[논문]합성곱신경망을 이용한 구조적 텍스처 분석연구

이봉규

doi:10.7236/jiibc.2020.20.4.201

합성곱신경망을 이용한 구조적 텍스처 분석연구
A Study on the Analysis of Structural Textures using CNN (Convolution Neural Network) 원문보기

The journal of the institute of internet, broadcasting and communication : JIIBC, v.20 no.4, 2020년, pp.201 - 205

초록
AI-Helper

구조적인 텍스처는 텍스처를 구성하는 기본요소인 텍셀 (texel)이 규칙적으로 반복되는 형태로 정의된다. 구조적 텍스처 분석/인식은 직물류의 자동검사, 금속표면 자동테스트 및 마이크로 이미지의 자동 분석 등, 산업적인 응용이 다양하다. 본 논문에서는 구조적 텍스처 분석을 위한 합성곱신경망 (Convolution Neural Network, CNN) 기반의 시스템을 제안한다. 제안한 방법은 합성곱신경망이 분류 대상 텍스처들의 구성 요소인 텍셀을 학습한다. 인식 단계에서는 입력되는 텍스처 영상에서 얻은 부분 영상을 이용하여 학습된 합성곱신경망이 텍스처를 인식하다. 실제 구현 및 실험을 통하여 제안된 방법의 우수성을 보인다.

Abstract ▼ AI-Helper

The structural texture is defined as a form which a texel is regularly repeated in the texture. Structural texture analysis/recognition has various industrial applications, such as automatic inspection of textiles, automatic testing of metal surfaces, and automatic analysis of micro images. In this paper, we propose a Convolution Neural Network (CNN) based system for structural texture analysis. The proposed method learns texles, which are components of textures to be classified. Then, this trained CNN recognizes a structural texture using a partial image obtained from input texture. The experiment shows the superiority of the proposed system.

주제어

표/그림 (8)

그림 그림 1. 구조적 텍스처 예 Fig. 1. Examples of structural textures
그림 그림 2. 단일 텍스처로부터 획득되는 패턴들 Fig. 2. Patterns obtained from a single texture
그림 그림 3. 합성곱신경망과 기본신경망 Fig. 3. CNN and Traditional NN
그림 그림 4. 합성곱신경망 구조 Fig. 4. The architecture of CNN
그림 그림 5. 제안된 합성곱신경망 구조 Fig. 5. The architecture of the proposed CNN
그림 그림 6. 인식 단계에 대한 알고리즘 Fig. 6. The algorithm for recognition
그림 그림 7. 실험용 텍스처와 구성 텍셀 Fig. 7. Textures and their texels for the experiment
표 표 1. 실험결과 Table 1. The experimental results

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 텍셀기반의 학습을 통하여 구조적 텍스처의 분류하는 합성곱신경망 기반의 새로운 방법을 제안했다. 제안한 방법은 구조적 텍스처를 구성하는 각 텍셀의 순환 변형을 고려한 데이터를 통한 학습을 통하여 제안한 구조의 합성곱신경망을 학습시킨다.
본 논문에서는 합성곱신경망 (Convolution Neural Network, CNN)을 통하여 구조적 텍스처를 인식하는 새로운 방법을 제안한다. 제안하는 방법은 구조적 텍스처에서 발생하는 순환 기하학 변형을 학습하기 위해 5개의 텍셀영상 (1개의 원래 텍셀과 4가지의 순환 기하학적 변형이 발생된 텍셀)을 이용한다.
이런 구조를 가지는 합성곱 층을 모두 통과하여 얻어지는 최종결과는 64개의 15 × 15크기의 특징 맵으로 나타난다. 이런 다양한 합성곱의 변환을 통하여 순환 기하학 변환을 해결하는 것이 본 논문에서의 핵심이다. 최종적으로 얻어진 64개의 15 × 15크기 특징 맵은 일차원 배열로 변환 (Flatten)되어 인식을 담당하는 완전 연결된 3층 구조의 (입력, 은닉, 출력) 다층신경망 (Multi-Layer Perceptron, MLP)에 입력되어 입력된 텍스처를 분류하는 역할을 한다.

