UNet, GAN, CNN을 활용한 자동화된 직물 패턴 인식을 위한 종단 간 딥러닝 프레임워크

요약

CNN, GAN, UNet 기반 노이즈 제거를 통합한 종단 간 딥러닝 프레임워크가 짜여진 직물 패턴의 자동 인식을 위해 개발되었습니다. 증강 및 합성 이미지 생성은 견고성을 향상시켰습니다. 이 방법은 99.1%의 정확도를 달성하여 산업용 섬유 검사에 확장 가능한 솔루션을 제공했습니다.

초록

고급 직물의 품질과 생산은 전통적으로 수작업 육안 검사를 통해 식별되는 직조 무늬의 정확한 인식에 크게 의존합니다. 하지만 이 접근법은 주관적이고 시간이 많이 소요되며 오류가 잦습니다. 머신러닝 방법은 자동화를 제공하지만, 조명과 영상 변화에 민감한 수제 기능에 의존하는 경우가 많아 견고함과 확장성이 제한됩니다. 심지어 딥러닝 모델도 실제 획득 조건의 도메인 이동으로 인해 일반화 문제에 직면하며, 이러한 문제를 해결하기 위해 종단 간 패브릭 분류를 위해 합성곱 신경망(CNN)과 생성적 적대 네트워크(GAN)를 결합한 새로운 딥러닝 프레임워크가 제안되었습니다. 이 접근법은 기하학 및 광도 데이터 증강과 UNet 기반 이미지 노이징을 통합하며, GAN 구성 요소는 고품질 합성 이미지를 생성하여 학습 다양성과 특징 학습을 향상시킵니다. 직조 직물 데이터셋에서의 실험 결과, 이 방법은 99.1%의 균형 잡힌 정확도로 최첨단 성능을 달성하며, 정확성, 일반화 가능성, 시각적 왜곡에 대한 견고성 면에서 기준선 모델을 능가함을 보여줍니다. 이 프레임워크는 자동화된 섬유 검사를 위한 확장 가능하고 신뢰할 수 있는 솔루션을 제공하며, 산업용 직물 제조의 효율성 향상과 수작업 감소에 중요한 영향을 미칩니다. 이 연구는 CNN, GAN, U자형 합성곱 신경망(UNet) 모듈을 하나의 최적화 기반 학습 파이프라인으로 통합하며, 잡음 제거, 데이터 생성, 분류를 별도의 프로세스로 취급하지 않습니다. 공동 학습 메커니즘은 생성 및 판별 네트워크 간에 피드백 루프를 만들어 표준 미세 조정 관행보다 한 단계 더 나아간 방법론적 접근을 가능하게 합니다.

서론

디자인, 재디자인, 질감 분석, 그리고 재료의 미적 외관은 모두 직물 생산에서 가장 중요한 요소인 패턴에 크게 영향을 받습니다. 직물은 수공예 천에서 현대 기계 생산 디지털 직물로 발전한 역사적 인간의 발명품^입니다. 직조 기계로 가공되기 전에 직물 무늬를 식별해야 합니다. 오늘날에는 현미경이나 돋보기와 같은 도구로 보완된 시각적 인식에 의존하는 전통적인 방법들이 천 무늬 탐지의 주된 수단으로 남아 있습니다. 보통 필요한 교육과 경험을 갖춘 전문가가 이 수동 평가를 수행합니다. 하지만 과도한 노동, 비효율성, 시간 소모 등 여러 단점과 신체적·정신적 스트레스, 무기력, 피로와 같은 심리적 문제들이 궁극적으로 식별 결과에 영향을 미칩니다. 따라서 원단 패턴을 식별하고 고객의 요구를 충족하는 고품질 제품을 생산하기 위해서는 컴퓨터화된 검사 접근법^{이 필요합니다.}

