지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 이대우
- 발행연도
- 2018
- 저작권
- 부산대학교 논문은 저작권에 의해 보호받습니다.
이용수3
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
최근 드론과 같은 고기동성의 플랫폼을 산업 분야의 검사 시스템으로 활용하기 위한 시도가 증가하고 있다. 하지만 드론과 같은 플랫폼에서 균열을 자동으로 검사하기 위해서는 강인한 균열 탐지기가 요구된다. 본 논문에서는 이러한 강인한 균열 탐지기를 만들기 위해, 전체 이미지 정보를 입력으로 활용하는 균열 분할 신경망를 제안한다. 추가적으로, 학습 데이터 부족을 해갈하기 위해 가우시안 커널과 브라운 모션 프로세스를 이용한 균열 생성 알고리즘 또한 제안한다. 본 논문에서는 균열을 학습시키기 위해, 실제 데이터를 242장 수집하였다. 균열 수집 시 제안된 방법의 강인성을 검증하기 위해, 의도적으로 균열 외의 다른 복잡한 패턴들이 포함된 이미지들을 수집하였다. 그리고 제안된 균열 생성 알고리즘으로 균열 이미지를 생성하기 위해 균열이 없는 이미지를 수집하여 합성 균열 이미지를 250장 생성하였다. 균열 분할 신경망이 균열을 강인하게 학습한다는 것을 보이고, 또 제안된 균열 합성 알고리즘의 효과를 검증하기 위해, 본 논문에서는 합성 균열 이미지를 실제 이미지에 0장, 50장, 100장, 150장, 200장, 250장씩 포함시켜 각각 학습시켰으며, 7-교차 검증법을 이용하여 각각의 데이터셋에 대한 결과를 도출하였다. 그리고 균열 분할 신경망의 강인성과 정확도를 검증함으로써, 본 논문에서 제안된 균열 분할 신경망이 미래 검사 시스템의 발전에 기여할 수 있음을 보였다.
목차
I. 서론 11. 연구의 배경과 목적 1가. 연구의 배경 1II. 합성 균열 데이터 생성 91. 잡음이 포함된 가우시안 커널 92. 브라운 운동 프로세스 123. 고해상도 샘플링 15III. 합성곱 신경망의 학습 151. 인공신경망의 개요 15가. 전연결 신경망(Fully Connected Neural Network) 15나. 오차 역전파법 17다. 합성곱 신경망(Convolutional Neural network) 192. 균열 분할 신경망 21가. 균열 분할 신경망의 구조 211) ReLU(Rectified Linear Unit) 활성화 함수 242) 풀링(Pooling) 레이어 253) 드롭아웃(Dropout) 레이어 264) 국소 반응 정규화(Local Response Normalization) 레이어 275) 소프트맥스(Softmax) 283. 데이터 수집 및 생성 29가. 자연 균열 데이터 수집 29나. 합성 균열 데이터 생성 314. 딥러닝 환경 구성 32가. 텐서플로우(Tensorflow) 32나. GPGPU(General Purpose Graphic Processing 335. 균열 분할 신경망 학습 34가. 데이터 증강(Data Augmentation) 34나. Transfer Learning 36다. 신경망 학습 38IV. 결론 411. 결과 41가. N 교차 검증 41나. 정밀도, 재현율, 정확도 42다. 결과 442. 결론 50참고문헌 52ABSTRACT 54
최근 본 자료
댓글(0)
0