<Systematic deep transfer learning method based on a small image dataset for spaghetti-shape defect monitoring of fused deposition modeling" (Kim et al., 2022, Journal of Manufacturing Systems)> 논문을 리뷰한 후, 기술을 구현하고자 하는 프로젝트입니다.

논문개요

→ 이 논문은 3D 프린팅 방식 중 대표적인 FDM(Fused Deposition Modeling) 공정에서 발생하는 스파게티형 결함(노즐 막힘 등 필라멘트 이상 현상)을 소규모 이미지 데이터셋으로 효과적으로 감지하는 딥러닝 전이학습(Transfer Learning) 기반의 체계적 방법을 제안

• FDM : 3D 프린팅 기술 중 가장 널리 쓰이는 방식으로, 열가소성 플라스틱 필라멘트를 가열해 녹인 후, 한 층씩 쌓아 올려 3차원 물체를 만드는 공정
• 전이학습 : 한 작업에서 학습한 모델의 지식을, 새로운 유사 작업에 적용하여 성능을 높이는 머신러닝 기법

문제상황

→ FDM 공정은 저비용과 간편성 때문에 산업 전반에 널리 쓰이지만, 노즐 막힘 등 결함으로 출력품이 실패하는 경우가 자주 발생한다. 결함 검출을 위한 대규모 데이터셋 확보가 어렵고, 직접 딥러닝 모델을 처음부터 학습시키기 힘들어 전이학습이 대안으로 떠오르고 있다.

해결방법

→ 적은 수의 FDM 3D프린터 결함 이미지를 자르기, 회전 등 다양한 증강기법으로 데이터셋을 대폭 확장한 뒤, ImageNet 등에서 사전학습된 CNN 모델을 전이학습 기반으로 활용해 파인튜닝힌다. 각 모델에 대해 다양한 계층 동결/학습 전략을 실험하여 최적의 파인튜닝 방식과 분류기를 찾아 성능을 높인다.