WO2019132587A1 - 영상 분석 장치 및 방법 - Google Patents

영상 분석 장치 및 방법 Download PDF

Info

Publication number
WO2019132587A1
WO2019132587A1 PCT/KR2018/016860 KR2018016860W WO2019132587A1 WO 2019132587 A1 WO2019132587 A1 WO 2019132587A1 KR 2018016860 W KR2018016860 W KR 2018016860W WO 2019132587 A1 WO2019132587 A1 WO 2019132587A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
information
color
analysis
unit
Prior art date
Application number
PCT/KR2018/016860
Other languages
English (en)
French (fr)
Inventor
김원태
강신욱
이명재
김동민
김필수
김기동
문태준
Original Assignee
(주)제이엘케이인스펙션
대한민국(관세청장)
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 (주)제이엘케이인스펙션, 대한민국(관세청장) filed Critical (주)제이엘케이인스펙션
Publication of WO2019132587A1 publication Critical patent/WO2019132587A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Definitions

  • the present disclosure relates to an image analysis apparatus and method. More specifically, the present disclosure analyzes whether an input object includes an object to be searched using a pre-learned deep learning based model, and efficiently generates learning data necessary for learning of the deep learning based model Apparatus and method.
  • the Customs Electronic Customs clearance system is a computerized customs clearance service for import and export cargo, which can enhance the efficiency of customs administration work in multilateral.
  • Deep learning learns a very large amount of data, and when new data is input, it selects the highest probability with probability based on the learning result, and it can adaptively operate according to the image
  • the artificial intelligence field there is an increasing tendency to utilize it in the field of artificial intelligence because it automatically finds the characteristic factor in the learning process of the model based on the data.
  • the technical object of the present disclosure is to provide an electronic clearance system to which a deep learning technique is applied.
  • a method of analyzing a cargo comprising: receiving an analysis object image relating to a cargo including at least one object; a preprocessing step of performing a preprocessing on the analysis object image; An analyzing step of analyzing the analysis target image, an output step of outputting the analyzed result, a step of receiving information on a result of the inspection of the cargo, and a step of analyzing the analysis target image, And a model updating step of updating the deep learning based model using information on the deep learning based model.
  • an image processing apparatus including an image receiving unit that receives an analysis object image relating to a cargo including at least one object, a preprocessor that performs preprocessing on the analysis object image, An image analyzing unit for analyzing the image to be analyzed, and an output unit for outputting the analyzed result.
  • the image analyzing unit may receive the information on the result of the inspection of the cargo, and may update the deep learning-based model using information on the analysis object image, the analysis result, and the result of the refinement inspection .
  • a method of analyzing an object comprising: receiving an analysis object image relating to a cargo including at least one object; a preprocessing step of performing preprocessing on the analysis object image; An analysis step of analyzing the analysis target image, an output step of outputting the analyzed result, a step of receiving information on the result of the inspection of the cargo, and the analysis result, A model updating step of updating the deep learning based model using information on the deep learning based model.
  • an electronic clearance system to which a deep running technique is applied can be provided.
  • an apparatus and method for analyzing an image obtained in an electronic clearance system using a pre-learned deep learning based model can be provided.
  • a deep learning-based model using information on an acquired image and a read target is constructed according to a read object or a read object, thereby providing an electronic clearance system that provides a higher level of prediction result and analysis result .
  • FIG. 1 is a view for explaining an electronic clearance system according to an embodiment of the present disclosure
  • FIG. 2 is a block diagram showing a configuration of an image analysis apparatus 200 according to an embodiment of the present disclosure.
  • 3 is a diagram for explaining a process of reading an image.
  • FIG. 4 is a diagram for explaining an application range of artificial intelligence in an image reading process according to an embodiment of the present disclosure.
  • FIG. 5 is a view showing an embodiment of an image enhancement apparatus for performing image enhancement according to the present disclosure.
  • FIG. 6 is a diagram for explaining a process of separating an object and a background from an image including a single object and generating position information of the object according to an embodiment of the present disclosure
  • FIG. 7 is a view showing an image in which a hue is expressed based on the physical properties of an object according to an embodiment of the present disclosure
  • FIG. 8 is a diagram for explaining a process of generating an output image based on color distribution information of an image according to an embodiment of the present disclosure.
  • FIG. 9 is a diagram for explaining a process of acquiring a final output image obtained by combining an image obtained using color distribution information and an image obtained by applying edge-based filtering or smoothing filtering according to an embodiment of the present disclosure.
  • FIG. 10 is a diagram for explaining a process of obtaining a final output image using a graphical model according to an embodiment of the present disclosure.
  • FIG. 11 is a view for explaining an image enhancement method according to an embodiment of the present disclosure.
  • FIG. 12 is a diagram for explaining context analysis according to an embodiment of the present disclosure.
  • FIG. 13 is a diagram illustrating a process of generating and analyzing context information of an image according to an embodiment of the present disclosure.
  • FIG. 14 is a diagram for explaining a process of analyzing an image and identifying an object according to an image analysis apparatus according to an embodiment of the present disclosure.
  • 15 is a diagram for explaining the operation of the image analysis apparatus according to an embodiment of the present disclosure.
  • 16 is a view for explaining an embodiment of a composite neural network for generating a multi-channel feature map.
  • 17 is a view for explaining an embodiment of the pulling technique.
  • FIG. 18 is a block diagram showing a configuration of an image synthesizing apparatus according to an embodiment of the present disclosure.
  • 19 is a view illustrating a process of generating a multi-object image using two images including a single object according to an embodiment of the present disclosure.
  • 20 is a diagram illustrating a process of learning a composite-object neural network using a multi-object image according to an embodiment of the present disclosure.
  • 21 is a diagram for explaining a process of analyzing an actual image using the image synthesizing apparatus according to an embodiment of the present disclosure.
  • FIG. 22 is a view for explaining an image synthesizing method according to an embodiment of the present disclosure.
  • first, second, etc. are used only for the purpose of distinguishing one element from another, and do not limit the order or importance of elements, etc. unless specifically stated otherwise.
  • a first component in one embodiment may be referred to as a second component in another embodiment, and similarly a second component in one embodiment may be referred to as a first component .
  • the components that are distinguished from each other are intended to clearly illustrate each feature and do not necessarily mean that components are separate. That is, a plurality of components may be integrated into one hardware or software unit, or a single component may be distributed into a plurality of hardware or software units. Thus, unless otherwise noted, such integrated or distributed embodiments are also included within the scope of this disclosure.
  • the components described in the various embodiments are not necessarily essential components, and some may be optional components. Thus, embodiments consisting of a subset of the components described in one embodiment are also included within the scope of the present disclosure. Also, embodiments that include other elements in addition to the elements described in the various embodiments are also included in the scope of the present disclosure.
  • FIG. 1 is a view for explaining an electronic clearance system according to an embodiment of the present disclosure
  • the electronic clearance system 100 may include a reading unit 110 and / or a learning unit 120.
  • the reader 110 may include an image analyzer 112 and / or an output device 114.
  • the learning unit 120 may include a database 122, a deep learning learning unit 124, an algorithm verification unit 126, and / or a learned model storage unit 128.
  • the reading unit 110 may function as a reading interface, and the learning unit 120 may function as a centrally managed intelligent data center.
  • the input 130 of the electronic clearance system 100 may include image and / or cargo information.
  • the image may be an image of a cargo comprising at least one object.
  • it may be an X-ray image of a cargo taken by an X-ray reading device.
  • the image may be a raw image taken by an X-ray imaging device or an image in any form (format) for storing or transmitting the image.
  • the image may be obtained by capturing image data captured by an X-ray reading device and transmitting the image data to an output device such as a monitor and then data.
  • the image may be enhanced before being output to the output device 114 or before being input to the image analysis device 112. A method of enhancing an image will be described later.
  • the output device 114 may output an image or an enhanced image.
  • the image analysis apparatus 112 may receive an image or an enhanced image and may perform an operation of the image analysis apparatus 112 described later.
  • the cargo information may be information on the cargo contained in the corresponding image.
  • the cargo information may include, for example, information on import declaration and / or customs list information.
  • the cargo information may be subjected to a predetermined preprocessing process before being input to the image analysis device 112. For example, refinement of the name of goods can be performed on the cargo list, the import information, etc. contained in the cargo information. Refinement of a product name may mean the unification of the names of various cargoes entered for the same or similar cargo.
  • the input of cargo information may be optional.
  • the electronic clearance system 100 of the present disclosure can operate only by inputting images without inputting cargo information.
  • the cargo may include all kinds of cargo as the cargo to be inspected or read.
  • the cargo may be at least one of a express cargo, a postal cargo, a container cargo, a traveler cargo, and a traveler himself / herself.
  • the traveler is a read-only traveler and the read traveler is a precautionary traveler with a past history of having an abnormal or dangerous object in the past
  • the traveler's cargo may be analyzed and / or read at a higher level than other traveler's cargo .
  • information that a specific cargo is a cargo of a careful traveler can be provided to the readers.
  • the electronic clearance system 100 may receive and transmit the image and / or cargo information 130 to the output device 114 or to the image analysis device 112.
  • the image analyzing apparatus 112 can analyze the input image using the deep learning based model that has been learned in advance.
  • the image analysis device 112 may transmit the analyzed result to the output device 114.
  • the output device 114 outputs the image analysis result received from the image analyzing device 112 and the input image and / or cargo information 130.
  • the readout device 140 reads the output result of the output device 114 can do.
  • the refinement operation can be performed on the cargo information 130, and it is also possible to perform a refinement operation on the cargo information 130 before the image analysis apparatus 112 is input and / Strengthening can be performed.
  • the output device 114 outputs all kinds of human-sensible signals such as a device for outputting visual information such as a monitor and a warning light, a device for outputting acoustic information such as a speaker, and a device for outputting tactile information such as a vibrator And the like.
  • the image of the image analyzing apparatus 112 includes an object to be detected, an object having an abnormality, or an object having a risk level equal to or higher than a threshold value
  • the information related thereto is output as an image analysis result through the output device 114
  • the reading source 140 can confirm this.
  • the image analyzing apparatus 112 may perform various processes for analyzing an analysis target image.
  • the image analyzer 112 may perform context analysis to more accurately analyze the image to be analyzed. Various processes and context analysis performed by the image analysis apparatus 112 will be described later.
  • the reading source 140 may determine whether to perform additional examination based on the image analysis result output through the output device 114.
  • the additional inspection may include an opening inspection for directly opening the cargo associated with the image and confirming the object included in the cargo.
  • the object to be searched may refer to an object having an abnormality or an object having a risk greater than a threshold value as described above. However, it is not so limited and may include various objects that are to be detected or searched by the system of the present disclosure.
  • the remediation test results input after the readout source directly performs the remediation test and / or the matching result information that the image analysis apparatus matches the image and the cargo information are transmitted to the learning unit 120 .
  • the learning unit 120 stores the newly received information in the database 122 and the deep learning learning unit 124 can perform the deep learning learning using the information stored in the database 122.
  • the deep learning learning unit 124 may directly receive all or a part of the learning data without being stored in the database 122.
  • the learning result of the deep learning learning unit 124 may be verified by the algorithm verification unit 126 and the verified model may be stored as an updated model in the learned model storage unit 128.
  • the model stored in the learned model storage unit 128 is transmitted again to the image analysis apparatus 112.
  • the image analysis apparatus 112 can update the received model as a previously learned deep learning based model
  • the learning unit 120 can generate a composite image by receiving and combining a plurality of images. Also, the virtual image analysis result, the refinement inspection result and / or the matching result information corresponding to the composite image are generated using the image analysis result, the refinement inspection result and / or the matching result information for each of the plurality of images .
  • the learning unit 120 may use the composite image and the generated virtual information as learning data. According to this, even if the number of learning data is absolutely small, a sufficient amount of learning data necessary for learning of the artificial intelligence model can be generated by combining or merging these learning data. Synthesis of images and generation of virtual information on the synthesized image will be described later.
  • the reading unit 110 and the learning unit 120 may be implemented as separate devices or may be implemented in the same device. Also, some or all of the configurations included in the reading unit 110 and the learning unit 120 may be configured by hardware or software.
  • Artificial intelligence technology allows computers to learn data and make decisions like a person.
  • Artificial neural network is a mathematical model that is inspired by neural networks of biology. Neurons can mean the entire model with problem solving ability by changing the synaptic bond strength through learning.
  • Artificial neural networks are generally composed of an input layer, a hidden layer and an output layer. The neurons contained in each layer are connected via weights. The linear combination of weights and neuron values, Through an activation function, an artificial neural network can have a form that can approximate a complex function.
  • the objective of artificial neural network learning is to find a weight that minimizes the difference between the output of the output layer and the actual output.
  • the deep neural network is an artificial neural network composed of several hidden layers between the input layer and the output layer. It can model complex nonlinear relations through many hidden layers. By increasing the number of layers in this way, The structure is called deep learning. Deep learning learns a very large amount of data, and when new data is input, it chooses the highest possible answer based on the learning result, so it can operate adaptively according to the image, In the course of learning, you can automatically find the characteristic parameter.
  • the deep learning-based model may be a fully convolutional neural network, a convolutional neural network, But is not limited to, at least one of a neural network, a recurrent neural network, a restricted Boltzmann machine (RBM), and a deep belief neural network (DBN).
  • a machine running method other than deep running may be included.
  • a hybrid model combining deep running and machine running For example, a feature of an image may be extracted by applying a deep learning-based model, and a model based on a machine learning may be applied when an image is classified or recognized based on the extracted feature.
  • the machine learning based model may include, but is not limited to, a support vector machine (SVM), an AdaBoost, and the like.
  • a method of learning a deep learning based model may include at least one of supervised learning, unsupervised learning, or reinforcement learning , But is not limited thereto.
  • Map learning is performed by using a series of learning data and a corresponding label (label, target output value), and a neural network model based on map learning is a model model in which a function is inferred from training data .
  • Map learning receives a series of learning data and a corresponding target output value, finds an error through learning to compare the actual output value with the target output value for the input data, and modifies the model based on the result do.
  • Map learning can be divided into regression, classification, detection, and semantic segmentation depending on the type of the result. The function derived from the map learning can be used again to predict new results.
  • the neural network model based on the map learning can optimize the parameters of the neural network model through learning of a large number of learning data.
  • a deep learning-based model can use information about the input image and cargo for learning, and after generating the learned model, information about the image and cargo acquired in the apparatus of this disclosure Can be used to update the neural network model.
  • a deep learning based model according to an embodiment of the present disclosure may be applied to an analysis result output by the method of the present disclosure, for example, anomaly or risk for an identified object, information about an object,
  • the neural network model can be updated by using prediction results such as whether the target object is a target object, comparison information on the prediction result and the final open inspection result, evaluation degree or reliability information on the prediction result, and the like.
  • FIG. 2 is a block diagram showing a configuration of an image analysis apparatus 200 according to an embodiment of the present disclosure.
  • the image analysis apparatus 200 of FIG. 2 is one embodiment of the image analysis apparatus 112 of FIG.
  • the image analysis apparatus 200 may include an image reception unit 210, an cargo information matching unit 220, and / or an image analysis unit 230. As described above, since the input of the cargo information is optional, the image analysis apparatus 200 may not include the cargo information matching unit 220. The description of the input of the cargo information is as described with reference to Fig.
  • the image receiving unit 210 may receive an image related to a cargo including one or more objects.
  • the description of the image received by the image receiving unit 210 is as described with reference to FIG.
  • the cargo information matching unit 220 may receive the cargo information and the image received from the image receiving unit 210 as inputs and perform cargo information and image matching.
  • the cargo information is described with reference to FIG.
  • the matched image and cargo information are output to the readout source and can assist the readout task of the readout source.
  • the matched image and cargo information may be transmitted to the learning unit 120 of FIG. 1 and used for learning of the deep learning model.
  • the matched image and cargo information are stored in the database 122 of the learning unit 120 of FIG. 1 and then refined by the reading object and / or the reading task.
  • the deep learning learning unit 124 reads the reading object and / Alternatively, the learning can be performed using the refined data for each reading task to be applied.
  • the object to be read may include the express cargo, the postal cargo, the container cargo, the traveler cargo and the traveler.
  • the reading task may include determining whether an object included in the cargo is abnormal or dangerous, determining whether the identified object is an object to be searched, determining whether information about the identified object and the goods is matched, And may include a determination as to whether or not it has not been reported.
  • the model learned by the learning unit 124 may be input to the image analysis unit 230 to update the existing model. At this time, an appropriate artificial intelligence may be updated depending on the object to be read.
  • the learning unit 124 may generate new learning data using existing learning data and may use it for learning. The new learning data can be generated by combining existing data and merging data as described above.
  • the image analyzing unit 230 receives the image (image to be analyzed) or image and cargo information, analyzes the image using a deep learning-based model that has been previously learned, and outputs the analyzed result to an output device have.
  • the video analyzer 230 may identify the object included in the video and determine the presence or absence of an anomaly or the risk of the identified object.
  • the image analyzing unit 230 may improve the accuracy of object identification by performing the context analysis process described below.
  • the object may be judged to be abnormal or dangerous.
  • the risk can be represented by a numerical value, and it can be determined whether or not it is a dangerous object by comparing with a predetermined threshold value.
  • the numerical value of the risk and / or the predetermined threshold value may be adaptively determined according to the read object and / or the read task.
  • the image analysis unit 230 can more accurately analyze the object included in the image using the image and the cargo information.
  • the type, quantity, and / or size information of the cargo listed in the cargo list can be additionally used to identify the object from the image. If there is a discrepancy between the identified object and the cargo information by analyzing the image, it can be outputted as the image analysis result.
  • the image analysis result output by the image analysis unit 230 may include at least one of the risk level, type, quantity, number, size, and position of the object. If the image analysis result is the position of the object, the position of the object can be displayed on the image to be analyzed and output to the output device. The position of the object may be displayed in coordinates, but the object may be highlighted and displayed at the corresponding position in the output image so that the read source can easily read it. For example, an object may be highlighted by highlighting the edges of the object or by displaying a square box surrounding the object.
  • a predetermined object area can be strengthened so that the readout source can more easily identify the object through the image enhancement process to be described later. For example, the region corresponding to a predetermined color can be enhanced to convert the image so that the region can be more clearly identified.
  • the image analysis unit 230 may determine whether or not a search target object (for example, an object for which customs clearance is prohibited or not suitable) is included in the analysis target image. For this, the image analysis unit 230 may receive or store information on the object to be searched. In addition, the image analysis unit 230 may identify an object included in the image and determine whether the identified object is an object to be searched.
