A Study on Real-Time Weld Image Segmentation Based on Transfer Learning for Detecting Abnormalities in Weld Bead Width

본 논문에서는 용접 비드 이미지 분석을 위한 전이 학습 기반의 딥러닝 세그멘테이션 모델 적용에 관해 다룬다. 기존의 이미지 처리 방법들은 용접 과정에서 발생하는 그을음, 스패터와 같은 노이즈 및 불규칙한 명암 분포에 취약함을 보였으나, 본 연구는 ResNet34 백본을 활용한 전이 학습을 통해 이러한 문제들을 극복하고 적은 양의 데이터로도 뛰어난 성능을 달성할 수 있는 방법을 제시하였다. 이 방법은 특히 데이터가 부족한 산업 현장에서도 우수한 결과를 나타냈다. 이 연구에서는 ResNet34, ResNet50, VGG16, VGG19, EfficientNet_B0, EfficientNet_B3를 백본으로 한 6가지 맞춤형 UNet 아키텍처를 개발하여 각 모델의 세그멘테이션 성능을 평가하였다. 실험 결과, UNet + ResNet34 모델은 다른 모델들과 비교하여 가장 낮은 평균 손실값(0.023)과 가장 높은 다이스 계수(0.956)를 기록함으로써 우수한 세그멘테이션 성능을 보였다. 이는 특히 불분명한 용접 비드 경계를 갖는 복잡한 이미지 조건에서도 비드 영역의 정확한 탐지가 가능함을 나타내며, 실제 산업 현장에서의 활용 가능성을 입증하였다. 실제 산업 현장에서 직접 수집한 용접 비드의 이미지 데이터셋을 수집하여 공개하였고, 이 데이터를 이용해 전이 학습 기반의 세그멘테이션 모델을 평가하였다. 이를 통해 모델의 실용성과 적용 가능성을 검증하고, 최적화 방법을 개발함으로써, 용접 비드 검사의 정확성과 효율성을 크게 향상시켰다. 본 연구는 딥러닝 기술과 전이 학습의 효과적인 결합을 통해 산업 현장에서의 복잡한 문제들을 해결할 수 있는 새로운 가능성을 제시하며, 향후 연구와 기술 개발에 중요한 기여를 할 것으로 기대된다.