산업보안을 위한 X-ray 영상 기반 소형 저장장치 검출

다국어 초록 (Multilingual Abstract)

X-ray security screening stations are used in various fields. It takes a lot of time and training for security guards to detect storage devices exported from some manufacturing industries (semiconductors, displays, secondary batteries, automobiles, research labs). In this paper, we aim to prevent the leakage of key information in major industries and contribute to national security through accurate detection of storage devices. The first step is to build a dataset specialized for storage device detection using the storage medium of the hazardous goods image set and sample data from the client. To find a suitable model for detecting storage devices, various deep learning-based object detection models were investigated The dataset was divided into an 8:2 ratio and applied for learning and testing. Finally, the mAP of Faster R-CNN, Xception and YOLOv5 was 84.33%, 91.84%, 95.94%, respectively, keyword : X-ray, Faster R-CNN, Xception, YOLOv5 * A thesis for the degree of Master in February 2024.

목차 (Table of Contents)

• Ⅰ. 서 론 ·1
• Ⅱ. X-ray 검사기술을 활용한 산업기술 유출 방지 ·4
• 2.1. 산업기술 유출 현황 ·4
• 2.2. 산업기술 유출 방지 기술 7
• 2.3. X-ray를 이용한 소지품 검사 ·12
• Ⅲ. 딥러닝을 이용한 객체 검출 14
• 3.1. Faster R-CNN의 구성 및 동작 14
• 3.2. Faster R-CNN의 RPN(Region Proposal Networks) ·15
• 3.3. Fast R-CNN과 RPN의 Feature 공유 과정 18
• 3.4. Xception의 구성 및 동작 20
• 3.5. Xception의 아키텍처 21
• 3.6. YOLO의 구성 및 동작 22
• 3.7. YOLO의 동작 과정 ·23
• Ⅳ. X-ray 소형 저장장치 검출 및 구현 25
• 4.1. X-ray 데이터셋 구축 25
• 4.2. 딥러닝 기반 검출 모델 구현 및 학습 ·30
• 4.3. Faster R-CNN 검출 모델 구현 32
• 4.4. Xception을 활용한 Faster R-CNN 검출 모델 구현 35
• 4.5. YOLO 검출 모델 구현 ·38
• 4.6. 딥러닝 검출 모델 비교 분석 41
• Ⅴ. 결론 및 향후 연구과제 42
• 참고문헌 43
• 부록 ·49