• 제목/요약/키워드: Diagnosis Model Learning

검색결과 279건 처리시간 0.024초

CNN 모델을 활용한 콘크리트 균열 검출 및 시각화 방법 (Concrete Crack Detection and Visualization Method Using CNN Model)

  • 최주희;김영관;이한승
    • 한국건축시공학회:학술대회논문집
    • /
    • 한국건축시공학회 2022년도 봄 학술논문 발표대회
    • /
    • pp.73-74
    • /
    • 2022
  • Concrete structures occupy the largest proportion of modern infrastructure, and concrete structures often have cracking problems. Existing concrete crack diagnosis methods have limitations in crack evaluation because they rely on expert visual inspection. Therefore, in this study, we design a deep learning model that detects, visualizes, and outputs cracks on the surface of RC structures based on image data by using a CNN (Convolution Neural Networks) model that can process two- and three-dimensional data such as video and image data. do. An experimental study was conducted on an algorithm to automatically detect concrete cracks and visualize them using a CNN model. For the three deep learning models used for algorithm learning in this study, the concrete crack prediction accuracy satisfies 90%, and in particular, the 'InceptionV3'-based CNN model showed the highest accuracy. In the case of the crack detection visualization model, it showed high crack detection prediction accuracy of more than 95% on average for data with crack width of 0.2 mm or more.

  • PDF

MobileNet과 TensorFlow.js를 활용한 전이 학습 기반 실시간 얼굴 표정 인식 모델 개발 (Development of a Ream-time Facial Expression Recognition Model using Transfer Learning with MobileNet and TensorFlow.js)

  • 차주호
    • 디지털산업정보학회논문지
    • /
    • 제19권3호
    • /
    • pp.245-251
    • /
    • 2023
  • Facial expression recognition plays a significant role in understanding human emotional states. With the advancement of AI and computer vision technologies, extensive research has been conducted in various fields, including improving customer service, medical diagnosis, and assessing learners' understanding in education. In this study, we develop a model that can infer emotions in real-time from a webcam using transfer learning with TensorFlow.js and MobileNet. While existing studies focus on achieving high accuracy using deep learning models, these models often require substantial resources due to their complex structure and computational demands. Consequently, there is a growing interest in developing lightweight deep learning models and transfer learning methods for restricted environments such as web browsers and edge devices. By employing MobileNet as the base model and performing transfer learning, our study develops a deep learning transfer model utilizing JavaScript-based TensorFlow.js, which can predict emotions in real-time using facial input from a webcam. This transfer model provides a foundation for implementing facial expression recognition in resource-constrained environments such as web and mobile applications, enabling its application in various industries.

시분할 CNN-LSTM 기반의 시계열 진동 데이터를 이용한 회전체 기계 설비의 이상 진단 (Anomaly Diagnosis of Rotational Machinery Using Time-Series Vibration Data Based on Time-Distributed CNN-LSTM)

  • 김민기
    • 한국멀티미디어학회논문지
    • /
    • 제25권11호
    • /
    • pp.1547-1556
    • /
    • 2022
  • As mechanical facilities are interacting with each other, the failure of some equipment can affect the entire system, so it is necessary to quickly detect and diagnose the abnormality of mechanical equipment. This study proposes a deep learning model that can effectively diagnose abnormalities in rotating machinery and equipment. CNN is widely used for feature extraction and LSTMs are known to be effective in learning sequential information. In LSTM, the number of parameters and learning time increase as the length of input data increases. In this study, we propose a method of segmenting an input segment signal into shorter-length sub-segment signals, sequentially inputting them to CNN through a time-distributed method for extracting features, and inputting them into LSTM. A failure diagnosis test was performed using the vibration data collected from the motor for ventilation equipment installed at the urban railway station. The experiment showed an accuracy of 99.784% in fault diagnosis. It shows that the proposed method is effective in the fault diagnosis of rotating machinery and equipment.

