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.
제안 방법
- 사진 데이터의 수집을 위해 라즈베리 파이를 삼각 대에 장착, Pi Camera를 방 전체가 잘 보이는 곳에 위치시킨 후 고정하였다. 경우에 맞는 사진 데이터들을 수집, 분류하여 Google Inception V3에 학습시 키고 1차 실험과 마찬가지로 테스트용 사진을 촬영하였다. Google Inception V3는 테스트용 사진을 입력받아 올바르게 상황을 맞추는 결과를 보여주었다.
- 상층부의 조도 감지기에서 조도 값을 측정해 라즈베리 파이로 보내면 기준치를 넘었는지 측정해 현재 전등의 on/off 상태를 저장한다. 그리고 멀티탭을 개조해 두 개의 선 중 한 쪽을 릴레이와 연결해 on/off 여부를 전송하도록 했다. 또 자동으로 TV를 켜는 시스템을 구현하기 위해 적외선 센서를 이용하였다.
- 정보 수집 시스템은 데이터 수집 서버와 센서 노드 두 가지 요소로 구성된다. 데이터 수집 서버는 라즈베리 파이를 이용하여 제작되었으며, Node.js 기반의 REST API 서버를 제작하여 센서 노드와의 인터페이스를 구현하였다. 또, 라즈베리 파이에 부착된 Pi camera로 사진을 연속적으로 촬영해 사용자의 행동을 분석할 수 있도록 하였다.
- 그리고 멀티탭을 개조해 두 개의 선 중 한 쪽을 릴레이와 연결해 on/off 여부를 전송하도록 했다. 또 자동으로 TV를 켜는 시스템을 구현하기 위해 적외선 센서를 이용하였다. 적외선 센서는 수/발광 기가 동시에 있어서 사용자가 리모컨으로 신호를 보내면 수광기가 그 신호를 받아들여 HEX코드로 읽어내고, 라즈베리 파이는 HEX코드 값을 수신해 읽고 저장한다.
- js 기반의 REST API 서버를 제작하여 센서 노드와의 인터페이스를 구현하였다. 또, 라즈베리 파이에 부착된 Pi camera로 사진을 연속적으로 촬영해 사용자의 행동을 분석할 수 있도록 하였다. 라즈베리 파이는 내부에서 Inception V3 네트워크를 통해 영상을 판별하고, 학습된 데이터를 2차 뉴럴 네트워크에 입력한 후 결과값을 추론한다.
- Google Inception V3 망이 사용자의 상황을 유추할 수 있게 동일한 상황에서의 수십 장의 사진을 찍어 학습 데이터를 수집하였다. 또한 현재 상태(밝기, 온도, 직전 수행 동작 등)에 따라 수행해야 할 작업에 대해 학습시키고자 정보 수집 시스템을 이용, 데이터를 일정 기간 동안 수집하도록 하였으며 이 데이터들을 2차 DNN에서 학습시켰다. 학습 과정에서 실험적으로 Learning rate, batch 크기, 레이어 수, 뉴런 수 등의 Hyperparameter를 조절해가며 여러 차례의 수정을 거쳐 최적의 적중률을 가진 2차 DNN를 만들어냈다.
- 하드웨어의 상층부와 하층부에 각각 조도 센서를 사용하여 두 개의 데이터를 수집했다. 레이저 송신부에서 쏜 레이저가 사람이 지나가면서 끊길 경우 하층부에 있는 레이저 수신부의 조도 센서가 변화한 조도 값을 서버로 보내 사람이 지나갔는지 여부를 확인한다. 상층부의 조도 감지기에서 조도 값을 측정해 라즈베리 파이로 보내면 기준치를 넘었는지 측정해 현재 전등의 on/off 상태를 저장한다.
- 사용자는 정보 수집 시스템을 집에 설치한 상태에서, 집에 들어오면 자신의 습관에 따른 행동을 하게 된다. 미리 설치한 적외선 센서, 조도 센서는 각각 받은 신호 데이터를 서버에 전송하고, 서버(라즈베리 파이)는 Pi camera와 Google Inception V3로 무슨 상황인지 분석한다. 그러면 뉴럴 네트워크는 수집된 데이터들을 바탕으로 사용자의 행 동 패턴에 따른 작업을 자동 수행하게 된다.
