• Proceedings of the Korean Society of Computer Information Conference
• /
• 2019.07a
• /
• pp.9-10
• /
• 2019

본 논문은 구동장치의 진동에서 특징 데이터를 추출하고 인공신경망에 학습을 시킨 후, 구동 장치의 결함을 분류하는 시스템을 구현하였다. 딥러닝 기술을 이용함으로써 특정 장치에 종속되지 않고 학습할 데이터의 특징에 따라 쉽게 변경 가능하다. 또한, 실제 적용될 현장에서 발생할 수 있는 예측외의 진동 환경에 유연하게 대처하기 위해 딥러닝 모델 중 CNN을 적용한 시스템을 설계하였으며, 본 연구팀의 이전 연구에서 제안된 DNN 기반의 진단시스템을 학습데이터의 환경과 다른 처리배제가 필요한 진동 환경에서 비교 실험하여 제안된 시스템이 새로운 환경적응 성능향상에 대하여 우수한 결과를 얻었음을 확인하였다.

• Journal of IKEEE
• /
• v.23 no.1
• /
• pp.112-119
• /
• 2019

In this paper, we propose a deep learning structure suitable for embedded system. The flame detection process of the proposed deep learning structure consists of four steps : flame area detection using flame color model, flame image classification using deep learning structure for flame color specialization, $N{\times}N$ cell separation in detected flame area, flame image classification using deep learning structure for flame shape specialization. First, only the color of the flame is extracted from the input image and then labeled to detect the flame area. Second, area of flame detected is the input of a deep learning structure specialized in flame color and is classified as flame image only if the probability of flame class at the output is greater than 75%. Third, divide the detected flame region of the images classified as flame images less than 75% in the preceding section into $N{\times}N$ units. Fourthly, small cells divided into $N{\times}N$ units are inserted into the input of a deep learning structure specialized to the shape of the flame and each cell is judged to be flame proof and classified as flame images if more than 50% of cells are classified as flame images. To verify the effectiveness of the proposed deep learning structure, we experimented with a flame database of ImageNet. Experimental results show that the proposed deep learning structure has an average resource occupancy rate of 29.86% and an 8 second fast flame detection time. The flame detection rate averaged 0.95% lower compared to the existing deep learning structure, but this was the result of light construction of the deep learning structure for application to embedded systems. Therefore, the deep learning structure for flame detection proposed in this paper has been proved suitable for the application of embedded system.

• The Journal of Korea Institute of Information, Electronics, and Communication Technology
• /
• v.12 no.1
• /
• pp.92-98
• /
• 2019

In this paper, we propose a deep learning system based on morphological neural network(MNN). The deep learning layers are morphological operation layer, pooling layer, ReLU layer, and the fully connected layer. The operations used in morphological layer are erosion, dilation, and edge detection, etc. Unlike CNN, the number of hidden layers and kernels applied to each layer is limited in MNN. Because of the reduction of processing time and utility of VLSI chip design, it is possible to apply MNN to various mobile embedded systems. MNN performs the edge and shape detection operations with a limited number of kernels. Through experiments using database images, it is confirmed that MNN can be used as a deep learning system and its performance.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2020.01a
• /
• pp.63-64
• /
• 2020

본 논문에서는 딥러닝을 이용한 작업자 위험 행동 모니터링 선행 연구에 기반해, 엣지 컴퓨팅 기반 딥러닝을 사용하여 클라우드에 대한 의존성 문제를 해결하였다. 작업자는 IoT 안전벨트와 영상 전송 안전모를 통해 정보를 수집, 처리한다. 또한 LSTM 방식에서 개량된 필터를 통한 FFNN 딥러닝 방법을 사용하여 작업자 위험 행동 패턴 분석을 하며 선행 연구의 작업자 행동 모니터링 시스템을 엣지 컴퓨팅 기반 위에서 구현하였다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2020.07a
• /
• pp.15-16
• /
• 2020

본 논문에서는 산업 현장에서 사용되는 기계들의 건전성을 유지하고 예측하는 시스템을 개선할 수 있는 연구 결과를 비교하고 설명한다. 이번 연구에서는 딥러닝 기술을 이용함으로서 특정장치에 종속되지 않고 범용적으로 수집된 소음데이터를 사용하여 현장 적용의 유연성을 높이고, 딥러닝 모델 중 GRU를 이용하여 기존 연구 결과와 비교 실험을 하여 더 우수한 결과를 얻었다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2024.01a
• /
• pp.289-290
• /
• 2024

