• 제목/요약/키워드: the regular representation

검색결과 62건 처리시간 0.021초

연결정보가 없는 3차원 점으로부터 차이분할메쉬 직접 복원 (Direct Reconstruction of Displaced Subdivision Mesh from Unorganized 3D Points)

  • 정원기;김창헌
    • 한국정보과학회논문지:시스템및이론
    • /
    • 제29권6호
    • /
    • pp.307-317
    • /
    • 2002
  • 본 논문은 연결정보가 없는 3차원 점으로부터 차이분할메쉬를 직접 생성하는 새로운 메쉬 복원 알고리즘을 제안한다. 차이분할메쉬는 표현해야 하는 각 정점을 1차원 상수 차이 값으로 표현하는 메쉬로써 저장해야하는 데이타양을 획기적으로 줄이면서 분할메쉬의 장점인 분할연결성을 가지므로 다단계 표현이 가능한 새로운 메쉬 표현법이지만 차이분할메쉬를 생성하는 기존의 방법은 레인지 데이타로부터 복원된 비정형 메쉬로부터 차이분할메쉬로의 변환을 거쳐야 하는 문제점이 있다. 제안 알고리즘은 비정형 메쉬로부터의 메쉬 변환과정이 필요 없이 연결정보가 없는 레인지 데이타로부터 차이값에 기반한 분할메쉬를 매쉬 복원과정에서 직접 생성해 낼 수 있다. 기본 아이디어는 연결정보가 없는 점 데이타만을 이용하여 이에 근사한 파라메트릭 도메인을 생성한 후 도메인 상의 각 정점의 법선 벡터 방향으로 세부 표면 정보를 샘플링 하는 것이다. 이를 위하여 우리는 분할곡면 근사기법을 적용한 파라매트릭 도메인 생성기법을 적용하여 입력 점 데이타에 최대한 근사하는 기본메쉬를 생성하며, 연결정보가 없는 점 데이타로부터 세부 표면정보를 올바르게 샘플링 하기 위한 법선벡터와 교차하는 유효한 삼각형 판정기준을 제시한다. 또한 기존 메쉬 복원 기법에서 사용되던 전역 에너지 최적화 방법 대신 입력 데이타를 고려한 지역적 라플라시안 평활화를 이용하여 고품질의 메쉬를 빠르게 복원할 수 있다. 이렇게 복원된 차이분할메쉬는 적은 데이터로 자세한 표현이 가능해져 메쉬 간략화나 압축 등의 후처리 과정이 필요 없으며. 분할연결성을 이용한 다단계 애니메이션등의 다양한 응용분야에 활용 가능하다.6으로 남녀학생 모두 총 열량에 대한 지질의 섭취비율이 높았다. 인, 비타민 B$_1$, B$_{6}$, E를 제외한 칼슘, 철, 아연, 비타민 A, B$_2$, C, 나이아신, 엽산 등 대부분의 미량 영양소 섭취량은 권장량에 미치지 못하였다. 혈청 COT, GPT는 남학생이 여학생보다 각 항목에서 유의하게 높았고, 혈청 총 콜레스테롤, 중성지질, HDL-콜레스테롤, LDL-콜레스테롤은 남녀학생 간에 유의한 차이가 없었다. 적혈구지수의 경우 적혈구수, 헤모글로빈, 헤마토크릿, MCHC가 남학생이 여학생보다 유의하게 높았다. 체중, 체질량지수, 비만지수는 모두 수축기 혈압과 유의한 정의 상관관계를 보였고(p<0.01, p<0.05, p<0.05), 체지방률은 영양지식과 유의한 부의 상관관계를 보였다(p<0.05). 비만도와 영양소 섭취량과의 관계에서 체중, 체질량지수, 비만지수는 콜레스테롤 섭취량과(p<0.01, p<0.05, p<0.05) 각각 유의한 정의 상관관계를 보였다. 비만도와 혈액성상과의 관계에서 체중은HDL-콜레스테롤과 유의한 부의 상관관계를(p<0.05), 적혈구수, 헤모글로빈, 헤마토크릿과는 유의한 정의 상관관계를(각 p<0.05) 보였다. 체질량지수와 비만지수는 각각 HDL-콜레스테롤과는 부의 (각 P<0.05), 적혈구수와는 정의(각 p<0.05) 상관관계를 보였다. 허리엉덩이둘레비는 혈청 GPT, glucose, MCV와 각각 유의한 정의 상관관계를 보였다(각 p<0.05). 이상의 연구결과를 종합할 때 남녀 비만 중학생 모두 총 열량 섭취량 중 지질로

