약화 사고 방지를 위한 약통 분류 알고리즘은 약통의 회전, 크기변화, 위치 이동 등의 기하학적 변화에 강인하여야 한다. 본 논문에서는 기하학적 변화에 강인한 SIFT(Scale Invariant Feature Transform)을 이용하여 약통을 실시간으로 정확하게 분류하는 알고리즘을 제안한다. 먼저, 약통 분류를 위해서 두드러진 특징으로 약통의 크기 정보인 최외곽 사각형을 이용하여 약통을 크기 별로 분류한다. 다음으로 최외곽 사각형내에서 라벨 영역을 추출하고, 회전을 고려한 관심영역을 추출한다. 그리고 추출된 관심영역에 대해 SIFT를 이용하여 약통을 분류한다. 또한 SIFT의 처리 속도를 개선하기 위하여 SIFT의 옥타브 수를 간소화하였다. 250개의 약통 영상에 대해 제안한 알고리즘의 성능을 평가한 결과, 모든 약통에 대해 정확히 분류함을 확인하였다. 또한 SIFT의 피라미드 레벨 간소화에 의해 처리 시간을 2배 이상 향상됨을 확인하였다.
약화 사고 방지를 위한 약통 분류 알고리즘은 약통의 회전, 크기변화, 위치 이동 등의 기하학적 변화에 강인하여야 한다. 본 논문에서는 기하학적 변화에 강인한 SIFT(Scale Invariant Feature Transform)을 이용하여 약통을 실시간으로 정확하게 분류하는 알고리즘을 제안한다. 먼저, 약통 분류를 위해서 두드러진 특징으로 약통의 크기 정보인 최외곽 사각형을 이용하여 약통을 크기 별로 분류한다. 다음으로 최외곽 사각형내에서 라벨 영역을 추출하고, 회전을 고려한 관심영역을 추출한다. 그리고 추출된 관심영역에 대해 SIFT를 이용하여 약통을 분류한다. 또한 SIFT의 처리 속도를 개선하기 위하여 SIFT의 옥타브 수를 간소화하였다. 250개의 약통 영상에 대해 제안한 알고리즘의 성능을 평가한 결과, 모든 약통에 대해 정확히 분류함을 확인하였다. 또한 SIFT의 피라미드 레벨 간소화에 의해 처리 시간을 2배 이상 향상됨을 확인하였다.
Medicine-bottle classification algorithm to avoid medicine accidents must be robust to a geometric change such as rotation, size variation, location movement of the medicine bottles. In this paper, we propose an algorithm to classify the medicine bottles exactly in real-time by using SIFT(Scale Inva...
Medicine-bottle classification algorithm to avoid medicine accidents must be robust to a geometric change such as rotation, size variation, location movement of the medicine bottles. In this paper, we propose an algorithm to classify the medicine bottles exactly in real-time by using SIFT(Scale Invariant Feature Transform) which is robust to the geometric change. In first, we classify medicine bottles by size using minimum boundary rectangle(MBR) of medicine bottles as a striking feature in order to classify the medicine bottles. We extract label region in the MBR and the region of interest(ROI) considering rotation. Then, we classify medicine bottles using SIFT for the extracted ROI. We also simplify the number of octave of SIFT in order to improve a process speed of SIFT. We confirm to classify all the medicine bottles exactly as a result of performance evaluation of the proposed algorithm about images of 250 medicine bottles. We also confirm to improve the process time more than twice the processing time by simplifying the number of octave of SIFT.
