PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.28077v1cs.CV

TEEP-RCNN: Faster R-CNN 내 개선된 합성곱 블록 어텐션을 통한 강판 표면 결함 탐지용 텍스처 강화 및 에지 인식 인지 모델

TEEP-RCNN: Texture-Enhanced Edge-aware Perception for Steel Surface Defect Detection via Improved Convolutional Block Attention in Faster R-CNN

강판 표면 결함 탐지는 자동화된 산업 품질 관리에 매우 중요하지만, 클래스 간 미세한 텍스처 차이와 뚜렷한 클래스 불균형으로 인해 여전히 어려운 과제로 남아 있습니다. 본 논문에서는 Feature Pyramid Network 백본 및 개선된 합성곱 블록 어텐션 모듈(Convolutional Block Attention Module, CBAM)을 갖춘 Faster R-CNN 기반의 2단계 탐지기인 TEEP-RCNN(Texture-Enhanced Edge-aware Perception Region-based CNN)을 제안합니다. 제안하는 CBAM은 채널 어텐션 MLP에 드롭아웃(dropout) 정규화를 추가하고 공간 어텐션 브랜치에 배치 정규화(batch normalization)를 적용하여, 공동 적응(co-adaptation)을 줄이고 게이팅 로짓을 안정화합니다. 학습(training)에는 코사인 어닐링 웜업이 포함된 차등 학습률(learning rate) 프로토콜을 사용하여 사전학습(pre-training)된 ResNet-101 백본과 탐지 헤드의 업데이트 속도를 분리합니다. 추론(inference) 시에는 테스트 시점 증강(Test-Time Augmentation)과 Weighted Box Fusion(WBF)을 결합하여 예측을 보정함으로써, 가늘고 긴 결함 및 경계 인접 결함에 대한 위치 추정 안정성을 향상시킵니다. 6가지 결함 카테고리를 포괄하는 NEU-DET 벤치마크에서 TEEP-RCNN은 단일 GPU로 단 10회 학습 에포크(epoch)만에 73.3\% mAP@50 및 37.9\% mAP@50-95를 달성하여, YOLOv11m(76.2\% mAP@50, 100 에포크)과 대등한 성능을 보이면서도 COCO 지표 기준 rolled-in-scale 카테고리에서는 이를 능가했습니다. 클래스별 분석에 따르면 공간 어텐션 브랜치는 패치(patch) 및 스크래치(scratch)와 같은 가늘고 긴 텍스처 결함에 가장 효과적이었으며, 균열(crazing)은 분산된 비국소적(non-local) 텍스처 구조로 인해 두 패러다임 모두에서 여전히 미해결 과제로 남아 있습니다.