Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
레이저 및 TIG 용접 공정 간의 도메인 변화 문제를 해결하기 위해 비지도 도메인 적응(UDA) 프레임워크를 제안합니다. GSDE 전략을 통해 재라벨링 비용 없이도 높은 예측 정확도를 달성하며 공정 간 전이 성능을 크게 향상시켰습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기지도 학습 기반의 딥러닝 (Supervised deep learning)은 용입 상태 분류에 널리 사용되어 왔으나, 서로 다른 물리적 메커니즘을 가진 용접 공정 간에 모델을 전이할 때와 같은 도메인 변화 (Domain shift) 상황에서는 성능이 크게 저하되는 경우가 많습니다. 예를 들어, 아크 (Arc) 중심의 텅스텐 불활성 가스 (TIG) 용접에서 키홀 (Keyhole) 기반의 레이저 (Laser) 용접으로 전이하는 경우가 이에 해당합니다. 이러한 한계를 극복하기 위해, 본 연구에서는 점진적 소스 도메인 확장 (GSDE) 전략이 통합된 비지도 도메인 적응 (Unsupervised Domain Adaptation, UDA) 프레임워크를 제안합니다. 전용 TIG 및 레이저 용접 데이터셋을 통해 평가한 결과, 제안된 방식은 동일 공정 및 공정 간 전이 작업 모두에서 높은 정확도를 달성했습니다. 구체적으로, 동일 공정 설정에서 TIGFH 데이터셋에 대해 90.65%, LSPS 데이터셋에 대해 90.72%의 평균 정확도를 기록하며, 지도 학습 베이스라인 (Supervised baseline)보다 각각 35.83% 및 38.87% 높은 성능을 보였습니다. 더욱 주목할 점은, 공정 간 시나리오에서 TIG에서 레이저로의 전이는 80.48%, 레이저에서 TIG로의 전이는 81.13%의 정확도에 도달하여, 베이스라인 대비 각각 43.39% 및 43.40% 향상된 결과를 나타냈습니다. UMAP 시각화를 통해 모델이 판별 가능한 클래스 경계를 유지하면서도 도메인 불변 특징 (Domain-invariant features)을 학습함을 확인했습니다. 이 방법은 새로운 용접 공정에 대한 재라벨링 (Relabeling) 비용을 상당히 낮추며, 서로 다른 용접 시스템 전반에 걸친 지능형 모니터링의 범용성을 향상시킵니다.