$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

딥러닝 기법을 이용한 머신 비젼 기술 최근 응용 동향 원문보기

電子工學會誌 = The journal of Korea Institute of Electronics Engineers, v.43 no.11 = no.390, 2016년, pp.18 - 26  

김정태 (이화여자대학교 전자공학과) ,  조희연 (이화여자대학교 전자공학과) ,  최은정 (이화여자대학교 전자공학과)

초록이 없습니다.

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 본고에서는 최근의 머신러닝 기법을 적용한 머신 비젼 기술의 연구동향을 소개한다. 이를 위하여, 제품 결함 검사, 시설 안전검사 등의 품질 검사에의 응용 사례들을 조사하였다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
머신 비젼 기술이 자동 검사에 적용되지 못하고 있는 경우는 무엇인가? 그간의 많은 연구의 결과로 머신 비젼 기술은 획기적으로 발전되어 왔으나, 그럼에도 불구하고 아직 많은 응용 분야에 있어서는 머신 비젼 시스템이 전적으로 수동검사자를 대신하지 못하여 수동 검사가 이루어 지고 있다[1]. 머신 비젼 기술을 자동 검사가 적용되지 못하고 있는 경우들은 대부분 수동 검사자가 관찰하는 품질 평가를 수학적으로 모델링하여 알고리즘을 설계하기가 어려운 경우들이다[2]. 예를 들면, 머신 비젼을 통한 과일의 품질 평가의 경우 수동 검사자는 무의식적으로 매우 다양한 속성들을 고려하여 평가하지만 이를 적절히 계량적으로 설명하는 것은 쉽지 않은 일이다[2].
영상 기반 진단에서 머신러닝을 적용한 분야는 무엇인가? 영상 기반 진단은 Computer-Aided Diagnosis (CAD)의 분야 중 하나로 의료 영상을 바탕으로 진단 수행을 돕는 것을 일컬으며, 이 중 머신러닝을 적용한 분야에는 안저 영상, 뇌 자기공명영상, 흉부 컴퓨터 단층 촬영, 유방 조영술 등이 있다.
OLED 패널의 결함 검출에 이용되는 머신 러닝 기법은? 그러나 OLED 패널은 복잡한 제조과정을 거치기 때문에 다양한 종류의 결함들이 생길 수 있는데, 이러한 결함은 크기가 크고 높은 대비를 가지는 macro 결함과 크기가 작고 검출하기 어려운 micro 결함으로 나누어진다. 이는 local inlier-outlier ratio 와 modified Local Binary Patterns (LBP) 기법을 사용하여 특징을 추출하고, 추출된 특징을 이용하여 Support Vector Machine (SVM) 을 학습시켜 검출 및 분류할 수 있다[3].
질의응답 정보가 도움이 되었나요?

참고문헌 (52)

  1. Beyerer, J., F.P. Leon, and C. Frese, Machine Vision: Automated Visual Inspection: Theory, Practice and Applications. 2015: Springer. 

  2. Turek, Fred D. (March 2007). "Introduction to Neural Net Machine Vision". Vision Systems Design. 12 (3). 

  3. Sindagi, V.A. and S. Srivastava. OLED panel defect detection using local inlier-outlier ratios and modified LBP. in Machine Vision Applications (MVA), 2015 14th IAPR International Conference on. 2015. IEEE. 

  4. Ando, H., et al. Improvements of Classification Accuracy of Film Defects by Using GPU-accelerated Image Processing and Machine Learning Frameworks. in Nicograph International (NicoInt), 2016. 2016. IEEE. 

  5. Li, Y., W. Zhao, and J. Pan, Deformable Patterned Fabric Defect Detection With Fisher Criterion-Based Deep Learning. 

  6. Wong, W.K., et al., Stitching defect detection and classification using wavelet transform and BP neural network. Expert Systems with Applications, 2009. 36(2): p. 3845-3856. 

    상세보기 crossref

  7. Makantasis, K., et al. Deep convolutional neural networks for efficient vision based tunnel inspection. in Intelligent Computer Communication and Processing (ICCP), 2015 IEEE International Conference on. 2015. IEEE. 

  8. Soukup, D. and R. Huber-Mork, Convolutional Neural Networks for Steel Surface Defect Detection from Photometric Stereo Images, in Advances in Visual Computing: 10th International Symposium, ISVC 2014, Las Vegas, NV, USA, December 8-10, 2014, Proceedings, Part I, G. Bebis, et al., Editors. 2014, Springer International Publishing: Cham. p. 668-677. 