- 홈 오토메이션(HA)은 편리하고 쾌적한 생활을 위해 집안의 조명, 온도, 냉난방, 보안 및 가전제품을 자동화 하는 시스템을 의미한다. 보통 HA 기술은 스마트폰에 센서를 연결하여 스마트폰으로 직접 가전 기기를 조작하거나 각 센서들이 독립적으로 작동하는데 그치지만, 본 연구에서는 서버에 빛, 온도, 출입을 탐지하는 센서를 연결시켜 정보를 종합하여 딥러닝을 통해 자동화시킨다.
- 그 후 ESP8266 모듈이 가공한 정보와 사용자가 취하는 행동을 Wi-Fi를 통해 데이터 수집 서버로 전송한다. 본 연구에서는 Arduino IDE를 통해 ESP8266의 펌웨어를 수정하여 Serial 통신을 했다.
- 릴레이는 코일에 전류를 흘려보내면 자석이 되는 성질을 이용한 부품으로, 스위치 역할을 하는데 사용할 수 있다. 본 연구에서는 장치에 연결된 멀티탭의 전원을 제어하기 위해 멀티탭과 릴레이를 연결시켜 사용하였다.
- 최종적으로 모아진 데이터를 컴퓨터에 학습시켜, 사용자가 집에 들어와 특정한 습관에 따른 행동을 취할 경우 필요하다고 예상된 제어를 자동으로 실행하도록 하였다. 사용자가 원하는 행동을 유추하기 위해 본 연구에서는 두 가지 서로 다른 Neural Network를 사용하였다. 영상을 통해 상황을 학습하는 과정에서는 Google Inception V3를 활용하였으며, 상황과 각종 데이터를 통해 최종적으로 사용자가 원하는 행동을 유추하기 위해서는 Tensorflow를 이용해 직접 설계한 2차 DNN (Deep Neural Network)를 사용하였다.
- 사진 데이터의 수집을 위해 라즈베리 파이를 삼각 대에 장착, Pi Camera를 방 전체가 잘 보이는 곳에 위치시킨 후 고정하였다. 경우에 맞는 사진 데이터들을 수집, 분류하여 Google Inception V3에 학습시 키고 1차 실험과 마찬가지로 테스트용 사진을 촬영하였다.
- 1%-보다 높은 수치 였다. 새로 CNN을 만드는 것은 매우 복잡하고 많은 시간이 드는 일이므로 시간을 단축시키기 위해 Google Inception v3을 가져와서 본 연구에 맞게 수정하여 적용하였다.
- 그러나 이러한 선행 연구들은 사용자가 수동으로 어플리케이션 등을 이용하여 원하는 동작, 혹은 규칙(Routine)을 직접 설정해야 하는 것들이 대부분이며 이는 사용자의 불편함을 초래한다. 이러한 문제점을 해결하기 위해 본 연구에서는 딥 러닝(Deep Learning) 기술을 활용하여 사용자의 행동 데이터를 학습하고, 사용자의 간섭 없이도 자동으로 상황에 맞는 실내 환경을 조성할 수 있는 시스템을 구성하였다.
- 이러한 사용자의 모의 데이터를 뉴럴 네트워크에 넣고 Learning Rate, Num Steps, Batch Size, Hidden layer의 수, 뉴런 층의 개수를 조절하여 결과를 확인하였다. 총 10,000 steps에 걸친 학습 결과 Training Accuracy(학습된 데이터들로 맞출 확률)가 97.
- 짐벌을 이용하여 Galaxy Note FE(SM-N935K)를 방이 한눈에 보이는 위치에 고정, 커튼을 쳐 빛의 영향을 차단하고 TV를 볼 때나 PC를 켤 때와 같은 특정 상황에 있는 사용자의 사진을 수십장 촬영 하였다. 이후 사진을 분류하여 Google Inception V3에 학습시키고, 이 모델이 잘 학습되었는지 확인하기 위하여 추가적으로 각각의 상황에 맞는 사진을 촬영하였다. 이 테스트용 사진을 넣어줬을 때, 높은 확률로 어떠한 상황인지를 잘 맞췄다.
- 센서 노드들은 각각의 Arduino Uno에 자체 제작한 PCB 기판을 연결, ESP8266 모듈과 각종 센서들을 부착하여 완성하였다. 조도, 적외선 센서 값, 전력 공급 여부 등 모든 센서 노드에서 수집한 정보를 2차 NN에 넣어 결과 값을 도출하고, 그에 따라서 전등의 경우 서보 모터를, TV의 경우 적외선 센서를 이용해 기기를 작동하거나 정지시킨다. 이때 사진은 CNN을 통해 상황 정보로 바뀐다.
