์ต์ค์
(Yoon-Soo Choi)
1
๊น์ข
ํธ
(Jong-Ho Kim)
2
์กฐํ์ฒ
(Hyun-Chul Cho)
3
์ด์ฐฝ์ค
(Chang-Joon Lee)
4*
ยฉ The Korea Institute for Structural Maintenance and Inspection. All rights reserved.
ํค์๋
๋ฅ๋ฌ๋, ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง, ์์คํํธ ๋๋กํฌ์ฅ, ์์คํํธ ๋๋กํฌ์ฅ ํ๋ฉด๊ท ์ด
Key words
Deep learning, Convolutional Neural Network, Asphalt Pavement, Surface Crack
1. ์ ๋ก
๊ตญ๋ด ์์คํํธ ์ฝํฌ๋ฆฌํธ ๋๋กํฌ์ฅ์ ๋ํ ์ ์ง๊ด๋ฆฌ๋ ์๋ ํฌ์ฅ์ํ ์กฐ์ฌ์ฅ๋น์ ์ํด ์์ง๋๋ ๋
ธ๋ฉด ์์์ ๋ถ์ํ๊ณ , ๊ฒฐํจ์ ๋๋ฅผ ํ์
ํ์ฌ ๋ณด์์๊ธฐ, ๋ณด์๋ฐฉ๋ฒ
๋ฑ์ ๊ฒฐ์ ํ๊ฒ ๋ ๋ค. ๋๋กํฌ์ฅ ํ๋ฉด๊ฒฐํจ์ ๋ํ ๋ถ์์ ์กฐ์ฌ๋ ๋
ธ๋ฉด ์์์ ํน ์ ํฌ๊ธฐ์ ๊ฒฉ์ ํํ๋ก ๋ถํ ํ์ฌ ์ก์์ ๊ฒ์ ํตํด ๊ฒฐํจ์ ํฌ ํจํ๋ ๊ฒฉ์๋ฅผ
ํ๋ณํ๊ณ , ๊ฒฐํจ ๊ฒฉ์์๋ฅผ ์ ์ฒด ๊ฒฉ์์๋ก ๋๋ ๊ฐ์ ํด๋น ๋
ธ๋ฉด ์์ญ์ ๊ท ์ด์จ๋ก ํ๋จํ๋ค. ๊ตญ๋ด ์์คํํธ ์ฝ ํฌ๋ฆฌํธ ๋๋กํฌ์ฅ ์๋๋
ธ๋ฉด ์กฐ์ฌ์ฅ๋น์ ์๋ก
KRISS(Korea Roadway Infrastructure Survey System)๋ 3.6m x 10m ์์ญ์ ๋จ์๋ก ๋
ธ๋ฉด ์์์ ์์งํ๋ฉฐ,
์ด ๋
ธ๋ฉด ์์์ ๊ฐ๋ก 300mm, ์ธ๋ก 300mm์ ๊ฒฉ์ ํํ๋ก ๋ถํ ํ์ฌ ๊ท ์ด์จ์ ํ๊ฐํ๋ค (Kim et al., 2008).
ํฌ์ฅ ๊ฒฐํจ ๋ถ์์ ์์ด์ ๊ฐ๊ฐ์ ๊ฒฉ์์ ๋ํ ์ก์์ ๊ฒ์ ๋ง์ ๋น์ฉ์ ๋ฐ์์ํค๊ณ ๋ฐ๋ผ์ ์ด๋ฅผ ์๋ํํ๋ ค๋ ์ฐ๊ตฌ๊ฐ ์ํ๋์ด์๋ค(Koch and Brilakis, 2011; Sorncharean and Phiphobmongkol, 2008; Rababaah et al., 2005). ๊ธฐ์กด์ ์์ ์ฒ๋ฆฌ๋ฅผ ํตํ ์์คํํธ ์ฝํฌ๋ฆฌํธ ๋๋กํฌ์ฅ์ ํ๋ฉด๊ฒฐํจ ๊ฒ์ฌ๋ ์์์์ ํน์ ๊ฒฐํจ์ ํน์ง์ ์ถ์ถํ๊ธฐ ์ํด ๊ฐ๋ฐ๋ ์๊ณ ๋ฆฌ ์ฆ์ผ๋ก ์ํ๋๋ค.
๊ทธ๋ฌ๋ ์์คํํธ ๋๋กํฌ์ฅ ํ๋ฉด ์์์ ๋
ธ ์ถ๋ ๊ณจ์ฌ, ํด์๋, ๋จ์ฐจ, ๊ทธ๋ฆผ์ ๋ฑ์ ์ฌ๋ฌ ์์๋ค์ ์ํด ๊ฐ ๊ฒฐํจ์ ํน์ง์ ๋ํํ๋ ์ ๋ณด๋ฅผ ๋์ถํ๋๋ฐ
์ด๋ ค์์ด ๋ฐ๋ฅธ ๋ค. ๊ฒฐํจ์ ํน์ง์ ๋ํ ์ ๋ณด๋ฅผ ์ป๊ธฐ ์ํด ๋ค์ํ ์์ ์ ์ฒ๋ฆฌ ์์
์ด ์ํ๋์ด์ง๋, ์ ์ฒ๋ฆฌ ๊ณผ์ ์์ ์ค๋ ์ ๋ณด ์์ค ๋ฌธ์ ์ ์ํด ์๋ํ
ํ๋ฉด๊ฒฐํจ ๋ถ์ ์๊ณ ๋ฆฌ์ฆ์ด ์ค๋ฌด์ ์ ์ฉ๋ ์ฌ ๋ก๋ ๋ง์ง ์๋ค. ๊ธฐ์กด์ ์์์ ์ฌ์ฉํ ์๋ํ ๋๋กํฌ์ฅ ํ๋ฉด ๊ฒฐํจ ๋ถ์ ๋ฐฉ๋ฒ์ ํ๊ณ๋ฅผ ๊ทน๋ณตํ๊ธฐ ์ํด ์ต๊ทผ
ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง (CNN; Convolutional Neural Network)์ ํ์ฉํ ์ฐ๊ตฌ๋ค์ด ์ง ํ๋๊ณ ์๋ค.
