[논문]합성곱 신경망을 이용한 손상된 볼트의 이미지 분류

Lee, Soo-Byoung; Lee, Seok-Soon

doi:10.20910/jase.2022.16.4.109

합성곱 신경망을 이용한 손상된 볼트의 이미지 분류
Image Classification of Damaged Bolts using Convolution Neural Networks 원문보기

항공우주시스템공학회지 = Journal of aerospace system engineering, v.16 no.4, 2022년, pp.109 - 115

Lee, Soo-Byoung (경상국립대학교 기계공학부) , Lee, Seok-Soon (경상국립대학교 기계공학부)

초록
AI-Helper

딥러닝 기법과 컴퓨터 비전 기술을 융합한 합성곱 신경망 알고리즘은 고성능 컴퓨팅 시스템을 기반으로 이미지 데이터의 분류를 가용하게 한다. 본 논문에서는 합성곱 신경망 알고리즘을 대표적인 딥러닝 프레임워크인 텐서플로와 학습 기법을 이용하여 구현하고 이미지 분류 문제에 적용한다. 모델의 지도학습에 필요한 데이터는 동일 종류의 볼트를 이용하여 나사산이 정상인 볼트와 나사산이 손상된 볼트로 구분하여 이미지를 생성하였다. 소량의 이미지 데이터를 이용한 학습 모델은 좋은 성능으로 볼트의 손상을 탐지하였다. 그리고 모델의 내부 구성에 따른 학습 성능을 비교하기 위해 합성곱 신경망 내 컨볼루션 레이어의 개수를 변경하고 과적합 회피기법을 선택 적용하여 이미지 분류 성능을 확인하였다.

Abstract ▼ AI-Helper

The CNN (Convolution Neural Network) algorithm which combines a deep learning technique, and a computer vision technology, makes image classification feasible with the high-performance computing system. In this thesis, the CNN algorithm is applied to the classification problem, by using a typical deep learning framework of TensorFlow and machine learning techniques. The data set required for supervised learning is generated with the same type of bolts. some of which have undamaged threads, but others have damaged threads. The learning model with less quantity data showed good classification performance on detecting damage in a bolt image. Additionally, the model performance is reviewed by altering the quantity of convolution layers, or applying selectively the over and under fitting alleviation algorithm.

주제어

표/그림 (22)

그림 Fig. 1 Single-Layer Perceptron[1]
그림 Fig. 2 Multi-Layer Neural Network[1]
그림 Fig. 3 CNN Architecture LeNet-5[2]
그림 Fig. 4 Convolution Operation[1]
그림 Fig. 5 Sigmoid And ReLu Function[3]
그림 Fig. 6 Dropout[4]
그림 Fig. 7 Data Set Bolt Images
그림 Fig. 8 Data Normalizing And Augmentation[5]
그림 Fig. 9 Data Augmentation Bolt Images
그림 Fig. 10 Model Sequential[5-6]
그림 Fig. 11 Model Architecture
그림 Fig. 12 CNN Model With Optimizer Adam[6]
그림 Fig. 13 One Layer Model With 256 Pixel
그림 Fig. 14 Multi-Layer Model With 256 Pixel
그림 Fig. 15 Dropout With 256 Pixel
그림 Fig. 16 Data Augmentation With 256 Pixel
그림 Fig. 17 CNN Model With Random Forest[6]
그림 Fig. 18 Confusion Matrix
그림 Fig. 19 Model Performance Case I
그림 Fig. 20 Model Performance Case II
표 Table 1 Model Composition Case I
표 Table 2 Model Composition Case II

참고문헌 (6)

Patterson, Josh, and Adam Gibson, Deep learning: A practitioner's approach, O'Reilly Media, 2017.
LeCun, Yann, et al, "Gradient-based learning applied to document recognition," Proceedings of the IEEE 86.11, pp. 2278-2324, 1998.

상세보기
Sagar Sharma, 2017, "Activation Functions in Neural Networks." Towards Data Science, February 5, 2022. https://towardsdatascience.com/activation-functions-neural-networks-1cbd9f8d91d6.
Srivastava, Nitish, et al, "Dropout: a simple way to prevent neural networks from overfitting," The journal of machine learning research, 15.1, pp. 1929-1958, 2014.

상세보기
TensorFlow (2022) Classification [Source code]. https://www.tensorflow.org/tutorials/images/classification.
Sreenivas B., (2020) Classification [Source code]. https://github.com/bnsreenu/python_for_microscopists/blob/master/158_classification_CNN_RF.py.

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