- 짐벌을 이용하여 Galaxy Note FE(SM-N935K)를 방이 한눈에 보이는 위치에 고정, 커튼을 쳐 빛의 영향을 차단하고 TV를 볼 때나 PC를 켤 때와 같은 특정 상황에 있는 사용자의 사진을 수십장 촬영 하였다. 이후 사진을 분류하여 Google Inception V3에 학습시키고, 이 모델이 잘 학습되었는지 확인하기 위하여 추가적으로 각각의 상황에 맞는 사진을 촬영하였다.
- 정보 수집 시스템을 제작해 직접 데이터를 수집했다. 최종적으로 모아진 데이터를 컴퓨터에 학습시켜, 사용자가 집에 들어와 특정한 습관에 따른 행동을 취할 경우 필요하다고 예상된 제어를 자동으로 실행하도록 하였다. 사용자가 원하는 행동을 유추하기 위해 본 연구에서는 두 가지 서로 다른 Neural Network를 사용하였다.
- 또한 현재 상태(밝기, 온도, 직전 수행 동작 등)에 따라 수행해야 할 작업에 대해 학습시키고자 정보 수집 시스템을 이용, 데이터를 일정 기간 동안 수집하도록 하였으며 이 데이터들을 2차 DNN에서 학습시켰다. 학습 과정에서 실험적으로 Learning rate, batch 크기, 레이어 수, 뉴런 수 등의 Hyperparameter를 조절해가며 여러 차례의 수정을 거쳐 최적의 적중률을 가진 2차 DNN를 만들어냈다.
대상 데이터
- Google Inception V3 망이 사용자의 상황을 유추할 수 있게 동일한 상황에서의 수십 장의 사진을 찍어 학습 데이터를 수집하였다. 또한 현재 상태(밝기, 온도, 직전 수행 동작 등)에 따라 수행해야 할 작업에 대해 학습시키고자 정보 수집 시스템을 이용, 데이터를 일정 기간 동안 수집하도록 하였으며 이 데이터들을 2차 DNN에서 학습시켰다.
- 사용자의 환경을 학습하기 위하여 일정 기간 동안 정보 수집 시스템을 가동한다. 정보 수집 시스템은 라즈베리 파이와 이에 연결된 Pi Camera, 집안 곳곳에 설치되는 센서 노드들, 각종 전자 기기가 연결된 멀 티탭에 설치되는 릴레이 회로들을 포함한다. 데이터 수집을 마치면 이를 사전에 구성한 2차 DNN에 입력하여 데이터와 행동 간의 연결 관계를 확인, 수많은 데이터 중 반복적으로 확인되는 데이터들의 패턴을 갖고 학습하여 사용자의 습관에 맞춰진 환경을 제공한다.
- 하드웨어의 상층부와 하층부에 각각 조도 센서를 사용하여 두 개의 데이터를 수집했다. 레이저 송신부에서 쏜 레이저가 사람이 지나가면서 끊길 경우 하층부에 있는 레이저 수신부의 조도 센서가 변화한 조도 값을 서버로 보내 사람이 지나갔는지 여부를 확인한다.
- 현재 상태에 따른 수행 작업의 선택을 결정한 모의 사용자 습관 데이터를 약 100,000개 생성하여 뉴럴 네트워크에 넣어주었다. 이 모의 데이터 내의 사용자는 특별한 특성을 갖고 있다.
- 홈 오토메이션 시스템에서 필수인 기기와 서버 간의 무선 통신 구성을 위해 ESP8266을 사용하였다. 이는 기본적으로 Serial 통신을 하며, 5V logic을 사용하는 아두이노와 달리 3.
이론/모형
- 사용자가 원하는 행동을 유추하기 위해 본 연구에서는 두 가지 서로 다른 Neural Network를 사용하였다. 영상을 통해 상황을 학습하는 과정에서는 Google Inception V3를 활용하였으며, 상황과 각종 데이터를 통해 최종적으로 사용자가 원하는 행동을 유추하기 위해서는 Tensorflow를 이용해 직접 설계한 2차 DNN (Deep Neural Network)를 사용하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.