KR20200087342A - 딥러닝 기반의 식물 인식 시스템 - Google Patents

딥러닝 기반의 식물 인식 시스템 Download PDF

Info

Publication number
KR20200087342A
KR20200087342A KR1020180173860A KR20180173860A KR20200087342A KR 20200087342 A KR20200087342 A KR 20200087342A KR 1020180173860 A KR1020180173860 A KR 1020180173860A KR 20180173860 A KR20180173860 A KR 20180173860A KR 20200087342 A KR20200087342 A KR 20200087342A
Authority
KR
South Korea
Prior art keywords
plant
information
user terminal
deep learning
image
Prior art date
Application number
KR1020180173860A
Other languages
English (en)
Other versions
KR102190756B1 (ko
Inventor
김태종
Original Assignee
월드버텍 주식회사
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 월드버텍 주식회사 filed Critical 월드버텍 주식회사
Priority to KR1020180173860A priority Critical patent/KR102190756B1/ko
Publication of KR20200087342A publication Critical patent/KR20200087342A/ko
Application granted granted Critical
Publication of KR102190756B1 publication Critical patent/KR102190756B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Mining
    • G06K9/00657—
    • G06K9/20—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/10—Recognition assisted with metadata

Abstract

본 발명은 딥러닝 기반의 식물 인식 시스템에 관한 것으로, 본 발명의 일 실시예에 따른 딥러닝 기반의 식물 인시기 시스템은, 사용자 단말기에서 촬영된 영상 또는 이미지를 이용하여 식물의 종류를 확인하기 위해 식물에 대한 정보가 저장되는 식물 정보부, 상기 식물이 서식하는 생태공원에 대한 정보를 포함하는 지역 정보부 및 상기 식물에 대한 시간에 따른 정보가 저장된 시간 정보부를 포함하는 식물정보 데이터베이스; 및 상기 사용자 단말기에서 촬영된 영상 또는 이미지가 수신되며, 상기 사용자 단말기에서 수신된 영상 또는 이미지와 상기 식물정보 데이터베이스에 저장된 정보를 이용하여 딥러닝을 통해 상기 사용자 단말기에서 촬영된 영상 또는 이미지에 포함된 식물에 대한 정보를 인식하는 제어부를 포함할 수 있다. 본 발명에 의하면, 사용자가 소정의 지역에 위치한 생태공원을 방문하여 해당 생태공원에 조성된 식물에 대한 정보를 확인하고자 할 때, 해당 생태공원에 조성된 식물 정보 데이터베이스를 통해 빠르고 쉽게 확인할 수 있는 효과가 있다.

