Earticle

In this study, we transformed 4680 type lithium-ion batteries to 3-dimensional CAD models and present a methodology to detect defects using Radon inverse transformation. Transparency was applied to the model to make it look like a CT image when viewed from the front. One normal and three defect models were created and analyzed. The models were saved as image files while rotating at a certain angle. Then, we used the Radon inverse transformation to reconstruct the original 3D geometry from the image files. Finally, we successfully found defects in the defect models for three cases.

Injection-molded products frequently exhibit localized surface defects such as weld lines, flow marks, scratches, bubbles, and burn marks due to variations in material flow, mold temperature, and cooling conditions. Conventional visual inspection is highly dependent on operator experience, while rule-based machine vision methods are limited under variations in lighting and surface texture. This study proposes a deep learning–based defect detection model using YOLOv8 combined with a novel Defect-Aware Augmentation technique designed to enhance robustness for small, local defect regions. The proposed augmentation pipeline includes geometric transformations, optical perturbations, local defect patch synthesis, and diffusion-based synthetic defect generation. Experiments were conducted on a custom dataset of 5,000 images (3,000 normal and 2,000 defective). Results show that the proposed model achieves significant improvements over baseline models, obtaining 95% precision, 90% recall, and 0.96 mAP@0.5, outperforming the default YOLOv8 model by 7%p in mAP. Ablation studies verify that defect-aware augmentation is the dominant factor contributing to the performance gain. The proposed system demonstrates high applicability for automated quality inspection in injection- molding production lines.

공장 자동화 분야에서 자동 검사 시스템은 기존의 수작업 검사 작업을 대체하여 효율성과 생산성을 향상 시키며, 제조업체들은 생산 과정의 품질 관리를 강화하고 불량률을 감소시키는 경제적 이점을 얻을 수 있다. 본 연구에서는 공정 라인의 압출부 타겟 검출, 즉 압출부의 정확한 위치를 식별하는 것을 목표로 한다. 일반 RGB 카 메라를 사용하여 실제 공정 라인에서 이미지 데이터를 획득하였고, 템플릿 매칭(Template Matching) 알고리즘을 활용하여 압출부의 위치를 검출하였다. 평가 지표로는 IoU(Intersection over Union) 임계값이 주어진 경우에 대 한 평균 정밀도(Average Precision)를 사용하였다. 본 연구에서 제안한 템플릿 매칭 기반의 압출부 타겟 검출 방 법은 기존의 비전 검사 시스템에 비해 경제적이고 간편한 솔루션을 제공하며, 공정의 생산성을 향상시키고 제품의 품질 유지에 도움이 될 것으로 기대된다.

In the field of factory automation, an automated inspection system replaces manual inspection tasks, leading to improved efficiency and productivity. Manufacturing companies can enhance quality control in the production process and achieve economic benefits by reducing defect rates. This research focuses on the detection of extrusion target positions in a production line. Real-world image data was acquired using a standard RGB camera, and a template matching algorithm was employed to detect the positions of extrusion targets. The evaluation metric used was the average precision for a given Intersection over Union (IoU) threshold. The proposed template matching-based approach for extrusion target detection offers an economical and straightforward solution compared to traditional vision inspection systems. It is expected to enhance production efficiency and contribute to maintaining product quality in the manufacturing process.

본 연구에서는 프레스 시험 중 시편에서 발생하는 음향방출 신호와 신호필터링을 통해 시편의 건전성을 평가하 는 연구를 진행하였으며, 실험결과를 통해 음향방출 진동횟수와 최대진폭 두 개의 음향방출 파라미터를 프레스 시편 건전성 판단에 적용하고자 한다. 프레스 장치를 이용한 구멍확장시험 중에는 시편에서 탄성파가 발생하며, 탄성파를 음향방출 센서를 통해 수집하였다. 이 신호를 바탕으로 음향방출 파라미터를 획득한 뒤, 시편의 크랙을 감지하는 연구를 진행하였다. 명확한 건전성 판단을 위해 STFT(Short Time Fourier Transform)와 고주파수 통과 필터(High-Pass Filter)를 이용하였다. 향후 본 연구에서 제안하는 신호 처리 기법 및 해당 파라미터를 활용한다면 프레스공정에서의 시편 건전성 평가 성능을 향상시킬 수 있을 것이라 생각된다.

