지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 홍석무
- 발행연도
- 2021
- 저작권
- 공주대학교 논문은 저작권에 의해 보호받습니다.
이용수7
이 논문의 연구 히스토리 (3)
2021
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
Many automotive and electronic parts are fixed by bolts. To provide a safe joint, e.g., by shock or vibration, an anti-loosening coating is applied to the thread. However, during coating, defects are inevitable. To detect these defects, bolts are inspected optically and manually, but which is time and cost intensive. In this study, machine learning and deep learning are applied to assess the coating quality of bolts with anti-loosening coating. The support vector machine has the disadvantage that its speed decreases with the size of the data base and that additional training is impossible. The VGG-16 algorithm, a convolutional neural network (CNN), is applied here due to its high accuracy. Since by CNN, a classification standard cannot be established and the defect location be detected, the visualization method Grad-CAM was applied to evaluate the training model. Results, however, show that external effects influence the classification. We therefore applied image filtering and the region of interest method to classify the bolt thread only. The algorithm was retrained subsequently. Further, the training time was reduced by transfer learning and fine tuning. Finally, a high accuracy of 97% was reached. The method suggested here is expected to contribute to the automatization of defect screening and to be applicable to not only bolts but also other similar products.
목차
Ⅰ. 서론 11. 연구 배경 1Ⅱ. 이론 배경 및 선행 연구 51. 머신 러닝 및 딥러닝 알고리듬 51) SVM (Support Vector Machine) 62) CNN (Convolutional Neural Network) 7(1) VGG16 82. 시각화 기법 101) CAM (Class Activation Map) 102) Grad-CAM (Grdient based Class Activation Map) 123. 학습 알고리듬 성능 평가 방법 14Ⅲ. 딥러닝 기반 풀림 방지 코팅 볼트 알고리듬 161. 데이터 세트 162. VGG16 기반 모델 학습 211) 시각화 기법 적용 22(1) 이미지 필터링 242) 전이 학습 기반 알고리듬 26(1) 전이 학습 26(2) 분류층 종류 및 특징 273. 실험 결과 및 성능 평가 281) 시각화 기법 적용 결과 282) 전이학습 및 미세 조정 293) PLC 연결 및 신호처리 31Ⅳ. 결론 32Ⅴ. 참고문헌 (Reference) 33
최근 본 자료
댓글(0)
0