KR20180027742A - 대상체 분류 시스템 및 방법 - Google Patents

대상체 분류 시스템 및 방법 Download PDF

Info

Publication number
KR20180027742A
KR20180027742A KR1020160114723A KR20160114723A KR20180027742A KR 20180027742 A KR20180027742 A KR 20180027742A KR 1020160114723 A KR1020160114723 A KR 1020160114723A KR 20160114723 A KR20160114723 A KR 20160114723A KR 20180027742 A KR20180027742 A KR 20180027742A
Authority
KR
South Korea
Prior art keywords
learning data
wavelength
objects
average
acquiring
Prior art date
Application number
KR1020160114723A
Other languages
English (en)
Other versions
KR101840666B1 (ko
Inventor
김성호
김희강
Original Assignee
영남대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 영남대학교 산학협력단 filed Critical 영남대학교 산학협력단
Priority to KR1020160114723A priority Critical patent/KR101840666B1/ko
Publication of KR20180027742A publication Critical patent/KR20180027742A/ko
Application granted granted Critical
Publication of KR101840666B1 publication Critical patent/KR101840666B1/ko

Links

Images

Classifications

    • G06F17/30262—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5862—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using texture

Landscapes

  • Engineering & Computer Science (AREA)
  • Library & Information Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Image Analysis (AREA)

Abstract

대상체 분류 시스템 및 방법이 제공된다. 본 발명의 일 실시예에 따른 대상체 분류 시스템은, 서로 다른 복수 개 종류의 대상체 각각에 대한 초분광 영상의 샘플로부터 상기 대상체 각각에 대한 초분광 영상의 각 파장별 특징(feature)을 나타내는 학습 데이터를 획득하고, 상기 학습 데이터로부터 상기 대상체 각각에 대한 초분광 영상의 각 샘플 종류별 평균 학습 데이터를 획득하는 학습 데이터 획득부; 상기 각 샘플의 종류별로 두 개의 상기 평균 학습 데이터 간의 차(difference)들을 각 파장별로 계산하고, 상기 각 파장별로 상기 차들의 최소값을 추출하는 최소값 추출부; 및 상기 최소값들로부터 상기 대상체의 분류에 사용되는 주요 파장을 하나 이상 선택하는 파장 선택부를 포함한다.

