지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 정회경
- 발행연도
- 2020
- 저작권
- 배재대학교 논문은 저작권에 의해 보호받습니다.
이용수4
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
최근 네트워크의 발달로 인하여 4차 산업이 발달하면서 그 적용 분야가 점점 확대되고 있다. 스마트 팜(Smart Farm)은 농업에 ICT를 접목하여 원격, 자동으로 작물과 가축의 생육 환경을 적정하게 유지, 관리할 수 있는 농장을 의미하며 작물 생육 정보와 환경 정보에 대한 데이터를 기반으로 최적 생육 환경을 조성하여 노동력, 에너지, 양분 등을 종전보다 적게 투입하고도 농산물의 생산성과 품질 제고가 가능하다. 그러나 현재 스마트 팜이 적용된 작물은 원예나 하우스 작물에 국한되고 있으며 스마트 팜을 도입하는데 많은 비용이 필요하다. 특히 시설을 설치하는 데는 작물을 모니터링을 위해서도 있지만 데이터를 수집하는 목적도 있다. 하지만 작물의 성장성을 최대화하기 위해 모든 작물의 데이터를 수집하는 데는 많은 문제점이 있으며, 시설을 설치하는데 많은 비용이 필요하다는 문제점이 있다. 기존의 스마트 팜의 연구는 데이터를 분석하고 분석한 데이터를 사용하여 물리적인 기계를 컨트롤하는 연구가 대부분이지만 정작 데이터를 어떻게 수집할 것인가에 관한 연구는 매우 적다.
이러한 문제를 해결하기 위하여 생성적 적대 신경망(Generative Adversarial Networks, GAN)을 사용하여 다양한 종류의 작물에 스마트 팜을 적용할 수 있고 데이터를 늘릴 수 있는 방법을 제안한다.
생성적 적대 신경망은 두 개의 네트워크로 구성된 심층 신경망 구조이다. 생성자라는 네트워크가 판별자라는 네트워크와 겨루는 구조이기 때문에 적대적(Adversarial)이라는 의미가 이름에 포함되었다. 어떠한 분포의 데이터도 모방하는 학습을 할 수 있기 때문에 생성적 적대 신경망을 사용하여 이미지, 음악, 연설, 산문 등의 모든 분야에서 실제 우리의 세계와 놀랍도록 비슷한 새로운 세계를 창조하도록 학습될 수 있다.
본 논문에서는 이러한 생성적 적대 신경망의 특성을 사용하여 적은 데이터의 양을 증폭시키고 다양한 클래스의 데이터를 생성하여 다양한 작물에서 기존의 모델을 그대로 사용할 수 있음을 가능케 한다.
제안하는 시스템을 활용하는 경우 다양한 작물을 기존의 스마트 팜의 시스템에 적용할 수 있으므로 현재 제한되어 있는 스마트 팜의 범위를 넓힐 수 있을 것으로 사료된다.
이러한 문제를 해결하기 위하여 생성적 적대 신경망(Generative Adversarial Networks, GAN)을 사용하여 다양한 종류의 작물에 스마트 팜을 적용할 수 있고 데이터를 늘릴 수 있는 방법을 제안한다.
생성적 적대 신경망은 두 개의 네트워크로 구성된 심층 신경망 구조이다. 생성자라는 네트워크가 판별자라는 네트워크와 겨루는 구조이기 때문에 적대적(Adversarial)이라는 의미가 이름에 포함되었다. 어떠한 분포의 데이터도 모방하는 학습을 할 수 있기 때문에 생성적 적대 신경망을 사용하여 이미지, 음악, 연설, 산문 등의 모든 분야에서 실제 우리의 세계와 놀랍도록 비슷한 새로운 세계를 창조하도록 학습될 수 있다.
본 논문에서는 이러한 생성적 적대 신경망의 특성을 사용하여 적은 데이터의 양을 증폭시키고 다양한 클래스의 데이터를 생성하여 다양한 작물에서 기존의 모델을 그대로 사용할 수 있음을 가능케 한다.
제안하는 시스템을 활용하는 경우 다양한 작물을 기존의 스마트 팜의 시스템에 적용할 수 있으므로 현재 제한되어 있는 스마트 팜의 범위를 넓힐 수 있을 것으로 사료된다.
목차
목 차국문초록 ⅰ목 차 ⅲ그림목차 ⅴ표 목 차 ⅵⅠ. 서 론 11.1 연구배경 및 목적 11.2 연구 내용 및 범위 21.3 논문의 구성 3Ⅱ. 관련 연구 42.1 관심 영역 추출(Crop Region of Interest) 42.1.1 RGB 분리 42.1.2 윤곽선(Edge) 추출 62.2 생성적 적대 신경망(Generative Adversarial Networks, GAN) 92.2.1 생성적 적대 신경망 92.2.2 DCGAN(Deep Convolutional Generative Adversarial Networks) 102.3 분류 시스템 112.3.1 시스템 A 122.3.2 시스템 B 132.4 데이터 불균형(Data imbalance) 152.5 요구사항 분석 16Ⅲ. 시스템 설계 183.1 전체 시스템의 설계 183.2 전처리 설계 213.2.1 이미지 사이즈 조절 및 이미지 대비 설계 213.2.2 관심 영역 추출 설계 223.3 생성적 적대 신경망 설계 233.4 분류 시스템 설계 25Ⅳ. 시스템 구현 및 고찰 274.1 관심 영역 추출 구현 294.2 생성적 적대 신경망 구현 304.3 제안하는 시스템 구현 33Ⅴ. 결 론 36참고문헌 37영문초록 40감사의 글(Acknowledgement) 42
최근 본 자료
댓글(0)
0