CNN์ ์์์ฒ๋ฆฌ ๋ถ์ผ์์ ์ฐ์ํ ์ฑ๋ฅ์ ๋ํ๋ด๋ ์ธ๊ณต ์ ๊ฒฝ๋ง์ผ๋ก ๋์ฉ๋์ ์์ ๋ฐ์ดํฐ๋ก๋ถํฐ ๋ถ๋ฅํ๊ณ ์ ํ๋ ๋ ์์ ๋ํ ํน์ง์ ์๋์ผ๋ก ์ถ์ถํ๊ณ ,
๊ทธ์ ๋ง๊ฒ ์์ ๋ฐ์ดํฐ ๋ฅผ ๋ถ๋ฅํ๋ ๊ธฐ์ ์ด๋ค. ํน์ CNN ๋ชจ๋ธ๋ค์ ๊ฒฝ์ฐ ImageNet์ ์ ์ ๊ณตํ๋ ์ด๋ฏธ์ง์ ๋ํด 97% ์ด์์ ๋ถ๋ฅ ์ ํ๋๋ฅผ
๋ณด์ฌ ์ค๋ค(Hu et al, 2018). ๊ทธ๋ฌ๋ ์์์ฒ๋ฆฌ ๋ถ์ผ์ CNN ๋ชจ๋ธ ์ด์ฉ ์ ๋ฐ๋ฅธ ๋์ ๋ถ๋ฅ ์ ํ๋ ๊ตฌํ๊ณผ๋ ๋ค๋ฅด๊ฒ ๋๋กํฌ์ฅ ํ๋ฉด ์ด ๋ฏธ์ง ๋ถ๋ฅ ์ฐ๊ตฌ์์๋ 85~90% ์ ๋๋ก
๋ฎ์ ์ ํ๋๋ฅผ ๋ณด๊ณ ํ ๊ณ ์๋ค(Zhang et al., 2016; Feng et al., 2017; Eisenbach et al., 2017; Pauly et al., 2017; Gopalakrishnan, 2018). ๋๋ถ๋ถ์ ์ฐ ๊ตฌ์์ ์ญ์ฌ๊ฐ ๋ฏธ๋ง์ ์ ๊ฒฝ๋ง ์ธต์ ๊ฐ๋ CNN ๋ชจ๋ธ์ ํ์ฉํ ์์ผ๋ฉฐ, ์์ฒ~์์ญ๋ง๊ฐ ์ ๋์ ๋ฐ์ดํฐ๋ฅผ ํ์ต์ ์ฌ์ฉํ์๋ค. ๊ธฐ์กด์ฐ๊ตฌ์
CNN ๋ชจ๋ธ๋ค์ ๋ณต์ก๋์ ๋นํด ๋ชจ๋ธ ํ์ต ์ ์๋ ์ ์ผ๋ก ์ ์ ์์ ๋ฐ์ดํฐ๋ฅผ ์ฌ์ฉํ์๊ธฐ ๋๋ฌธ์ ์ถฉ๋ถํ ์ฑ๋ฅ ์ ๋ํ๋ด์ง ๋ชปํ๋ ๊ฒ์ผ๋ก ๋ณด์ธ๋ค. ์ฆ,
๋ณต์ก๋๊ฐ ๋์ CNN ๋ชจ๋ธ์ ๊ตฌ์ถํ ๊ฒฝ์ฐ ๋ง์ ์์ ๋ฐ์ดํฐ๊ฐ ํ์ํ๋ค. ๊ทธ๋ฌ๋ ์ ์คํํธ ์ฝํฌ๋ฆฌํธ ํ๋ฉด๊ท ์ด ์ด๋ฏธ์ง ๋ฐ์ดํฐ๋ ํ์ ์ ์ด๊ธฐ ๋๋ฌธ ์ ์ ์ ํ
๋ณต์ก๋๋ฅผ ๊ฐ๋ CNN ๋ชจํ์ ์ฌ์ฉํด์ผ ํ๋ค. ๋ฐ๋ผ์ ๋ณธ ์ฐ๊ตฌ์์๋ ํ๋ณด๋ ์ด๋ฏธ์ง ๋ฐ์ดํฐ์์ ์ ์ ํ ๋ณต์ก๋๋ฅผ ๊ฐ์ง๋ CNN ๋ชจํ์ ๊ตฌ์ถํ์์ผ๋ฉฐ, ํ์ต
๋ฐ์ดํฐ์์ ๋ฐ๋ฅธ ์ฑ ๋ฅํฅ์ ์ ๋๋ฅผ ํ๊ฐํ๊ณ ์ ํ๋ค.
2. ์ด๋ก ์ ๋ฐฐ๊ฒฝ
ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง์ ์์์ ํํฐ๋ฅผ ํตํด ์์ ๋ฐ์ดํฐ์ ๋ํ ํน์ง์ ์ถ์ถํ์ฌ ๋์ผํ ๋ ์ด๋ธ์ ์ง๋ ๋ฐ์ดํฐ๋ค์ ๊ณตํต์ ์ธ ํน์ง์ ๋ํด ํ์ต์ ์งํํ๋ ์ธ๊ณต์ ๊ฒฝ๋ง์ด๋ค.
ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง์ ๊ตฌ์กฐ๋ Fig. 1๊ณผ ๊ฐ์ด ํฌ๊ฒ Convolution Layer์ Pooling ๊ณผ์ ์ด ํฌํจ๋ ํน์ง ํ์ต ์ ๊ฒฝ๋ง ๋ถ๋ถ(Featu- -re Learning)๊ณผ ๋ ์ด๋ธ์
๋ฐ๋ฅธ ๋ถ๋ฅ๋ฅผ ์ํํ๋ ๋ถ๋ฅ ์ ๊ฒฝ๋ง (Classification) ๋ถ๋ถ์ผ๋ก ๋๋๋ค(Wu 2017; Choi 2019).
