[논문]YOLO 기반 외곽 사각형을 이용한 근접 돼지 분리

서지현; 주미소; 최윤창; 이준희; 정용화; 박대희

doi:10.9717/kmms.2018.21.2.077

문제 정의

본 논문에서는 최근 사물을 인식하거나 분류하는데 그 성능이 입증된 딥러닝 기술[11]을 적용하여 근접한 돼지들을 분리하는 방법을 제안한다. 특히, 딥러닝 기술 중에서도 성능이 뛰어나고 실시간 처리가 가능한 You Only Look Once (YOLO)[12]가 생성하는 외곽 사각형(bounding box)을 이용한다.
). 본 연구에서는 이러한 어려움을 극복하고 실시간에 근접 돼지들을 분리하기 위하여, 딥러닝 기술 중에서도 성능이 뛰어나고 실시간 처리가 가능한 객체 탐지 기법인 YOLO [12]가 생성하는 외곽 사각형을 활용하는 방법을 제안한다.
즉, 본 논문에서는 객체 탐지 문제에 뛰어난 성능을 보이는 YOLO를 활용하여 근접 객체 분리 문제에 적용할 수 있는지 확인하였다. 특히, 단순히 YOLO 의 출력을 그대로 이용하는 수동적인 입장이 아닌, YOLO 출력에 대한 적합성 여부를 평가하고 선별하는 능동적인 입장에서의 근접 돼지 분리 방법을 제안 하였다.

가설 설정

본 논문에서는 키넥트 카메라로부터 수집한 영상에서 깊이 정보를 이용하여 누워있는 돼지를 제외하고 배경 차이를 이용하여 움직이지 않는 돼지를 제외한 결과가 근접 돼지를 포함하는 경우를 가정하고, YOLO가 1개 이상의 박스를 생성한다는 것을 가정한다. 제안하는 근접 돼지에 대한 분리 방법의 구조는 아래의 Fig.
본 연구에서는 24시간 개별 돼지에 대한 자동 감시 시스템을 구축하기 위하여 저가의 키넥트 카메라를 돈방의 천장에 설치하고, 이로부터 획득된 비디오 데이터를 분석하는 환경을 가정한다. 특히 야간의 조명을 소등하는 경우 키넥트 카메라의 깊이 정보를 이용한 지속적인 관리를 구현하기 위하여 저가 키넥트 카메라의 깊이 정보 정확도가 떨어지는 문제가 해결되어야 한다.
본 연구에서는 돈사 내 모니터링 시스템 환경을 가정한 근접 객체 분리 실험을 수행하였다. 이를 위해 충청남도 세종시 조치원읍에 위치한 돈사 내 13마리의 돼지가 활동하는 2.