PCB(Printed circuit board)생산시에 중요한 역할을 담당하는 비전검사 시스템의 성능은 지속적으로 발전해왔다. 기존 머신 비전 검사 시스템은 이미지가 불규칙하고 비정형일 경우 해석이 어렵고 전문가의 경험에 의존한다. 그리고 비전검사 시스템 개발 당시의 기준과 다른 불량이 발생한다면 검출이 불가능 하거나 정확도가 낮게 나온다. 본 논문에서는 이를 개선하고자 딥러닝 영상인식을 이용한 PCB 기판 비전 검사 시스템을 구현하였다. 딥러닝 영상인식 알고리즘은 YOLOv4를 이용하고, 워핑(warping)과 시킨 PCB 이미지를 학습하여 비전검사 시스템을 구성하였다. 딥러닝 영상인식 기술의 처리 속도를 보완하고자 QR코드로 PCB 기판 종류를 인식하고, 해당 PCB 부품의 미삽은 정답 이미지 바운딩 박스 좌표와 비교하여 불량품을 발견하면 표시해준다. 기판의 부품 인식을 위해 기판 데이터는 직접 촬영하여 수집하였다. 이를 활용하여 PCB 생산 공정에서 비전검사 시스템의 성능이 향상되었고,, 다양한 PCB를 생산에 신속하게 대응할 수 있다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2018.07a
• /
• pp.515-516
• /
• 2018

본 논문에서는 수동 적외선 (PIR: passive infrared) 센서를 탑재한 센싱 시스템과 딥러닝 알고리즘을 활용하여 실내 환경에서 사용자의 이동 방향을 인식하기 위한 방법을 제안한다. PIR 센싱 소자는 사람의 이동 방향에 따라 구별이 가능한 신호를 발생시키는데, 4개의 PIR 센서를 $45^{\circ}$씩 증가하도록 배치한 센싱 시스템을 개발하여 실내 천장에 설치한 뒤 6명의 사용자로부터 인식 범위 내에서 움직이는 동안 PIR 센서 신호를 수집하였다. 수집한 원시 데이터와 특징 데이터를 추출하여 딥러닝 알고리즘을 적용한 인식률을 실험하였으며, 제안한 센싱 시스템과 딥러닝 알고리즘이 사용자의 움직임을 99.2%%로 인식할 수 있음을 보였다. 또한 한 개의 센서만을 이용하였을때에도 98.4%의 정확도로 사용자의 움직임 방향을 탐지하였다.

• KIISE Transactions on Computing Practices
• /
• v.23 no.7
• /
• pp.417-423
• /
• 2017

Recently, many embedded devices that have the computing capability required for deep learning have become available; hence, many new applications using these devices are emerging. However, these embedded devices have an architecture different from that of PCs and high-performance servers. In this paper, we propose a method that improves the performance of deep-learning framework by considering the architecture of an embedded device that shares memory between the CPU and the GPU. The proposed method is implemented in Caffe, an open-source deep-learning framework, and is evaluated on an NVIDIA Jetson TK1 embedded device. In the experiment, we investigate the image recognition performance of several state-of-the-art deep-learning networks, including AlexNet, VGGNet, and GoogLeNet. Our results show that the proposed method can achieve significant performance gain. For instance, in AlexNet, we could reduce image recognition latency by about 33% and energy consumption by about 50%.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2018.01a
• /
• pp.135-136
• /
• 2018

본 논문에서는 산업현장에서 특정한 물건을 인식하고 판단하여 로봇팔로 운반할 수 있는 딥러닝을 적용한 객체 인식 기반의 로봇 팔 제어 시스템을 제안하였다. 제안한 시스템은 깊이 인식 카메라를 이용하여 3D 이미지를 촬영 하고 딥러닝으로 검출된 객체를 판별 및 분류 후 인식된 객체를 로봇 팔로 피킹 하도록 구현하였다. 이를 통해, 딥러닝과 깊이인식 카메라로 다양한 환경에서 객체를 정확히 분류 및 추적할 수 있도록 해서 스마트팩토리등 다양한 분야에 활용할 수 있는 시스템을 제안하였다.

• Annual Conference of KIPS
• /
• 2019.10a
• /
• pp.115-117
• /
• 2019

누리온 시스템은 Intel Xeon Phi 아키텍쳐를 기반한 8305개의 노드로 구성되었고, 이론 성능 25.7페타플롭스를 갖춘 시스템으로 2018년도에 도입되었다. 누리온 시스템은 그동안 KISTI가 지속적으로 수행해 온 국내 계산과학자를 지원하는 한편, 빅데이터를 기반으로 하는 거대 규모의 딥러닝 등의 새로운 AI 분야에서도 슈퍼컴퓨팅을 활용할 수 있도록 전략적으로 지원하고 있다. 본 논문에서는 이러한 거대 규모 딥러닝을 수행하는데 있어 발생하는 주요 이슈들과 이러한 이슈들을 누리온 시스템에서는 어떻게 해결하고 있는지에 대해 소개한다.