최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기한국전자통신학회 논문지 = The Journal of the Korea Institute of Electronic Communication Sciences, v.15 no.3, 2020년, pp.513 - 520
이남영 (전남대학교 멀티미디어전공) , 조혁현 (전남대학교 멀티미디어전공) , 정희택 (전남대학교 멀티미디어전공)
Recently, the development of a vision inspection system using machine learning has become more active. This study seeks to develop a defect inspection model using machine learning. Defect detection problems for images correspond to classification problems, which are the method of supervised learning...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
합성곱 신경망은 입력 이미지로부터 무엇을 추출하는가? | 본 연구에서는 이미지 처리 분야에서 활용하는 특징 추출을 신경망에 내포시킨 합성곱 신경망 기법과 특징 추출을 포함하지 않지만, 고전적인 분류 알고리즘인 다층 퍼셉트론, 서포트 벡터 머신을 간략히 기술한다. 합성곱 신경망은 입력 이미지로부터 필터링(filtering)과 폴링(pooling)을 수행하여 이미지의 특징을 추출한다[9-10]. 즉, 낮은 층은 이미지상의 각 영역에서 경계, 명암, 색상변화 등의 특징들을 추출하고 낮은 충에서 추출된 특징들은 더 높은 층에서 서로 조합하여 더 넓은 영역의 특징들을 추출한다. | |
서포트 벡터 머신은 무엇인가? | 고전적인 다층 퍼셉트론은 각 층에서 특징 공간을 다른 특징 공간으로 변환하는 특성이 있으며, 이때 특징 공간의 변환이 충분히 이루어지지 않음으로 인한 낮은 성능을 보인다. 서포트 벡터 머신은 분류할 데이터를 분리하는 최적의 결정 경계(Decision Boundary)를 찾는 알고리즘으로 높은 정확도를 갖는 분류 알고리즘이다[7,11]. 고전적인 다층 퍼셉트론은 분류에 있어 목적함수가 0이 되는 곳에서 끝나지만 서포트 벡터 머신은 이득(margin)을 가장 크게 하는 분류 기준을 선택함으로써 일반화 능력이 보다 높다. | |
고속 적이면서 연속적인 이동이 있는 상품에서 고해상도 이미지 획득을 위해 무엇을 활용하는가? | 이미지 획득은 라인 스캐너(Line Scanner)를 활용하여 줄 단위로 획득하는 방법과 영역 카메라(Area Camera)를 활용하여 일정 면적 단위로 획득하는 방법이 있다[2-4]. 고속이면서 연속적으로 이동하는 상품에서 고해상도 이미지를 획득하기 위해 라인 스캐너를 활용한다. 이때 획득되는 이미지는 하드웨어의 특징에 따라 1~4줄을 기반으로 하고 이를 프레임 그래버(Frame grabber)를 통해 전체 이미지를 획득할 수 있다. |
H. Kang, J. Lee, S. Choi, H. Kim, J. Park, J. Son, B. Kim, and S. noh, "Smart Manufacturing: Past Research, Present Findings, and Future Directions," J. of Precision Engineering and Manufacturing-Green Technology, vol. 3, no. 1, 2016, pp. 111-128.
C. Moon, "Implementation of an FPGA-based Frame Grabber System for PCB Pattern Detection," J. of the Korea Institute of Electronic Communication Science, vol. 13, no. 2, 2018, pp. 435-442.
Envision, "Understanding Line Scan Camera Applications," Technical report, July 2014.
Y. Cha and W. Choi, "Deep Learning-Based Crack Damage Detection Using Convolutional Neural Networks," Computer-Aided Civil and Infrastructure Engineering, vol. 32, 2017, pp. 361-378.
J. Park, B. Kwon, J. Park, and D. Kang, "Machine Learning-Based Imaging System for Surface Defect Inspection," J. of Precision Engineering and Manufacturing-Green Technology, vol. 3, no. 3, 2016, pp. 303-310.
C. C. Aggarwal, Neural Networks and Deep Learning. A Textbook. Basel: Springer, 2018.
X. Zhang, J. Zou, K. He, and J. Sun, "Accelerating very deep convolutional networks for classification and detection," IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 38, 2015, pp. 1943-1955.
S. Bak, M. Jeong, D. Hwang, U. Enkhjargal, and H. Yoon, "Study on Cochlodinium polykrikoides Red tide Prediction using Deep Neural Network," J. of the Korea Institute of Electronic Communication Science, vol. 14, no. 6, 2019, pp. 1161-1170.
S. Bang, "Implementation of Image based Fire Detection System Using Convolution Neural Network," J. of the Korea Institute of Electronic Communication Science, vol. 12, no. 2, 2017, pp. 331-336.
J. Jo, "Effectiveness of normalization Pre-Processing of Big Data to the Machine Learning Performance," J. of the Korea Institute of Electronic Communication Science, vol. 14, no. 3, 2019, pp. 547-552.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.