  • a search target object for example, an object for which customs clearance is prohibited or not suitable
  • 3 is a diagram for explaining a process of reading an image.
  • FIG. 3 (a) is a flowchart of a conventional reading process
  • FIG. 3 (b) is a flowchart of a reading process according to an embodiment of the present disclosure.
  • image and / or cargo information is input 311, it is provided as information 312 to a reader. Based on the image and / or cargo information, the reader selects (313) the cargo that needs to be inspected for remodeling. The result of performing the opening inspection is input 314 as a result of inspection.
  • the image analysis device 322 when image and / or cargo information is input 321, the image analysis device 322 performs pre- Based model, and provides the analyzed result to the reader as information (324).
  • the image analysis apparatus 322 may transmit the learning data to the artificial intelligence data center 323, and the artificial intelligence data center 323 may learn the learning data.
  • the artificial intelligence data center 323 may transmit the learned model to the image analysis apparatus 322 as a reading task assistant artificial intelligence to be read later.
  • the readers can select (325) the cargo requiring the inspection for the opening, based on the analysis result of the image analysis device 322, the image and / or the cargo information.
  • the result of performing the remade inspection can be input 326 as a result of the inspection.
  • the result of the inspection may be transmitted to the artificial intelligence data center 323 and used as learning data.
  • FIG. 4 is a diagram for explaining an application range of artificial intelligence in an image reading process according to an embodiment of the present disclosure.
  • randomly sampled samples 420 among all the cargoes 410 can be selected (450) for management.
  • artificial intelligence is not limited to the above-described cargo risk analysis (440).
  • the management object when the management object is selected (450), it can be utilized as an assistant artificial intelligence 460 for assisting the inspection thereafter.
  • the test assistant artificial intelligence 460 by applying the test assistant artificial intelligence 460, it is possible to assist in the examination of the reading source by identifying the object, determining whether there is an abnormality or risk of the identified object, and / or providing the reading source with information about the object to be searched .
  • the reader can perform the close inspection 470 using the information provided by the test assistant AI.
  • FIG. 5 is a view showing an embodiment of an image enhancement apparatus for performing image enhancement according to the present disclosure.
  • the image enhancement apparatus of FIG. 5 may be configured separately or as a part of the image analysis apparatus 112 of FIG.
  • the image enhancement apparatus 500 may include an image receiving unit 510, an object image extracting unit 520, a color distribution analyzing unit 530, and / or an image enhancing unit 540. It should be noted, however, that this shows only some components necessary for explaining the present embodiment, and the components included in the image enhancement apparatus 500 are not limited to the above-described examples. For example, two or more constituent units may be implemented in one constituent unit, and an operation performed in one constituent unit may be divided and executed in two or more constituent units. Also, some of the constituent parts may be omitted or additional constituent parts may be added.
  • the image enhancement apparatus 500 receives an input image 550, extracts an object included in the input image 550, and converts the object image including the object into one or more regions Determining one or more weights for at least some of the one or more areas based on the color distribution information, and determining one or more of the weights determined among the one or more areas
  • the first output image 560 for the object image can be generated by applying the first output image 560 to at least a part of the object image.
  • Each pixel constituting the image may have a predetermined brightness and hue by a combination of a luminance value representing luminance (brightness) and a hue value representing hue.
  • the hue value may be represented by a combination of values of three or more hue elements, depending on various ways of expressing the hue.
  • the color value may be represented by an RGB value which is a combination of three color elements (Red (R), Green (G), and Blue (B)).
  • R, G, and B has a value from 0 to 255, so that the intensity of each color element can be expressed.
  • the range of values that each of R, G, and B can have is determined based on the number of bits representing each of R, G, and B. [ For example, when represented by 8 bits, each of R, G, and B may have a value of one of 0 to 255. [
  • Acquiring the color distribution information may mean acquiring various statistical values that can be obtained therefrom by analyzing the color components of the color values of the pixels included in the region.
  • the statistical value may be information on which color element has the largest average value among the color elements of the color values of the pixels included in the corresponding region. For example, based on the values of R, G, and B of all the pixels included in the area, it is possible to determine which color element has the greatest total or average among R, G, and B. Alternatively, for each pixel, a color element having the largest value among R, G, and B is determined as the dominant color of the corresponding pixel, and the color of which the dominant color is determined most for all the pixels included in the corresponding region It can be judged.
  • the dominant color of a given area can be determined. For example, if R of the three color components (R, G, B) has the largest value for the color values of a majority of pixels included in a predetermined region, the dominant color of the predetermined region is red It can be judged.
  • the color distribution information or dominant color is analyzed based on each of R, G, and B.
  • the present invention is not limited to this, and may be analyzed based on various colors represented by a combination of two or more of R, G, For example, if the color to be identified is orange, it can be determined whether the dominant color of the pixel in the corresponding region is orange based on a part or all of R, G, and B representing orange.
  • one or more weights may be determined for the region.
  • the weights can be determined for all or part of R, G, B and luminance.
  • the weight for R may be a value greater than one.
  • Applying the weight may mean that the color element value of the pixel in the corresponding area is multiplied by the corresponding weight.
  • the weight for G and / or B may be a value less than one.
  • the enhancement of a specific color of an image has been described.
  • the enhancement of the image of the present disclosure is not limited to this, and may include both a change in color value or a change in brightness value. Therefore, if necessary, the brightness value may be weighted to enhance the image.
  • the image receiving unit 510 may receive an input image 550 including one or more objects.
  • the input image 550 may be an image before being input to the image analysis apparatus 112 and / or an image before being output to the output apparatus 114.
  • the object image extracting unit 520 may extract an object included in the input image received by the image receiving unit 510 and divide the object image including the object into one or more regions. For example, the object image extracting unit 520 may extract an object included in the input image by comparing the pixel value of the image to be analyzed with a predetermined threshold value to binarize the pixel values and grouping the binarized pixel values.
  • extracting an object may mean separating the object from the background, the object means a specific object in the image, and the background may be a part excluding the object from the image.
  • the background of the image may be expressed in a predetermined color depending on the image capturing method or the image capturing apparatus. For example, the predetermined color may be white. If a color representing the background of the image is specified, the background and the object may be separated based on the specified background color. For example, an object may be identified by deleting a specified background color area from the input image 550.
  • the object image may be obtained by specifying a bounding box surrounding the object region, and the object image extracting unit 520 may generate position information of the separated object based on the specified rectangular box have.
  • an input image is an X-ray image of a cargo taken by an X-ray reading device
  • the background portion is not necessary, the corresponding background portion is cut off, It can be analyzed only by region.
  • it can be said that it is important to obtain coverage for cargoes in real environments where cargoes continue to pass through X-ray readers through conveyor belts.
  • FIG. 6 is a diagram for explaining a process of separating an object and a background from an image including a single object and generating position information of the object according to an embodiment of the present disclosure
  • the object image extracting unit 600 of FIG. 6 may be an embodiment of the object image extracting unit 520 of FIG.
  • the input image 610 may be the input image 550 described with reference to FIG. 5 and may be, for example, an image relating to the cargo including the bag 612 as a single object.
  • the object image extracting unit 600 roughly cuts the surrounding area based on the bag 612 by performing a cropping operation on the input image 610 including one bag 612 A cropped image 620 can be acquired. Then, the object image extracting unit 600 may obtain the binarized image 630 by binarizing the pixel value by thresholding the pixel value of the cropped image 620 with a predetermined threshold value. Then, the object image extracting unit 600 can obtain the grouped image 640 by grouping adjacent pixels (clustering, morphology, closing) to select a portion of the object from the binarized image 630.
  • the object image extracting unit 600 performs labeling and hole filling operations on the grouped image 640 to form a pixel group formed in the largest shape as an area 652 for the object And determine the remainder as the area 654 for the background, thereby obtaining the object 650 extracted image.
  • the object image extracting unit 600 can determine the position of the object in the input image 610 using the information about the extracted object image. For example, the object image extracting unit 600 may specify a rectangular box surrounding the object area, and may generate position information of the object based on the specified rectangular box. 6, the object image extracting unit 600 can specify a rectangular box 662 surrounding the bag 612 and acquire the position information of the bag 612 based on the specified rectangular box .
  • the positional information of the bag 612 may be position information of four vertices forming the rectangular box 662, but is not limited thereto.
  • the position information may be represented by the coordinates (x, y) of one vertex of the rectangular box 662 and the width and height of the rectangular box.
  • the coordinates (x, y) of the one vertex may be the coordinates of the upper left vertex of the square box 662.
  • the coordinates (x, y) of the vertex can be specified based on the coordinates (0, 0) of the upper left vertex of the input image 610.
  • the object image extracting unit 520 may divide the object image into one or more regions based on the size of the object image. Each of the one or more regions may be square. For example, the object image extracting unit 520 may determine the number and size of regions for dividing the object image based on the size of the object image. For example, if the object image is relatively large or has a size larger than a predetermined threshold value, it can be divided to have more divided areas. Also, the size of each of the regions dividing the object image may not be equal to each other.
  • the object image extracting unit 520 may convert the object image into a square by up-sampling or down-sampling the object image, Regions. ≪ / RTI > For example, since the object image is acquired based on a rectangular box surrounding the object extracted by the object image extracting unit 520, the object image may not be a square. In this case, the object image extracting unit 520 may divide the object image into one or more regions, but it may acquire a square object image by up-sampling or down-sampling the object image in the horizontal or vertical direction, An object image of a square may be divided into one or more regions.
  • an object image 800 may be composed of 9 pixels in width and 12 pixels in height and may not be square.
  • the shape of one or more regions dividing the object image is not limited to a square.
  • the region may have the form nxm, where n and m are positive integers that are different. In this case, the above-described upsampling or downsampling may not be performed.
  • the color distribution analyzing unit 530 obtains the color distribution information for each of the divided regions in the object image extracting unit 520, and generates color distribution information for at least a part of the regions One or more weights can be determined.
  • the color distribution information may include information on each of n (n is an integer greater than 1) color expression ranges.
  • the "color expression range” may be defined for the color to be identified. In the above example, the range of the color gamut of red is described, but the range of the color gamut of green (G) or blue (B) may be defined. Or a color expression range for any color (yellow, orange, sky blue, etc.) represented by a combination of some or all of R, G, and B may be defined.
  • a weight is applied to a region where a number of pixels included in an orange color expression range is dominant.
  • the method of applying the weight is as described above.
  • the color distribution information may include information on a part or all of the three color elements. If the color elements are five colors R, G, B, Y (yellow), and P (purple), the color distribution information may include information on some or all of the five color elements.
  • An X-ray image of a cargo taken by an X-ray reading device is used to determine the range of color expressions according to the physical properties of the objects included in the image (for example, whether the object is organic, The applied X-ray image is being used.
  • By reading the X-ray image to which the color is added it is possible to identify not only the shape of the object included in the image but also the physical properties of the object to some extent.
  • an X-ray image added with a color according to the physical properties of an object is used as an input image, and the color distribution information is analyzed. Based on the analyzed color distribution information, The accuracy and the readability of the readout source for reading the image can be improved.
  • FIG. 7 is a view showing an image in which a hue is expressed based on the physical properties of an object according to an embodiment of the present disclosure
  • a bag image 700, a medicine container image 710, and a traveler's baggage carrier image 720 taken by an X-ray reading device are shown.
  • the bag zipper 704, the medicine bottle 712 and the bottle 722 it can be seen that the color expression range (applied color) differs according to the physical properties of the object.
  • the bag ring 702, the bag zipper 704, the medicine 712, and the bottle 722 are relatively clearly colored so that they can be distinguished from other objects, ), It is difficult to identify what the arbitrary content 724 is in the traveler's baggage image 720 and it is not easy to distinguish it from other objects. This is due to the properties of the object.
  • metals or minerals are expressed in a relatively clear and distinct color so that they can be clearly distinguished from the background, while organic matter is expressed in a light color, so that the distinction with the background becomes unclear.
  • areas of color that represent organic matter you can enhance them with a clear, distinct color that can be clearly distinguished from the background by enhancing that color.
  • the color distribution for each of the divided regions may be analyzed to apply a weight to at least some of the regions.
  • the one or more weights may include weights for at least some of n color elements representing n color representation ranges or colors. For example, if one area has n color expression ranges or color elements, the number of weights in the corresponding area may be 1 to n.
  • the determined weight when one weight is determined for one area, can be applied to all color elements included in the one area or all the color expression ranges. Alternatively, the determined weight may be applied to at least a part of all color elements included in the one area or all the color expression ranges. For example, in order to enhance the image, the determined weight may be applied only to a predetermined color expression range of a predetermined color element or n color expression ranges among n color elements.
  • weights may be determined for each of n color elements or n color representation ranges. That is, the number of weights for one area may be n. In this case, a weight corresponding to each color element or color expression range included in the area may be applied to the corresponding color element or color expression range.
  • the weight may be given a relatively high weighting value for a predetermined color element or a color expression range to be subjected to image enhancement. For example, a weight value greater than 1 may be given to multiply the value of the color element or the pixel value belonging to the color representation range.
  • a weight can be determined for each of m color elements or color representation ranges greater than 1 and less than n. That is, the number of weights for one area may be m.
  • the weighted value may be applied only to a color element or a color expression range to which a weight is assigned, among the color elements included in the area or the color expression range. As described above, a relatively high weight is given to a predetermined color element or color expression range to be subjected to image enhancement.
  • the weights can be determined to be relatively high for a predetermined color element or color expression range among n color elements or color expression ranges.
  • a predetermined color element or color expression range among n color elements or color expression ranges For example, when an object included in an X-ray image is an organic material, the boundaries are often expressed less clearly in an image as compared with objects having different physical properties (metal, inorganic materials, etc.). This is because the color of the object, which is organic, is not clearly represented so that it can be distinguished from other objects or backgrounds around. For example, by being represented by a light orange color, it may not be distinguished from the background of white color.
  • the corresponding color can be enhanced, for example, the light orange color can be changed to the deep orange color.
  • the predetermined color element or color representation range to which a relatively high weight is given may be one or more.
  • the predetermined color element or color expression range to which a relatively high weight value is given may be 1 to n.
  • the degree of image enhancement required for each may be different, and thus different weights may be given to each. For example, when an image is clearly expressed in the order of metal-> inorganic-> organic matter, a relatively high weight can be given only to a color element or color expression range for an organic material. However, A high weight may be given. At this time, a relatively high weight can be given to the organic matter rather than the inorganic matter.
  • FIG. 8 is a diagram for explaining a process of generating an output image based on color distribution information of an image according to an embodiment of the present disclosure.
  • an object image 800 may be divided into one or more regions such as a first region 810, a second region 820, and the like.
  • the process of dividing regions in the object image 800 is as described for the object image extraction unit 520 in FIG.
  • the image enhancement apparatus may acquire color distribution information including information on five color representation ranges for the first area 810 and may generate color distribution information including at least a part of a 3x3 size area One or more weights may be determined for the < / RTI >
  • a predetermined color expression range that is an object of image enhancement may be acquired and used as color distribution information. For example, when distribution information on a predetermined color expression range is equal to or greater than a predetermined threshold value, the region is determined as an enhancement target, and a relatively high weight can be given to the region.
  • the first color channel image 830, the second color channel image 840, The image 840, the fourth color channel image 860, and the fifth color channel image 870 may correspond to R, G, B, Y, and P color elements, respectively.
  • Each of the first to fifth color channel images 830 to 870 is generated by mapping each pixel to a color channel image corresponding to the corresponding color information based on the color information of each of the constituent pixels of the first area 810 .
  • the first pixel 812 is mapped to a pixel 852 at the corresponding position of the third color channel image 850
  • the second pixel 814 is mapped to the pixel 852 at the corresponding position of the first color channel image 830
  • the third pixel 816 is mapped to the pixel 872 at the corresponding position of the fifth color channel image 870 and the fourth pixel 818 is mapped to the second color channel image 840
  • the fifth pixel 820 is mapped to the pixel 874 at the corresponding position of the fifth color channel image 870 and the sixth pixel 822 is mapped to the pixel 842 at the corresponding position of the fifth color channel image 870
  • the seventh pixel 824 is mapped to the pixel 844 at the corresponding position of the second color channel image 840 and
  • color channel images less than n can be obtained.
  • pixels having a color corresponding to the fourth color channel image 860 A total of four color channel images excluding the fourth color channel image 860 can be obtained.
  • the first color channel image 830, the second color channel image 840, the third color channel image 850, the fourth color channel image 860, and the fifth color channel image 870 Weights a1, a2, a3, a4, and a5 can be applied to each of them.
  • the weights can be determined in consideration of the color distribution of the pixels constituting each region, for example, the weights can be determined to be proportional to the color distribution of the pixels. Alternatively, the weights can be determined to be relatively high for a predetermined color expression range and relatively low for a remaining color expression range.
  • the image enhancement unit 540 may apply one or more weights determined in the color distribution analysis unit 530 to at least a part of one or more regions to generate a first output image for the object image .
  • a first color channel image 830, a second color channel image 840, a third color channel image 850, a fourth color channel image 860, and a fifth color channel image 870, A1, a2, a3, a4, and a5 are applied to the first to fifth color channel images to which the weight is applied, and the first region 810-1 to which the weight is applied is obtained by combining the first to fifth color channel images.
  • the first output image may be finally generated by repeating the process for the remaining regions of the object image 800 as well.
  • the weights may be determined in consideration of the color distribution of the pixels constituting each region, a relatively high weight for a predetermined color expression range, and a relatively low weight for the remaining color expression range may be determined.
  • the boundary portion is relatively not expressed clearly in the image, so that the weight is determined to be relatively high, Since the part is relatively distinct from the background, the weight can be determined to be relatively low since the boundary part is expressed relatively clearly in the image. Applying the weighting may mean replacing pixels in the region to be enhanced with new pixel values multiplied by weights, as described above.
  • a predetermined color representation range to be subjected to image enhancement is dominant or has a distribution of a predetermined threshold value or more as a result of color distribution analysis of the region 810 included in the object image 800, 810) can be set relatively high.
  • the color expression range to be enhanced is red (R) and the dominant color of a predetermined region is red
  • one or more weights may be applied to the region.
  • the above example relates to the case of reinforcing the red color, but it is not limited thereto, and any color can be determined as the color to be strengthened.
  • the predetermined threshold value and / or the weight value may be arbitrarily determined or may be determined based on the accumulated image processing information. Alternatively, by performing learning on the threshold and / or weight through an artificial intelligence based learning model, optimal thresholds and / or weights can be continuously updated.
