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 대형 생활폐기물에 대해 생활폐기물 분류의 부족을 해결하고 높은 분류를 하기 위해 딥러닝 기반으로 가장 일반적인 20 가지 유형의 생활폐기물 분류 시스템을 개발했다. 또한 이 논문에 사용된 구조는 클라이언트•서버 구조를 갖고 있다.
- 본 논문은 이전 연구를 기반으로 딥 러닝 모델을 사용하여 생활폐기물을 분류하는 시스템을 설계했다. 그 후에 20 개의 클래스로 분류하고 이를 애플리케이션에 적용한다.
- 본 연구는 배경이 복잡한 이미지에서 생활폐기물을 인식하기 위해 딥러닝 방법을 사용했으며, 이 방법을 기반으로 실 생활에서 사용할 수 있는 애플리케이션을 개발하였다. 총 21,047 개의 이미지를 웹 사이트에서 다운로드 한 후 검증하였다.
제안 방법
- 0 이다. CNN 모델에서 각 매개 변수에 대한 최적의 값을 얻었으며, 분류 정확도와 실행속도를 비교하여 최상의 모델을 얻었다. 그리고 최종 분류 정확도를 향상시키기 위해 선택한 모델의 구조가 수정된다.
- 불균형 데이터에 대한 실험은 두 가지로 분류된다. 가중치 값을 변경하여 설정하고 다른 하나는 XGBoost 알고리즘을 적용하는 것이다. CNN 모델은 데이터 셋에 적합한 VGG-19 모델을 사용하였다.
- 그리고 최종 분류 정확도를 향상시키기 위해 선택한 모델의 구조가 수정된다. 그 후, 두 가지 다른 방법을 사용하여 불균형 데이터 문제를 해결하였다.
- 이미지넷(ImageNet) 데이터 셋 기반으로 널리 사용되는 훈련된 모델을 사용하였다. 데이터 셋의 크기와 모양이 이미지넷 데이터 셋과 약간 다르고 처음 몇 개의 컨벌루셔널 레이어가 좀 더 일반적인 기능을 학습하기 위해 사용되었으므로 사전 훈련 모델의 모든 컨벌루셔널 레이어를 초기화 하고 첫 번째의 파라미터를 고정한다. 배치 정규화(Batch Normalization)는 신경망을 최적화하는 방법이다.
- 불균형 데이터를 이루고 있는 Mungab 과 Drawer 클래스를 선택하여 사용하였다. 두 클래스의 이미지에 대해서 비율을 변경하여 실험하였고, 비율은 1:1, 1:2, 1:3, 1:4, 1:5, 1:6, 1:7, 1:8, 1:9, 1:10. 1:100 와 같이 나눈다.
- 실험을 통해 제안된 방법으로 문제를 해결했을 때 좋은 성능을 확인할 수 있었다. 또한 안드로이드 시스템에서 VGG-19 모델을 기반으로 실 생활에서 사용할 수 있는 생활폐기물 분류 애플리케이션을 개발하였다.
- 01% 사이의 높은 정확도를 얻었다. 불균형 데이터 문제를 해결하기 전과 해결한 후의 결과를 비교했다. 실험을 통해 제안된 방법으로 문제를 해결했을 때 좋은 성능을 확인할 수 있었다.
- 예를 들어 카테고리의 균형이 맞지 않으면 정확도가 정확하지 않고 의미가 없다. 이 연구에서는 혼동 행렬(confusion matrix), ROC 곡선(Receiver Operating Characteristic Curve), Area Under Curve(AUC) 값을 사용하여 분류기의 성능을 측정한다.
- 평가 과정에서 매개 변수에 대한 최적의 값을 구하고 더 정확한 값을 위해 추가적으로 다른 매개 변수들을 이용하였다. CNN 모델 중 VGG-19, Inception-V3, ResNet50 모델들을 비교하였고 비교를 통해 실행속도, 정확도, 반복횟수를 [표 2]에서 확인할 수 있다.
