[논문]딥 러닝을 이용한 안면 여드름 분류 모델

정지오; 여일연; 정회경

doi:10.6109/jkiice.2019.23.4.381

딥 러닝을 이용한 안면 여드름 분류 모델
Classification Model of Facial Acne Using Deep Learning 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.23 no.4, 2019년, pp.381 - 387

정지오 (Department of Computer Engineering, Paichai University) , 여일연 (Department of Computer Engineering, Paichai University) , 정회경 (Department of Computer Engineering, Paichai University)

초록
AI-Helper

의학계에 다양하게 인공지능을 적용하는데 있어 한계는 우선적으로 해석자의 병증 이미지를 해석하는데 주관적 견해와 광범위한 해석자, 육체적 피로감 등이다. 그리고 병증마다 주석 달린 데이터 셋을 수집하는데 기간이 오래 걸린다는 것과 개발된 딥러닝 학습 알고리즘의 성능 저하가 없으면서도 충분한 훈련 데이터를 얻을지에 대한 의문이 있다는 것이다. 이에 본 논문에서는 여드름 데이터 셋을 기준으로 기본 이미지를 수집할 때 선정 기준과 수집 절차에 대해 연구하고, Sequential 구조로 딥 러닝 기법을 적용하여 적은 손실률(5.46%)과 높은 정확도(96.26%)로 데이터를 분류하는 모델을 제안한다. Keras에서 기본 제공하는 모델과 비교실험을 통해 제안 모델의 성능을 비교 검증한다. 향후 본 논문에서 제안하는 여드름 분류 모델에 유사 현상들 적용하여 의학 및 피부 관리 분야에도 적용 가능할 것으로 예상된다.

Abstract ▼ AI-Helper

The limitations of applying a variety of artificial intelligence to the medical community are, first, subjective views, extensive interpreters and physical fatigue in interpreting the image of an interpreter's illness. And there are questions about how long it takes to collect annotated data sets for each illness and whether to get sufficient training data without compromising the performance of the developed deep learning algorithm. In this paper, when collecting basic images based on acne data sets, the selection criteria and collection procedures are described, and a model is proposed to classify data into small loss rates (5.46%) and high accuracy (96.26%) in the sequential structure. The performance of the proposed model is compared and verified through a comparative experiment with the model provided by Keras. Similar phenomena are expected to be applied to the field of medical and skin care by applying them to the acne classification model proposed in this paper in the future.

주제어

표/그림 (13)

그림 Fig. 1 Image Collection Procedure
그림 Fig. 2 Correlation between data amount and performance
그림 Fig. 3 Preprocessing of Dataset
표 Table. 1 Collected Images by Type
표 Table. 2 Development Environment
그림 Fig. 4 Proposed Model Architecture
그림 Fig. 5 Overall structure and data flow of the proposed model
그림 Fig. 6 Loading prepared dataset
그림 Fig. 7 Network Definition
그림 Fig. 8 Loss rate and Accuracy Convergence Curve (Typical CNN model provided by Keras)
그림 Fig. 9 Loss rate and Accuracy Convergence Curve (VGG model provided by Keras)
표 Table. 3 Conditions
표 Table. 4 Result Composite Table

AI 본문요약
AI-Helper

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

문제 정의

실험에 사용하는 데이터는 다각적 기준을 설정하여 수집한 여드름 관련 데이터를 사용한다. 그리고 기존방법의 모델 2종과 비교 실험하여 성능 평가하고자 한다. 이를 통해 데이터 셋이 제공되지 않는 분야의 정보 수집 방안 도출 및 산업계로의 관련 기술 확산과 유사 특징의 산업계로도 적용할 수 있을 것으로 사료된다.
본 논문에서 제안하는 모델은 딥 러닝을 이용하는 이미지 분류 모델로 여드름(L70, Acne) 4종(면포성 : blemish, 농포성 : pustulosa, 구진성 : vulgaris, 결절낭 : nodulocystic)을 분류하는 연구를 하였다. 그리고 모델의 성능을 검증하기 위해 기능 실험을 진행하였다.
이를 해결하기 위해 본 논문에서는 딥 러닝 학습 알고리즘의 성능저하가 없으면서도 충분한 훈련 데이터를 얻을 수 있도록 데이터를 수집 증량하여 학습해도 성능 저하가 없는 분류모델을 제안한다. 실험에 사용하는 데이터는 다각적 기준을 설정하여 수집한 여드름 관련 데이터를 사용한다.