직물 패턴 인식은 최근 주목을 받고^{큰 성공을} 거두었습니다. 대체로 직조 패턴을 인식하는 방법은 두 가지 유형이 있습니다: 텍스처 기반 통계 방법과 모델 기반 방법입니다. 텍스처 기반 통계 방법은 사전 처리된 이미지를 사용합니다. 광도 미분 분석을 기반으로 한 방법이 적응형 위너 필터와 히스토그램 평등화를 사용하여 다양한 방향에서 직물 구조에 대한 정보를 수집하는 방법이 수행^{되었습니다.} 그 후 적응형 메시 모델을 사용해 이미지를 하위 이미지로 나누어 회색 척도의 특징을 추출했습니다. 작업은 단순 직조 재료에 한정되었지만, 이 모델은 직조 구조 내 교차 지점을 찾는 데 신뢰성이 높았습니다. 인식 또는 분류 알고리즘은 데이터베이스/모델 기반 인지 기법에서 재료의 직조 패턴을 인식하고 매칭하기 위해 사용됩니다.

패브릭 텍스처는 로컬 이진 패턴(LBP)과 회색 수준 공현 행렬(GLCM⁾⁵를 통해 특징을 추출한 후 지지 벡터 기계(SVM)를 사용하여 분류되었습니다. LBP와 GLCM의 결합 사용은 각각 기술자에 비해 인식 성능을 향상시켰으며; 하지만 이 방법은 전적으로 수제 기능에 의존했으며, 뜨개질이나 부직조 직물에 대해서는 평가되지 않았습니다. 직조 직물 패턴은 변환 불변 저랭크 텍스처(TILT)와 방향성 그라디언트 히스토그램(HOG)을 사용해 확인되었으며, 퍼지 c-평균 군집화(FCM⁾⁶를 이용해 날실과 위실의 교차점도 검출되었습니다. 이 방법은 상당한 회전 변동에서 한계가 있었고, 이중 실 직조 구조 탐지에 효과가 떨어졌다. 또한, 복잡한 텍스처 분석을 위해 시각화 전략을 갖춘 개선된 합성곱 신경망(CNN)이 제안되었습니다; 그러나 검증은 제한된 데이터셋과 제한된 실험 조건⁷.

텍스처 데이터는 CIE-Lab 색상 모델과 공존 매트릭스를 사용하여 추출되었으며, 이후 자기조직화 지도(SOM) 네트워크를 활용해 천 직조 패턴⁸을 분류하였습니다. 하지만 이 알고리즘들의 성능과 정확성은 데이터베이스 크기에 의해 영향을 받았습니다. 섬유는 섬유 섬유로 구성된 평면 재료입니다. FabricNet은 특수 클래스 기반 앙상블 CNN 아키텍처를 사용하여 개발되었으며, 이미지⁹에서 섬유 섬유를 식별하는 초기 기법 중 하나였습니다. 패브릭 데이터셋을 활용해 Faster R-CNN, SSD, Residual Network(ResNet50), ResNet101 알고리즘을 통해 정확한 광섬유 인식을 위한 딥러닝 접근법이 구현되었으며, Faster R-CNN이 가장 효과적이라고 평가받고 있습니다.

펄스 결합 신경망(PCNN) 방법은 다른 접근법보다 우수한 성능을 보였으며, 날개 직물 데이터베이스에 대한 추가 연구의 필요성을 강조했습니다¹⁰. 섬유 인식은 수동 육각 검사의 시간이 많이 소요되어 여전히 어렵으며, 연구에서는 잔류 네트워크(ResNet)를 이용한 분류 및 특징 추출을 위한 데이터 증강 및 전이 학습이 적용되었으며, 대부분의 연구는 수제 직조와 파워룸 직물의 구분에 집중되어 있습니다. 다양한 코 유형을 찾고 식별하는 방법도 제안되었으나, 실험은 뜨개질과 안뜨기 코에 한정되었습니다¹¹. 초기 많은 기법들은 단일 이미지를 이용해 원단 프로토타이핑을 리버스 엔지니어링했습니다. 또한, 결함 있는 플리스 직물에서 특징 추출 및 분류를 위해 주성분 분석 기반의 차원 축소 접근법이 도입되어, K-최근접 이웃 분류기가 나이브 베이즈 분류기보다 더 높은 정확도를 달성함을 입증했습니다.