제안 방법

YOLO를 통해 획득한 각 프레임의 외곽 사각형들의 위치 정보를 토대로 외곽 사각형의 개수를 파악한다. 두 마리의 근접 돼지가 생성됨을 전제로 하기 때문에 정상적인 경우라면 YOLO를 통해 두 개의 외곽 사각형을 획득할 수 있다.
6과 같이 전처리 영상에서 두 객체로 이루어진 근접 객체가 추출된 부분만을 활용하였고, YOLO Train 이미지 개수와 Test 이미지 개수는 6:4 비율로 구성하였다. 구성된 데이터셋에서 먼저 2260장의 Train 이미지를 이용하여 YOLO의 학습을 진행하였 으며, 1500장의 Test 이미지를 이용하여 YOLO의 테스트를 진행하였다. YOLO의 학습 시 학습과 예측 결과의 정확성을 좌우하는 학습률은 0.
이를 통해 획득한 겹침 사각형의 위치정보를 추출하고, 두 외곽 사각형의 형태에 따라 나누는 방향을 결정하게 된다. 두 번째로 선을 통해 겹치게 될 경우, 같은 x축에 존재할 경우 y 좌표에 겹침이 있는지, 또는 같은 y축에 존재할 경우 x 좌표에 겹침이 있는지 판단하는 방법을 통해 겹침이 있음을 판단한 후, 선분을 분리한다. 마지막으로 두 외곽 사각형이 근접하지 않았을 경우, 한 외곽 사각형의 좌측 하단 좌표와 다른 외곽 사각형의 우측 상단 좌표의 중간 값을 이용하여 근접 돼지를 분리한다.
또한 프레임 차이를 이용하여 누워서 휴식을 취하는 돼지 등 움직임이 없는 돼지는 제외하고 서 있으면서 움직임이 있는 돼지만을 객체 전경으로 처리하였다. 따라서 배경에 해당하는 깊이 값은 0으로 설정하되, 객체 전경에 해당하는 깊이 값은 보존함으로써 전처리 영상을 획득하였다.
따라서 본 논문에서는 YOLO를 이용하여 근접 돼지의 외곽 사각형을 개별 탐지하도록 학습시키고, 테스트를 수행함으로써 개별 돼지에 대한 외곽 사각형을 획득한다. 즉, YOLO 모듈의 입력 영상으로 누워있는 돼지와 움직이지 않는 돼지가 제거된 근접 돼지 깊이 영상을 사용하고, 출력으로는 개별 돼지 탐지 결과에 해당하는 외곽 사각형의 가로, 세로, 너비, 높이 정보를 획득한다.
본 연구에서는 움직이는 근접 객체를 대상으로 개별 분리를 수행한다. 따라서, 취득한 돈방의 영상 데이터 중 돼지들이 활발하게 활동하여 두 돼지 객체가 근접하는 상황이 108회 발생한 약 10분간의 깊이 영상에 대하여 딥러닝 데이터셋과 근접 객체 시퀀스를 생성하고, 딥 러닝 기법과 영상 처리 기법을 적용하여 전반적인 실험을 진행하였다. 촬영한 깊이 영상의딥 러닝 Train은 Intel Core i7-7700K 4.
즉, 원영상과 배경 영상에 대하여 각각 인접한 네 개의 픽셀을 하나의 픽셀로 보간한 후, 원 영상으로부터 배경 영상의 차를 이용하여 객체 전경에 해당하는 차이 값을 추출하였다. 또한 프레임 차이를 이용하여 누워서 휴식을 취하는 돼지 등 움직임이 없는 돼지는 제외하고 서 있으면서 움직임이 있는 돼지만을 객체 전경으로 처리하였다. 따라서 배경에 해당하는 깊이 값은 0으로 설정하되, 객체 전경에 해당하는 깊이 값은 보존함으로써 전처리 영상을 획득하였다.
0005로 설정하였다. 또한, 활성화 함수는 leaky ReLU 함수를 이용하여 그래디언트 값을 일정하게 유지하여 학습 속도를 유지하였고, 학습 반복 횟수는 50,000회까지 진행하여 모델을 생성하였다.
본 논문에서는 이러한 문제를 해결하기 위해 최근 사물을 인식하거나 분류하는데 그 성능이 입증된 딥러닝 기술 중에서도 성능이 뛰어나고 실시간 처리가 가능한 YOLO를 활용하였다. 먼저 YOLO를 활용하여 두 마리의 근접 돼지를 형성한 영상의 외곽 사각형 위치정보를 획득한 후, 외곽 사각형의 개수에 따라 한 개의 외곽 사각형이 생성되는 Case 1, 두 개의 외곽 사각형이 생성되는 Case 2, 세 개 이상의 외곽 사각형이 생성되는 Case 3로 구분한다. Case 1과 Case 3의 경우는 전체 픽셀 수를 이용하여 외곽 사각 형이 유효한지 판단하는 과정을 거치며, Case 3의 경우 추가로 적합한 두 개의 외곽 사각형을 선택하는 과정을 거친다.
2와 같다. 먼저 YOLO에서 근접 외곽 사각형을 취득한 후 외곽 사각형 개수에 따라 근접 돼지 분리 방법을 결정한다. 이후, 픽셀 개수를 통한 적합한 외곽 사각형 선택하고, 적합하다고 선택 된 외곽 사각형 내 겹침 부분을 탐지함으로써 근접 돼지를 분리한다.
9와 같이, 주로 머리 부분이나 꼬리 부분에서 추가적인 외곽 사각형이 발생)에도 제안 방법이 동작할 수 있음을 실험하였다. 먼저 근접 돼지를 형성 하는 픽셀 수를 계산한 뒤, 두 외곽 사각형 내부의 픽셀 수 합집합을 통해 가장 적합한 두 외곽 사각형을 선택함으로써 근접 돼지를 구분하였다.