This study developed the health monitoring method of press process using the acoustic emission (AE) sensor and high-pass filter. Also, the AE parameters such as ring-down count and peak amplitude are used. Based on this AE signal, the AE parameters were acquired and was utilized to detect the crack of the specimen. Since the defect detection is difficult due to noise and low magnitude of signal, the signal noise and press operation frequency were checked through the Short Time Fourier Transform(STFT) and damped. High-pass Filtering data was applied to AE parameters to select effective parameters. By using this signal processing techniques, the proposed AE parameters could improve the performance of defect detection in the press process.

본 연구는 고령자연구패널조사 자료를 사용하여 노인들의 신체적 운동과 사회적 네트워크 참여가 우울증상 경험 가능성에 어떤 영향을 미치는지를 살펴본다. 본 연구는 로지스틱 모형을 기반으로 분석을 수행하였다. 노인의 우울에 영향을 미치는 광범위한 통제변수들을 분석모형에 포함시켜 누락변수편이를 최소화 하였다. 또한 서로 다른 여가활동 방식이 우울에 미치는 복합적인 영향을 분석하였다는 점에서 기존 연구와 차별성을 가진다. 실증분석 결과는 신체적 운동과 사회적 네트워크에 참여하는 노인은 그렇지 않는 노인들에 비해 우울증을 경험할 가능성이 더 낮음을 보인다. 본 연구는 신체적 운동이나 사회적 네트워크가 노인들의 정신 건강에 긍정적인 영향을 미친다는 실증적 근거를 제시함 으로써, 여가활동이 노인의 신체적, 정신적 건강에 영향을 미치는 메커니즘을 분석하는 연구에 기반을 제공한다.

Using the Korean longitudinal study of ageing(KLoSA), this study examines the effect of the participation in physical exercises and in social networking on the experience of depressive symptoms among elderly. This study differs from previous studies in two ways. First, this study avoids omitted variable bias by using an extensive set of control variables that are associated with the experience of depressive symptoms. Second, this study explores the composite effect of two different leisure time activities. This study provides empirical evidence that the participation in physical activities and in social networking reduces the probability of experiencing depressive symptoms. This study provides important insights on the future research on the mechanism how leisure time activities influence physical and mental health of elderly.

농가를 운영함에 있어서 수확한 작물에 대한 품질을 평가하여 불량품을 분류하는 작업은 매우 중요하다. 그러나, 농가는 부족한 자본과 인력으로 인하여 품질평가에 소요되는 비용과 시간을 감당하는데 어려움이 있다. 이에 본 연구는 인공지능 기술인 딥 러닝 알고리즘을 이용하여 과일의 표피를 분석함으로써 불량을 검출하고자 한다. 과일을 촬영한 동영상 이미지에 대하여 영역기반 합성곱 신경망(Region Convolutional Neural Network)을 기반으로 한 YOLOv3 알고리즘을 적용하여 표피를 분석할 수 있는 모델을 개발하였다. 총 4개의 클래스를 정해서 학습을 진행하였고, 총 97,600번의 epoch을 통해서 우수한 성능의 불량검출 모델을 얻을 수 있었다. 본 연구에서 제안한 농작물 불량검출 모델은 데이터 수집, 분석된 데이터를 통한 품질평가, 그리고 불량검출에 이르는 과정의 자동화에 활용될 수 있다. 특히, 농작물들 중에서도 외상에 가장 취약한 복숭아를 대상으로 분석모델을 개발하였기 때문에, 다른 작물에도 적용될 수 있을 것으로 기대된다.

In the operation of farms, it is very important to evaluate the quality of harvested crops and to classify defective products. However, farmers have difficulty coping with the cost and time required for quality assessment due to insufficient capital and manpower. This study thus aims to detect defects by analyzing the epidermis of fruit using deep learning algorithm. We developed a model that can analyze the epidermis by applying YOLOv3 algorithm based on Region Convolutional Neural Network to video images of peach. A total of four classes were selected and trained. Through 97,600 epochs, a high performance detection model was obtained. The crop failure detection model proposed in this study can be used to automate the process of data collection, quality evaluation through analyzed data, and defect detection. In particular, we have developed an analytical model for peach, which is the most vulnerable to external wounds among crops, so it is expected to be applicable to other crops in farming.

Weld defect inspection is essential to ensuring the safety of weld joints. However, this is a subjective, complex, and labor-intensive task for workers. To relieve this problem, this paper aims to weld defect detection tasks by applying the stateof- the-art YOLOv5x-seg by modifying the YOLOv5 network. In particular, we attempt to utilize the pixel-level polygon representation. Experimental results show that it achieves 82.6% mAP@0.5. In conclusion, our result shows that YOLOv5xseg can successfully perform weld defect detection tasks.

