[학회후기]

이번 대한산업공학회 추계학술대회는 내가 연구실을 졸업하기 전 마지막으로 참가하는 발표이기 때문에 시원섭섭한 마음으로 학회를 참석했다. 아직 코로나 사태가 진정되지 않아서 비대면으로 학회를 진행해서 조금 아쉬운 마음도 있었지만, 학회 측에서 세션별 자료도 미리 공유 받을 수 있도록 준비를 하고, 원하는 세션의 화상회의를 편리하게 드나들 수 있도록 준비해주어서 불편함 없이 학회를 즐길 수 있었다. 이번 학회에서도 저번 춘계학술대회와 마찬가지로 데이터 마이닝 관련 연구가 활발히 진행되어서인지 4차 산업혁명/산업인공지능 세션에 많은 참가자들이 발표를 해주었고, 다양한 주제의 연구들이 진행되고 있음을 확인했다. 개인적으로 전반적인 학회 세션 자료들을 살펴보니 작년 연구실에 입학했을 때와 비교해 딥러닝 모델 적용 어플리케이션 연구의 수준이 상당히 높아졌다고 생각이 들었다. 작년에는 여러 어플리케이션 부분에서 머신러닝 알고리즘 위주의 방법론들이 적용된 것을 보여주었다면, 이번 학회에서는 다양한 산업 분야의 문제를 딥러닝 방법론을 통해 해결해주고 있음을 보여주었다. 특히, 의료 및 헬스 케어 분야에 이미지 기반 딥러닝 모델을 통해 여러 산업적인 기여점을 가져온 것이 인상깊었고, 알고리즘 논문뿐만 아니라 어플리케이션 논문도 많이 찾아보면 개인적인 연구에 많은 도움이 될 것 같다고 생각이 들었다.

[발표후기]

이번 학회에서는 현재 진행 중인 산학 프로젝트를 주제로 발표를 진행했다. 매번 학회에서 개인 연구로 진행했던 내용만 발표하다가 처음으로 산학 프로젝트에 관련된 내용을 발표하다보니, 발표자료를 만들 때도 괜히 더 책임감이 생기고 긴장이 됫던 것 같다. 내가 풀고자 했던 문제는 차량 부품 중 R-EPS로부터 수집된 가속도 데이터를 이용해 실차 소음 수준을 예측하는 문제이다. 가속도 데이터는 6개의 각 위치에서 1초에 12800개씩 계측되며, 실차 소음 수준은 0.25초 단위로 계측되는 값으로, 최종적으로 19,200(3,200*6)개 가속도 데이터를 입력하여 실차 소음 수준 값을 예측하는 모델링을 하고자 한다. 가속도 데이터로부터 STFT(고속 푸리에 변환)을 적용하여 스펙트로그램을 추출하였고, 6개 위치에서 추출된 각 스펙트로그램을 학습하기 위한 딥러닝 모델로 Multi-Encoder CNN을 사용하였다. 이는 가속도 위치 간 교호 작용 위험성을 줄여주고, 보다 정확한 특징 학습을 가능하도록 도와준다. 세단, SUV,전기차 별로 모델을 학습하였고, 모든 모델의 MAE 값은 1dB 이내, R2 score는 0.7 이상으로 뛰어난 예측 성능을 보였다. 더 나아가, XAI 기법 중 Saliency map 알고리즘을 이용하여 실차 소음 수준을 유발하는 중요 주파수 영역을 정성적, 정량적으로 평가가 가능하도록 하였다. 

질문1. 가속도 데이터의 sampling rate와 스펙트로그램 추출에 필요한 윈도우 사이즈는 몇으로 설정하였는가?

답변. 가속도 데이터는 1초에 12,800 개가 수집되었으며, 스펙트로그램에 사용된 윈도우 사이즈는 640, 이동 사이즈는 20으로 설정하였다.

질문2. 가속도로부터 추출된 특징으로 웨이블릿 변환을 적용해봐도 좋을 것 같습니다.

답변. 현재는 스펙트로그램만 적용해보았지만, 말씀주신 웨이블릿 변환을 통해 웨이블릿 계수(wavelet coefficient)을 특징으로 추출해서 사용하여 실험을 진행해도 좋을 것 같습니다. 좋은 의견 감사드립니다.

[청취후기]

1. 중소 다이캐스팅 제조업체의 품질향상을 위한 머신러닝 모델 수립 (박상우, 염세경, 동국대학교 산업시스템공학과)

본 연구에서는 다이캐스팅 공정 품질을 개선하기 위해 머신러닝 모델을 구축하고자 하였다. 다이캐스팅 공정에서는 결함이 발생하지 않는 최적의 공정을 설립하는 것을 목표로 하지만, 필연적으로 결함은 발생할 수 밖에 없고, 이를 머신러닝 모델을 통해 결함 판정과 동시에 결함의 원인이 되는 주요 인자를 해석해야 한다고 하였다. 다양한 머신러닝 모델을 통해 실험된 결과를 보았을 때, 높은 예측 성능을 보여주었다. 하지만, 개인적으로 최종적으로 입력 변수 중 결함 원인 요인이 되는 변수를 찾아야하지만 제안했던 방법론에는 입력 변수에 PCA를 적용하여 feature extraction 과정을 거치기 때문에 주요 요인 분석이 어려울 것 같다고 생각되어 이에 대한 부분을 질문하였다. 발표자 분께서도 이러한 문제를 해결하기 위해 다른 방안을 모색 중이고, 좌장으로 계셨던 유재홍 교수님께서 다중공선성 문제를 해결하기 위해 PCA를 적용한거라면, Ridge regression 모델이나 Sparse regression 모델을 이용한다면 다중공선성 문제를 해결하면서 주요 요인 분석까지 가능할 수 있을 것 같다고 좋은 의견을 내주셨다.

2. 인공지능 기반 후두암 진단지원 모델 개발을 위한 후보모델 탐색 연구 (박선영, 권오진, 한국과학기술정보연구원 개방형데이터융합연구단 / 성의숙, 부산대학교 의과대학 이비인후과)

본 연구에서는 후두암 진단을 도울 수 있는 딥러닝 모델을 개발하였고, 크게 후두암 부분을 탐지하기 위한 Object detection 문제와 질병 여부를 판단하는 Classification 문제로 두 가지 문제를 풀었다. Object detection에 대한 결과로, YOLO 기반 모델은 빠른 속도 대비 정확도 측면에서 높지 않은 성능을 보임을 보여주었는데, 사실 자율 주행 문제 상황에서는 빠른 속도 안에 문제를 해결할 수 있는 모델의 필요하지만, 의료 분야에서는 빠른 속도 안에 문제를 해결하는 것도 중요하겠지만, 최소한의 성능을 보장할 수 있는 모델이 필요하겠다는 생각을 할 수 있었다. 그리고 의료 분야 문제에서는 항상 충분한 양질의 데이터를 확보하기 어려운 고질적인 문제가 있었는데, 해당 과제에서도 직접 의사를 통한 레이블링 작업이 필요하다보니 충분한 데이터를 확보하는데 많은 어려움이 있다는 것을 보고, 이러한 문제를 지원해줄 수 있는 다양한 플랫폼이 필요하겠다고 생각이 들었다.