25분

CNN 아키텍처 완전 이해: Conv → Pooling → FC

Day 2: CNN 기반 불량 분류

학습 목표

CNN의 핵심 구성요소(Conv, Pooling, FC)의 역할을 이해한다 필터(커널)가 이미지에서 특징을 추출하는 원리를 파악한다 제조 불량 검출에 CNN이 적합한 이유를 설명할 수 있다

CNN이 제조 불량을 찾는 원리

CNN(Convolutional Neural Network)은 이미지 인식의 핵심 기술이다. 사람의 시각 피질이 작은 영역부터 보고 점점 큰 패턴을 인식하는 것과 같다.

CNN의 3가지 핵심 층

에디터 로딩 중...

1. 합성곱 층 (Convolutional Layer)

에디터 로딩 중...

2. 풀링 층 (Pooling Layer)

에디터 로딩 중...

3. 완전연결 층 (FC Layer)

에디터 로딩 중...

제조 불량 검출에 CNN이 강력한 이유

특성	규칙 기반	CNN
조명 변화	취약	강건 (학습으로 보정)
새로운 불량	규칙 추가 필요	데이터 추가 학습
미세 결함	임계값 한계	패턴 인식 가능
복합 결함	규칙 폭발	자동 특징 조합
처리 속도	빠름	GPU로 빠름

핵심 포인트

• CNN은 Conv(특징추출) → Pooling(축소) → FC(분류) 구조
• 초기 층은 엣지, 깊은 층은 복합 패턴을 검출한다
• Max Pooling은 위치 변화에 대한 강건성을 제공한다
• 제조에서 CNN은 조명 변화와 새로운 불량에 유연하게 대응한다