선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 2%를 나타내었다. 본 연구에서는 신경회로망을 이용하여 오이의 형상 및 위치를 인식할 수 있도록 알고리즘을 개발하였다. 오이의 위치측정은 실제영상에서 학습패턴과 유사한 출력패턴의 좌표를 가지고, 오이의 위치좌표를 추정할 수 있었다.
- 영상처리는 정확한 오이의 형상 및 위치를 인식하기 위하여 형상인식 알고리즘에 대한 연구를 수행하였다. 다양한 오이형상을 인식하기 위한 방법으로는 신경회로망의 연상 메모리 알고리즘을 이용하여 오이의 특징 형상을 인식하였다.
제안 방법
- 7은 본 알고리즘의 순방향 신경망 구조를 나타낸 것이다. 각 뉴런의 데이터 값(X)이 입력되면, 각 학습 데이터에 대한 가중치(%)의 합을 구한 후 학습패턴에 대한 출력패턴의 복원율을 높이기 위해 단위 메트릭스를 이용하였다. 또한, 복원율을 향상시키기 위해 활성화 함수를 이용하여 연상된 패턴을 출력하도록 하였다.
- 18(d)에서 학습패턴과 유사한 출력패턴으로 검출된 과병 부위의 좌표는 (205, 103)에서 비슷하게 인식되었다. 또한 학습패턴에 대한 출력패턴의 검출 결과는 3개의 특징형상을 오검출하였다.
- 각 뉴런의 데이터 값(X)이 입력되면, 각 학습 데이터에 대한 가중치(%)의 합을 구한 후 학습패턴에 대한 출력패턴의 복원율을 높이기 위해 단위 메트릭스를 이용하였다. 또한, 복원율을 향상시키기 위해 활성화 함수를 이용하여 연상된 패턴을 출력하도록 하였다.
- 학습벡터에 대한 출력벡터의 가중치(W)를구하고 연상메모리에 의해서 학습패턴에 대한 출력패턴을 연상한다. 또한, 출력패턴의 복원 효율을 높이기 위해 단위메트릭스를 이용한 후 양극성 데이터로 변환하여 학습패턴과 유사한 출력패턴을 연상한다. 학습패턴과 유사한 출력패턴만을 검출하기 위해 H .
- 본 연구에서는 대상체(오이)를 인식하기 위한 방법으로 신경회로망 모델 중 구현이 간단하고 분류능력이 좋은 연상메모리 중에서 동질연상 메모리를 이용하였다.
- 실제 영상에서 오이의 특징점 검출은 출력패턴 결과를 적용하여 전체영상 크기에서 자동적으로 검출하였다. 자동검출 처리는 오이의 학습패턴과 유사한 출력패턴을 인식하여 오이의 형상 및 위치를 판정하였다.
- 실제 영상에서 오이의 형상인식은 Fig. 5와 같이 RGB 영상을 이치화하여 흑백 영상으로 변환하고 학습패턴을 적용하여 오이의 과병 부분(30 X 30픽셀)을 인식하고자 하였다. 픽셀크기는 Fig.
- 실제 영상에서 오이의 형상정보를 인식하기 위하여오이과병을 판정할 수 있는 알고리즘을 개발하였다. 실제 영상에서 오이의 형상인식은 Fig.
- 이는 학습패턴의 수가 많을수록 수렴할 때, 다른 출력패턴으로 많이 검출되었다. 오이의 특징형상 검출은 30x30간격으로 자동검출 되도록 처리하였다..
- S 조건을 이용하여 학습패턴과 다른 패턴을 제거하고, H - S 조건에서 오검출된 출력패턴은 H 조건으로 다시 제거하고 H . 와 H 조건에 모두 만족한 출력패턴은 특징 형상으로 인식하고, 하나라도 만족하지 않은 출력패턴은 제거된 개발한 알고리즘을 가지고 오이의 형상을 구체적으로 인식하기 위해 지식기반을 통한 형상검출의 컴퓨터 프로그램을 개발하였다. 이 프로그램은 Microsoft사의 Visual C++ 프로그래밍을 이용하여 구현하였다.
- 16(c)의 이미지는 연상메모리에 의해서 검출된 학습패턴에 대한 출력패턴을 나타낸 것이다. 이러한 알고리즘에 의해 검출되는 출력패턴들은 30 X 30 간격으로 오이인식을 자동검줄 하였다.
- 자동검출 처리는 오이의 학습패턴과 유사한 출력패턴을 인식하여 오이의 형상 및 위치를 판정하였다.
대상 데이터
- 사용된 영상처리 시스템은 영상신호입력부, 영상처리부, 컴퓨터 및 영상출력부로 구성된다. 컬러 CCD 카메라로부터 입력된 영상신호는 NTSC(RS-170) 형태의 아날로그 신호로 변환되어 컴퓨터에 저장된다.
