http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
Resnet 알고리즘을 이용한 1차, 2차 단락흔 판별
조장훈(Jang Hoon Jo),방준호(Junho Bang),유인호(Inho Yoo),김태형(Tae Hyung Kim) 대한전기학회 2021 대한전기학회 학술대회 논문집 Vol.2021 No.10
전기 화재현장에서 확보된 단락흔을 통하여 전기 화재 발생 원인을 판별하기 위한 연구를 진행하였다. 1,2차 단락흔 판별을 위해 Resnet 알고리즘을 제안하고 검증하였다. 학습을 위한 데이터는 Hiv 전선의 1, 2차 단락흔 시료를 현미경으로 촬영하고 학습 데이터와 검증 데이터로 확보하였다. Resnet기법을 활용하여 오차를 줄이기 위해 신경망의 파라미터를 학습하는 것과는 다르게 입력과 출력의 차이를 이용하는 잔차 학습(Residual learning)을 도입함으로써, 더욱 깊은 네트워크층을 사용하여 효율적으로 학습 가능한 구조를 나타내고 있다. 분석결과 Resnet 판별 정확도는 88.2%로 각각 얻었다.
전기화재 원인 분석을 위한 CNN기반 용융흔 및 단락흔 판별
조장훈(Jang Hoon Jo),방준호(Junho Bang),유정훈(Jung Hoon Yoo),선로빈(Robin Sun) 대한전기학회 2021 대한전기학회 학술대회 논문집 Vol.2021 No.5
합성곱 신경망 기법을 활용하여 1,2차 단락흔 및 3차 용융흔을 각각 판별하는 알고리즘을 제안하고 검증하였다. 학습을 위한 데이터는 Hiv 전선의 1,2차 단락흔 및 3차 용융흔 시료를 Nikon SMZ25 현미경으로 촬영하고 학습 데이터와 검증 데이터로 확보하였다. 텐서플로어를 활용하여 입력 이미지는 64×64(pixel)에 RGB 컬러로 구성하였다. 3개의 합성곱 Layer와 3개의 풀링 Layer을 활용하여 다운 샘플링 하였다. 과적합 문제를 줄이고자 30%의 가중값 탈락률을 갖는 드롭아웃을 추가하였고, 최종 Layer의 활성화 함수는 Softmax를 사용하였다. 최종 분석 결과 95.5%의 판별 정확도를 얻었다.
전기화재 원인분석을 위한 실험실 데이터를 활용한 1차, 2차 단락흔 및 열흔 판별용 CNN 알고리즘 설계
조장훈(Jang-Hoon Jo),방준호(Junho Bang),유정훈(Jung-Hoon Yoo),선로빈(Robin Sun),홍성준(Seong-Jun Hong),방선배(Sun-Bea Bang) 대한전기학회 2021 전기학회논문지 Vol.70 No.11
In this paper, a new CNN algorithm is proposed to determine the direct cause of electric fires. We create 10,000-15,000 three types of data that can occur at a fire scene in our laboratory, and then train and verify it through the proposed CNN algorithm. As a result of the experiment and analysis, the classification accuracy of the primary and secondary arc beads was 86.2%, the accuracy of arc beads and molten marks was 93.6%. And also, the classification accuracy of the primary and secondary arc beads and molten marks was 92.4%. The results of this study are meaningful in that fire forensics can provide accurate identification results in a shorter time through artificial intelligence algorithms compared to the existing methods of identification through visual classification and physicochemical material analysis methods. In particular, the classification between primary and secondary arc beads is known to be a very difficult problem. However, the results of this study provided more than 86% classification ability.