Achieving 100% Accuracy in Steel Surface Defect Classification Using a Custom High-Performance CNN

기술 요약: 맞춤형 고성능 CNN을 이용한 철강 표면 결함 분류의 100% 정확도 달성

문제 정의
제조 산업은 크레이징(crazing), 인클루전(inclusions), 패치(patches), 피팅된 표면(pitted surfaces), 롤인 스케일(rolled-in scale), 스크래치(scratches)를 포함한 철강 제품의 표면 결함을 탐지하는 데 있어 지속적인 과제에 직면해 있습니다. 이러한 결함은 재료 낭비, 제품 품질 저하 및 생산 비용 증가를 초래합니다. 딥러닝, 특히 합성곱 신경망(CNN)이 이 작업의 지배적인 접근 방식이 되었지만, 표준 NEU-CLS 벤치마크에서 완벽한 분류(100% 정확도)를 달리는 것은 여전히 큰 장벽으로 남아 있습니다. 어텐션 기반의 얕은 CNN, 웨이브렛 기반 접근 방식, 그리고 ResNet이나 VGG와 같은 범용 아키텍처를 포함한 기존의 최첨단 방법들은 최대 99.67%에서 99.98% 사이의 최대 정확도를 보고했으나, 아직 데이터셋 전체에 걸쳐 결점 없는 분류율을 달성하지는 못했습니다.

방법론
본 연구는 6개 클래스의 철강 표면 결함 분류 작업을 위해 특별히 설계된 맞춤형 고성능 CNN 아키텍처를 제안합니다. 방법론은 다음과 같이 구성됩니다:

• 데이터셋: 본 연구는 6개의 결함 클래스(클래스당 200 × 200 픽셀의 그레이스케일 이미지 300장)에 균등하게 분포된 1,800장의 이미지로 구성된 NEU-CLS 데이터셋을 활용합니다.
• 모델 아키텍처: 제안된 네트워크는 필터 크기가 점진적으로 증가하는 4개의 합성곱 계층로 구성되며, 각 계층은 배치 정규화(Batch Normalization)와 맥스 풀링(MaxPooling)이 뒤따릅니다. 이 설계는 단순한 에지(edge)에서 복잡한 결함 패턴에 이르기까지 계층적 특징을 포착하는 것을 용이하게 합니다. 특징 추출 후, 표현형은 평탄화(flattened)되어 3개의 완전 연결(Dense) 계층을 통해 처리됩니다. 최종 계층은 6개 클래스 분류를 위해 소프트맥스(softmax) 활성화 함수를 채택합니다.
• 훈련 전략: 모델은 Adam 옵티마이저와 희소 범주형 교차 엔트로피(sparse categorical cross-entropy) 손실을 사용하여 훈련됩니다. 견고성을 보장하기 위해, 검증 정확도를 기준으로 최적의 모델을 보존하는 조기 종료(Early Stopping) 및 모델 체크포인트(ModelCheckpoint) 메커니즘이 활용됩니다.
• 검증 프로토콜: 특정 훈련-테스트 분할에 대한 의존성을 피하고 일반화 가능성을 보장하기 위해, 본 연구는 5-겹 층화 교차 검증(5-fold stratified cross-validation)을 채택합니다. 데이터셋은 클래스 분포를 유지하면서 5개의 폴드(fold)로 나뉘며, 모델은 4개의 폴드로 훈련되고 나머지 1개로 검증됩니다. 이 과정은 모든 폴드에 걸쳐 성능 지표를 평균 내기 위해 다섯 번 반복됩니다.

주요 기여
본 연구의 주요 기여는 NEU-CLS 벤치마크에서 새로운 글로벌 최첨단(state-of-the-art)을 달성한 작업 특화형 CNN 아키텍처의 도입입니다. 범용 모델에 의존하거나 단일 실행 결과를 보고했던 이전 연구들과 달리, 본 논문은 세심하게 설계된 맞춤형 아키텍처가 기존 방법들을 일관되게 능가할 수 있음을 입증합니다. 저자들은 결과의 완전한 재현성을 보장하기 위해 코드와 훈련된 모델을 공개적으로 제공합니다.

결과
제안된 모델은 교차 검증 폴드 전반에 걸쳐 탁월한 성능을 보여주었습니다:

• 최고 성능: 5개의 교차 검증 폴드 중 4개에서 모델은 100% 정확도, 100% 정밀도, 100% 재현율, 100% F1-스코어를 달성했습니다.
• 평균 성능: 나머지 하나의 폴드는 99.44%의 정확도를 기록하였으며, 결과적으로 모든 폴드에 걸쳐 **99.89%**의 전체 평균 정확도를 달성했습니다.
• 시각적 검증: 대표적인 폴드에 대한 혼동 행렬(confusion matrix)은 클래스당 60개의 올바르게 분류된 샘플과 오차 없는 비대각(off-diagonal) 값을 보여주었습니다. 마찬가지로, 6개 클래스 모두에 대한 ROC 곡선은 1.00의 AUC(Area Under the Curve)에 도달하여 완벽한 클래스 식별력을 나타냈습니다.
• 비교: 이러한 결과는 이전에 보고된 최고 단일 실행 결과인 99.98%(개선된 VGG16) 및 Shallow CNN + Attention(99.90%)과 같은 다른 방법들의 평균 결과를 능가합니다.

의의 및 주장
본 논문은 독립적인 여러 교차 검증 폴드에서 100% 정확도를 달성한 것이 산업 검사 분야의 중요한 이정표임을 주장합니다. 저자들은 잘 설계된 작업 특화형 아키텍처가 범용 모델보다 우수하며, 특화된 산업 작업에 대한 딥러닝의 잠재력을 완전히 끌어낼 수 있음을 입증한다고 주장합니다. 여러 폴드에 걸친 결과의 일관성은 상대적으로 작은 규모의 NEU-CLS 데이터셋에도 불구하고 제안된 접근 방식의 견고성과 일반화 능력을 입증합니다. 저자들은 이 성과가 새로운 글로벌 기록을 세웠으며, 제조 품질 관리를 위한 전용 네트워크 설계의 효과성을 입증한다고 결론짓습니다.