- 실험에 사용된 오이영상은 2007년 5~6월 사이에 재배된 영상을 이용하였다. 대부분의 영상은 Fig.
- 입력 센서부에 해당하는 영상 입력장치로는 일본 Ikegami사에서 판매하는 ICD-703 모델로 4.8mm 렌즈를 부착한 컬러 CCD 카메라 2대를 사용하였다 본 연구에서 사용된 카메라의 제원은 Table 1과 같다. Fig.
데이터처리
- 와 H 조건에 모두 만족한 출력패턴은 특징 형상으로 인식하고, 하나라도 만족하지 않은 출력패턴은 제거된 개발한 알고리즘을 가지고 오이의 형상을 구체적으로 인식하기 위해 지식기반을 통한 형상검출의 컴퓨터 프로그램을 개발하였다. 이 프로그램은 Microsoft사의 Visual C++ 프로그래밍을 이용하여 구현하였다.
이론/모형
- 수행하였다. 다양한 오이형상을 인식하기 위한 방법으로는 신경회로망의 연상 메모리 알고리즘을 이용하여 오이의 특징 형상을 인식하였다. 형상인식은 실제영상에서 오이의 형상과 위치를 판정할 수 있도록 알고리즘을 개발한 결과, 다음과 같은 결론을 얻었다.
- 본 연구에서는 온실에서 재배되고 있는 오이를 검출하기 위하여 신경회로망 모델 중 구현이 간단하고 분류능력이 좋은 연상메모리 모델 중에서 동질연상 메모리를 이용하였다(Susan와 Young, 1998). 연상 메모리는 패턴의 일부분이 주어지고 전체 패턴의 모습을 알고자 할 때 사용할 수 있다.
- 4는 선형연상기의 구조를 간단히 도식화한 그림이다. 패턴간의 연관성을 기억시키기 위한 학습단계는 순방향 신경망(Feed-forward network) 연상메모리방식을 이용하였다. 여기서, 입력벡터 P와 연결강도 W의 관계에 얻은 출력벡터를 a라 하였고, 그 결과식은 아래와 같이 얻을 수 있다.
성능/효과
- 16(d)에서, 사각형은 Visual c++의 Rectangle함수를 이용하여 검줄 조건에 만족하지 않은 출력패턴을 사각형으로 처리하였다. 따라서 인식된 패턴은 학습패턴과 유사한 출력패턴으로서, 오이의 특징형상을 판정할 수 있으며, 인식된 특징 형상의 좌표를 통해서, 오이의 과병 위치를 추정할 수 있었다. 또한 Fig.
- 따라서, 인식 알고리즘을 실제 영상에 적용하면 오이 형상 검출은 학습패턴과 유사한 출력패턴이 되어 학습패턴에 대한 출력패턴을 정확히 인식하였다.
- 실제영상에서 자동 검출로 처리한 결과, 오이인식의 처리시간은 약 05시초/1개(패턴) 빠르게 검출되었다. 또한, 다섯 개의 실제 영상에서 실험한 결과, 학습패턴에 대한 다른 출력패턴은 96~99%의 제거율을 나타내었다. 오이로 인식된 출력패턴 중에서, 오검출된 출력패턴의 비율은 0.
- 형상인식은 실제영상에서 오이의 형상과 위치를 판정할 수 있도록 알고리즘을 개발한 결과, 다음과 같은 결론을 얻었다. 본 알고리즘에서는 일정한 학습패턴의 수를 2개, 3개, 4개를 각각 기억 시켜 샘플패턴 20개를 실험하여 연상시킨 결과, 학습패턴으로 복원된 출력패턴의 비율은 각각 65.0%, 45.0%, 12.5%로 나타났다. 이는 학습패턴의 수가 많을수록 수렴할 때, 다른 출력패턴으로 많이 검출되었다.
- . 실제영상에서 자동 검출로 처리한 결과, 오이인식의 처리시간은 약 05시초/1개(패턴) 빠르게 검출되었다. 또한, 다섯 개의 실제 영상에서 실험한 결과, 학습패턴에 대한 다른 출력패턴은 96~99%의 제거율을 나타내었다.
- 16(d>의 출력패턴 중 과병형상에 인식된 출력패턴의 좌표는 (192, 255)서 검출되어, 오이에 대한 위치정보를 측정할 수 있었다. 하지만 2개의 특징형상이 오검출되어 학습패턴으로 인식됨으로서, 실제영상에서 오이의 위치측정은 가능하나 정확한 위치정보는 오차를 포함하고 있음을 알 수 있었다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.