특히, 딥러닝 기술 중에서도 성능이 뛰어나고 실시간 처리가 가능한 You Only Look Once (YOLO)[12]가 생성하는 외곽 사각형(bounding box)을 이용한다. 먼저 폐쇄된 돈방에서 한 달 동안 생활하는 이유자돈의 관리 형태를 가정하여, YOLO를 통한 현재 프레임의 외곽 사각형의 위치 정보를 획득하고, 획득한 외곽 사각형 내부의 픽셀 수 정보를 계산한다. 이러한 정보들은 결합되어 현재 프레임에서 YOLO가 생성하는 외곽 사각형(즉, 객체 탐지의 결과물)에 대한 적합성 여부 판단 시 사용된다.
본 논문에서는 YOLO에서 얻어지는 외곽 사각형의 개수를 크게 3가지로 분류하였다. 첫 번째 경우 (Case 1)는 외곽 사각형이 근접 돼지 수보다 적게 나오는, 즉 한 개의 외곽 사각형이 생성되는 경우이다.
본 연구에서는 움직이는 근접 객체를 대상으로 개별 분리를 수행한다. 따라서, 취득한 돈방의 영상 데이터 중 돼지들이 활발하게 활동하여 두 돼지 객체가 근접하는 상황이 108회 발생한 약 10분간의 깊이 영상에 대하여 딥러닝 데이터셋과 근접 객체 시퀀스를 생성하고, 딥 러닝 기법과 영상 처리 기법을 적용하여 전반적인 실험을 진행하였다.
실험은 근접 돼지에 생성된 외곽 사각형에 대해 세 가지 케이스로 나뉘어 진행되었으며, 두 마리의 근접 돼지에 대해 각각 한 개의 외곽 사각형(Case 1), 두 개의 외곽 사각형(Case 2), 세 개 이상의 외곽 사각형(Case 3)이 형성되었음을 의미한다.
외곽 사각형이 3개 이상 나오는 Case 3의 경우는, Case 1의 경우와 동일하게 모든 근접 돼지의 픽셀 수와 각 외곽 사각형 내부의 픽셀 수를 계산한다. 이후 외곽 사각형을 두 개 씩 짝을 지어 외곽 사각형 내부의 픽셀 개수의 합집합을 계산한다. 이 정보는 이전에 구한 모든 근접 돼지의 픽셀 수에서 차를 구하는 데 이용되며, 차가 가장 적은 두 개의 외곽 사각형을 적합한 외곽 사각형이라고 판단하고 선택한다.
제안 방법에서 근접 객체의 전경만 나타나는 전처리 영상은 돈방의 크기와 일치하도록 200 × 200의 크기로 관심 영역을 설정한 후, Fig. 6과 같이 기존의 전배경 분리 방법[10]을 통하여 획득하였다.
우선 Case 1의 경우, 모든 근접 돼지의 픽셀 수와, 외곽 사각형 내부의 픽셀 수를 각각 계산 한 후 외곽 사각형 내부의 픽셀 개수가 전체의 일정 비율 이상이라면 한 개의 외곽 사각형이더라도 올바르게 잡아낸 것으로 간주한다. 즉, 두 마리의 근접 돼지 중 한 마리를 정확하게 잡아내었다고 판단 하여 근접 돼지를 분리한다.
6과 같이 기존의 전배경 분리 방법[10]을 통하여 획득하였다. 즉, 원영상과 배경 영상에 대하여 각각 인접한 네 개의 픽셀을 하나의 픽셀로 보간한 후, 원 영상으로부터 배경 영상의 차를 이용하여 객체 전경에 해당하는 차이 값을 추출하였다. 또한 프레임 차이를 이용하여 누워서 휴식을 취하는 돼지 등 움직임이 없는 돼지는 제외하고 서 있으면서 움직임이 있는 돼지만을 객체 전경으로 처리하였다.
이러한 정보들은 결합되어 현재 프레임에서 YOLO가 생성하는 외곽 사각형(즉, 객체 탐지의 결과물)에 대한 적합성 여부 판단 시 사용된다. 즉, 적합하지 않은 위치에 외곽 사각형이 생성되었는지를 판단하거나 근접 돼지보다 많은 수의 외곽 사각형이 생성되었을 경우 선별하는 방법 등을 제안함으로써, 단순히 YOLO의 출력을 그대로 이용하는 수동적인 입장이 아니라 YOLO 출력을 평가하고 선별하는 능동적인 입장에서의 근접 돼지 분리 방법을 제안한다.
따라서, 취득한 돈방의 영상 데이터 중 돼지들이 활발하게 활동하여 두 돼지 객체가 근접하는 상황이 108회 발생한 약 10분간의 깊이 영상에 대하여 딥러닝 데이터셋과 근접 객체 시퀀스를 생성하고, 딥 러닝 기법과 영상 처리 기법을 적용하여 전반적인 실험을 진행하였다. 촬영한 깊이 영상의딥 러닝 Train은 Intel Core i7-7700K 4.20GHz (8-코어 CPU), 32GB RAM, Ubuntu 16.04.2 LTS, OpenCV 3.2의 환경에서 수행하였고, 딥 러닝 Test와 영상 처리 실험은 Intel Core i5-750 2.67GHz (4-코어 CPU), 8GB RAM, Windows 10, OpenCV 3.0 환경에서 수행하였다.
즉, 본 논문에서는 객체 탐지 문제에 뛰어난 성능을 보이는 YOLO를 활용하여 근접 객체 분리 문제에 적용할 수 있는지 확인하였다. 특히, 단순히 YOLO 의 출력을 그대로 이용하는 수동적인 입장이 아닌, YOLO 출력에 대한 적합성 여부를 평가하고 선별하는 능동적인 입장에서의 근접 돼지 분리 방법을 제안 하였다. 향후 연구로 다수의 돼지들이 근접해있는 경우의 분리도 가능하도록 확장할 예정이고, 감시 시스템 전체가 실시간에 처리할 수 있도록 병렬 처리 방법[19] 적용 또한 고려하고 있다.

