초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

본 논문에서는 건물 이음새를 균열로 인식하는 기존의 콘크리트 균열 모델의 문제를 해결하고 세분화된 데이터 셋을 활용하여 앙상블 모델 기법을 적용하여 균열 이미지 분류 성능을 향상시키는 새로운 알고리즘을 제안한다.
인공신경망(Artificial Neural Network, ANN)은 인간의 ...

본 논문에서는 건물 이음새를 균열로 인식하는 기존의 콘크리트 균열 모델의 문제를 해결하고 세분화된 데이터 셋을 활용하여 앙상블 모델 기법을 적용하여 균열 이미지 분류 성능을 향상시키는 새로운 알고리즘을 제안한다.
인공신경망(Artificial Neural Network, ANN)은 인간의 뉴런 구조를 모방해 만든 퍼셉트론을 여러 층을 쌓아 올린 다층 퍼셉트론 알고리즘이다. 신경망의 학습 방식은 각 노드의 입력값과 가중치(Weight)를 서로 곱하여 모두 합한 후 편향(Bias)을 더하고, 활성화 함수(Activation Function)가 가지고 있는 임곗값과 비교한다. 만약 가중합이 임곗값보다 크면 퍼셉트론이 활성화되고, 작으면 비활성화한다. 인공신경망의 목표는 미리 알고 있는 정답과 신경망에서 도출된 결괏값을 오차역전파방식을 사용하여 정답값과 결괏값의 오차를 줄이는 방향으로 가중치를 점차 갱신하는 것이다.
합성곱 신경망은 인공신경망의 은닉층이 여러 층으로 이루어진 심층 신경망(Deep Neural Network, DNN)의 한 종류로, 고차원 데이터를 입력값으로 받을 때 파라미터의 수가 지나치게 많은 심층 신경망의 단점을 보완한 방식이다. 신경망에서 파라미터의 수가 지나치게 많아지면 과적합(Overfitting) 문제를 발생시키게 된다. 과적합은 단순히 학습 데이터만 암기하는 현상으로, 학습 데이터에서 제공되지 않은 데이터에 대해 많이 취약하다. 이를 해결하기 위해 합성곱 신경망은 인간의 시신경 구조를 모방하여 이미지의 특징(Feature)을 추출(Extraction)하고, 완전 연결 계층(Fully connected layer)을 통해 입력된 이미지를 분류하기 위한 변별적 학습을 수행한다.
콘크리트 균열 이미지 분류 모델의 성능을 높이기 위해서는 균열과 미 균열 이미지의 종류를 구분하는 방식이 필요하다. 기존의 콘크리트 균열 이미지 분류 모델의 학습 데이터들은 콘크리트의 단면 이미지와 균열 이미지로만 학습하여 균열을 분류하는 방식이었다. 하지만 실제 콘크리트 건물의 외벽에는 콘크리트와 콘크리트 사이를 연결해 주는 이음새가 존재하고, 단순히 균열을 분류하는 모델은 이음새 부분을 균열로 인식하는 문제점이 있다. 이러한 문제를 해결하기 위해 이미지 데이터 셋의 종류를 세분화하여 일자형, 벽돌형, 일반형, 균열형으로 나누어 학습을 진행한다.
세분화된 데이터들을 활용하여 앙상블 모델(Ensemble model) 기법을 사용한다. 앙상블 모델 기법은 여러 모델들을 구축하고 각 모델들을 조화롭게 학습시켜 문제를 해결하고 더 나은 결과를 얻도록 학습하는 방식이다. 세분화된 이미지 데이터 셋을 기준으로 모델들을 구축하여 학습하고, 학습된 모델들로 앙상블 모델을 구축하여 이미지 분류 성능을 향상시킨다.

Keyword