기계학습을 활용한 열화상 이미지 대상 블러 분류에 관한 연구 :A Study on the Blur Classification for Thermal Image Using Machine Learning

권순원

추천

검색

자료유형: 학위논문

저자정보: 권순원 (인하대학교, 인하대학교 대학원)

지도교수: 권장우

발행연도: 2020

저작권: 인하대학교 논문은 저작권에 의해 보호받습니다.

이용수18

이 논문의 연구 히스토리 (2)

2020

기계학습을 활용한 부적합 열화상 이미지 판별 시스템

권순원 , 송인서 , 이선우 외 4명 재활복지공학회논문지 2020.05 학술저널

기계학습을 활용한 열화상 이미지 대상 블러 분류에 관한 연구

권순원 전기컴퓨터공학과 2020.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

본 논문에서는 기계학습을 활용하여 열화상 이미지를 대상으로 하는 블러 이미지 분류에 관한 연구를 진행하였다. 정상적인 이미지와 흔들림, 아웃포커싱이 발생된 총 3가지의 경우로 데이터셋을 분류하고 학습을 수행하였다.
데이터셋은 전원 접지부, 스위치 허브, 배터리, 3D프린터 노즐 등 각종 열발생 기계장비 14개를 대상으로 FLIR 열화상 카메라를 통해 구축되었다. 다양한 설비에 대하여 대량의 데이터셋을 구축하기 어려운 문제를 해결하기 위하여 동영상 촬영 후 프레임 단위 분할방식을 통해 대량의 데이터셋을 구축하였다. 아웃포커싱이 발생된 데이터셋은 동영상 촬영시 발생된 실제 데이터로 구성되었으며, 흔들림 데이터는 동영상 촬영시 발생된 데이터와 이미지 노이즈 적용변환을 통해 인공적으로 생성된 데이터를 추가해 데이터셋을 구축하였다. 전체 데이터셋의 개수는 24544개이며 흔들림 데이터는 9550개, 아웃포커싱은 6566개, 정상 데이터는 8428개를 활용하였다.
기계학습을 활용한 이미지 분류 비교실험을 위해 먼저 Support Vector Machine(이하 SVM)을 활용하여 학습을 수행하였다. SVM은 훈련데이터와 테스트데이터의 비율을 전체에서 7:3으로 나누어 실험하였으며, 실험 결과 정확도는 약 85%정도를 나타내었다. 심층신경망기반 모델을 이용하여 실험을 진행할 때는 훈련데이터와 테스트데이터의 비율을 전체에서 약 7:3으로 나눈 것, 그리고 서로 다른 설비 11개와 3개로 온전히 나눈 것 두가지의 데이터셋으로 학습을 진행하였다. 테스트 데이터셋에 대한 정확도는 전체로 나누었을때의 정확도가 평균 99%정도로 더 높게 나타났으며, 서로 다른 설비로 나누었을 때는 VGGnet은 약 70%대, ResNet과 Xception은 평균 90%정도에서 최대 약 94%의 정확도를 나타내었다.
본 연구를 통해 개발된 시스템은 안전점검 작업자가 기존에 수동으로 분류하던 부적합 이미지분류를 자동화하며, 추후 스마트팩토리 시스템 구축을 위한 자동화된 예측진단 시스템 연구개발시 데이터셋 구축을 위한 전처리단계에서, 데이터셋으로 활용하기 부적합한 이미지를 걸러내고 양질의 데이터셋을 구축하는데 활용된다.

In this paper, we researched the classification of blur images based on thermal images using machine learning. Datasets were classified in three cases: normal image, motion-blur, and out-of-focus.
The dataset was constructed using FLIR thermal cameras for 14 types of heat-generating mechanical equipment such as a power ground, switch hub, battery, and 3D printer nozzle. In order to solve the problem that it is difficult to build a large amount of datasets for various facilities, a large amount of datasets were stored through video frame division. The out-of-focus image dataset was constructed from real data, and the motion blur data was constructed by adding real data and artificially generated data through image transformation. The total number of datasets is 24544, the motion-blur data is 9,550, the out-of-focus data is 6,566 and the normal data is 8,428.
For comparison experiments on image classification using machine learning, the first training was conducted using SVM(Support Vector Machine). SVM was trained by dividing the ratio of training data and test data by 7:3, and the accuracy was about 85%. When experimenting using the deep neural network-based model, the training was conducted with two datasets: the ratio of the training data and the test data divided by about 7:3 in total and completely divided into 11 and 3 different facilities. The accuracy of the test dataset was higher than the average of 99% when divided as a whole, and when divided into different facilities, VGGnet was about 70% and ResNet and Xception averaged about 90%, and maximum accuracy was about 94%.
The system developed in this research automatically classifies blur images that were previously manually classified by safety inspection workers. Also, when developing an automated predictive diagnostic system for a smart factory system, it is used to filter out inappropriate images and build high-quality datasets in the pre-processing stage for dataset construction.

#열화상 이미지 #블러 이미지 분류 #기계학습 #컴퓨터비전 #스마트팩토리

제 1 장 서론 1
1.1 연구동기 1
1.2 연구목표 2
1.3 논문의 구성 4
제 2 장 배경지식 및 관련 연구 5
2.1 스마트팩토리와 이상진단 5
2.2 Blur Classification 관련 연구 6
2.2.1 이미지내 객체 가장자리 검출 6
2.2.2 기계학습을 활용한 Blur Classification 8
2.2.2.1 Support Vector Machine 8
2.2.2.2 심층신경망 10
제 3 장 데이터셋 구축 및 기계학습 모델 적용 16
3.1 데이터 전처리 및 변환을 통한 데이터셋 구축 16
3.1.1 프레임 단위 추출을 통한 열화상 데이터셋 구축 16
3.1.2 이미지 변환을 통한 데이터 증감 19
3.1.3 구축된 데이터셋 정보 21
3.2 제안하는 기계학습 모델 23
3.2.1 Support Vector Machine 모델 23
3.2.1.1 입력 데이터 구성 23
3.2.1.2 Support Vector Machine 25
3.2.2 심층 신경망 모델 26
3.2.2.1 입력 데이터 구성 26
3.2.2.2 VGGnet 27
3.2.2.3 ResNet 29
3.2.2.4 Xception 30
제 4장 실험 및 분석 31
4.1 실험 환경 및 실험 31
4.2 실험결과 내용 및 분석 32
4.2.1 SVM 실험 결과 32
4.2.2 SVM 실험 분석 35
4.2.3 심층신경망 모델 실험 결과 36
4.2.4 심층신경망 모델 실험 분석 39
제 5 장 결론 및 향후 연구 41
5.1 결론 41
5.1.1 장점과 단점 41
5.1.2 향후 블러이미지 분류 모델 연구 42
참고문헌 43

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)