생성모델을 활용한 전력설비 객체 검출의 성능 개선 = Performance Improvement of Object Detection on Power Pole Equipment Using a Generative Model
저자
발행사항
오산 : 한신대학교 대학원, 2024
학위논문사항
학위논문(석사)-- 한신대학교 대학원 : 정보통신학과 2024. 2
발행연도
2024
작성언어
한국어
주제어
발행국(도시)
경기도
형태사항
51p ; 26 cm
일반주기명
지도교수: 이용걸
UCI식별코드
I804:41049-200000736625
소장기관
전력을 관리하기 위한 설비들은 열화에 따른 고장으로 예기치 못한 사고를 유발할 가능성이 있다. 사고를 미연에 방지하기 위해 전력설비를 주기적으로 관리할 필요가 있으나, 현재 설비를 관리하는 방식은 비효율적이거나 안전상으로 위험한 경우도 있다. 해당 문제점을 해결하기 위해 전력설비 관리방식을 보조해주기 위한 많은 연구가 선행됐으나, 기존에는 설비를 직접 찾아서 촬영하던 과정을 완화해 주기 위해 객체 검출 모델을 사용해왔다. 객체 검출 모델은 데이터의 질이 떨어지거나 양이 적을 경우 모델의 성능을 올리는 데 어려움이 있다. 데이터의 양이 적고 전문지식을 요구하는 전력 설비의 경우, 데이터셋구축에 어려움이 있어서 객체 검출 모델을 학습시키기에는 충분하지 않다. 데이터의 양을 증가시키기 위해 이미지 증강을 활용할 수 있으며 이는 여러 가지 방법이 존재한다. 본 논문에서는 딥러닝 이미지 증강방식을 사용하여 이미지를 만들어서 데이터셋의 양을 증가시키려고 한다. 원본 이미지에서 클래스별로 이미지를 얻어서 훈련하되, 적은 개수의 클래스를 훈련했을 경우 성능에 차이가 발생할 수 있어, 클래스를 나누는 대신 모든 클래스를 합쳐서 훈련한다. 생성된 이미지 중에서 중복된 이미지는 제거한다. 해당 방식으로 생성된 이미지는 클래스 정보가 없는 데이터이기 때문에 재분류한다. 재분류 과정을 거쳐 괜찮은 품질의 이미지만을 걸러내, 최종 이미지를 선택한다. 분류를 통해 최종적으로 선택된 이미지들을 임의의 배경 이미지와 합쳐서 객체 검출을 위한 데이터를 생성한다. 해당 데이터와 원본 데이터를 활용하여 GAN으로 만들어낸 이미지가 객체 검출 모델의 성능을 올려주는 데 영향을 미치는지 실험을 진행한다. 생성된 이미지를 100, 300, 500, 700, 1,000장씩 원본 데이터에 추가하여 네 가지의 성능지표를 활용하여 성능을 비교한다. 원본 이미지만으로 학습했을 때는 Precision 이 0.850, 300장의 생성된 이미지를 추가했을 때는 0.888로 성능이 향상, Recall 은 0.736에서 500장의 생성된 이미지를 추가했을 때 0.813으로 성능이 향상, mAP@.5 는 0.803에서 300장의 생성된 이미지를 추가했을 때 0.874로 성능이 향상, mAP@[.5:.05:.95]는 0.485에서 300장의 생성된 이미지를 추가했을 때 0.572로 성능이 향상한다. 각 성능지표에서 최대 3.8%, 7.7%, 7.1%, 8.7%의 증가 폭을 보여준다. 해당 결과를 통해 생성된 이미지와 원본 이미지를 합쳐서 객체 검출 모델을 훈련한 결과가 원본 이미지만으로 훈련한 것보다 성능이 좋았다는 결과를 얻을 수 있다. 또한 생성 모델을 통해 이미지를 만들어서 데이터셋의 양을 증가시켰을 때 객체 검출 모델의 성능을 개선할 수 있다는 것을 알 수 있다.
더보기분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)