Description

딥러닝 기반의 식물 인식 시스템{PLANT RECOGNIZING SYSTEM BASED DEEP LEARNING}
본 발명은 딥러닝 기반의 식물 인식 시스템에 관한 것으로, 더욱 상세하게는 촬영된 이미지에 해당하는 식물을 인식할 수 있는 딥러닝 기반의 식물 인식 시스템에 관한 것이다.
최근 여가 생활의 변화로 자연 친화적인 생태계 테마파크에 대한 관심이 크게 증대되고 있다. 이러한 자연 친환경적인 생태계 테마파크는 조성된 지역마다 같은 식물들이 배치될 수 있지만, 해당 지역에 특화된 식물이 조성될 수 있다. 이렇게 자연 친화적인 생태계 테마파크와 같은 생태공원에 조성된 식물들은 그 종류가 상당히 많고, 동일한 식물인 경우에도 지역에 따라 그 형태가 조금씩 달라질 수 있다.
따라서 일반 사람들은 해당 식물의 종류나 특징들을 잘 알지 못하는 경우가 대부분이고, 전문가들조차 그 전부를 아는 것이 쉽지 않다. 전문가 또는 식물에 대해 일정 이상의 지식이 있는 사람들의 경우, 잘 모르는 식물을 검색하고자 할 때, 식물도감이나 인터넷을 통해 검색하여 해당 식물에 대한 정보를 확인할 수 있다. 하지만, 식물에 대해 잘 알지 못하는 일반 사람들은 특정 식물을 찾고자 하는 경우, 해당 식물의 특징이 무엇인지 잘 알지 못하기 때문에 식물도감이나 인터넷을 통해 확인하는 것조차 쉽지 않은 문제가 있다.
대한민국 공개특허 제10-2016-0129971호 (2016.11.10)
본 발명이 해결하고자 하는 과제는, 사용자가 소정의 지역에 조성된 생태공원에서 찾고자 하는 식물에 대한 정보를 제공하기 위한 딥러닝 기반의 식물 인식 시스템을 제공하는 것이다.
본 발명의 일 실시예에 따른 딥러닝 기반의 식물 인시기 시스템은, 사용자 단말기에서 촬영된 영상 또는 이미지를 이용하여 식물의 종류를 확인하기 위해 식물에 대한 정보가 저장되는 식물 정보부, 상기 식물이 서식하는 생태공원에 대한 정보를 포함하는 지역 정보부 및 상기 식물에 대한 시간에 따른 정보가 저장된 시간 정보부를 포함하는 식물정보 데이터베이스; 및 상기 사용자 단말기에서 촬영된 영상 또는 이미지가 수신되며, 상기 사용자 단말기에서 수신된 영상 또는 이미지와 상기 식물정보 데이터베이스에 저장된 정보를 이용하여 딥러닝을 통해 상기 사용자 단말기에서 촬영된 영상 또는 이미지에 포함된 식물에 대한 정보를 인식하는 제어부를 포함할 수 있다.
상기 시간 정보부는, 계절을 포함하는 시간에 정보가 포함되며, 상기 식물 정보부는 상기 시간 정보부에 의해 상기 식물의 시간에 따른 정보를 포함할 수 있다.
상기 식물정보 데이터베이스에 포함된 식물 정보부는 식물의 꽃, 잎 및 줄기에 대한 정보를 포함할 수 있다.
상기 식물 정보부에 포함된 꽃, 잎 및 줄기에 대한 정보는 촬영된 이미지 또는 영상일 수 있다.
상기 제어부는 상기 사용자 단말기로부터 상기 사용자 단말기의 위치에 대한 정보를 수신하고, 상기 사용자 단말기의 위치에 해당하는 위치에 대해 상기 지역 정보부에 포함된 생태공원의 정보를 이용하여 상기 사용자 단말기에서 수신된 영상 또는 이미지에 포함된 식물의 정보를 인식할 수 있다.
상기 제어부는 상기 사용자 단말기에서 수신된 영상 또는 이미지에서 식물의 꽃, 잎 및 줄기 중 어느 하나 이상의 정보를 추출하기 위해 상기 식물정보 데이터베이스를 이용하여 인공 신경망을 기반으로 상기 사용자 단말기에서 수신된 영상 또는 이미지를 분석할 수 있다.
상기 제어부는, 제한된 볼츠만 머신(restricted boltzmann machine) 모델을 이용하여 상기 사용자 단말기에서 수신된 영상 또는 이미지를 분석할 수 있다.
본 발명에 의하면, 사용자가 소정의 지역에 위치한 생태공원을 방문하여 해당 생태공원에 조성된 식물에 대한 정보를 확인하고자 할 때, 해당 생태공원에 조성된 식물 정보 데이터베이스를 통해 빠르고 쉽게 확인할 수 있는 효과가 있다.
더욱이, 딥러닝을 통해 사용자가 촬영된 이미지를 이용하여 식물정보 데이터베이스를 통해 식물에 대한 정보를 확인할 수 있어, 빠르고 정확하게 사용자가 해당 식물에 대한 정보를 확인할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 딥러닝 기반의 식물 인식 시스템을 도시한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 딥러닝 기반의 식물 인식 시스템에서 딥러닝을 수행을 위한 개념을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 딥러닝 기반의 식물 인식 시스템에서 딥러닝을 수행하는 일례를 설명하기 위한 도면이다.
