Due to various constraints, research on the application and operation of deep learning methodologies in the manufacturing industry has remained limited compared to other fields. Consequently, we believe that deep learning can significantly contribute to productivity and yield improvements in this sector. To address these challenges, we have explored cost-effective image-based data augmentation methods, self-knowledge distillation for efficient learning, and unsupervised continuous learning for discovering new categories in environments where vast amounts of unlabeled data are generated. These methods have been validated on both the various benchmark datasets and the datasets collected from actual industrial settings, demonstrating performance improvements compared to existing methodologies, respectively. We expect that ongoing research tailored to the characteristics of the manufacturing industry will continue, and we hope this paper will be a valuable contribution to such endeavors.
딥러닝 방법론이 제조산업분야에서는다른분야들에 비해 적용과 운용에 대한 연구가 여러가지 제약 사항들로 인하여 아직은 미흡하며 그렇기 때문에 오히려 딥러닝으로부터 생산성과 수율의 향상 등에 많은 기여를 할 수 있다고 생각한다. 이를 위해 비용 절약과 데이터 관리 측면에 유리한 영상 기반의 데이터 증강 방법과 학습에 필요한 자가지식증류, 레이블이 없는 방대한 데이터가 생산되는 산업 환경을 고려한 비지도기반 지속 학습으로 새로운 카테고리를 찾는 방법에 대해 고민하였다. 이러한 방법들은 공개된 데이터셋과 실제 산업 현장에서 획득한 데이터셋에 대해서 성능 검증 하였으며 기존 방법론 대비 성능 향상되었음을 확인할 수 있었다. 앞으로 제조 산업 분야 특성을 고려한 다양한 연구들이 지속적으로 이루어지는데 본 논문이 도움이 되길 기대한다.
