earticle

영어

This study proposes an automated classification system for wallpaper defects using state-of-the-art deep learning architectures. In particular, it introduces novel methodologies to effectively address technical challenges such as data imbalance and similarities between defect types. To address challenges such as data imbalance and similarity between defect types, the model is based on the ConvNeXt architecture and incorporates customized data augmentation methods and ensemble learning tailored to the characteristics of each defect type. A dataset of 3,457 images across 19 defect types was utilized, and a hybrid loss function combining Focal Loss and Class-Balanced Loss was applied to mitigate data imbalance. Experimental results demonstrate that the proposed model achieves a weighted F1 score of 0.889, representing an 8.8% performance improvement over existing ResNet50-based models, with an average inference time of 45.2ms validating its feasibility for practical defect inspection tasks. These findings suggest the potential for automating wallpapering defect inspection in construction sites, thereby contributing to enhanced efficiency in quality control processes.

한국어

본 연구는 최신 딥러닝 아키텍처를 활용하여 도배 하자의 자동 분류 시스템을 제안한다. 특히 데이터 불 균형과 하자 유형 간 유사성이라는 기술적 과제를 효과적으로 해결하기 위한 새로운 방법론을 제시한다. 데이터 불균형과 하자 유형 간 유사성 문제를 해결하기 위해 ConvNeXt 아키텍처를 기반으로 하되, 하자 유형별 특성을 고려한 맞춤형 데이터 증강 기법과 앙상블 학습을 도입하였다. 총 19개 하자 유형에 대해 3,457개의 이미지로 구 성된 데이터셋을 활용하였으며, 데이터 불균형 해소를 위해 Focal Loss와 Class-Balanced Loss를 결합한 하이브 리드 손실 함수를 적용하였다. 실험 결과, 제안된 모델은 Weighted F1 Score 0.889를 달성하여 기존 ResNet50 기반 모델 대비 8.8%의 성능 향상을 보였으며, 45.2ms의 평균 추론 시간은 실제 하자 검수 업무에 적용 가능한 수준임을 검증하였다. 본 연구의 결과는 건설 현장에서의 도배 하자 검수 자동화 가능성을 제시하며, 품질 관리 프로세스의 효율성 향상에 기여할 것으로 기대된다.