The imbalance of datasets is a significant challenge in training deep neural networks. Especially in manufacturing, there is only one form of ‘normal’, while defects are endless. This disproportion in sample distribution makes models prone to overfitting, resulting in degraded performance. To mitigate this problem, we propose C4, a Color-Channel Concatenation with Contrastive Loss, a defect detection framework based on Siamese Networks. We performed a case study on industrial automation technologies, especially in sealant defect classification. C4 achieves an F1- score of 94.54% and an accuracy of 94.21%, demonstrating its effectiveness in handling class imbalance.

금속 표면의 미세 결함은 제품의 품질과 안정성에 중요한 영향을 미치기 때문에 산업 현장에서 정 밀한 검사 과정이 필수적이다. 그러나 기존 검사 방식은 검사자의 주관적 판단에 따라 결과가 달라 질 수 있어, 이를 보완하기 위해 인공지능 기반 탐지 모델이 주목받고 있다. 본 연구에서는 1-stage 모델 YOLO(You Only Look Once)11과 2-stage 모델 Faster R-CNN의 금속 표면 미세 결함 탐지 성능을 비교하였다. 정밀도(Precision), 재현율(Recall), 추론 시간을 주요 성능 지표로 평가한 결과, YOLO11은 실시간 탐지 속도에서, Faster R-CNN은 정밀도에서 우수한 성능을 보였다. 본 연구는 금속 표면 결함 검사 자동화 시스템 구축을 위한 기초 자료를 제공하며, 향후 인공지능 기반 결함 검출 기술의 발전 방향을 제시하는데 기여할 것으로 기대된다.

공장에서의 대량 생산으로 사람이 직접 결함을 발견하는 것은 더욱 힘들어졌다. 결함 발견은 품질 관리 에서 필수적이므로 자동화된 결함 감지의 수요가 증가하고 있다. 이에 따라 컴퓨터 비전 기술을 이용하여 자동화 된 결함 발견으로 생산성을 향상하고 비용을 절감할 수 있는 연구가 관심을 받고 있다. 본 연구에서는 공기조화장치 내 부품을 생산하는 공장에서 캡과 밸브 위치에 대한 에러 검출을 하기 위해 템플릿 매칭과 딥러닝 모델 ResNet34 을 사용하였다. 실험 결과 딥러닝을 이용한 경우 템플릿 매칭보다 더 높은 정확도를 보였으며 top 이미지에서는 모든 불량 데이터를 검출할 수 있었고 side 이미지에서도 99% 이상의 불량 데이터 검출률을 기록하였다. 이러한 결과는 자동화된 결함 탐지 기술이 생산 관리의 효율적인 수단으로 활용될 수 있다는 가능성을 보여준다.

Mass production in factories has made it more difficult for humans to detect defects directly. As defect detection is essential in quality control, the demand for automated defect detection is increasing. Accordingly, research that can improve productivity and reduce costs through automated defect detection using computer vision technology is attracting attention. In this study, template matching and deep learning model ResNet34 were used to detect errors on the cap and valve position in a factory that produces parts in an air conditioning system. As a result of the experiment, when deep learning was used, it showed higher accuracy than template matching, and all defective data could be detected in the top image, and a detection rate of more than 99% was recorded in the side image. These results show the possibility that automated defect detection technology can be utilized as an efficient means of production management.

In factory automation, efforts are being made to increase productivity while maintaining high-quality products. In this study, a CNN network structure was designed to quickly and accurately recognize a cigarette located in the opposite direction or a cigarette with a loose end in an automated facility rotating at high speed for cigarette production. Tobacco inspection requires a simple network structure and fast processing time and performance. The proposed network has an excellent accuracy of 96.33% and a short processing time of 0.527 msec, showing excellent performance in learning time and performance compared to other CNN networks, confirming its practicality. In addition, it was confirmed that efficient learning is possible by increasing a small number of image data through a rotation conversion method.

I propose an algorithm to detect defects in the production of wire mesh using computer image processing. The process is explained as follows, First reading consecutive frames coming through the camera, then the preprocessing process is performed. Second calculate the absolute difference between the two images to distinguish the moving wire mesh from the unnecessary background image. Third based on the past moving data of the welded wire mesh, predict and track future movement. As a result of observing the samples of some defective welded wire mesh products, it was confirmed that the horizontal line of the defective wire mesh had a higher height value of the tracked wire netting. Therefore it is possible to judge whether there is a defect or not at the same time without any additional process to judge. Finally, shear strength test were performed on the welds determined to be normal products by the algorithm proposed in this paper, so that I could verify the reliability and validity of the proposed algorithm.