본 발명에서 사용되는 기술적 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 발명에서 사용되는 기술적 용어는 본 발명에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다.
또한, 본 발명에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다.
또한, 본 발명에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다. 본 발명에서, "구성된다." 또는 "포함한다." 등의 용어는 발명에 기재된 여러 구성 요소들, 또는 여러 단계를 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.
또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다.
본 발명의 바람직한 실시예에 대하여 첨부된 도면을 참조하여 더 구체적으로 설명한다.
도 1은 본 발명의 일 실시예에 따른 딥러닝 기반의 식물 인식 시스템을 도시한 블록도이다. 그리고 도 2는 본 발명의 일 실시예에 따른 딥러닝 기반의 식물 인식 시스템에서 딥러닝을 수행을 위한 개념을 설명하기 위한 도면이며, 도 3은 본 발명의 일 실시예에 따른 딥러닝 기반의 식물 인식 시스템에서 딥러닝을 수행하는 일례를 설명하기 위한 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 딥러닝 기반의 식물 인식 시스템(100)은, 식물정보 데이터베이스(110), 제어부(120) 및 사용자 단말기(130)를 포함한다.
식물정보 데이터베이스(110)는, 생태공원에 있는 식물에 대한 다양한 정보가 포함될 수 있다. 생태공원은 도시화가 가속화되면서 녹지 공간이 눈에 띄게 줄어듦에 따라 도시환경 내에서 각종 동식물 등과 사람들이 쉽게 접할 수 있도록 조성된 공원이다. 이러한 생태공원은 식물, 동물 및 곤충 등이 자연환경에서 살아가는 모습을 그대로 관찰할 수 있도록 조성된다. 따라서 생태공원은 조성된 지역의 자연환경을 반영하여 조성될 수 있다. 즉, 본 실시예에서 식물정보 데이터베이스(110)는 하나의 생태공원에 조성된 식물에 대한 정보를 포함할 수 있으며, 생태공원에 따라 식물정보 데이터베이스(110)는 그에 맞는 식물정보 데이터베이스(110)가 구축될 수 있다.
이를 위해 본 실시예에서, 식물정보 데이터베이스(110)는, 식물 정보부(111), 지역 정보부(113) 및 시간 정보부(115)를 포함한다.
식물 정보부(111)는 하나의 식물에 대해, 꽃, 잎 및 줄기에 대한 정보를 포함한다. 이때, 식물 정보부(111)에 포함된 정보는 촬영된 이미지를 포함할 수 있다.
지역 정보부(113)는 생태공원이 조성된 위치에 대한 지역 정보를 포함할 수 있으며, 식물 정보부(111)와 연계되어, 식물 정보부(111)에 포함된 식물의 자생하는 지역에 대한 정보를 포함할 수 있다. 또한, 식물 정보부(111)에 포함된 식물이 자생하는 생태공원에 대한 정보를 포함할 수 있다.
그리고 시간 정보부(115)는 식물 정보부(111)에 촬영된 이미지에 대한 시간정보를 포함할 수 있다. 즉, 시간 정보부(115)는 식물 정보부(111)에 포함된 이미지의 촬영된 시간에 대한 정보를 포함할 수 있다. 식물 정보부(111)에 포함된 하나의 식물에 대해 꽃, 잎 및 줄기를 촬영한 이미지가 포함될 수 있는데, 식물 정보부(111)는 시간 정보부(115)와 연계되어 하나의 식물에 대한 하나의 꽃 이미지만 포함하지 않고, 시간(예컨대 계절)에 따라 여러 개의 꽃 이미지가 포함될 수 있다.
제어부(120)는 사용자 단말기(130)에서 촬영된 이미지 및 위치에 대한 정보를 수신하고, 수신된 정보를 바탕으로 식물정보 데이터베이스(110)에서 촬영된 이미지에 포함된 식물에 대한 정보를 검색하여 사용자 단말기(130)로 전송한다. 이때, 제어부(120)는 딥러닝을 통해 사용자 단말기(130)에서 수신된 이미지를 이용하여 식물정보 데이터베이스(110)를 이용하여 검색하고, 식물정보 데이터베이스(110)를 업데이트할 수 있다.
