강철 표면 결함 분류를 위한 Segmentation 모델 비교

Abstract

컴퓨터 비전은 여러 산업분야에서 활용된다. 다양한 분야들 중 제조업에서 컴퓨터 비전을 통하여 완제품과 불량품을 분류한다. 본 연구에서는 철강 산업의 제품 결함을 판별하려 한다. 철강은 다양한 산업분야에서 많이 사용되는 재료 중 하나다. 그 중 강철은 철광석을 사용하여 탄소와 다양한 성분을 조절하여 만든다. 강철의 생산 과정 중 압연공정이 있다. 압연 공정은 롤러 사이에 금속재료를 통과 시켜 발주자의 요구 두께로 가공하는 공정이다. 이때 결함이 방생할 때, 검출하지 못하고 다음공정이나 제품으로 나가게 된다면, 품질 악화, 설비사고로 이어질 수 있다. 그러한 이유로 강철의 결함 검사는 품질관리에서 가장 중요한 단계다. 이에 본 연구에서는 강철의 생산 과정 중 표면 결함을 딥러닝 기법을 사용하여 영역을 구분하고자 한다. 결함 검사 단계에서는 주로 강철의 표면의 이미지를 확인하고 결함 확인, 위치 파악 및 분류하여 결함의 원인을 찾아 해결점을 제시한다. 결함 검사 단계에서는 보통 수동 판별 검사와 SDD판별 검사 2가지가 실행된다. 일반적인 판별 검사에서는 검사자의 개입이 들어가 신뢰도 하락과 공정지연이 야기된다. 이러한 문제점들은 제조업체에게 큰 경제적 타격을 일으킬 수 있다. 본 연구에서는 앞서 설명한 문제점들을 해결하기 위해서 Severstar steel defects 데이터 셋을 딥러닝 기법 중 Segmentation하고자 한다. 또한 데이터 불균형과 영역 외 labeling된 부분을 다시 labeling작업을 하였다. 작업된 데이터를 통해서 다양한 Segmentation모델들을 비교 분석하여 결함의 분류와 크기를 측정하였다. 이를 통해 결함의 종류별 원인을 파악할 수 있으며, 결함의 크기를 통해 조금 더 세세한 원인 파악이 가능하게 된다. |This study attempts to determine steel defects after the rolling process. Steel is one of the most widely used materials in various industries, which is made by controlling carbon and various components in the iron ore. In the process of producing steel, rollers are used to shape steels into the thickness required by the customer. If the defects are not identified after rolling and the next process is carried out, it can lead to deterioration of the product quality and even facility accidents. For that reason, the inspection of defects in steel is the most important step in quality control. Therefore, this study intends to segment surface defects during the steel production process using deep learning techniques over the steel surface images. In the defect inspection stage, two types of tests are usually performed: manual discriminatory inspection and automated surface defection detection (SDD) inspection. The manual discriminant inspection, however, involves time consuming subjective intervention. In this paper, in order to address the problems of objectivity and time in defect steel inspection, we evaluate various different deep segmentation models on Severstal steel defects data set. The labeled areas were more precisely relabeled and data balanced. The classification and size of defects measures are compared with various segmentation models with the aforementioned set. The accurate defect segmentation can aid in identifying each type of defect as well as determining the cause.