기계 비전 검사 및 식별을 위한 의미론적 분할 합성곱 신경망(Convolutional Neural Network, CNN) 모델은 측정 대상 객체의 부품, 치수 등의 특성을 인식하고 측정할 수 있습니다. 기계 비전 검사 및 식별에서 부품 또는 주요 부위 인식 수요 증가와 CNN 모델 일부 가중치 손실 문제를 해결하기 위해 라벨 보유 Softmax 알고리즘 기반의 의미론적 분할 전이 학습 기법이 제안되었습니다. 기계 비전 검사 및 식별 의미론적 분할 전이 학습 모델링 방법을 연구하였으며, 분석 결과 전체 모델 가중치 미세 조정 전이 학습을 시도할 수 있어 초기 모델 손실 감소에 도움이 됨을 확인하였습니다. 라벨 보유 Softmax 알고리즘 기반 미세 조정 전이 학습 기법을 제안하여 탐지 대상이 약간 다른 경우에도 모델 전체 가중치 미세 조정 전이 학습이 가능합니다. 자체 구축한 데이터셋 실험에서 라벨 보유 미세 조정 전이 학습 기법이 기계 비전 검사 및 식별 요구를 충족하는 모델 훈련 시간을 42.8분에서 30.1분으로 줄였으며, 알고리즘이 효과적이고 결과가 뚜렷함을 보여주었습니다. 적용 실험에서는 전이 학습 기법이 반감독 학습으로 표준 부품 장착, 누락, 오장착 검출 및 조립 품질 식별을 실현할 수 있음을 보였으며, 신규 케이스 전이 학습 훈련 시간은 20.2분을 초과하지 않았고 검출 정확도는 100%에 달해 케이스 표준 부품 조립 품질 검사의 요구를 충족했습니다.

기계 비전; 의미론적 분할; 전이 학습; 합성곱 신경망; 미세 조정