대상 데이터
- 데이터 셋에서 모든 이미지는 224x224 이미지로 저장되며 시스템에는 이미지 크기 조정을 위한 python 스크립트도 포함되어 있다. 본 논문은 Yahoo, Bing, Google, Baidu 및 Naver 와 같은 다양한 웹 사이트에서 20 가지 종류의 생활폐기물을 수집한다. 오래된 웹 사이트나 주요 웹 사이트에서 관련 데이터를 찾기 어려운 카테고리를 포함한다.
- CNN 모델은 데이터 셋에 적합한 VGG-19 모델을 사용하였다. 불균형 데이터를 이루고 있는 Mungab 과 Drawer 클래스를 선택하여 사용하였다. 두 클래스의 이미지에 대해서 비율을 변경하여 실험하였고, 비율은 1:1, 1:2, 1:3, 1:4, 1:5, 1:6, 1:7, 1:8, 1:9, 1:10.
- 실험을 하기 위한 시스템 환경은 서버와 클라이언트로 나뉘고 서버의 사양은 GPU: NVIDIAL PACAL TITIAN Xp GDDR5 12GB PCI-express, CPU: Intel Core i7-5280k(6Core/3GHz/15MB), RAM: DDR4 16GB PC4-17000, Library: Tensorflow/Keras Library, OS: Ubuntu 14.04 이다. 클라이언트는 디바이스: HUAWEI nova lite 2, CUP Version: Android 8.
- 이 연구에서는 VGG-19, ResNet50 및 Inception-V3 를 포함한 3 가지 CNN 모델을 사용하여 수집된 데이터셋을 학습한다. 이미지넷(ImageNet) 데이터 셋 기반으로 널리 사용되는 훈련된 모델을 사용하였다.
- 이 연구에서는 VGG-19, ResNet50 및 Inception-V3 를 포함한 3 가지 CNN 모델을 사용하여 수집된 데이터셋을 학습한다. 이미지넷(ImageNet) 데이터 셋 기반으로 널리 사용되는 훈련된 모델을 사용하였다. 데이터 셋의 크기와 모양이 이미지넷 데이터 셋과 약간 다르고 처음 몇 개의 컨벌루셔널 레이어가 좀 더 일반적인 기능을 학습하기 위해 사용되었으므로 사전 훈련 모델의 모든 컨벌루셔널 레이어를 초기화 하고 첫 번째의 파라미터를 고정한다.
- 본 연구는 배경이 복잡한 이미지에서 생활폐기물을 인식하기 위해 딥러닝 방법을 사용했으며, 이 방법을 기반으로 실 생활에서 사용할 수 있는 애플리케이션을 개발하였다. 총 21,047 개의 이미지를 웹 사이트에서 다운로드 한 후 검증하였다. CNN 모델 세 가지 중 VGG-19 는 두 번째로 빠른 속도와 20 개의 클래스에 대해서 86.
데이터처리
- 평가 과정에서 매개 변수에 대한 최적의 값을 구하고 더 정확한 값을 위해 추가적으로 다른 매개 변수들을 이용하였다. CNN 모델 중 VGG-19, Inception-V3, ResNet50 모델들을 비교하였고 비교를 통해 실행속도, 정확도, 반복횟수를 [표 2]에서 확인할 수 있다.
이론/모형
- 가중치 값을 변경하여 설정하고 다른 하나는 XGBoost 알고리즘을 적용하는 것이다. CNN 모델은 데이터 셋에 적합한 VGG-19 모델을 사용하였다. 불균형 데이터를 이루고 있는 Mungab 과 Drawer 클래스를 선택하여 사용하였다.
- 1:100 와 같이 나눈다. 데이터의 확률은 가중치를 계산하는데 사용하고 Keras 의 클래스들 가중치 매개변수를 사용하여 훈련 가중치를 VGG-19 모델에 사용한다. 그런 다음 XGBoost 분류기에 학습하면 [그림 4]와 같은 결과를 확인할 수 있다.
