TIL_260105

Today I learned

 

 

1. [라이브세션] 멀티모달 딥러닝을 활용한 이미지-센서 기반 불량 검출 및 위험도 예측 1회차

 

1️⃣ 수업 목적

• 제조업 품질관리에서 활용 가능한 컴퓨터 비전·딥러닝 기초 이해
• CNN → 전이학습 → Object Detection까지 불량 검출 실무 흐름 학습

---

2️⃣ 머신러닝 vs 딥러닝

• 머신러닝: 사람이 특징을 정의 → 모델이 학습
• 딥러닝: 모델이 데이터로부터 특징을 자동 학습
• 이미지 데이터에서는 딥러닝(CNN)이 필수

---

3️⃣ 신경망 기초 개념

• 구조: 입력층 → 은닉층 → 출력층
• 핵심 요소
  • 가중치(W), 편향(B)
  • 손실함수(Loss): MSE, MAE, Cross Entropy
  • 최적화: Gradient Descent, Optimizer(Adam 등)
• 활성화 함수
  • Sigmoid: 기울기 소실 문제
  • ReLU: 가장 널리 사용, Dead ReLU 주의

---

4️⃣ CNN(Convolutional Neural Network)

• MLP는 이미지 처리에 부적합
• CNN은 공간적 특징(엣지, 패턴) 을 단계적으로 추출
• 핵심 구성
  • Convolution (Filter / Kernel)
  • Pooling
  • Feature Map
• RGB 채널을 분리·결합하여 특징 학습

---

5️⃣ 이미지 분류 → 검출로 확장

• Classification: 이미지 전체가 무엇인지
• Detection: 위치 + 종류 (Bounding Box)
• Object Detection 핵심 개념
  • Bounding Box
  • IoU
  • NMS
• 2-Stage(R-CNN) vs 1-Stage(YOLO)

---

6️⃣ 실습 흐름

• MNIST 데이터셋으로 CNN 분류 실습
• PyTorch vs TensorFlow 비교
  • PyTorch: 직관적, 연구·실험에 유리
  • TensorFlow: 배포·생산 환경에 강점
• 향후 실습:
  • YOLOv8 기반 제조업 불량 검출

---

7️⃣ 이번 수업의 핵심 포인트

• 불량 검출의 출발점은 이미지 특징을 잘 추출하는 것
• CNN은 제조업 비전 품질검사의 기본 중의 기본
• 이후 프로젝트(불량 검출)는
  전이학습 + Object Detection 구조로 확장됨