사용자 단말기(130)는, 사용자가 사용하며, 사용자에 의해 식물을 촬영하고, 촬영된 이미지나 영상을 제어부(120)로 전송할 수 있다. 이를 위해 사용자 단말기(130)는 촬영을 위한 카메라가 포함될 수 있고, 또한, 제어부(120)로 사용자 단말기(130)의 위치에 대한 정보를 전송할 수 있도록 GPS 등의 위치를 확인할 수 있는 기능도 포함될 수 있다.
본 발명의 일 실시예에서, 제어부(120)는, 앞서 설명한 바와 같이, 사용자 단말기(130)에서 수신된 정보와 식물정보 데이터베이스(110)를 이용하여 딥러닝을 수행하고, 그에 따라 사용자 단말기(130)에서 수신된 식물에 대한 정보를 분석하여, 분석된 정보를 사용자 단말기(130)로 전송한다.
이렇게 제어부(120)는 딥러닝을 수행할 때, 인공 신경망(ANN, artificial neural network)을 이용하여 수행할 수 있다. 인공 신경망은 기계학습과 인지과학에서 생물학의 신경망에서 영감을 얻은 통계학적인 학습 알고리즘을 의미한다. 인공 신경망은 인공 뉴런(노드)이 학습을 통해 문제 해결 능력을 가지는 모델 전반을 의미할 수 있는데, 이러한 인공 뉴런들은 서로 시냅스 결합을 통해 네트워크를 형성할 수 있으며, 시냅스의 결합 세기를 변화시켜 문제 해결 능력을 가질 수 있다.
인공 신경망을 이용하는 모델은 여러 가지가 있는데, 본 실시예에서는, 인공 신경망 모델 중 제한된 볼츠만 머신(restricted boltzmann machine) 모델을 이용한 것에 대해 설명한다. 제한된 볼츠만 머신 모델은, 차원 감소, 분류, 선형 회귀 분석, 협업 필터링(collaborative filtering), 특징 값 학습(feature learning) 및 주제 모델링(topic modelling)에 사용할 수 있는 알고리즘으로 Geoff Hinton이 제안한 모델이다.
제한된 볼츠만 머신 모델은 가시층(visible layer) 및 은닉층(hidden layer)로 구성된다. 가시층은 다수의 가시노드(visible node)를 포함하고, 은닉층은 다수의 은닉노드(hidden node)를 포함한다. 모든 은닉층에 위치하는 은닉노드는 가시층에 위치하는 가시노드와 연결되고, 모든 가시층에 위치하는 가시노드는 은닉층에 위치하는 은닉노드와 연결된다. 즉, 제한된 볼츠만 머신 모델은 같은 층의 노드는 서로 연결되지 않고, 다른 층의 노드와 연결된다.
본 실시예에서, 사용자 단말기(130)에서 제어부(120)로 전송되는 정보인 식물을 촬영한 이미지나 영상과 위치 정보가 가시층으로 입력될 수 있으며, 제어부(120)에서 딥러닝을 수행하여 출력되는 결과가 가시층으로 출력되어 사용자 단말기(130)로 전송될 수 있다.
가시층의 가시노드는 데이터가 입력되면 입력된 데이터를 은닉층의 얼마나 전달할 것인지를 확률에 따라 결정(stochastic decision)한다. 즉, 확률에 따라 입력된 데이터가 전달할 것으로 결정하면 1로 표시하고, 데이터를 전달하지 않을 것으로 결정하면 0으로 표시한다.
도 2를 참조하면, 가시층의 가시노드(i)로 입력 데이터(v)가 입력되면, 가시노드의 입력 데이터와 가중치(wij)의 곱셈 값이 서로 더해진다. 그리고 시그모이드(sigmiod) 함수와 같은 활성 함수를 거쳐 0 또는 1의 값으로 샘플링되어 은닉노드(j)에 출력 값(h)이 출력된다.
제한된 볼츠만 머신 모델은 비지도 학습(unsupervised learning)을 통해 가중치를 조절하여 입력 데이터의 중요한 특징들을 학습한다. 여기서 가중치는 입력 데이터(v), 은닉노드의 출력 값(h), 재구성(reconstruction) 과정을 통해 계산되는 보정된 입력 데이터(v') 및 재생산(Regeneration) 과정을 통해 계산되는 보정된 출력값(h')으로부터 오차 값(v'h'-vh)을 계산하여 조절될 수 있다.
이때, 비지도 학습을 통해 가중치를 조절하는 것에 대해, 도 3을 참조하여, 제한된 볼츠만 머신 모델에서 가중치를 조절하는 것에 대한 일례를 설명한다.
도 3의 (a)에 도시된 바와 같이, 재구성 과정에서 은닉층의 각 은닉노드(j)의 출력 값(h)과 가중치(wji)의 곱셈 값은 모두 합산된 후, 활성 함수를 거쳐 0 또는 1의 값으로 샘플링되어 입력 노드(i)에서 보정된 입력 데이터(v')으로 출력된다.