또한 인도 북동부 아삼의 토착 직조공들로부터 수집된 6가지 유형의 수직직 직물 이미지 25,166장의 태그 데이터셋에 적용된 심층 측정 학습 알고리즘을 사용하여 수직기 직물의 자동 식별이 이루어졌습니다¹². 학습된 특징 공간 내에서 섬유 유형을 효율적으로 분리할 수 있도록 편향된 특징 표현을 학습함으로써, 광범위한 테스트 및 기준선 모델과의 비교 후 97.8%의 분류 정확도를 달성했습니다. 데이터 증강 및 전이 학습을 기반으로 한 딥러닝 모델도 레지듀얼 네트워크(ResNet)를 사용하여 직물 분류를 위해 제안되었으며, 정확도, 균형 잡힌 정확도, F1 점수를 활용해 성능을 평가합니다; 실험 결과는 모델이 안정성을 유지하며 직물의 물리적 특성이 변해도 최첨단 정확도를 달성함을 보여줍니다¹³.

딥러닝은 반복 특성과 합성곱 특성을 결합한 아키텍처를 이용해 3차원 섬유 기하학을 시뮬레이션하는 데 추가로 적용되고 있습니다^. 디지털 요소 기반 시뮬레이션을 통해 생성된 사전 계산된 직조 케이스 라이브러리를 사용해 딥 신경망(DNN)을 훈련시킴으로써, 이 방법은 3D 섬유 구조를 추정하고 10% 미만의 오차 범위로 강성 특성을 예측하여 기존 모델링 방식에 비해 향상된 계산 효율성을 입증했습니다. 또한, 패턴 인식 및 이미지 처리 기법을 통해 고립된 블록, 수직 및 수평 단면 연속, 대각선 연속성¹⁵와 같은 매개변수를 측정하여 구조 맥락을 분석했습니다. 이 매개변수들은 분석 계층 과정(AHP)을 사용하여 기본 직조 패턴을 새틴, 트윌, 평면 범주로 분류할 수 있게 하며, 통계 평가 결과 예측과 실험 분류 결과 간에 강한 일치가 나타났습니다.

안개 컴퓨팅 기반 최적화 방법이 직물 설계 분석을 위해 제안되었으며, 이는 네 가지 주요 단계로 구성됩니다: 섬유 이미지 수집, 전처리, 특징 추출, 분류¹⁶. 이미지 획득을 위해 안개 가장자리 장치를 사용하여 전처리 과정에서 다양한 필터링 기법을 적용한 후, 회색 수준 공현 매트릭스(GLCM)를 사용하여 특징을 추출하고 앙상블 딥러닝 모델을 통해 분류합니다. 실험 결과는 기존 알고리즘보다 우수한 정확도를 보여주며 이 접근법의 효과를 입증합니다. 또한, 거시적^{기계적 특성에} 기반한 객관적 분류 기준을 설정하여 직조 직물의 우산 드레이프를 특징짓기 위한 신경망 기반 프레임워크가 개발되었습니다. 이 프레임워크는 ResNet-18과 딥 그래프 합성곱 신경망(DGCNN)을 통합하여 각각 드레이프 이미지와 점군에서 특징을 추출하고 분류합니다. 지도 학습을 통해 두 네트워크 모두 평가하여 라벨이 없는 데이터셋에서 드레이프 스타일을 추출하는 가장 효과적인 모델을 결정했습니다. 더불어, 우산형 커튼의 점군을 표현하기 위해 스케치 다운샘플링(SDS) 기법이 도입되어 원단 드레이프를 객관적으로 평가하고 유사성 기반 원단 회수와 같은 후속 응용을 지원할 수 있게 되었습니다.