  • the image enhancement unit 540 may apply edge-based filtering or smoothing filtering to at least a portion of the one or more regions to generate a second output image for the object image.
  • the image enhancement unit 540 may generate a third output image for the object image based on the generated first output image and the second output image.
  • Edge-based filtering or smoothing filtering is a technique for enhancing the contrast of an image including, but not limited to, Wiener filtering, unsharp mask filtering, histogram equalization, and linear contrast adjustment techniques, May include techniques for enhancing < / RTI >
  • FIG. 9 is a diagram for explaining a process of acquiring a final output image obtained by combining an image obtained using color distribution information and an image obtained by applying edge-based filtering or smoothing filtering according to an embodiment of the present disclosure.
  • the object image 900, the first area 910, and the weighted first area 910-1 of FIG. 9 correspond to the object image 800, the first area 810, and the weighted first area 910-1, And 810-1, respectively.
  • the image enhancement unit 540 may generate a first region 910-2 to which the filtering is applied to the first region 910, and may include a first region 910-1 to which weighting is applied, And the first area 910-2 to which the filtering is applied, to generate the final first area 910-3.
  • the image enhancement unit 540 may generate a second output image to which the above-described filtering techniques are applied to the remaining regions, and a third output image that combines the first output image and the second output image.
  • the process of generating the weighted region (e.g., 910-1), the filtered region (e.g., 910-2), and / or the final region 910-3 using the two may be performed on a domain basis.
  • the present invention is not limited to this, and the process may be performed in units of object images.
  • an object image second output image
  • the filtering to each of the regions included in the object image.
  • the final image (third output image) can be generated by combining the weighted object image and the enhanced edge object image.
  • the influence on the first output image may be relatively small by combining the second output image with the first output image.
  • the weight for distribution information can be determined to be relatively higher. Also, for example, by combining the first output image and the second output image, it is possible to more accurately recognize an object even when a plurality of objects overlap each other.
  • FIG. 10 is a diagram for explaining a process of obtaining a final output image using a graphical model according to an embodiment of the present disclosure.
  • the image enhancement apparatus determines each of the color expression ranges included in the color distribution information as individual nodes, and determines a relative relationship between the determined individual nodes, a first output image, a second output image, , A graphical model of a hierarchical structure can be generated.
  • the lowest-order node is the first color distribution information 1010-1 to the nth color distribution information 1010-n ≪ / RTI > Then, the first output image 1020 can be obtained by applying a weight to each of the color representation ranges of the corresponding divided region or the corresponding divided region based on the respective color distribution information.
  • the first output image 1020 may be determined as the final output image.
  • a third output image 1040 is generated based on the first output image 1020 and the second output image 1030.
  • the second output image 1030 is generated by applying a contrast enhancement technique You may.
  • FIG. 11 is a view for explaining an image enhancement method according to an embodiment of the present disclosure.
  • the image enhancement method of FIG. 11 is performed by the image enhancement apparatus of FIG. 5, and the description of the image enhancement apparatus of FIG. 5 may be applied to the image enhancement method of FIG.
  • step S1100 an input image can be received.
  • the object included in the input image can be extracted in step S1110. For example, a pixel value of an input image may be compared with a predetermined threshold value to binarize the pixel value, and binarized pixel values may be grouped to extract an object included in the analysis target image.
  • the object image including the object may be divided into one or more regions.
  • the number and size of regions for dividing the object image can be determined based on the size of the object image.
  • the size of each of the regions dividing the object image may not be equal to each other.
  • the object image when the object image is not a square, the object image may be converted into a square by up-sampling or down-sampling the object image, and then the object image may be divided into one or more regions have.
  • the color distribution information may be obtained for each of the one or more areas.
  • the color distribution information may include information on each of n (n is an integer greater than 1) color expression ranges.
  • one or more weights may be determined for at least some of the one or more areas.
  • the one or more weights may include weights for at least some of the n color representation ranges. For example, if one area has n color expression ranges, the number of weights in the corresponding area may be 1 to n.
  • the determined one or more weights may be applied to at least one of the one or more regions to generate a first output image for the object image.
  • edge-based filtering or smoothing filtering may be applied to at least a portion of the one or more regions to generate a second output image for the object image.
  • a third output image for the object image may be generated based on the generated first output image and the second output image
  • the present invention is not limited thereto, and the input image may be an image including two or more objects. In this case, it is possible to distinguish two or more objects and backgrounds from the input image, and generate position information for each of the two or more objects. Also, in this case, in the description with reference to FIG. 6, when a plurality of pixel groups are formed, it can be determined that not only the pixel group formed in the largest shape but also the other pixel groups are regions for the object. The process of generating the position information of each determined object is the same as described for the image including one object.
  • At least some of the steps of the components of the image enhancement apparatus of the present disclosure and the image enhancement method may be performed using an artificial intelligence based or deep run based model. For example, a weight determined on the basis of the size, number and color distribution information of an area generated by dividing an object image, various thresholds mentioned in the present disclosure, whether or not a second output image is generated, Model can be learned, and information according to the learned model can be used.
  • FIG. 12 An embodiment of a context analysis method performed by the image analysis apparatus 112 will be described with reference to FIGS. 12 to 17.
  • FIG. 12 An embodiment of a context analysis method performed by the image analysis apparatus 112 will be described with reference to FIGS. 12 to 17.
  • FIG. 12 An embodiment of a context analysis method performed by the image analysis apparatus 112 will be described with reference to FIGS. 12 to 17.
  • FIG. 12 An embodiment of a context analysis method performed by the image analysis apparatus 112 will be described with reference to FIGS. 12 to 17.
  • the image analysis apparatus 1200 of FIG. 12 may be an embodiment of the image analysis apparatus 112 of FIG. Alternatively, the image analyzing apparatus 1200 of FIG. 12 may be included in the image analyzing apparatus 112 of FIG. 1, or may be a separate apparatus for performing context analysis.
  • the image analysis apparatus 1200 may include a feature extraction unit 1210, a context generation unit 1220, and / or a feature and context analysis unit 1230. It should be noted, however, that this shows only some components necessary for explaining the present embodiment, and the components included in the image analysis apparatus 1200 are not limited to the above-described examples.
  • the image analysis apparatus 1200 extracts the characteristics of the input image (analysis target image), generates context information based on the extracted features, and analyzes the analysis target image based on the extracted features and the generated context information have. For example, the image analysis apparatus 1200 can classify an image or locate an object of interest using extracted features and generated context information.
  • the input image of the image analysis apparatus 1200 may be the same as the input image of the image analysis apparatus 112 of FIG.
  • the feature extracting unit 1210 can extract an image feature by analyzing the input image.
  • the feature may be a local feature for each region of the image.
  • the feature extraction unit 1210 may extract features of an input image using a general convolutional neural network (CNN) scheme or a pooling scheme.
  • the pooling scheme may include at least one of a max pooling scheme and an average pooling scheme.
  • the pulling technique referred to in the present disclosure is not limited to the max-pulling technique or the average-pulling technique, and includes any technique of obtaining a representative value of an image area of a predetermined size.
  • the representative value used in the pooling technique may be at least one of a variance value, a standard deviation value, a mean value, a most frequent value, a minimum value, a weighted average value, etc., in addition to the maximum value and the average value.
  • the composite neural network of the present disclosure may be used to extract "features" such as borders, line colors, etc. from input data (images) and may include multiple layers. Each layer can receive input data and process the input data of the layer to generate output data. The composite neural network can output the feature map generated by convoluting the input image or the input feature map with filter kernels as output data. The initial layers of the composite product neural network may be operated to extract low level features such as edges or gradients from the input. The next layers of the neural network can extract gradually more complex features such as eyes, nose, and so on. The concrete operation of the composite neural network will be described later with reference to FIG.
  • the composite neural network may also include a pooling layer in which a pooling operation is performed in addition to the convolutional layer in which the convolution operation is performed.
  • the pooling technique is a technique used to reduce the spatial size of data in the pooling layer.
  • the pooling technique includes a max pooling technique for selecting a maximum value in a corresponding area and an average pooling technique for selecting an average value of the corresponding area.
  • a max pooling technique is generally used do.
  • the window size and interval (stride) of the pooling are generally set to the same value.
  • the stride means adjusting the interval to move the filter when applying the filter to the input data, i.e., the interval at which the filter moves, and the stride can also be used to adjust the size of the output data.
  • the specific operation of the pulling technique will be described later with reference to FIG.
  • the feature extraction unit 1210 is a pre-processing for extracting a feature of an analysis object image, and can apply filtering to the analysis object image.
  • the filtering may be Fast Fourier Transform (FFT), histogram equalization, motion artifact rejection, or noise rejection.
  • FFT Fast Fourier Transform
  • the filtering of the present disclosure is not limited to the methods listed above, and may include any type of filtering that can improve the quality of the image. Or enhancement of the image described with reference to Figs. 5 to 11 as pre-processing may be performed.
  • the context generation unit 1220 can generate the context information of the input image (analysis target image) using the characteristics of the input image extracted from the feature extraction unit 1210.
  • the context information may be a representative value indicating all or a part of the region to be analyzed.
  • the context information may be global context information of the input image.
  • the context generation unit 1220 may generate context information by applying the resultant synthesis neural network technique or the pulling technique to the features extracted from the feature extraction unit 1210.
  • the pooling technique may be, for example, an average pooling technique.
  • the feature and context analyzing unit 1230 can analyze the image based on the features extracted from the feature extracting unit 1210 and the context information generated in the context generating unit 1220.
  • the feature and context analyzing unit 1230 according to an embodiment concatenates the local features of each region of the image extracted by the feature extracting unit 1210 and the global context reconstructed from the context generating unit 1220, Or the like to classify an input image or use it to find a position of an object of interest included in an input image. Since the information at the specific two-dimensional position in the input image includes not only the local feature information but also the global context information, the feature and context analyzing unit 1230 uses the information to distinguish the local feature information Can more accurately recognize or classify similar input images.
  • the invention according to one embodiment of the present disclosure allows for more accurate and efficient learning and image analysis by using global context information as well as local features used by a general artificial neural network technique do.
  • the neural network to which the invention according to the present disclosure is applied can be referred to as a 'depth neural network through context analysis'.
  • FIG. 13 is a diagram illustrating a process of generating and analyzing context information of an image according to an embodiment of the present disclosure.
  • the feature extraction unit 1310 may extract a feature from the input image 1312 using the input image 1312 and generate a feature image 1314 including the extracted feature information.
  • the extracted feature may be a feature of the local region of the input image.
  • the input image 1312 may include an input image of the image analysis apparatus or a feature map of each layer in the composite neural network model.
  • the feature image 1314 may include a feature map and / or feature vector obtained by applying a composite neural network technique and / or a pulling technique to the input image 1312.
  • the context generation unit 1320 may generate context information by applying a composite neural network technique and / or a pooling technique to the feature image 1314 extracted by the feature extraction unit 1310.
  • the context generation unit 1320 can generate context information of various scales such as an entire image, a quadrant region, and a 9th region by variously adjusting the pooling interval.
  • a full context information image 1322 including context information on an image of a full size of an image a quadrature context information image 1322 including context information on a quadruple image having a size divided into four quadrants, 1324
  • a 9-ary context information image 1326 including context information for a 9-ary image having a size divided into nine equal parts of the whole image.
  • the feature and context analyzer 1330 can more accurately analyze the specific region of the analysis target image using both the feature image 1314 and the context information images 1322, 1324, and 1326.
  • a characteristic image 1314 including a local feature extracted by the feature extraction unit 1310 Can not accurately determine whether it is a car or a boat. That is, although the feature extracting unit 1310 can recognize the shape of the object based on local features, there are cases where it is not possible to correctly identify and classify the object only by the shape of the object.
  • the context generation unit 1320 generates context information 1322, 1324, and 1326 based on the analysis object image or the feature image 1314 to more accurately identify and classify objects . For example, if the feature extracted for the whole image is recognized or classified as "natural landscape ", the feature extracted for the quadrant image is recognized or classified as” Quot; natural scenery ", “lake “, and” water "as the context information.
  • the feature and context analyzer 1330 can identify the object having the shape of the boat or car as a "boat" by utilizing the context information.
  • the context information for the entire image, the context information for the quadruple image, and the context information for the nine-divided image are generated and utilized.
  • context information for an image having a size other than the image of the above-described size may be generated and utilized.
  • FIG. 14 is a diagram for explaining a process of analyzing an image and identifying an object according to an image analysis apparatus according to an embodiment of the present disclosure.
  • the image analysis apparatus 1400 receives the image 1410 and generates information about image regions of various sizes, thereby accurately identifying and / or classifying the objects included in the image 1410.
  • the input image 1410 may be, for example, an X-ray image including a bag.
  • the image analysis apparatus 1400 analyzes the input image 1410 according to the above description, extracts features of the entire image, features of a partial region of the image, and accurately identifies the objects included in the image 1410 can do.
  • the feature 1422 for the entire image may be, for example, a feature of the shape of the bag.
  • the features for a portion of the image may include, for example, features 1424 for the handle, features 1426 for the zipper, features for the ring 1428, and the like.
  • the image analysis apparatus 1400 can accurately identify that the object included in the image 1410 is a "bag” by utilizing the generated features 1422, 1424, 1426, and 1428 as context information.
  • the image analysis apparatus 1400 may determine that the object contained in the image 1410 can not be identified as a " bag " Can not be identified as " bag ".
  • an abnormality of the object can be output. For example, when an unstructured space that is not related to a normal characteristic of the "bag ", a space of a certain thickness or more is detected, the" bag "
  • context information that is not related to the normal context information when context information that is not related to the normal context information is included, such fact can be output to the readout source, and the readout source can perform close inspection or refinement inspection Can be performed.
  • 15 is a diagram for explaining the operation of the image analysis apparatus according to an embodiment of the present disclosure.
  • step S1500 the image analysis apparatus can extract the characteristics of the analysis target image.
  • the image analysis apparatus can extract characteristics of an input image by using a general artificial neural network technique or a pulling technique.
  • the feature of the analysis object image may be a local feature for each region of the image, and the pooling technique may include at least one of a max pooling technique and an average pooling technique.
  • step S1510 the image analysis apparatus can generate context information based on the features extracted in step S1500.
  • the image analysis apparatus may generate context information by applying the resultant artificial neural network technique and / or the pulling technique to the feature extracted in step S1500.
  • the context information may be a representative value indicating all or a part of the region of the image to be analyzed.
  • the context information may be global context information of the input image.
  • the pooling technique may be, for example, an average pooling technique.
  • step S1520 the image analysis apparatus may analyze the analysis target image based on the feature extracted in step S1500 and the context information generated in step S1510.
  • the image analysis apparatus may classify the input image by combining the local features of each region of the image extracted in operation S1500 and the global context reconstructed in operation S1510, or locate the object of interest included in the input image have. Therefore, since the information at a specific two-dimensional position in the input image is included from the local information to the global context, it is possible to more accurately recognize or classify input images which are different in actual contents but local information is similar to each other. Or context information that is not related to other context information.
  • 16 is a view for explaining an embodiment of a composite neural network for generating a multi-channel feature map.
  • the image processing based on the composite neural network can be applied to various fields.
  • image processing apparatuses for image object recognition image processing apparatuses for image reconstruction, image processing apparatuses for semantic segmentation, image processing for scene recognition, Device or the like.
  • the input image 1610 may be processed through the composite neural network 1600 to output the feature map image.
  • the outputted feature map image can be utilized in various fields as described above.
  • the composite neural network 1600 may be processed through a plurality of layers 1620, 1630, and 1640, and each layer may output multi-channel feature map images 1625 and 1635.
  • the plurality of layers 1620, 1630, and 1640 may extract a feature of an image by applying a filter having a predetermined size from the upper left end to the lower right end of the input data.
  • the plurality of layers 1620, 1630, and 1640 multiply the weighted value by the weighted upper left NxM pixel of the input data and map it to a neuron at the upper left of the feature map.
  • the weight to be multiplied will also be NxM.
  • the NxM may be, for example, 3x3, but is not limited thereto.
  • the plurality of layers 1620, 1630, and 1640 scans input data from left to right and from top to bottom by k squares, and maps the weights to neurons in the feature map.
  • the k-th column means a stride for moving the filter when performing the product multiplication, and can be set appropriately to adjust the size of the output data.
  • k may be one.
  • the NxM weight is called a filter or filter kernel. That is, the process of applying the filter in the plurality of layers 1620, 1630, and 1640 is a process of performing a convolution operation with the filter kernel. As a result, the extracted result is referred to as a "feature map" Map image ".
  • the layer on which the convolution operation is performed may be referred to as a convolution layer.
  • multiple-channel feature map refers to a set of feature maps corresponding to a plurality of channels, and may be, for example, a plurality of image data.
  • Channel feature maps 1625 and 1635 may be inputs at any hierarchy and may be output according to a feature map operation result, such as a convolution operation.
  • 1630, 1640 also referred to as " layers "or” convolutional layers. &Quot; Each layer sequentially receives the multi-channel feature maps generated in the previous layer, Channel characteristic maps generated in the L-1th layer (not shown) in the L (L is an integer) th layer 1640.
  • the multi-channel characteristic maps generated in the L-1th layer Maps can be generated.
  • the feature maps 1625 having the channel K1 are outputs according to the feature map operation 1620 in the layer 1 with respect to the input image 1610 and the feature maps 1630 ≪ / RTI >
  • feature maps 1635 with channel K2 are outputs according to feature map operation 1630 at layer 2 for input feature maps 1625 and feature map operations (not shown) at layer 3, ≪ / RTI >
  • the multi-channel feature maps 1625 generated in the first layer 1620 include feature maps corresponding to K1 (K1 is an integer) channels.
  • the multi-channel feature maps 1635 generated in the second layer 1630 include feature maps corresponding to K2 (K2 is an integer) channels.
  • K1 and K2 which represent the number of channels, may correspond to the number of filter kernels used in the first layer 1620 and the second layer 1630, respectively. That is, the number of multi-channel feature maps generated in the Mth layer (M is an integer equal to or greater than 1 and equal to or smaller than L-1) may be equal to the number of filter kernels used in the Mth layer.
  • 17 is a view for explaining an embodiment of the pulling technique.
  • the window size of the pulling is 2x2
  • the stride is 2
  • the output image 1790 can be generated by applying the maximum pulling to the input image 1710.
  • a 2x2 window 1710 is applied to the upper left of the input image 1710 and a representative value (here, maximum value 4) among the values in the window 1710 area is calculated to output the output image 1790 At a corresponding position 1720 of the display unit 1720.