성능/효과
- 결과적으로 정확도, 계산 복잡도, 실행 속도를 고려했을 경우 가장 적합한 모델은 VGG-19 인 것을 확인할 수 있다.
- 한국 정부는 도시 생활폐기물 문제에 대해서 생활폐기물 분류 정책을 추진하고 생활폐기물을 처리하는데 있어 크기에 따라 돈을 지불하는 시스템을 제안했다. 생활폐기물의 분류와 대규모 생활폐기물의 지불은 생활폐기물 발생을 효과적으로 줄였다. 하지만 전통적인 방법은 수동 분류 방식으로, 시간과 비용이 많이 발생하고 생활폐기물이 분류되는 범주가 너무 작다는 단점을 갖고 있다.
- [4]는 자동 생활폐기물 분류를 위해 딥러닝과 Support Vector Machine(SVM)을 비교했다. 세 가지 주요 범주를 기반으로 SVM 은 94.80%의 높은 분류 정확도를 달성 한 반면 CNN 은 83%를 달성했다. SVM 알고리즘은 이 실험에서 더 나은 분류 결과를 보여주지만 큰 표본 크기 데이터 셋에는 적합하지 않으며 훈련 샘플 데이터 수가 증가함에 따라 훈련 속도가 급격히 떨어진다.
- Scale-invariant Feature Transform(SIFT) 기능과 CNN 을 갖춘 SVM 이다. 실험 결과 SVM 은 63%, CNN 이 22%의 정확도를 보여주었다. [7]은 스마트 폰을 사용하여 8 가지 유형 또는 도로 손상을 분류했고 실험 결과 MobileNet 모델과 Inception V2 모델을 사용하여 시간이 1.
- 불균형 데이터 문제를 해결하기 전과 해결한 후의 결과를 비교했다. 실험을 통해 제안된 방법으로 문제를 해결했을 때 좋은 성능을 확인할 수 있었다. 또한 안드로이드 시스템에서 VGG-19 모델을 기반으로 실 생활에서 사용할 수 있는 생활폐기물 분류 애플리케이션을 개발하였다.
- 그 중 하나는 클래스 간의 유사성이 높고 다른 하나는 불균형 데이터 문제이다. 클래스의 유사성 문제를 해결하기 위해 상위 4 개 클래스로 분류하고 정확도는 평균 86.19%에서 97.01% 사이의 높은 정확도를 얻었다. 불균형 데이터 문제를 해결하기 전과 해결한 후의 결과를 비교했다.
- [5]는 컴퓨터 비전과 딥 러닝을 사용하여 생활폐기물 수거 통을 인식한다. 특징을 검출하기 위해 Vector of Locally Aggregated Descriptors(VLAD), You Only Look Once(YOLO)를 사용했으며 90% 정확도를 보였다. [6]은 생활폐기물을 유리, 종이, 금속, 플라스틱, 판지 및 일반 쓰레기를 포함하여 6 가지로 분류한다.
후속연구
- 두 번째 단계는 상위 4(Top-4)의 클래스를 이용하여 분류하고 분류가 완료되면 분류 클래스와 생활폐기물 가격이 표시된다. 3 번째 단계는 2 번째 단계에서 분류된 항목에 해당 품목이 없을 경우에 서브 클래스를 두어 한번 더 분석을 하게 되고 추가적인 분석이 이뤄지게 된다.
- 컴퓨터 메모리에 대한 수요가 높고 수집된 데이터 셋이 크기 때문에 배경이 복잡한 이미지에 대해서는 이미지 전처리 작업을 수행하지 않을 경우 인식 결과에 큰 영향을 줄 수 있다. 따라서 이미지 전처리 작업에 대한 연구가 추가적으로 이뤄져야 할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.