태양광 전력 기반의 컨벌루션 신경망 설계와 숫자 인식률 개선 (Design of Convolution Neural Network Based On Solar Energy and Enhancement of Number Recognition)

서지정보

· 발행기관 : 한국지식정보기술학회
· 수록지 정보 : 한국지식정보기술학회 논문지 / 14권 / 1호 / 93 ~ 101페이지
· 저자명 : 권오성

초록

태양광 전력 체계의 활용이 일반화되고 있다. 본 논문에서는 자동차 번호판 등 숫자 인식 장치에 적용 가능한 시스템의 구성을 제안하고 제안하는 숫자 인식 방법의 성능을 보이고자 한다. 딥러닝 방식 중에서 CNN(Convolution Neural Network)은 인간의 시각 시스템처럼 영상의 특징 추출을 피라미드 형식으로 구체화하면서 정합하는 인공 신경망 구조이다. 최근들어 이러한 특성은 다양한 영상 분석 응용에서 좋은 결과를 보이고 있다. 본 논문에서는 CNN의 입력으로 오프라인 필기 이미지를 사용하였다. CNN은 입력 영상이 담고 있는 노이즈, 에지, 획 정보 등을 추출하기 위한 2D 이미지 컨벌루션 연산을 진행하며, 이 과정은 신경망 구성을 복수의 은닉 레이어로 구성하였다. 이미지의 특징 추출과 그룹핑을 거쳐서 정량화된 중간 결과는 완전 접속 형태로 구성된 신경망의 입력으로 제공된다. 완전 접속 신경망은 학습 과정을 거쳐서 기 구축한 학습 모델을 이용하여 최적의 정합을 찾아 그 라벨로 분류하여 출력한다. 우리가 구현한 CNN의 숫자 인식 성능을 객관적으로 측정하기 위하여 전세계적으로 인증되고 있는 MNIST 데이터셋을 사용하였다. 그 중에서 60,000개의 자료를 학습에 사용하였고 10,000개 샘플을 측정용 자료로 구분하여 측정하였다. 실험의 편의를 위하여 학습 사이클을 2회 반복으로 제한한 후에 인식 실험을 진행하였다. 일반적으로 한정된 형태의 학습 샘플은 오인식이나 미인식의 결과를 도출하기도 한다. 이를 개선하기 위하여 학습에 사용될 이미지 자료의 형태에 몇 가지 왜곡 변형 필터를 적용하여 입력 자료를 확장하고 재학습을 진행하도록 한 후에 각각의 인식률을 측정하였다. 비교 실험한 결과 변형적용 후 인식률은 98.04% 로 개선 효과를 얻었다.

영어초록

Applications of solar power are also increasingly common. In this paper, we explained the characteristics of our new discriminator based on solar energy and CNN for number recognition. Our CNN(Convolution Neural Network) is one in deep learning models with the function of human visual perception. The neural network model carries out the image feature matching process to recognize entered digital images. Our proposed CNN structure was designed with multiple hidden layers to retrieve the features of handwritten numeral images. The CNN structure performs 2D image convolution operation to extract noise, edge and stroke information from the numeral images. These feature information from the convolution layers is served as a new input stream of FCN(Fully Connected Network) for the classification of the features. The FCN performs a classification procedure based on the protypes already deployed for numeral image matching. We used MNIST(Modified National Institute of Standards and Technology) data set to achieve objective recognition measurement. The 60,000 samples of MNIST data set were applied for the learning process of our CNN recognizer, while we used the 10,000 samples for the performance measurement of our CNN recognizer. The measurement experiments were carried out after the repeating the training process of CNN only two times. The several misrecognition results were observed in our performance test, therefore we performed the additional training step to enhance the recognition rate of our CNN. Our additional method is the distortion of our input samples. we performed serveral distortion function such as a scaling, a rotation, and an elastic. In the final measurement of CNN recognizer, we observed that the recognition rate after the applying distortion process was improved by about 98.04%.

참고자료

· 없음