Core Concepts
본 연구는 기계 학습 및 컴퓨터 비전 기술을 활용하여 닭고기 도체의 자동 결함 탐지 및 품질 평가를 위한 효과적인 접근 방식을 제안한다.
Abstract
이 연구에서는 CarcassFormer라는 종단간 트랜스포머 기반 프레임워크를 제안했다. CarcassFormer는 닭고기 도체 영역을 동시에 위치 파악, 분할 및 결함 여부를 판단할 수 있다.
데이터셋 구축:
7,321장의 이미지로 구성된 닭고기 도체 데이터셋을 수집하고 전문가들이 정밀하게 주석을 달았다.
방법론:
CarcassFormer는 백본 네트워크, 픽셀 디코더, 마스크 어텐션 트랜스포머 디코더, 인스턴스 마스크 및 클래스 예측 등 4가지 주요 구성 요소로 이루어진다.
다양한 실험을 통해 CarcassFormer가 CNN 기반 네트워크와 트랜스포머 기반 네트워크를 모두 능가하는 성능을 보였다.
결과:
단일 도체 및 다중 도체 이미지에 대해 CarcassFormer는 AP, AP@50, AP@75 등의 지표에서 우수한 성능을 달성했다.
정성적 결과에서도 CarcassFormer가 깃털, 상처 등 세부 사항을 잘 포착하고 정확하게 도체를 위치 파악 및 분할하는 것으로 나타났다.
Stats
단일 도체 이미지에서 CarcassFormer(ResNet-34)의 AP는 97.70, APnormal은 98.02, APdefect는 97.38이다.
다중 도체 이미지에서 CarcassFormer(ResNet-34)의 AP는 89.72, APnormal은 93.48, APdefect는 85.96이다.