Fig. 1
Schematic of CNN(Convolutional Neural Network) architecture
ํน์ง ํ์ต ์ ๊ฒฝ๋ง์ ํํฐ๋ฅผ ํตํด ํน์ง ๋ฒกํฐ๋ฅผ ์ถ์ถํ๋ ๊ตฌ ๊ฐ์ด๋ค. ํํฐ๋ ์ด๊ธฐ ์์์ ๊ฐ์ผ๋ก ์ฃผ์ด์ง๋ฉฐ ํํฐ์ ํฌ๊ธฐ๋ก ์ ์ฒด์ ์ด๋ฏธ์ง ๋ฐ์ดํฐ๋ฅผ ์ค์บํ์ฌ
ํน์ง ๋ฒกํฐ๋ฅผ ์ถ์ถํด๋ธ๋ค. Fig. 2๋ 3x3 ์ด๋ฏธ์ง ๋ฐ์ดํฐ์ ๋ํด 1x1 Stride ํฌ๊ธฐ์ 2x2 ํ ํฐ๋ฅผ ์ ์ฉํ Convolution์ ์์์ด๋ค. ์ฌ๊ธฐ์, Stride๋ ํํฐ ์
์ํ ์ด๋ฏธ์ง ๋ฐ์ดํฐ ์ค์บ์ด ์ด๋ฃจ์ด์ง ๋์ ๊ฐ๊ฒฉ์ ํฌ๊ธฐ๋ฅผ ์๋ฏธํ๋ค. Fig. 2์ ๊ฐ์ด convolution์ ์ํด ์ฐ์ถ๋ ํน์ง ๋ฒกํฐ ์ ํฌ๊ธฐ๋ ์ด๋ฏธ์ง ๋ฐ์ดํฐ์ ํฌ๊ธฐ๋ณด๋ค ์์์ง๋ ๊ฒ์ ๋ณผ ์ ์ ๋ค. convolution์ ์งํํ
๋๋ง๋ค ํน์ง ๋ฒกํฐ์ ํฌ๊ธฐ๊ฐ ์์์ง ๋ ํ์ ๋๋ฌธ์ layer ๊น์ด์ ํ๊ณ๊ฐ ๋ํ๋๊ฒ ๋๋ค. ์ด๋ฌํ ํ ์์ ๋ฐฉ์งํ๊ธฐ ์ํ ๋ฐฉ๋ฒ์ผ๋ก Padding์ด
์๋ค. Padding์ ์ด ๋ฏธ์ง ๋ฒกํฐ์ ๋ ํ๊ณผ ์ด์ ์๋ฒกํฐ๋ฅผ ์ถ๊ฐํ๋ ๋ฐฉ์์ผ๋ก convolution์ ์ฐ์ฐ๊ณผ์ ํ ์ฐ์ถ๋๋ ํน์ง ๋ฒกํฐ์ ์
๋ ฅ ์ด๋ฏธ
์ง ๋ฒกํฐ์ ํฌ๊ธฐ๋ฅผ ๋์ผํ๊ฒ ๋ง๋ค์ด์ฃผ๋ ๊ฒ์ ์๋ฏธํ๋ค. convolution ์ฐ์ฐ๊ณผ์ ์ ๊ฑฐ์ณ ์ฐ์ถ๋ ํน์ง ๋ฒกํฐ๋ ํ์ฑํ ํจ์์ธ ReLU ํจ์์ ์
๋ ฅ๊ฐ์ผ๋ก
์ ์ฉ๋๋ค(Radford 2015).
Convolution Layer๋ฅผ ๊ฑฐ์ณ ์ฐ์ถ๋ ํน์ง ๋ฒกํฐ๋ Pooling ๊ณผ ์ ์ ๊ฑฐ์น๋ค. Pooling์ ์ข
๋ฅ๋ Max Pooling, Average
Pooling ๋ฑ์ผ๋ก ๋ค์ํ๊ฒ ์กด์ฌํ๋ค(Goodfellow 2016).
๋๋ถ๋ถ์ ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง์์๋ Max Pooling์ ์ฌ์ฉํ๋ฉฐ, Fig. 3๊ณผ ๊ฐ์ด ์ปค๋(kernel) ํฌ๊ธฐ ๋ด์ ์กด์ฌํ๋ ๋ฒกํฐ์ ๊ฐ ์ค ๊ฐ์ฅ ํฐ ๊ฐ์ ์ถ์ถํด๋ด๋ Pooling ๋ฐฉ์์ ์๋ฏธํ๋ค.
ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง ๋ชจ๋ธ์ layer ์๋งํผ Convolutional Layer์ Pooling ๊ณผ์ ์ ๋ฐ๋ณตํ์ฌ ํน์ง ๋ฒกํฐ๋ฅผ ๋์ถํ๋ค. ๋์ถ๋ ํน์ง ๋ฒกํฐ๋ฅผ
FCNN(Fully-Connected Neural Network)์ ์
๋ ฅ๊ฐ์ผ ๋ก ํ์ฉํ์ฌ FCNN์ ํตํด ์ด๊ธฐ ์์ธก๋ ์ถ๋ ฅ๊ฐ์ ์ฐ์ถํ๋ค. ์ต์ข
์ ์ผ๋ก,
์์ธก๋ ์ถ๋ ฅ๊ฐ๊ณผ ์ค์ ๋ ์ด๋ธ ๊ฐ์ ์ฐจ์ด๋ฅผ ํตํด ๋ชจ๋ธ์ ์ ํ๋๋ฅผ ์ธก์ ํ๋ ๋น์ฉ ํจ์(Loss Function)๋ฅผ ์ฌ์ฉ ํ์ฌ loss๊ฐ์ ์ฐ์ถํ๋ค(Bengio et al. 2015). ํ์ต์ ์๋ฏธ๋ ์ฐ ์ถ๋๋ loss์ ๊ฐ์ ์ต์ํ์ํค๋ ํํฐ ๋ฒกํฐ๋ฅผ ๋์ถํ์ฌ ์ค์ ๋ ์ด๋ธ ๊ฐ๊ณผ ์์ธก๋ ์ถ๋ ฅ๊ฐ์ ์ฐจ์ด๋ฅผ ์ค์ด๋ ๊ฒ์ด๋ค. loss
๊ฐ ์ ์ค์ด๋ ํ์ต ์๊ณ ๋ฆฌ์ฆ์ผ๋ก ๊ฒฝ์ฌํ๊ฐ๋ฒ(Gradient Descent) ์ด ์์ผ๋ฉฐ, ๊ฒฝ์ฌํ๊ฐ๋ฒ์ ํตํด loss๊ฐ์ ๊ฐ์์ํค๋ ํํฐ ๋ฒกํฐ ๋ก ๊ฐฑ์ ํ๋ค.
3. ๋ณธ ๋ก
3.1 ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง ๋ชจ๋ธ
์์ ์ด๋ก ์ ๋ฐฐ๊ฒฝ์ ๋ฐํ์ผ๋ก ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง ๋ชจ๋ธ์ ๊ตฌ์ถํ ์์ผ๋ฉฐ, ํ์ต ๋ฐ์ดํฐ์ ์์ ์ผ์ ํฌ๊ธฐ(batch size)๋ก ๋๋์ด ํ์ต ํ๋ Mini-batch(Keskar et al., 2016)์ ๋ฐฐ์น ์ ๊ทํ(Batch Normalization)(Loffe and Szegedy, 2015)๋ฅผ ์ ์ฉํ์ฌ ํ์ต ์ฑ๋ฅ ๋ฐ ์๋๋ฅผ ํฅ์์์ผฐ๋ค. ๋ณธ ์ฐ๊ตฌ์ ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง ๋ชจ๋ธ์ ์ ์ฉํ Filter size, stride size, batch
size ๋ฑ์ Table 1์ ์ ๋ฆฌํ์์ผ ๋ฉฐ, ํ์ต ์๊ณ ๋ฆฌ์ฆ์ ๊ฒฝ์ฌํ๊ฐ๋ฒ์ ์ฌ์ฉํ์๋ค. ๋ชจ๋ธ์ ๊ตฌ์กฐ๋ Fig. 4์ ๊ฐ์ด 5๊ฐ ์ธต์ Convolution Layer๋ก ๊ตฌ์ฑํ์๋ค.
