인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
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.
피인용 0
초록·키워드
This study proposes a generative adversarial networks (GAN)-based data augmentation framework to address the class imbalance and lack of defect data encountered in smart factory vision inspection systems and provides a comparative analysis of various GAN models. Using brushless direct current motor stator pin data acquired from industrial sites, normal and defective images were augmented by employing the least-squares deep convolutional GAN (LS-DCGAN) for training stability, contrastive unpaired translation GAN (CUTGAN) for maintaining structural consistency through patch-based contrastive learning, and FastGAN as a lightweight model specialized for small-scale datasets. The quality of the generated images was quantitatively evaluated using the kernel inception distance metric, which ensures high statistical reliability in limited sample environments. Experimental results demonstrate that CUTGAN outperforms other models in preserving the geometric structure of stator pins and enhancing classification accuracy. Furthermore, convolutional neural network models trained with data augmented by CUTGAN exhibited considerable improvements in accuracy and F1-score compared with those trained solely on real-world data. This research study provides a practical guideline for selecting optimal GAN models and data-augmentation strategies to establish high-performance vision inspection systems in early-stage manufacturing processes where defect samples are scarce.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
