http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 전왕수(Jeon Wang Su) (검색결과 12 건)
- 무료
- 기관 내 무료
- 유료
-
-
-
CNN과 후처리를 이용한 해상쓰레기와 해파리 무리 인식
전왕수(Wang-Su Jeon),이상용(Sang-Yong Rhee),유남현(Nam-Hyun Yoo) 한국지능시스템학회 2019 한국지능시스템학회논문지 Vol.29 No.1
최근 해상쓰레기와 해파리 등으로 인하여 어민들과 바닷가 방문객이 큰 피해를 보고 있다. 본 연구에서는 영상에서 이러한 해상쓰레기와 해파리를 검출하는 방법을 제안한다. 우리나라 근해의 해수는 부유물이 많아서 색상이 탁하며, 수면에 햇빛이 반사되어 해수면 아래에 있는 해파리를 검출하기가 쉽지가 않아 CLAHE를 이용하여 영상을 개선한다. 해파리는 무리 지어서 이동하는 특징이 있다. 따라서 해파리를 개별적으로 인식하는 것이 보다 무리를 검출하는 것이 효율적이라고 판단하여, 개체가 다섯 마리 이상이면 무리라고 간주하고 군집인식방법을 수행한다. 군집인식에서는 필터를 이용하여 해파리 색상인 흰색 분포의 밀집 지점을 찾는다. 그 후 k-평균 클러스터링 알고리즘을 이용하여 바다와 해파리를 분류한다. 군집인식을 수행한 결과, 해파리 개체 하나하나를 인식하는 것보다 해파리 무리를 인식하는 것이 좋은 성능을 나타내는 것을 볼 수 있었다. 해상쓰레기는 CNN을 사용하여 좋은 결과를 얻었다. Recently, fishermen and person who visits seashore are suffering greatly because of marine garbage and jellyfish. In this paper, we propose a method to detect marine garbage and jellyfish in images. It is difficult to detect jellyfish below the sea surface because seawater in Korea has a lot of suspended matter and its color is cloudy, and sunlight is reflected on the water surface. So the image is enhanced using the CLAHE. Jellyfish has a property of moving in groups. Therefore, it is more effective to detect jellyfish group than each jellyfish. Therefore, if the number of jellyfish is more than five, it is regarded as a group and a cluster recognition method is performed. A filter is used to find the dense point of the white distribution of the jellyfish color. Then, a method of classifying the image into the sea and jellyfish using k-means clustering algorithm is performed. As the result of cluster recognition, we could see that recognized jellyfish group was better than recognizing individual jellyfish. Marine garbage recognition achieved good results using CNN.
-
전왕수(Wang-Su Jeon),이상용(Sang-Yong Rhee) 한국지능시스템학회 2018 한국지능시스템학회논문지 Vol.28 No.1
최근 해파리의 증가로 인해 양식장이나 발전소 등이 큰 피해를 보고 있다. 본 연구의 최종적인 목표는 원격해양감시 시스템을 개발하는 것인데, 본 논문에서는 시스템에 탑재된 임베디드 보드에서 운용이 가능한 해파리 검출방법을 제안한다. 이 시스템에서는 알고리즘을 임베디드 보드에 탑재해야 하므로 정확도보다는 빠르면서 가벼운 모델개발이 목표이다. 따라서, 기존의 CNN 검출알고리즘 중에 실시간으로 적용이 가능한 Yolo 모델의 Layer를 줄이면서 초당 프레임을 늘리는데 초점을 두었다. 수중에서 촬영한 영상의 경우 미세한 부유물과 조명 때문에 물체가 뚜렷하게 나오지 않을 수 있으므로 CLAHE를 이용하여 적응적으로 히스토그램을 평활화하여 전경과 배경의 경계를 뚜렷하게 만들도록 전처리를 한다. 간소화된 Yolo 모델을 사용하여 해파리를 검출하는 실험을 수행한 결과, 검출성능이 나쁘지 않으면서 임베디드 보드에서 동작할 수 있음을 확인할 수 있었다. Recently, the increase of jellyfish has given great damages to sea farms and power plants. The final goal of this study is to develop a remote ocean surveillance system. In this paper, we propose a method to detect jellyfish that can be operated on an embedded board built in the system. Because the algorithm should be mounted on the embedded board, the system aims to develop a model that is faster and lighter than its accuracy. Therefore, we focused on increasing the frames per second while reducing the layer of Yolo that could be applied in real time among existing CNN detection algorithms. For underwater images, objects may not be clearly shown owing to fine floating and lighting. Therefore, we adaptively preprocess them using CLAHE to make clear boundaries between foreground and background. Experiments to detect jellyisfh using the simplified Yolo model found that it can be opeera ton embedded boards with good detection performance.