Medicine-bottle classification algorithm to avoid medicine accidents must be robust to a geometric change such as rotation, size variation, location movement of the medicine bottles. In this paper, we propose an algorithm to classify the medicine bottles exactly in real-time by using SIFT(Scale Invariant Feature Transform) which is robust to the geometric change. In first, we classify medicine bottles by size using minimum boundary rectangle(MBR) of medicine bottles as a striking feature in order to classify the medicine bottles. We extract label region in the MBR and the region of interest(ROI) considering rotation. Then, we classify medicine bottles using SIFT for the extracted ROI. We also simplify the number of octave of SIFT in order to improve a process speed of SIFT. We confirm to classify all the medicine bottles exactly as a result of performance evaluation of the proposed algorithm about images of 250 medicine bottles. We also confirm to improve the process time more than twice the processing time by simplifying the number of octave of SIFT.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
다음으로 후보 약통들의 SIFT 특징 벡터들과 캐니스터의 SIFT 특징벡터 간에 유클리드 거리를 이용해서 정합한다. 그리고 후보 약통들 중에서 정합 수가 가장 많은 약통을 결정하여 이의 약품번호와 캐니스터의 약품 번호 간에 일치 여부를 판단한다.
본 논문에서 약을 조제할 때 일어날 수 있는 약화 사고를 방지하기 위해서 기하학적 변화에 강인한 SIFT을 이용하여 약통을 실시간으로 정확하게 분류하는 알고리즘을 제안하였다. 먼저, 약통 분류를 위해서 두드러진 특징으로 약통의 크기 정보인 최외곽 사각형을 이용하여 약통을 크기 별로 분류한다.
본 논문에서는 SIFT를 이용하여 약통을 실시간으로 정확하게 인식 또는 분류하는 알고리즘을 제안한다. 먼저, 약통 분류를 위해서는 약통의 크기 정보가 큰 특징이 되므로 최외곽 사각형(Minimum Boundary Rectangle: MBR)을 이용하여 약통을 크기 별로 분류한다.
본 논문에서는 약화 사고를 방지하기 위하여 SIFT를 이용하여 약통을 실시간으로 정확하게 인식 또는 분류하는 약통 분류 시스템을 제안한다. 먼저, 약통 분류를 위해서는 약통의 크기 정보가 큰 특징이 되므로 최외곽 사각형(Minimum Boundary Rectangle: MBR)을 이용하여 약통을 크기 별로 분류한다.
가설 설정
SIFT를 약통 영상에 적용할 경우 다음의 3가지 문제가 있을 수 있다. 1) DB에 있는 모든 약통 영상과 정합을 해야 하므로 정합에 상당한 시간이 필요하다. 2) 약통 영상에서 라벨 영역이외의 영역은 정합에 불필요하다.
1) DB에 있는 모든 약통 영상과 정합을 해야 하므로 정합에 상당한 시간이 필요하다. 2) 약통 영상에서 라벨 영역이외의 영역은 정합에 불필요하다. 3) 약통의 회전이 심할 때 정합오차가 발생한다.
2) 약통 영상에서 라벨 영역이외의 영역은 정합에 불필요하다. 3) 약통의 회전이 심할 때 정합오차가 발생한다. 이러한 문제점을 해결하기 위해, 문제 1)은 약통 크기를 이용하여 크기별로 그룹화함으로써 정합 대상 수를 줄여 해결할 수 있다.
제안 방법
다음으로 조명 변화에 강인한 특성을 갖기 위해 극값을 특징점으로 검출한다. DoG 영상에서 3x3 마스크를 적용하여 마스크 내의 중심값이 이웃한 DoG 영상들의 3x3 마스크 내의 값과 비교하여 중심 값이 가장 크거나 가장 작으면 극 값(Extreme)으로 정의하고 그 위치를 특징점으로 검출한다. <그림 2> (a)의 가우시안 차 영상에서, 중심 화소의 이웃 화소 8개와 피라미드 상에서 이웃한 영상의 화소 18개에서 그 중심 화소가 최대치 또는 최소치 즉, 극값을 가질 경우 그 중심 화소를 특징 점 후보(candidate key point)로 결정한다.
다음으로 MBR내에서 라벨 영역을 추출하고, 회전을 고려한 관심영역(Region of Interest: ROI)을 추출한다. 그리고 추출된 ROI 영역에 대해 SIFT를 이용하여 약통을 인식 및 분류한다. 또한 SIFT의 처리 속도를 개선하기 위하여 SIFT의 옥타브 수를 간소화하였다.
