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
- 발행연도
- 2020
- 저작권
- 군산대학교 논문은 저작권에 의해 보호받습니다.
이용수2
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
조선소의 일정계획을 위해서는 선체 블록의 위치를 정확한 블록 식별 번호와 함께 파악하는 것이 중요하다. 잘못된 정보의 블록의 위치 및 식별 번호는 조선소의 일정계획에 차질이 생기게 할 수 있다. 잘못된 블록 위치 정보를 다시 추적할 때 할애되는 시간에 대한 문제를 해결하기 위해 선체 블록 위치를 추적하는 시스템을 갖출 필요가 있다. 하지만 선체 블록의 위치를 추적하는 연구는 활발하게 이루어져 왔지만 선체 블록의 번호를 식별하기 위한 연 구는 부족한 상황이다. 본 연구에서는 3차원 CAD 데이터를 이용하여 획득한 다시점 영상 집합으로 학습한 합성곱신경망 모델의 선체 블록 분류 성능을 이용해 블록을 분류하는 방안을 제시하였다. 3차원 CAD 데이터를 이용하여 획득한 다시점 영상 집합을 기본 학습 영상 집합으로 할당하였다. 3차원 CAD 데이터를 3D프린터로 출력한 블록 모형을 이용해 획득한 영상을 기본 식별 영상 집합으로 할당하였다. 세 가지 합성곱신경망 모델에 기본 식별 영상 집합으로 학습한 후 기본 식별 영상 집합으로 식별 정확도를 산출하도록 30가지의 실험환경을 구성하였다. 구성한 실험환경에서 Densenet-201 합성곱신경망 모델의 2회째 학습횟수에서 0.68의 가장 높은 식별 정확도를 확인할 수 있었다. 식별 정확도를 더욱 향상시키기 위해 기본 학습 영상 집합에 이진화를 적용해 이진화 학습 영상 집합으로 구성하였다. 기본 학습 영상 집합과 기본 식별 영상 집합에 적용한 임계값 그리고 실험환경 구성에 사용한 CNN 모델과 학습 횟수를 조합해 총 4,050가지의 실험환경을 구성하였다. 구성한 실험환경에서 Resnet-152V2 합성곱신경망모델에 이진화 72 학습 영상 집합으로 학습한 2회째 학습 횟수에 이진화 50 식별 영상 집합으로 식별하였을 때 0.9617로 가장 높은 식별 정확도를 확인할 수 있었다.
목차
등록된 정보가 없습니다.
최근 본 자료
댓글(0)
0