불균일 조명 환경에서 CNN 기반 표면 결함 자동 검사

본 연구는 제조 현장에서 흔히 발생하는 조명 불균일 문제를 극복하고, 표면 결함을 자동으로 검출하기 위한 새로운 CNN 기반 방법론을 제시한다. 서론에서는 표면 결함 검사의 중요성을 강조하고, 기존의 통계‑기반, 구조‑기반, 스펙트럼‑기반, 서브스페이스‑기반 기법들이 조명 변화에 취약함을 지적한다. 특히, 이러한 전통적 방법들은 복잡한 특징 설계와 높은 연산 비용을 요구하며, 불균일 조명 하에서는 정확도가 급격히 저하되는 단점을 가지고 있다. 이에 대한 해결책으로 딥러닝, 특히 컨볼루션 신경망(CNN)의 자동 특징 학습 능력을 활용한다는 점을 제안한다. 논문은 먼저 LeNet‑5 구조를 변형한 2‑계층 컨볼루션·2‑계층 풀링 네트워크를 설계한다. 입력 이미지 크기는 400 × 400 픽셀이며, 첫 번째 컨볼루션 레이어는 3 × 3 커널을 사용해 6개의 특징 맵을, 두 번째 레이어는 동일 커널로 12개의 특징 맵을 생성한다. 각 컨볼루션 뒤에 2배 다운샘플링 풀링을 적용해 차원을 축소하고, 최종 전결합층을 통해 2‑클래스(정상/결함) 분류를 수행한다. 실험은 구리 스트립 이미지 30 장(정상 15, 결함 15)과 동일 수의 테스트 이미지를 사용해 진행되었다. 학습은 CPU 전용 맥북 에어에서 5 000 step(≈2 시간) 동안 수행되었으며, 초기 손실 0.6, 정확도 0.5에서 시작해 5 000 step 후에는 손실이 거의 0에 수렴하고 정확도가 99 %에 달했다. 학습 단계 수를 10 000, 15 000, 20 000 step까지 확대했을 때 각각 정확도가 0.764→0.987, 0.874→0.984, 0.987→0.986으로 점진적으로 향상되는 것을 확인하였다. 이는 학습 반복이 모델의 일반화 능력을 강화한다는 결론을 뒷받침한다. 다음으로 네트워크 깊이를 늘려 3‑계층 컨볼루션·3‑계층 풀링 구조를 구축하였다. 동일 5 000 step 학습에서도 정확도가 0.98 수준에 도달했으며, 이는 추가적인 비선형 변환과 더 넓은 수용 영역이 불균일 조명에 의해 발생하는 국부적 밝기 변동을 효과적으로 보정한다는 것을 의미한다. 제안 방법의 일반성을 검증하기 위해 NEU 표면 결함 데이터셋을 활용하였다. 이 데이터셋은 핫‑롤드 강판의 패치와 스크래치 결함을 각각 300 샘플씩 포함한다. 250 샘플(80 %)을 학습에 사용하고, 50 샘플(20 %)을 테스트에 사용하였다. 학습 에포크를 7부터 220까지 늘리면서 검증 정확도는 90 %에서 100 %까지 상승했으며, 최종 테스트에서는 패치 결함 99.88 %, 스크래치 결함 99.74 %의 평균 정확도를 기록하였다. 이는 제안된 CNN 구조가 다양한 재질과 결함 유형에 대해 높은 인식률을 유지함을 보여준다. 논의 섹션에서는 실험 결과를 바탕으로 두 가지 주요 개선 방안을 제시한다. 첫째, 학습 단계 수를 늘릴수록 모델의 판별 정확도가 꾸준히 상승한다는 점이다. 둘째, 네트워크 깊이를 추가함으로써 동일 학습 단계에서도 약 30 % 수준의 정확도 향상이 가능함을 확인하였다. 또한, 깊은 구조는 학습 시간과 메모리 요구량을 크게 증가시키는 단점이 있음을 언급한다. 결론에서는 (1) CNN이 전처리 없이 원시 이미지를 직접 학습함으로써 조명 불균일에 강인한 특징을 자동으로 추출한다는 점, (2) 단순 CNN보다 깊은 네트워크가 복잡한 결함 형태를 더 잘 구분한다는 점, (3) 제안 방법이 구리 스트립 및 강판 이미지 모두에서 99 % 이상의 정확도를 달성했으며, 기존 전통적 기법 대비 뛰어난 성능을 보인다는 점을 강조한다. 향후 연구에서는 데이터 증강, GPU 기반 대규모 학습, 최신 경량화 모델과의 비교 등을 통해 실시간 산업 현장 적용 가능성을 높이는 방향을 제시한다.