지속적 학습을 이용한 생산 과정에서의 결함 탐지

현동환; 이수홍

doi:10.7315/CDE.2022.010

추천

검색

질문

자료유형: 학술저널

저자정보: 현동환 (연세대학교) 이수홍 (연세대학교)

저널정보: (사)한국CDE학회 한국CDE학회 논문집 한국CDE학회 논문집 제27권 제1호

발행연도: 2022.3

수록면: 10 - 18 (9page)

DOI: 10.7315/CDE.2022.010

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

Continual learning is a method that contrasts with the existing model learning method. The existing general learning method is a mini-batch setting training method which is preparing all data as a bundle is necessary. In this case, high performance is guaranteed because the model is able to learn about all cases of prepared datasets. However, this kind of setting is impractical in actual field application; field of production and manufacturing. To improve the model already learned once, it is necessary to tune data and retrain it. To compensate for these weaknesses, it is necessary to configure an algorithm so that new data can be continuously learned after field application. In Continual learning, the model constantly learns by streaming data in real time so it adapts to new data and constructs better model. In this study, to prevent catastrophic forgetting, we use improved GDumb which is replay-based method and tested with MVTec dataset.

#Anomaly detection #Artificial intelligence #Continual learning #Defect detection #Manufacturing #Smart factory

참고문헌 (19)

참고문헌 신청

Chen, Z. and Liu, B., 2018, Lifelong Machine Learning, Synthesis Lectures on Artificial Intelligence and Machine Learning, 12(3), pp.1-207.

Delange, M., Aljundi, R., Masana, M., Parisot, S., Jia, X., Leonardis, A., Slabaugh, G. and Tuytelaars, T., 2021, A Continual Learning Survey: Defying Forgetting in Classification Tasks Matthias, IEEE Transactions on Pattern Analysis and Machine Intelligence, pp.1-20.

Shin, H., Lee, J.K., Kim, J. and Kim, J., 2017, Continual Learning with Deep Generative Replay, Computer Vision and Pattern Recognition, pp.2994-3003.

McCloskey, M. and Cohen, N.J., 1989, Catastrophic Interference in Connectionist Networks: The Sequential Learning Problem, Psychology of Learning and Motivation, 24, pp.109-165.

Mermillod, M., Bugaiska, A. and Bonin, P., 2013, The Stability-plasticity Dilemma: Investigating the Continuum from Catastrophic Forgetting to Age-limited Learning Effects, Frontiers in Psychology 4, article 504, pp.1-3.

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

현동환

소속기관 연세대학교

주요연구분야 공학 > 기계공학 > 기계공학 일반 공학 > 컴퓨터학

논문수 6 이용수 923

이수홍

소속기관 연세대학교

주요연구분야 공학 > 기계공학 > 기계공학 일반 TOP 5% 공학 > 기계공학 > 자동차공학

논문수 230 이용수 13,957

이 논문과 함께 이용한 논문

딥러닝 및 영상처리 융합기술 기반 금속설비 결함탐지

박준범 , 박예슬 , 김영준 대한전기학회 학술대회 논문집 2021 .10

전이학습을 이용한 비전기반 결함 탐지 알고리즘 개발

김민재 , 신종호 한국CDE학회 논문집 2020 .09

최근 본 자료

전체보기

UCI(KEPA) : I410-ECN-0101-2022-530-001092070

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (19)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)