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
- 정봉주
- 발행연도
- 2022
- 저작권
- 연세대학교 논문은 저작권에 의해 보호받습니다.
이용수27
이 논문의 연구 히스토리 (3)
2023
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 연구에서는 딥러닝 알고리즘을 사용한 초음파탐상검사(UT)의 결함 분석을 다룬다. 초음파탐상검사는 다른 비파괴검사 방법들보다 더 민감한 것으로 알려져 있어 아주 작은 균열과 같은 미세 결함을 감지할 수 있다.
현재의 UT가 사용하는 대부분의 결함 감지 기술은 주로 검사자의 지식과 경험을 기반으로 한다. 그 결과 고객과 검사자가 기대하는 결과 사이에 상당한 괴리가 발생할 가능성이 있으며, 이는 회사 내 품질보증팀의 신뢰도를 떨어뜨린다.
이에 본 연구에서는 기존 검사 방법의 단점을 극복하고 보다 정확한 결함 감지 결과를 제공하기 위해 몇 가지 효율적인 딥러닝(DL) 기술이 사용되었고, 이를 사용하는 타당성과 근거를 검증했다. 학습 메커니즘은 DL 알고리즘의 가장 독특한 기능 중의 하나이며 특히, 새롭게 업데이트되는 복잡성이 강한 이미지 데이터들을 처리하는 데 매우 유용하다.
본 연구에서 DL 알고리즘은 풍력 터빈 블레이드의 초음파탐상검사 데이터에서 결함의 모양과 특성을 추출하여 실제 결함인지 여부를 판별하고 향 후 데이터로 더 나은 성능을 제공하도록 스스로 학습한다.
본 연구에서 사용되는 여러 DL 알고리즘은 이전 연구의 평가를 기반으로 선택되었다. 실제 신호와 이미지 데이터를 전처리한 후 최적의 성능을 제공하기 위해 하이퍼파라미터 튜닝을 수행했으며, 연구의 결과는 풍력 터빈 블레이드의 결함 감지에 DL 기술을 적용하는 것이 인간 검사자가 자신의 오류를 줄이고 전반적인 검사 성능을 개선하는 데 도움이 될 만큼 충분히 유용할 수 있음을 보여주었다.
향 후에는 지속적으로 개발되고 있는 새롭고 더 강력한 DL 알고리즘이 인간과의 협업적 결함 검출 프로세스에서 더 높은 정확도와 예측 능력을 발휘할 것이다. 또한, 유사한 품질 검사 프로세스를 가진 많은 제조 산업으로 적용 영역이 확장될 것으로 기대된다.
현재의 UT가 사용하는 대부분의 결함 감지 기술은 주로 검사자의 지식과 경험을 기반으로 한다. 그 결과 고객과 검사자가 기대하는 결과 사이에 상당한 괴리가 발생할 가능성이 있으며, 이는 회사 내 품질보증팀의 신뢰도를 떨어뜨린다.
이에 본 연구에서는 기존 검사 방법의 단점을 극복하고 보다 정확한 결함 감지 결과를 제공하기 위해 몇 가지 효율적인 딥러닝(DL) 기술이 사용되었고, 이를 사용하는 타당성과 근거를 검증했다. 학습 메커니즘은 DL 알고리즘의 가장 독특한 기능 중의 하나이며 특히, 새롭게 업데이트되는 복잡성이 강한 이미지 데이터들을 처리하는 데 매우 유용하다.
본 연구에서 DL 알고리즘은 풍력 터빈 블레이드의 초음파탐상검사 데이터에서 결함의 모양과 특성을 추출하여 실제 결함인지 여부를 판별하고 향 후 데이터로 더 나은 성능을 제공하도록 스스로 학습한다.
본 연구에서 사용되는 여러 DL 알고리즘은 이전 연구의 평가를 기반으로 선택되었다. 실제 신호와 이미지 데이터를 전처리한 후 최적의 성능을 제공하기 위해 하이퍼파라미터 튜닝을 수행했으며, 연구의 결과는 풍력 터빈 블레이드의 결함 감지에 DL 기술을 적용하는 것이 인간 검사자가 자신의 오류를 줄이고 전반적인 검사 성능을 개선하는 데 도움이 될 만큼 충분히 유용할 수 있음을 보여주었다.
향 후에는 지속적으로 개발되고 있는 새롭고 더 강력한 DL 알고리즘이 인간과의 협업적 결함 검출 프로세스에서 더 높은 정확도와 예측 능력을 발휘할 것이다. 또한, 유사한 품질 검사 프로세스를 가진 많은 제조 산업으로 적용 영역이 확장될 것으로 기대된다.
목차
제1장. 서론 11.1 연구의 배경 11.2 연구의 목적 31.3 연구범위 및 논문의 구성 4제2장. 이론 및 선행연구 분석 62.1 초음파탐상검사 62.2 딥러닝을 이용한 초음파탐상검사 92.2.1 딥러닝 프레임워크 92.2.2 이상 탐지 알고리즘 112.2.3 다층신경망 분류 알고리즘 122.2.4 객체 탐지 알고리즘 142.3 딥러닝을 이용한 품질검사 20제3장. 딥러닝 기반 결함 분석 알고리즘 223.1 분석방법론 223.2 수집 데이터 선정 243.3 입력데이터 전처리 263.3.1 신호 데이터 263.3.2 이미지 데이터 283.4 딥러닝 알고리즘 선정 293.4.1 신호 데이터 분석 알고리즘 293.4.2 이미지 데이터 분석 알고리즘 31제4장. 알고리즘 비교 및 결과 분석 334.1 신호 데이터 분석 알고리즘 334.1.1 이상탐지 알고리즘 ? Unsupervised VAE(Variational Auto Encoder) 344.1.2 다층신경망 분류 알고리즘 - ResNet Classification 364.2 이미지 데이터 분석 알고리즘 394.2.1 YOLO (You Only Look Once) 394.2.2 Faster R-CNN 42제5장. 결론 445.1 결론 및 시사점 445.2 향후 연구 방향 46참고문헌 47ABSTRACT 51
최근 본 자료
댓글(0)
0