  • the window is shifted by stride, that is, by 2, and the maximum value 3 of the values in the window 1730 region is input to the corresponding position 1740 of the output image 1790.
  • the above process is repeated from the left side of the input image by a stride. That is, as shown in FIG. 17C, the maximum value 5 of the values in the window 1750 area is input to the corresponding position 1760 of the output image 1790.
  • the window is shifted by a stride, and the maximum value 2 of the values in the window 1770 region is input to the corresponding position 1780 of the output image 1790.
  • FIG. 18 One embodiment of a method for generating a new composite image and / or corresponding virtual cargo information using a plurality of video and / or cargo information will be described with reference to FIGS. 18 to 22.
  • FIG. 18 One embodiment of a method for generating a new composite image and / or corresponding virtual cargo information using a plurality of video and / or cargo information will be described with reference to FIGS. 18 to 22.
  • FIG. 18 One embodiment of a method for generating a new composite image and / or corresponding virtual cargo information using a plurality of video and / or cargo information will be described with reference to FIGS. 18 to 22.
  • FIG. 18 is a block diagram showing a configuration of an image synthesizing apparatus according to an embodiment of the present disclosure.
  • the image synthesizing apparatus 1800 includes an object image extracting unit 1810, an object position information generating unit 1820, an image synthesizing unit 1830, and / or an object detecting deep learning model learning unit 1840 . It should be noted, however, that this shows only some of the components necessary for explaining the present embodiment, and the components included in the image synthesizer 1800 are not limited to the above-described examples. For example, two or more constituent units may be implemented in one constituent unit, and an operation performed in one constituent unit may be divided and executed in two or more constituent units. Also, some of the constituent parts may be omitted or additional constituent parts may be added. Or, among the components of the image analyzing apparatus 112 of FIG. 1, the image enhancing apparatus 500 of FIG. 5, the image analyzing apparatus 1200 of FIG. 12, and the image synthesizing apparatus 1800 of FIG. 18, The component performing the function may be implemented as one component.
  • the image synthesizing apparatus 1800 receives a first image including a first object and a second image including a second object, and for each of the first image and the second image, The first object and the second object are generated based on the position information of the first object and the position information of the second object, 3 image, and learn the object detection deep learning model using the position information of the first object, the position information of the second object, and the third image.
  • the input image 1850 may include an image including a single object.
  • the description of the input image 1850 is the same as the description of the input image described with reference to FIG.
  • the object image extracting unit 1810 may receive the image 1850 including a single object and may divide the received image into an object and a background.
  • the description of the object image extracting unit 1810 is the same as the description of the object image extracting unit 520 described with reference to FIG. 5 and FIG.
  • the object location information generation unit 1820 can determine the location of the object extracted from the object image extraction unit 1810. For example, the object position information generation unit 1820 specifies a bounding box surrounding the object region, and generates position information of the object classified by the object image extraction unit 1810 based on the specified rectangular box can do.
  • the description of the method of generating the location information of the object is the same as the description of the method referring to Fig.
  • position information of an object included in an image can be automatically generated, it is possible to avoid the hassle of a readout source for directly inputting the positional information of an object for each image for artificial intelligence learning .
  • the image synthesizing unit 1830 receives the position information of the object through the object image extracting unit 1810 and the object position information generating unit 1820, Can be generated.
  • the first image including the first object and the second image including the second object are respectively transmitted through the object image extracting unit 1810 and the object position information generating unit 1820,
  • the position information of the second object is obtained and the image combining unit 1830 generates a third image including the first object and the second object based on the obtained position information of the first object and the position information of the second object can do.
  • a detailed process of generating a multi-object image will be described in detail with reference to FIG.
  • the image combining unit 1900 of FIG. 19 is an embodiment of the image combining unit 1830 of FIG. 19, the image synthesizing unit 1900 includes a first single object image 1910, a second single object image 1920, and a first single object image 1920 obtained through an object image extracting unit and an object position information generating unit Object image 1940 and the multi-object image 1940 in which the first single object image 1910 and the second single object image are combined using the position information of the second single object image 1920 and the second single object image 1920, Location information 1950 for the objects that are being processed.
  • the image combining unit 1900 may also use the image 1930 for the background separated from the object when the first single object image 1910 and the second single object image 1920 are combined.
  • the position information of the first single object image 1910 and the position information of the second single object image 1920 may be arbitrarily modified.
  • image synthesis may be performed based on the corrected position information. Thus, it is possible to generate a large amount of composite images and virtual position information.
  • the object detection deep learning model learning unit 1840 can learn the object detection deep learning model using the position information of the first object, the position information of the second object, and the third image.
  • the object detection deep learning model learning unit 1840 can learn a combined-effect neural network model.
  • the position information of the first object, the position information of the second object, and the third image may be used for learning of the compound neural network model.
  • the object detection deep learning model learning unit 2000 of FIG. 20 is an embodiment of the object detection deep learning model learning unit 1840 of FIG. Referring to FIG. 20, it is possible to use a multi-object image 2010 synthesized using single object images and position information of objects as data necessary for learning.
  • the object detection deep learning model learning unit 2000 can learn the composite neural network 2020 by projecting the position information of each of the single objects with respect to the multi object image 2010.
  • a superimposed X-Ray image of a plurality of objects can be obtained.
  • the artificial neural network is learned by using the shape of each object together with the position information of the objects of the object, the more accurate detection result can be obtained even when the overlap between the objects occurs.
  • 21 is a diagram for explaining a process of analyzing an actual image using the image synthesizing apparatus according to an embodiment of the present disclosure.
  • the image synthesizing apparatus 2100 of FIG. 21 is an embodiment of the image synthesizing apparatus 1800 of FIG.
  • the object detecting apparatus 2120 can detect each object using the artificial neural network model learned in the image processing apparatus 2100 with respect to the image 2122 including multiple objects in the real environment.
  • the image synthesizing apparatus 2100 of the present disclosure When the present invention is applied to the electronic clearance system according to an embodiment, the image synthesizing apparatus 2100 of the present disclosure generates a new multi-object embedded image based on a single object region extraction in the X-ray image .
  • the object detection apparatus 2120 can also find an area where there are multiple objects included in the cargo passing through the X-ray searcher. Therefore, by automatically extracting the position of the object with respect to the X-ray image, it is possible to more easily perform the image inspection operation by the readout source, and further, the information including the extracted object and the quantity information of the object in the cargo And can be used for comparison of computerized information.
  • FIG. 22 is a view for explaining an image synthesizing method according to an embodiment of the present disclosure.
  • the first image including the first object and the second image including the second object may be input, and the object and the background may be distinguished for the first image and the second image, respectively.
  • a pixel value of an input image may be compared with a predetermined threshold value to binarize the pixel value, and binarized pixel values may be grouped to distinguish objects included in the input image.
  • step S2210 the location information of the first object and the second object may be generated.
  • a rectangular box surrounding the object area may be specified, and position information of the object classified in step S2200 may be generated based on the specified rectangular box.
  • a third image including the first object and the second object may be generated based on the position information of the first object and the position information of the second object.
  • the third image including the first object and the second object may be generated based on the position information of the first object and the position information of the second object obtained in step S2210.
  • the object detection deep learning model may be learned using the position information of the first object, the position information of the second object, and the third image.
  • the location information of the first object generated in step S2210, the location information of the second object, and the third image generated in step S2220 may be used for learning the articulated neural network model. .
  • the present invention is not limited thereto, and the input image may be an image including two or more objects. In this case, it is possible to distinguish two or more objects and backgrounds from the input image, and generate position information for each of the two or more objects.
  • the third image is generated based on the two single object images and the position information of the respective objects.
  • the present invention is not limited to this, and a third image may be generated using two or more single object images and position information of each object. That is, the image processing method and apparatus according to the present disclosure can generate a third image based on two or more images each including one or more objects and position information of each object.
  • the exemplary methods of this disclosure are represented by a series of acts for clarity of explanation, they are not intended to limit the order in which the steps are performed, and if necessary, each step may be performed simultaneously or in a different order.
  • the illustrative steps may additionally include other steps, include the remaining steps except for some steps, or may include additional steps other than some steps.
  • various embodiments of the present disclosure may be implemented by hardware, firmware, software, or a combination thereof.
  • one or more application specific integrated circuits (ASICs), digital signal processors (DSPs), digital signal processing devices (DSPDs), programmable logic devices (PLDs), field programmable gate arrays A general processor, a controller, a microcontroller, a microprocessor, and the like.
  • the present invention can be used to analyze objects included in an image.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

미리 학습된 딥러닝 기반의 모델을 이용하여, 하나 이상의 객체를 포함하는 영상을 분석하고, 분석된 결과를 출력하는 영상 분석 방법 및 장치가 제공된다. 본 개시의 영상 분석 방법은 적어도 하나의 객체를 포함하는 화물에 관한 분석 대상 영상을 수신하는 수신 단계, 상기 분석 대상 영상에 대해 전처리를 수행하는 전처리 단계, 미리 학습된 딥러닝 기반의 모델을 이용하여 상기 분석 대상 영상을 분석하는 분석 단계, 상기 분석된 결과를 출력하는 출력 단계, 상기 화물의 개장 검사 결과에 관한 정보를 수신하는 단계, 및 상기 분석 대상 영상, 상기 분석 결과 및 상기 개장 검사 결과에 관한 정보를 이용하여 상기 딥러닝 기반의 모델을 업데이트하는 모델 업데이트 단계를 포함할 수 있다.

Description

영상 분석 장치 및 방법
본 개시는 영상 분석 장치 및 방법에 관한 것이다. 보다 구체적으로, 본 개시는 미리 학습된 딥러닝 기반의 모델을 이용하여 입력 영상에 검색하고자 하는 대상이 포함되어 있는지를 분석하고, 상기 딥러닝 기반의 모델의 학습에 필요한 학습 데이터를 효율적으로 생성하는 장치 및 방법에 관한 것이다.
관세 전자 통관 시스템은 수출입 화물에 대한 통관 업무를 전산화한 것으로서, 이를 통해 다자간에 이루어지는 관세행정 업무의 효율성을 제고할 수 있다.
한편, 딥러닝(deep learning)은 매우 방대한 양의 데이터를 학습하여, 새로운 데이터가 입력될 경우 학습 결과를 바탕으로 확률적으로 가장 높은 답을 선택하는 것으로서, 영상에 따라 적응적으로 동작할 수 있으며, 데이터에 기초하여 모델을 학습하는 과정에서 특성인자를 자동으로 찾아내기 때문에 최근 인공 지능 분야에서 이를 활용하려는 시도가 늘어나고 있는 추세이다.
그러나, 기존의 관세 전자 통관 시스템은 이러한 딥러닝 등의 기술을 활용한 보다 효율적이고 정확한 데이터 분석에 관한 연구가 부족한 실정이다.
본 개시의 기술적 과제는, 딥러닝 기법이 적용된 전자 통관 시스템을 제공하는 것이다.
본 개시의 또 다른 기술적 과제는, 미리 학습된 딥러닝 기반의 모델을 이용하여 전자 통관 시스템에서 획득된 영상을 분석하는 장치 및 방법을 제공하는 것이다.
본 개시의 또 다른 기술적 과제는, 딥러닝 기반의 모델의 학습에 필요한 학습 데이터를 생성하는 장치 및 방법을 제공하는 것이다.
본 개시에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 개시의 일 양상에 따르면, 적어도 하나의 객체를 포함하는 화물에 관한 분석 대상 영상을 수신하는 수신 단계, 상기 분석 대상 영상에 대해 전처리를 수행하는 전처리 단계, 미리 학습된 딥러닝 기반의 모델을 이용하여 상기 분석 대상 영상을 분석하는 분석 단계, 상기 분석된 결과를 출력하는 출력 단계, 상기 화물의 개장 검사 결과에 관한 정보를 수신하는 단계, 및 상기 분석 대상 영상, 상기 분석 결과 및 상기 개장 검사 결과에 관한 정보를 이용하여 상기 딥러닝 기반의 모델을 업데이트하는 모델 업데이트 단계를 포함하는 영상 분석 방법이 제공될 수 있다.
본 개시의 다른 양상에 따르면, 적어도 하나의 객체를 포함하는 화물에 관한 분석 대상 영상을 수신하는 영상 수신부, 상기 분석 대상 영상에 대해 전처리를 수행하는 전처리부, 미리 학습된 딥러닝 기반의 모델을 이용하여 상기 분석 대상 영상을 분석하는 영상 분석부, 및 상기 분석된 결과를 출력하는 출력부를 포함하는 영상 분석 장치가 제공될 수 있다. 이 떄, 상기 영상 분석부는 상기 화물의 개장 검사 결과에 관한 정보를 수신하고, 상기 분석 대상 영상, 상기 분석 결과 및 상기 개장 검사 결과에 관한 정보를 이용하여 상기 딥러닝 기반의 모델을 업데이트할 수 있다.
본 개시의 또 다른 양상에 따르면, 적어도 하나의 객체를 포함하는 화물에 관한 분석 대상 영상을 수신하는 수신 단계, 상기 분석 대상 영상에 대해 전처리를 수행하는 전처리 단계, 미리 학습된 딥러닝 기반의 모델을 이용하여 상기 분석 대상 영상을 분석하는 분석 단계, 상기 분석된 결과를 출력하는 출력 단계, 상기 화물의 개장 검사 결과에 관한 정보를 수신하는 단계, 및 상기 분석 대상 영상, 상기 분석 결과 및 상기 개장 검사 결과에 관한 정보를 이용하여 상기 딥러닝 기반의 모델을 업데이트하는 모델 업데이트 단계를 수행하는 프로그램을 기록한 컴퓨터로 판독 가능한 기록 매체가 제공될 수 있다.
본 개시에 대하여 위에서 간략하게 요약된 특징들은 후술하는 본 개시의 상세한 설명의 예시적인 양상일 뿐이며, 본 개시의 범위를 제한하는 것은 아니다.
본 개시에 따르면, 딥러닝 기법이 적용된 전자 통관 시스템이 제공될 수 있다.
또한, 본 개시에 따르면, 미리 학습된 딥러닝 기반의 모델을 이용하여 전자 통관 시스템에서 획득된 영상을 분석하는 장치 및 방법이 제공될 수 있다.
또한, 본 개시에 따르면, 획득 영상과 판독 대상에 대한 정보를 이용하는 딥러닝 기반의 모델이 판독 대상 또는 판독 목적에 따라 구축됨으로써, 보다 높은 수준의 예측 결과와 분석 결과를 제공하는 전자 통관 시스템이 제공될 수 있다.
또한, 본 개시에 따르면, 딥러닝 모델의 학습에 필요한 학습 데이터를 효율적으로 생성할 수 있다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시의 일 실시 예에 따른 전자 통관 시스템을 설명하기 위한 도면이다.
도 2는 본 개시의 일 실시 예에 따른 영상 분석 장치(200)의 구성을 나타내는 블록도이다.
도 3은 영상의 판독 과정을 설명하기 위한 도면이다.
도 4는 본 개시의 일 실시 예에 따른 영상 판독 과정에서의 인공지능의 적용 범위를 설명하기 위한 도면이다.
도 5는 본 개시에 따른 영상 강화를 수행하는 영상 강화 장치의 일 실시 예를 도시한 도면이다.
도 6은 본 개시의 일 실시 예에 따라, 단일 객체를 포함하는 영상으로부터 객체와 배경을 구분하고, 객체의 위치 정보를 생성하는 과정을 설명하기 위한 도면이다.
도 7은 본 개시의 일 실시 예에 따른 객체의 물성에 기초하여 색상이 표현된 영상을 나타내는 도면이다.
도 8은 본 개시의 일 실시 예에 따른 영상의 색상 분포 정보에 기초하여 출력 영상을 생성하는 과정을 설명하기 위한 도면이다.
도 9는 본 개시의 일 실시 예에 따른 색상 분포 정보를 이용하여 획득된 영상과 에지 기반 필터링 또는 평활화 필터링을 적용하여 획득된 영상을 결합한 최종 출력 영상을 획득하는 과정을 설명하기 위한 도면이다.
도 10은 본 개시의 일 실시 예에 따른 그래피컬 모델을 이용하여 최종 출력 영상을 획득하는 과정을 설명하기 위한 도면이다.
도 11은 본 개시의 일 실시 예에 따른 영상 강화 방법을 설명하기 위한 도면이다.
도 12는 본 개시의 일 실시 예에 따른 맥락 분석을 설명하기 위한 도면이다.
도 13은 본 개시의 일 실시 예에 따른 영상의 맥락 정보를 생성하고 분석하는 과정을 나타내는 도면이다.
도 14는 본 개시의 일 실시 예에 따른 영상 분석 장치가 영상을 분석하여 객체를 식별하는 과정을 설명하기 위한 도면이다.
도 15는 본 개시의 일 실시 예에 따른 영상 분석 장치의 동작을 설명하기 위한 도면이다.
도 16은 다채널 특징맵을 생성하는 합성곱 신경망의 일 실시 예를 설명하기 위한 도면이다.
도 17은 풀링 기법의 일 실시 예를 설명하기 위한 도면이다.
도 18은 본 개시의 일 실시 예에 따른 영상 합성 장치의 구성을 나타내는 블록도이다.
도 19는 본 개시의 일 실시 예에 따른 단일 객체를 포함하는 두 개의 영상을 이용하여 다중 객체 영상을 생성하는 과정을 나타내는 도면이다.
도 20은 본 개시의 일 실시 예에 따른 다중 객체 영상을 이용하여 합성곱 신경망을 학습시키는 과정을 나타내는 도면이다.
도 21은 본 개시의 일 실시 예에 따른 영상 합성 장치를 이용하여 실제 영상을 분석하는 과정을 설명하기 위한 도면이다.
도 22는 본 개시의 일 실시 예에 따른 영상 합성 방법을 설명하기 위한 도면이다.
이하에서는 첨부한 도면을 참고로 하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나, 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.
본 개시의 실시 예를 설명함에 있어서 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그에 대한 상세한 설명은 생략한다. 그리고, 도면에서 본 개시에 대한 설명과 관계없는 부분은 생략하였으며, 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 개시에 있어서, 어떤 구성요소가 다른 구성요소와 "연결", "결합" 또는 "접속"되어 있다고 할 때, 이는 직접적인 연결관계뿐만 아니라, 그 중간에 또 다른 구성요소가 존재하는 간접적인 연결관계도 포함할 수 있다. 또한 어떤 구성요소가 다른 구성요소를 "포함한다" 또는 "가진다"고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 배제하는 것이 아니라 또 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
본 개시에 있어서, 제1, 제2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용되며, 특별히 언급되지 않는 한 구성요소들간의 순서 또는 중요도 등을 한정하지 않는다. 따라서, 본 개시의 범위 내에서 일 실시 예에서의 제1 구성요소는 다른 실시 예에서 제2 구성요소라고 칭할 수도 있고, 마찬가지로 일 실시 예에서의 제2 구성요소를 다른 실시 예에서 제1 구성요소라고 칭할 수도 있다.
