자동화 제품 검사를 위한 테스트 데이터 증폭 기반의 강건한 딥러닝

본 과제는 제조업 자동 검수에서 딥러닝이 이미지가 조금만 변해도 성능이 크게 떨어지는 문제를 줄여 생산성 손실과 안전 위험을 낮추는 연구임. 연구 목표는 테스트 단계 데이터 증폭을 지능적으로 설계해 정상·이상 분류 신뢰도를 향상하고, 학습 단계 증폭과의 상관성을 규명해 최적 조합을 도출하는 데 있음. 핵심 연구 내용은 입력 이미지 변환을 추천하거나 Auxiliary 네트워크로 변환을 함께 학습하고, 그 성과를 물체 검출(Object Detection)과 결합해 이상 원인 위치·분류 성능을 개선하는 방식임. 기대 효과는 산업 현장 적용 시 강건성 향상으로 자동화 검수 확산과 제조 경쟁력 강화에 기여함.