딥 오토인코더 기반 결함 피스타치오 자동 분류 시스템

초록

본 연구는 피스타치오 껍질·내부 결함을 자동으로 식별하기 위해 비지도 학습 기반 딥 오토인코더 모델을 설계하였다. 어두운 얼룩, 기름 얼룩, 부착 껍질 등 3가지 결함 유형을 대상으로 이미지 데이터를 전처리하고, 재구성 오차를 이용해 정상·비정상을 구분하였다. 검증 데이터에서 평균 정확도 80.3%를 달성했으며, 대학 HPC의 메모리 제한 하에서도 실용적인 성능을 보였다.

상세 분석

이 논문은 피스타치오의 외관 결함을 자동화된 이미지 분석으로 해결하고자 하는 실용적 문제에 초점을 맞추었다. 기존 연구들은 주로 지도학습 기반 CNN 모델을 활용해 품질 분류를 수행했으나, 라벨링 비용과 데이터 불균형 문제가 크게 작용한다는 점을 지적한다. 저자는 이러한 한계를 극복하기 위해 비지도 학습인 딥 오토인코더(Auto‑Encoder, AE)를 선택했으며, 이는 입력 이미지를 저차원 잠재 공간으로 압축한 뒤 다시 복원하는 과정에서 재구성 오차(reconstruction error)를 결함 판단 기준으로 활용한다는 점에서 의미가 크다.

데이터 수집 단계에서는 피스타치오를 다양한 조명과 배경 조건에서 촬영하여 총 2,400장의 이미지(정상 1,200장, 결함 1,200장)를 확보하였다. 각 이미지는 224×224 픽셀로 리사이즈하고, RGB 채널을 정규화한 뒤, 데이터 증강(회전, 좌우 반전, 밝기 변환)으로 학습 다양성을 높였다. 오토인코더는 5개의 인코더 레이어와 대칭적인 디코더 레이어로 구성되었으며, 각 레이어는 64, 128, 256, 512, 1024개의 필터를 갖는 Conv2D‑BatchNorm‑ReLU 블록으로 설계되었다. 잠재 차원은 128로 설정해 충분한 압축 효과와 재구성 품질을 동시에 확보하였다. 손실 함수는 평균 제곱 오차(MSE)를 사용했으며, Adam 옵티마이저(learning rate=1e‑4)로 150 epoch 학습하였다.

핵심 평가 방법은 정상 이미지와 결함 이미지의 재구성 오차 분포를 비교하고, 최적의 임계값(threshold)을 ROC 곡선 기반으로 선정하는 것이었다. 실험 결과, 어두운 얼룩, 기름 얼룩, 부착 껍질 세 종류 모두에서 재구성 오차가 현저히 높게 나타났으며, 전체 정확도는 80.3%, 정밀도 78.9%, 재현율 81.5%를 기록했다. 특히, 어두운 얼룩에 대한 구분 성능이 가장 높았으며, 이는 결함이 이미지 전반에 걸쳐 뚜렷한 색상·텍스처 변화를 일으키기 때문이다. 반면, 기름 얼룩은 광택과 색상 차이가 미묘해 오탐률이 다소 상승하였다.

논문은 또한 대학 내 HPC 환경에서 메모리(8 GB RAM) 제한으로 인해 배치 크기를 16으로 제한하고, 모델 파라미터 수를 3.2 M 이하로 억제한 점을 강조한다. 이러한 제약 하에서도 80% 수준의 정확도를 달성한 것은 모델 경량화와 효율적인 학습 전략이 유효했음을 시사한다. 그러나 메모리 제한으로 인해 더 깊은 네트워크나 대규모 데이터셋을 활용하지 못한 점은 성능 상한을 낮추는 요인으로 작용한다.

비교 대상이 되는 기존 연구들은 주로 지도학습 기반 ResNet‑50, VGG‑16 등을 사용해 90% 이상 정확도를 보고했지만, 라벨링 비용과 데이터 불균형을 감수해야 했다. 본 연구는 라벨링 없이도 실용적인 수준의 성능을 확보했으며, 라벨이 부족한 초기 단계 혹은 현장 적용 시 비용 효율적인 솔루션으로 활용 가능하다. 향후 연구에서는 전이 학습 기반 하이브리드 모델(오토인코더 + 분류기) 도입, 멀티스펙트럼 이미지 활용, 그리고 메모리 제약을 극복하기 위한 모델 압축(프루닝, 양자화) 기법을 적용해 정확도와 실시간 처리 능력을 동시에 향상시킬 여지가 있다.