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
- 방준호
- 발행연도
- 2022
- 저작권
- 전북대학교 논문은 저작권에 의해 보호받습니다.
이용수50
이 논문의 연구 히스토리 (4)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
In this paper, two models, Convolution Neural Network and Residual Network, are proposed and compared to get the bottom of the direct cause of electrical fires. The input, primary and secondary Arc beads and Molten mark data that occur with fires on site, is created in the laboratory. Each sample is the image data generated through a stereomicroscope and a mobile electron microscope. In the case of ResNet model, accuracy and loss values are found by changing the depth of the network layer. As the result, the classification accuracy between Arc bead and Molten mark is 98.89%, between primary and secondary Arc beads is 89.82%, and between the primary and secondary Arc beads and Molten mark is 95.72%, reasoning out that the ResNet model has higher accuracy than CNN. ResNet model’s accuracy has increased as the network layer gets deeper and the highest classification accuracy was obtained at 24-layer
목차
1. 서 론 12. 전기화재 정밀감정 분석 방법 32.1 전기 용융흔의 용어 32.2.1 전기 용융흔의 생성 과정 32.2 분석 방법 72.3 외형 분석을 통한 판별법 83. 합성곱 신경망 113.1 인공 지능(Artificial Intelligence) 113.2 기계 학습(Machine Learning) 123.3 인공신경망(Artificial Neural Network) 133.4 합성곱 신경망(Convolution Neural Network) 153.4.1 합성곱 층 연산 173.4.2 풀링 층 연산 193.5 ResNet(Residual Network) 214. 딥러닝을 이용한 용융흔 종류의 판별방법 제안 234.1 시료 종류 및 특징 234.2 입력 데이터 획득을 위한 실험 244.3 제작한 용융흔 데이터의 형태 및 특징 264.3.1 1차 단락흔 제작 및 데이터의 특징 관찰 264.3.2 2차 단락흔 제작 및 데이터의 특징 관찰 274.3.3 열흔 제작 및 데이터의 특징 관찰 284.4 1차, 2차 단락흔 및 열흔 판별을 위한 알고리즘 설계 294.4.1 CNN 알고리즘 모델 구현 314.4.2 ResNet 알고리즘 모델 구현 405. 결 론 50참고문헌 51
최근 본 자료
댓글(0)
0