본 개시에 있어서, 서로 구별되는 구성요소들은 각각의 특징을 명확하게 설명하기 위함이며, 구성요소들이 반드시 분리되는 것을 의미하지는 않는다. 즉, 복수의 구성요소가 통합되어 하나의 하드웨어 또는 소프트웨어 단위로 이루어질 수도 있고, 하나의 구성요소가 분산되어 복수의 하드웨어 또는 소프트웨어 단위로 이루어질 수도 있다. 따라서, 별도로 언급하지 않더라도 이와 같이 통합된 또는 분산된 실시 예도 본 개시의 범위에 포함된다.
본 개시에 있어서, 다양한 실시 예에서 설명하는 구성요소들이 반드시 필수적인 구성요소들은 의미하는 것은 아니며, 일부는 선택적인 구성요소일 수 있다. 따라서, 일 실시 예에서 설명하는 구성요소들의 부분집합으로 구성되는 실시 예도 본 개시의 범위에 포함된다. 또한, 다양한 실시 예에서 설명하는 구성요소들에 추가적으로 다른 구성요소를 포함하는 실시 예도 본 개시의 범위에 포함된다.
이하, 첨부한 도면을 참조하여 본 개시의 실시 예들에 대해서 설명한다.
도 1은 본 개시의 일 실시 예에 따른 전자 통관 시스템을 설명하기 위한 도면이다.
전자 통관 시스템(100)은 판독부(110) 및/또는 학습부(120)를 포함할 수 있다. 판독부(110)는 영상 분석 장치(112) 및/또는 출력 장치(114)를 포함할 수 있다. 학습부(120)는 데이터 베이스(122), 딥러닝 학습부(124), 알고리즘 검증부(126) 및/또는 학습된 모델 저장부(128)를 포함할 수 있다. 판독부(110)는 판독 인터페이스로서 기능할 수 있으며, 학습부(120)는 중앙 관리되는 인공지능 데이터 센터로서 기능할 수 있다.
전자 통관 시스템(100)의 입력(130)은 영상 및/또는 화물 정보를 포함할 수 있다.
상기 영상은 적어도 하나의 객체를 포함하는 화물에 관한 영상일 수 있다. 예컨대, X-Ray 판독 기기가 촬영한 화물에 관한 X-Ray 영상일 수 있다. 상기 영상은 X-Ray 영상 기기가 촬영한 로(raw) 이미지이거나 상기 로 이미지를 저장 또는 전송하기 위한 임의의 형태(포맷)의 이미지일 수 있다. 상기 영상은 X-Ray 판독 기기가 촬영하여 모니터와 같은 출력 장치로 전송하는 영상 정보를 캡쳐하여 데이터화함으로써 획득될 수도 있다. 영상은 출력 장치(114)에 출력되기 전, 또는 영상 분석 장치(112)에 입력되기 전에 강화될 수 있다. 영상을 강화하는 방법에 대해서는 후술한다. 출력 장치(114)는 영상 또는 강화된 영상을 출력할 수 있다. 영상 분석 장치(112)는 영상 또는 강화된 영상을 입력받아 후술하는 영상 분석 장치(112)의 동작을 수행할 수 있다.
상기 화물 정보는 대응하는 영상에 포함된 화물에 관한 정보일 수 있다. 화물 정보는 예컨대, 수입 신고된 정보 및/또는 통관 목록 리스트 정보를 포함할 수 있다. 화물 정보는 영상 분석 장치(112)에 입력되기 전에 소정의 전처리 과정을 거칠 수 있다. 예컨대, 화물 정보에 포함된 화물 목록, 반입 정보 등에 대해 품명의 정제 작업이 수행될 수 있다. 품명의 정제 작업이란 동일 또는 유사한 화물에 대해 입력되는 다양한 화물의 명칭을 통일하는 작업을 의미할 수 있다.
화물 정보의 입력은 선택적일 수 있다. 예컨대, 본 개시의 전자 통관 시스템(100)은 화물 정보의 입력이 없어도 영상만을 입력으로 받아 동작할 수 있다. 상기 화물은 검사 또는 판독 대상의 화물로서 모든 종류의 화물을 포함할 수 있다. 예컨대, 상기 화물은 특송 화물, 우편 화물, 컨테이너 화물, 여행자 수송 화물 및 여행자 자신 중 적어도 하나일 수 있다. 예컨대, 여행자를 판독하고, 판독된 여행자가 이상이 있거나 위험한 객체를 과거에 운송한 이력이 있는 요주의 여행자인 경우, 해당 여행자의 화물에 대해서는 다른 여행자의 화물보다 높은 수준의 분석 및/또는 판독을 수행하도록 할 수 있다. 예컨대, 특정 화물이 요주의 여행자의 화물이라는 정보를 판독원에게 제공할 수 있다.
전자 통관 시스템(100)은 영상 및/또는 화물 정보(130)를 입력받아 출력 장치(114)에 전송하거나, 영상 분석 장치(112)에 전송할 수 있다. 영상 분석 장치(112)는 미리 학습된 딥러닝 기반의 모델을 이용하여 입력된 영상을 분석할 수 있다. 영상 분석 장치(112)는 분석된 결과를 출력 장치(114)로 전송할 수 있다. 출력 장치(114)는 입력된 영상 및/또는 화물 정보(130), 영상 분석 장치(112)로부터 전송받은 영상 분석 결과를 출력하고, 판독원(140)은 출력 장치(114)의 출력 결과를 판독할 수 있다. 전술한 바와 같이, 화물 정보(130)에 대해 정제 작업이 수행될 수 있으며, 또한, 영상 분석 장치(112)에 입력되기 전 및/또는 출력 장치(114)에 출력되기 전에 분석 대상 영상에 대해 영상 강화가 수행될 수 있다.
출력 장치(114)는 모니터, 경고등 등의 시각 정보를 출력하는 장치, 스피커 등의 음향 정보를 출력하는 장치, 바이브레이터 등의 촉각 정보를 출력하는 장치 등 인간이 감지할 수 있는 모든 형태의 신호를 출력할 수 있는 장치를 포함한다.
상기 영상 분석 장치(112)의 영상 분석 결과, 해당 영상에 검출 대상인 객체, 이상이 있는 객체 또는 위험도가 임계치 이상인 객체가 포함된 경우, 이와 관련된 정보가 영상 분석 결과로서 출력 장치(114)를 통해 출력되고, 판독원(140)은 이를 확인할 수 있다. 상기 영상 분석 장치(112)는 분석 대상 영상을 분석하는 다양한 과정을 수행할 수 있다. 예컨대, 영상 분석 장치(112)는 분석 대상 영상을 보다 정확히 분석하기 위해, 맥락 분석을 수행할 수 있다. 상기 영상 분석 장치(112)가 수행하는 다양한 과정 및 맥락 분석에 대해서는 후술한다.
판독원(140)은 출력 장치(114)를 통해 출력된 영상 분석 결과에 기초하여 추가적인 검사의 수행 여부를 결정할 수 있다. 상기 추가적인 검사는 해당 영상에 관한 화물을 직접 열어 해당 화물에 포함된 객체를 확인하는 개장 검사를 포함할 수 있다. 본 명세서에서 검색 대상 객체는 전술한 바와 같이 이상이 있는 객체 또는 위험도가 임계치 이상인 객체를 의미할 수 있다. 그러나 이에 한정되지 않으며, 본 개시의 시스템에 의해 검출 또는 검색하고자 하는 다양한 객체를 포함할 수 있다.
영상 분석 장치의 영상 분석 결과, 판독원이 직접 개장 검사를 수행한 후 입력하는 개장 검사 결과 및/또는 영상 분석 장치가 영상과 화물 정보를 매칭한 매칭 결과 정보 등은 학습부(120)에 전송될 수 있다. 학습부(120)는 새롭게 수신한 정보를 데이터 베이스(122)에 저장하고, 딥러닝 학습부(124)는 데이터 베이스(122)에 저장된 정보를 이용하여 딥러닝 학습을 수행할 수 있다. 또는 데이터 베이스(122)에 저장됨이 없이, 딥러닝 학습부(124)가 상기 학습 데이터의 전부 또는 일부를 직접 수신할 수도 있다. 딥러닝 학습부(124)에서 학습된 결과는 알고리즘 검증부(126)에서 검증되고, 검증된 모델은 학습된 모델 저장부(128)에 업데이트된 모델로서 저장될 수 있다. 학습된 모델 저장부(128)에 저장된 모델은 다시 영상 분석 장치(112)로 전송되고, 영상 분석 장치(112)는 수신한 모델을 전술한 미리 학습된 딥러닝 기반의 모델로서 업데이트하여 이용할 수 있다.학습부(120)는 복수의 영상을 수신하여 합성함으로써 하나의 합성 영상을 생성할 수 있다. 또한 상기 복수의 영상의 각각에 대한 영상 분석 결과, 개장 검사 결과 및/또는 매칭 결과 정보 등을 이용하여 상기 합성 영상에 대응하는 가상의 영상 분석 결과, 개장 검사 결과 및/또는 매칭 결과 정보를 생성할 수 있다. 학습부(120)는 상기 합성 영상 및 상기 생성된 가상의 정보 등을 학습 데이터로서 이용할 수 있다. 이에 따르면 학습 데이터의 수가 절대적으로 적다고 하더라도, 이들 학습 데이터를 합성하거나 병합함으로써, 인공 지능 모델의 학습에 필요한 충분한 양의 학습 데이터를 생성해 낼 수 있다. 영상의 합성 및 합성 영상에 대한 가상의 정보의 생성에 대해서는 후술한다.
판독부(110)와 학습부(120)는 별개의 장치로 구현될 수도 있고, 동일한 장치 내에서 구현될 수도 있다. 또한 판독부(110)와 학습부(120)가 포함하는 구성의 일부 또는 전부는 하드웨어로 구성되거나 소프트웨어로 구성될 수 있다.
인공지능 기술은 컴퓨터에게 데이터를 학습시켜 마치 사람처럼 스스로 의사결정을 할 수 있게 하는데, 인공 신경망(artificial neural network)은 생물학의 신경망에서 영감을 얻은 수학적 모델로서, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런이 학습을 통해 시냅스의 결합 세기를 변화시킴으로써 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 일반적으로 입력층(input layer), 은닉층(hidden layer) 및 출력층(output layer)로 구성되어 있으며 각 층에 포함된 뉴런들이 가중치를 통해 연결되어 있으며, 가중치와 뉴런값의 선형 결합과 비선형 활성화 함수를 통해 인공 신경망은 복잡한 함수를 근사화할 수 있는 형태를 가질 수 있다. 인공 신경망 학습의 목적은 출력층에서 계산된 출력과 실제 출력의 값 차이를 최소화 시키는 가중치를 찾는데 있다.
심층 신경망(deep neural network)은 입력층과 출력층 사이에 여러 개의 은닉층들로 이루어진 인공 신경망으로서, 많은 은닉층을 통해 복잡한 비선형 관계들을 모델링할 수 있으며, 이처럼 층의 개수를 늘림으로써 고도화된 추상화가 가능한 신경망 구조를 딥러닝(deep learning)이라고 부른다. 딥러닝은 매우 방대한 양의 데이터를 학습하여, 새로운 데이터가 입력될 경우 학습 결과를 바탕으로 확률적으로 가장 높은 답을 선택하기 때문에 영상에 따라 적응적으로 동작할 수 있으며, 데이터에 기초하여 모델을 학습하는 과정에서 특성인자를 자동으로 찾아낼 수 있다.
본 개시의 일 실시 예에 따르면, 딥러닝 기반의 모델은 완전 합성곱 신경망(완전 컨볼루션 뉴럴 네트워크, fully convolutional neural network), 합성곱 신경망(컨볼루션 뉴럴 네트워크, convolutional neural network), 순환 신경망(회귀 뉴럴 네트워크, recurrent neural network), 제한 볼츠만 머신(restricted Boltzmann machine, RBM) 및 심층 신뢰 신경망(deep belief neural network, DBN) 중 적어도 하나를 포함할 수 있으나, 이에 제한되지 않는다. 또는, 딥러닝 이외의 머신 러닝 방법도 포함할 수 있다. 또는 딥러닝과 머신 러닝을 결합한 하이브리드 형태의 모델도 포함할 수 있다. 예컨대, 딥러닝 기반의 모델을 적용하여 영상의 특징을 추출하고, 상기 추출된 특징에 기초하여 영상을 분류하거나 인식할 때는 머신 러닝 기반의 모델을 적용할 수도 있다. 머신 러닝 기반의 모델은 서포트 벡터 머신(Support Vector Machine, SVM), 에이다부스트(AdaBoost) 등을 포함할 수 있으나, 이에 한정되지 않는다.
또한, 본 개시의 일 실시 예에 따르면, 딥러닝 기반의 모델을 학습하는 방법은 지도 학습(supervised learning), 비지도 학습(unsupervised learning) 또는 강화 학습(reinforcement learning) 중 적어도 하나를 포함할 수 있으나, 이에 제한되지 않는다. 지도 학습은 일련의 학습 데이터와 그에 상응하는 레이블(label, 목표 출력값)을 이용하여 학습이 이루어지며, 지도 학습에 기초한 신경망 모델은 훈련용 데이터(training data)로부터 함수를 추론해내는 형태의 모델일 수 있다. 지도 학습은 일련의 학습 데이터와 그에 상응하는 목표 출력 값을 수신하고, 입력되는 데이터에 대한 실제 출력 값과 목표 출력 값을 비교하는 학습을 통해 오류를 찾아내고, 해당 결과를 근거로 모델을 수정하게 된다. 지도 학습은 결과물의 형태에 따라 다시 회귀(regression), 분류(classification), 검출(detection), 시멘틱 세그멘테이션(semantic segmentation) 등으로 구분될 수 있다. 지도 학습을 통해 도출된 함수는 다시 새로운 결과값을 예측하는데 사용될 수 있다. 이처럼, 지도 학습에 기초한 신경망 모델은 수많은 학습 데이터의 학습을 통해, 신경망 모델의 파라미터를 최적화하게 된다.
본 개시의 일 실시 예에 따르면, 딥러닝 기반의 모델은 입력 영상과 화물에 대한 정보를 학습에 이용할 수 있으며, 학습된 모델을 생성한 후에도 본 개시의 장치에서 획득된 영상과 화물에 대한 정보를 이용하여 신경망 모델을 업데이트할 수 있다. 또한, 본 개시의 일 실시 예에 따른 딥러닝 기반의 모델은 본 개시의 방법에 의해 출력되는 분석 결과, 예를 들어 식별된 객체에 대한 이상 유무 또는 위험도, 객체에 관한 정보, 식별된 객체가 검색 대상 객체인지의 여부 등의 예측 결과, 상기 예측 결과와 최종 개장 검사 결과에 대한 비교 정보, 상기 예측 결과에 대한 평가도 또는 신뢰도 정보 등을 이용하여 신경망 모델을 업데이트할 수 있다.
도 2는 본 개시의 일 실시 예에 따른 영상 분석 장치(200)의 구성을 나타내는 블록도이다. 도 2의 영상 분석 장치(200)는 도 1의 영상 분석 장치(112)의 일 실시 예이다.
영상 분석 장치(200)는 영상 수신부(210), 화물 정보 매칭부(220) 및/또는 영상 분석부(230)를 포함할 수 있다. 전술한 바와 같이, 화물 정보의 입력은 선택적이므로, 영상 분석 장치(200)는 화물 정보 매칭부(220)를 포함하지 않을 수 있다. 화물 정보의 입력에 관한 설명은 도 1을 참조하여 설명된 바와 같다.
영상 수신부(210)는 하나 이상의 객체를 포함하는 화물에 관한 영상을 수신할 수 있다. 영상 수신부(210)가 수신하는 영상에 관한 설명은 도 1을 참조하여 설명된 바와 같다.
화물 정보 매칭부(220)는 화물 정보 및 영상 수신부(210)에서 수신한 영상을 입력으로 수신하여 화물 정보와 영상의 매칭을 수행할 수 있다. 상기 화물 정보에 대한 설명은 도 1을 참조하여 설명된 바와 같다. 매칭된 영상과 화물 정보는 판독원에게 출력되어 판독원의 판독 업무를 보조할 수 있다. 또는 매칭된 영상과 화물 정보는 도 1의 학습부(120)에 전송되어, 딥러닝 모델의 학습에 이용될 수도 있다. 매칭된 영상과 화물 정보는 도 1의 학습부(120)의 데이터 베이스(122)에 저장되고, 이후, 판독 대상별 및/또는 판독 업무별로 정제되고, 딥러닝 학습부(124)는 판독 대상별 및/또는 적용될 판독 업무별로 정제된 데이터를 이용하여 학습을 수행할 수 있다. 상기 판독 대상은 특송 화물, 우편 화물, 컨테이너 화물, 여행자 수송 화물 및 여행자를 포함할 수 있다. 상기 판독 업무는 화물에 포함된 객체의 이상 유무 또는 위험 여부 판단, 식별된 객체가 검색 대상 객체인지의 여부 판단, 식별된 객체와 화물에 대한 정보의 매칭 여부에 대한 판단, 화물이 신고된 것인지 또는 신고되지 않은 것인지에 대한 판단을 포함할 수 있다. 전술한 바와 같이 학습부(124)에서 학습된 모델은 영상 분석부(230)에 입력되어 기존의 모델을 업데이트할 수 있다. 이 때, 판독 대상에 따라 적합한 인공 지능이 업데이트될 수 있다. 또한, 전술한 바와 같이, 학습부(124)는 기존의 학습 데이터를 활용하여 새로운 학습 데이터를 생성하고 이를 학습에 이용할 수도 있다. 새로운 학습 데이터는 기존의 영상의 합성 및 데이터의 병합에 의해 생성될 수 있음은 전술한 바와 같다.
영상 분석부(230)는 영상(분석 대상 영상) 또는 영상과 화물 정보를 수신하고, 미리 학습된 딥러닝 기반의 모델을 이용하여 상기 영상을 분석한 후, 분석된 결과를 출력 장치로 출력할 수 있다.