다음으로 최외곽 사각형내에서 라벨 영역을 추출하고, 회전을 고려한 관심영역을 추출하였다. 그리고 추출된 관심영역에 대해 SIFT를 이용하여 약통을 분류한다. 또한 SIFT의 처리 속도를 개선하기 위하여 SIFT의 옥타브 수를 간소화하였다.
여기서 L(x,y)은 윈도우내의 영상이다. 그리고 특징 점과의 거리에 대한 가중치를 고려하여 gradient의 크기에 가우시안 커널을 곱하여 개선된 gradient의 크기를 구한다. 그리고 특징점의 방향을 결정하기 위해 윈도우 안에서 360도의 방향을 10도 간격으로 양자화된 36개의 방향에 대한 크기 값을 누적하여 방향 히스토그램을 구한다.
그리고 특징 점과의 거리에 대한 가중치를 고려하여 gradient의 크기에 가우시안 커널을 곱하여 개선된 gradient의 크기를 구한다. 그리고 특징점의 방향을 결정하기 위해 윈도우 안에서 360도의 방향을 10도 간격으로 양자화된 36개의 방향에 대한 크기 값을 누적하여 방향 히스토그램을 구한다. 히스토그램의 최대값을 갖는 방향을 특징점의 주방향으로 설정하고, 히스토그램 내의 다른 방향 값은 주방향을 기준으로 정렬한다.
너비 151∼398, 높이 250∼879까지 다양한 크기와 종류의 약통 250개의 샘플에 대해서 단계별 평균 처리 시간을 에 정리하였다.
먼저, 약통 분류를 위해서는 약통의 크기 정보가 큰 특징이 되므로 최외곽 사각형(Minimum Boundary Rectangle: MBR)을 이용하여 약통을 크기 별로 분류한다. 다음으로 MBR내에서 라벨 영역을 추출하고, 회전을 고려한 관심영역(Region of Interest: ROI)을 추출한다. 그리고 추출된 ROI 영역에 대해 SIFT를 이용하여 약통을 인식 및 분류한다.
먼저, 약통 분류를 위해서는 약통의 크기 정보가 큰 특징이 되므로 최외곽 사각형(Minimum Boundary Rectangle: MBR)을 이용하여 약통을 크기 별로 분류한다. 다음으로 MBR내에서 라벨 영역을 추출하고, 회전을 고려한 라벨 영역내 관심영역(Region of Interest: ROI)을 추출한다. 그리고 추출된 ROI 영역에 대해 SIFT를 이용하여 약통을 인식 및 분류한다.
다음으로 ROI 영상에서 회전에 대한 정합 성능을 실험하였다. <그림 13>은 0도와 50도 회전된 ROI 영상에 대한 제안한 방법의 실헙 결과 영상들이다.
다음으로 약통들 간에 변별력을 갖는 SIFT의 특징 점들은 라벨 영역에 존재하므로 MBR내에서 라벨영역을 추출한다. R,G,B 각 채널 간 차가 문턱치(T) 이상이면 라벨영역, 문턱치 이하이면 배경영역으로 분리한다.
먼저, 약통 분류를 위해서 두드러진 특징으로 약통의 크기 정보인 최외곽 사각형을 이용하여 약통을 크기 별로 분류한다. 다음으로 최외곽 사각형내에서 라벨 영역을 추출하고, 회전을 고려한 관심영역을 추출하였다. 그리고 추출된 관심영역에 대해 SIFT를 이용하여 약통을 분류한다.
다음으로 후보 약통들의 SIFT 특징 벡터들과 캐니스터의 SIFT 특징벡터 간에 유클리드 거리를 이용해서 정합한다. 그리고 후보 약통들 중에서 정합 수가 가장 많은 약통을 결정하여 이의 약품번호와 캐니스터의 약품 번호 간에 일치 여부를 판단한다.