Description

대상체 분류 시스템 및 방법{SYSTEM AND METHOD FOR CLASSIFYING OBJECT}
본 발명의 실시예들은 초분광 영상을 이용하여 대상체를 분류하는 기술과 관련된다.
초분광 영상(Hyperspectral Image)은 3개의 파장만으로 구성되는 RGB 영상과는 달리 하나의 화소가 수백 개의 파장(또는 밴드(band))으로 구성되어 재질별 분광 분석이 가능한 영상 데이터이다. 상기 초분광 영상은 대략 400 ~ 2500nm의 파장 범위를 가지며, 수십 ~ 수백 개의 파장을 가짐에 따라 원격 탐사 분야에서 특정한 물질의 분포나 표적 탐지 및 위장체 탐지 등을 위해 많이 사용되고 있다.
그러나, 이러한 초분광 영상에 있어서 파장의 수는 곧 차원을 의미하므로, 초분광 영상의 분석은 수백 개의 차원에 대한 계산량을 수반하게 되고 이로 인해 초분광 영상의 분석에 있어서 실시간 처리가 어려워지게 된다. 따라서, 초분광 영상을 이용하여 플라스틱 등과 같은 대상체를 분류하고자 하는 경우 분류에 있어 많은 시간이 소요될 수 있다.
한국등록특허공보 제10-1556228호(2015.09.30)
본 발명의 실시예들은 초분광 영상을 이용한 대상체 분류에 있어서 대상체 분류에 최적화된 파장을 선택하여 분류를 수행함으로써 분류 속도를 향상시키기 위한 것이다.
본 발명의 예시적인 실시예에 따르면, 서로 다른 복수 개 종류의 대상체 각각에 대한 초분광 영상의 샘플로부터 상기 대상체 각각에 대한 초분광 영상의 각 파장별 특징(feature)을 나타내는 학습 데이터를 획득하고, 상기 학습 데이터로부터 상기 대상체 각각에 대한 초분광 영상의 각 샘플 종류별 평균 학습 데이터를 획득하는 학습 데이터 획득부; 상기 각 샘플의 종류별로 두 개의 상기 평균 학습 데이터 간의 차(difference)들을 각 파장별로 계산하고, 상기 각 파장별로 상기 차들의 최소값을 추출하는 최소값 추출부; 및 상기 최소값들로부터 상기 대상체의 분류에 사용되는 주요 파장을 하나 이상 선택하는 파장 선택부를 포함하는, 대상체 분류 시스템이 제공된다.
상기 특징은, 상기 초분광 영상의 밝기값일 수 있다.
상기 대상체의 종류별로 상기 샘플을 복수 개 획득하고, 상기 대상체의 종류별로 복수 개의 상기 샘플로부터 획득되는 복수 개의 상기 학습 데이터의 평균을 각 파장별로 계산함으로써 상기 평균 학습 데이터를 획득할 수 있다.
상기 파장 선택부는, 상기 최소값들 중 피크값(peak value)을 추출하고, 상기 피크값을 갖는 파장을 상기 주요 파장으로 선택할 수 있다.
상기 파장 선택부는, 설정된 파장 대역의 간격마다 하나 이상의 상기 피크값을 추출할 수 있다.
상기 대상체 분류 시스템은, 선택된 상기 주요 파장에 설정된 분류 알고리즘을 적용하여 상기 복수 개의 대상체 각각을 분류하는 대상체 분류부를 더 포함할 수 있다.
상기 분류 알고리즘은, 서포트 벡터 머신(SVM : Support Vector Machine) 알고리즘일 수 있다.
본 발명의 다른 예시적인 실시예에 따르면, 학습 데이터 획득부에서, 서로 다른 복수 개 종류의 대상체 각각에 대한 초분광 영상의 샘플로부터 상기 대상체 각각에 대한 초분광 영상의 각 파장별 특징을 나타내는 학습 데이터를 획득하는 단계; 상기 학습 데이터 획득부에서, 상기 학습 데이터로부터 상기 대상체 각각에 대한 초분광 영상의 각 샘플 종류별 평균 학습 데이터를 획득하는 단계; 최소값 추출부에서, 상기 각 샘플의 종류별로 두 개의 상기 평균 학습 데이터 간의 차들을 각 파장별로 계산하는 단계; 상기 최소값 추출부에서, 상기 각 파장별로 상기 차들의 최소값을 추출하는 단계; 및 파장 선택부에서, 상기 최소값들로부터 상기 대상체의 분류에 사용되는 주요 파장을 하나 이상 선택하는 단계를 포함하는, 대상체 분류 방법이 제공된다.
상기 특징은, 상기 초분광 영상의 밝기값일 수 있다.
상기 학습 데이터를 획득하는 단계는, 상기 대상체의 종류별로 상기 샘플을 복수 개 획득하고, 상기 평균 학습 데이터를 획득하는 단계는, 상기 대상체의 종류별로 복수 개의 상기 샘플로부터 획득되는 복수 개의 상기 학습 데이터의 평균을 각 파장별로 계산함으로써 상기 평균 학습 데이터를 획득할 수 있다.
상기 주요 파장을 하나 이상 선택하는 단계는, 상기 최소값들 중 피크값(peak value)을 추출하는 단계; 및 상기 피크값을 갖는 파장을 상기 주요 파장으로 선택하는 단계를 포함할 수 있다.
상기 피크값을 추출하는 단계는, 설정된 파장 대역의 간격마다 하나 이상의 상기 피크값을 추출할 수 있다.
상기 대상체 분류 방법은, 상기 주요 파장을 하나 이상 선택하는 단계 이후, 대상체 분류부에서, 선택된 상기 주요 파장에 설정된 분류 알고리즘을 적용하여 상기 복수 개의 대상체 각각을 분류하는 단계를 더 포함할 수 있다.
상기 분류 알고리즘은, 서포트 벡터 머신(SVM : Support Vector Machine) 알고리즘일 수 있다.
본 발명의 다른 예시적인 실시예에 따르면, 하드웨어와 결합되어 학습 데이터 획득부에서, 서로 다른 복수 개 종류의 대상체 각각에 대한 초분광 영상의 샘플로부터 상기 대상체 각각에 대한 초분광 영상의 각 파장별 특징을 나타내는 학습 데이터를 획득하는 단계; 상기 학습 데이터 획득부에서, 상기 학습 데이터로부터 상기 대상체 각각에 대한 초분광 영상의 각 샘플 종류별 평균 학습 데이터를 획득하는 단계; 최소값 추출부에서, 상기 각 샘플의 종류별로 두 개의 상기 평균 학습 데이터 간의 차들을 각 파장별로 계산하는 단계; 상기 최소값 추출부에서, 상기 각 파장별로 상기 차들의 최소값을 추출하는 단계; 및 파장 선택부에서, 상기 최소값들로부터 상기 대상체의 분류에 사용되는 주요 파장을 하나 이상 선택하는 단계를 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램이 제공된다.
