선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 딥러닝의 인식 기능을 이용하여 영상에서 양각 문자 인식 시스템의 구현을 목표로 하였다. 구현 시스템은 라즈베리 파이 기반으로 동전 인식 임베디드 리눅스 시스템을 설계하였으며, 동전 투입 및 분류를 위하여 전용 기구물을 설계하여 사용하였다.
- 본 연구는 Raspberry PI 기반 Keras 오픈 소스 라이브러리를 사용하여 딥 러닝 양각 문자 인식 시스템을 구현하였다. 양각 문자는 이미지만으로 특징을 잡아내기 힘든 동전을 빛의 방향에 따라 생기는 그림자와 반사광의 특징을 분석하며 분류하였다.
제안 방법
- 4에 볼 수 있듯이 100%에 가까운 결과를 확인 할 수 있었다. 32크기의 Batch Size에 5번의 Epoch를 설정하고 학습하였으며 Dropout구성을 통하여 Overfitting을 방지하였다[14].
- 학습모델은 TensorFlow 라이브러리 Keras를 이용하여 은닉층에서 3개의 Convolution Layer, 3개의 MaxPooling Layer, 연결층에서 1차원 벡터로 변환시키기 위한 Flatten Layer, Dense Layer를 설계하였으며, 출력층에서 다시 Dense Layer 를 이용하여 8개의 카테고리와 일치되게 설계하였다. 각 Layer의 활성화 함수로 역전파 시에 좋은 성능을 내는 ReLU (Rectified Linear Unit) 함수를 구성하였다. 위의 sequential 모델을 통해 만들어진 Training 모델을 저장한다.
- 본 논문에서는 딥러닝의 인식 기능을 이용하여 영상에서 양각 문자 인식 시스템의 구현을 목표로 하였다. 구현 시스템은 라즈베리 파이 기반으로 동전 인식 임베디드 리눅스 시스템을 설계하였으며, 동전 투입 및 분류를 위하여 전용 기구물을 설계하여 사용하였다. 양각 문자 포함 동전 영상의 학습 및 분류는 동일한 조명 조건에서 촬영 각도에 따라 다양하게 생기는 그림자와 반사광 등의 특징을 TensorFlow와 Keras를 이용하여 학습과 분류를 진행하였다.
- Keras 모델설계는 Training DataSet 생성한 후 모델을 구성하고, 손실 함수 및 최적화 방법 정의 하는 등 학습과정 설정한다. 다음 Training DataSet을 이용하여 구성한 모델로 학습을 시키며 손실 및 정확도를 측정하고 상황을 판단한다. 마지막으로 Validation DataSet으로 평가 후 predict()함수를 이용하여 모델을 사용한다.
- 본 연구에서 양각 디자인의 동전을 10원부터 50원 까지 각각 앞/뒷면으로 분류하기 위하여 8개의 Label로 구성하여 Traing DataSet을 구성하였다. 동전의 그림자와 반사광은 각도에 따라서 다양하게 생기기 때문에 빛을 고정하고 다양한 각도의 이미지를 추출하였다. 작은 글씨의 특징도 잡아내기 위하여 128*128로 Resize 된 10,000장의 이미지 데이터는 동전별로 2500개씩 동전의 앞뒤를 1구분하기 위해 각 동전 면마다 1250개씩 총 8개의 카테고리로 나뉘어 Scikit-learn 라이브러리를 이용해 numpy 배열형태의 Dataset을 생성한다.
- 동전은 사람의 손을 많이 거치는 동안 손상, 흠집 등이 심하여 영상 전처리 과정 후 OCR을 사용하기에 적합하지 않은 특징이 있다. 따라서 제안 시스템은 동전의 글씨를 인식 하지 않고 양각으로 디자인된 동전의 이미지에서 특징을 검출하여 분석하고 분류하는 방식을 사용하였다.
