한 다양한 데이터 증강 및 도메인 적응 기법의 비교 분석과, 실험 환경에 따른 구체적인 성능평가 기준 마련을 통해 모델의 성능을 더욱 향상시키고 개발한 모델의 실제 적용 가능성을 높이는 연구가 필요할 것이다. 본 연구를 통해 개발된 모델은 선박 유지보수, 안전 관리, 자동 검사 시스템 등에 활용될 수 있으며, 해양 공학, 인공지능 분야의 교육 및 연구 목적으로도 유용하게 사용될 수 있다.
more초록 (요약문)
This paper aimed to study efficient combined methods of domain adaptation and data augmentation for detecting cracks on hull surfaces. To this end, it utilized easily accessible normal and cracked concrete surface images as a source domain dataset and compared and analyzed various experiments to enhance the performance of deep learning models that ultimately classify normal and cracked hull surface images, the target domain. The data used consisted of concrete surface crack images and hull surface crack images. This paper employed various deep learning models based on CNN, such as ResNet and VGG, and the Grad-CAM algorithm to classify and detect hull surface cracks. During this process, this paper compared and analyzed different data augmentation methods including Cutout, Cutmix, Mixup, and Auto Augmentation, and the domain adaptation method DANN (Domain-Adversarial Neural Network) to enhance the model's performance in the target domain. The classification performance of the trained models was evaluated using metrics such as accuracy, F1-score, recall, and precision, and training efficiency was assessed by comparing training time. Experimental results showed that deep learning models incorporating data augmentation and domain adaptation techniques outperformed baseline models. In particular, the model with both Cutmix and DANN applied achieved an accuracy of 76.3% in the target domain, demonstrating significant performance improvement compared to models using only data augmentation or domain adaptation techniques alone. This indicates that combining data augmentation and domain adaptation techniques can create a synergistic effect, greatly enhancing the model's generalization capability. However, this paper had limitations regarding the comparison and analysis of various data augmentation and domain adaptation techniques due to limited computational resources. Additionally, there is a need to establish more detailed performance evaluation criteria that consider resource consumption and computational load across different experimental environments. Future research should aim to improve model performance and practical applicability by conducting comparative analyses of various data augmentation and domain adaptation techniques through experiments, and by establishing detailed performance evaluation criteria based on different experimental environments. The model developed through this study can be utilized in ship maintenance, safety management, and automated inspection systems. It can also be beneficial for education and research purposes in marine engineering and artificial intelligence fields.
more목차
제 1 장 서 론 1
제 1 절 연구 배경 및 필요성 1
제 2 절 연구 목적 2
제 2 장 이론적 배경 4
제 1 절 CNN 기반 이미지 분류 기법 4
제 2 절 CAM(CLASS ACTIVATION MAPPING) 기법 6
제 3 절 도메인 적응(DOMAIN ADAPTATION) 기법 9
제 4 절 데이터 증강(DATA AUGMENTATION) 기법 13
제 5 절 선행 연구 사례 15
제 3 장 실험 설계 17
제 1 절 실험환경 17
제 2 절 실험 데이터셋 구성 18
제 3 절 모델 평가방법 24
제 4 절 실험 설계 27
제 5 절 제안 기법 34
제 4 장 모델학습 및 결과 분석 39
제 1 절 DOMAIN ADAPTATION 적용결과 39
제 2 절 DATA AUGMENTATION 적용결과 41
제 3 절 제안 기법 적용 결과 47
제 5 장 결론 및 한계점 50
참 고 문 헌 52