제안 방법

에서 실제 인식대상에 대해서 학습이 완료된 합성곱 산경망의 인식과정에 대한 알고리즘을 보여준다. 먼저 m개의 구조적 텍스처 중에서 현재 인식 대상이 되는 하나의 구조적 텍스처에 대해서 정해진 크기의 윈도우를 이용하여 텍셀정보를 추출하여 실제 합성곱신경망의 입력을 구성한다. 신경망의 실제 입력 이미지는 순환 변형이 포함될 가능성이 있는 특정 텍스처를 구성하는 텍셀 이미지이다.
제안하는 합성곱신경망의 성능 비교를 위하여 기존의 텍스처 분석에 사용된 두 개의 합성곱신경망인 Alexnet^[16]과 VGG16^[17]을 구현하고 사용한다. 비교 시스템은 전체적인 구조는 유지하면서 입력 층과 최종 출력 층의 구조는 입력영상에 맞게 수정한다. 제안시스템과 비교 시스템 모두 활성화 함수로 ReLU를 사용하며, 이웃 커널 값을 고려하여 합성곱 결과를 조정하는 지역 반응 정규화와 과적합 방지를 위해 드롭아웃 (Dropout)을 사용한다.
제안 신경망의 일반화에 대한 테스트를 위하여 각 텍스처마다 임의의 위치에서 추출한 30개의 30 × 30 부분 이미지를 (총 600개) 학습된 신경망에 입력한 후 인식 성능을 확인한다.
제안된 합성곱신경망은 입력 층의 노드는 900 (30×30)개이고 출력 층은 분류하고자 하는 텍스처의 클래스 수가 된다.
본 논문에서는 합성곱신경망 (Convolution Neural Network, CNN)을 통하여 구조적 텍스처를 인식하는 새로운 방법을 제안한다. 제안하는 방법은 구조적 텍스처에서 발생하는 순환 기하학 변형을 학습하기 위해 5개의 텍셀영상 (1개의 원래 텍셀과 4가지의 순환 기하학적 변형이 발생된 텍셀)을 이용한다. 합성곱신경망의 경우는 합성곱 층에서 다단계 필터를 사용하기 때문에 기존 신경망에 비하여 인식/분류 능력이 높기 때문에 기존의 신경망 모델에서 찾기 어려운 텍스처 패턴 변화를 5개의 학습 데이터로부터 감지할 수 있다.
1)을 이용한다. 제안하는 합성곱신경망의 성능 비교를 위하여 기존의 텍스처 분석에 사용된 두 개의 합성곱신경망인 Alexnet^[16]과 VGG16^[17]을 구현하고 사용한다. 비교 시스템은 전체적인 구조는 유지하면서 입력 층과 최종 출력 층의 구조는 입력영상에 맞게 수정한다.
본 논문에서는 텍셀기반의 학습을 통하여 구조적 텍스처의 분류하는 합성곱신경망 기반의 새로운 방법을 제안했다. 제안한 방법은 구조적 텍스처를 구성하는 각 텍셀의 순환 변형을 고려한 데이터를 통한 학습을 통하여 제안한 구조의 합성곱신경망을 학습시킨다. 학습된 합성곱 신경망은 인식대상인 텍스처로부터 얻어지는 텍셀크기의 부분 영상을 이용하여 분류/인식을 수행한다.
학습을 위해서 각 텍스처로부터 30 × 30 크기의 텍셀 원형 1개와 4방향 순환 변형이 발생한 패턴 4개를 수동으로 추출하여 학습에 사용한다.

대상 데이터

합성곱신경망의 경우는 합성곱 층에서 다단계 필터를 사용하기 때문에 기존 신경망에 비하여 인식/분류 능력이 높기 때문에 기존의 신경망 모델에서 찾기 어려운 텍스처 패턴 변화를 5개의 학습 데이터로부터 감지할 수 있다. 제안 방법이 실제 학습 가능한지 여부와 인식 성능 평가를 위해 Brodatz 텍스처 데이터베이스^[10] 에 있는 영상을 이용한 실험을 수행한다.
제안한 시스템의 성능분석을 위하여 Brodatz 앨범에 포함된 256 × 256 크기의 20개의 구조적 텍스처 (그림 7)를 사용한다.

이론/모형

비교 시스템은 전체적인 구조는 유지하면서 입력 층과 최종 출력 층의 구조는 입력영상에 맞게 수정한다. 제안시스템과 비교 시스템 모두 활성화 함수로 ReLU를 사용하며, 이웃 커널 값을 고려하여 합성곱 결과를 조정하는 지역 반응 정규화와 과적합 방지를 위해 드롭아웃 (Dropout)을 사용한다.