딥러닝의 발전에도 불구하고, 직조 직물 식별은 수작업으로 만든 특징 공학에 대한 의존과 표준화된 대규모 데이터베이스의 부재로 인해 여전히 제약을 받고 있습니다. 전통적인 검사 방법은 인적 오류와 일관성 부족으로 고통받고 있으며, 많은 자동화 모델은 조명, 회전, 카메라 각도 변화를 처리할 수 있는 도메인 적응성이 부족합니다. 또한, 종단 간 자동화 프레임워크와 첨단 데이터 증강 기법의 부재로 인해 기존 분류 시스템의 일반화와 실질적인 확장성이 제한됩니다. UNet, GAN, CNN을 독립적으로 사용하는 이전 접근법과 달리, 본 연구는 UNet-디노이즈드 출력이 GAN 기반 합성을 안내하고, 생성된 텍스처가 반복적 피드백 과정을 통해 CNN 분류를 더욱 정교하게 개선하는 공동 최적화 전략을 제안합니다. 이는 기존의 모델 스태킹이나 미세 조정을 넘어섭니다.

이에 따라 UNet 기반 잡음 제거, GAN 기반 데이터 합성, CNN 기반 분류를 결합한 통합 종단 간 딥러닝 프레임워크가 도입되어 단일 학습 가능한 시스템 내에서 자동 직조 직물 패턴 인식, 데이터 향상, 생성 증강, 특징 학습을 통합합니다. 이 프레임워크에서 UNet 디노이즈 이미지는 단순한 전처리 입력뿐만 아니라 GAN 생성의 피드백 역할도 수행하여 광도 일관성과 텍스처 사실성을 향상시키고, 노이즈 제거, 합성 증강, 분류 전반에 걸친 공동 최적화를 통해 표현 학습과 도메인 견고성을 향상시킵니다. UNet 기반 잡음 제거 및 GAN으로 생성된 합성 데이터를 활용하여 특징 변동성과 모델 일반화를 높이고, 이러한 구별 특징에 대해 CNN 분류기를 학습함으로써, 이 시스템은 수동 검사와 기존 머신러닝을 대체하여 산업 검사 효율성, 품질 관리를 개선하고 노동 집약적 오류를 줄이는 것을 목표로 합니다.

제안된 종단 간 아키텍처는 CNN 기반 분류, GAN 기반 합성 데이터 생성, UNet 노이징 제거를 통합하여 조명 및 질감 변동성에 대한 견고성을 높여 99.1%의 분류 정확도를 달성하고 과적합을 줄이고 수작업 특징 공학을 없애어 산업용 섬유 검사에 대한 도메인 적응성을 향상시킵니다.

프로토콜

이 연구는 인간 참가자나 동물 대상을 포함하지 않았습니다. 따라서 윤리적 승인과 사전 동의는 필요하지 않았습니다. 제안된 종단 간 직조 직물 분류 프레임워크(그림 1)는 이미지 획득, 전처리 및 증강, 모델 학습, 평가의 네 단계로 구성됩니다. 각 단계의 출력이 다음 단계의 입력 역할을 합니다.

1단계: 이미지 획득: 데이터셋에서 직조된 천 이미지를 얻어 제어 조명 환경에서 디지털 카메라를 사용해 촬영했습니다. 이미지는 50mm 고정 초점 거리를 사용하여 300 dpi에서 촬영되었습니다.

2단계: 전처리 및 보강: 이미지는 크기를 조정하고 훈련을 위해 준비되었습니다. 일반화를 높이기 위해 수평 및 수직 뒤집기(p = 0.1), 아핀 평행(±0.1), 스케일링(0.8–1.2), 회전(±45°) 등 딥러닝 프레임워크를 사용하여 기하학적 및 광도 증강을 적용하였습니다. 광도 조정에는 밝기, 대비, 채도 변화(±40%)와 색조 변화(±10%)가 포함되었습니다.
훈련 전에 UNet 기반 잡음 제거가 적용되었습니다. UNet 모델은 딥러닝 소프트웨어 라이브러리(Keras 딥러닝 프레임워크)에서 구현되었으며, Adam 옵티마이저(학습률 = 0.001, 배치 크기 = 16)를 사용해 30 에포크에 대해 훈련되었습니다.

