[논문]GPU를 이용한 Gabor Texture 특징점 기반의 금속 패드 변색 분류 알고리즘

최학남; 박은수; 김준철; 김학일

doi:10.5302/j.icros.2009.15.8.778

문제 정의

정보를 이용해야 한다. 따라서 본 논문에서는 Gabor 필터를 이용하여 texture 특징점을 추출하고, 추출된 특징점을 이용하여 AFVI 마지막 단계에서 사용하게 될 금속 패드의 변색 분류 알고리즘을 개발하고자 한다. 현재 생산 현장에서는 변색분류에 관한 알고리즘이 적용되지 않고 사람이 직접 검사하는 방식을 취하고 있는 실정이다.
본 논문에서는 이러한 처리 시간 문제를 해결하기 위하여 Gabor filter 기반의 Texture 특징점 추출 알고리즘을 GPU를 이용하여 구현하였으며, 그 성능을 확인하기 위하여 CPU에 순차처리와 병렬처리 두 가지 방법으로 개발하여 비교하였다. 실험 결과 GPU상에서 shared 메모리를 이용하였을 때가장 좋은 성능을 나타내었고 실시간 처리가 가능함을 확인하였다.

제안 방법

개발하였으며, 256x256. 512x512일반 텍스쳐 영상을 이용하여 성능을 평가하였으며, 실제 생산 공정에서 획득한 12장의 변색영상과 8장의 거칠기 영상에 대하여 분류알고리즘을 적용하였다. 다음의 표 1은 실험 환경에 대한 표이다.
CPU상에서의 순차 처리는 C++를 이용하여 개발하였고, 순차처리에 OpenMP를 적용하여 병렬처리를 하였다. OpenMP 는 병렬처리 라이브러리로써 그림 2와 같이 제공되는 명령들을 순차 처리에 적용하면 간단하게 병렬처리를 할 수 있다.
CPU와 GPU상에서의 특징점 추출 성능을 확인하기 위하여 논본문에서는 다양한 실험을 진행하였다. 그림 10은 256x256 크기의 원본 텍스쳐 영상을 나타내고, 그림 11은 CPU상에서의 순차 처리, 병렬 처리 및 GPU상에서의 Global 메모리와 shared 메모리를 사용했을 때의 pattern map 결과를 0~255 값으로 normalization 해서 출력한 결과이며, 그림 12는 추출한 특징점을 나타낸다.
납품되기 때문에 미검은 발생하면 안 된다. 따라서 본 논문에서는 미검이 발생하지 않는 조건에서 T값을 설정하였다. 표의 결과로부터 Tss를 사용하였을 때 미검이 발생하지 않는 조건에서 8.
본 논문에서는 CPU상에서의 순차 처리, CPU상에서의 OpenMP를 이용한 병렬처리, GPU상에서의 global 메모리를 이용한 방법과 shared 메모리를 이용한 방법 등, 네 가지 방식으로 위에서 제시한 알고리즘을 개발하였다.
본 논문에서는 GPU를 이용한 고속픽셀 패턴 기반의 texture 특징점 추출과 금속 패드 변색 분류 알고리즘을 제안하였으며, Gabor texture 특징벡터 추출 성능을 평가하기 위하여 CPU상에서는 순차 처리와 OpenMP를 이용한 병렬처리를 하였고, GPU상에서는 Global 메모리를 이용한 방법과 shared 메모리를 이용한 방법으로 개발하였다. 실험결과 CPU상에서의 순차 처리를 기준으로 했을 때 OpenMP를 이용한 방법은 1.
물론 개발 시 데이터 종속성, 병렬성 등을 고려해야 한다. 본 논문에서는 filtering, pattern map을 구하는 부분, 특징점 추출하는 부분을 그림 3에서와 같이 OpenM伸를 적용하여 개발하였다. 그림 3의 각 단계는 II에서 서술한 알고리즘과 같이 데이터 종속성, 데이터 경쟁 등 병렬처리를 저해하는 요소들이 존재하지 않는다.
본 논문은 서론, Gabor 필터를 이용한 Texture 특징점 추출 알고리즘, 금속패드 변색분류 알고리즘, 실험결과 및 분석, 결론과 같이 다섯 부분으로 구성되었다. 서론에서는 GPU 하드웨어 동향과 Texture 추출 알고리즘에 대한 기존연구에 대해서술하였고, Gabor 필터를 이용한 Texture 특징점 추출 알고리즘과 금속 패드 변색 분류 알고리즘 부분에서는 제안한 알고리즘과 알고리즘 개발 방법에 대해 서술하였으며, 실험 결과 및 분석에서는 본 논문에서 개발한 알고리즘에 대한 결과와 그에 대한 성능평가 및 분석을 진행하였으며, 마지막으로 결론 및 향후 연구에 대해서 서술하였다.
서론에서는 GPU 하드웨어 동향과 Texture 추출 알고리즘에 대한 기존연구에 대해서술하였고, Gabor 필터를 이용한 Texture 특징점 추출 알고리즘과 금속 패드 변색 분류 알고리즘 부분에서는 제안한 알고리즘과 알고리즘 개발 방법에 대해 서술하였으며, 실험 결과 및 분석에서는 본 논문에서 개발한 알고리즘에 대한 결과와 그에 대한 성능평가 및 분석을 진행하였으며, 마지막으로 결론 및 향후 연구에 대해서 서술하였다.
. 스 、、百'亏'甘, 寸宁甘, 甘}와 같이 8방향을 적용하여 pattern map을 구하고, pattern map 영상에 heightxheight 크기의 feature window를 적용하여 width-height 개수만큼의 feature vector를 획득한다. 여기서 height와 width는 각각 pattern map 영상의 크기를 나타낸다.

