최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기한국정보통신학회 2017년도 추계학술대회, 2017 Oct. 25, 2017년, pp.166 - 169
기철민 (한국기술교육대학교) , 조태훈 (한국기술교육대학교)
Currently, studies using Deep Learning are actively carried out showing good results in many fields. A template matching method is mainly used to recognize parts mounted on PCB(Printed Circuit Board). However, template matching should have multiple templates depending on the shape, orientation and b...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
본 연구에서 PCB에 실장된 부품을 검출하는 방식의 성능 비교를 해본 결과는? | <표 2>의 실험 결과에 따르면 템플릿 매칭 방식보다 Faster-RCNN을 사용한 PCB 부품 인식의 수행 결과가 더 좋게 나타났으며, 수행시간 또한 상당히 줄어든 것을 볼 수 있다. 템플릿 매칭에서의 문제점은 밝기가 다른 영상들이나 영상의 각도가 회전되어 있으면 Score가 상당히 떨어지는 문제점이 나타났으며, 부품이 있는 곳이 아니더라도 수식의 계산 값이 유사하면 부품으로 인식하는 경우가 상당히 많이 나타났다. 또한 매칭할 템플릿의 개수가 늘어날수록 속도가 상당히 느려지는 문제점도 존재한다. 이러한 부분들에서는 Faster-RCNN을 이용한 PCB 부품 인식이 상당히 좋은 결과를 보여주었으나, 여전히 문제점은 존재하는데 IC칩이 몰려있는 부분에서 Object Detection의 결과가 떨어지는 부분들이 발생하고, Detection 된 ROI 데이터 중 영상의 가장자리에 존재하는 Annotation은 결과가 나오지 않는 경우가 존재한다. 또한 밝기의 차이가 큰 Object의 경우 찾아내지 못하는 경우가 여전히 발생하는 문제점이 발견되었다. 또한 상대적으로 크기가 큰 IC 칩의 경우 학습 세트나 테스트 세트의 개수가 많이 부족하여 데이터 추가가 필요하다. 위에서 설명한 문제점들을 개선하면 매우 정확하고, 수행 시간도 빠른 알고리즘의 사용이 가능하여 실제 산업 현장에서 활용할 수 있을 것으로 보인다. | |
CNN의 구조는 어떻게 되는가? | CNN은 학습 가능한 가중치(weight)와 바이어스(bias)로 구성되어 있고, 일반적으로 Multi-Layer Neural Network와 유사하므로 몇 개의 층으로 이루어져 있다. 기본적인 CNN의 구조는 Convolution Layer, Pooling Layer, Fully-connected Layer의 3가지의 다른 층을 가지고 있고, 경우에 따라 여러 Layer가 추가되기도 한다. | |
CNN은 어떻게 구성되는가? | CNN은 컴퓨터 비젼 분야에서 많은 연구가 활발히 진행 중인 인공신경망의 한 종류이며, 앞에서 설명한 것과 같이 일반적인 신경망과 매우 유사하다. CNN은 학습 가능한 가중치(weight)와 바이어스(bias)로 구성되어 있고, 일반적으로 Multi-Layer Neural Network와 유사하므로 몇 개의 층으로 이루어져 있다. 기본적인 CNN의 구조는 Convolution Layer, Pooling Layer, Fully-connected Layer의 3가지의 다른 층을 가지고 있고, 경우에 따라 여러 Layer가 추가되기도 한다. |
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.