  9. Valavanis, I. and D. Kosmopoulos, Multiclass defect detection and classification in weld radiographic images using geometric and texture features. Expert Systems with Applications, 2010. 37(12): p. 7606-7614. 

    상세보기 crossref

  10. Hittawe, M.M., D. Sidibe, and F. Meriaudeau. Bag of words representation and SVM classifier for timber knots detection on color images. in Machine Vision Applications (MVA), 2015 14th IAPR International Conference on. 2015. IEEE. 

  11. Niskanen, M., O. Silven, and H. Kauppinen. Color and texture based wood inspection with non-supervised clustering. in Proceedings of the scandinavian Conference on image analysis. 2001. 

  12. Gomez-Sanchis, J., et al., Detecting rottenness caused by Penicillium genus fungi in citrus fruits using machine learning techniques. Expert Systems with Applications, 2012. 39(1): p. 780-785. 

    상세보기 crossref

  13. Rivera, N.V., et al., Early detection of mechanical damage in mango using NIR hyperspectral images and machine learning. Biosystems Engineering, 2014. 122: p. 91-98. 

    상세보기 crossref

  14. Intaek, K., H. Se Myung, and L. HeSong. 2004. THE INSTITUTE OF ELECTRONICS ENGINEERS OF KOREA. 

  15. 오지은, et al. 안저영상을 이용한 망막신경섬유층 결손의 자동검출. 2014. 대한전자공학회. 

  16. Perdomo, O., et al., A Novel Machine Learning Model Based on Exudate Localization to Detect Diabetic Macular Edema. 2016. 

  17. Burlina, P., et al. Detection of age-related macular degeneration via deep learning. in Biomedical Imaging (ISBI), 2016 IEEE 13th International Symposium on. 2016. IEEE. 

  18. Zhang, Y., et al., Detection of subjects and brain regions related to Alzheimer's disease using 3D MRI scans based on eigenbrain and machine learning. Frontiers in computational neuroscience, 2015. 9: p. 66. 

    상세보기

  19. Liu, S., et al. Early diagnosis of Alzheimer's Disease with deep learning. in 2014 IEEE 11th International Symposium on Biomedical Imaging (ISBI). 2014. IEEE. 

  20. Suk, H.-I., et al., Hierarchical feature representation and multimodal fusion with deep learning for AD/MCI diagnosis. NeuroImage, 2014. 101: p. 569-582. 

    상세보기 crossref

  21. Yuan, L., Z. Zhang, and X. Tao. The development and prospect of surface defect detection based on vision measurement method. in Intelligent Control and Automation (WCICA), 2016 12th World Congress on. 2016. IEEE. 

  22. Zhang, Y., et al., Pathological brain detection in MRI scanning via Hu moment invariants and machine learning. Journal of Experimental & Theoretical Artificial Intelligence, 2016: p. 1-14. 

  23. Ertosun, M.G. and D.L. Rubin. Probabilistic visual search for masses within mammography images using deep learning. in Bioinformatics and Biomedicine (BIBM), 2015 IEEE International Conference on. 2015. IEEE. 

  24. Wang, J., et al., Discrimination of Breast Cancer with Microcalcifications on Mammography by Deep Learning. Scientific reports, 2016. 6: p. 27327. 

    상세보기 crossref

  25. 천민수, 박준영, and 김원하, 치밀 유방영상에서 mass형 유방암 자동 검출. 전자공학회논문지-SC, 2006. 43(5): p. 80-88. 

    원문보기 상세보기

  26. Bar, Y., et al. Chest pathology detection using deep learning with non-medical training. in 2015 IEEE 12th International Symposium on Biomedical Imaging (ISBI). 2015. IEEE. 

  27. Gruetzemacher, R. and A. Gupta, Using Deep Learning for Pulmonary Nodule Detection & Diagnosis. 2016. 

  28. Pan, S., et al. A discriminative cascade CNN model for offline handwritten digit recognition. in Machine Vision Applications (MVA), 2015 14th IAPR International Conference on. 2015. IEEE. 

  29. Niu, X.-X. and C.Y. Suen, A novel hybrid CNN-SVM classifier for recognizing handwritten digits. Pattern Recognition, 2012. 45(4): p. 1318-1325. 

