Recently, there has been an increasing attempt to replace defect detection inspections in the manufacturing industry using deep learning techniques. However, obtaining substantial high-quality labeled data to enhance the performance of deep learning models entails economic and temporal constraints. As a solution for this problem, semi-supervised learning, using a limited amount of labeled data, has been gaining traction. This study assesses the effectiveness of semi-supervised learning in the defect detection process of manufacturing using the MixMatch algorithm. The MixMatch algorithm incorporates three dominant paradigms in the semi-supervised field: Consistency regularization, Entropy minimization, and Generic regularization. The performance of semi-supervised learning based on the MixMatch algorithm was compared with that of supervised learning using defect image data from the metal casting process. For the experiments, the ratio of labeled data was adjusted to 5%, 10%, 25%, and 50% of the total data. At a labeled data ratio of 5%, semi-supervised learning achieved a classification accuracy of 90.19%, outperforming supervised learning by approximately 22%p. At a 10% ratio, it surpassed supervised learning by around 8%p, achieving a 92.89% accuracy. These results demonstrate that semi-supervised learning can achieve significant outcomes even with a very limited amount of labeled data, suggesting its invaluable application in real-world research and industrial settings where labeled data is limited.

This research proposes a novel approach to tackle the challenge of categorizing unstructured customer complaints in the automotive industry. The goal is to identify potential vehicle defects based on the findings of our algorithm, which can assist automakers in mitigating significant losses and reputational damage caused by mass claims. To achieve this goal, our model uses the Word2Vec method to analyze large volumes of unstructured customer complaint data from the National Highway Traffic Safety Administration (NHTSA). By developing a score dictionary for eight pre-selected criteria, our algorithm can efficiently categorize complaints and detect potential vehicle defects. By calculating the score of each complaint, our algorithm can identify patterns and correlations that can indicate potential defects in the vehicle. One of the key benefits of this approach is its ability to handle a large volume of unstructured data, which can be challenging for traditional methods. By using machine learning techniques, we can extract meaningful insights from customer complaints, which can help automakers prioritize and address potential defects before they become widespread issues. In conclusion, this research provides a promising approach to categorize unstructured customer complaints in the automotive industry and identify potential vehicle defects. By leveraging the power of machine learning, we can help automakers improve the quality of their products and enhance customer satisfaction. Further studies can build upon this approach to explore other potential applications and expand its scope to other industries.

To make semiconductor chips, a number of complex semiconductor manufacturing processes are required. Semiconductor chips that have undergone complex processes are subjected to EDS(Electrical Die Sorting) tests to check product quality, and a wafer bin map reflecting the information about the normal and defective chips is created. Defective chips found in the wafer bin map form various patterns, which are called defective patterns, and the defective patterns are a very important clue in determining the cause of defects in the process and design of semiconductors. Therefore, it is desired to automatically and quickly detect defective patterns in the field, and various methods have been proposed to detect defective patterns. Existing methods have considered simple, complex, and new defect patterns, but they had the disadvantage of being unable to provide field engineers the evidence of classification results through deep learning. It is necessary to supplement this and provide detailed information on the size, location, and patterns of the defects. In this paper, we propose an anomaly detection framework that can be explained through FCDD(Fully Convolutional Data Description) trained only with normal data to provide field engineers with details such as detection results of abnormal defect patterns, defect size, and location of defect patterns on wafer bin map. The results are analyzed using open dataset, providing prominent results of the proposed anomaly detection framework.

강풍, 폭우 등 이상기후의 대형화와 빈도 증가로 인해 나무가 부러지거나 쓰러지는 훼손이 증가하고 있으나 나무 내부의 공동, 부후 등 구조적 결함은 육안조사로 판별이 어렵기 때문에 예측을 통한 사전대응에 한계가 있다. 비파괴 음파단층촬영은 나무에 미치는 물리적 훼손을 최소화하면서 내부결함을 추정하는 방법으로 내부결함 진단에 효율적이 나 수종별 정확도에 차이가 발생하기 때문에 현장적용 전 측정결과의 신뢰성 분석이 선행되어야 한다. 이번 연구는 우리나라 대표 수종인 소나무와 은행나무 노거수를 대상으로 음파단층촬영의 신뢰성 검증을 위해 침입성 드릴저항 측정을 교차 적용하여 목재 내부결함을 측정하고 평가결과를 비교하였다. 두 집단 간 결함부 측정 평균값에 대한 t검정 결과 소나무는 통계적으로 유의한 차이가 없는 반면, 은행나무는 유의성에 차이가 있었다. 선형회귀분석 결과 두 수종 모두 드릴저항그래프의 결함이 증가할 때 음파단층영상 결함이 증가하는 양의 상관관계를 보였다.