대상 데이터

이를 위해 충청남도 세종시 조치원읍에 위치한 돈사 내 13마리의 돼지가 활동하는 2.7m × 2.4m 크기의 돈방에 512 × 424의 해상도를 갖는 초당 30 프레임의 깊이 카메라 Kinect Version 2.0을 설치하여 촬영하였다.
따라서 본 논문에서는 YOLO를 이용하여 근접 돼지의 외곽 사각형을 개별 탐지하도록 학습시키고, 테스트를 수행함으로써 개별 돼지에 대한 외곽 사각형을 획득한다. 즉, YOLO 모듈의 입력 영상으로 누워있는 돼지와 움직이지 않는 돼지가 제거된 근접 돼지 깊이 영상을 사용하고, 출력으로는 개별 돼지 탐지 결과에 해당하는 외곽 사각형의 가로, 세로, 너비, 높이 정보를 획득한다. 이러한 외곽 사각형 정보는 적합도 판정 모듈과 외곽 사각형 수정 모듈에서 검증및 수정이 용이하도록 텍스트 파일로써 취득한다.

데이터처리

10에 나타난 바와 같이 근접 돼지 경우에 over-segmentation 또는 under-segmentation 문제가 발생하였다. Fig. 10을 통해 정성적으로 제안 방법이 기존 방법에 비하여 우수한 분리 결과(Final Output(proposed))를 나타냄을 확인하였고, Table 1을 통해 제안한 방법의 성능을 정량적으로도 비교하였다. 근접 객체 분리 문제는 주어진 근접 객체 영역의 각 픽셀에 ID를 부여하는 문제로 해석할 수 있으므로, 일반적인 객체 탐지 성능 지표로 이용되는 precision/recall 등의 지표 대신 “ground-truth 대비 주어진 근접 영역에서 정확히 ID가 부여된 픽셀의 비율”로 정확도(Accuracy)를 정의하였다.
제안 방법의 성능을 정성적으로 확인하기 위하여, 근접 객체 분리에 자주 사용되며 OpenCV에서 구현된 watershed 기법[13]과 K-means 기법[14]의 비교를 수행하였다. 통상 watershed 기법은 over-segmentation 문제가 있다고 알려져 있으나, Fig.