    상세보기 crossref

  30. Ciregan, D., U. Meier, and J. Schmidhuber. Multi-column deep neural networks for image classification. in Computer Vision and Pattern Recognition (CVPR), 2012 IEEE Conference on. 2012. IEEE. 

  31. Goodfellow, I.J., et al., Multi-digit number recognition from street view imagery using deep convolutional neural networks. arXiv preprint arXiv:1312.6082, 2013. 

  32. Popko, E. and I. Weinstein. Fuzzy Logic Module of Convolutional Neural Network for Handwritten Digits Recognition. in Journal of Physics: Conference Series. 2016. IOP Publishing. 

  33. Sermanet, P., S. Chintala, and Y. LeCun. Convolutional neural networks applied to house numbers digit classification. in Pattern Recognition (ICPR), 2012 21st International Conference on. 2012. IEEE. 

  34. Ciresan, D.C., et al. Convolutional neural network committees for handwritten character classification. in 2011 International Conference on Document Analysis and Recognition. 2011. IEEE. 

  35. Wang, Y., et al. An MQDF-CNN Hybrid Model for Offline Handwritten Chinese Character Recognition. in Frontiers in Handwriting Recognition (ICFHR), 2014 14th International Conference on. 2014. IEEE. 

  36. Abtahi, F., Z. Zhu, and A.M. Burry. A deep reinforcement learning approach to character segmentation of license plate images. in Machine Vision Applications (MVA), 2015 14th IAPR International Conference on. 2015. IEEE. 

  37. SungHyeon, Y. and L. Gyemin. 회전변환을 이용한 필기체 숫자인식의 성능 향상 연구. 2015. THE INSTITUTE OF ELECTRONICS ENGINEERS OF KOREA. 

  38. Sermanet, P. and Y. LeCun. Traffic sign recognition with multi-scale convolutional networks. in Neural Networks (IJCNN), The 2011 International Joint Conference on. 2011. IEEE. 

  39. Stallkamp, J., et al., Man vs. computer: Benchmarking machine learning algorithms for traffic sign recognition. Neural networks, 2012. 32: p. 323-332. 

    상세보기 crossref

  40. Ciresan, D., et al. A committee of neural networks for traffic sign classification. in Neural Networks (IJCNN), The 2011 International Joint Conference on. 2011. IEEE. 

  41. Chaudhary, A., et al., Intelligent approaches to interact with machines using hand gesture recognition in natural way: a survey. arXiv preprint arXiv:1303.2292, 2013. 

  42. Zabulis, X., H. Baltzakis, and A. Argyros, Vision-based hand gesture recognition for human-computer interaction. The Universal Access Handbook. LEA, 2009: p. 34.1-34.30. 

  43. Li, W., et al. A deep-learning approach to facial expression recognition with candid images. in Machine Vision Applications (MVA), 2015 14th IAPR International Conference on. 2015. IEEE. 

  44. Liu, M., et al. Au-aware deep networks for facial expression recognition. in Automatic Face and Gesture Recognition (FG), 2013 10th IEEE International Conference and Workshops on. 2013. IEEE. 

  45. Sun, Y., X. Wang, and X. Tang. Deep learning face representation from predicting 10,000 classes. in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2014. 

  46. Gong, Y., et al., Deep convolutional ranking for multilabel image annotation. arXiv preprint arXiv:1312.4894, 2013. 

  47. Xu, K., et al., Show, attend and tell: Neural image caption generation with visual attention. arXiv preprint arXiv:1502.03044, 2015. 2(3): p. 5. 

  48. Karpathy, A. and L. Fei-Fei. Deep visual-semantic alignments for generating image descriptions. in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2015. 

  49. Chengjian, S., S. Zhu, and Z. Shi. Image annotation via deep neural network. in Machine Vision Applications (MVA), 2015 14th IAPR International Conference on. 2015. IEEE. 

  50. Kulkarni, G., et al., Babytalk: Understanding and generating simple image descriptions. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013. 35(12): p. 2891-2903. 

    상세보기 crossref

  51. Sommer, C. and D.W. Gerlich, Machine learning in cell biology-teaching computers to recognize phenotypes. J Cell Sci, 2013. 126(24): p. 5529-5539. 

    상세보기 crossref

  52. Kurtulmus, F. and H. Unal, Discriminating rapeseed varieties using computer vision and machine learning. Expert Systems with Applications, 2015. 42(4): p. 1880-1891. 

    상세보기 crossref

저자의 다른 논문 :

관련 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로