AI-Hub

데이터 변경이력

데이터 히스토리

소개

- 배터리 외관(RGB) 이미지(메타 데이터) 21만장, 비파괴검사(CT)를 통해 촬영한 21만장 이상의 이미지(메타 데이터)의 결함 및 종류를 라벨링한 인공지능 학습용 데이터셋

구축목적

- 다양한 요인의 불량 발생 Risk를 내포한 이차전지 Cell 제조 공정을 딥러닝에 기반한 머신비전 방식으로 기존의 한계점 극복

- 데이터 통계

데이터 구축 규모

배터리별 분포

저작도구 설명서 및 저작도구 다운로드

AI 모델 상세 설명서 다운로드

- 학습 모델의 신경망 구조 및 특징

그림 5 DeepLab v3+ 아키텍처

그림 6 Dilated Residual Network 백본

∘ Atrous convolution을 적용한 DRN(Dilated Residual Networks) 백본 적용
    - 특징 추출을 수행할 때 필터 내부에 제로 패딩을 추가하여 receptive field를 향상
  - DRN의 기본블록에 Bottleneck 구조 채택
    - 첫 번째 Bottleneck layer의 출력(256채널)을 depth wise convolution 하여 
     low level feature 추출
∘ Astrous Spatial Pyramid Pooling(ASPP)의 적용
  - DCNN의 출력 행렬에 기존의 pyramid pooling 대신에 Astrous Spatial Pyramid 
    Pooling(ASPP)과 Image Pooling을 적용. 다양한 스케일의 특징을 활용
∘ Depthwise convolution의 적용
  - ASPP 수행 후와 low level feature를 디코더에서 잇기 전에 depthwise   
    convolution을 수행하여 성능을 유지하면서 연산을 줄임
∘ Residual network의 적용
  - Bottleneck 적용 시 첫 번째 layer 마다 downsample feature를 출력특징에 
    더하는 방식으로 신경망이 깊어짐에 따라 앞선 특징들이 손실되는 현상을 줄임
∘ 신경망 내부에서 이미지 크기의 주요 변화
  - Low level feature: 원본 이미지 크기의 1/4
  - Encoder의 출력: 원본 이미지 크기의 1/16
  - 최종 prediction: 원본 이미지 크기

- 배터리 결함 검출 모델의 학습

앞서 제시한 학습 모델은 구조상 예측 이미지의 크기가 입력 이미지의 크기와 동일하다. 따라서 입력 이미지의 해상도에 따라 추출하는 특징의 정밀도가 달라질 수 있다. 본 사업에서는 CT 데이터셋과 외관 이미지 데이터셋에 대해 각각의 학습 모델을 제시한다. CT 데이터셋의 결함은 전역적인 특징을 가지고 있으며, 외관 이미지 데이터셋의 결함은 좀 더 국소적인 특징을 가지고 있다. 이러한 데이터셋의 고유한 특징을 활용하여 모델의 성능을 극대화하고자 이미지를 분할 하여 학습시키는 crop slide 방식의 학습을 적용한다.

- 서비스 활용 시나리오

• 구축 모델은 배터리 상태 진단과 배터리 등급 판정 기준을 개발하는데 활용할 수 있음
• 상태 진단 서비스

  - 배터리를 촬영하여 업로드하면, 웹서비스를 통해 결함 영역과 결함 부위의 넓이, 결함의 종류 등을 확인할 수 있는 상태 진단 서비스를 제공할 수 있음
• 새로운 배터리 등급 기준 연구에 활용현재 사용되고 있는 배터리 등급 기준은 전기적 시험을 기준으로 마련되었지만, 배터리 결함 검출 모델을 활용하면 내부 상태 등을 종합적으로 판단하는 새로운 배터리 등급 기준을 개발할 수 있을 것으로 기대됨

설명서 및 활용가이드 다운로드

- 데이터구성
 - 각 배터리마다 하나씩 존재하며, json파일 형식으로 저장

메타데이터 예시

- 어노테이션 포맷

자체 제작 format을 기반으로 함
폴더의 각 폴더 내에 있는 [원천데이터파일이름].json에 들어가는 내용
 

1) 라벨링 메타정보 공통참조항목

*배터리 사용처의 경우, 출처가 불분명한 경우 null값으로 처리, 즉 비워둘 수 있다. 그러나 그렇지 않은 경우 필수 기재하여야 한다.  

2) 라벨링 이미지 파일 공통참조항목

- 파일 이름 명명 규칙
◦ RGB 이미지 : [데이터종류]_[데이터 대상품]_[시료 유형]_[배터리 일련번호]_[이미지번호].jpg
◦ CT 단면 이미지 : [데이터종류]_[데이터 대상품]_[시료 유형]_[배터리 일련번호]_[축(x,y,z 중 하나)]_[이미지번호].jpg

3) Image Segmentation 항목

(1) swelling

(2)defects

- 데이터포맷

데이터 포맷	jpg, png
전처리 전
전처리 후

실제 예시

{
    "data_info": {
        "data_type": "rgb",
        "battery_ids": 49,
        "application": "가전",
        "type": "cell",
        "form": "cylindrical",
        "date": "2023.09.09",
        "place": "KTR",
        "distance": 17,
        "degree": [
            50,
            15
],
        "roi": null
    "swelling": {
        "swelling": false,
        "battery_outline": [
            845.22,
            464.97,
            860.19,
            272.43,
            861.18,
            263.45,
            861.13,
            240.49,
            861.61,
            227.02,
            866.42,
            212.59,
            878.19,
            197.31,
            896.1,
            181.65,
          (중략)
            
         
            
            830.26,
            655.52
]
    "defects": [
{
            "id": 2,
            "name": "Pollution",
            "points": [
                979.5,
                220.15,
                (중략)
                983.1,
                220.81
]
},

(중략)
}
    "image_info": {
        "width": 1920,
        "height": 1080,
        "file_name": "RGB_cell_cylindrical_0049_002.png",
        "id": 1358,
        "is_normal": false
}
}
 

데이터셋 구축 담당자

수행기관(주관) : ㈜스칼라웍스

수행기관(참여)

데이터 관련 문의처

AI모델 관련 문의처

저작도구 관련 문의처