그리고 도 3의 (b)에 도시된 바와 같이, 재생산 과정에서 가시노드(i)의 보정된 입력 데이터(v')와 가중치(wij)의 곱셈 값은 서로 합해진 후 활성 함수를 거쳐 0 또는 1의 값으로 샘플링되어 은닉노드(j)에서 다시 보정된 출력값(h')으로 출력된다.
따라서 출력값(h), 보정된 입력 데이터(v'), 보정된 출력값(h')의 계산은 각각 아래와 같이 수학식 1, 수학식 2 및 수학식 3과 같이 표현될 수 있다.
[수학식 1]
Figure pat00001
[수학식 2]
Figure pat00002
[수학식 3]
Figure pat00003
여기서, P는 샘플링 함수, hcj는 입력 케이스(c)에 대한 은닉노드(j)의 출력 값, Nv는 가시노드의 수, vci는 가시노드(i)로 입력되는 입력 케이스(c)의 입력 데이터, wij는 가시노드(i)와 은닉노드(j) 사이의 가중치, bh j는 은닉노드(j)의 입력 바이어스 값, σ는 활성 함수(예컨대, 로지스틱 함수(logistic function))이다.
그리고 Nh는 은닉노드의 수, hcj는 은닉노드(j)에서 출력되는 입력 케이스(c)의 출력 값, wji는 은닉노드(j)와 가시노드(i) 사이의 가중치, bh i는 가시노드(i)의 출력 바이어스 값, h'cj는 입력 케이스(c)에 대한 은닉노드(j)의 보정된 출력 값이다.
이렇게 계산된 출력 값(h), 보정된 입력 데이터(v') 및 보정된 출력 값(h')를 이용하여 가중치(wij), 출력 바이어스(bh) 및 입력 바이어스(bv)는 입력 데이터의 특징을 학습하기 위해 보정될 수 있으며, 가중치, 출력 바이어스 및 입력 바이어스의 보정은 수학식 4, 수학식 5 및 수학식 6으로 보정될 수 있다.
[수학식 4]
Figure pat00004
[수학식 5]
Figure pat00005
[수학식 6]
Figure pat00006
여기서, Nc는 입력 배치를 구성하는 입력케이스의 수, ε는 학습율(learning rate)을 의미한다. 인공신경망에서 연산 시간과 학습 효율을 높이기 위해 다수의 입력 데이터로 이루어진 입력 케이스(c)의 집합인 입력 배치(batch)를 기준으로 가중치 보정이 이루어질 수 있다.
상기와 같은 제한된 볼츠만 머신 모델을 이용하여 본 실시예에서, 입력 데이터로, 사용자 단말기(130)에서 촬영된 이미지나 영상과 함께 사용자 단말기(130)의 위치에 대한 정보가 입력될 수 있다. 그리고 제어부(120)에서 입력된 이미지나 영상 및 위치 정보를 이용하여 식물에 대한 정보를 딥러닝하여 해당 식물에 대한 정보를 사용자 단말기(130)로 전송할 수 있다.
다시 말해, 일례로, 가시층의 가시노드(i)로 입력되는 입력 데이터(v)에 사용자 단말기(130)에서 촬영된 이미지나 영상과 사용자 단말기(130)의 위치 정보가 입력되며, 입력된 이미지나 영상에서 꽃이 있는 경우, 은닉노드(j)의 출력 값(h)으로 1 값이 출력되고, 꽃이 없는 경우, 은닉노드(j)의 출력 값(h)로 0 값이 출력될 수 있다. 이렇게 꽃이 있는 경우, 식물정보 데이터베이스(110)의 식물 정보부(111)에서 꽃이 있는 식물에 대한 검색이 이루어질 수 있다.
따라서 촬영된 이미지나 영상에 포함된 식물에 대한 이미지나 영상을 이용하여 해당 식물에 대한 정보를 확인할 수 있으며, 제어부(120)는 식물정보 데이터베이스(110)를 지속적으로 업데이트할 수 있다. 즉, 식물은 시간(예컨대, 계절)에 따라 다른 모양을 가질 수 있으므로, 시간에 따란 식물의 형태가 달라질 수 있다. 제어부(120)는 시간에 따라 형상이 달라지는 것을 포함하여 딥러닝을 수행함으로써, 시간에 따라 달라지는 식물에 대한 정보를 지속적으로 업데이트할 수 있다.
위에서 설명한 바와 같이 본 발명에 대한 구체적인 설명은 첨부된 도면을 참조한 실시예에 의해서 이루어졌지만, 상술한 실시예는 본 발명의 바람직한 예를 들어 설명하였을 뿐이므로, 본 발명이 상기 실시예에만 국한되는 것으로 이해돼서는 안 되며, 본 발명의 권리범위는 후술하는 청구범위 및 그 등가개념으로 이해되어야 할 것이다.
100: 식물 인식 시스템
110: 식물정보 데이터베이스
111: 식물 정보부
113: 지역 정보부
115: 시간 정보부
120: 제어부
130: 사용자 단말기