본 발명의 실시예들에 따르면, 초분광 영상의 수백 개의 파장 중 대상체 분류에 최적화된 일부 파장만을 사용하여 분류를 수행하도록 함으로써, 초분광 영상의 전체 파장을 사용하여 대상체를 분류하는 것과 비교하여 분류 속도를 10배 이상 향상시킬 수 있다. 구체적으로, 각 샘플의 종류별로 두 개의 초분광 영상의 평균 학습 데이터 간의 차들을 각 파장별로 계산하고 상기 차들의 최소값들을 추출한 후 상기 최소값들 중 피크값을 갖는 파장을 이용하여 대상체 분류를 수행하도록 함으로써, 초분광 영상의 분석시 발생되는 계산량 및 데이터 크기를 대폭 줄일 수 있다.
또한, 본 발명의 실시예들에 따르면, 설정된 파장 대역의 간격마다 피크값을 추출하도록 함으로써, 근접한 파장의 피크값을 연속으로 추출하지 않도록 할 수 있다. 이 경우, 주요 파장의 개수를 줄임으로써 분류 속도를 향상시킴과 동시에 대상체 분류시 근접한 범위 내의 파장을 중복으로 사용하지 않도록 수 있다.
도 1은 본 발명의 일 실시예에 따른 대상체 분류 시스템의 상세 구성을 나타낸 블록도
도 2는 NIR 초분광 영상을 가시화를 위해 임의의 3개의 파장으로 RGB 재조합한 영상과 실제 RGB 카메라로 찍은 샘플의 모습을 나타낸 도면
도 3은 본 발명의 일 실시예에 따른 학습 데이터와 평균 학습 데이터를 나타낸 2차원 행렬
도 4는 본 발명의 일 실시예에 따른 최소값 추출부에서 추출된 최소값 및 파장 선택부에서 추출된 피크값을 나타낸 그래프
도 5는 초분광 영상의 전체 파장에 SVM 알고리즘을 적용한 결과를 나타낸 도면
도 6은 본 발명의 일 실시예에 따른 파장 선택부에서 선택된 주요 파장에 SVM 알고리즘을 적용한 결과를 나타낸 도면
도 7은 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도
도 8은 본 발명의 일 실시예에 따른 대상체 분류 방법을 설명하기 위한 흐름도
이하, 도면을 참조하여 본 발명의 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.
본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.
도 1은 본 발명의 일 실시예에 따른 대상체 분류 시스템(100)의 상세 구성을 나타낸 블록도이다. 도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 대상체 분류 시스템(100)은 학습 데이터 획득부(102), 최소값 추출부(104), 파장 선택부(106) 및 대상체 분류부(108)를 포함한다.
학습 데이터 획득부(102)는 서로 다른 복수 개 종류의 대상체 각각에 대한 초분광 영상의 샘플로부터 대상체 각각에 대한 초분광 영상의 각 파장별 특징(feature)을 나타내는 학습 데이터를 획득한다. 본 실시예들에 있어서, 대상체는 분류하고자 하는 물체, 물질 또는 객체로서, 예를 들어 플라스틱, 금속, 조명 등이 될 수 있다. 이하에서는, 설명의 편의상 대상체가 플라스틱인 것으로 가정하기로 한다. 예를 들어, 학습 데이터 획득부(102)는 서로 다른 복수 개 종류의 플라스틱 각각에 대한 초분광 영상의 샘플로부터 상기 플라스틱 각각에 대한 초분광 영상의 각 파장별 특징을 나타내는 학습 데이터를 획득할 수 있다. 이때, 상기 플라스틱의 종류는 PVC(Polyvinyl Chloride), PP(Polypropylene), PE(Polyethylene), PS(Polystyrene), PET(Polyethylene Phthalate) 등이 될 수 있다. 또한, 본 실시예들에 있어서, 초분광 영상의 각 파장별 특징은 예를 들어, 초분광 영상의 밝기값일 수 있으며, 학습 데이터는 상기 밝기값이 포함된 데이터일 수 있다. 학습 데이터 획득부(102)는 대상체의 종류별로 상기 샘플을 복수 개 획득할 수 있다.
초분광 영상은 3개의 파장만으로 구성되는 RGB 영상과는 달리 한 화소가 수백 개의 파장(또는 밴드(band))으로 구성되므로, 초분광 영상의 모든 파장을 사용하여 대상체를 분류하는 경우 분류에 있어 많은 시간이 소요될 수 있다. 이러한 문제점을 해결하기 위해, 본 발명의 실시예들은 초분광 영상을 이용한 대상체 분류에 있어서 대상체 분류에 최적화된 파장을 선택하여 분류를 수행하도록 구성됨으로써 분류 속도를 향상시킬 수 있다.
이를 위해, 학습 데이터 획득부(102)는 대상체의 종류별로 샘플을 복수 개 획득하고, 대상체의 종류별로 복수 개의 샘플로부터 획득되는 복수 개의 학습 데이터의 평균을 각 파장별로 계산함으로써 평균 학습 데이터를 획득할 수 있다. 일 예시로서, 학습 데이터 획득부(102)는 N개의 플라스틱 종류별로 M개의 샘플을 획득하고, 상기 플라스틱 종류별로 상기 샘플로부터 획득되는 M개의 학습 데이터의 평균을 각 파장별로 계산함으로써 평균 학습 데이터를 획득할 수 있다.
본 실시예들에 있어서, 학습 데이터와 평균 학습 데이터는 각각 TD(Training Data)와 ATD(Average Training Data)로 나타낼 수 있다. 학습 데이터 획득부(102)는 아래의 수학식 1을 이용하여 평균 학습 데이터를 계산할 수 있다.
[수학식 1]
Figure pat00001
