딥러닝 기반 장비 고장 검출 시스템의 성능은 샘플 집합의 규모와 범주 다양성에 크게 의존합니다. 산업 생산 현장에서 다양한 고장 샘플을 포괄적으로 수집하기 어렵기 때문에 샘플 집합 확장의 필요성이 있습니다. 본 논문에서는 3D 모델과 개선된 CycleGAN을 결합한 고장 데이터셋 확장 방법을 제안합니다. 먼저 3D 모델링 소프트웨어를 활용하여 다양한 고장 이미지를 시뮬레이션 생성하고, 이를 CycleGAN 전이 네트워크 입력으로 사용하여 실제 고장 이미지 생성을 유도함으로써 샘플 부족 및 분포 불균형 문제를 해결합니다. 둘째, CycleGAN 네트워크의 생성기를 개선하여 U-ResNet 생성기를 제안함으로써 데이터셋 확장 과정에서 발생하는 경계 흐림과 기울기 소실 문제를 해결합니다. 본 방법을 벨트 컨베이어 이탈 검출 작업에 적용한 결과, 타 확장 방법에 비해 윤곽 구조 수렴이 빠르고 시효성이 우수하며, 목표 검출 네트워크에 적용 시 정확도는 98.1%에 도달하여 원래 실제 데이터셋 대비 4.5% 향상된 성과를 보였습니다. 이는 본 데이터셋 확장 방법이 고장 데이터셋 범주 분포 균형과 높은 이미지 품질 요구를 충족할 수 있음을 보여줍니다.

데이터셋 확장;3D 모델;CycleGAN;U-ResNet;벨트 컨베이어