기독교 대학에서의 학습 상황 진단 도구 개발을 위한 모형 설계 및 제안 (Model Design and Proposal for the Development of a Learning Status Diagnostic Tool at a Christian University)

  • 이성아;권경만
    • 기독교교육논총
    • /
    • 제61권
    • /
    • pp.203-232
    • /
    • 2020
  • 본 연구는 대학생의 학업생활에 영향을 미치는 다양한 분야들을 선행 연구를 통해 파악하고, 그 영역별 요인들을 진단할 수 있도록 하위요인을 도출하였다. 그 후, 설계 원리를 수립하고, 학습 상황 진단 도구 개발을 위한 모형을 설계하는 연구이다. 우선 연구를 위해 대학생들의 역량, 대학생활 및 학업 저성취자 연구, 학사경고자 연구 등을 토대로 어떤 요인들이 학업에 영향을 주고 있는지를 파악하였고, 특히 학업을 실패하도록 만드는 요인이 무엇인지를 살펴 보았으며, 그것들을 토대로 진단할 수 있게 하위요인들을 설정하였다. 선행 연구를 통해 설정된 영역은 심리적 차원, 학습적 차원, 진로적 차원으로 나누어 졌고, 기독교 대학 학생들을 위해 모형을 제시하고자 하였기에, 신앙 영역도 요인으로 설정하여 완성하였다. 그 후에는 각 영역별 하위요인을 구성하였는데, 초안 모형에서는 신앙영역 하위에 신앙성숙도와 신앙훈련, 심리영역 하위에 긍정적 사고, 정서 조절, 자아 존중감, 학습역역 하위에 자기 주도적 학습능력, 학습동기, 학습전략, 마지막으로 진로영역 하위에 진로성찰, 진로탐색, 진로관리, 진로탐색장애의 요소로 구성하였다. 이후 기독교인이면서 교육학 박사로 대학 및 교육 관련 기관에 재직 중인 10명의 전문가 집단을 통해 델파이 연구를 수행하였다. 델파이를 위해 본 연구의 취지를 설명하고, 모형의 적합성, 모형을 이루는 영역, 그 하위의 요인 등에 대해 타당성을 검증하였는데, 그 결과, 초기 4개 영역 12개 하위영역이었던 모형은 하위 요인 기준으로 신앙훈련, 정서조절, 진로성찰의 하위요인이 타당하지 않다는 결론에 이르러 삭제하게 되었고, 최종적으로 4개 영역의 9개 요인, 즉 신앙-신앙성숙도, 심리-긍정적 사고, 자아 존중감, 학습-자기 주도적 학습능력, 학습동기, 학습전략, 진로-진로탐색, 진로관리, 진로탐색장애의 요인을 갖춘 모형으로 완성되었다. 본 연구 대학생, 특히 기독교 대학의 학생들이 학습을 성공적으로 이끌어가기 위한 진단 도구 개발의 선행적 연구로, 설계 모형과 그 하위 영역, 요인 등을 제안하는 연구였다. 따라서 향후 본 모형을 토대로 기독교 대학의 학생들의 학습 상황을 진단할 수 있는 실질적 도구개발 연구도 수행되어야 할 것이다.

스마트 팩토리에서 머신 러닝 기반 설비 장애진단 예측 시스템 (A Predictive System for Equipment Fault Diagnosis based on Machine Learning in Smart Factory)

  • 조재형;이재오
    • KNOM Review
    • /
    • 제24권1호
    • /
    • pp.13-19
    • /
    • 2021
  • 최근 산업 분야에서는 공장 자동화 뿐만 아니라 장애 진단/예측을 통해 고장/사고를 사전에 방지하여 생산량을 극대화하기 위한 연구가 진행되고 있으며, 이를 구성하기 위해 많은 양의 데이터 축적을 위한 클라우드 기술, 데이터 처리를 위한 빅 데이터 기술, 그리고 데이터 분석을 쉽게 진행하기 위한 AI(Artificial Intelligence)기술이 도입되고 있다. 또한 최근에는 장애 진단/예측의 발전으로 인해 설비 유지보수(PM: Productive Maintenance) 방식도 정기적으로 설비를 유지보수 하는 방식인 TBM(Time Based Maintenance)에서 설비 상태에 따라 유지보수 하는 방식인 CBM(Condition Based Maintenance)을 조합하는 방식으로 발전하고 있다. CBM 기반 유지보수를 수행하기 위하여 설비의 상태(condition)의 정의와 분석이 필요하다. 따라서 본 논문에서는 머신 러닝(Machine Learning) 기반의 장애 진단을 위한 시스템 및 데이터 모델(Data Model)을 제안하며, 이를 기반으로 장애를 사전 예측한 사례를 제시하고자 한다.