3단계: 모델 훈련: GAN은 직조 천의 합성 이미지를 생성하여 특징을 강조하는 데 사용되었습니다. 판별기는 LeakyReLU가 활성화된 5개의 컨볼루션 레이어로 구성되었고, 생성기는 4개의 컨볼루션 레이어와 4개의 디컨볼루션 레이어를 포함했습니다. GAN은 이진 교차엔트로피 손실(학습률 = 0.0002, β₁ = 0.5)을 사용하여 100 에포크에 대해 훈련되었습니다. CNN 분류기(ResNet-50 백본)는 배치 크기 32, 드롭아웃 0.2, 학습률 0.001, Adam 최적화 도구로 반복 GAN–CNN 프레임워크에서 공동 학습되었습니다.

4단계: 모델 평가: 모델 성능은 정확성, 정밀도, 회상력, F1 점수, 균형 잡힌 정확도를 사용하여 평가되었습니다.

1. 데이터 세트 설명

통제된 조명 조건¹² 하에 공개된 데이터셋에서 총 880개의 직물 샘플에서 3,540장의 직조 원단 이미지가 얻어졌습니다. 이 중 2,832장의 이미지가 테스트에 사용되었고, 나머지 708장은 11,328개의 학습 샘플을 생성하기 위해 증강되었습니다. 이 데이터셋은 익명화되어 윤리적 승인이 필요하지 않습니다. 대표적인 샘플은 그림 2에 나와 있습니다.

데이터셋은 평면, 새틴, 트윌의 세 가지 직조 클래스로 구성되어 있습니다. 직물은 폴리에스터 텍스처 실(110 dtex; 1.14 및 3.05 dtex 필라멘트 선형 밀도)과 폴리에스터 마이크로필라멘트 텍스처 실(110 dtex; 0.33, 0.57, 0.76 dtex)을 위트로, 83 dtex 폴리에스터 실(1.14 dtex)을 날실로 사용해 제작되었습니다. 세 가지 직조 유형—1/1 플레인, 3/2 트윌, 4/1 새틴—이 제작되었습니다.

이 연구에 사용된 데이터는 원시 및 사전 처리된 이미지, 증강 메타데이터, GAN에서 생성된 샘플을 포함하는 공개 데이터셋에서 얻어졌습니다¹². 추가적인 보강 및 GAN 기반 합성이 적용되어 교육 다양성을 더욱 강화하였습니다. 데이터셋의 집합입니다. 최종 데이터셋에는 11,328장의 훈련 이미지와 2,832장의 테스트 이미지가 포함되어 있었으며; 훈련 데이터의 80%는 모델 훈련에, 20%는 검증에 사용되었습니다. 구조 매개변수는 다음과 같았습니다: 실 선밀도(Ne: 6–40), 실 수(25–58 끝/cm), 직물 면적 밀도(125–485 gsm). 딥러닝 프레임워크와 소프트웨어를 활용한 그래픽 처리 장치에서 훈련과 테스트가 수행되었습니다.

2. 증강을 포함한 제안된 효율적인 전처리

제한된 학습 데이터를 해결하고 일반화를 개선하기 위해 데이터 증강이 적용되었습니다. 증강은 모델 아키텍처를 변경하지 않고 데이터셋을 확장하고, 과적합을 줄이며, 견고성을 향상시킵니다. 두 가지 유형의 증강이 사용되었습니다:

기하학적 증강:
변환에는 수평 및 수직 뒤집기(p = 0.1), 아핀 변환(평행 = 0.1, 스케일 = 0.8–1.2), 고정 각도 회전(45°)이 포함되었습니다. 이 작업들은 날실-위트 방향 및 영상 조건의 변화를 시뮬레이션합니다(그림 3).

광도 증강:
조명과 센서 변동성에 대한 견고성을 높이기 위해 밝기, 대비, 채도는 ±40%, 색조는 ±10% 조정되었습니다. 이러한 수정은 조명 특성을 바꾸면서 기하학적 구조를 유지합니다(그림 4).