- 본 논문에서의 양각 문자 인식 시스템은 기존 양각으로 제작된 동전을 분류하는 기능 구현으로 진행하였다. 동전은 사람의 손을 많이 거치는 동안 손상, 흠집 등이 심하여 영상 전처리 과정 후 OCR을 사용하기에 적합하지 않은 특징이 있다.
- 구현 시스템은 라즈베리 파이 기반으로 동전 인식 임베디드 리눅스 시스템을 설계하였으며, 동전 투입 및 분류를 위하여 전용 기구물을 설계하여 사용하였다. 양각 문자 포함 동전 영상의 학습 및 분류는 동일한 조명 조건에서 촬영 각도에 따라 다양하게 생기는 그림자와 반사광 등의 특징을 TensorFlow와 Keras를 이용하여 학습과 분류를 진행하였다.
- 본 연구는 Raspberry PI 기반 Keras 오픈 소스 라이브러리를 사용하여 딥 러닝 양각 문자 인식 시스템을 구현하였다. 양각 문자는 이미지만으로 특징을 잡아내기 힘든 동전을 빛의 방향에 따라 생기는 그림자와 반사광의 특징을 분석하며 분류하였다. 구현 시스템의 성능은 동전 분류의 성공률로 평가를 수행했으며, 시뮬레이션 결과는 성공률의 평균 98%를 보였다.
- 은닉층에서 학습 시 Overfitting 현상을 방지하기 위하여 각 Layer층마다 50% 확률의 Dropout을 구성하였다. 컴파일 시에 Optimizer로 Momentum과 RMSProp을 합친 AdamOptimizer를 구성하였다[19].
- 이미지에서 동전 부분만 추출하고 OpenCV를 이용한 이미지 프로세싱 설계로 학습에 적합한 데이터로 추출하여 진행하게 되었다. 특징은 살리면서 노이즈 제거에 적합한 Gaussian Blur를 통하여 노이즈를 제거한 후 Sharpening을 통하여 이미지의 특징을 좀더 부각시키도록 설계하였다.
- 동전의 그림자와 반사광은 각도에 따라서 다양하게 생기기 때문에 빛을 고정하고 다양한 각도의 이미지를 추출하였다. 작은 글씨의 특징도 잡아내기 위하여 128*128로 Resize 된 10,000장의 이미지 데이터는 동전별로 2500개씩 동전의 앞뒤를 1구분하기 위해 각 동전 면마다 1250개씩 총 8개의 카테고리로 나뉘어 Scikit-learn 라이브러리를 이용해 numpy 배열형태의 Dataset을 생성한다.
- 처음 실험에선 프로세싱 없이 촬영된 이미지 원본을 이용하여 Traing Dataset을 만들어 학습을 진행하도록 계획을 세웠다. 하지만 사진의 크기 대비 동전의 크기가 작아 학습의 결과 Validation Dataset을 이용하였을 때 99%의 정확도를 보이는 것과 달리 작은 동전의 특징을 정확히 잡아내지 못하고 실제 예측결과가 현저히 떨어지는 Overfitting 현상을 인지하였다.
- 이미지에서 동전 부분만 추출하고 OpenCV를 이용한 이미지 프로세싱 설계로 학습에 적합한 데이터로 추출하여 진행하게 되었다. 특징은 살리면서 노이즈 제거에 적합한 Gaussian Blur를 통하여 노이즈를 제거한 후 Sharpening을 통하여 이미지의 특징을 좀더 부각시키도록 설계하였다. Gaussian Blur는 5*5 커널을 이용하였으며 Sharpening처리를 위하여 Fig.
- 학습은 Table 1과 같은 환경에서 진행하였으며 실제 테스트를 진행하기 위하여 라즈베리파이4B제품 을 이용해 동전 촬영 및 예측하는 장치를 제작하였다. 학습 후 나온 모델을 라즈베리파이에 이식하여 엣지단에서 예측만 진행하였다. 앞에서 설계한 모델을 Fig.
