한국통신학회 논문지 (The Journal of Korea Information and Communications Society)
Current Result Document : 1,795 / 1,795
| 한글제목(Korean Title) |
다중 블록 2D-컨볼루션 신경망을 이용한 효율적인 3D 프린터 출력 결함 분류 기법 |
| 영문제목(English Title) |
Efficient 3D Printer Fault Classification Using a Multi-Block 2D-Convolutional Neural Network |
| 저자(Author) |
Made Adi Paramartha Putra
Ahakonye Love Allen Chijioke
Mark Verana
Dong-Seong Kim
Jae-Min Lee
|
| 원문수록처(Citation) |
VOL 47 NO. 02 PP. 0236 ~ 0245 (2022. 02) |
한글내용
(Korean Abstract) |
본 논문에서는 신속한 추론 시간과 낮은 계산 복잡도를 가지는 딥러닝(DL: deep learning) 모델을 사용하여 3D 프린터 출력 과정에서 발생하는 결함을 분류하는 새로운 방법을 제안한다. 제안하는 분류 기법은 3D 프린터 결함을 분류하기 위해 다중 블록 2D-컨볼루션 신경망(CNN: convolution neural network)을 사용하고 CNN 블록을 사용하여 fused deposition modeling(FDM) 3D 프린터에서 수집된 이미지 데이터 세트에서 특징을 추출한다. 제안된 모델은 MobileNet, AlexNet, VGG-11, VGG-16과 같은 기존 이미지 분류 알고리즘과 비교하여 성능을 평가하였다. 제안된 다중 블록 CNN은 기존 기법 대비 추론시간이 67.01% 빨라졌으며 87.56% 낮은 메모리 사용량과 최대 9.36%까지 감소시킨 매개변수를 사용함에도 높은 정확도를 보여준다. 이러한 성능은 제안된 3D 프린터 결함 분류 모델이 실시간 모니터링 조건에서 정확한 분류를 제공하는데 적합함을 보여준다. |
영문내용
(English Abstract) |
This paper proposes a novel fault classification method with an efficient deep learning (DL) model with fast inference time and lower computational complexity during the 3D printer printing process. Specifically, a multi-block 2D-convolutional neural network (CNN) is used to classify the 3D printer fault. In the proposed method, blocks of CNNs are used to extract the features from an image dataset that is gathered with a FDM 3D printer type. The performance evaluation of the proposed model is compared with existing image classification algorithms, such as MobileNet, AlexNet, VGG-11, and VGG-16. The results show that the proposed multi-block CNN classification model yields high accuracy with 67.01% faster inference time, 87.56% lower memory usage, and lower trainable parameters up to 93.36%. Furthermore, the proposed 3D model can provide an accurate classification in real-time monitoring conditions. |
| 키워드(Keyword) |
3D Printing
CNN(convolutional neural network)
Efficient model
Fault detection
Manufacturing
|
| 원문 |
PDF 다운로드
|