Nondestructive testing is a method of inspecting particular target objects without destructing them in industrial sites. Infrared thermal imaging is one of the nondestructive testing techniques. Among them, lock-in infrared thermography technique is a technique to detect a defect by generating a temperature difference of an object using periodic heat waves. This paper deals with the development of lock-in infrared thermography technique by using numerical analysis model for SM45C metal specimens. As a result, the appropriate frequency was determined for defect detection in SM45C metal specimen by using the established thermal behavior mechanism by periodic heat wave.

제조 산업에서 용접 결함 검사는 용접부의 신뢰성과 품질을 확보하기 위한 핵심 공정 중 하나이다. 그러나 기존의 수동 검사 방식은 검사자의 주관성, 장시간 검사로 인한 피로 누적, 그리고 숙련도 차이에 따라 검사 결과의 신뢰성 이 저하될 수 있다는 한계를 지닌다. 이러한 문제를 해결하기 위하여 본 연구에서는 인공지능(AI) 기반 컴퓨터 비전 기술을 활용한 용접 품질 자동 평가 방법을 제안한다. 구체적으로는 픽셀 수준의 세분화(segmentation)를 통해 용 접 결함을 자동으로 탐지 및 분류하고자 하였으며, 이를 위해 다양한 딥러닝 모델의 성능을 비교·분석하였다. 합성곱 신경망(CNN) 기반 모델과 트랜스포머 구조를 포함한 YOLOv5x-seg, Mask R-CNN, DeepLabv3+ 모델을 적 용하였다. 용접 결함 유형은 기공(Porosity), 융합 부족(Lack of Fusion), 용입 불량(Incomplete Penetration), 언더컷(Undercut)의 네 가지 주요 결함과 Normal Weld(정상 용접부)로 정의하였다. 먼저, 폴리곤(polygon) 형 태로 정밀하게 주석(annotation)된 용접 결함 이미지 데이터셋을 구축하였으며, 이를 각 딥러닝 모델의 학습 및 검 증에 활용하였다. 실험 결과, YOLOv5x-seg 모델은 mAP@0.5 기준 82.6%의 정확도를 기록하여 가장 우수한 성능을 나타냈으며, 다른 모델 대비 높은 결함 탐지율과 분할 성능을 확인하였다. 본 연구 결과를 통해 딥러닝 기반 용접 결함 세분화 기법이 기존의 수동검사 방식을 효과적으로 대체할 수 있음을 확인하였으며, 향후 산업 현장에서 의 실시간 용접 품질 모니터링 및 자동화 검사 시스템 구현에 대한 가능성을 입증하였다.

Weld defect inspection is a critical process for ensuring the reliability and quality of welded structures in the manufacturing industry. However, conventional inspection methods suffer from several inherent limitations, including inspector subjectivity, time-consuming procedures, fatigueinduced errors, and performance variability depending on the level of expertise. To address these challenges, this study proposes an automated weld quality evaluation method based on artificial intelligence (AI) and computer vision techniques. Pixel-level image segmentation is employed to automatically detect and classify weld defects, and the performance of various deep learning models is systematically compared. Both convolutional neural network (CNN)-based models and transformer-based architectures are implemented, including YOLOv5x-seg, Mask R-CNN, and DeepLabv3+. The proposed framework targets four major types of weld defects—porosity, lack of fusion, incomplete penetration, and undercut—along with normal welds. A weld defect image dataset with precise polygon-based annotations is constructed and utilized for model training and evaluation. Experimental results demonstrate that the YOLOv5x-seg model achieves the best overall performance, attaining a mean average precision of 82.6% at an IoU threshold of 0.5 (mAP@0.5), while outperforming the other models in both defect detection accuracy and segmentation quality. These results indicate that deep learning-based weld defect segmentation can effectively replace conventional manual inspection methods. Moreover, the proposed approach shows strong potential for real-time weld quality monitoring and the deployment of automated inspection systems in industrial environments.

