인위적인 표면결함을 가진 주물의 포인트 클라우드 자동 생성
Automatic Generation of Die casting Point Clouds with Synthetic Surface Defects
- 주제(키워드) 자동 생성 , 인위적인 포인트 클라우드 , 주물 , 표면결함 , 데이터 증강
- 발행기관 아주대학교
- 지도교수 류기열
- 발행년도 2021
- 학위수여년월 2021. 2
- 학위명 석사
- 학과 및 전공 일반대학원 컴퓨터공학과
- 실제URI http://www.dcollection.net/handler/ajou/000000030829
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
3차원 포인트 클라우드를 이용하여 주물의 표면결함을 검출하는 딥러닝 연구에서, 딥러닝 모델을 올바르게 훈련시키기 위해서는 표면결함이 없는 주물의 포인트 클라우드 데이터와 표면결함이 있는 포인트 클라우드 데이터가 균형 있게 필요하다. 표면결함을 가진 포인트 클라우드 데이터의 결핍으로 인해, 두 분류의 포인트 클라우드 데이터가 불균형한 문제가 발생한다. 이 문제는 부족한 분류의 포인트 클라우드 데이터를 직접 만들어 증강시킴으로써 해결할 수 있다. 이를 위해 가상의 환경을 시뮬레이션 하여 인위적인 포인트 클라우드 데이터를 자동으로 생성할 수 있는 방법을 사용한다. 주조 시뮬레이션을 사용하여 인위적인 결함을 가진 주물의 포인트 클라우드를 자동으로 생성할 수 있지만, 이 시뮬레이션을 위해 필요한 데이터에 접근하고 사용하는 것이 제한된 상황에서는 사용할 수 없다. 본 연구에서는 주조 시뮬레이션이 제한된 상황에서, 오픈소스 방식으로 인위적인 표면결함을 가진 주물의 포인트 클라우드 데이터를 자동 생성하는 시뮬레이션 방법을 제안한다. 4 단계로 이루어진 자동 생성 파이프라인을 통해, 인위적인 결함 모델을 만들고, 이를 적용한 주물의 포인트 클라우드 데이터를 만든다. 실험에서는 자동 생성 파이프라인의 각 단계에서 생성되는 결과물을 확인하여 결함이 없는 주물에 효과적으로 인위적인 표면결함을 적용한 포인트 클라우드를 자동 생성할 수 있음을 보였다. 하지만 자동 생성된 포인트 클라우드는 LiDAR 스캐닝을 통해 생성된 그것과 다르다. 또한 이는 지도 학습을 위해 필요한 어노테이션이 되지 않았다. 따라서 향후 인위적인 표면결함을 가진 주물의 어노테이션 된 포인트 클라우드 데이터를 LiDAR 스캐닝 시뮬레이션을 이용해서 자동 생성하는 방법에 대한 연구를 진행할 것이다.
more초록/요약
In deep learning research that detects surface defects of castings using 3D point clouds, ‘defects’ and ‘no-defects’ are required in balance to train a model. Class imbalance problem occurs due to the lack of ‘defects’. This problem can be solved by creating ‘defects’ for data augmentation. For this, it is used a method that can automatically generate synthetic point clouds by simulation. Although casting simulation can be used to automatically generate ‘defects’, it cannot be used in situations where the data required for the simulation are limited to access and use to. We propose an open-sourced method that automatically generates ‘defects’ in situations where casting simulation is limited. Through the automatic creation pipeline consisting of four steps, 3D models of synthetic defect are created and point clouds with synthetic defects are created. In the experiment, it was shown that it is possible to effectively auto-generate ‘defects’ by checking the results generated in each step of the automatic generation pipeline. However, the auto-generated point clouds are different from the point clouds by LiDAR scanning. Also, they did not be annotated for supervised learning. Therefore, in the future, we will proceed with research on a method of automatically generating annotated point clouds of castings with synthetic surface defects using LiDAR scanning simulation.
more목차
제1장 서 론 1
제2장 관련 연구 3
제1절 시뮬레이션을 이용한 인위적인 데이터 생성 3
제2절 주조 결함을 위한 시뮬레이션 4
제3장 오픈소스 방식의 자동 생성 6
제1절 생성 방법 6
제2절 변형 단계 10
제3절 크기 조절 단계 & 위치 선정 단계 15
제4절 모델링 단계 17
제4장 실험 및 고찰 19
제1절 환경 설정 19
제2절 실험 결과 27
제3절 실험 고찰 31
제5장 결론 및 제언 32
제1절 결론 32
제2절 한계점 32
제3절 향후 연구 33
참고문헌 34