3. UNet을 이용한 노이즈 제거

UNet은 구조화된 직물 질감을 제거하기 위해 사용되는 인코더-디코더 컨볼루션 아키텍처입니다. 직물 패턴은 센서 및 조명 잡음에 민감하기 때문에, 구조적 세부사항을 보존하기 위해 분류 전에 노이즈 제거가 이루어집니다; 네트워크는 출력 계층에서 시그모이드 활성화 함수를 사용하며, UNet 기반 잡음 제거 아키텍처(그림 5)를 사용합니다. 노이즈가 제거된 이미지는 합성 생성 및 분류를 위한 GAN–CNN 파이프라인의 정제된 입력 자료로 사용되었습니다. UNet 잡음 제거 과정과 GAN 최적화 전략(방정식 1–10)의 수학적 공식화는 보충 파일 1에 제공되어 있습니다. UNet, GAN, CNN 모듈 간의 상호작용은 엔드 투 엔드 프레임워크 내에서 그림 6에 나타난다.

4. GAN-CNN을 이용한 엔드 투 엔드 모델 생성 및 훈련 제안

GAN–CNN 하이브리드 프레임워크가 직조 직물 패턴 인식에 사용되었습니다. 그림 6에서 보듯, 생성자(G)와 판별기(D)로 구성된 생성적 적대 네트워크(GAN)를 사용해 다양한 조명, 노이즈, 질감 조건에서 사실적인 직물 이미지를 합성하여 데이터셋의 다양성을 높였고, CNN은 실제 및 생성된 샘플 모두에서 판별적 특징을 학습하여 분류 정확도를 높였습니다.

5. CNN 기반 분류

GAN 기반 이미지 합성 이후, 실제 및 생성된 직물 이미지 모두를 사용해 CNN을 학습시켜 텍스처 특징 추출과 분류를 수행했습니다. 세 가지 직조 유형을 분류하기 위해 사전 학습된 ResNet-50 아키텍처가 채택되었습니다. 원래의 완전 연결 계층은 제거되었고, 초기 컨볼루션 계층은 뼈대로 유지되었습니다. 이 백본 위에 글로벌 평균 풀링 계층, 두 개의 배치 정규화 계층, 두 개의 완전 연결 계층(512개 및 256개 뉴런), ReLU 활성화 및 드롭아웃이 추가되었습니다. Softmax 계층이 최종 3등급 분류를 수행했습니다. 수정된 아키텍처는 그림 7에 나와 있습니다.

이 모델은 50 에포흐(배치 크기 = 32, 학습률 = 0.001, 중퇴 = 0.2)를 적용한 범주별 교차 엔트로피 손실 적용 아담 최적화기를 사용해 학습되었습니다. 하이퍼파라미터 튜닝은 그리드 검색을 통해 수행됩니다(학습률: 0.001–0.0001; 배치 크기: 16–64; 드롭아웃: 0.1–0.3). 검증 손실에 기반한 조기 정지를 적용하여 과적합을 방지했으며, 훈련당 약 2.3시간 만에 수렴이 달성되었습니다.

잡음 제거, 데이터 합성, 분류 단계 전반에 걸쳐 일관성을 보장하기 위해 종단 간 훈련 전략이 조정되었습니다. UNet은 노이지-클린 이미지 쌍(Adam, 학습률 = 0.001, 배치 크기 = 16, MSE 손실)을 사용하여 30 에포크에 대해 처음으로 사전 학습되었습니다. GAN 모듈은 4개의 합성곱 및 4개의 탈합성곱 층을 가진 생성자와 LeakyReLU 활성화를 이용한 5개의 합성곱 계층을 가진 판별기로 구성되어 있으며, 100 에포흐(이진 교차 엔트로피 손실, β₁ = 0.5, 학습률 = 0.0002)에 대해 적대적으로 훈련되었습니다. 이후 GAN과 CNN은 50 에포흐(배치 크기 = 32) 동안 반복 루프로 공동 학습되었으며, 생성된 샘플을 분류기 업데이트에 사용했습니다. CNN 최적화는 Adam 옵티마이저(학습률 = 0.001, dropout = 0.2)를 사용하여 안정적인 수렴과 직조 유형 간 일반화 개선을 촉진했습니다.