초음파 탐상은 다양한 콘크리트 구조물의 비파괴검사에서 활용된다. 본 연구에서는 골재형상을 고려한 골재-모르타르 모델 생성과 초음파 전파 해석을 수행하였다. 실제 골재형상을 반영하기 위해 이미지처리를 통한 골재-모르타르 단면으로부터 모르타르와 골재 영역을 파악하고, 영역 경계형상을 보존하면서 격자를 생성하는 기법을 개발하였다. 개발된 기법에서는 모든 격자가 4각형으로 생성된다. 골재-모르타르 모델을 통해 초음파 전파 해석을 수행하였고 모델을 반무한체로 간주하기 위해 CALM 기반 경계흡수 조건을 적용하였다. 골재 및 결함을 포함한 이미지로부터 격자를 생성한 뒤, 결함 영역에 포함된 격자를 제거하여 공극결함을 모사하였다. 본격적인 결함탐지 전 선행 해석을 통해 모델 동특성을 고려한 적절한 가진 주파수를 결정 및 가진 신호형상을 설계하였다. 이후 case 별 초음파 전파 해석을 통해 신호를 획득하고 신호 에너지 맵핑 작업을 통해 내부 결함을 가시화 하였다. 가시화 결과, 골재에 의한 다수 반사 및 산란현상이 관찰되지만 결함부에서 신호 에너지는 가장 높게 나타났으며 모든 해석 case에서 결함위치 추정이 가능하였다. 또한 균열의 경우 형상파악도 가능하였다.

자연재해 발생을 예방하기 위한 방재센서 기술이 중요하며 광섬유를 이용한 센서에 대한 관심이 높아지고 있다. 본 논문은 광섬유 센서 내장 탄소섬유시트로 보강된 RC보의 계측된 데이터로 결함 탐지 연구를 수행하였다. 미분의 국부적 변동 특성을 이용한 Method Ⅰ과 컨벌루션 방법을 이용한 Method Ⅱ를 비교, 분석하였다. 다른 차원의 데이터를 비교하기 위해서 무차원화 시켰으며, 분석 결과 Mehtod Ⅱ가 결함의 위치를 예리하게 잘 탐지하는 것으로 나타났다. Method Ⅱ인 컨벌루션에 사용 되는 필터 벡터를 잘 응용하면 더 좋은 효과를 기대할 수 있을 것으로 판단된다.

The widespread sensors in a structural monitoring system provide vital support to its operation. Data is obtainedf rom sensors in a structural health monitoring system for integrity assessment of the structure, and false alarm will be frequently triggered if a faulty sensor is detected. In this study, a proposed method based on machine learning algorithm and Gaussian distribution is present to identify sensor fault.

This study presents numerical analysis of elastic waves for detecting damage in epoxy adhesive zone. For the finite element analysis, a finite element program ANSYS LS-Dyna is used. The result signals of finite element analysis were analyzed by using pitch-catch method. It is shown that the received time signals successfully show the existence of defects

와이어 로프는 엘리베이트, 건설현장의 리프트, 현수교 등 다양한 산업 현장에 응용되어 지고 있다. 특히, 크레인의 와이어 로프는 컨테이너 이송에 중용한 요소로서 컨테이너 이송 시 로프에 결함이 발생한다면 안전사고, 생산성 저하에 따른 경제력 손실 그리고 컨테이너 터미널의 경쟁력 손실 등 여러 가지 문제점이 초래된다. 이러한 문제점을 해결하기위해 원격 크레인 와이어 로프 결함 탐지 시스템을 개발하였으며, 본 시스템은 크게 결함 탐지부, 신호 처리부, 원격 모니터링부로 구성되어져 있다. 측정된 신호는 외부적 환경으로부터 노이즈를 가지게 되는데 원신호로부터 이러한 노이즈를 제거하기 위하여 이산 웨이브렛 변환을 적용하였다. 그 결과 와이어 로프 결함을 탐지하는데 있어서 좀더 쉽게 결함을 판별할 수 있었다. 결론적으로 이러한 시스템의 개발은 와이어로프의 교체 시기 연장으로 항만의 비용을 절감할 수 있으며, 경쟁력 향상 그리고 엘리베이터, 리프트 등 다양한 산업현장에 이러한 시스템을 적용할 수 있다.