영상만이 수신되는 경우, 영상 분석부(230)는 영상에 포함된 객체를 식별하고, 식별된 객체에 대한 이상 유무 또는 위험도를 판단할 수 있다. 영상 분석부(230)는 후술하는 맥락 분석 과정을 수행하여 객체 식별의 정확도를 향상시킬 수 있다.
예컨대, 식별된 객체가 통관이 금지되거나 부적합하다고 판단되는 경우, 해당 객체는 이상이 있거나 위험하다고 판단될 수 있다. 상기 위험도는 수치로 표현될 수 있고, 소정의 임계치와의 비교를 통해 위험한 객체인지 여부가 판단될 수 있다. 상기 위험도에 관한 수치 및/또는 상기 소정의 임계치는 판독 대상 및/또는 판독 업무에 따라 적응적으로 결정될 수 있다.
영상과 화물 정보가 함께 수신되는 경우, 영상 분석부(230)는 영상과 화물 정보를 이용하여 영상에 포함된 객체에 대한 분석을 보다 정밀하게 수행할 수 있다. 예컨대, 화물 목록 리스트에 기재된 화물의 종류, 수량 및/또는 크기 정보 등을 영상으로부터 객체를 식별하는데 추가적으로 이용할 수 있다. 영상을 분석하여 식별한 객체와 화물 정보 사이에 불일치가 있는 경우, 이를 영상 분석 결과로서 출력할 수 있다.
영상 분석부(230)가 출력하는 영상 분석 결과는 객체의 위험도, 종류, 양, 수, 크기 및 위치 중 적어도 하나를 포함할 수 있다. 영상 분석 결과가 객체의 위치인 경우, 분석 대상 영상에 해당 객체의 위치를 표시하여 출력 장치로 출력할 수 있다. 해당 객체의 위치는 좌표로 표시될 수도 있으나, 판독원이 용이하게 판독할 수 있도록 출력 영상 내의 해당 위치에 객체를 강조하여 표시할 수 있다. 예컨대, 객체의 에지를 강조하거나 객체를 둘러싸는 사각 박스를 표시하여 객체를 강조할 수도 있다. 또한, 후술하는 영상 강화 과정을 통해 판독원이 보다 용이하게 객체를 식별할 수 있도록 소정의 객체 영역을 강화할 수 있다. 예컨대, 소정의 색상에 해당하는 영역을 강화하여, 영역이 보다 명확히 식별될 수 있도록 영상을 변환할 수 있다.
또는, 영상 분석부(230)는 분석 대상 영상에 검색 대상 객체(예컨대, 통관이 금지되거나 부적합한 객체)가 포함되는지 여부를 판단할 수 있다. 이를 위해, 영상 분석부(230)는 검색 대상 객체에 관한 정보를 수신하거나 미리 저장할 수 있다. 또한, 영상 분석부(230)는 영상에 포함된 객체를 식별하고, 식별된 객체가 검색 대상 객체인지 여부를 판단할 수 있다.
도 3은 영상의 판독 과정을 설명하기 위한 도면이다.
도 3의 (a)는 종래의 판독 과정에 관한 흐름도이고, 도 3의 (b)는 본 개시의 일 실시 예에 따른 판독 과정에 관한 흐름도이다.
도 3의 (a)에 도시된 바와 같이, 기존의 판독 과정에 따르면, 영상 및/또는 화물 정보가 입력(311)되면, 판독자에게 정보로서 제공(312)된다. 판독자는 영상 및/또는 화물 정보에 기초하여, 개장 검사가 필요한 화물을 선별(313)한다. 개장 검사를 수행한 결과는 검사 결과로서 입력(314)된다.
도 3의 (b)에 도시된 바와 같이, 본 개시의 일 실시 예에 따른 판독 과정에 따르면, 영상 및/또는 화물 정보가 입력(321)되면, 영상 분석 장치(322)는 미리 학습된 딥러닝 기반의 모델을 이용하여 영상을 분석하고, 분석된 결과를 판독자에게 정보로서 제공(324)한다. 또한 영상 분석 장치(322)는 학습 데이터를 인공지능 데이터 센터(323)로 전송하고, 인공지능 데이터 센터(323)는 학습 데이터를 학습할 수 있다. 인공지능 데이터 센터(323)는 추후 판독 대상별 판독 업무 보조 인공지능으로서 학습된 모델을 영상 분석 장치(322)에 전송할 수 있다.
판독자는 상기 영상 분석 장치(322)의 분석 결과, 영상 및/또는 화물 정보에 기초하여, 개장 검사가 필요한 화물을 선별(325)할 수 있다. 개장 검사를 수행한 결과는 검사 결과로서 입력(326)될 수 있다. 상기 검사 결과는 인공지능 데이터 센터(323)로 전송되어 학습 데이터로 이용될 수도 있다.
도 4는 본 개시의 일 실시 예에 따른 영상 판독 과정에서의 인공지능의 적용 범위를 설명하기 위한 도면이다.
도 4에 도시된 바와 같이, 모든 화물(410) 중 랜덤하게 추출된 샘플(420)을 관리 대상으로 선별(450)할 수 있다. 또는 관리 대상을 선별하기 위한 선별 보조 인공지능(430)을 이용하여, 모든 화물(410)에 대한 위험 분석(440)을 수행할 수 있고, 이를 통해 관리 대상을 선별(450)할 수 있다.
인공지능의 활용은 전술한 화물의 위험 분석(440)에만 국한되지 않는다. 예컨대, 관리 대상이 선별(450)되면, 이후, 검사를 보조하기 위한 검사 보조 인공지능(460)으로서 활용될 수 있다. 예컨대, 검사 보조 인공지능(460)을 적용함으로써, 객체의 식별, 식별된 객체의 이상 유무 또는 위험도 판단 및/또는 검색 대상 객체에 관한 정보를 판독원에게 제공함으로써 판독원의 검사를 보조할 수 있다. 판독원은 검사 보조 인공지능이 제공한 정보를 활용하여 정밀 검사(470)를 수행할 수 있다.
이하, 도 5 내지 도 11을 참조하여, 도 1의 영상 분석 장치(112)에 입력되기 전 및/또는 출력 장치(114)에 출력되기 전에 영상을 강화하는 방법의 일 실시 예를 설명한다.
도 5는 본 개시에 따른 영상 강화를 수행하는 영상 강화 장치의 일 실시 예를 도시한 도면이다.
도 5의 영상 강화 장치는 도 1의 영상 분석 장치(112)과는 별개로 구성되거나 또는 그 일부로서 구성될 수 있다.
영상 강화 장치(500)는 영상 수신부(510), 객체 영상 추출부(520), 색상 분포 분석부(530) 및/또는 영상 강화부(540)를 포함할 수 있다. 다만, 이는 본 실시예를 설명하기 위해 필요한 일부 구성요소만을 도시한 것일 뿐, 영상 강화 장치(500)에 포함된 구성요소가 전술한 예에 한정되는 것은 아니다. 예컨대, 둘 이상의 구성부가 하나의 구성부 내에서 구현될 수도 있고, 하나의 구성부에서 실행되는 동작이 분할되어 둘 이상의 구성부에서 실행되도록 구현될 수도 있다. 또한, 일부 구성부가 생략되거나 부가적인 구성부가 추가될 수도 있다.
본 개시의 일 실시 예에 따른 영상 강화 장치(500)는 입력 영상(550)을 수신하고, 입력 영상(550)에 포함되어 있는 객체를 추출하고, 객체를 포함하는 객체 영상을 하나 이상의 영역들로 분할하고, 하나 이상의 영역들 각각에 대해 색상 분포 정보를 획득하고, 색상 분포 정보에 기초하여, 하나 이상의 영역들 중 적어도 일부에 대해 하나 이상의 가중치를 결정하고, 결정된 하나 이상의 가중치를 하나 이상의 영역들 중 적어도 일부에 적용하여 객체 영상에 대한 제1 출력 영상(560)을 생성할 수 있다.
영상을 구성하는 각 픽셀은 휘도(밝기)를 나타내는 휘도 값과 색상을 나타내는 색상 값의 조합에 의해 소정의 밝기와 색상을 가질 수 있다. 이때, 색상 값은 색상을 표현하는 다양한 방식에 따라, 3개 또는 그 이상의 색요소의 값의 조합에 의해 나타내어질 수 있다. 예컨대, 색상 값은 3개의 색요소(Red(R), Green(G), Blue(B))의 조합인 RGB 값으로 표현될 수 있다. 예컨대, R, G, B의 각각은 0 내지 255 중 하나의 값을 가짐으로써, 해당 색요소 각각의 강도를 표현할 수 있다. R, G, B의 각각이 가질 수 있는 값의 범위는 R, G, B의 각각을 표현하는 비트 수에 기초하여 결정될 수 있다. 예컨대, 8 비트로 표현되는 경우, R, G, B의 각각은 0 내지 255 중 하나의 값을 가질 수 있다.
색상 분포 정보를 획득한다는 것은 해당 영역에 포함된 픽셀들의 색상 값의 색요소를 분석함으로써, 그로부터 획득될 수 있는 다양한 통계값을 획득한다는 것을 의미할 수 있다. 예컨대, 상기 통계값은 해당 영역에 포함된 픽셀들의 색상 값의 색요소 중 평균적으로 가장 큰 값을 갖는 색요소가 무엇인지에 관한 정보일 수 있다. 예컨대, 해당 영역에 포함된 모든 픽셀들의 R, G 및 B 각각의 값을 더한 값에 기초하여, R, G, B 중 총합 또는 평균이 가장 큰 색요소가 무엇인지 결정될 수 있다. 또는, 각 픽셀마다, R, G, B 중 가장 큰 값을 갖는 색요소를 해당 픽셀의 지배적 색상으로 결정하고, 해당 영역에 포함된 모든 픽셀들에 대해 어떤 색상이 지배적 색상으로 가장 많이 결정되었는지를 판단할 수 있다. 이와 같은 방법으로, 소정 영역의 지배적 색상이 무엇인지가 결정될 수 있다. 예컨대, 소정 영역에 포함된 대다수의 픽셀들의 색상 값들에 대해, 3 개의 색요소(R, G, B) 중 R이 가장 큰 값을 갖는다면, 해당 소정 영역의 지배적 색상은 적색(Red)인 것으로 판단할 수 있다. 상기 설명에서는, R, G, B의 각각을 기준으로 색상 분포 정보 또는 지배적인 색상을 분석하였다. 그러나, 이에 한정되지 않으며, R, G, B 중 둘 이상의 조합에 의해 표현되는 다양한 색상을 기준으로 분석할 수도 있다. 예컨대, 식별하고자하는 색상이 오렌지색이라면, 오렌지색을 표현하는 R, G, B의 일부 또는 전부의 조합을 기준으로하여 해당 영역 내의 픽셀의 지배적 색상이 오렌지색인지 여부를 판단할 수 있다.
이하에서, 지배적 색상이 적색인 영역이 영상 강화의 대상인 경우를 가정하고, 가중치를 적용하여 영상을 강화하는 과정의 일 실시 예를 구체적으로 설명한다. 색상 분포 정보에 기초하여 소정 영역의 지배적 색상이 적색인 것으로 판단되면, 해당 영역에 대해 하나 이상의 가중치가 결정될 수 있다. 가중치는 R, G, B 및 휘도의 전부 또는 일부에 대해 결정될 수 있다. 예컨대, 적색을 강화하는 경우, R에 대한 가중치는 1보다 큰 값일 수 있다. 가중치를 적용한다는 것은 해당 영역의 픽셀의 색요소 값에 해당 가중치를 곱한다는 의미일 수 있다. 이 경우, G 및/또는 B에 대한 가중치는 1보다 작은 값일 수 있다. 그럼으로써, 적색이 지배적인 영역은 보다 적색인 영역으로 강화할 수 있다.
상기에서는 영상의 특정 색상을 강화하는 것에 대해서 설명하였다. 그러나, 본 개시의 영상의 강화는 이에 한정되지 않으며, 색상 값의 변화 또는 밝기 값의 변화를 모두 포함할 수 있다. 따라서, 필요에 따라서는 휘도 값에 대해서도 가중치를 적용하여 영상을 강화할 수 있다.
이하, 영상 강화 장치(500)의 각 구성부에 대해 설명한다.
영상 수신부(510)는 하나 이상의 객체를 포함하는 입력 영상(550)을 수신할 수 있다. 입력 영상(550)은 영상 분석 장치(112)에 입력되기 전의 영상 및/또는 출력 장치(114)에 출력되기 전의 영상일 수 있다.
객체 영상 추출부(520)는 영상 수신부(510)에서 수신된 입력 영상에 포함되어 있는 객체를 추출하고, 객체를 포함하는 객체 영상을 하나 이상의 영역들로 분할할 수 있다. 예컨대 객체 영상 추출부(520)는 분석 대상 영상의 픽셀값과 소정의 임계값을 비교하여 픽셀값을 이진화하고, 이진화된 픽셀값을 그룹핑함으로써 입력 영상에 포함된 객체를 추출할 수 있다. 여기서 객체를 추출한다는 것은 객체와 배경을 구분한다는 의미일 수 있고, 객체는 영상 내의 특정한 물체를 의미하며 또한 배경은 영상에서 객체를 제외한 부분을 의미할 수 있다. 영상의 배경은 영상의 촬영 방법 또는 촬영 장치에 따라 소정의 색상으로 표현될 수 있다. 예컨대, 상기 소정의 색상은 흰색일 수 있다. 영상의 배경을 표현하는 색상이 특정된 경우, 특정된 배경 색상에 기초하여 배경과 객체를 분리할 수도 있다. 예컨대, 특정된 배경 색상 영역을 입력 영상(550)에서 삭제함으로써 객체를 구분할 수도 있다.
또한 예컨대 객체 영상은 객체 영역을 둘러싸는 사각형 박스(bounding box)를 특정함으로써 획득될 수 있으며, 객체 영상 추출부(520)는 특정된 사각형 박스에 기초하여, 구분된 객체의 위치 정보를 생성할 수 있다.
본 개시의 일 실시 예에 따를 때, 입력 영상이 X-Ray 판독 기기가 촬영한 화물에 관한 X-Ray 영상이라고 하면, 화물이 아닌 배경 부분은 불필요하기 때문에 해당 배경 부분은 잘라내고 화물이 존재하는 영역만으로 분석할 수 있다. 특히, 화물들이 컨베이어 벨트를 통해 계속적으로 X-Ray 판독 기기를 통과하는 실제 환경에서는 화물에 대한 영역을 획득하는 것이 중요하다고 할 수 있다. 객체와 배경을 구분하고 객체의 위치 정보를 생성하는 구체적인 과정은 도 6을 참고하여 자세히 설명한다.
도 6은 본 개시의 일 실시 예에 따라, 단일 객체를 포함하는 영상으로부터 객체와 배경을 구분하고, 객체의 위치 정보를 생성하는 과정을 설명하기 위한 도면이다. 도 6의 객체 영상 추출부(600)는 도 5의 객체 영상 추출부(520)의 일 실시 예일 수 있다. 입력 영상(610)은 도 5를 참조하여 설명한 입력 영상(550)일 수 있으며, 예컨대, 단일 객체로서 가방(612)을 포함하는 화물에 관한 영상일 수 있다.
객체 영상 추출부(600)는 먼저 하나의 가방(612)을 포함하는 입력 영상(610)에 대해 크로핑(cropping) 연산을 수행함으로써 가방(612)을 기준으로 주변 영역을 대략적으로(roughly) 잘라버린, 크로핑된 영상(620)을 획득할 수 있다. 그런 다음 객체 영상 추출부(600)는 크로핑된 영상(620)의 픽셀값과 소정의 임계값을 비교(thresholding)하여 픽셀값을 이진화함으로써 이진화된 영상(630)을 획득할 수 있다. 그리고, 객체 영상 추출부(600)는 이진화된 영상(630)에서 객체에 대한 부분을 선택하기 위해 근접한 픽셀끼리 그룹핑(군집화, morphology, closing)함으로써, 그룹핑된 영상(640)을 획득할 수 있다. 그런 다음, 객체 영상 추출부(600)는 그룹핑된 영상(640)에 대해 라벨링(labeling) 및 홀 채우기(hole filling) 연산을 수행하여 가장 큰 형태로 형성된 픽셀 그룹을 객체에 대한 영역(652)으로 결정하고, 나머지를 배경에 대한 영역(654)으로 결정함으로써 객체가 추출된 영상(650)을 획득할 수 있다. 또한, 객체 영상 추출부(600)는 추출된 객체 영상에 대한 정보를 이용하여 입력 영상(610) 내에서의 객체의 위치를 결정할 수 있다. 예컨대, 객체 영상 추출부(600)는 객체 영역을 둘러싸는 사각형 박스를 특정하고, 특정된 사각형 박스에 기초하여, 객체의 위치 정보를 생성할 수 있다. 도 6을 참조하면, 객체 영상 추출부(600)는 가방(612)을 둘러싸는 사각형 박스(662)를 특정하고, 특정된 사각형 박스에 기초하여, 가방(612)의 위치 정보를 획득할 수 있다. 예컨대, 가방(612)의 위치 정보는 사각형 박스(662)를 형성하는 네 개의 꼭지점의 위치 정보일 수 있으나, 이에 제한되지 않는다. 예컨대, 위치 정보는 사각형 박스(662)의 하나의 꼭지점의 좌표 (x, y) 및 사각형 박스의 가로 길이(width), 세로 길이(height)에 의해 표현될 수도 있다. 상기 하나의 꼭지점의 좌표 (x, y)는 사각형 박스(662)의 좌측 상단 꼭지점의 좌표일 수 있다. 상기 꼭지점의 좌표 (x, y)는 입력 영상(610)의 좌측 상단 꼭지점의 좌표 (0, 0)을 기준으로 특정될 수 있다.
다시 도 5를 참조하여, 객체 영상 추출부(520)는 객체 영상의 크기에 기초하여 객체 영상을 하나 이상의 영역들로 분할할 수 있다. 상기 하나 이상의 영역들의 각각은 정방형일 수 있다. 예컨대, 객체 영상 추출부(520)는 객체 영상의 크기에 기초하여 객체 영상을 분할하는 영역들의 개수나 크기를 결정할 수 있다. 예컨대, 객체 영상이 상대적으로 크거나 소정의 임계치 이상의 크기를 갖는 경우, 더 많은 분할 영역을 갖도록 분할될 수 있다. 또한, 객체 영상을 분할하는 영역들 각각의 크기는 서로 동일하지 않을 수 있다.