Claims (7)

  1. 사용자 단말기에서 촬영된 영상 또는 이미지를 이용하여 식물의 종류를 확인하기 위해 식물에 대한 정보가 저장되는 식물 정보부, 상기 식물이 서식하는 생태공원에 대한 정보를 포함하는 지역 정보부 및 상기 식물에 대한 시간에 따른 정보가 저장된 시간 정보부를 포함하는 식물정보 데이터베이스; 및
    상기 사용자 단말기에서 촬영된 영상 또는 이미지가 수신되며, 상기 사용자 단말기에서 수신된 영상 또는 이미지와 상기 식물정보 데이터베이스에 저장된 정보를 이용하여 딥러닝을 통해 상기 사용자 단말기에서 촬영된 영상 또는 이미지에 포함된 식물에 대한 정보를 인식하는 제어부를 포함하는 딥러닝 기반의 식물 인식 시스템.
  2. 청구항 1에 있어서,
    상기 시간 정보부는, 계절을 포함하는 시간에 정보가 포함되며,
    상기 식물 정보부는 상기 시간 정보부에 의해 상기 식물의 시간에 따른 정보를 포함하는 딥러닝 기반의 식물 인식 시스템.
  3. 청구항 1에 있어서,
    상기 식물정보 데이터베이스에 포함된 식물 정보부는 식물의 꽃, 잎 및 줄기에 대한 정보를 포함하는 딥러닝 기반의 식물 인식 시스템.
  4. 청구항 1에 있어서,
    상기 식물 정보부에 포함된 꽃, 잎 및 줄기에 대한 정보는 촬영된 이미지 또는 영상인 딥러닝 기반의 식물 인식 시스템.
  5. 청구항 1에 있어서,
    상기 제어부는 상기 사용자 단말기로부터 상기 사용자 단말기의 위치에 대한 정보를 수신하고, 상기 사용자 단말기의 위치에 해당하는 위치에 대해 상기 지역 정보부에 포함된 생태공원의 정보를 이용하여 상기 사용자 단말기에서 수신된 영상 또는 이미지에 포함된 식물의 정보를 인식하는 딥러닝 기반의 식물 인식 시스템.
  6. 청구항 1에 있어서,
    상기 제어부는 상기 사용자 단말기에서 수신된 영상 또는 이미지에서 식물의 꽃, 잎 및 줄기 중 어느 하나 이상의 정보를 추출하기 위해 상기 식물정보 데이터베이스를 이용하여 인공 신경망을 기반으로 상기 사용자 단말기에서 수신된 영상 또는 이미지를 분석하는 딥러닝 기반의 식물 인식 시스템.
  7. 청구항 1에 있어서,
    상기 제어부는, 제한된 볼츠만 머신(restricted boltzmann machine) 모델을 이용하여 상기 사용자 단말기에서 수신된 영상 또는 이미지를 분석하는 딥러닝 기반의 식물 인식 시스템.
KR1020180173860A 2018-12-31 2018-12-31 딥러닝 기반의 식물 인식 시스템 KR102190756B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180173860A KR102190756B1 (ko) 2018-12-31 2018-12-31 딥러닝 기반의 식물 인식 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180173860A KR102190756B1 (ko) 2018-12-31 2018-12-31 딥러닝 기반의 식물 인식 시스템