제안 방법

모델을 직접 학습시키는 것은 과적합화 문제가 있을 수 있어 epoch는 24회를 시행한다. 검증데이터를 통해 손실률과 정확도로 수치화하여 재검증 한다. 실제 사용가능 여부를 판단하기 위해 예측검증을 실행한다.
본 논문에서 제안하는 모델은 딥 러닝을 이용하는 이미지 분류 모델로 여드름(L70, Acne) 4종(면포성 : blemish, 농포성 : pustulosa, 구진성 : vulgaris, 결절낭 : nodulocystic)을 분류하는 연구를 하였다. 그리고 모델의 성능을 검증하기 위해 기능 실험을 진행하였다. 제안 모델에서는 성능 평가로 정확도와 손실률을 사용하며 모델의 정확도는 96.
이 때, 기준 분류에 따른 오류를 줄이기 위한 무작위로 섞어서 훈련데이터와 검증데이터를 7:3으로 나누었다. 예측검증은 5회 실시하였다.
검증데이터로 5199개 사용하였다. 이 때, 기준 분류에 따른 오류를 줄이기 위한 무작위로 섞어서 훈련데이터와 검증데이터를 7:3으로 나누었다. 예측검증은 5회 실시하였다.
증량된 학습데이터를 32×32×3(ImageWidth×ImageHeight×depth) 형태로 정형화하여 15594개의 훈련 데이터를 입력하여 24회 순환 학습 반복하였다.
제안 모델의 실험은 앞서 언급한 그림 5와 같은 순서로 진행한다. 최종적으로 분류 정확도와 손실률을 측정하고 예측 5회를 실시하여 모델의 사용가능성을 확인한다. 비교실험을 위해 대상을 Keras에서 예제로 제공하는 일반적인 CNN 모델(KECNN)과 Vgg 모델(KEVGG)로 한다.

대상 데이터

증량된 학습데이터를 32×32×3(ImageWidth×ImageHeight×depth) 형태로 정형화하여 15594개의 훈련 데이터를 입력하여 24회 순환 학습 반복하였다. 검증데이터로 5199개 사용하였다. 이 때, 기준 분류에 따른 오류를 줄이기 위한 무작위로 섞어서 훈련데이터와 검증데이터를 7:3으로 나누었다.
모델이 사용가능한지 판별하기 위해 예측실시결과 5회 모두 예측되어 여드름 이미지 분류에 적합한 모델이라고 검증하였다. 비교 실험으로 동일조건하에 Keras에서 제공하는 예시 2종(일반적인 CNN모델과 Vgg모델)을 사용하였다. 결과적으로 일반적인 CNN모델보다는 정확도가 1.
앞서 언급된 선정 기준 등에 맞춰 개별 수집된 기준 이미지들을 증량기법을 통해 정리한 데이터 셋은 그림 6과 같다. 수량은 학습용 데이터 셋(X_train) 15594개, 검증용 데이터(X_test) 5199개로 총 20,793개이다.
이를 해결하기 위해 본 논문에서는 딥 러닝 학습 알고리즘의 성능저하가 없으면서도 충분한 훈련 데이터를 얻을 수 있도록 데이터를 수집 증량하여 학습해도 성능 저하가 없는 분류모델을 제안한다. 실험에 사용하는 데이터는 다각적 기준을 설정하여 수집한 여드름 관련 데이터를 사용한다. 그리고 기존방법의 모델 2종과 비교 실험하여 성능 평가하고자 한다.

데이터처리

검증데이터를 통해 손실률과 정확도로 수치화하여 재검증 한다. 실제 사용가능 여부를 판단하기 위해 예측검증을 실행한다.