-
전왕수(Wang-Su Jeon),이상용(Sang-Yong Rhee) 한국지능시스템학회 2021 한국지능시스템학회논문지 Vol.31 No.6
최근 정부에서 추진하는 스마트팜을 통해 농업 자동화가 활성화되고 있으며 농업 자동화를 위해서는 생산프로세스 개선이 필요하다. 생산프로세스를 개선하기 위해서는 인공지능, 로봇 등의 기술을 이용하여 생산, 수확 과정을 자동화할 수 있다. 그러나 이러한 기법을 사용하기 위해 레이블링 작업이 필요하고, 이 방법은 반복적인 작업과 시간, 인력이 많이 들어간다. 본 연구에서는 이러한 레이블링작업을 보조하기 위한 레이블링 보조도구를 개발했다. 이 방법은 평균이동필터를 이용하여 잡영을 제거하고 거리정보와 이진화를 이용하여 관심영역을 분할한 후, 표면법선벡터와 watershed를 이용하여 고추열매와 잎을 분할하였다. 개발한 보조 도구를 이용하여 작업을 수행한 결과 작업량과 작업시간이 약 5배 효율적임을 확인할 수 있었다. Recently, agricultural automation has been activated through smart farms promoted by the government, and production process improvement is required for agricultural automation. In order to improve the production process, the production and harvesting process can be automated using technologies such as artificial intelligence and robots. However, labeling work should be required to use this techniques and it, time and manpower. In this study, an annotation tool was developed to assist this labeling operation. In this method, after removing the noise by using the mean shift filter, and segmenting the region of interest using distance information and binarization, the pepper fruit and leaves were segmented using the surface normal vector and watershed. As a result of performing the annotation tool, the amount of work and time were about 5 times more efficient.
-
전왕수(Wang-Su Jeon),이상용(Sang-Yong Rhee) 한국지능시스템학회 2016 한국지능시스템학회논문지 Vol.26 No.6
이진화는 컴퓨터 비전 분야에서 전경과 배경을 분리하는 중요한 역할을 한다. 본 연구에서는 적응 퍼지 이진화 방법을 제안한다. 이동 창 내의 화소의 밝기 값 분포에 따라 α-컷을 구하고, 이 값을 이용하여 이진화를 수행한다. α-컷을 구하기 위해 수행속도가 빠른 기존의 이진화 방법들을 이용한다. 기존 방법들로 구해진 임계치들을 퍼지 소속 함수들의 중심값으로 설정하고, 화소의 밝기값 분포를 이용하여 퍼지 소속 함수들의 구간을 결정한다. 결정된 퍼지 소속 함수들을 이용하여 α-컷의 조정율을 구하고, 각 화소의 소속도에 따라 이진화를 수행한다. 실험 결과는 제안한 방법이 기존의 방법들보다 전경과 배경이 효과적으로 분리될 수 있고, 전경의 손실이 적어지는 것을 보여준다. A role of the binarization is very important in separating the foreground and the background in the field of the computer vision. In this study, an adaptive fuzzy binarization is proposed. An α-cut control ratio is obtained by the distribution of grey level of pixels in a sliding window, and binarization is performed using the value. To obtain the α-cut, existing thresholding methods which execution speed is fast are used. The threshold values are set as the center of each membership function and the fuzzy intervals of the functions are specified with the distribution of grey level of the pixel. Then α-control ratio is calculated using the specified function and binarization is performed according to the membership degree of the pixels. The experimental results show the proposed method can segment the foreground and the background well than existing binarization methods and decrease loss of the foreground.