Publications (2)

Publication Number Publication Date
KR20200087342A true KR20200087342A (ko) 2020-07-21
KR102190756B1 KR102190756B1 (ko) 2020-12-14

Family

ID=71832615

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180173860A KR102190756B1 (ko) 2018-12-31 2018-12-31 딥러닝 기반의 식물 인식 시스템

Country Status (1)

Country Link
KR (1) KR102190756B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361589A (zh) * 2021-06-01 2021-09-07 杨晶晶 基于迁移学习与知识蒸馏的珍稀濒危植物叶片识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130006865A (ko) * 2011-06-24 2013-01-18 옥요한 단말기, 이를 이용한 바로샷 생물 도감 서비스 시스템 및 방법
KR20160049569A (ko) * 2014-10-27 2016-05-10 충북대학교 산학협력단 스마트기기를 이용한 식물정보 제공 시스템 및 방법
KR20160129971A (ko) 2015-04-30 2016-11-10 (주)제이케이데이터시스템즈 사용자 맞춤형 식물 정보 제공 방법, 시스템 및 이에 관한 컴퓨터 판독가능 저장매체
KR20170057071A (ko) * 2015-11-16 2017-05-24 주식회사 한글과컴퓨터 이미지기반 빅데이터 추출 및 활용 방법 및 그를 위한 서버
JP2018529134A (ja) * 2015-06-02 2018-10-04 寛 陳 ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130006865A (ko) * 2011-06-24 2013-01-18 옥요한 단말기, 이를 이용한 바로샷 생물 도감 서비스 시스템 및 방법
KR20160049569A (ko) * 2014-10-27 2016-05-10 충북대학교 산학협력단 스마트기기를 이용한 식물정보 제공 시스템 및 방법
KR20160129971A (ko) 2015-04-30 2016-11-10 (주)제이케이데이터시스템즈 사용자 맞춤형 식물 정보 제공 방법, 시스템 및 이에 관한 컴퓨터 판독가능 저장매체
JP2018529134A (ja) * 2015-06-02 2018-10-04 寛 陳 ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー
KR20170057071A (ko) * 2015-11-16 2017-05-24 주식회사 한글과컴퓨터 이미지기반 빅데이터 추출 및 활용 방법 및 그를 위한 서버

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361589A (zh) * 2021-06-01 2021-09-07 杨晶晶 基于迁移学习与知识蒸馏的珍稀濒危植物叶片识别方法

Also Published As

Publication number Publication date
KR102190756B1 (ko) 2020-12-14

Similar Documents

Publication Publication Date Title
EP3361423B1 (en) Learning system, learning device, learning method, learning program, teacher data creation device, teacher data creation method, teacher data creation program, terminal device, and threshold value changing device
US11514305B1 (en) Intelligent control with hierarchical stacked neural networks
US11010658B2 (en) System and method for learning the structure of deep convolutional neural networks
US10664727B2 (en) Image pattern recognition device and recording medium
CN106104577B (zh) 照片管理
CN110413844A (zh) 基于时空注意力深度模型的动态链路预测方法
CN111523621A (zh) 图像识别方法、装置、计算机设备和存储介质
Abd-Alsabour A review on evolutionary feature selection
CN109815826A (zh) 人脸属性模型的生成方法及装置
CN112138403B (zh) 交互行为的识别方法和装置、存储介质及电子设备
CN113705597A (zh) 一种图像处理方法、装置、计算机设备以及可读存储介质
JP7393060B2 (ja) 注意メカニズムを融合したパーソナライズド検索方法及び検索システム
CN112016601A (zh) 基于知识图谱增强小样本视觉分类的网络模型构建方法
TWI690862B (zh) 人工智慧裝置的本地學習系統
CN113705596A (zh) 图像识别方法、装置、计算机设备和存储介质
CN115552481A (zh) 用于微调图像分类神经网络的系统和方法
KR20190098801A (ko) 머신 러닝을 활용한 상표 이미지 분류 방법
Tian et al. Genetic algorithm based deep learning model selection for visual data classification
Osanlou et al. Optimal solving of constrained path-planning problems with graph convolutional networks and optimized tree search
KR102190756B1 (ko) 딥러닝 기반의 식물 인식 시스템
CN114780866A (zh) 一种基于时空上下文兴趣学习模型的个性化智能推荐方法
CN113128667B (zh) 一种跨域自适应的图卷积平衡迁移学习方法与系统
Valdez et al. Ant colony optimization for the design of Modular Neural Networks in pattern recognition
CN111401527A (zh) 基于ga-bp网络的机器人行为校验识别方法
Okul et al. Investigation of artificial intelligence based optimization algorithm

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant