• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2022년도 제66차 하계학술대회논문집 30권2호
• /
• pp.447-448
• /
• 2022

본 논문에서는 대중의 참여를 통해 캔 음료 제품의 점자 표기 실태를 파악하고, 음료 제조사가 이를 개선하도록 유도하는 방안을 제안한다. 캔 음료 상단에 표기된 점자를 촬영한 이미지에서 OpenCV를 통해 점자의 윤곽을 검출하고, 검출된 윤곽의 좌표를 계산하여 점자를 국문으로 번역하는 모듈을 개발한 후 서버에 이식한다. 서버와 통신하는 모바일 애플리케이션을 개발하여 소비자가 점자 이미지를 서버에 업로드하고, 점자의 인식결과를 확인할 수 있도록 한다. 점자 표기가 적절하지 않다고 판단하는 경우 해당 제품에 대한 정보를 기록하도록 하고, 제조사 별로 제보된 횟수의 순위를 제공한다. 이를 통해 소비자는 올바른 점자 표기를 제공하지 않는 제조사를 파악할 수 있으며, 제조사는 이를 의식하고 점자 표기를 개선할 수 있는 효과를 기대한다.

• 한국전자통신학회논문지
• /
• 제12권4호
• /
• pp.691-700
• /
• 2017

본 논문은 시각 장애인들을 위해 영상처리 기반의 자동 점자 변환기의 설계 및 구현에 관한 내용을 기술한다. 영상처리 기반의 변환 알고리즘은 웹캠으로 획득한 입력 영상을 이진 영상화 한 다음, 문자 영역을 라벨링 처리하여 저장되어 있는 문자 패턴 영상과 상호 상관도를 계산하여 해당되는 점자로 변환한다. 컴퓨터 시뮬레이션을 통해 제안한 알고리즘을 모의 실험한 결과, A5 용지에 인쇄된 숫자와 알파벳에 대하여 각각 95%, 91% 변환 성공률을 보여 주었고, 아두이노를 이용하여 서보모터로 구현한 시제품 시험을 통해 89% 변환 성능을 확인함으로서 구현된 자동 점자 변환기의 실용화 가능성을 확인하였다.

• 융합신호처리학회논문지
• /
• 제23권3호
• /
• pp.166-172
• /
• 2022

본 연구에서는 전동 이동 보조기기를 이용하는 교통약자의 이동을 저해하거나 불편을 초래하는 횡단 보도, 측구, 맨홀, 점자블록, 부분 경사로, 임시안전 방호벽, 계단, 경사형 연석과 같은 주행 장애물 객체를 촬영한 뒤 객체를 분류하고 이를 자동 인식하는 최적의 AI 모델을 개발하여 주행 중인 전동 이동 보조기기의 전방에 나타난 장애물을 효율적으로 판단할 수 있는 알고리즘을 구현하고자 한다. 객체 검출을 높은 확률로 AI 학습이 될 수 있도록 데이터 셋 구축 시 라벨링 형태를 폴리곤 형태로 라벨링 하며, 폴리곤 형태로 라벨링 된 객체를 탐지할 수 있는 Detectron2 프레임워크를 활용하여 Mask R-CNN 모델을 활용하여 개발을 진행하였다. 영상 획득은 일반인과 교통약자의 두 개 그룹으로 구분하여 진행하였고 테스트베드 2개 지역에서 얻어진 영상정보를 확보하였다. Mask R-CNN 학습 결과 파라미터 설정은 IMAGES_PER _BATCH : 2, BASE_LEARNING_RATE 0.001, MAX_ITERATION : 10,000으로 학습한 모델이 68.532로 가장 높은 성능을 보인 것이 확인되어 주행 위험, 장애 요소를 빠르고 정확하게 사용자가 인지할 수 있도록 하는 딥러닝 모델을 구축이 가능한 것을 확인할 수 있었다.

• 융합신호처리학회논문지
• /
• 제24권2호
• /
• pp.119-125
• /
• 2023

본 연구에서는 전동 이동 보조기를 이용하는 교통약자의 이동을 저해하거나 불편을 초래하는 횡단 보도, 측구, 맨홀, 점자블록, 부분 경사로, 임시안전 방호벽, 계단, 경사형 연석과 같은 주행 장애물 객체를 촬영한 뒤 객체를 분류하고 이를 자동 인식하는 최적의 AI 모델을 개발하여 주행 중인 전동 이동 보조기 전방에 나타난 장애물을 효율적으로 판단할 수 있는 알고리즘을 구현하고자 한다. 객체 검출을 높은 확률로 AI 학습이 될 수 있도록 데이터 셋 구축 시 라벨링 형태를 폴리곤 형태로 라벨링 하며, 폴리곤 형태로 라벨링 된 객체를 탐지할 수 있는 Detectron2 프레임워크를 활용하여 Mask R-CNN 모델을 활용하여 개발을 진행하였다. 영상 획득은 일반인과 교통약자의 두 개 그룹으로 구분하여 진행하였고 테스트베드 2개 지역에서 얻어진 영상정보를 확보하였다. Mask R-CNN 학습 결과 파라미터 설정은 IMAGES_PER _BATCH : 2, BASE_LEARNING_RATE 0.001, MAX_ITERATION : 10,000으로 학습한 모델이 68.532로 가장 높은 성능을 보인 것이 확인되어 주행 위험, 장애 요소를 빠르고 정확하게 사용자가 인지할 수 있도록 하는 딥러닝 모델을 구축이 가능한 것을 확인할 수 있었다.