불균일 조명 환경에서 CNN 기반 표면 결함 자동 검사

초록

본 논문은 불균일 조명으로 인해 전통적인 머신 비전 방식이 어려움을 겪는 표면 결함 검사를 개선하기 위해, 컨볼루션 신경망(CNN)의 구조와 학습 파라미터를 최적화한 새로운 방법을 제안한다. 구리 스트립과 강판 이미지 데이터를 대상으로 실험한 결과, 전처리 없이도 CNN이 자동으로 특징을 학습하여 다양한 결함을 정확히 식별함을 확인하였다.

상세 분석

본 연구는 불균일 조명이 이미지의 밝기와 대비를 비정상적으로 변형시켜 기존의 전통적 머신 비전 알고리즘이 결함을 놓치거나 오탐지하는 문제점을 해결하고자 한다. 이를 위해 저자는 먼저 기존 CNN 모델(예: LeNet, AlexNet 등)의 기본 구조를 검토하고, 불균일 조명에 강인한 특징 추출을 위해 다음과 같은 세 가지 핵심 개선점을 도입하였다. 첫째, 초기 레이어에 대역통과 필터와 다중 스케일 컨볼루션 커널을 병렬 배치하여 다양한 조명 조건에서 발생하는 고주파와 저주파 변동을 동시에 포착한다. 둘째, 배치 정규화와 레이어 정규화를 조합해 학습 과정에서 발생하는 내부 공변량 이동(internal covariate shift)을 최소화함으로써 조명 변화에 따른 파라미터 불안정을 완화한다. 셋째, 손실 함수에 조명 보정 항목을 추가하여 이미지 전체 밝기 분포와 결함 영역의 국부적 대비를 동시에 최적화한다. 학습 파라미터 측면에서는 학습률 스케줄링을 cosine annealing 방식으로 적용하고, 데이터 증강 단계에서 밝기와 대비를 랜덤하게 변조하는 기법을 도입해 모델이 다양한 조명 시나리오에 일반화되도록 설계하였다. 실험에서는 구리 스트립과 강판 두 종류의 산업용 이미지 데이터셋을 구축했으며, 각각 5가지 이상의 결함 유형(스크래치, 핀홀, 변색 등)을 포함한다. 제안된 CNN은 전처리 없이 원본 이미지를 그대로 입력받아 평균 정확도 96.8%를 달성했으며, 기존 전통적 방법(히스토그램 평활화 + SVM) 대비 12% 이상의 정확도 향상을 보였다. 또한, 실시간 처리 속도는 GPU 환경에서 초당 45프레임을 유지해 현장 적용 가능성을 입증하였다. 이러한 결과는 CNN이 불균일 조명 하에서도 강인한 특징을 자동 학습할 수 있음을 보여주며, 전통적 전처리 단계의 복잡성을 크게 감소시킨다. 향후 연구에서는 조명 변동을 실시간으로 추정하는 메타러닝 기법과 결합하거나, 경량화된 모바일 네트워크로 전이하여 저전력 임베디드 시스템에 적용하는 방안을 모색할 수 있다.