본 논문에서는 하부 조명 AOI 환경에서 촬영된 나사 헤드부 영상의 특성을 고려하여, 비지도 이상 표현과 지도학습 기반 판정을 결합한 표면 이상 검출 및 분류 프레임워크를 제안한다. 제안 기법은 도메인 특화 전처리를 통해 분석 영역을 나사 헤드부 표면으로 정렬한 후, Dinomaly 기반 비지도학습을 통해 정상 분포 대비 구조적 편차를 이상 맵 형태로 추출한다. 생성된 이상 맵을 RGB 영상과 결합하여 지도학습 기반 분류기에 입력함으로써, 임계값 설정 에 의존하지 않는 안정적인 정상/이상 판정을 수행한다. 실험 결과, 제안 기법은 다양한 CNN 및 Transformer 백 본 전반에서 일관되게 우수한 성능을 보였다. 특히 Dinomaly 기반 이상 맵은 단독 입력만으로도 평균 F1-score 99.17%을 기록하여 기존 기법보다 강인한 성능을 보였으며, RGB와 이상 맵을 결합한 다중 채널 구성에서는 평균 정확도 및 F1-score 99.40%를 달성하여 최상의 분류 안정성을 확인하였다. 이를 통해 이상 맵이 단순한 시각화를 넘어 분류 성능을 실질적으로 향상시키는 고신뢰 특징 표현임을 정량적·정성적으로 확인하였다.

This study presents a surface anomaly detection and classification framework that integrates unsupervised anomaly representation with supervised learning-based decision-making, tailored to the specific characteristics of screw head images acquired under low-light automated optical inspection (AOI) conditions. The proposed methodology employs domain-specific preprocessing to accurately align the region of interest with the screw head surface, followed by the extraction of structural deviations from the normative distribution as anomaly maps via Dinomaly-based unsupervised learning. These anomaly maps are subsequently fused with RGB images and supplied to a supervised classifier, facilitating robust OK/NG classification independent of threshold selection. Experimental evaluations reveal consistently superior performance across diverse CNN and Transformer architectures. Notably, the Dinomaly-generated anomaly map, when utilized in isolation, surpasses existing approaches, achieving an average F1-score of 99.17%. In a multi-channel setting that integrates both RGB and anomaly maps, the proposed framework attains average accuracy and F1-score values of 99.40%, underscoring its exceptional classification stability. These results quantitatively and qualitatively substantiate that the anomaly map serves as a high-confidence feature representation, advancing beyond mere visualization to significantly enhance classification outcomes.

차량 패널의 미세 결함은 제품 품질과 안전성, 소비자 신뢰도에 영향을 미치는 중요한 요소로, 이러한 결 함을 조기에 탐지하는 것은 필수적인 과정이다. 기존의 품질 검사 방식은 주로 육안 점검 및 초음파 탐상 등의 비파괴 검사(Non-Destructive Testing, NDT)기법에 의존하지만, 이러한 방법은 편차가 발생할 수 있 다. 본 연구에서는 대표적인 1-stage 객체 탐지 모델인 YOLO(You Only Look Once) v5, YOLO v8, YOLO 11을 적용하여 다양한 조명 및 표면 조건에서의 차량 패널 결함 탐지 성능을 비교·분석하였다. 이 연구는 YOLO 계열 모델의 성능 차이를 분석함으로써, 제조 분야에서 결함 탐지를 위한 최적의 모델을 선 정하는 데 기여할 수 있으며, 향후 실시간 품질 관리 시스템 구축에도 활용될 것으로 기대한다.

화학플랜트 내에서 노후화된 파이프를 관리 및 모니터링 하는 시스템은 이미 적용되고 있지만, 수많은 파이프 중 결함이 생긴 득정 파이프의 위치를 찾는 것은 숙련된 작업자가 아닌 이상 어 려운 문제이며 이러한 문제점은 유지보수에 있어 많은 시간을 요구한다. 본 논문에서는 이러한 문제점을 보완하기 위해 증강현실 기술과 모바일 기기를 이용하여 직관적으로 결함 파이프의 위 치를 파악할 수 있는 방법을 제안하고자 한다. 모의 실험결과, 모바일 기기로부터 40cm 이내에서 연속하는 파이프 5개에 대해 90%의 인식률을 보였으며 파공 등의 결함을 정확히 표시하였다.

There exists a system that monitors and manages ageing pipes within a chemical plant, but it is difficult that one including skilled engineers finds a defected pipe out of numerous pipes and this requires long time to find the defected pipe. In this paper, we propose a method that can intuitively finds a location of the defected pipe using an augment reality technique and a mobile device including smart phones. Experimental results show that the proposed method provides an average of 90% accuracy to find the defected pipe with successive five pipes within 40cm from a mobile device and displays an exact location of the defect.