여기서, n은 대상체 종류의 개수를 나타내며, m은 각 파장별 학습 데이터(또는 샘플)의 개수를 나타내며, λ는 파장의 개수를 나타낸다. 또한, TD(n, m, λ)는 n번째 종류의 대상체에 대한 초분광 영상의 λ번째 파장의 m번째 학습 데이터(또는 샘플)를 의미한다. 또한, ATD(n, λ)는 n번째 종류의 대상체에 대한 초분광 영상의 λ번째 파장의 평균 학습 데이터(예를 들어, 평균 밝기값을 나타내는 데이터)를 의미한다.
최소값 추출부(104)는 각 샘플의 종류별로 두 개의 평균 학습 데이터 간의 차(difference)들을 각 파장별로 계산하고, 각 파장별로 상기 차들의 최소값을 추출한다.
먼저, 최소값 추출부(104)는 각 샘플의 종류별로 임의의 두 개의 평균 학습 데이터 간의 차들을 각 파장별로 계산할 수 있다. 예를 들어, 대상체의 종류가 6개인 경우, 6개 종류의 대상체 중에서 2개의 부분 집합을 선택하는 모든 경우의 조합을 선정하면 총 15(6C2)개의 부분 집합의 경우의 수가 나오게 되며, 최소값 추출부(104)는 2개의 샘플을 선택한 모든 부분 집합에서 두 개의 평균 학습 데이터 간의 차들을 각각 계산하여 총 15개의 값을 획득할 수 있다.
다음으로, 최소값 추출부(104)는 아래의 수학식 2를 이용하여 각 파장별로 상기 차들의 최소값을 추출할 수 있다. 위 예시에서, 대상체의 종류가 6개인 경우, 최소값 추출부(104)는 15개의 차들 중 최소값을 추출할 수 있다. 상기 최소값이 후술할 주요 파장을 선택하는 데 유의미한 값이 될 수 있다.
[수학식 2]
여기서, n1과 n2는 서로 다른 종류의 대상체를 나타낸다. 또한, NCI(Nearest Class Interval)(λ)는 임의의 두 개의 평균 학습 데이터 간의 차들 중 최소값으로서, 각 파장별로 추출될 수 있다. 최소값 추출부(104)는 임의의 두 개의 대상체의 평균 학습 데이터의 모든 조합들의 차 중 최소값을 추출할 수 있으며, NCI(λ)는 대상체의 분류에 최적화된 파장(이하, 주요 파장이라 함)을 λ별로 선별하는 데 사용되는 함수가 된다. 후술할 바와 같이, 파장 선택부(106)는 NCI(λ)를 이용하여 대상체의 분류에 사용되는 주요 파장을 선택하고, 대상체 분류부(108)는 선택된 주요 파장에 설정된 분류 알고리즘을 적용하여 상기 대상체 각각을 분류할 수 있다.
파장 선택부(106)는 대상체의 분류에 사용되는 주요 파장을 하나 이상 선택한다. 상술한 바와 같이, 최소값 추출부(104)는 각 샘플의 종류별로 두 개의 평균 학습 데이터 간의 차들을 각 파장별로 계산하고, 각 파장별로 상기 차들의 최소값을 추출할 수 있다. 상기 최소값은 파장에 따라 달라질 수 있으며, 상기 최소값이 설정된 값보다 작을 경우 잡음 등에 의해 오차가 발생될 확률이 높아지게 되고 이로 인해 대상체가 오분류될 수 있다. 이에 따라, 파장 선택부(106)는 상기 최소값들 중 피크값(peak value)을 추출하고, 상기 피크값을 갖는 파장을 주요 파장으로 선택할 수 있다. 본 실시예들에 있어서, 피크값이란 설정된 파장 대역 범위(예를 들어, 1000nm ~ 1200nm) 내에서의 최대값을 의미한다. 파장 선택부(106)에 의해 선택된 k개의 주요 파장은 아래의 수학식 3과 같이 나타날 수 있다.
[수학식 3]
Figure pat00003
여기서, SB(k)는 k개의 선택된 밴드(selected band), 즉 k개의 주요 파장을 나타낸다. 파장 선택부(106)는 NCI(λ)에서의 피크값을 기준으로 k개의 주요 파장을 선택할 수 있다. 후술할 바와 같이, 대상체 분류부(108)는 선택된 주요 파장에 설정된 분류 알고리즘을 적용하여 상기 대상체 각각을 분류할 수 있다. 대상체 분류부(108)가 피크값을 갖는(또는 상기 NCI(λ)의 값이 설정된 값 이상인) 주요 파장을 사용하여 대상체를 분류하는 경우, 대상체간 구별이 좀 더 명확해지며 이에 따라 대상체 분류시 높은 정확도가 유지될 수 있다.
또한, 파장 선택부(106)는 설정된 파장 대역의 간격(예를 들어, 200nm 간격)마다 하나 이상의 피크값을 추출할 수 있다. 일 예시로서, 파장 선택부(106)는 1000nm ~ 1200nm 범위 내에서의 피크값, 1200nm ~ 1400nm 범위 내에서의 피크값, 1400nm ~ 1600nm 범위 내에서의 피크값, 1600nm ~ 1800nm 범위 내에서의 피크값…을 각각 추출할 수 있다. 이 경우, 800nm ~ 2600nm 범위 내에서의 최소값이 180개라 가정하는 경우, 상기 파장 대역의 범위 내에서 18개의 피크값이 추출될 수 있다. 즉, 파장 선택부(106)는 10개의 최소값들마다 하나의 피크값을 추출할 수 있으며, 상기 추출되는 피크값의 개수는 초분광 영상 내 파장의 개수 등에 따라 달라질 수 있다. 이와 같이, 본 발명의 실시예들에 따르면, 설정된 파장 대역의 간격마다 피크값을 추출하도록 함으로써, 근접한 파장의 피크값을 연속으로 추출하지 않도록 할 수 있다. 이는 주요 파장의 개수를 줄임으로써 분류 속도를 향상시킴과 동시에 대상체 분류시 근접한 범위 내의 파장을 중복으로 사용하지 않도록 하기 위한 것이다.