이는 SIFT의 특징 점들이 약품명에서 지배적으로 발생하므로 30도 이상 회전될 경우 정합 오차가 클 것으로 예상된다. 따라서 본 논문에서는 좌우 20도 회전에서 라벨 영역의 정보가 심하게 왜곡되지 않은 영역을 ROI로 추출한다.
그리고 추출된 ROI 영역에 대해 SIFT를 이용하여 약통을 인식 및 분류한다. 또한 SIFT의 처리 속도를 개선하기 위하여 SIFT의 옥타브 수를 간소화하였다.
그리고 추출된 ROI 영역에 대해 SIFT를 이용하여 약통을 인식 및 분류한다. 또한 SIFT의 처리 속도를 개선하기 위하여 SIFT의 옥타브 수를 간소화한다.
먼저, 기존의 대표적인 SIFT 방법인 Lowe 방법을 실제 약통 영상에 적용할 경우를 살펴본다. 첫째, 크기 불변 특성을 실현하기 위해 필요한 다수의 특징점 기술자를 생성하는데 긴 처리 시간이 필요하고, DB 전체와 정합을 수행하게 되면 처리 시간은 더욱 증가하게 된다.
본 논문에서 약을 조제할 때 일어날 수 있는 약화 사고를 방지하기 위해서 기하학적 변화에 강인한 SIFT을 이용하여 약통을 실시간으로 정확하게 분류하는 알고리즘을 제안하였다. 먼저, 약통 분류를 위해서 두드러진 특징으로 약통의 크기 정보인 최외곽 사각형을 이용하여 약통을 크기 별로 분류한다. 다음으로 최외곽 사각형내에서 라벨 영역을 추출하고, 회전을 고려한 관심영역을 추출하였다.
본 논문에서는 SIFT를 이용하여 약통을 실시간으로 정확하게 인식 또는 분류하는 알고리즘을 제안한다. 먼저, 약통 분류를 위해서는 약통의 크기 정보가 큰 특징이 되므로 최외곽 사각형(Minimum Boundary Rectangle: MBR)을 이용하여 약통을 크기 별로 분류한다. 다음으로 MBR내에서 라벨 영역을 추출하고, 회전을 고려한 관심영역(Region of Interest: ROI)을 추출한다.
본 논문에서는 SIFT의 옥타브 수를 1로 하고 ROI에 대해서만 특징점을 추출하였다. 우선 처리 속도 개선에 관한 실험으로 SIFT 수행 단계를 피라미드 생성, 특징벡터 생성, 기술자 생성 부분으로 세분하여 각 단계별 처리 시간을 알아보았다.
먼저 정해진 위치에 있는 캐니스터의 라벨 영역을 추출하여 약품번호 또는 약품명을 인식한다. 본 논문에서는 용이성을 고려하여 템플릿 정합을 이용하여 약품번호를 인식한다. 약품번호에 해당하는 DB에 저장되어 있는 약통영상과 분류대상인 약통영상과의 일치 여부를 SIFT를 이용하여 판단한다.
본 논문에서는 용이성을 고려하여 템플릿 정합을 이용하여 약품번호를 인식한다. 약품번호에 해당하는 DB에 저장되어 있는 약통영상과 분류대상인 약통영상과의 일치 여부를 SIFT를 이용하여 판단한다.
본 논문에서는 SIFT의 옥타브 수를 1로 하고 ROI에 대해서만 특징점을 추출하였다. 우선 처리 속도 개선에 관한 실험으로 SIFT 수행 단계를 피라미드 생성, 특징벡터 생성, 기술자 생성 부분으로 세분하여 각 단계별 처리 시간을 알아보았다. 너비 151∼398, 높이 250∼879까지 다양한 크기와 종류의 약통 250개의 샘플에 대해서 단계별 평균 처리 시간을 <표 2>에 정리하였다.