성능/효과

인식률 측면에서는 3가지 시스템 중에서 제안시스템이 다른 비교시스템에 비교하여 가장 낮게 나타났다. 그러나 제안 시스템의 경우는 단순하고 효율적인 구조를 가짐으로써 비교 시스템에 비하여 학습 및 인식에 요구되는 시간이 가장 작으면서도 유사한 인식 성능을 나타냈다. 이를 통하여 제안시스템이 순환변형을 가지는 텍셀에 대해 효과적인 학습을 하는 구조인 것이 확인되었다.
학습된 합성곱 신경망은 인식대상인 텍스처로부터 얻어지는 텍셀크기의 부분 영상을 이용하여 분류/인식을 수행한다. 다양한 구조적 텍스처를 이용한 실험을 통하여 제안된 합성곱신경망과 기존의 텍스처 분석에 사용된 합성곱신경망 방법과 비교를 통하여 제안 방법의 효과를 보였다.
그러나 제안 시스템의 경우는 단순하고 효율적인 구조를 가짐으로써 비교 시스템에 비하여 학습 및 인식에 요구되는 시간이 가장 작으면서도 유사한 인식 성능을 나타냈다. 이를 통하여 제안시스템이 순환변형을 가지는 텍셀에 대해 효과적인 학습을 하는 구조인 것이 확인되었다. 즉 제안 시스템은 다양한 구조적 텍스처 분류/인식에 효과적으로 사용될 수 있다.
이런 배경을 바탕으로 합성곱신경망인 LeNet-5에 기반을 둔 CoNN(Convolutional Neural Network)을 이용한 텍스처를 분석하는 방법이 제안되었다^[14]. 제안된 CoNN은 Brodatz 데이터베이스에 있는 이미지를 대상으로 한 분류실험에서 일반화가 가능하면서도 기존의 분석적인 방법과 유사한 성능을 나타내고 있다. 또한 Luiz G.
제안 신경망의 일반화에 대한 테스트를 위하여 각 텍스처마다 임의의 위치에서 추출한 30개의 30 × 30 부분 이미지를 (총 600개) 학습된 신경망에 입력한 후 인식 성능을 확인한다. 테스트 결과 3가지의 합성곱신경망 모두 5개의 패턴만을 통하여 학습함에도 불구하고 99%의 인식률을 나타냈다. 이런 현상은 기존의 단순 신경망에서 볼 수 없는 일반화 능력을 합성곱신경망이 가지고 있음을 보이는 것이다.
합성곱신경망은 다양한 텍스처에 대해서 일반화하여 사용이 가능한 방법으로 인식된다. 학습을 통하여 텍스처 분석과 분류를 하나의 구조에서 구현이 가능하면서 우수한 분류능력을 보이고 있다. 이런 배경을 바탕으로 합성곱신경망인 LeNet-5에 기반을 둔 CoNN(Convolutional Neural Network)을 이용한 텍스처를 분석하는 방법이 제안되었다^[14].

후속연구

구조적 텍스처 인식은 산업적으로 활용이 많은 영역으로, 다양한 응용이 가능하다. 따라서 텍셀의 인식에서 발생하는 기본 문제를 해결하는 제안 방법은 산업적으로 활용이 가능할 것으로 판단된다. 향후 하나 이상의 텍셀로 구성된 텍스처를 인식하기 위한 추가 연구를 진행하여 효용성을 높일 것이다.
이를 통하여 제안시스템이 순환변형을 가지는 텍셀에 대해 효과적인 학습을 하는 구조인 것이 확인되었다. 즉 제안 시스템은 다양한 구조적 텍스처 분류/인식에 효과적으로 사용될 수 있다.
따라서 텍셀의 인식에서 발생하는 기본 문제를 해결하는 제안 방법은 산업적으로 활용이 가능할 것으로 판단된다. 향후 하나 이상의 텍셀로 구성된 텍스처를 인식하기 위한 추가 연구를 진행하여 효용성을 높일 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	구조적인 텍스처는 어떠한 형태로 정의되는가?	구조적인 텍스처는 텍스처를 구성하는 기본요소인 텍셀 (texel)이 규칙적으로 반복되는 형태로 정의된다. 구조적 텍스처 분석/인식은 직물류의 자동검사, 금속표면 자동테스트 및 마이크로 이미지의 자동 분석 등, 산업적인 응용이 다양하다.
	영상처리/인식 분야에서 텍스처는 어떻게 구분되는가?	특정 패턴을 분류/인식하는 특징으로 효과적으로 사용될 수 있다. 영상처리/인식 분야에서 텍스처는 무작위 패턴과 구조적인 패턴으로 구분한다[1, 2]. 이중에 구조적인 텍스처는 그림 1에서 보듯이 텍스처를 구성하는 기본요소인 텍셀 (texel)이 규칙적으로 반복되는 형태로 정의되며, 반복되는 규칙에 따라서 텍셀간의 공간적인 관계인 근접성, 거리 및 주기가 결정된다.
	가변적 윈도우와 텍셀 영상의 이차특징을 이용한 구조적 텍스처 분석 방법의 단점은 무엇인가?	실제 구현 가능한 방법으로는 가변적 윈도우와 텍셀 영상의 이차특징을 이용한 구조적 텍스처 분석 방법이 제안되었다[9]. 그러나 이차신경망을 위한 특징추출 단계 및 복잡한 전처리 과정을 필요로 하는 단점이 있다.