결과

평가 지표
정확도는 분류에 가장 널리 사용되는 평가 통계입니다. 이는 모든 예측 중 정확한 예측의 비율로 정의됩니다. 방정식 11 은 이러한 상황에서 균형 잡힌 정확도가 적절한 성과 평가 지표임을 보여줍니다^. "N"은 클래스 수를 나타냅니다. TP, TN, FP, FN은 각각 이 연구에서 N=3인 진양성, 진음성, 거짓 양성, 거짓 음성의 수를 나타냅니다. 달성된 균형 잡힌 정확도는 99.1%였습니다

(11)

혼동 행렬(그림 8), 훈련 및 검증 손실 곡선...

토론

제안된 GAN–CNN 프레임워크는 강력한 일반화를 보여주지만, 트랜스포머 기반 시각 아키텍처, 주의력 강화 CNN, 자기 지도 표현 학습 등 유사한 가설을 다룰 수 있는 다른 대안 방법들도 존재합니다. 이들은 특징 해석 가능성이나 계산 효율성에서 이점을 제공할 수 있으므로, 향후 비교 평가가 필요합니다^17,19.

향상된 인식 및 분류 정확도는 세 가지 주요 요인에 기인합니다. 첫째, 실 두께, 직경, 방향, 재료 색상, 조명 불균형 등 물리적 특성의 변동을 고려하면 모델은 안정적입니다. 둘째, UNet 기반 잡음 제거는 훈련을 향상시키고 모델의 패턴 인식 능력을 향상시킵니다. 셋째, 제안된 GAN–CNN 프레임워크는 수작업으로 설계된 특징에 의존하지 않습니다; 대신, 특징 추출과 분류를 위한 완전 자동화된 종단 간 ...

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
캐논 EOS 90D	캐논 주식회사, 도쿄, 일본	EOS 90D 32.5MP CMOS 센서	패브릭 이미지 획득을 위한 디지털 이미징 카메라
인텔 i7 프로세서	인텔 코퍼레이션, 캘리포니아주 산타클라라	https://www.intel.com	계산 처리를 위한 다중 코어 중앙 처리 장치(CPU)
케라스 딥러닝 프레임워크	구글 LLC, 마운틴뷰, 캘리포니아, 미국	https://keras.io	신경망 개발을 위한 딥러닝 소프트웨어 라이브러리
LED 링 라이트 (5500 K)	상업적으로 이용 가능한 실험실 조명 시스템	해당되지 않음	균일한 이미지 획득을 위한 제어 조명 소스
NVIDIA GeForce GTX1060MQ GPU	엔비디아 코퍼레이션, 캘리포니아주 산타클라라, 미국	https://www.nvidia.com	가속 딥러닝 연산을 위한 그래픽 처리 장치(GPU)
OpenCV 라이브러리	오픈 소스 커뮤니티	https://opencv.org	이미지 처리를 위한 컴퓨터 비전 소프트웨어 라이브러리
파이썬 프로그래밍 언어	파이썬 소프트웨어 재단, 윌밍턴, DE, 미국	https://www.python.org	머신러닝 구현을 위한 고수준 프로그래밍 언어
ResNet50 사전 학습 모델	마이크로소프트 리서치 / He 외 (2016)	https://keras.io/api/applications/resnet/	특징 추출 및 분류를 위한 사전 학습된 합성곱 신경망 아키텍처
scikit-learn 라이브러리	오픈 소스 커뮤니티	https://scikit-learn.org	데이터 분석 및 모델 평가를 위한 머신러닝 소프트웨어 라이브러리
텐서플로우 프레임워크	구글 LLC, 마운틴뷰, 캘리포니아, 미국	https://www.tensorflow.org	신경망 훈련 및 배포를 위한 딥러닝 프레임워크
워프 원(폴리에스터, 83 dtex)	자체 섬유 실험실	해당되지 않음	직조 직물 샘플에서 워프 재료로 사용되는 합성 섬유 실입니다
직조 원단 샘플 (평범, 새틴, 트윌)	자체 섬유 실험실	폴리에스터 실 110 dtex	서로 다른 직조 구조를 가진 대표적인 직조 직물 샘플