- 학습모델은 TensorFlow 라이브러리 Keras를 이용하여 은닉층에서 3개의 Convolution Layer, 3개의 MaxPooling Layer, 연결층에서 1차원 벡터로 변환시키기 위한 Flatten Layer, Dense Layer를 설계하였으며, 출력층에서 다시 Dense Layer 를 이용하여 8개의 카테고리와 일치되게 설계하였다. 각 Layer의 활성화 함수로 역전파 시에 좋은 성능을 내는 ReLU (Rectified Linear Unit) 함수를 구성하였다.
- Table 1은 구성한 CNN알고리즘을 테스트하기 위한 학습 환경이다. 학습은 Table 1과 같은 환경에서 진행하였으며 실제 테스트를 진행하기 위하여 라즈베리파이4B제품 을 이용해 동전 촬영 및 예측하는 장치를 제작하였다. 학습 후 나온 모델을 라즈베리파이에 이식하여 엣지단에서 예측만 진행하였다.
대상 데이터
- 본 연구에서 양각 디자인의 동전을 10원부터 50원 까지 각각 앞/뒷면으로 분류하기 위하여 8개의 Label로 구성하여 Traing DataSet을 구성하였다. 동전의 그림자와 반사광은 각도에 따라서 다양하게 생기기 때문에 빛을 고정하고 다양한 각도의 이미지를 추출하였다.
데이터처리
- 특징은 살리면서 노이즈 제거에 적합한 Gaussian Blur를 통하여 노이즈를 제거한 후 Sharpening을 통하여 이미지의 특징을 좀더 부각시키도록 설계하였다. Gaussian Blur는 5*5 커널을 이용하였으며 Sharpening처리를 위하여 Fig. 5와 같은 필터 값을 적용 시켜 좀 더 선명한 이미지를 추출하였다. 이미지 프로세싱 후 Table 2와 같은 실험결과를 얻을 수 있었다.
이론/모형
- 다음 Training DataSet을 이용하여 구성한 모델로 학습을 시키며 손실 및 정확도를 측정하고 상황을 판단한다. 마지막으로 Validation DataSet으로 평가 후 predict()함수를 이용하여 모델을 사용한다.
- 은닉층에서 학습 시 Overfitting 현상을 방지하기 위하여 각 Layer층마다 50% 확률의 Dropout을 구성하였다. 컴파일 시에 Optimizer로 Momentum과 RMSProp을 합친 AdamOptimizer를 구성하였다[19].
성능/효과
- 양각 문자는 이미지만으로 특징을 잡아내기 힘든 동전을 빛의 방향에 따라 생기는 그림자와 반사광의 특징을 분석하며 분류하였다. 구현 시스템의 성능은 동전 분류의 성공률로 평가를 수행했으며, 시뮬레이션 결과는 성공률의 평균 98%를 보였다.
- 실제로 테스트 장치에서 각 동전별로 이미지를 촬영하여 테스트 해본 결과 Fig. 8과 같이 정확히 특징을 인식하고 동전의 종류 뿐만 아니라 앞면인지 뒷면인지까지 분류하고 있음을 확인 할 수 있다.
- 처음 실험에선 프로세싱 없이 촬영된 이미지 원본을 이용하여 Traing Dataset을 만들어 학습을 진행하도록 계획을 세웠다. 하지만 사진의 크기 대비 동전의 크기가 작아 학습의 결과 Validation Dataset을 이용하였을 때 99%의 정확도를 보이는 것과 달리 작은 동전의 특징을 정확히 잡아내지 못하고 실제 예측결과가 현저히 떨어지는 Overfitting 현상을 인지하였다.
후속연구
- 영상처리 기술과 인공지능은 매우 다양한 분야에서 적용되고 있다. 4차 산업혁명에 들어서며 스마트팩토리, 자율 주행, IoT분야 등으로 응용이 적용되며 앞으로도 지속해서 확산될 전망이다. 최근 인공지능 기술은 계속적 발전으로 해당 분야의 전문 지식에 의존하는 대신 빅데이터에 기반을 두어 지식을 자동으로 축적한다는 면에서 인간 수준의 인공지능을 향하여 진일보하고 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.