이론/모형

본 논문에서는 이러한 문제를 해결하기 위해 최근 사물을 인식하거나 분류하는데 그 성능이 입증된 딥러닝 기술 중에서도 성능이 뛰어나고 실시간 처리가 가능한 YOLO를 활용하였다. 먼저 YOLO를 활용하여 두 마리의 근접 돼지를 형성한 영상의 외곽 사각형 위치정보를 획득한 후, 외곽 사각형의 개수에 따라 한 개의 외곽 사각형이 생성되는 Case 1, 두 개의 외곽 사각형이 생성되는 Case 2, 세 개 이상의 외곽 사각형이 생성되는 Case 3로 구분한다.
본 논문에서는 최근 사물을 인식하거나 분류하는데 그 성능이 입증된 딥러닝 기술[11]을 적용하여 근접한 돼지들을 분리하는 방법을 제안한다. 특히, 딥러닝 기술 중에서도 성능이 뛰어나고 실시간 처리가 가능한 You Only Look Once (YOLO)[12]가 생성하는 외곽 사각형(bounding box)을 이용한다. 먼저 폐쇄된 돈방에서 한 달 동안 생활하는 이유자돈의 관리 형태를 가정하여, YOLO를 통한 현재 프레임의 외곽 사각형의 위치 정보를 획득하고, 획득한 외곽 사각형 내부의 픽셀 수 정보를 계산한다.

성능/효과

CNN 기반의 YOLO는 기존 방법에서 최종 출력층의 유닛 구성과 입력 영상에 대한 고정 분할에 따른 추정 방식을 사용한 후 객체 검출과 객체 인식을 하나의 통합 시스템으로 통합하였다. 객체의 검출과 인식을 하나의 통합 시스템으로 통합함으로써 기존에 널리 사용되는 딥 러닝 기반의 객체 탐지 방법인 RCNN(Regions with CNN)[22]에 비하여 1,000배, Fast R-CNN[23]에 비하여 100배 이상 빠른 속도로 객체 탐지가 가능하며 인식률 또한 우세하다.
두 경우에는 근접 돼지의 외곽 사각형들이 형성하는 겹침 사각형의 크기가 작은 편에 속한다. 따라서 실험 한 1500장의 영상에서 가장 많은 경우를 차지하며, 외곽 사각형의 형태에 따라 많은 경우 겹침 사각형 내부의 분리가 용이하였다. 그러나 드물게 Fig.
마지막으로 Case 2와 Case 3의 경우, 최종 선택 된 두 외곽 사각형이 생성하는 겹침 사각형을 이용하여 최종적으로 근접 돼지를 분리한다. 실제 돈사에서 획득한 1500개의 근접 시퀀스로 실험한 결과, 제안 방법은 YOLO 외곽 사각형의 적합성을 판단하는 과정을 거치면서 1500개의 근접 시퀀스를 92.5%의 정확도로 분리할 수 있음을 확인하였다.
다음으로 Case 2에 비해 상대적으로 빈도수가 높지 않은 Case 1과 Case 3에 대해서도 제안 방법이 동작할 수 있음을 실험하였다. 우선 Case 1의 경우는 YOLO가 두개의 외곽 사각형을 생성하지는 못하지만, Fig. 8과 같이 전체 픽셀 수와 해당 외곽 사각형 내의 픽셀 수를 고려함으로써 생성된 하나의 외곽 사각형만으로도 돼지의 ID가 바뀌지 않는 범위에서 근접 돼지를 구분할 수 있음을 확인하였다.
이렇게 정의된 정확도와 측정된 수행 시간을 각 프레임에 대한 평균치로 계산하면 Table 1과 같다. 즉, 정량적으로도 제안 방법이 기존 방법에 비하여 우수한 지표를 나타내며 수행 시간도 빠르다는 장점이 있다. 특히, 픽셀 단위로 계산된 분리 정확도 값이 90% 이상이라는 의미는, 본 연구가 궁극적인 목표로 하는 24시간 연속 추적의 관점에서 가장 중요한 ID switch가 발생하지 않을 수 있다는 면에서 매우 고무적이다.
즉, 정량적으로도 제안 방법이 기존 방법에 비하여 우수한 지표를 나타내며 수행 시간도 빠르다는 장점이 있다. 특히, 픽셀 단위로 계산된 분리 정확도 값이 90% 이상이라는 의미는, 본 연구가 궁극적인 목표로 하는 24시간 연속 추적의 관점에서 가장 중요한 ID switch가 발생하지 않을 수 있다는 면에서 매우 고무적이다.