대상체 분류부(108)는 파장 선택부(106)에서 선택된 주요 파장에 설정된 분류 알고리즘을 적용하여 복수 개의 대상체 각각을 분류한다. 즉, 대상체 분류부(108)는 초분광 영상의 모든 파장에 분류 알고리즘을 적용하는 것이 아니라 파장 선택부(106)에서 선택된 주요 파장에 대해서만 분류 알고리즘을 적용함으로써 대상체의 분류시 차원을 줄이고, 이에 따라 대상체의 분류 속도를 향상시킬 수 있다. 여기서, 상기 분류 알고리즘은 예를 들어, 서포트 벡터 머신(SVM : Support Vector Machine) 알고리즘일 수 있다. 다만, 상기 분류 알고리즘의 종류가 이에 한정되는 것은 아니며, 다중 분류(multi-class classification)에 사용되는 다양한 분류 알고리즘이 본 발명의 실시예로서 적용될 수 있다.
도 2는 NIR 초분광 영상을 가시화를 위해 임의의 3개의 파장으로 RGB 재조합한 영상과 실제 RGB 카메라로 찍은 샘플의 모습을 나타낸 도면이다. 도 2의 (a)는 NIR 초분광 영상을 가시화를 위해 임의의 3개의 파장으로 RGB 재조합한 영상이며, 도 2의 (b)는 실제 RGB 카메라로 찍은 샘플의 모습을 나타낸 도면이다. 여기서, 배경은 검은색 고무판이며, 샘플은 왼쪽부터 PVC, PE, PP, PET, PS이다.
도 2의 (b)를 참조하면, 노란색 사각형이 초분광 영상으로 나타낸 샘플들의 집합이다. 본 실시예들에 따르면, 상기 초분광 영상을 이용하여 대상체 각각을 신속하게 분류할 수 있다.
도 3은 본 발명의 일 실시예에 따른 학습 데이터와 평균 학습 데이터를 나타낸 2차원 행렬이다. 이때, Class 1 ~ Class N은 서로 다른 복수 개 종류의 대상체로서, 예를 들어 대상체가 플라스틱인 경우 PVC, PP, PE, PS, PET 등이 될 수 있다. 또한, 상술한 바와 같이, TD(n, m, λ)는 n번째 종류의 대상체에 대한 초분광 영상의 λ번째 파장의 m번째 학습 데이터를 의미하며, ATD(n, λ)는 n번째 종류의 대상체에 대한 초분광 영상의 λ번째 파장의 평균 학습 데이터(예를 들어, 평균 밝기값을 나타내는 데이터)를 의미한다. 여기서, 동일한 종류의 대상체에 대한 초분광 영상의 학습 데이터는 동일한 색깔로 표시하였다.
상술한 바와 같이, 학습 데이터 획득부(102)는 대상체의 종류별로 샘플을 복수 개 획득하고, 대상체의 종류별로 복수 개의 샘플로부터 획득되는 복수 개의 학습 데이터 TD(n, m, λ)의 평균을 각 파장별로 계산함으로써 평균 학습 데이터 ATD(n, λ)를 획득할 수 있다.
도 4는 본 발명의 일 실시예에 따른 최소값 추출부(104)에서 추출된 최소값 및 파장 선택부(106)에서 추출된 피크값을 나타낸 그래프이다. 여기서, 가로축은 파장(nm)을 나타내며, 세로축은 NCI, 즉 평균 학습 데이터 간의 차들 중 최소값을 나타낸다. 상술한 바와 같이, NCI(λ)는 파장에 따라 달라질 수 있으며, NCI(λ) 값이 클수록 대상체들 간의 구별이 좀 더 명확해진다.
도 4를 참조하면, 파장 선택부(106)는 최소값 추출부(104)에서 추출된 최소값들로부터 대상체의 분류에 사용되는 주요 파장을 하나 이상 선택할 수 있다. 구체적으로, 파장 선택부(106)는 NCI(λ)의 값들 중 피크값을 추출하고, 상기 피크값을 갖는 파장을 주요 파장으로 선택할 수 있다. 이때, 파장 선택부(106)는 설정된 파장 대역의 간격마다 하나 이상의 피크값을 추출할 수 있다. 도 4의 빨간색 원은 파장 선택부(106)에서 추출된 피크값을 나타낸다. 상술한 바와 같이, 대상체 분류부(108)는 상기 피크값을 갖는 주요 파장에 설정된 분류 알고리즘을 적용하여 복수 개의 대상체 각각을 분류할 수 있다.
도 5는 초분광 영상의 전체 파장에 SVM 알고리즘을 적용한 결과를 나타낸 도면이며, 도 6은 본 발명의 일 실시예에 따른 파장 선택부(106)에서 선택된 주요 파장에 SVM 알고리즘을 적용한 결과를 나타낸 도면이다. 도 5에서 사용된 파장은 208개인 것으로 가정하며, 도 6에서 사용된 파장은 18개인 것으로 가정한다. 이때, 검은색은 고무판, 빨간색은 PVC, 녹색은 PE, 파란색은 PP, 노란색은 PET, 분홍색은 PS를 각각 나타낸다.
도 5 및 도 6을 참조하면, 초분광 영상의 전체 파장에 SVM 알고리즘을 적용한 결과와 본 발명의 일 실시예에 따른 파장 선택부(106)에서 선택된 주요 파장에 SVM 알고리즘을 적용한 결과가 거의 일치함을 확인할 수 있다. 즉, 본 발명의 실시예들에 따르면, 초분광 영상의 수백 개의 파장 중 대상체 분류에 최적화된 일부 파장만을 사용하여 대상체를 분류하더라도 초분광 영상의 전체 파장을 사용하여 대상체를 분류하는 것과 대등한 분류 정확도를 유지할 수 있다.
도 7은 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경(10)을 예시하여 설명하기 위한 블록도이다. 도시된 실시예에서, 각 컴포넌트들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술되지 것 이외에도 추가적인 컴포넌트를 포함할 수 있다.
도시된 컴퓨팅 환경(10)은 컴퓨팅 장치(12)를 포함한다. 일 실시예에서, 컴퓨팅 장치(12)는 대상체 분류 시스템(100), 또는 대상체 분류 시스템(100)에 포함되는 하나 이상의 컴포넌트일 수 있다.
컴퓨팅 장치(12)는 적어도 하나의 프로세서(14), 컴퓨터 판독 가능 저장 매체(16) 및 통신 버스(18)를 포함한다. 프로세서(14)는 컴퓨팅 장치(12)로 하여금 앞서 언급된 예시적인 실시예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(14)는 컴퓨터 판독 가능 저장 매체(16)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 상기 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 상기 컴퓨터 실행 가능 명령어는 프로세서(14)에 의해 실행되는 경우 컴퓨팅 장치(12)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.
