Earticle

초록

영어

Artificial Intelligence is being applied across various industrial sectors, with the railway industry being no exception. In this study, we propose a railway surface fault detection method based on Semi-Supervised Learning (SSL). Our approach utilizes a backbone model derived from the ImageNet pre-trained DeepLabV3+ architecture. To adapt this original semantic segmentation model for image-level binary classification, we removed the Decoder and Segmentation Head and integrated a novel classifier based on Global Average Pooling (GAP). The model is trained using a two-branch architecture that provides multi-view predictions to leverage unlabeled data through a consistency loss calculation. We successfully achieved a maximum accuracy of 90% even when less than 50% of the total training data was labeled. This result demonstrates that our proposed SSL framework can effectively help mitigate the burden and cost associated with manual data labeling.

한국어

인공지능은 현재 다양한 산업 분야에 걸쳐 적용되고 있으며, 철도 산업도 예외가 아니다. 우리는 본 연구에서는 준지도 학습(Semi-Supervised Learning)에 기반한 철도 표면 결함 검출 방법을 제안한다. 우리가 제안하는 모델 학습에는 ImageNet으로 사전 학습된 DeeplabV3+ 모델을 철로 결함 검출에 적용될 수 있도록 변형한 모델을 사용하였다. 본래 Semantic Segmentation 모델인 DeeplabV3+를 이미지 단위 이진 분류에 적합하도록 Decoder와 Segmentation Head를 제거하고 Global Average Pooling(GAP) 기반 분류기로 새롭게 변형하여 백본 모델로 채택하였다. 비라벨(unlabeled) 데이터는 consistency loss를 계산하여 모델 학습에 활용되었다. 또한, 일관성 손실(consistency loss)을 반영하기 위해 multi-view 예측을 제공하는 이중 분기(two-branch) 방법을 적용하였다. 실험 결과, 전체 학습 데이터의 50% 미만만 라벨링된 경우에도 최대 90%의 정확도를 달성하였다. 이 결과는 우리가 제안한 준지도 학습 프레임워크가 라벨링 비용 문제 완화에 도움을 줄 수 있다는 것을 보여준다.

저자

• 한석민 [ Seokmin Han ]

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  The Journal of the Convergence on Culture Technology (JCCT) [문화기술의 융합]

• 간기

  격월간

• pISSN

  2384-0358

• eISSN

  2384-0366

• 수록기간

  2015~2026

• 등재여부

  KCI 등재

• 십진분류

  KDC 600 DDC 700