이론/모형

데이터 셋 전처리 과정으로 딥 러닝 기법을 사용하기 위해서는 그림 2와 같이 일정량(Dp : Data proper amount) 이상의 데이터가 확보되어야 한다. 데이터 양이 많을수록 데이터 특성을 구축모델이 충분히 학습할 수 있고, 학습오류를 줄이고 분류에 대한 정확도를 증진시킬 수 있기에 Keras에서 제공하는 ImageGenerator를 활용한다.
최종적으로 분류 정확도와 손실률을 측정하고 예측 5회를 실시하여 모델의 사용가능성을 확인한다. 비교실험을 위해 대상을 Keras에서 예제로 제공하는 일반적인 CNN 모델(KECNN)과 Vgg 모델(KEVGG)로 한다.
이미지 분류 모델은 Keras에서 제공되는 Sequent -ial 모델을 기준으로 구성하였다. Sequential 모델 클래스로 객체를 생성한다.

성능/효과

비교 실험으로 동일조건하에 Keras에서 제공하는 예시 2종(일반적인 CNN모델과 Vgg모델)을 사용하였다. 결과적으로 일반적인 CNN모델보다는 정확도가 1.46%, 손실률은 6.2%, Vgg모델보다는 정확도 1.94%, 손실률은 6.31% 차이가 났다.
결과적으로 첫 번째 Keras에서 예제로 제공하는 일반적인 CNN 모델(KECNN)의 실험 결과는 손실률 11.66%, 정확도 94.80%다. 그리고 순환반복 훈련에 따른 손실률 (하향 수렴곡선) 및 정확도(상향 수렴곡선)의 수렴곡선은 그림 8과 같다.
그리고 순환반복 훈련에 따른 손실률 (하향 수렴곡선) 및 정확도(상향 수렴곡선)의 수렴곡선은 그림 8과 같다. 데이터 셋의 무작위성으로 순환반복 훈련시 epoch 19~20회에서 손실률 및 정확도가 낮게 평가됨을 알 수 있다.
두 번째로 Keras에서 예제로 제공하는 Vgg 모델(KEVGG)의 실험결과는 손실률 11.77%, 정확도 94.32% 다. 그리고 순환반복 훈련에 따른 손실률(하향 수렴곡선) 및 정확도(상향 수렴곡선)의 수렴곡선은 그림 9와 같다.
46%의 성능을 얻었다. 모델이 사용가능한지 판별하기 위해 예측실시결과 5회 모두 예측되어 여드름 이미지 분류에 적합한 모델이라고 검증하였다. 비교 실험으로 동일조건하에 Keras에서 제공하는 예시 2종(일반적인 CNN모델과 Vgg모델)을 사용하였다.
32%로 측정되었다. 손실률은 제안 모델은 5.46%, KECNN 모델은 11.66%, KEVGG모델은 11.77%로 측정되었다. 예측 검증 5회 실시하였을 때 모든 모델이 5회 모두 예측되었다.
예측 검증 5회 실시하였을 때 모든 모델이 5회 모두 예측되었다. 예측 검증을 통해 수집 제안한 데이터 셋을 기준으로 모두 사용 가능하다는 것이 검증되었다.
그리고 모델의 성능을 검증하기 위해 기능 실험을 진행하였다. 제안 모델에서는 성능 평가로 정확도와 손실률을 사용하며 모델의 정확도는 96.26%로 손실률 5.46%의 성능을 얻었다. 모델이 사용가능한지 판별하기 위해 예측실시결과 5회 모두 예측되어 여드름 이미지 분류에 적합한 모델이라고 검증하였다.
비교 실험 결과를 종합하면 표 4와 같다. 제안 모델의 정확도는 96.26%, KECNN 모델은 94.80%, KEVGG모델은 94.32%로 측정되었다. 손실률은 제안 모델은 5.

후속연구

그리고 기존방법의 모델 2종과 비교 실험하여 성능 평가하고자 한다. 이를 통해 데이터 셋이 제공되지 않는 분야의 정보 수집 방안 도출 및 산업계로의 관련 기술 확산과 유사 특징의 산업계로도 적용할 수 있을 것으로 사료된다.
향후 연구과제로는 기본 기술화된 CNN 및 딥 러닝 기법을 이용한 좀 더 대중성을 갖춘 DAQ 및 Smart Manufacture관련 분야 및 의료정보 관련분야에 적용하는 연구가 필요하며 이를 통해 정확성과 신뢰성을 개선할 수 있을 것으로 판단된다.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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