Exponential NMS : 금속 외관의 오탐 성능 개선을 위한 효과적인 바운딩 박스 중첩 억제 기법

초록

최근 스마트 팩토리에서 제품 생산성을 향상시키기 위해, 딥러닝(Deep Learning)을 활용한금속 외관의 결함 탐지 모델을 도입하는 사례가 증가하고 있다. 그러나 금속 외관에서 결함탐지를 진행할 시, 모델이 바운딩 박스(BBox:Bounding Box)를 중첩해서 예측하는 경우가빈번히 발생한다. 일정 비율 이상 중첩된 바운딩 박스를 억제하는 비 최대 억제(NMS : NonMaximum Suppression)를 사용하더라도, 크기 차이로 인해서 억제되지 못한 바운딩 박스는오탐(FP:False Positive)으로 분류되어 모델의 성능 저하를 유발한다. 따라서 본 논문에서는간단한 수정만으로 기존 방식들과 비교해서 오탐 수를 줄일 수 있는 Exponential NMS를 제안한다. 제안하는 기법의 검증을 위해서 YOLOv4, EfficientDet 모델을 사용해 기존 비 최대억제 기법들과 성능 비교 실험을 진행하였다. 실험 결과 YOLOv4 모델에서 평균 정밀도(Precision)는 0.0255 이상 향상하였고, 평균 F1-score는 0.02 이상 향상하였다. EfficientDet모델에서 또한 평균 정밀도와 평균 F1-score는 각각 0.0088, 0.0054 이상 향상되었다. 해당결과를 통해서 Exponential NMS가 기존 비 최대 억제 기법을 능가함을 입증하였다.

키워드