데이터처리

변색 분류 알고리즘은 추출된 feature vector 에 대하여 평균과 표준편차값을 구하고 임계값을 취하여 임계값 이상이면 변색 아니면 거칠기로 판단하였다. 즉 아래의 식 (8)T11)과 같이 특징벡터에 대하여 처리한 후, 식 (12)~(15) 를 이용하여 변색, 거칠기 영상을 분류한다.

이론/모형

ROI 영역 추출 과정은 우선 Otsu[8]방법을 이용하여 이진화를 하고, 모폴로 지 연산을 진행하여 잡음을 제거한 후, 무게중심을 이용하여 R이영역의 중심 좌표를 계산하고, 반지름을 계산하여 ROI영역을 확정한다.

성능/효과

그림 14는 256x256 크기의 영상에서 kernel window 크기를 5乂5로 하고, 특징점 window 크기를 각각 10><15, 20x20, 25x25, 3(以30으로 했을 때의 결과이다 그림에서 보는 바와 같이 특징점 window 크기가 커짐에 따라 처리 시간이 많이 걸리는 것을 확인하였고 GPU상에서 shared 메모리를 이용하였을 때 기타 방식들보다 가장 좋은 성능을 나타냄을 확인할 수 있었다.
본 논문에서 제안한 알고리즘에 의해 추출된 특징 점의 성능을 검증하기 위하여 간단한 분류기를 설계하여 실험한 결과 20장의 변색, 거칠기 영상을 에러 없이 정확하게 분류함을 확인하였다. 하지만 본 논문에서 사용한 변색, 거칠기 영상의 수가 적어서 향후 본 알고리즘의 성능을 신뢰성 있게 검증하기 위하여 많은 DB를 구축하여 테스트해볼 필요가 있으며, 기타 여러 가지 분류기를 설계하여 그 성능을 비교하는 추가적인 연구가 필요하다.
15x15로 했을 때의 결과이다. 실험 결과 GPU상에서 shared 메모리를 이용하였을 때 가장 좋은 성능을 나타냄을 확인하였다. 여기서 GPU 프로세싱에서 시간 체크는 영상 데이터를 CPU에 GPU로 전송하는 시간과 GPU에서 CPU 전송하는 시간을 포함하여 체크하였다.
실험 결과 GPU상에서 shared 메모리를 이용하였을 때가장 좋은 성능을 나타내었고 실시간 처리가 가능함을 확인하였다.
실험결과 CPU상에서의 순차 처리를 기준으로 했을 때 OpenMP를 이용한 방법은 1.5배정£, GPU상에서의 Global 메모리를 이용했을 때 5〜12배, shared 메모리를 이용했을 때는 10~40배의 성능향상을 보임을 확인하였다. 이러한 실험 결과로 부터 shared 메모리를 이용한 GPU상에서의 처리 속도가 가장 좋은 성능을 나타내는 것을 확인하였다.
영상 크기 변화에 따른 실험 결과이다. 이 실험에서도 역시 shared 메모리를 이용한 방식이 가장 좋은 성능을 나타냄을 확인하였다.
5배정£, GPU상에서의 Global 메모리를 이용했을 때 5〜12배, shared 메모리를 이용했을 때는 10~40배의 성능향상을 보임을 확인하였다. 이러한 실험 결과로 부터 shared 메모리를 이용한 GPU상에서의 처리 속도가 가장 좋은 성능을 나타내는 것을 확인하였다.
따라서 본 논문에서는 미검이 발생하지 않는 조건에서 T값을 설정하였다. 표의 결과로부터 Tss를 사용하였을 때 미검이 발생하지 않는 조건에서 8.3%의 과검과 5%의 에러율을 보였으며, Tms를 사용하면 0%에러율을 보임을 확인하였다.

후속연구

확인하였다. 하지만 본 논문에서 사용한 변색, 거칠기 영상의 수가 적어서 향후 본 알고리즘의 성능을 신뢰성 있게 검증하기 위하여 많은 DB를 구축하여 테스트해볼 필요가 있으며, 기타 여러 가지 분류기를 설계하여 그 성능을 비교하는 추가적인 연구가 필요하다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

GPU를 이용한 Gabor Texture 특징점 기반의 금속 패드 변색 분류 알고리즘
Discolored Metal Pad Image Classification Based on Gabor Texture Features Using GPU 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (8)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

GPU를 이용한 Gabor Texture 특징점 기반의 금속 패드 변색 분류 알고리즘 Discolored Metal Pad Image Classification Based on Gabor Texture Features Using GPU 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (8)

이 논문을 인용한 문헌

저자의 다른 논문 :

최학남 (13) 박은수 (12) 김준철 (5) 김학일 (73)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

GPU를 이용한 Gabor Texture 특징점 기반의 금속 패드 변색 분류 알고리즘
Discolored Metal Pad Image Classification Based on Gabor Texture Features Using GPU 원문보기

AI 본문요약
AI-Helper