제한된 계산 자원 하에서 실시간 계란 결함 검출을 위한 RT-DETR과 YOLOv8의 비교 분석 (Comparative Analysis of RT-DETR and YOLOv8 for Real-Time Egg Defect Detection under Computational Constraints)

서지정보

· 발행기관 : 한국컴퓨터정보학회
· 수록지 정보 : 한국컴퓨터정보학회논문지 / 29권 / 12호 / 1 ~ 11페이지
· 저자명 : 강남일, 차예찬, 김보영, 문지훈

초록

본 논문에서는 실시간으로 계란의 결함을 감지하기 위해 두 가지 고급 물체 감지 모델인 RT-DETR과YOLOv8의 성능을 비교 및 분석한다. 전 세계적으로 계란 수요가 증가함에 따라, 품질과 안전성을보장하는 실시간 결함 감지 기술은 건강 위험과 식품 안전 문제를 예방하기 위해 필수적이다. 이에따라, 두 객체 감지 모델을 이용하여 계란의 투광 이미지를 분석하고, 정상, 균열, 혈반, 탈색, 이물질, 기형 등 6가지 카테고리를 분류한다. 이를 위해, AI-Hub의 11,000개 계란 이미지 데이터 셋을 기반으로훈련, 검증, 평가 비율을 9:1:1로 설정하여 실험을 진행한다. 다음으로, 두 객체 감지 모델의 성능은감지 정확도와 추론 속도 측면에서 평가한다. RT-DETR 모델은 두 가지 버전(r18, r50)으로 학습되며, YOLOv8 모델은 세 가지 버전(nano, medium, large)으로 학습되어 상호 비교된다. 실험 결과, 정확도측면에서는 RT-DETR-r50 모델이 IoU 임곗값 0.5에서 mAP이 0.852(mAP@0.5), 다양한 IoU 임곗값에서0.851(mAP@0.5:0.95)을 도출하였다. 반면, 속도 측면에서는 YOLOv8n 모델이 이미지당 평균 0.0021초의 추론 시간을 기록하여 더 나은 성능을 보였다. 본 연구는 정확성과 속도 간의 균형을 강조하며, 계란 생산 시설에서 효율적인 품질 관리 시스템을 구현하기 위한 유용한 통찰력을 제공한다.

영어초록

In this study, we present a comparative analysis of two state-of-the-art object detection models, RT-DETR and YOLOv8, for real-time egg defect detection. As the global demand for eggs continues to rise, ensuring their quality and safety is paramount for mitigating health risks and addressing food safety concerns. The models were employed to analyze transillumination images of eggs and classify them into six distinct categories: Normal, Crack, Blood Spot, Discoloration, Foreign Body, and Deformation. A dataset comprising 11,000 egg images provided by AI-Hub was utilized, with a train-validation-test split ratio of 9:1:1 to conduct the experiments. The performance of the models was assessed based on two key metrics: detection accuracy and inference speed. For RT-DETR, two variants (r18 and r50) were trained, while YOLOv8 involved the training of three variants (nano, medium, and large). The evaluation results indicated that the RT-DETR-r50 model demonstrated superior accuracy, achieving a mean Average Precision (mAP) of 0.852 (mAP@0.5) at an IoU threshold of 0.5 and 0.851 (mAP@0.5:0.95) across multiple IoU thresholds. Conversely, the YOLOv8n model exhibited exceptional speed, with an average inference time of 0.0021 seconds per image. These findings emphasize the trade-off between accuracy and inference speed, providing critical insights into the development of efficient quality control systems for egg production facilities.

참고자료

· 없음