후속연구

특히, 단순히 YOLO 의 출력을 그대로 이용하는 수동적인 입장이 아닌, YOLO 출력에 대한 적합성 여부를 평가하고 선별하는 능동적인 입장에서의 근접 돼지 분리 방법을 제안 하였다. 향후 연구로 다수의 돼지들이 근접해있는 경우의 분리도 가능하도록 확장할 예정이고, 감시 시스템 전체가 실시간에 처리할 수 있도록 병렬 처리 방법[19] 적용 또한 고려하고 있다.

핵심어	질문	논문에서 추출한 답변
	watershed 기법의 단점은?	영상 내 2차원 지형에 물방울을 떨어뜨려 지형의 골짜기(valley)를 채웠을 때 하나의 윤곽선으로 둘러싸인 물웅덩이를 기반으로 근접한 객체의 영역을 분리한다. 이러한 watershed 기법은 현재에도 의학/생물학 분야에서 근접한 세포 분리에 적극적으로 사용되지만, 객체 간 근접한 부위가 넓으면 하나의 객체로 인식되는 문제와 과분할로 인한 추가적인 처리 때문에 돈사 환경에 적용하기 어렵다. 반면, K-means 기법은 입력 데이 터를 k개의 클러스터로 묶는 방법으로, 각 클러스터 간 거리 차이의 분산이 최소화되는 거리를 계산하여 입력 데이터를 분리하는 기법이다.
	K-means 기법이란 무엇인가?	이러한 watershed 기법은 현재에도 의학/생물학 분야에서 근접한 세포 분리에 적극적으로 사용되지만, 객체 간 근접한 부위가 넓으면 하나의 객체로 인식되는 문제와 과분할로 인한 추가적인 처리 때문에 돈사 환경에 적용하기 어렵다. 반면, K-means 기법은 입력 데이 터를 k개의 클러스터로 묶는 방법으로, 각 클러스터 간 거리 차이의 분산이 최소화되는 거리를 계산하여 입력 데이터를 분리하는 기법이다. 그러나 돈방 내 밀집 사육되는 돼지들 간의 복잡한 근접 경우에 대하여 클러스터링이 정확히 수행되지 않으므로, 근접한 돼지가 개별 돼지로 분리되지 않는다는 문제점이 있다.
	양돈 농가의 대형화 및 인력 부족 현상으로 인해 예상되는 결과는 무엇인가?	즉, 양돈 농가의 대형화 및 인력 부족 현상에 따라 관리인 1인당 관리 두수가 급격하게 증가(2017년현재 약 2,000두)되었기에, 개별 돼지의 건강을 보장하기 위한 세밀한 관찰 및 관리는 현실적으로 어려운 상황이다. 결국, 이로 인한 구제역이나 호흡기 질병 등 돼지의 질병 발생 가능성은 증가할 것으로 예상되며, 이러한 현실은 우리나라만의 문제가 아닌 전 세계 양돈 농가의 공통적인 문제이다.

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

YOLO 기반 외곽 사각형을 이용한 근접 돼지 분리
Separation of Touching Pigs using YOLO-based Bounding Box 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

YOLO 기반 외곽 사각형을 이용한 근접 돼지 분리 Separation of Touching Pigs using YOLO-based Bounding Box 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

저자의 다른 논문 :

주미소 (2) 최윤창 (1) 이준희 (1) 정용화 (67) 박대희 (55)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

YOLO 기반 외곽 사각형을 이용한 근접 돼지 분리
Separation of Touching Pigs using YOLO-based Bounding Box 원문보기

AI 본문요약
AI-Helper