In the burgeoning field of energy storage technologies, efficient and precise quality inspection methods are indispensable for ensuring high-performing, reliable batteries. This study focuses on leveraging advanced deep learning techniques to improve the quality of images used in the battery inspection process. We propose a two-pronged approach that utilizes U-Net, a fully convolutional neural network, and CycleGAN, a generative adversarial network, in conjunction with a diffusion model for generating synthetic data. U-Net, primarily designed for biomedical image segmentation, demonstrates remarkable robustness in enhancing image quality, surpassing the performance of traditional denoising techniques like DnCNN. CycleGAN's inherent advantage of handling unpaired image data effectively addressed the practical challenge of obtaining perfectly matched image pairs. Furthermore, CycleGAN's performance improved significantly when trained with synthetic data generated via the diffusion model, underscoring the benefits of expanding the training dataset with synthetic data generation. Normalization of generated data proved vital in enhancing the performance of CycleGAN, reiterating the importance of appropriate data preprocessing, particularly when merging real and synthetic data. The results from this study present promising implications for industrial applications where high-quality image data is a challenge. The methods used and outcomes achieved could pave the way for more sophisticated deep learning applications in industrial quality inspection processes.
본 연구는 배터리 검사에 사용되는 이미지 품질을 향상시키기 위한 고급 딥러닝 기법의 적용에 대해 탐구하였다. 높은 품질의 검사 이미지를 획득하는 데 대한 도전 과제를 고려하여, 실제 및 합성 데이터를 모두 활용한 이미지 품질 향상을 위한 딥러닝 모델 훈련 방법론을 제시하였다. 완전 컨볼루션 신경망 구조인 유넷은 강력한 노이즈 제거 능력을 보여주며, 딥 뉴럴 네트워크 기반 노이즈 제거 방법에 비해 우수한 성능을 보였다. 또한, 이미지 쌍이 필요하지 않은 사이클 제너티브 적대 신경망 접근법을 사용하였고, 이에 확산 모델을 통해 생성된 합성 데이터를 통합함으로써 그 성능을 개선하였다. 생성된 데이터의 정규화의 중요성을 강조하였으며, 이는 사이클 제너티브 적대 신경망의 성능 향상에 기여하였다. 이 연구의 결과는 이러한 기법들이 배터리를 포함한 산업 품질 관리에 대한 유망한 응용을 보여주며, 딥러닝 접근법이 특화된 데이터셋에 대한 처리 능력의 가능성을 강조한다.