Deep Convolution Neural Networks 이용하여 결함 검출을 위한 결함이 있는 철도선로표면 디지털영상 재 생성 (Regeneration of a defective Railroad Surface for defect detection with Deep Convolution Neural Networks)

  • 김현호;한석민
    • 인터넷정보학회논문지
    • /
    • 제21권6호
    • /
    • pp.23-31
    • /
    • 2020
  • 본 연구는 철도표면상에 발생하는 노후 현상 중 하나인 결함 검출을 위해 학습데이터를 생성함으로써 결함 검출 모델에서 더 높은 점수를 얻기 위해 진행되었다. 철도표면에서 결함은 선로결속장치 및 선로와 차량의 마찰 등 다양한 원인에 의해 발생하고 선로 파손 등의 사고를 유발할 수 있기 때문에 결함에 대한 철도 유지관리가 필요 하다. 그래서 철도 유지관리의 자동화 및 비용절감을 위해 철도 표면 영상에 영상처리 또는 기계학습을 활용한 결함 검출 및 검사에 대한 다양한 연구가 진행되고 있다. 일반적으로 영상 처리 분석기법 및 기계학습 기술의 성능은 데이터의 수량과 품질에 의존한다. 그렇기 때문에 일부 연구는 일반적이고 다양한 철도표면영상의 데이터베이스를 확보하기위해 등간격으로 선로표면을 촬영하는 장치 또는 탑재된 차량이 필요로 하였다. 본연구는 이러한 기계적인 영상획득 장치의 운용비용을 감소시키고 보완하기 위해 대표적인 영상생성관련 딥러닝 모델인 생성적 적대적 네트워크의 기본 구성에서 여러 관련연구에서 제시된 방법을 응용, 결함이 있는 철도 표면 재생성모델을 구성하여, 전용 데이터베이스가 구축되지 않은 철도 표면 영상에 대해서도 결함 검출을 진행할 수 있도록 하였다. 구성한 모델은 상이한 철도 표면 텍스처들을 반영한 철도 표면 생성을 학습하고 여러 임의의 결함의 위치에 대한 Ground-Truth들을 만족하는 다양한 결함을 재 생성하도록 설계하였다. 재생성된 철도 표면의 영상들을 결함 검출 딥러닝 모델에 학습데이터로 사용한다. 재생성모델의 유효성을 검증하기 위해 철도표면데이터를 3가지의 하위집합으로 군집화 하여 하나의 집합세트를 원본 영상으로 정의하고, 다른 두개의 나머지 하위집합들의 몇가지의 선로표면영상을 텍스처 영상으로 사용하여 새로운 철도 표면 영상을 생성한다. 그리고 결함 검출 모델에서 학습데이터로 생성된 새로운 철도 표면 영상을 사용하였을 때와, 생성된 철도 표면 영상이 없는 원본 영상을 사용하였을 때를 나누어 검증한다. 앞서 분류했던 하위집합들 중에서 원본영상으로 사용된 집합세트를 제외한 두 개의 하위집합들은 각각의 환경에서 학습된 결함 검출 모델에서 검증하여 출력인 픽셀단위 분류지도 영상을 얻는다. 이 픽셀단위 분류지도영상들과 실제 결함의 위치에 대한 원본결함 지도(Ground-Truth)들의 IoU(Intersection over Union) 및 F1-score로 평가하여 성능을 계산하였다. 결과적으로 두개의 하위집합의 텍스처 영상을 이용한 재생성된 학습데이터를 학습한 결함 검출모델의 점수는 원본 영상만을 학습하였을 때의 점수보다 약 IoU 및 F1-score가 10~15% 증가하였다. 이는 전용 학습 데이터가 구축되지 않은 철도표면 영상에 대해서도 기존 데이터를 이용하여 결함 검출이 상당히 가능함을 증명하는 것이다.