Table 1
Parameter of CNN used in this study
Fig. 4
The Architecture of CNN used in this study
3.2 ํ์ต ๋ฐ ์ํ ๋ฐ์ดํฐ
๋ณธ ์ฐ๊ตฌ์์ ํ์ต ๋ฐ ์ํ ๋ฐ์ดํฐ๋ก ํ์ฉ๋ ์์คํํธ ์ฝํฌ ๋ฆฌํธ ๋๋กํฌ์ฅ ์์ ๋ฐ์ดํฐ๋ ๊ตญ๋ด 5๊ฐ ์ง์ญ์ ๊ตญ๋์์ KRISS ์ฅ๋น๋ฅผ ํตํด ์กฐ์ฌ๋ ๋ฐ์ดํฐ์ด๋ค.
ํ์ต ๋ฐ ์ํ ๋ฐ์ดํฐ ๋ ๊ฐ์ ๋ชจ์ง๋จ์์ 7:3 ํน์ 8:2์ ๋น์จ์ ๋ง๊ฒ ๋๋์ด ๊ตฌ์ถ ํ๋ ๊ฒ์ด ์ผ๋ฐ์ ์ด๋, ๋ณธ ์ฐ๊ตฌ์ ํ์ต ๋ฐ ์ํ ๋ฐ์ดํฐ๋ ๊ฐ์
๋ชจ์ง๋จ์์ ๊ตฌ์ถํ์ง ์์๋ค. ๋ณธ ์ฐ๊ตฌ์ ํ์ต ๋ฐ์ดํฐ๋ 4๊ฐ ์ง์ญ์ ๊ตญ๋ ์์ ๋ฐ์ดํฐ๋ฅผ ํ์ฉํ์์ผ๋ฉฐ, ์ํ ๋ฐ์ดํฐ์ ๊ฒฝ ์ฐ ํ์ต ๋ฐ์ดํฐ์ ํฌํจ๋์ง ์์
1๊ฐ ์ง์ญ์ ๊ตญ๋ ์์ ๋ฐ์ด ํฐ๋ฅผ ํ์ฉํ์๋ค. KRISS ์ฅ๋น๋ฅผ ํตํด ์กฐ์ฌ๋ ๋
ธ๋ฉด ์์ ๋ฐ์ด ํฐ์ ํฌ๊ธฐ๋ ํญ 3.6m, ๊ธธ์ด 10m์ ํด๋นํ๋ฉฐ, ํ์ต
๋ฐ ์ํ ๋ฐ ์ดํฐ๋ ์กฐ์ฌ๋ ๋
ธ๋ฉด ์์ ๋ฐ์ดํฐ๋ฅผ ํญ 300mm, ๊ธธ์ด 300mm์ ํฌ๊ธฐ๋ก ๋ถํ ํ 300x300 ํฝ์
์ ์ด๋ฏธ์ง์ด๋ค. ํ์ต ๋ฐ ์ํ ๋ฐ
์ดํฐ์ ๊ตฌ์ฑ์ ํ๋ฉด๊ท ์ด ๋ฐ์ ์ฌ๋ถ์ ๋ฐ๋ผ ๊ท ์ด๊ณผ ๋น๊ท ์ด ๋ฐ ์ดํฐ๋ก ๋๋ ๊ตฌ์ถํ์๋ค. Fig. 5(a)๋ ํ์ต ๋ฐ ์ํ ๋ฐ์ดํฐ๋ก ํ์ฉ๋ ๊ท ์ด ๋ฐ์ดํฐ, Fig. 5(b)๋ ๋น๊ท ์ด ๋ฐ์ดํฐ์ ์ผ๋ถ๋ฅผ ๋ณด์ฌ ์ค๋ค. CNN ๋ชจ๋ธ ํ์ต ์ Fig. 5 ์ ๊ฐ์ ์ด๋ฏธ์ง ์ ๋ณด๊ฐ ์
๋ ฅ๊ฐ ์ผ๋ก ์ฌ์ฉ๋๋ฉฐ, ๊ท ์ด ๋ฐ ๋น๊ท ์ด์ ๋ํํ๋ ๊ฐ์ด ์ถ๋ ฅ๊ฐ์ผ๋ก ์ฌ์ฉ๋๋ค.
Fig. 5
Sample of Training and Test Data
ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง ๋ชจ๋ธ์ ๋ถ๋ฅ ๊ฒ์ถ ์ฑ๋ฅ ์ฆ์ง์ ์์ด ๋ฐ์ดํฐ ์ ์์ ๋งค์ฐ ์ค์ํ ์์์ด๋ค. ๋ฐ๋ผ์ ๋ฐ์ดํฐ์ ์์ ์ฆ์ง์ ํค๊ธฐ ์ํด ๋ค์ํ ๋ฐฉ๋ฒ์ผ๋ก ์ด๋ฏธ์ง
๋ฐ์ดํฐ๋ฅผ ๊ฐ๊ณตํ๋ค. ์ด๋ฏธ ์ง ๋ณํ์ ๋ฐฉ๋ฒ์๋ ์๋ผ๋ด๊ธฐ, ํ์ , ๋ค์ง๊ธฐ, ๋ฐ๊ธฐ, ํฌ๊ธฐ๋ณํ ๋ฑ์ด ์๋ค. ๋ณธ ์ฐ๊ตฌ์์ ์๋ณธ ๋ฐ์ดํฐ๋ฅผ 90๋, 180๋,
270๋ ํ ์ ์์ผ ๋ฐ์ดํฐ์ ์์ ์ฆ์ง์์ผฐ๋ค.
์ผ๋ฐ์ ์ผ๋ก ์ด๋ฏธ์ง ๋ฐ์ดํฐ๋ ์ฌ๋ฌ ๋ณ์์ ์ํด ํด์๋, ๋ฐ ๊ธฐ ๋ฑ์ด ์์ดํ๋ค. ์ด๋ฏธ์ง ๋ฐ์ดํฐ์ ์ผ๊ด์ฑ์ ์ํด ์ด๋ฏธ์ง ์ ์ฒ๋ฆฌ ์์
์ด ์๊ตฌ๋๋ค. ๋ณธ ์ฐ๊ตฌ์์
์ฌ์ฉํ ์ด๋ฏธ์ง ๋ฐ์ดํฐ์ ๊ฐ ํฝ์
๊ฐ์ 0~255 ๋ฒ์ ๋ด์ ๊ฐ์ ๊ฐ๋๋ค. ๊ทธ๋ฌ๋ ํ์ตํ๊ณ ์ ํ๋ ๋ชจ๋ ์ด๋ฏธ์ง ๋ฒกํฐ์ ์ต์, ์ต๋๊ฐ์ด 0๊ณผ 255์
ํด๋นํ ์ง ์์ผ๋ฉฐ, ๊ฐ์ ๋ฒ์๊ฐ ๋ค๋ฅด๊ณ ๋ค์ํ๊ฒ ๋ถํฌ๋์ด์๋ ์ด๋ฏธ ์ง ๋ฐ์ดํฐ๋ค์ ๋ํ ํ์ต์ ์งํํ๋๋ฐ ์ด๋ ค์์ด ๋ฐ๋ฅธ๋ค. ๋ณธ ์ฐ๊ตฌ์์๋ ์ (1)๊ณผ ๊ฐ์ ์ค์ผ์ผ ์ ๊ทํ ์์ ์ ์ฉํ์ฌ ๋ชจ๋ ์ด๋ฏธ์ง ๋ฒกํฐ์ ์ต์, ์ต๋๊ฐ์ [0,1]์ด ๋๋๋ก ํ์๋ค.