외연적 객체모델의 정형화 (A Formal Presentation of the Extensional Object Model)

  • 정철용
    • Asia pacific journal of information systems
    • /
    • 제5권2호
    • /
    • pp.143-176
    • /
    • 1995
  • We present an overview of the Extensional Object Model (ExOM) and describe in detail the learning and classification components which integrate concepts from machine learning and object-oriented databases. The ExOM emphasizes flexibility in information acquisition, learning, and classification which are useful to support tasks such as diagnosis, planning, design, and database mining. As a vehicle to integrate machine learning and databases, the ExOM supports a broad range of learning and classification methods and integrates the learning and classification components with traditional database functions. To ensure the integrity of ExOM databases, a subsumption testing rule is developed that encompasses categories defined by type expressions as well as concept definitions generated by machine learning algorithms. A prototype of the learning and classification components of the ExOM is implemented in Smalltalk/V Windows.

  • PDF

A Deep Learning Approach for Covid-19 Detection in Chest X-Rays

  • Sk. Shalauddin Kabir;Syed Galib;Hazrat Ali;Fee Faysal Ahmed;Mohammad Farhad Bulbul
    • International Journal of Computer Science & Network Security
    • /
    • 제24권3호
    • /
    • pp.125-134
    • /
    • 2024
  • The novel coronavirus 2019 is called COVID-19 has outspread swiftly worldwide. An early diagnosis is more important to control its quick spread. Medical imaging mechanics, chest calculated tomography or chest X-ray, are playing a vital character in the identification and testing of COVID-19 in this present epidemic. Chest X-ray is cost effective method for Covid-19 detection however the manual process of x-ray analysis is time consuming given that the number of infected individuals keep growing rapidly. For this reason, it is very important to develop an automated COVID-19 detection process to control this pandemic. In this study, we address the task of automatic detection of Covid-19 by using a popular deep learning model namely the VGG19 model. We used 1300 healthy and 1300 confirmed COVID-19 chest X-ray images in this experiment. We performed three experiments by freezing different blocks and layers of VGG19 and finally, we used a machine learning classifier SVM for detecting COVID-19. In every experiment, we used a five-fold cross-validation method to train and validated the model and finally achieved 98.1% overall classification accuracy. Experimental results show that our proposed method using the deep learning-based VGG19 model can be used as a tool to aid radiologists and play a crucial role in the timely diagnosis of Covid-19.

Efficient Semi-automatic Annotation System based on Deep Learning

  • Hyunseok Lee;Hwa Hui Shin;Soohoon Maeng;Dae Gwan Kim;Hyojeong Moon
    • 대한임베디드공학회논문지
    • /
    • 제18권6호
    • /
    • pp.267-275
    • /
    • 2023
  • This paper presents the development of specialized software for annotating volume-of-interest on 18F-FDG PET/CT images with the goal of facilitating the studies and diagnosis of head and neck cancer (HNC). To achieve an efficient annotation process, we employed the SE-Norm-Residual Layer-based U-Net model. This model exhibited outstanding proficiency to segment cancerous regions within 18F-FDG PET/CT scans of HNC cases. Manual annotation function was also integrated, allowing researchers and clinicians to validate and refine annotations based on dataset characteristics. Workspace has a display with fusion of both PET and CT images, providing enhance user convenience through simultaneous visualization. The performance of deeplearning model was validated using a Hecktor 2021 dataset, and subsequently developed semi-automatic annotation functionalities. We began by performing image preprocessing including resampling, normalization, and co-registration, followed by an evaluation of the deep learning model performance. This model was integrated into the software, serving as an initial automatic segmentation step. Users can manually refine pre-segmented regions to correct false positives and false negatives. Annotation images are subsequently saved along with their corresponding 18F-FDG PET/CT fusion images, enabling their application across various domains. In this study, we developed a semi-automatic annotation software designed for efficiently generating annotated lesion images, with applications in HNC research and diagnosis. The findings indicated that this software surpasses conventional tools, particularly in the context of HNC-specific annotation with 18F-FDG PET/CT data. Consequently, developed software offers a robust solution for producing annotated datasets, driving advances in the studies and diagnosis of HNC.