카메라는 웹캠을 사용하고, 조명은 균일성과 항상성을 갖기 위해 LED 조명을 사용한다. 제안한 약통 분류 시스템은 약을 보충해야 하는 캐니스터의 라벨에 적힌 약품명과 약통의 일치 여부를 판단하는 시스템이다. 먼저 정해진 위치에 있는 캐니스터의 라벨 영역을 추출하여 약품번호 또는 약품명을 인식한다.
<그림 4>는 8x8 윈도우에 대한 지역 서술자의 예를 나타낸다. 특징점을 중심으로 생성된 지역 서술자를 특징 벡터로 표현하여 이들을 비교 분석함으로써 영상간의 상관관계를 알 수 있다.
대상 데이터
그리고 배경은 흑색, 카메라와 약통 사이의 거리는 35cm, 카메라 렌즈의 높이는 8cm로 설정하였다. 또한 조명의 항상성을 위해 LED 조명을 사용하였고, 총 250개의 약통에 대해 실험하였다.
영상획득 장치는 <그림 5>와 같이 카메라, 조명, 캐니스터(canister), 약통으로 이루어진다. 카메라는 웹캠을 사용하고, 조명은 균일성과 항상성을 갖기 위해 LED 조명을 사용한다. 제안한 약통 분류 시스템은 약을 보충해야 하는 캐니스터의 라벨에 적힌 약품명과 약통의 일치 여부를 판단하는 시스템이다.
약통들의 다양한 정보를 갖는 DB를 구축하기 위해서 약품명이 정면을 위치하도록 하여 영상을 획득한다. 획득된 영상에서 MBR의 가로 길이와 세로 길이, ROI 영역의 SIFT 특징벡터, 약품 번호 등으로 DB를 구성한다.
성능/효과
또한 SIFT의 처리 속도를 개선하기 위하여 SIFT의 옥타브 수를 간소화하였다. 250개의 약통 영상에 대해 제안한 알고리즘의 성능을 평가한 결과, 모든 약통에 대해 정확히 분류함을 확인하였다. 그리고 SIFT의 피라미드 레벨 간소화에 의해 처리 시간을 2배 이상 향상됨을 확인하였다.
전체 약통 250개에 대한 실험결과를 일치와 불일치 여부로 판단하여, 그 인식률을 <표 4>에 나타내었다. MBR에 SIFT을 적용한 경우에는 유사한 라벨을 가지는 약통의 정합 오류가 발생하여 인식률이 감소하였지만 ROI에 SIFT을 적용한 제안한 방법은 정확하게 정합하여 인식률 100%로 우수한 성능을 보임을 알 수 있었다.
250개의 약통 영상에 대해 제안한 알고리즘의 성능을 평가한 결과, 모든 약통에 대해 정확히 분류함을 확인하였다. 그리고 SIFT의 피라미드 레벨 간소화에 의해 처리 시간을 2배 이상 향상됨을 확인하였다. 또한 유사한 라벨을 가지는 약통도 정확히 분류하는 우수한 성능을 보임을 확인하였다.
첫째, 크기 불변 특성을 실현하기 위해 필요한 다수의 특징점 기술자를 생성하는데 긴 처리 시간이 필요하고, DB 전체와 정합을 수행하게 되면 처리 시간은 더욱 증가하게 된다. 둘째, 영상 획득 시 약통의 회전은 필연적으로 발생하므로, 중요한 정보를 가지는 라벨 영역의 정보가 변화하게 된다. 따라서 변화된 특징점을 통해 정합이 이루어지게 되어 정합 오류를 발생시키게 된다.
그리고 SIFT의 피라미드 레벨 간소화에 의해 처리 시간을 2배 이상 향상됨을 확인하였다. 또한 유사한 라벨을 가지는 약통도 정확히 분류하는 우수한 성능을 보임을 확인하였다.