또한 객체 영상 추출부(520)는 객체 영상이 정방형이 아닌 경우, 객체 영상을 업샘플링(up-sampling) 또는 다운샘플링(down-sampling)하여 객체 영상을 정방형으로 변환한 후, 객체 영상을 하나 이상의 영역들로 분할할 수 있다. 예컨대, 객체 영상은 객체 영상 추출부(520)에서 추출된 객체에 대해 해당 객체를 둘러싸는 사각형 박스를 기초로 획득되므로 객체 영상이 정방형이 아닐 수 있다. 이 경우에 객체 영상 추출부(520)는 해당 객체 영상에 대해 하나 이상의 영역들로 분할할 수도 있겠으나, 객체 영상의 가로나 세로 방향으로 업샘플링 또는 다운샘플링 함으로써 정방형의 객체 영상을 획득하고, 획득된 정방형의 객체 영상을 하나 이상의 영역들로 분할할 수도 있다.
예컨대, 도 8을 참조하면, 객체 영상(800)은 가로 9픽셀 및 세로 12픽셀로 구성되어 정방형이 아닐 수 있다. 이 경우, 본 개시에 따르면, 객체 영상(800)을 3x3 크기의 정방형 영역으로 분할할 수도 있으나(이 경우, (객체 영상의 가로 크기/분할 영역의 가로 크기) x (객체 영상의 세로 크기/분할 영역의 세로 크기) = (9/3) x (12/3) = 12, 총 12개의 영역들을 가진다), 객체 영상(800)의 가로를 업샘플링 하여 가로 12픽셀 및 세로 12픽셀로 구성되는 영상을 획득하고, 이를 3x3 크기의 영역으로 분할하여 총 16개의 영역으로 분할할 수도 있다. 객체 영상을 분할하는 하나 이상의 영역들의 형태는 정방형으로 한정되지 않는다. 예컨대, 상기 영역은 n과 m이 상이한 양의 정수인 nxm의 형태를 가질 수도 있다. 이러한 경우, 전술한 업샘플링 또는 다운 샘플링이 수행되지 않을 수도 있다.
다시 도 5를 참조하여, 색상 분포 분석부(530)는 객체 영상 추출부(520)에서 분할된 영역들 각각에 대해 색상 분포 정보를 획득하고, 색상 분포 정보에 기초하여 영역들 중 적어도 일부에 대해 하나 이상의 가중치를 결정할 수 있다.
색상 분포 정보는 n(n은 1보다 큰 정수)개의 색상 표현 범위의 각각에 대한 정보를 포함할 수 있다. 색상 표현 범위는 영상 획득 장치의 종류, 성능 등에 따라 달라질 수 있다. 또한, 예컨대, R(red)에 대한 "색상"은 8비트의 영상에서 픽셀값이 (R, G, B) = (255,0,0)을 가지는 픽셀의 색상만을 의미할 수 있으나, R에 대한 "색상 표현 범위"는 상기 픽셀값이 (R, G, B)= (255,0,0)인 경우뿐만 아니라 상기 픽셀값을 기준으로 소정의 범위 내에 있는 유사 색상을 포함하는 의미이다. 예컨대, R에 대한 "색상 표현 범위"는 (R, G, B) = (150~255, 0~100, 0~100)의 범위일 수 있다. 즉, (R, G, B) = (150, 100, 100)인 픽셀도 적색(R)의 색상 표현 범위에 포함되는 것으로 정의할 수 있다. 상기 "색상 표현 범위"는 식별하고자 하는 색상에 대해 정의될 수 있다. 전술한 예에서는 적색의 색상 표현 범위를 기준으로 설명하였으나, 녹색(G) 또는 청색(B)의 색상 표현 범위가 정의될 수도 있다. 또는 R, G, B 중 일부 또는 전부를 조합하여 표현되는 임의의 색상(황색, 주황색, 하늘색 등)에 대한 색상 표현 범위를 정의할 수도 있다. 영상에 포함된 객체 중 예컨대, 주황색으로 표현되는 객체의 영역을 강화하고자 할 경우, 색상 분포 정보의 분석 결과, 주황색의 색상 표현 범위에 포함되는 픽셀이 다수이거나 지배적인 영역에 대해 가중치를 적용함으로써, 본 개시에 따른 영상 강화를 수행할 수 있다. 가중치를 적용하는 방법은 전술한 바와 같다.
영상 획득 장치가 R, G(green), B(blue)의 3가지 색요소의 조합에 의해 색상을 표현한다면, 색상 분포 정보는 3개의 색요소의 일부 또는 전부에 대한 정보를 포함할 수 있다. 색요소가 R, G, B, Y(yellow), P(purple) 5가지라면 색상 분포 정보는 5개의 색요소의 일부 또는 전부에 대한 정보를 포함할 수 있다.
X-Ray 판독 기기가 촬영한 화물에 관한 X-Ray 영상에 있어서, 영상에 포함되어 있는 객체들의 물성(예를 들어, 해당 객체가 유기물, 무기물, 금속 등인지 여부)에 따라 다른 색상 표현 범위를 적용한 X-Ray 영상이 사용되고 있다. 판독원은 색상이 부가된 X-Ray 영상을 판독함으로써, 영상에 포함된 객체의 형태뿐만 아니라, 객체의 물성에 대해서도 어느 정도의 식별이 가능하다. 본 개시의 영상 강화는 객체의 물성에 따른 색상이 부가된 X-Ray 영상을 입력 영상으로 하여, 색상 분포 정보를 분석하고, 이에 기초하여 특정 색상의 영역을 강화함으로써, 영상에 포함된 객체 검출의 정확도와 영상을 판독하는 판독원의 가독성을 향상시킬 수 있다.
도 7은 본 개시의 일 실시 예에 따른 객체의 물성에 기초하여 색상이 표현된 영상을 나타내는 도면이다.
도 7을 참조하면, X-Ray 판독 기기에 의해 촬영된 가방 영상(700), 의약품용기 영상(710) 및 여행자수화물 캐리어 영상(720)을 나타낸다. 가방 고리(702), 가방 지퍼(704), 의약품(712) 및 병(722)의 경우 각각 객체의 물성에 따라 색상 표현 범위(적용된 색상)가 상이함을 확인할 수 있다. 한편, 가방 고리(702), 가방 지퍼(704), 의약품(712) 및 병(722)은 다른 객체들과 구분될 수 있도록 비교적 선명하게 색상이 표현되어 있는 반면에, 수화물 내의 임의의 내용물(724)의 경우에는 여행자 수화물 영상(720)에서 그 임의의 내용물(724)이 무엇인지도 확인하기 어렵고 다른 객체들과 구분하기에도 용이하지 않음을 알 수 있다. 이것은 객체의 물성에 기인한 것이다. 예컨대, 금속이나 무기물은 배경과 뚜렷이 구분될 수 있도록 비교적 선명하고 뚜렷한 색상으로 표현되는 반면, 유기물은 옅은 색상으로 표현되어 배경과의 구분이 뚜렷하지 않게 된다. 유기물을 표현하는 색상의 영역에 대해서는 해당 색상을 강화하는 방법을 통해 배경과 뚜렷하게 구분될 수 있는 선명하고 뚜렷한 색상으로 강화할 수 있다.
다시 말해, 객체의 물성에 따라 색상 표현 범위가 상이하다는 특징을 이용하여, 색상 표현 범위에 따라 영상의 강화 정도를 다르게 할 필요가 있다. 이를 위해, 분할된 영역들 각각에 대한 색상 분포를 분석하여 적어도 일부의 영역에 대해 가중치를 적용할 수 있다.
상기 하나 이상의 가중치는 n개의 색상 표현 범위 또는 색상을 표현하는 n개의 색요소 중 적어도 일부에 대한 가중치를 포함할 수 있다. 예컨대, 하나의 영역이 n개의 색상 표현 범위 또는 색요소를 가진다고 하면, 해당 영역에서의 가중치의 개수는 1부터 n개를 가질 수 있다.
예컨대, 하나의 영역에 대해 하나의 가중치가 결정되는 경우, 상기 하나의 영역에 포함된 모든 색요소 또는 모든 색상 표현 범위에 대해 상기 결정된 가중치를 적용할 수 있다. 또는 상기 하나의 영역에 포함된 모든 색요소 또는 모든 색상 표현 범위 중 적어도 일부에 대해 상기 결정된 가중치를 적용할 수도 있다. 예컨대, 영상 강화를 위해, n개의 색요소 중 소정의 색요소 또는 n 개의 색상 표현 범위 중 소정의 색상 표현 범위에 대해서만 상기 결정된 가중치를 적용할 수 있다.
또는 예컨대, n개의 색요소 또는 n개의 색상 표현 범위의 각각에 대해 가중치가 결정될 수 있다. 즉, 하나의 영역에 대한 가중치의 개수는 n일 수 있다. 이 경우, 상기 영역에 포함된 모든 색요소 또는 색상 표현 범위의 각각에 대응되는 가중치를 해당하는 색요소 또는 색상 표현 범위에 적용할 수 있다. 가중치는 영상 강화의 대상이 되는 소정의 색요소 또는 색상 표현 범위에 대해 상대적으로 높은 가중치가 부여될 수 있다. 예컨대, 1보다 큰 가중치가 부여되어 해당 색요소의 값 또는 해당 색상 표현 범위에 속하는 픽셀값에 곱해질 수 있다.
또는 예컨대, 1보다 크고 n보다 작은 m개의 색요소 또는 색상 표현 범위의 각각에 대해 가중치가 결정될 수 있다. 즉, 하나의 영역에 대한 가중치의 개수는 m일 수 있다. 이 경우, 상기 영역에 포함된 색요소 또는 색상 표현 범위 중 가중치가 부여된 색요소 또는 색상 표현 범위에 대해서만 상기 부여된 가중치를 적용할 수 있다. 영상 강화의 대상이 되는 소정의 색요소 또는 색상 표현 범위에 대해 상대적으로 높은 가중치가 부여되는 것은 전술한 바와 같다.
전술한 바와 같이, n개의 색요소 또는 색상 표현 범위 중 소정의 색요소 또는 색상 표현 범위에 대해서는 가중치를 상대적으로 높게 결정할 수 있다. 예컨대, X-Ray 영상에 포함된 객체가 유기물인 경우 다른 물성(금속, 무기물 등)을 가진 객체에 비해 상대적으로 경계가 덜 선명하게 영상에 표현되는 경우가 많다. 이는 유기물인 객체의 색상이 주변의 다른 객체 또는 배경과 구분될 수 있을 정도로 선명하게 표현되지 않기 때문이다. 예컨대, 연한 주황색으로 표현됨으로써, 백색의 배경과 잘 구분되지 않는 경우가 있다. 따라서, 분할 영역 중 유기물을 나타내는 색상 표현 범위에 해당하는 부분에 대해서 상대적으로 높은 가중치를 부여함으로써, 해당 색상을 강화하여, 예컨대, 연한 주황색을 진한 주황색으로 변경할 수 있다. 이와 같은 방식으로 영상을 강화하여, 주변 객체 또는 배경과, 강화의 대상이 되는 객체의 구분을 보다 명확히 할 수 있다.
상대적으로 높은 가중치가 부여되는 상기 소정의 색요소 또는 색상 표현 범위는 하나 이상일 수 있다. 예컨대, 전체 색요소 또는 색상 표현 범위가 n개일 때, 상대적으로 높은 가중치가 부여되는 상기 소정의 색요소 또는 색상 표현 범위는 1 내지 n개일 수 있다. 상기 소정의 색요소 또는 색상 표현 범위가 복수 개일 때, 각각에 대해 요구되는 영상 강화의 정도는 상이할 수 있으며, 그에 따라 각각에 대해 상이한 가중치가 부여될 수 있다. 예컨대, 금속->무기물->유기물의 순서로 영상이 선명하게 표현될 때, 유기물에 대한 색요소 또는 색상 표현 범위에 대해서만 상대적으로 높은 가중치를 부여할 수도 있으나, 무기물과 유기물에 대해 금속보다 상대적으로 높은 가중치를 부여할 수도 있다. 이때, 무기물보다는 유기물에 상대적으로 높은 가중치가 부여될 수 있다.
분할된 영역들 각각에 대해 색상 분포 정보를 획득하고, 가중치를 결정하는 구체적인 과정은 도 8을 참고하여 자세히 설명한다.
도 8은 본 개시의 일 실시 예에 따른 영상의 색상 분포 정보에 기초하여 출력 영상을 생성하는 과정을 설명하기 위한 도면이다.
도 8을 참조하면, 객체 영상(800)은 제1 영역(810), 제2 영역(820) 등 하나 이상의 영역들로 분할될 수 있다. 객체 영상(800)에서 영역들을 분할하는 과정에 대해서는 도 5의 객체 영상 추출부(520)에 대해서 설명한 바와 같다. 이하에서 제1 영역(810)에서 색상 분포 정보가 획득되고 가중치가 결정되는 과정에 대해 자세히 설명한다. 제1 영역(810)은 3x3 크기의 영역으로서 총 9개의 픽셀을 가지고, 5개(n=5)의 색상 표현 범위(이하, 색상 표현 범위는 색요소로 치환될 수 있음)들을 가지는 것으로 가정한다. 일 실시 예에 따른 영상 강화 장치는 제1 영역(810)에 대해 5개의 색상 표현 범위에 대한 정보를 포함하는 색상 분포 정보를 획득하고, 획득된 색상 분포 정보에 기초하여 3x3 크기의 영역 중 적어도 일부에 대해 하나 이상의 가중치를 결정할 수 있다.
또는 영상 강화의 대상이 되는 소정의 색상 표현 범위에 대한 정보만을 색상 분포 정보로서 획득하고 이용할 수도 있다. 예컨대, 소정의 색상 표현 범위에 대한 분포 정보가 소정의 임계치 이상인 경우, 해당 영역은 강화의 대상으로 결정되고, 해당 영역에 상대적으로 높은 가중치가 부여될 수 있다.
색상 분포 정보에 기초하여 가중치를 결정하는 일 실시 예를 보다 구체적으로 살펴보면, 분할된 영역들 각각에 대해서, n개의 색상 표현 범위 각각에 대한 정보를 반영하는 n개의 색상 채널 영상들이 획득될 수 있다. 예컨대, 제1 영역(810)은 5개(n=5)의 색상 표현 범위들에 대한 정보를 가지므로 5개의 색상 채널 영상들이 획득될 수 있으며, 이를 제1 색상 채널 영상(830), 제2 색상 채널 영상(840), 제3 색상 채널 영상(850), 제4 색상 채널 영상(860) 및 제5 색상 채널 영상(870)이라 한다. 또한 예컨대, X-Ray 판독 기기가 R, G, B, Y, P의 5가지 색요소를 지원하는 경우, 제1 색상 채널 영상(830), 제2 색상 채널 영상(840), 제3 색상 채널 영상(840), 제4 색상 채널 영상(860) 및 제5 색상 채널 영상(870)은 각각 R, G, B, Y 및 P의 색요소에 대응될 수 있다.
제1 내지 제5 색상 채널 영상(830~870)의 각각은 제1 영역(810)의 구성 픽셀들 각각의 색상 정보에 기초하여 해당 색상 정보에 대응하는 색상 채널 영상에 각 픽셀을 매핑시킴으로써 생성될 수 있다. 예컨대, 제1 픽셀(812)은 제3 색상 채널 영상(850)의 해당 위치의 픽셀(852)에 매핑되고, 또한 제2 픽셀(814)은 제1 색상 채널 영상(830)의 해당 위치의 픽셀(832)에 매핑되고, 또한 제3 픽셀(816)은 제5 색상 채널 영상(870)의 해당 위치의 픽셀(872)에 매핑되고, 또한 제4 픽셀(818)은 제2 색상 채널 영상(840)의 해당 위치의 픽셀(842)에 매핑되고, 또한 제5 픽셀(820)은 제5 색상 채널 영상(870)의 해당 위치의 픽셀(874)에 매핑되고, 또한 제6 픽셀(822)은 제5 색상 채널 영상(870)의 해당 위치의 픽셀(876)에 매핑되고, 또한 제7 픽셀(824)은 제2 색상 채널 영상(840)의 해당 위치의 픽셀(844)에 매핑되고, 또한 제8 픽셀(826)은 제5 색상 채널 영상(870)의 해당 위치의 픽셀(878)에 매핑되고, 또한 제9 픽셀(828)은 제5 색상 채널 영상(870)의 해당 위치의 픽셀(880)에 매핑됨으로써, 상기 제1 내지 제5 색상 채널 영상(830~870)이 생성될 수 있다.
한편, 색상 표현 범위가 최대 n개인 경우, n보다 적은 수의 색상 채널 영상들이 획득될 수 있는데, 예컨대, 제1 영역(810)의 경우 제4 색상 채널 영상(860)에 해당되는 색상을 가진 픽셀이 존재하지 않기 때문에, 제4 색상 채널 영상(860)을 제외한 총 4개의 색상 채널 영상들이 획득될 수 있다.
색상 채널 영상들이 획득되면, 제1 색상 채널 영상(830), 제2 색상 채널 영상(840), 제3 색상 채널 영상(850), 제4 색상 채널 영상(860) 및 제5 색상 채널 영상(870)에 가중치 a1, a2, a3, a4 및 a5를 각각 적용할 수 있다.
가중치는 각 영역을 구성하는 픽셀들의 색상 분포를 고려하여 결정될 수 있으며, 예컨대, 픽셀들의 색상 분포에 비례하도록 가중치가 결정될 수 있다. 또는, 가중치는 소정의 색상 표현 범위에 대해서는 가중치를 상대적으로 높게, 나머지 색상 표현 범위에 대해서는 가중치를 상대적으로 낮게 결정할 수 있다.
다시 도 5를 참조하여, 영상 강화부(540)는 색상 분포 분석부(530)에서 결정된 하나 이상의 가중치를 하나 이상의 영역들 중 적어도 일부에 적용하여 객체 영상에 대한 제1 출력 영상을 생성할 수 있다.