์ฌ๊ธฐ์, X๋ ์ค์ผ์ผ ์ ๊ทํ๊ฐ ์ ์ฉ๋ ์ด๋ฏธ์ง ๋ฒกํฐ, xi๋ ๊ธฐ ์กด ์ด๋ฏธ์ง ๋ฒกํฐ์ ์์๊ฐ, xmin๋ ๊ธฐ์กด ์ด๋ฏธ์ง ๋ฒกํฐ์ ์ต์๊ฐ, xmax๋ ๊ธฐ์กด ์ด๋ฏธ์ง ๋ฒกํฐ์ ์ต๋๊ฐ, max๋ ๋ณํํ๊ณ ์ ํ๋ ๋ฒ์์ ์ต๋๊ฐ, min์ ๋ณํํ๊ณ ์ ํ๋ ๋ฒ์์ ์ต์๊ฐ์ด๋ค.
๋ณธ ์ฐ๊ตฌ์์๋ ํ์ต ๋ฐ์ดํฐ์ ์์ ๋ฐ๋ฅธ ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง ๋ชจ ๋ธ์ ์ฑ๋ฅ๋ณํ๋ฅผ ํ์ธํ๊ธฐ ์ํด 6๊ฐ์ ํ์ต ๋ฐ์ดํฐ ์ธํธ๋ฅผ ๊ตฌ ์ฑํ์๋ค. ํ์ต ๋ฐ์ดํฐ ๋ฐ ์ํ
๋ฐ์ดํฐ ์ธํธ์ ๊ตฌ์ฑ์ Table 2 ์ ๊ฐ๋ค.
Table 2
Composition of training and test data
Table 2์ ๋ฐ์ดํฐ ์ธํธ ๋ผ๋ฒจ์ T๋ ์๋ณธ ์ด๋ฏธ์ง ๋ฐ์ดํฐ๋ฅผ ์๋ฏธํ๊ณ , TA๋ ์๋ณธ ์ด๋ฏธ์ง๋ฅผ ๋ณํํ์ฌ ๊ตฌ์ถํ ๋ฐ์ดํฐ ์ธํธ ์ด๋ค. ๋ํ, ๋ฐ์ดํฐ ์ธํธ ๋ผ๋ฒจ์ ์ซ์๋
๋ฐ์ดํฐ ์ธํธ์ ํฌํจ๋ ๊ท ์ด๊ณผ ๋น๊ท ์ด ์ด๋ฏธ์ง ์์ ํฉ์ ์๋ฏธํ๋ค. Aug.๋ ์ด๋ฏธ์ง ๋ณ ํ ๋ฐฉ์์ ํตํด ์์ฑํ ๋ฐ์ดํฐ๋ฅผ ์๋ฏธํ๋ฉฐ, None_Aug.๋
์ ๋ณธ ์ด๋ฏธ์ง ๋ฐ์ดํฐ๋ฅผ ์๋ฏธํ๋ค. ๋ณธ ์ฐ๊ตฌ์ ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง ๋ชจ๋ธ ์ Table 2์ ๊ฐ ํ์ต ๋ฐ์ดํฐ ์ธํธ์ ๋ํด ํ์ต์ ์งํํ์๋ค.
3.3 ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง ๋ชจ๋ธ์ ์ฑ๋ฅํ๊ฐ
ํ์ต๋ ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง ๋ชจ๋ธ์ ์ฑ๋ฅํ๊ฐ๋ ์ํ ๋ฐ์ดํฐ์ ๋ํ ๊ท ์ด ๊ฒ์ถ ์ ํ๋(Accuracy), ์ ๋ฐ๋(Precision), ์ฌํ์จ (Recall),
๋ฏธ๊ฒ์ถ์จ(Missing Rate), ๊ณผ๊ฒ์ถ์จ(Over Rate)์ ์ฐ ์ถ์ ํตํด ์งํํ์๋ค.
๊ฒ์ถ ์ ํ๋๋ ์ ์ฒด ์ด๋ฏธ์ง ์ค์์ ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง ๋ชจ๋ธ์ด ์ ํํ๊ฒ ๊ท ์ด๊ณผ ๋น๊ท ์ด์ ํ๋จํ ๊ฐ์์ ๋น์จ์ ์๋ฏธํ๋ฉฐ, ์ (2)๋ฅผ ํตํด ์ฐ์ถ๋๋ค.
์ฌ๊ธฐ์, Acc๋ ๊ฒฐํจ ๊ฒ์ถ ์ ํ๋,TP(True Positive)๋ ๊ท ์ด ์ด๋ฏธ์ง๋ฅผ ๊ท ์ด๋ก ํ๋จํ ๊ฐ์,TN(True Negative)์ ๋น๊ท ์ด ์ด๋ฏธ์ง๋ฅผ ๋น๊ท ์ด๋ก ํ๋จํ ๊ฐ์, FP(False Positive)๋ ๋น๊ท ์ด ์ด๋ฏธ์ง๋ฅผ ๊ท ์ด๋ก ํ๋จํ ๊ฐ์, FN(False Negative)์ ๊ท ์ด ์ด ๋ฏธ์ง๋ฅผ ๋น๊ท ์ด๋ก ํ๋จํ ๊ฐ์์ด๋ค.