-
-
-
노정현(Jeong-Hyun Noh),전왕수(Wang-Su Jeon),이상용(Sang-Yong Rhee) 한국정보기술학회 2022 Proceedings of KIIT Conference Vol.2022 No.6
본 논문에서는 FAST 검사방법 중 하나인 얼굴영역을 이용하여 뇌졸중 조기 증상 진단 분류 방법을 제안하였다. 이 방법은 U-Net과 FCN을 이용하여 얼굴 영역의 입술을 분할하고, 입술영역의 특징을 사용하여 정상, 비정상을 분류한다. 분할 모델은 U-Net과 FCN의 백본망은 ResNet101과 VGGNet16을 사용했고, ResUnet이 87.8%의 정확도를 보였다. 그리고 분류성능을 비교한 결과 96.7%로 가장 좋은 성능을 보였다. In this paper, the use of face region, one of the FAST approaches, it is proposed this research for early stroke classification. This approach uses U-Net and FCN to segment lips in the face region and discriminate between positive and negative based on lip features. ResNet101 and VGGNet16 are used in the segmentation model for the U-Net and FCN backbone networks, respectively, and ResUnet has accuracy of 87.8%. In addition, due to the normal and abnormal comparison using xgboost by extracting features from the lips, the accuracy was 96.6%.
-
배대일(Dae-Il Bae),전왕수(Wang-Su Jeon),김종완(Jong-Wan Kim),김기준(Ki-Joon Kim),김유정(Yu-Jeong Kim),박주영(Ju-Young Park),이상용(Sang-Yong Rhee) 한국지능시스템학회 2021 한국지능시스템학회논문지 Vol.31 No.2
최근 귀농·귀촌 인원이 증가함에 따라 정부에서는 귀농·귀촌을 희망하는 사람들에게 필요한 농업 지식을 제공하여 안정적으로 농촌 생활에 정착할 수 있도록 하고 있다. 그러나 충분한 정보가 제공되지 못하고 있으며, 교육받는 인원 수를 고려할 때 가성비가 좋지 않았다. 본 연구에서는 이러한 문제에 대한 해결책의 하나로 가상현실을 이용한 작물재배 콘텐츠를 제안한다. 콘텐츠에서 먼저 재배하고 싶은 작물을 선택하면, 수행해야할 작업들이 나오고 안내멘트에 따라서 작업을 수행하면, 원하는 작물에 대한 재배방법을 익히게 된다. 단독으로 교육받을 수도 있고, 여러명이 동시 접속하며 협업작업을 하는 교육을 받을 수 있다. 콘텐츠의 기능과 모델완성도를 평가하기 위해, 5인의 참가자에게 이 콘텐츠를 10번씩 수행하게 하였다. 그 결과 95점 이상의 만족도를 보였다. With the recent increase in the number of rural migrants, the government is providing necessary agricultural knowledge to those who wish to be rural migrants so that they can stably settle in rural life. However, sufficient information has not been provided and the cost-effectiveness was not good considering the number of trainees. In this study, we propose crop cultivation contents using virtual reality as one of the solutions to the problem. If you first select the crop you want to cultivate in the content, tasks to be performed will appear, and if you follow the instructions, you will learn how to cultivate the desired crop. You can receive training alone, or you can receive training in which multiple people connect and work in collaboration. In order to evaluate the function of the content and the degree of model completion, five participants were asked to perform this content ten times. As a result, it showed a satisfaction level of 95 points or higher.
ScienceON연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
