콘텐츠로 건너뛰기 메뉴로 건너뛰기 푸터로 건너뛰기
데이터를 불러오고 있습니다
데이터를 저장하고 있습니다
#컴퓨터 비전

NEW 배터리 불량 이미지 데이터

배터리 불량 이미지 데이터 아이콘 이미지
  • 분야제조
  • 유형 이미지
구축년도 : 2023 갱신년월 : 2024-10 조회수 : 4,208 다운로드 : 134 용량 :
샘플 데이터 ?

샘플데이터는 데이터의 이해를 돕기 위해 별도로 가공하여 제공하는 정보로써 원본 데이터와 차이가 있을 수 있으며,
데이터에 따라서 민감한 정보는 일부 마스킹(*) 처리가 되어 있을 수 있습니다.

※ 내국인만 데이터 신청이 가능합니다.

  • 데이터 변경이력

    데이터 변경이력
    버전 일자 변경내용 비고
    1.1 2024-10-30 데이터 최종 개방
    1.0 2024-06-28 데이터 개방 Beta Version

    데이터 히스토리

    데이터 히스토리
    일자 변경내용 비고
    2024-06-28 산출물 공개 Beta Version

    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

    데이터 구축 규모
    데이터
     종류
    데이터 형태

    원천데이터

    규모

    어노테이션

    규모

    3D
    X-Ray
    CT
    이미지 223,780 장 223,780 건
    배터리
    외곽
    (RGB)
    이미지 222,464 장 222,464 건

     

    배터리별 분포

    배터리별 분포
    구분 데이터 건수
    3D X-Ray CT Module Pouch 정상 비정상
    10,470 128,812
    Cell Pouch 정상 비정상
    60,170 24,328
    배터리
    외곽
    (RGB)
    Cell Cylindrical 정상 비정상
    73,001 149,463
  • 저작도구 설명서 및 저작도구 다운로드

    저작도구 설명서 다운로드 저작도구 다운로드
  • AI 모델 상세 설명서 다운로드

    AI 모델 상세 설명서 다운로드 AI 모델 다운로드

    - 학습 모델의 신경망 구조 및 특징

    DeepLab v3+ 아키텍처
    그림 5 DeepLab v3+ 아키텍처

    Dilated Residual Network 백본

    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.

    배터리 결함 검출 모델 개발 단계


    - 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

    데이터 설명서 다운로드 구축활용가이드 다운로드

    - 데이터구성
     - 각 배터리마다 하나씩 존재하며, json파일 형식으로 저장

     

    데이터구성
    Key Description Type Child
    Type
    battery_ids 배터리 고유번호 number  
    application 사용처 string  
    type 배터리 타입 string  
    form  배터리 형태 string  
    manufacturer 제조사 string  
    model  배터리 모델 string  
    date  촬영 일자 string  
    place 촬영 장소 string  
    swelling  swelling tagging 값(ex : "False") string  
    distance  촬영 거리 float  
    degree  촬영 각도 float  
    px_xyz (CT)배터리의 3d 이미지 사이즈 JsonArray float
    e_property  전기적 특성 string  
    x_axis_range  이미지 내에서 참조한 x축의 범위 JsonArray float
    x_axis_divide_length  x축 범위 사이에서 프레임을 추출하는 간격의 길이 float  
    y_axis_range  이미지 내에서 참조한 y축의 범위 JsonArray float
    y_axis_divide_length  y축 범위 사이에서 프레임을 추출하는 간격의 길이 float  
    z_axis_range 이미지 내에서 참조한 z축의 범위 JsonArray float
    z_axis_divide_length z축 범위 사이에서 프레임을 추출하는 간격의 길이 float  


    메타데이터 예시

    메타데이터 예시
    배터리 외관 및
    CT 이미지
    {{
        "battery_ids" : 1,
        "application" : "EV",
        "type" : "module",
        "form" : "pouch",
        "manufacturer" : "samsung sdi",
        "model" : "4680",
        "date" : "2023.08.23",
        "place" : "KTR",
        "swelling" : "Unknown",
        "distance" : null,
        "degree" : null,
        "px_xyz" : [3446, 2580, 1280],
        "e_property" : null,
        "x_axis_range" : [-25.44, 25.44],
        "x_axis_divide_length" : 1.6,
        "y_axis_range" : [-25.44, 25.44],
        "y_axis_divide_length" : 1.6,
        "z_axis_range" : [-25.44, 25.44],
        "z_axis_divide_length" : 1.6
    }

     

    - 어노테이션 포맷

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

    1) 라벨링 메타정보 공통참조항목

    라벨링 메타정보 공통참조항목
    No. 항목명 타입 하위 타입 필수 구분 항목 설명 예시
    1 data_info.data_type string   필수 데이터셋 종류 “ct”or “rgb”
    2 data_info.battery_ids number   필수 배터리 일련번호 312
    3 data_info.application string   선택* 배터리 사용처 "EV"
    4 data_info.type string   필수 배터리 타입  “cell”or “module”
    5 data_info.form string   필수 배터리 형태 “prismatic”
    6 data_info.date string   필수 촬영 일자 "2023.10.18"
    7 data_info.place string   필수 촬영 장소 "KTR"
    8 data_info.distance float   선택 촬영 거리 4
    9 data_info.degree float   선택 촬영 각도 12
    10 data_info.roi JsonArray number 필수 이미지 내 관심 영역의 픽셀 x,y좌표 [1300,2016]

     

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

     

    2) 라벨링 이미지 파일 공통참조항목

    라벨링 이미지 파일 공통참조항목
    No. 항목명 타입 필수 구분 항목 설명 예시
    1 image_info.id number 필수 이미지 식별자 “4326”
    2 image_info.file_name string 필수 이미지 파일 이름 “CT_cell_pouch_4326_x_001.jpg”
    3 image_info.width number 필수 이미지의 가로 픽셀 수 2000
    4 image_info.height number 필수 이미지의 세로 픽셀 수  2000


    - 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

    swelling
    No. 항목명 타입 하위 타입 필수 구분 항목 설명 예시
    1 swelling.swelling bool   필수

    swelling 태깅

    여부

    TRUE
    2 swelling.battery_outline JsonArray float 필수 배터리 외곽 꼭지점 좌표(각 점의 x,y좌표값이 순서대로 입력됨) [973.0,220.0,983.0,239.0,1008.0,242.0,1009.0,246.0,1022.0,242.0,1030.0,257.0]

     

    (2)defects

    defects
    No. 항목명 타입 하위타입 필수 구분 항목 설명 예시
    1 defects[].id number   필수 결함 식별자 “1”
    2 defects[].name string   필수 결함 종류 “porosity”
    3 defects[].points JsonArray float 필수 결함 외곽 꼭지점 좌표 [12.0,32.2,32.7,24.3,28.2,54.1]

     

    - 데이터포맷

    데이터포맷
    데이터 포맷     jpg, png
    전처리 전
    데이터 포맷 전처리 전
    전처리 후
    데이터 모델 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(주관)
    책임자명 전화번호 대표이메일 담당업무
    신용선 02-6956-3946 scalawox@scalawox.com 데이터 구축 및 사업 총괄
    수행기관(참여)
    수행기관(참여)
    기관명 담당업무
    이온어스 배터리 외관 이미지 데이터 및 Cell 3D CT 이미지 수집, 메타데이터 구축
    한국화학융합시험연구원  
    데이터 관련 문의처
    데이터 관련 문의처
    담당자명 전화번호 이메일
    이근형 031-679-9651 mymail@ktr.or.kr
    정시환 031-679-9545 jsihwan@ktr.or.kr
    AI모델 관련 문의처
    AI모델 관련 문의처
    담당자명 전화번호 이메일
    신용선 02-6956-3946 scalawox@scalawox.com
    이형석 02-6956-3946 scalawox@scalawox.com
    저작도구 관련 문의처
    저작도구 관련 문의처
    담당자명 전화번호 이메일
    신용선 02-6956-3946 scalawox@scalawox.com
    이형석 02-6956-3946 scalawox@scalawox.com
보건의료 데이터 개방 안내

보건의료 데이터는 온라인 및 오프라인 안심존을 통해 개방됩니다.

안심존이란 안심존 이용메뉴얼 안심존 이용신청
  • 인터넷과 물리적으로 분리된 온라인·오프라인 공간으로 의료 데이터를 포함하여 보안 조치가 요구되는 데이터를 다운로드 없이 접근하고 분석 가능
    * 온라인 안심존 : 보안이 보장된 온라인 네트워크를 통해 집, 연구실, 사무실 등 어디서나 접속하여 데이터에 접근하고 분석
    * 오프라인 안심존 : 추가적인 보안이 필요한 데이터를 대상으로 지정된 물리적 공간에서만 접속하여 데이터에 접근하고 분석

    1. AI 허브 접속
      신청자
    2. 안심존
      사용신청
      신청자신청서류 제출*
    3. 심사구축기관
    4. 승인구축기관
    5. 데이터 분석 활용신청자
    6. 분석모델반출신청자
  • 1. 기관생명윤리위원회(IRB) 심의 결과 통지서 [IRB 알아보기] [공용IRB 심의신청 가이드라인]
    2. 기관생명윤리위원회(IRB) 승인된 연구계획서
    3. 신청자 소속 증빙 서류 (재직증명서, 재학증명서, 근로계약서 등 택1)
    4. 안심존 이용 신청서 [다운로드]
    5. 보안서약서 [다운로드]
    ※ 상기 신청서 및 첨부 서류를 완비한 후 신청을 진행하셔야 정상적으로 절차가 이루어집니다.

  • 신청 및 이용관련 문의는 safezone1@aihub.kr 또는 02-525-7708, 7709로 문의

데이터셋 다운로드 승인이 완료 된 후 API 다운로드 서비스를 이용하실 수 있습니다.

API 다운로드 파일은 분할 압축되어 다운로드 됩니다. 분할 압축 해제를 위해서는 분할 압축 파일들의 병합이 필요하며 리눅스 명령어 사용이 필요합니다.

리눅스 OS 계열에서 다운로드 받으시길 권장하며 윈도우에서 파일 다운로드 시 wsl(리눅스용 윈도우 하위 시스템) 설치가 필요합니다.

※ 파일 병합 리눅스 명령어

find "폴더경로" -name "파일명.zip.part*" -print0 | sort -zt'.' -k2V | xargs -0 cat > "파일명.zip"

- 해당 명령어 실행 시, 실행 경로 위치에 병합 압축 파일이 생성됩니다.

- 병합된 파일 용량이 0일 경우, 제대로 병합이 되지 않은 상태이니 "폴더경로"가 제대로 입력되었는지 확인 부탁드립니다.

※ 데이터셋 소개 페이지에서 다운로드 버튼 클릭하여 승인이 필요합니다.