MFCCs를 이용한 입력 변환과 CNN 학습에 기반한 운영 환경 변화에 강건한 베어링 결함 진단 방법 (An Input Transformation with MFCCs and CNN Learning Based Robust Bearing Fault Diagnosis Method for Various Working Conditions)

  • 서양진
    • 정보처리학회논문지:소프트웨어 및 데이터공학
    • /
    • 제11권4호
    • /
    • pp.179-188
    • /
    • 2022
  • 기계의 주요 부품인 베어링 결함 진단에 딥러닝을 활용하는 연구가 활발하게 진행되어 좋은 성능을 달성하였으나, 학습 데이터와 테스트 데이터의 운영 환경 차이로 인해 기계가 실제로 가동되는 환경에서는 성능 저하가 발생하는 문제가 있다. 학습 데이터와 테스트 데이터의 분포 차이 문제를 다루는 방법으로 데이터 적응이 제안되어 좋은 결과를 보여주고 있으나, 각 방법이 가정하고 있는 특정 적용 시나리오를 벗어나기 어렵다는 제약이 있다. 이에 본 연구는 MFCCs를 이용한 입력 데이터의 변환과 간단한 CNN 구조를 이용해 원시 도메인 데이터로부터 생성된 모델에 대해 추가적인 학습이나 조정 없이 타겟 도메인 데이터에 대한 테스트를 강건하게 수행하는 방법을 제안하였으며, 대표적인 베어링 결함 진단 데이터셋인 CWRU 베어링 데이터를 이용해 제안한 방법에 대한 실험 및 분석을 수행하였다. 실험 결과 전이 학습 기반의 방법들과 대등한 성능을 보였으며, 입력 변환 기반의 베이스라인 방법보다는 최소 15% 정도의 높은 성능을 달성하였다.

학습률 적용에 따른 흉부영상 폐렴 유무 분류 비교평가 (Comparative Evaluation of Chest Image Pneumonia based on Learning Rate Application)

  • 김지율;예수영
    • 한국방사선학회논문지
    • /
    • 제16권5호
    • /
    • pp.595-602
    • /
    • 2022
  • 본 연구는 딥러닝을 이용한 흉부 X선 폐렴 영상에 대하여 정확하고 효율적인 의료영상의 자동진단을 위해서 가장 효율적인 학습률을 제시하고자 하였다. Inception V3 딥러닝 모델에 학습률을 0.1, 0.01, 0.001, 0.0001로 각각 설정한 후 3회 딥러닝 모델링을 수행하였다. 그리고 검증 모델링의 평균 정확도 및 손실 함수 값, Test 모델링의 Metric을 성능평가 지표로 설정하여 딥러닝 모델링의 수행 결과로 획득한 결과값의 3회 평균값으로 성능을 비교 평가하였다. 딥러닝 검증 모델링 성능평가 및 Test 모델링 Metric에 대한 성능평가의 결과, 학습률 0.001을 적용한 모델링이 가장 높은 정확도와 우수한 성능을 나타내었다. 이러한 이유로 본 논문에서는 딥러닝 모델을 이용한 흉부 X선 영상에 대한 폐렴 유무 분류 시 학습률을 0.001로 적용할 것을 권고한다. 그리고 본 논문에서 제시하는 학습률의 적용을 통한 딥러닝 모델링 시 흉부 X선 영상에 대한 폐렴 유무 분류에 대한 인력의 보조적인 역할을 수행할 수 있을 거라고 판단하였다. 향후 딥러닝을 이용한 폐렴 유무 진단 분류 연구가 계속해서 진행될 시, 본 논문의 논문 연구 내용은 기초자료로 활용될 수 있다고 여겨지며 나아가 인공지능을 활용한 의료영상 분류에 있어 효율적인 학습률 선택에 도움이 될 것으로 기대된다.