컨베이어 고무 벨트 하중의 정밀 분류를 위한 최소 신호 길이 식별을 위한 딥러닝 모델에 대한 탐구

본 논문에서는 다양한 컨베이어 벨트 상태(하중 있음 및 하중 없음)를 분류하기 위해 장단기 기억(LSTM) 및 트랜스포머(Transformer) 신경망 모델을 개발하였다. 또한 로지스틱 회귀, 서포트 벡터 머신, 랜덤 포레스트 등 비교용 얕은 모델도 개발하고 종합적으로 정리하였다. 분석 대상이 된 벨트 압력 신호는 길이가 0.2, 0.4, 0.8, 1.6, 3.2, 그리고 5.0초인 총 6가지로 구성되었다. LSTM 및 트랜스포머 모델 모두 압력 원시 신호를 사용하여 100%의 정확도를 달성하였다. 특히 LSTM 모델은 가장 짧은 신호 길이에서도 최고의 분류 성능을 보였다. 0.8초 길이의 신호를 사용할 경우 정확도 98%, 1.6초 길이의 신호를 사용할 경우 F1 점수 100%를 달성하였다. 또한 LSTM 모델은 트랜스포머보다 학습 및 테스트 과정에서 더 빠른 처리 속도를 보였다. 랜덤 포레스트 모델은 집계된 신호 데이터를 사용할 때 가장 뛰어난 분류 성능을 보였으며, 하중 있음과 하중 없음 상태에 대한 정확도는 각각 85%이며, F1 점수는 85%와 69%였다. 모든 모델에서 하중이 있는 벨트 상태는 하중이 없는 상태보다 훨씬 쉽게 분류되었으며, 짧은 신호를 사용했을 때 유일하게 LSTM 모델만이 하중이 없는 벨트 상태에 대해 더 높은 재현율(recall)을 보였다. 실험 연구용 데이터셋 CORBEL(컨베이어 벨트 압력 신호 데이터셋)과 모델은 오픈소스로 공개되어 GitHub에서 접근 가능하다. https://github.com/TadasZvirblis/CORBEL