컴퓨터 판독 가능 저장 매체(16)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능 저장 매체(16)에 저장된 프로그램(20)은 프로세서(14)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독 가능 저장 매체(16)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 컴퓨팅 장치(12)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.
통신 버스(18)는 프로세서(14), 컴퓨터 판독 가능 저장 매체(16)를 포함하여 컴퓨팅 장치(12)의 다른 다양한 컴포넌트들을 상호 연결한다.
컴퓨팅 장치(12)는 또한 하나 이상의 입출력 장치(24)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(22) 및 하나 이상의 네트워크 통신 인터페이스(26)를 포함할 수 있다. 입출력 인터페이스(22) 및 네트워크 통신 인터페이스(26)는 통신 버스(18)에 연결된다. 입출력 장치(24)는 입출력 인터페이스(22)를 통해 컴퓨팅 장치(12)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치(24)는 포인팅 장치(마우스 또는 트랙패드 등), 키보드, 터치 입력 장치(터치패드 또는 터치스크린 등), 음성 또는 소리 입력 장치, 다양한 종류의 센서 장치 및/또는 촬영 장치와 같은 입력 장치, 및/또는 디스플레이 장치, 프린터, 스피커 및/또는 네트워크 카드와 같은 출력 장치를 포함할 수 있다. 예시적인 입출력 장치(24)는 컴퓨팅 장치(12)를 구성하는 일 컴포넌트로서 컴퓨팅 장치(12)의 내부에 포함될 수도 있고, 컴퓨팅 장치(12)와는 구별되는 별개의 장치로 컴퓨팅 장치(102)와 연결될 수도 있다.
도 8은 본 발명의 일 실시예에 따른 대상체 분류 방법을 설명하기 위한 흐름도이다. 도시된 흐름도에서는 상기 방법을 복수 개의 단계로 나누어 기재하였으나, 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.
S802 단계에서, 학습 데이터 획득부(102)는 서로 다른 복수 개 종류의 대상체 각각에 대한 초분광 영상의 샘플로부터 대상체 각각에 대한 초분광 영상의 각 파장별 특징을 나타내는 학습 데이터를 획득한다. 여기서, 상기 특징은 예를 들어, 초분광 영상의 밝기값일 수 있다.
S804 단계에서, 학습 데이터 획득부(102)는 상기 학습 데이터로부터 대상체 각각에 대한 초분광 영상의 각 샘플 종류별 평균 학습 데이터를 획득한다. 학습 데이터 획득부(102)는 학습 데이터를 각 파장별로 복수 개 획득하고, 복수 개의 학습 데이터의 평균을 계산함으로써 평균 학습 데이터를 획득할 수 있다.
S806 단계에서, 최소값 추출부(104)는 각 샘플의 종류별로 두 개의 평균 학습 데이터 간의 차(difference)들을 각 파장별로 계산한다.
S808 단계에서, 최소값 추출부(104)는 각 파장별로 상기 차들의 최소값을 추출한다.
S810 단계에서, 파장 선택부(106)는 상기 최소값들 중 피크값을 추출한다. 이때, 파장 선택부(106)는 설정된 파장 대역의 간격마다 하나 이상의 피크값을 추출할 수 있다.
S812 단계에서, 파장 선택부(106)는 상기 피크값을 갖는 파장을 주요 파장으로 선택한다.
S814 단계에서, 대상체 분류부(108)는 선택된 주요 파장에 설정된 분류 알고리즘을 적용하여 복수 개의 대상체 각각을 분류한다. 이때, 상기 분류 알고리즘은 예를 들어, 서포트 벡터 머신(SVM) 알고리즘일 수 있다.
한편, 본 발명의 실시예는 본 명세서에서 기술한 방법들을 컴퓨터상에서 수행하기 위한 프로그램, 및 상기 프로그램을 포함하는 컴퓨터 판독 가능 기록매체를 포함할 수 있다. 상기 컴퓨터 판독 가능 기록매체는 프로그램 명령, 로컬 데이터 파일, 로컬 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나, 또는 컴퓨터 소프트웨어 분야에서 통상적으로 사용 가능한 것일 수 있다. 컴퓨터 판독 가능 기록매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광 기록 매체, 및 롬, 램, 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 상기 프로그램의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함할 수 있다.
이상에서 대표적인 실시예를 통하여 본 발명에 대하여 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 전술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
10 : 컴퓨팅 환경
12 : 컴퓨팅 장치
14 : 프로세서
16 : 컴퓨터 판독 가능 저장 매체
18 : 통신 버스
20 : 프로그램
22 : 입출력 인터페이스
24 : 입출력 장치
26 : 네트워크 통신 인터페이스
100 : 대상체 분류 시스템
102 : 학습 데이터 획득부
104 : 최소값 추출부
106 : 파장 선택부
108 : 대상체 분류부

