특정 객체 필터링 및 이상동작 감지를 위한 통합 합성곱 신경망 (Integrated CNN for Specified Object Filtering and Abnormal Motion Detection for Smart Factory)

서지정보

· 발행기관 : 한국통신학회
· 수록지 정보 : 한국통신학회논문지 / 48권 / 8호 / 1001 ~ 1011페이지
· 저자명 : 홍상욱, 김형원

초록

이상 감지를 위한 합성곱 네트워크 모델로서 오토인코더[1,2,3] 네트워크가 많이 사용되고 있다. 오토인코더는입력 이미지를 기존에 학습한 이미지 데이터와 유사한 데이터로만 국한하여 출력 이미지를 재생성 하는 특성을가지고 있어서 입력 이미지 내의 이상 동작을 추출할 수 있는 장점이 있다[4]. 그러나 이러한 방법은 이미지내에정상적 객체나 상황이 불규칙적인 위치에 포함된 경우는 정상 또는 이상 동작으로 정확하게 감지하기 매우 어려운 단점이 있다. 이 문제를 개선하기 위해 오토인코더와 객체 분할 헤드를 동시에 가진[5] 통합 합성곱 신경망을제안한다. 본 제안 기술은 입력 이미지와 재생성 된 출력 이미지 내에서 정상 객체 영역을 제외하기 위한 객체마스킹을 통해 해당 객체가 불규칙적인 위치에 포함된 이미지에서도 정확도를 증가시킨다. 또한, 제안 기술은 통합 합성곱 신경망에 포함된오토인토더를 이용하여 마스킹 대상인 객체들의 라벨을 자동으로 생성하고[6] 객체 분할 모델을 학습시키는 비지도[7] 학습방법을 제안한다. 제안 통합 합성곱 신경망 모델을 스마트 팩토리에서 획득한 이상 동작 비디오 데이터셋에 적용하여 성능을 분석하였다. 통합 합성곱 신경망 모델에 포함된 객체 분할 모델의 마스크 mAP 비교 결과, 제안하는 의사 라벨링 기반의 비지도 학습 기술은 수작업으로 라벨 된 정답 데이터로테스트할 경우 96.82%의 마스크 mAP의 매우 높은 성능을 보인다. 또한 제안하는 통합 합성곱 신경망 모델은 정상과 비정상 객체가 공존하는 상황에서 기존의 오토인코더가 탐지하지 못하는 정상 객체에 대한 정확도를 증가시켜 전체적인 이상감지 정확도를 15.90% 향상시킨다.

영어초록

Autoencoders[1,2,3], which reconstruct the image at the output only to an image similar to their training images, have been widely used in anomaly detection networks[4]. They has the advantage of extracting abnormal motions in the input image because it has the characteristic of regenerating the output image by limiting the input image to data similar to the previously learned image data[4]. However, the anomaly detection method based on an autoencoder has a disadvantage in that it cannot correctly detect a situation in which there is an object to be judged normal at an irregular location in the input image. To address this problem, we propose an integrated CNN with both an autoencoder and an object segmentation heads[5]. We introduce a segmentation-based object masking technique that can exclude normal areas of the input image and reconstructed output image. It can improve the accuracy of detecting anomalies in images where the normal objects are positioned in an irregular location in the image. In addition, we propose an automatic labeling technique which utilizes an autoencoder of the integrated CNN to add pseudo labels[6] to the images containing normal objects and so effectively conducts unsupervised learning[7]. We applied the proposed integrated CNN model to a video dataset obtained from a smart factory. Our unsupervised learning technique demonstrated a mask mAP of 96.82% for the segmentation model when tested using hand-labeled ground-truth data. In addition, the proposed integrated CNN model improves the overall anomaly detection accuracy by 15.90% by increasing the accuracy of detecting normal objects under the situation where both normal and abnormal objects coexist, which the existing autoencoder was not able to detect.

참고자료

· 없음