먼저, 기존의 대표적인 SIFT 방법인 Lowe 방법을 실제 약통 영상에 적용할 경우를 살펴본다. 첫째, 크기 불변 특성을 실현하기 위해 필요한 다수의 특징점 기술자를 생성하는데 긴 처리 시간이 필요하고, DB 전체와 정합을 수행하게 되면 처리 시간은 더욱 증가하게 된다. 둘째, 영상 획득 시 약통의 회전은 필연적으로 발생하므로, 중요한 정보를 가지는 라벨 영역의 정보가 변화하게 된다.
질의응답
핵심어
질문
논문에서 추출한 답변
SIFT는 어떤 과정으로 이루어지는가?
SIFT는 크기 변화, 회전, 조명 변화에 강인한 특징 점 (key point)들을 비교하여 유사도를 측정하여 영상 매칭을 한다[9]. SIFT는 영상내의 특징점을 검출하는 과정과 특징점을 표현하는 지역 서술자를 구하는 과정으로 이루어진다.
약화사고는 무엇이며 가장 흔한 원인은 무엇인가?
의약품은 생명과 직접적인 관계가 있으므로 질병이 발생하면 의사의 처방전에 따라 약사가 조제한 약을 환자가 복용하게 된다. 약화사고란 처방전과 다른 약을 환자가 지급받는 사고를 말하며 가장 흔한 원인은 약사가 약을 수동으로 조제할 때 발생한다. 최근에는 이러한 약화사고를 방지하기 위해서 전자동 정제 분류 포장 시스템을 많이 사용하고 있다.
전자동 정제 분류 포장 시스템은 어떤 시스템인가?
최근에는 이러한 약화사고를 방지하기 위해서 전자동 정제 분류 포장 시스템을 많이 사용하고 있다. 이 시스템은 사전에 약을 보충해 두면 빠르고 정확하게 자동으로 포장되는 시스템이지만, 사전에 잘못된 약을 보충하는 경우에는 대형 약화사고가 일어난다. 따라서 약을 보충하기 이전에 보충해야 할 약인지를 정확히 인식 또는 분류하는 과정을 통해 이러한 사고를 방지할 수 있다.
참고문헌 (9)
C. W. Kim, S. H. Woo, Z. M. U. Din, C. H. Won, J. P. Hong and J. H. Cho, "An Algorithm for Detecting Residual Quantity of Ringer's Solution for Automatic Replacement," Journal of the Korea Industrial Information System Society, vol. 13, no. 1, 2008.
K. Mikolaiczyk and C. Schmid, "A performance evaluation of local descriptors," IEEE Tran. on Pattern Analysis and Machine Intelligence, vol. 27, no. 10, 2005.
D. G. Lowe, "Object Recognition from Local Scale-Invariant Features," Proc. Seventh IEEE International Conf. Computer Vision, vol. 2, pp. 1150-1157, 1999.
K. Mikolaiczyk and C. Schmid, "An Affine Invariant Interest Point Detector," Proc. Seventh European Conf. Computer Vision, pp. 128-142, 2002.
K. Mikolaiczyk and C. Schmid, "Scale and Affine Invariant Interest Point Detectors," Int. J. Computer Vision, vol. 60, no. 1, pp. 63-86, 2004.
Y. Ke and R. Sukthankar, "PCA-SIFT: A More Distinctive Representation for Local Image Descriptors," Proc. Conf. Computer Vision and Pattern Recognition, vol. 2, pp. 511-517, 2004.
D. G. Lowe, "Distinctive Image Features from Scale-Invariant Keypoints," International Journal of Computer Vision, vol. 60, no. 2, pp. 91-110, 2004.
H. Y. Lee, J. H. Kim, S. Y. Kim, B. J. Choi, S. H. Moon and K. H. Park, "Design of a SIFT based Target Classification Algorithm robust to Geometric Transformation of Target," Journal of the Korean Institute of Intelligent Systems, vol. 20, no. 1, pp. 116-122, 2010.
K. J. Hong, K. C. Jung, E. J. Han and J. Y. Yang, "Mixed Mobile Education System using SIFT Algorithm," Journal of the Korea Industrial Information System Society, vol. 13, no. 2, pp. 69-79, 2008.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.