딥러닝 기반 작물 개체 통합 시스템 설계 및 구현

소개

딥러닝 기반 객체 탐지 및 설계 구현, 딥러닝 객체 탐지 알고리즘

목차

1. 병충해 영상자료의 수집, 주석 XML의 생성
2. 병해충 이미지 수집 모듈
3. 통합 시스템 설계 및 구현
4. 웹 응용 프로그램 개발
5. 딥러닝 알고리즘 ResNet 모델과 Faster R-CNN 모델에 대한 구조와 성능
6. 병충해 식별을 위한 웹 서비스
7. 작물 영상 취득을 위한 센서의 종류와 이미지 획득
8. 열화상으로부터 과실 정보의 추정
9. 컬러 및 열화상을 이용한 정보융합 단계
10. 병해충 수집 영상 검색 모듈, 영상 적합도 기반 진단모듈
11. 진단서버 영상 인식 모듈
12. 플랫폼 인터페이스
13. 병해충 검색을 위한 이미지 분석
14. CNN(Convolution Neural Network)
15. 유사도, 유사도 기반 검색 모듈
16. 병해충 이미지 수집, 이미지 전처리 모듈
17. 병해충 데이터 전처리 모듈의 흐름도
18. Inception 기반 네트워크, 데이터 분류 및 학습 진행
19. CNN을 이용한 병충해 검출 자동화 시스템
20. 컨볼루션 신경망(Convolutional Neural Network)
21. 합성곱 신경망 모델, 학습모델
22. 딥 빌리프 네트워크(Deep Belief Network), 딥 Q-러닝
23. 실시간 이미지 인식 알고리즘
24. 딥러닝 기반 작물 개체 실시간 추적 기술
25. 딥러닝 기반 객체 탐지 방법
26. 객체 탐지를 효율적으로 할 수 있는 방법
27. 단일 단계 방식의 객체 탐지 알고리즘 YOLO
28. 이단계 방식의 객체 탐지 알고리즘, Faster RCNN
29. SAS 딥러닝(SAS Deep Learning)으로 객체 탐지 활용하기
30. 데이터 확장 및 학습, 딥러닝 객체 탐지 알고리즘 Fast RCNN
31. Fast R-CNN 네트워크의 구조

본문내용

● 딥러닝 알고리즘 ResNet 모델과 Faster R-CNN 모델에 대한 구조와 성능
- ResNet 모델
ResNet은 Microsoft Research Institute에서 제안한 네트워크이다. 바로 가기 연결 및 ID 매핑과 같은 새로운 용어를 기존 CNN 구조에 추가하고 152개 계층의 깊은 구조를 가지고 있다.
ResNet 설계팀은 네트워크를 100개 이상의 계층으로 심화하여 딥러닝 효과를 최대한 달성하는 방법을 고려하여 잔여 학습이라는 새로운 학습 방법을 발표했다. ResNet은 CNN의 출력을 직접 사용하는 대신 입력과 출력을 새로운 출력으로 결합하여 가중치 계층을 훈련시키는 방법으로 이것이 잔여 학습의 기본 개념이다.
과거의 딥러닝 알고리즘과 차이점은 입력에서 출력으로의 단축 연결이 있다는 것이다. 이 단축키는 매개 변수가 없는 직접 연결이므로 덧셈 계산 측면에서 덧셈을 제외하고는 기존 CNN과 차이가 없다.

- Faster R-CNN 모델
최근에는 컨볼루션 뉴럴 네트워크을 이용한 객체 검출을 위한 다양한 방법들이 제안되고 있다. 그 중에서 가장 잘 알려진 방법으로 R-CNN 알고리즘이 있다. R-CNN 알고리즘은 선택적 검색 알고리즘을 사용하여 이미지 내에서 약 2,000개의 영역을 선택하고 독립적으로 CNN 알고리즘을 이용하여 분류를 수행한다.
그러나 이러한 방법은 약 2,000개의 영역에서 CNN 알고리즘을 적용하여 각 영역에 대해 독립적으로 특징 벡터를 추출하기 때문에 많은 계산을 수행해야하는 단점이 있다. 이러한 R-CNN 알고리즘의 단점을 해결하기 위한 방법으로 Faster R-CNN 알고리즘이 제안되었다.
선택적 검색 알고리즘을 CNN 알고리즘 자체로 대체하고 임시 영역을 제공하는 RPN(지역 제안 네트워크)을 생성하여 문제를 해결하였다. 이 경우 CNN을 통과하는 특성맵의 슬라이딩 윈도우를 이용하여 각 앵커에 대한 바운딩 박스의 좌표를 추정하고 분류 네트워크를 이용하여 바운딩 박스의 점수를 계산하여 객체를 감지하고 분류 작업을 수행한다.

참고자료

· 없음