๊ฒ์ถ ์ ํ๋๋ ์ผ๋ฐ์ ์ผ๋ก ๋ถ๋ฅํ๊ณ ์ํ๋ ๋ฐ์ดํฐ๊ฐ ๊ท ๋ฑ ํ ๋ถํฌ๋ก ๊ตฌ์ฑ๋์ด์์ ๋ ๊ธฐ์ด์ ์ผ๋ก ์ฌ์ฉ๋๋ค. ๊ทธ๋ฌ๋ ๋ถ ๊ท ๋ฑํ ๋ถํฌ๋ฅผ ๊ฐ๋ ๋ฐ์ดํฐ ๊ตฌ์ฑ์
๊ฒฝ์ฐ ๋จ์ํ ๊ฒ์ถ ์ ํ๋ ๋ง์ผ๋ก ์ฑ๋ฅ์ ํ๊ฐํ ์ ์๋ค. ๋ฐ๋ผ์ ์ ํํ ๋ถ๋ฅ ๊ฒ์ถ๊ธฐ์ ์ฑ๋ฅ์ ๋ํ ์งํ๋ ์ ํ๋๋ฅผ ๋ํด ์ ๋ฐ๋์ ์ฌํ์จ์ด ํ์ฉ ๋๋ค(Powers 2011). ์ผ๋ฐ์ ์ผ๋ก ์์คํํธ ์ฝํฌ๋ฆฌํธ ๋๋กํฌ์ฅ ํ๋ฉด๊ฒฐํจ์ ๋ถ๊ท ๋ฑํ๊ฒ ๊ท ์ด์ด ๋ถํฌ๋์ด์์ผ๋ฏ๋ก ๊ท ์ด ๊ฒ์ถ ์ ํ๋์ ์ ๋ฐ๋, ์ฌํ์จ์ ์ฑ๋ฅ์ ํ์ธํ์์ผ๋ฉฐ,
์ถ๊ฐ์ ์ผ ๋ก ๋ฏธ๊ฒ์ถ์จ๊ณผ ๊ณผ๊ฒ์ถ์จ์ ๋ํ ์ฑ๋ฅ์ ํ์ธํ์๋ค.
์ ๋ฐ๋๋ ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง ๋ชจ๋ธ์ด ๊ท ์ด๋ก ํ๋จํ ์ด๋ฏธ์ง ์ค ์์ ์ค์ ๊ท ์ด์ด ์กด์ฌํ๋ ์ด๋ฏธ์ง์ ๊ฐ์์ ๋ํ ๋น์จ์ ์ ๋ฏธํ๋ฉฐ, ์ (3)์ ํตํด ์ฐ์ถ๋๋ค.
์ฌ๊ธฐ์, Prec๋ ๊ท ์ด ๊ฒ์ถ ์ ๋ฐ๋, TP๋ ๊ท ์ด ์ด๋ฏธ์ง๋ฅผ ๊ท ์ด๋ก ํ๋จํ ๊ฐ์, FP๋ ๋น๊ท ์ด ์ด๋ฏธ์ง๋ฅผ ๊ท ์ด๋ก ํ๋จํ ๊ฐ์ ์ด๋ค.
์ฌํ์จ์ด๋ ์ค์ ๊ท ์ด์ด ์กด์ฌํ๋ ์ด๋ฏธ์ง ์ค์์ ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง ๋ชจ๋ธ์ด ์ ํํ๊ฒ ๊ท ์ด๋ก ํ๋จํ ๊ฐ์์ ๋น์จ์ ์๋ฏธ ํ๋ฉฐ, ์ (4)๋ฅผ ํตํด ์ฐ์ถ๋๋ค.
์ฌ๊ธฐ์, Recf๋ ๊ท ์ด ๊ฒ์ถ ์ฌํ์จ, TP๋ ๊ท ์ด ์ด๋ฏธ์ง๋ฅผ ๊ท ์ด๋ก ํ๋จํ ๊ฐ์, FN์ ๊ท ์ด ์ด๋ฏธ์ง๋ฅผ ๋น๊ท ์ด๋ก ํ๋จํ ๊ฐ ์์ด๋ค.
๋ฏธ๊ฒ์ถ์จ์ ์ค์ ๊ท ์ด์ด ์กด์ฌํ๋ ์ด๋ฏธ์ง ์ค์์ ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง ๋ชจ๋ธ์ด ๋น๊ท ์ด๋ก ํ๋จํ ๊ฐ์์ ๋น์จ์ ์๋ฏธํ๋ฉฐ, ์ (5)๋ฅผ ํตํด ์ฐ์ถ๋๋ค.
์ฌ๊ธฐ์, M์ ๊ท ์ด ๋ฏธ๊ฒ์ถ์จ, FN์ ๊ท ์ด ์ด๋ฏธ์ง๋ฅผ ๋น๊ท ์ด ๋ก ํ๋จํ ๊ฐ์, AP๋ ์ค์ ๊ท ์ด ์ด๋ฏธ์ง ๋ฐ์ดํฐ์ ๊ฐ์์ด๋ค.
๊ณผ๊ฒ์ถ์จ์ ๋น๊ท ์ด ์ด๋ฏธ์ง ์ค์์ ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง ๋ชจ๋ธ์ด ๊ท ์ด๋ก ํ๋จํ ๊ฐ์์ ๋น์จ์ ์๋ฏธํ๋ฉฐ, ์ (6)์ ํตํด ์ฐ์ถ๋๋ค.
์ฌ๊ธฐ์, O๋ ๊ท ์ด ๊ณผ๊ฒ์ถ์จ, FP๋ ๋น๊ท ์ด ์ด๋ฏธ์ง๋ฅผ ๊ท ์ด๋ก ํ๋จํ ๊ฐ์, AN์ ๋น๊ท ์ด ์ด๋ฏธ์ง์ ๊ฐ์์ด๋ค.
4. ์คํ๊ฒฐ๊ณผ ๋ฐ ๊ณ ์ฐฐ
ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง ๋ชจ๋ธ์ ์ด์ฉํ ์์คํํธ ์ฝํฌ๋ฆฌํธ ๋๋กํฌ์ฅ ํ๋ฉด๊ท ์ด ๊ฒ์ถ์ ๋ํ ์คํ์ ๊ฐ๊ธฐ ๋ค๋ฅธ ํ์ต ๋ฐ์ดํฐ ๊ตฌ์ฑ์ ํ์ตํ ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง ๋ชจ๋ธ์ ํตํด
๊ฐ์ ์ํ ๋ฐ์ดํฐ์ ๋ํ ๊ฒ์ถ ์ฑ๋ฅํ๊ฐ๋ฅผ ์ํํ์๋ค. ์ํ ๋ฐ์ดํฐ์ ๋ํ ์ฑ๋ฅ ํ๊ฐ ๊ฒฐ๊ณผ๋ Table 3๊ณผ ๊ฐ๋ค.