참고문헌 (17)

A.K. Jain, Fundamentals of digital image processing, Prentice Hall, 1989.
Jin-Young Lee, Jongho Kim, "Evaluation of Marker Images based on Analysis of Feature Points for Effective Augmented Reality", Hournal of the Korea Academia-Industrial cooperation Society, Vol. 20, No. 9, pp. 49-55, 2019. DOI: https://doi.org/10.5762/KAIS.2019.20.9.49.
Y.Q. Chen, M.S. Nixon, D.W. Thomas, “Statistical geometrical features for texture classification,” Pattern Recognition , Vol. 24, No. 4, pp. 537-552, 1995.
J. Mao, A.K. Jain, “Texture Classification and segmentation using multiresolution simultaneous autoregressive models,” Pattern Recognition, Vol. 25, No. 2, pp. 173-188, 1992.

상세보기
M. Unser, M. Eden, “Multiresolution feature extraction and selection for texture segmentation,” IEEE Trans. on PAMI , Vol. 11, No. 7, pp. 717-728, 1989.

상세보기
F. Liu, R.W. Picard, "Periodicity, Directionality and Randomness: Wold features for image modeling and retrieval," IEEE Trans. on PAMI Vol. 18, No. 7, pp. 722-733, 1996.

상세보기
N.R. Dupaguntla, V. Vemuri, "A neural network architecture for texture segmentation and labeling," Proc. IJCNN'89 , Vol. I, pp. 127-133, 1989.
V. Ari, "A texture classifier based on neural network principles," Proc. IJCNN '90 , Vol. I, pp. 491-496, 1990.
Bongkyu Lee, "A New Method for Classification of Structural Textures", International Journal of Control, Automation and Systems, Vol. 2, No. 1, 2004.

원문보기 상세보기
Phil. Brodatz, Texture: A photographic album for artists and designers, Dover Pubns, 1966.
Donggu Lee, Young-Ghyu Sun, Soo-Hyun Kim, Issac Sim, Kye-San Lee, Myoung-Nam Song, Jin-Young Kim, "CNN-based Image Rotation Correction Algorithm to improve Image Rotation Rate", The Journal of IIBC, Vol. 20, No. 1, pp. 225-229, 2020.
Yann LeCun, Leon Bottou, Yoshua Bengio, Patrick Haffner, "Gradient-based learning applied to document recognition", Proceedings of the IEEE Vol. 86, No 11, pp. 2278-2324, 1998.
Gwon-dong Lee, Juhyung Maeng, Seokil Song, "Mobility Mode Classification Method for Trajectory Data Using CNN", Journal of KIIT, Vol. 17, No. 12, pp. 13-20, Dec, 2019. DOI: http://dx.doi.org/10.14801/jkiit.2019.17.12.13.
F. H. C. Tivive, A. Bouzerdoum, "Texture classification using convolutional neural networks", in TENCON 2006-2006 IEEE Region 10 Conference, pp. 1-4, 2006.
Luiz G.. Hafemann, L. S. Oliveira, P. Cavalin, "Forest species recognition using deep convolutional neural networks" Proceedings of 22nd International Conference on Pattern Recognition, pp. 1103-1107. 2014.
Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton, "ImageNet Classification with Deep Convolutional Neural Networks", Proceedings of the 25th International Conference on Neural Information Processing Systems, Vol. 1, pp. 1097-1105, 2011.
Karen Simonyan, Andrew Zisserman, "Very Deep Convolutional Networks for Large-Scale Image Recognition", a conference at ICLR, pp. 1-14, 2015.

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