[3D 측정 및 검사] 단자 종합 검사 모델 학습
본 문서는 단자 종합 검사 프로젝트(다운로드 샘플 프로젝트)를 예시로, 트리 구조 알고리즘 모듈을 사용해 모델을 학습하는 방법을 소개합니다.
시나리오 설명
단자 종합 검사 작업에서는 일반적으로 동일 커넥터의 서로 다른 부위에 대해 결함 검출이 필요합니다. 그러나 부위별 결함 유형과 특성이 달라 단일 결함 세그먼테이션 모델로 일괄 학습할 경우 각 부위의 검출 정확도를 동시에 만족시키기 어렵습니다. 따라서 본 예시는 "분류 후 세그먼테이션" 절차를 사용합니다. 먼저 이미지 분류 모듈로 이미지의 부위를 식별한 다음, 각 부위 결함에 대해 대응하는 결함 세그먼테이션 모듈을 각각 학습하여 전체 결함 검출 효과를 향상합니다. 예시에 포함된 대표 결함은 하우징 스크래치, 래치 변형, 차폐 쉘 스크래치, 단자 변형입니다.
모듈 조합
그림과 같이 단자 종합 검사 모델 구성은 주로 이미지 분류와 결함 세그먼테이션 두 종류 모듈로 이루어집니다.
-
이미지 분류 모듈: 이미지를 1차 선별하여 커넥터의 어느 부위(예: 하우징, 래치, 차폐 쉘, 단자 등)에 속하는지 판단하고, 후속 모듈의 대상별 검출 기반을 제공합니다.
본 예시에서 이미지 분류 모듈은 D1, D2, D3, D4 네 가지 클래스로 구성되며, 각각 커넥터의 하우징, 래치, 차폐 쉘, 단자 부위에 대응합니다.
-
결함 세그먼테이션 모듈: 커넥터의 서로 다른 부위에 대해 서로 다른 결함 세그먼테이션 모듈을 사용하여 스크래치, 변형 등 구체 결함을 정밀 검출/분할합니다.
본 예시에서 D1 결함은 하우징 스크래치, D2 결함은 래치 변형, D3 결함은 차폐 쉘 스크래치, D4 결함은 단자 변형을 검출합니다.
|
실제 적용 시 모듈 조합은 구체 요구에 맞게 유연하게 조정 및 최적화해야 합니다. 트리 구조 알고리즘 모듈의 유연성 덕분에 다양한 검사 요구에 따라 모듈을 자유롭게 조합/구성하여 최적의 검사 효과를 달성할 수 있습니다. |
사용 절차
위 요구에 따라 트리 구조 알고리즘 모듈 구성을 완료한 후에는 각 모듈별로 레이블링, 학습, 검증을 수행하고 마지막으로 전체 효과를 검증해야 합니다. 구체 절차는 다음과 같습니다.
-
이미지 분류 모듈: 이미지 분류 모듈에서 다음 작업을 순차 수행하고, 분류 효과가 요구를 만족한 뒤 후속 결함 세그먼테이션 모듈의 레이블링/학습/검증을 진행합니다.
-
데이터 레이블링: 각 이미지가 어느 부위(D1: 하우징, D2: 래치, D3: 차폐 쉘, D4: 단자)에 해당하는지 레이블링합니다.
-
모델 학습: 필요에 맞게 학습 파라미터를 설정해 모델을 학습합니다.
-
모델 검증: 학습된 모델로 데이터를 검증하고 분류 정확도가 요구를 만족하는지 평가합니다.
-
-
각 결함 세그먼테이션 모듈: D1~D4 네 개 결함 세그먼테이션 모듈에 대해 각각 다음 작업을 순차 수행합니다.
-
데이터 레이블링: 해당 부위 이미지에서 결함 영역을 레이블링합니다.
-
모델 학습: 필요에 맞게 학습 파라미터를 설정해 모델을 학습합니다.
-
모델 검증: 학습된 모델로 데이터를 검증하고 결함 검출 정확도가 요구를 만족하는지 평가합니다.
-
-
전체 효과 검증: 각 모듈 검증 완료 후 운행 모드에서 실제 시나리오 이미지를 가져와 설정된 검증 규칙에 따라 전체 추론 및 검증 결과를 출력해 실제 시나리오에서의 종합 성능을 빠르게 평가할 수 있습니다. 검출 효과가 좋지 않은 이미지는 해당 모듈에 직접 추가해 재학습을 반복하고, 목표 효과에 도달할 때까지 개선합니다.