Claims (15)

  1. 서로 다른 복수 개 종류의 대상체 각각에 대한 초분광 영상의 샘플로부터 상기 대상체 각각에 대한 초분광 영상의 각 파장별 특징(feature)을 나타내는 학습 데이터를 획득하고, 상기 학습 데이터로부터 상기 대상체 각각에 대한 초분광 영상의 각 샘플 종류별 평균 학습 데이터를 획득하는 학습 데이터 획득부;
    상기 각 샘플의 종류별로 두 개의 상기 평균 학습 데이터 간의 차(difference)들을 각 파장별로 계산하고, 상기 각 파장별로 상기 차들의 최소값을 추출하는 최소값 추출부; 및
    상기 최소값들로부터 상기 대상체의 분류에 사용되는 주요 파장을 하나 이상 선택하는 파장 선택부를 포함하는, 대상체 분류 시스템.
  2. 청구항 1에 있어서,
    상기 특징은, 상기 초분광 영상의 밝기값인, 대상체 분류 시스템.
  3. 청구항 1에 있어서,
    상기 학습 데이터 획득부는, 상기 대상체의 종류별로 상기 샘플을 복수 개 획득하고, 상기 대상체의 종류별로 복수 개의 상기 샘플로부터 획득되는 복수 개의 상기 학습 데이터의 평균을 각 파장별로 계산함으로써 상기 평균 학습 데이터를 획득하는, 대상체 분류 시스템.
  4. 청구항 1에 있어서,
    상기 파장 선택부는, 상기 최소값들 중 피크값(peak value)을 추출하고, 상기 피크값을 갖는 파장을 상기 주요 파장으로 선택하는, 대상체 분류 시스템.
  5. 청구항 4에 있어서,
    상기 파장 선택부는, 설정된 파장 대역의 간격마다 하나 이상의 상기 피크값을 추출하는, 대상체 분류 시스템.
  6. 청구항 1에 있어서,
    선택된 상기 주요 파장에 설정된 분류 알고리즘을 적용하여 상기 복수 개의 대상체 각각을 분류하는 대상체 분류부를 더 포함하는, 대상체 분류 시스템.
  7. 청구항 6에 있어서,
    상기 분류 알고리즘은, 서포트 벡터 머신(SVM : Support Vector Machine) 알고리즘인, 대상체 분류 시스템.
  8. 학습 데이터 획득부에서, 서로 다른 복수 개 종류의 대상체 각각에 대한 초분광 영상의 샘플로부터 상기 대상체 각각에 대한 초분광 영상의 각 파장별 특징을 나타내는 학습 데이터를 획득하는 단계;
    상기 학습 데이터 획득부에서, 상기 학습 데이터로부터 상기 대상체 각각에 대한 초분광 영상의 각 샘플 종류별 평균 학습 데이터를 획득하는 단계;
    최소값 추출부에서, 상기 각 샘플의 종류별로 두 개의 상기 평균 학습 데이터 간의 차들을 각 파장별로 계산하는 단계;
    상기 최소값 추출부에서, 상기 각 파장별로 상기 차들의 최소값을 추출하는 단계; 및
    파장 선택부에서, 상기 최소값들로부터 상기 대상체의 분류에 사용되는 주요 파장을 하나 이상 선택하는 단계를 포함하는, 대상체 분류 방법.
  9. 청구항 8에 있어서,
    상기 특징은, 상기 초분광 영상의 밝기값인, 대상체 분류 방법.
  10. 청구항 8에 있어서,
    상기 학습 데이터를 획득하는 단계는, 상기 대상체의 종류별로 상기 샘플을 복수 개 획득하고,
    상기 평균 학습 데이터를 획득하는 단계는, 상기 대상체의 종류별로 복수 개의 상기 샘플로부터 획득되는 복수 개의 상기 학습 데이터의 평균을 각 파장별로 계산함으로써 상기 평균 학습 데이터를 획득하는, 대상체 분류 방법.
  11. 청구항 8에 있어서,
    상기 주요 파장을 하나 이상 선택하는 단계는,
    상기 최소값들 중 피크값(peak value)을 추출하는 단계; 및
    상기 피크값을 갖는 파장을 상기 주요 파장으로 선택하는 단계를 포함하는, 대상체 분류 방법.
  12. 청구항 11에 있어서,
    상기 피크값을 추출하는 단계는, 설정된 파장 대역의 간격마다 하나 이상의 상기 피크값을 추출하는, 대상체 분류 방법.
  13. 청구항 8에 있어서,
    상기 주요 파장을 하나 이상 선택하는 단계 이후,
    대상체 분류부에서, 선택된 상기 주요 파장에 설정된 분류 알고리즘을 적용하여 상기 복수 개의 대상체 각각을 분류하는 단계를 더 포함하는, 대상체 분류 방법.
  14. 청구항 13에 있어서,
    상기 분류 알고리즘은, 서포트 벡터 머신(SVM : Support Vector Machine) 알고리즘인, 대상체 분류 방법.
  15. 하드웨어와 결합되어
    학습 데이터 획득부에서, 서로 다른 복수 개 종류의 대상체 각각에 대한 초분광 영상의 샘플로부터 상기 대상체 각각에 대한 초분광 영상의 각 파장별 특징을 나타내는 학습 데이터를 획득하는 단계;
    상기 학습 데이터 획득부에서, 상기 학습 데이터로부터 상기 대상체 각각에 대한 초분광 영상의 각 샘플 종류별 평균 학습 데이터를 획득하는 단계;
    최소값 추출부에서, 상기 각 샘플의 종류별로 두 개의 상기 평균 학습 데이터 간의 차들을 각 파장별로 계산하는 단계;
    상기 최소값 추출부에서, 상기 각 파장별로 상기 차들의 최소값을 추출하는 단계; 및
    파장 선택부에서, 상기 최소값들로부터 상기 대상체의 분류에 사용되는 주요 파장을 하나 이상 선택하는 단계
    를 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
KR1020160114723A 2016-09-07 2016-09-07 대상체 분류 시스템 및 방법 KR101840666B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160114723A KR101840666B1 (ko) 2016-09-07 2016-09-07 대상체 분류 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160114723A KR101840666B1 (ko) 2016-09-07 2016-09-07 대상체 분류 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20180027742A true KR20180027742A (ko) 2018-03-15
KR101840666B1 KR101840666B1 (ko) 2018-03-21