Table 3
Classification performance of test data of CNN model with increase of training data
size
Table 3์ ํตํด ์ ์ ์๋ฏ์ด ํ์ต ๋ฐ์ดํฐ์ ์์ด ์ฆ๊ฐ๋จ์ ๋ฐ ๋ผ ๋ชจ๋ ์ฑ๋ฅ์งํ๊ฐ ํฅ์๋๋ ๊ฒ์ ํ์ธํ ์ ์๋ค. ํนํ ๋ฎ์ ์์น์ผ์๋ก ์ฐ์ํ ์ฑ๋ฅ์ธ ๊ณผ๊ฒ์ถ์จ
๋ฐ ๋ฏธ๊ฒ์ถ์จ์ ๊ฐ์ ํญ์ ํฌ๊ฒ ๋ฐ์ํ๋ ๊ฒ์ ํ์ธํ ์ ์๋ค. ์๋ฅผ ๋ค์ด T6000๊ณผ TA96000์ ํ์ตํ ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง์ ๊ณผ๊ฒ์ถ์จ๊ณผ ๋ฏธ๊ฒ์ถ์จ์
๋น ๊ตํ์์ ๋ ๊ฐ๊ฐ ์ฝ 2๋ฐฐ ๋ฐ 4๋ฐฐ ์ด์์ ์ฐจ์ด๋ฅผ ๋ํ๋ด๋ ๊ฒ์ ํ์ธํ ์ ์๋ค. ์ด๋ฌํ ํ์ต ๋ฐ์ดํฐ ์์ ๋ฐ๋ฅธ ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง์ ์ฑ๋ฅํฅ์์ Fig.
6๊ณผ Fig. 7์์ ๋ณด๋ค ๋ช
ํํ๊ฒ ํ์ธํ ์ ์๋ค.
Fig. 6
Comparison of Classification Detection Accuracy, Precision, Recall for Test Data according
to composition of Training Data
Fig. 7
Comparison of Classification Detection Missing rate, Over rate for Test Data according
to composition of Training Data
์ฐ์ํ ์ฑ๋ฅ์ ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง ๋ชจ๋ธ์ ๋ํ ์ถ๊ฐ์ ์ธ ์ฑ๋ฅ ํฅ์์ ์ํด์ ํ์ต ๋ฐ์ดํฐ์์ ์ฆ์ง ํญ์ด ๋ ํฌ๊ฒ ์๊ตฌ๋๋ค. ์๋ฅผ ๋ค์ด Fig. 6์์ ์ ํ๋ 95.07%์์ 96.92%๋ก ์ฝ 2% ์ฆ ๊ฐ์ํค๊ธฐ ์ํ ํ์ต ๋ฐ์ดํฐ ์๋ 12000์์ 24000์ผ๋ก 2๋ฐฐ๊ฐ ์๊ตฌ๋๋ ๋ฐ๋ฉด 96.92%์์
97.46%๋ก ์ฝ 0.5% ์ฆ๊ฐ์ํค๊ธฐ ์ ํ ํ์ต ๋ฐ์ดํฐ ์๋ 24000์์ 96000์ผ๋ก 4๋ฐฐ๊ฐ ์๊ตฌ๋๋ค.
Fig. 8๊ณผ Fig. 9๋ ์๋ณธ ๋ฐ์ดํฐ๋ก ๊ตฌ์ถํ ๋ฐ์ดํฐ ์ธํธ(T1200 0, T24000)์ ์ด๋ฏธ์ง ๋ณํ์ ํตํด ๋ฐ์ดํฐ์์ ์ฆ์ง์์ผ ๊ตฌ์ถ ํ ๋ฐ์ดํฐ ์ธํธ(TA12000,
TA24000)์ ์์ด ๋์ผํ๊ฒ ๊ตฌ์ถ๋ ์์ ๋, ์ํ ๋ฐ์ดํฐ์ ๋ํ ๊ท ์ด ๊ฒ์ถ ์ฑ๋ฅ์ ๋น๊ตํ ๊ทธ๋ฆผ์ด ๋ค. ๊ทธ๋ฆผ์์ ๋ณผ ์ ์๋ฏ์ด ์๋ณธ ์ด๋ฏธ์ง ๋ฐ์ดํฐ
์ธํธ(T12000, T24000)์ ์ด๋ฏธ์ง ๋ณํ ๋ฐฉ์์ ์ฌ์ฉํ์ฌ ํ์ต ๋ฐ์ดํฐ์ ์์ ์ฆ์ง์ํจ ๋ฐ์ดํฐ ์ธํธ(TA12000, TA24000)์ ๋ฐ๋ฅธ ํฉ์ฑ๊ณฑ
์ ๊ฒฝ๋ง ๋ชจ๋ธ์ ๊ท ์ด ๊ฒ์ถ ์ฑ๋ฅ์ ์ฐจ์ด๋ ํฌ๊ฒ ๋ฐ์๋์ง ์์์ ์ ์ ์๋ค. ๋ฐ๋ผ์ ์ด๋ฏธ์ง ๋ณํ ๋ฐฉ์์ ์ฌ์ฉํ์ฌ ๋ฐ์ดํฐ์ ์ ์ ์ฆ์ง์ํค๋ ๋ฐฉ๋ฒ์
ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง ๋ชจ๋ธ์ ๊ท ์ด ๊ฒ์ถ ์ฑ๋ฅ ํฅ์์ ์ํด ์ ์ฉํ๊ฒ ์ฌ์ฉ๋ ์ ์๋ค๊ณ ํ๋จ๋๋ค.
Fig. 8
Accuracy, recall, and precision for the same amount of training data
Fig. 9
Missing rate, over rate for the same amount of training data
5. ๊ฒฐ ๋ก
๋ณธ ์ฐ๊ตฌ์์๋ ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง์ ํ์ต์ ์ฌ์ฉ๋๋ ์๋ณธ ํ ์ต ์ด๋ฏธ์ง ๋ฐ์ดํฐ์์ ์ฆ์ง๊ณผ ์ด๋ฏธ์ง ๋ณํ์ ํตํด ํ์ต ๋ฐ์ด ํฐ์ ์์ ์ฆ์ง์์ผฐ์ ๋์ ์ฑ๋ฅ์งํ๋ณํ๋ฅผ
ํ์ธํ์๋ค. ํ ์ต์ ์ฌ์ฉ๋๋ ๋ฐ์ดํฐ์์ ์ฆ์ง์ ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง์ ์ฑ๋ฅ์ ํฅ์์ํค๋ ๊ฒ์ ํ์ธํ์๋ค. ๊ฐ์ฅ ๋ง์ ์์ ๋ฐ์ดํฐ๋ก ๊ตฌ์ถ ๋ TA96000์
ํ์ต์ ์ฌ์ฉํ์์ ๊ฒฝ์ฐ ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง์ ํ ๋ฉด๊ท ์ด ๊ฒ์ถ ์ ํ๋, ์ ๋ฐ๋, ์ฌํ์จ์ 96.6% ์ด์, ๋ฏธ๊ฒ์ถ์จ, ๊ณผ๊ฒ์ถ์จ์ 3.4% ์ดํ์ ์ฐ์ํ ์ฑ๋ฅ์
๋ํ๋ด์๋ค.
ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง ํ์ต์ ์์ด์ ์๋ณธ ์ด๋ฏธ์ง ๋ฐ์ดํฐ๋ฅผ ์ฌ์ฉ ํ ๊ฒฝ์ฐ์ ์ด๋ฏธ์ง ๋ณํ์ ํตํด ๋์ผํ ์์ผ๋ก ๊ตฌ์ถํ ๋ฐ์ดํฐ ์ธํธ๋ฅผ ์ฌ์ฉํ ๊ฒฝ์ฐ ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง์
ํ๋ฉด๊ท ์ด ๊ฒ์ถ ์ฑ๋ฅ ์ฐจ ์ด๊ฐ ํฌ๊ฒ ๋ฐ์๋์ง ์์๋ค. ๋ฐ๋ผ์ ์ด๋ฏธ์ง ๋ณํ ๋ฐฉ์์ ํฉ์ฑ ๊ณฑ ์ ๊ฒฝ๋ง ๋ชจ๋ธ์ ์ฑ๋ฅํฅ์์ ์ํ ๋ฐ์ดํฐ์์ ์ฆ์ง ๋ฐฉ๋ฒ์ผ ๋ก ์ ์ฉํ๊ฒ
์ฌ์ฉํ ์ ์๋ค.
๊ฒ์ถ ์ฑ๋ฅ ํ์ธ์ ํตํด ์์คํํธ ์ฝํฌ๋ฆฌํธ ๋๋กํฌ์ฅ ํ๋ฉด ๊ท ์ด ๊ฒ์ถ ๋ฐฉ์์ ์์ด ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง์ ํ์ฉ ๊ฐ๋ฅ์ฑ์ ํ์ธ ํ์์ผ๋ฉฐ, ํฅํ ์์คํํธ ์ฝํฌ๋ฆฌํธ
๋๋กํฌ์ฅ์ ํ๋ฉด๊ฒฐํจ์ข
๋ฅ ์ ๋ฐ๋ฅธ ์ด๋ฏธ์ง ๋ฐ์ดํฐ๋ฅผ ํ๋ณดํ์ฌ ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง์ ํ์ต์ ํ์ฉ๋๋ค๋ฉด, ํ๋ฉด๊ฒฐํจ์ ์ข
๋ฅ์ ๋ฐ๋ฅธ ๋ถ๋ฅ ๋ํ ๊ฐ๋ฅํ ๊ฒ์ผ ๋ก ๊ธฐ๋๋๋ค.
๊ฐ์ฌ์ ๊ธ
๋ณธ ์ฐ๊ตฌ๋ 2018๋
ํ๊ตญ์ฐ๊ตฌ์ฌ๋จ ์ด๊ณต๋ถ์ผ๊ธฐ์ด์ฐ๊ตฌ์ง์์ฌ ์
์ ์ฐ๊ตฌ๋น์ง์(2018R1D1A1B07048341)์ ์ํด ์ํ๋์ ์ต๋๋ค.
References
Zhang, L., Yang, F., Zhang, Y.D., Zhu, Y.J. (2016), Road crack detection using
deep convolutional neural network, In Proceedings of the 2016 IEEE International Conference
on Image Processing (ICIP), Phoenix, AZ, USA, 25โ-28 September 2016; pp. 3708-3712.
FENG, C., Liu, M.-Y., Kao, C.-C., Lee, T.-Y. (2017), Deep Active Learning
for Civil Infrastructure Defect Detection and Classification, International Workshop
on Computing in Civil Engineering (IWCCE), pp. 298-306.
Eisenbatch, Markus (2017), How to get pavement distress detection ready for deep
learning? A systematic approach, 2017 international joint conference on neural networks
(IJCNN). IEEE, pp. 2039-2047.
Loffe, S., Szegedy, C. (2015), Batch normalization: Acceleration deep network
training by redusing internal covariate shift, arXiv preprint arXiv: 1502.03167.
Pauly, L., Hogg, D., Fuentes, R., Peel, H. (2017), Deeper networks for pavement
crack detection, In Proceedings of the 34th International Symposium on Automation
and Robotics in Construction (ISARC). IAARC, pp. 479-485.
Wu, J. (2017), Introduction to convolutional neural networks. National Key Lab for
Novel Software Technology, Nanjing University. China, 5-23.
Keskar, N. S., Mudigere, D., Nocedal, J., Smelyanskiy, M., Tang, P. T. P.
(2016), On large-batch training for deep learning: Generalization gap and sharp minima,
arXiv preprint arXiv; 1609.04836.
Ruder, S. (2016), An overview of gradient descent optimization algorithms, arXiv
preprint arXiv: 16090.04747.
Gopalakrishnan, K. (2018), Deep Learning in Data-Driven Pavement Image Analysis
and Automated Distress Detection: A Review. Data 3(3), 28.
Kim, J. H., Kim, J. R., Moon, H. C. (2008), Development of Pavement Distress
Survey System, Journal of Korean Society of Road Engineers (KSRE), pp. 475-484.
Choi, Y. S. (2019), Concrete Surface Defect Detection using Convolutional Neural
Network, Department of Architectural Engineering Graduate School, Chungbuk National
University.
Radford, A., Metz, L., Chintala, S. (2015), Unsupervised representation learning
with deep convolutional generative adversarial networks, arXiv preprint arXiv:1511.06434.
Powers, D. M. (2011), Evaluation: from precision, recall and F-measure to ROC, informedness,
markedness and correlation.
Bengio, Y., Goodfellow, I. J., Courville, A. (2015), Deep learning, book in
preparation for mit press, Disponฤฑvel em http://www. iro. umontreal. ca/bengioy/dlbook.
Goodfellow, I., Bengio, Y., Courville, A. (2016), Deep learning, MIT press,
pp. 321-362.
Hu, J., Shen, L., Sun, G. (2018), Squeeze-and-excitation networks. In Proceedings
of the IEEE conference on computer vision and pattern recognition (pp. 7132-7141).
Rababaah, H., Vrajitoru, D., Wolfer, J. (2005), Asphalt pavement crack classification:
a comparison of GA, MLP, and SOM, In Proceedings of Genetic and Evolutionary Computation
Conference, Late-Breaking Paper.
Koch, C., Brilakis, I (2011), Pothole detection in asphalt pavement images, Advanced
Engineering Informatics, 25(3), pp. 507-515.
Sorncharean, S., Phiphobmongkol, S. (2008), Crack detection on asphalt surface
image using enhanced grid cell analysis, In 4th IEEE International Symposium on Electronic
Design, Test and Applications (delta 2008), pp. 49-54.