Family

ID=61659964

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160114723A KR101840666B1 (ko) 2016-09-07 2016-09-07 대상체 분류 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR101840666B1 (ko)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108734199A (zh) * 2018-04-24 2018-11-02 西北工业大学 基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法
KR20190117229A (ko) * 2018-04-06 2019-10-16 포항공과대학교 산학협력단 기계 학습을 사용하여 혈구성 질환을 진단하는 방법 및 기계 학습을 사용하여 혈구성 질환을 진단하는 장치
KR102053036B1 (ko) * 2019-02-28 2019-12-06 엘아이지넥스원 주식회사 딥 러닝 분석을 통한 표적 분류 방법 및 장치
KR20200011727A (ko) * 2018-07-25 2020-02-04 재단법인대구경북과학기술원 초분광 영상의 분광 밴드 선택 방법 및 이를 이용하는 분광 밴드 설정 장치
KR102423057B1 (ko) * 2021-06-01 2022-07-20 (주)우림아이씨티 대상 물건의 재질 검출 방법
KR20230053404A (ko) * 2021-10-14 2023-04-21 주식회사 엘로이랩 뉴럴 네트워크를 이용한 초분광 이미지 분류 방법 및 장치
KR102530886B1 (ko) * 2022-08-11 2023-05-10 주식회사 마스터코리아 플라스틱 성분별 분류장치 및 그를 이용한 분류방법
CN116665051A (zh) * 2023-05-29 2023-08-29 山东睿政信息科技有限公司 基于rgb图像重建高光谱图像的垃圾中金属再筛选方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102438776B1 (ko) * 2022-06-08 2022-08-31 국방과학연구소 객체 검출에 이용되는 파장 대역을 결정하기 위한 장치 및 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101463354B1 (ko) * 2013-10-22 2014-11-18 영남대학교 산학협력단 초분광 영상의 특이영역 검출 장치 및 그 방법

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190117229A (ko) * 2018-04-06 2019-10-16 포항공과대학교 산학협력단 기계 학습을 사용하여 혈구성 질환을 진단하는 방법 및 기계 학습을 사용하여 혈구성 질환을 진단하는 장치
CN108734199A (zh) * 2018-04-24 2018-11-02 西北工业大学 基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法
CN108734199B (zh) * 2018-04-24 2021-09-07 西北工业大学 基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法
KR20200011727A (ko) * 2018-07-25 2020-02-04 재단법인대구경북과학기술원 초분광 영상의 분광 밴드 선택 방법 및 이를 이용하는 분광 밴드 설정 장치
KR102053036B1 (ko) * 2019-02-28 2019-12-06 엘아이지넥스원 주식회사 딥 러닝 분석을 통한 표적 분류 방법 및 장치
KR102423057B1 (ko) * 2021-06-01 2022-07-20 (주)우림아이씨티 대상 물건의 재질 검출 방법
KR20230053404A (ko) * 2021-10-14 2023-04-21 주식회사 엘로이랩 뉴럴 네트워크를 이용한 초분광 이미지 분류 방법 및 장치
KR102530886B1 (ko) * 2022-08-11 2023-05-10 주식회사 마스터코리아 플라스틱 성분별 분류장치 및 그를 이용한 분류방법
CN116665051A (zh) * 2023-05-29 2023-08-29 山东睿政信息科技有限公司 基于rgb图像重建高光谱图像的垃圾中金属再筛选方法
CN116665051B (zh) * 2023-05-29 2024-03-08 谢馥聪 基于rgb图像重建高光谱图像的垃圾中金属再筛选方法

Also Published As

Publication number Publication date
KR101840666B1 (ko) 2018-03-21

Similar Documents

Publication Publication Date Title
KR101840666B1 (ko) 대상체 분류 시스템 및 방법
Pantazi et al. Automated leaf disease detection in different crop species through image features analysis and One Class Classifiers
Maicas et al. Deep reinforcement learning for active breast lesion detection from DCE-MRI
Liu et al. A robust automated flower estimation system for grape vines
Schoening et al. RecoMIA—Recommendations for marine image annotation: Lessons learned and future directions
US20190244028A1 (en) System and Method for Detecting Objects in Video Sequences
Merkurjev et al. Graph MBO method for multiclass segmentation of hyperspectral stand-off detection video
US9934577B2 (en) Digital image edge detection
Alonso et al. Coral-segmentation: Training dense labeling models with sparse ground truth
US8971614B2 (en) Extracting object edges from images
JP5936561B2 (ja) 画像における外観及びコンテキストに基づく物体分類
JP6937508B2 (ja) 画像処理システム、評価モデル構築方法、画像処理方法及びプログラム
Uddin et al. Horse detection using haar like features
Pantazi et al. Leaf disease recognition in vine plants based on local binary patterns and one class support vector machines
JP6989450B2 (ja) 画像解析装置、画像解析方法及びプログラム
Gonzalo-Martín et al. Improving deep learning sorghum head detection through test time augmentation
Zhao et al. Fast and accurate wheat grain quality detection based on improved YOLOv5
Yang et al. A hierarchical Dempster-Shafer evidence combination framework for urban area land cover classification
Faria et al. Time series-based classifier fusion for fine-grained plant species recognition
Schoening et al. DELPHI—fast and adaptive computational laser point detection and visual footprint quantification for arbitrary underwater image collections
KR102188649B1 (ko) 영상 처리 장치 및 방법
Lyu et al. Deer survey from drone thermal imagery using enhanced faster R-CNN based on ResNets and FPN
Gao et al. Classification of hyperspectral images with convolutional neural networks and probabilistic relaxation
Pedersen et al. Shape index descriptors applied to texture-based galaxy analysis
Kallapur et al. Identification of aromatic coconuts using image processing and machine learning techniques

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right