도 8을 참조하면, 제1 색상 채널 영상(830), 제2 색상 채널 영상(840), 제3 색상 채널 영상(850), 제4 색상 채널 영상(860) 및 제5 색상 채널 영상(870)에 가중치 a1, a2, a3, a4 및 a5를 적용하고, 가중치가 적용된 상기 제1 내지 제5 색상 채널 영상을 결합하여 가중치가 적용된 제1 영역(810-1)이 획득될 수 있다. 그리고, 상기 객체 영상(800)의 나머지 영역들에 대해서도 상기 과정을 반복함으로써, 최종적으로 제1 출력 영상이 생성될 수 있다. 가중치는 각 영역을 구성하는 픽셀들의 색상 분포를 고려하여 결정되고 또한 소정의 색상 표현 범위에 대해서는 상대적으로 높은 가중치가, 나머지 색상 표현 범위에 대해서는 상대적으로 낮은 가중치가 결정될 수 있다. 예컨대, 각 분할 영역에서 유기물을 나타내는 색상에 해당되는 부분은 배경과의 구분이 뚜렷하지 않아 경계 부분이 영상에서 상대적으로 명확하게 표현되지 않으므로 가중치가 상대적으로 높게 결정되고, 금속을 나타내는 색상에 해당되는 부분은 배경과의 구분이 비교적 뚜렷하므로 경계 부분이 영상에서 상대적으로 명확하게 표현되기 때문에 가중치가 상대적으로 낮게 결정될 수 있다. 가중치를 적용한다는 것은 전술한 바와 같이, 강화되는 영역 내 픽셀을 가중치가 곱해진 새로운 픽셀값으로 치환하는 것을 의미할 수 있다.
또는 전술한 바와 같이, 객체 영상(800)에 포함된 영역(810)의 색상 분포 분석 결과, 영상 강화의 대상이 되는 소정의 색상 표현 범위가 지배적이거나 소정의 임계치 이상의 분포를 갖는 경우, 해당 영역(810)에 대해 상대적으로 높은 가중치를 설정할 수 있다.
예를 들어, 강화의 대상이 되는 색상 표현 범위가 적색(R)이고, 소정 영역의 지배적 색상이 적색일 때, 해당 영역에 1 이상의 가중치가 적용될 수 있다. 예컨대, 상기 소정 영역 내 픽셀의 (R, G, B) = (120, 10, 10) 일 때, 가중치 2를 적용함으로써, (R, G, B) = (240, 20, 20)으로 강화할 수 있다. 또는, R, G, B 중 일부, 예컨대, 적색에만 가중치 2가 적용되어, (R, G, B) = (240, 10, 10)으로 강화할 수도 있다. 또는, R, G, B 중 일부, 예컨대, 적색에는 가중치 2가 적용되고, 다른 일부, 예컨대, 녹색과 청색에는 가중치 0.5가 적용되어, (R, G, B) = (240, 5, 5)으로 강화할 수도 있다. 상기 예시는 적색을 강화하는 경우에 관한 것이나, 이에 한정되지 않으며, 임의의 색상을 강화의 대상이 되는 색상으로 결정할 수 있다.
상기 소정의 임계치 및/또는 가중치는 임의로 결정될 수도 있고, 축적된 영상 처리 정보에 기초하여 결정될 수도 있다. 또는, 인공지능 기반 학습 모델을 통해 상기 임계치 및/또는 가중치에 관한 학습을 수행함으로써, 최적의 임계치 및/또는 가중치가 계속하여 업데이트될 수 있다.
또한, 영상 강화부(540)는 하나 이상의 영역들 중 적어도 일부에 대해 에지 기반 필터링 또는 평활화 필터링을 적용하여 객체 영상에 대한 제2 출력 영상을 생성할 수 있다. 또한, 영상 강화부(540)는 생성된 제1 출력 영상 및 제2 출력 영상에 기초하여 객체 영상에 대한 제3 출력 영상을 생성할 수 있다.
에지 기반 필터링 또는 평활화 필터링은 영상의 컨트라스트(contrast)를 강화하기 위한 기법으로서, 예컨대 Wiener filtering, Unsharp mask filtering, Histogram equalization, linear contrast adjustment의 기법 등을 포함하나, 이에 제한되지 않으며, 영상의 컨트라스트를 강화하기 위한 기법들을 포함할 수 있다.
도 9는 본 개시의 일 실시 예에 따른 색상 분포 정보를 이용하여 획득된 영상과 에지 기반 필터링 또는 평활화 필터링을 적용하여 획득된 영상을 결합한 최종 출력 영상을 획득하는 과정을 설명하기 위한 도면이다. 도 9의 객체 영상(900), 제1 영역(910) 및 가중치가 적용된 제1 영역(910-1)은 도 8의 객체 영상(800), 제1 영역(810) 및 가중치가 적용된 제1 영역(810-1)에 각각 대응될 수 있다. 도 9를 참조하면, 영상 강화부(540)는 제1 영역(910)에 대해 상기 필터링이 적용된 제1 영역(910-2)을 생성할 수 있으며, 가중치가 적용된 제1 영역(910-1)과 필터링이 적용된 제1 영역(910-2)을 결합하여 최종 제1 영역(910-3)을 생성할 수 있다. 그리고, 영상 강화부(540)는 나머지 영역들에도 상기와 같은 필터링 기법들이 적용된 제2 출력 영상 및 제1 출력 영상과 제2 출력 영상을 결합한 제3 출력 영상을 생성할 수 있다.
가중치가 적용된 영역(예컨대, 910-1), 필터링이 적용된 영역(예컨대, 910-2) 및/또는 상기 둘을 이용한 최종 영역(910-3)을 생성하는 과정은 영역 단위로 수행될 수 있다. 그러나 이에 한정되지 않으며, 상기 과정은 객체 영상 단위로 수행될 수도 있다. 예컨대, 객체 영상에 포함된 영역의 각각에 대해 가중치를 적용하는 과정을 수행하여 가중치가 적용된 객체 영상(제1 출력 영상)을 획득할 수 있다. 또한, 객체 영상에 포함된 영역의 각각에 대해 상기 필터링을 적용하는 과정을 수행하여 객체 영상(제2 출력 영상)을 획득할 수 있다. 또한, 상기 가중치가 적용된 객체 영상과 상기 에지가 강화된 객체 영상을 결합함으로써, 상기 최종 영상(제3 출력 영상)을 생성할 수 있다.
한편, 예컨대 분할 영역 내 유기물이 다른 물질에 비해 적게 포함된 경우에는, 제1 출력 영상에 제2 출력 영상을 결합함으로써 제1 출력 영상에 대한 영향이 상대적으로 적을 수 있는데, 이 경우 유기물을 나타내는 색상 분포 정보에 대한 가중치를 상대적으로 더 높게 결정할 수 있다. 또한 예컨대, 제1 출력 영상과 제2 출력 영상을 결합함으로써 영상 내 여러 객체가 겹쳐있는 경우에도 보다 정확한 객체 인식이 가능하게 할 수 있다.
도 10은 본 개시의 일 실시 예에 따른 그래피컬 모델을 이용하여 최종 출력 영상을 획득하는 과정을 설명하기 위한 도면이다.
일 실시예에 따른 영상 강화 장치는 색상 분포 정보에 포함된 색상 표현 범위들 각각을 개별 노드로 결정하고, 결정된 각 개별 노드간의 상대적인 관계 및 제1 출력 영상, 제2 출력 영상 및 제3 출력 영상과의 상대적인 관계를 이용하여, 계층적(hierarchical) 구조의 그래피컬 모델(graphical model)을 생성할 수 있다.
도 10을 참조하면, 각각의 분할 영역에서, 색상 분포 정보에 n개의 색상 표현 범위가 포함되어 있으면, 가장 하위 노드는 제1 색상 분포 정보(1010-1)부터 제n 색상 분포 정보(1010-n)까지 최대 n개의 노드를 포함할 수 있다. 그런 다음, 각 색상 분포 정보에 기초하여 해당 분할 영역 또는 해당 분할 영역의 색상 표현 범위들의 각각에 가중치를 적용하여 제1 출력 영상(1020)을 획득할 수 있다. 제1 출력 영상(1020)이 최종 출력 영상으로 결정될 수 있다. 또는 영상의 컨트라스트 강화 기법을 적용하여 획득된 제2 출력 영상(1030)을 더 생성하고, 제1 출력 영상(1020)과 제2 출력 영상(1030)을 기초로 제3 출력 영상(1040)을 생성할 수도 있다.
도 11은 본 개시의 일 실시 예에 따른 영상 강화 방법을 설명하기 위한 도면이다. 도 11의 영상 강화 방법은 도 5의 영상 강화 장치가 수행하는 방법으로서, 도 5의 영상 강화 장치에 관한 설명은 도 11의 영상 강화 방법에 적용될 수 있다.
S1100 단계에서, 입력 영상을 수신할 수 있다.
S1110 단계에서 입력 영상에 포함되어 있는 객체를 추출할 수 있다. 예컨대, 입력 영상의 픽셀값과 소정의 임계값을 비교하여 픽셀값을 이진화하고, 이진화된 픽셀값을 그룹핑함으로써 분석 대상 영상에 포함된 객체를 추출할 수 있다.
S1120 단계에서 객체를 포함하는 객체 영상을 하나 이상의 영역들로 분할할 수 있다. 예컨대, 객체 영상의 크기에 기초하여 객체 영상을 분할하는 영역들의 개수나 크기를 결정할 수 있다. 또한, 객체 영상을 분할하는 영역들 각각의 크기는 서로 동일하지 않을 수 있다. 또한, 예컨대 객체 영상이 정방형이 아닌 경우, 객체 영상을 업샘플링(up-sampling) 또는 다운샘플링(down-sampling)하여 객체 영상을 정방형으로 변환한 후, 객체 영상을 하나 이상의 영역들로 분할할 수 있다.
S1130 단계에서 하나 이상의 영역들 각각에 대해 색상 분포 정보를 획득할 수 있다. 예컨대, 색상 분포 정보는 n(n은 1보다 큰 정수)개의 색상 표현 범위의 각각에 대한 정보를 포함할 수 있다.
S1140 단계에서, 색상 분포 정보에 기초하여, 하나 이상의 영역들 중 적어도 일부에 대해 하나 이상의 가중치를 결정할 수 있다. 예컨대, 하나 이상의 가중치는 n개의 색상 표현 범위 중 적어도 일부에 대한 가중치를 포함할 수 있다. 예컨대, 하나의 영역이 n개의 색상 표현 범위를 가진다고 하면, 해당 영역에서의 가중치의 개수는 1부터 n개를 가질 수 있다.
S1150 단계에서, 결정된 하나 이상의 가중치를 하나 이상의 영역들 중 적어도 일부에 적용하여 객체 영상에 대한 제1 출력 영상을 생성할 수 있다.
도 11에는 도시되지 않았으나, 하나 이상의 영역들 중 적어도 일부에 대해 에지 기반 필터링 또는 평활화 필터링을 적용하여 객체 영상에 대한 제2 출력 영상을 생성할 수 있다. 또한 예컨대, 생성된 제1 출력 영상 및 제2 출력 영상에 기초하여 객체 영상에 대한 제3 출력 영상을 생성할 수 있다
도 5 내지 도 11을 참조하여 설명한 실시 예에서는 단일 객체를 포함하는 영상을 입력 받아, 객체와 배경을 분리하는 예를 설명하였다. 그러나, 반드시 이에 한정되지 않으며, 입력 영상이 둘 이상의 객체를 포함하는 영상일 수도 있다. 이 경우, 입력 영상으로부터 둘 이상의 객체와 배경을 구분하고, 둘 이상의 객체의 각각에 대해 위치 정보를 생성하여 이용할 수도 있다. 또한, 이 경우, 도 6을 참조한 설명에서, 복수의 픽셀 그룹이 형성된 경우, 가장 큰 형태로 형성된 픽셀 그룹뿐만 아니라 다른 픽셀 그룹에 대해서도 각각 객체에 대한 영역인 것으로 결정할 수 있다. 각각의 결정된 객체의 위치 정보를 생성하는 과정은 하나의 객체를 포함하는 영상에 대해 설명한 바와 동일하다.
본 개시의 영상 강화 장치의 구성부들 및 영상 강화 방법의 단계들 중 적어도 일부는 인공지능 기반 또는 딥러닝 기반의 모델을 이용하여 수행될 수 있다. 예컨대, 객체 영상을 분할하여 생성되는 영역의 크기, 개수, 색상 분포 정보에 기초하여 결정되는 가중치, 본 개시에서 언급된 각종 임계치, 제2 출력 영상의 생성 여부 등은 인공지능 기반 또는 딥러닝 기반의 모델을 이용하여 학습될 수 있고, 학습된 모델에 따른 정보가 이용될 수 있다.
이하, 도 12 내지 도 17을 참고하여, 영상 분석 장치(112)가 수행하는 맥락 분석 방법의 일 실시 예에 대해 설명한다.
도 12의 영상 분석 장치(1200)는 도 1의 영상 분석 장치(112)의 일 실시 예일 수 있다. 또는 도 12의 영상 분석 장치(1200)는, 도 1 의 영상 분석 장치(112)에 포함되거나, 별개로 구성되어 맥락 분석을 수행하는 장치일 수 있다.
도 12를 참조하면, 영상 분석 장치(1200)는 특징 추출부(1210), 맥락 생성부(1220) 및/또는 특징 및 맥락 분석부(1230)를 포함할 수 있다. 다만, 이는 본 실시예를 설명하기 위해 필요한 일부 구성요소만을 도시한 것일 뿐, 영상 분석 장치(1200)에 포함된 구성요소가 전술한 예에 한정되는 것은 아니다.
영상 분석 장치(1200)는 입력 영상(분석 대상 영상)의 특징을 추출하고, 추출된 특징에 기초하여 맥락 정보를 생성하고, 추출된 특징 및 생성된 맥락 정보에 기초하여 분석 대상 영상을 분석할 수 있다. 예컨대, 영상 분석 장치(1200)는 추출된 특징 및 생성된 맥락 정보를 이용하여 영상을 분류하거나 관심 객체의 위치를 찾아낼 수 있다.
영상 분석 장치(1200)의 입력 영상은 도 1의 영상 분석 장치(112)의 입력 영상과 동일할 수 있다.
특징 추출부(1210)는 입력 영상을 분석하여 영상의 특징을 추출할 수 있다. 예컨대, 상기 특징은 영상의 각 영역마다의 국소적인 특징일 수 있다. 일 실시 예에 따른 특징 추출부(1210)는 일반적인 합성곱 신경망(Convolutional Neural Network, CNN) 기법 또는 풀링(pooling) 기법을 이용하여 입력 영상의 특징을 추출할 수 있다. 상기 풀링 기법은 맥스(max) 풀링 기법 및 평균(average) 풀링 기법 중 적어도 하나를 포함할 수 있다. 그러나, 본 개시에서 언급되는 풀링 기법은 맥스 풀링 기법 또는 평균 풀링 기법에 한정되지 않으며, 소정 크기의 영상 영역의 대표값을 획득하는 임의의 기법을 포함한다. 예컨대, 풀링 기법에 사용되는 대표값은 최대값 및 평균값 외에, 분산값, 표준 편차값, 중간값(mean value), 최빈값(most frequent value), 최소값, 가중 평균값 등 중 적어도 하나일 수 있다.
본 개시의 합성곱 신경망은 입력 데이터(영상)로부터 테두리, 선 색 등과 같은 "특징들(features)"을 추출하기 위해 이용될 수 있으며, 복수의 계층들(layers)을 포함할 수 있다. 각각의 계층은 입력 데이터를 수신하고, 해당 계층의 입력 데이터를 처리하여 출력 데이터를 생성할 수 있다. 합성곱 신경망은 입력된 영상 또는 입력된 특징맵(feature map)을 필터 커널들(filter kernels)과 컨볼루션하여 생성한 특징맵을 출력 데이터로서 출력할 수 있다. 합성곱 신경망의 초기 계층들은 입력으로부터 에지들 또는 그레디언트들과 같은 낮은 레벨의 특징들을 추출하도록 동작될 수 있다. 신경망의 다음 계층들은 눈, 코 등과 같은 점진적으로 더 복잡한 특징들을 추출할 수 있다. 합성곱 신경망의 구체적인 동작에 대해서는 도 16을 참고하여 후술한다.
합성곱 신경망은 컨볼루션 연산이 수행되는 합성곱 계층 외에도 풀링 연산이 수행되는 풀링 계층도 포함할 수 있다. 풀링 기법은 풀링 계층에서 데이터의 공간적 크기를 축소하는데 사용되는 기법이다. 구체적으로, 풀링 기법에는 해당 영역에서 최대값을 선택하는 맥스 풀링(max pooling) 기법과 해당 영역의 평균값을 선택하는 평균 풀링(average pooling) 기법이 있으며, 이미지 인식 분야에서는 일반적으로 맥스 풀링 기법이 사용된다. 풀링 기법에서는 일반적으로 풀링의 윈도우 크기와 간격(스트라이드, stride)을 같은 값으로 설정한다. 여기서, 스트라이드란 입력 데이터에 필터를 적용할 때 이동할 간격을 조절하는 것, 즉 필터가 이동할 간격을 의미하며, 스트라이드 또한 출력 데이터의 크기를 조절하기 위해 사용될 수 있다. 풀링 기법의 구체적인 동작에 대해서는 도 17을 참고하여 후술한다.
본 개시의 일 실시 예에 따른 특징 추출부(1210)는 분석 대상 영상의 특징을 추출하기 위한 전처리(pre-processing)로서, 분석 대상 영상에 필터링을 적용할 수 있다. 상기 필터링은 고속 푸리에 변환(Fast Fourier Transform, FFT), 히스토그램 평활화(histogram equalization), 모션 아티팩트(motion artifact) 제거 또는 노이즈(noise) 제거 등일 수 있다. 그러나, 본 개시의 필터링은 상기 열거한 방법으로 제한되지 않으며, 영상의 품질을 개선할 수 있는 모든 형태의 필터링을 포함할 수 있다. 또는 전처리로서 도 5 내지 도 11을 참조하여 설명한 영상의 강화가 수행될 수도 있다.
맥락 생성부(1220)는 특징 추출부(1210)로부터 추출된 입력 영상의 특징을 이용하여 입력 영상(분석 대상 영상)의 맥락 정보를 생성할 수 있다. 예컨대, 상기 맥락 정보는 분석 대상 영상의 전체 또는 일부 영역을 나타내는 대표값일 수 있다. 또한 상기 맥락 정보는 입력 영상의 전역적인 맥락 정보일 수 있다. 일 실시 예에 따른 맥락 생성부(1220)는 합성곱 신경망 기법 또는 풀링 기법을 특징 추출부(1210)로부터 추출된 특징에 적용하여 맥락 정보를 생성할 수 있다. 상기 풀링 기법은 예컨대, 평균 풀링(average pooling) 기법일 수 있다.
특징 및 맥락 분석부(1230)는 특징 추출부(1210)에서 추출된 특징 및 맥락 생성부(1220)에서 생성된 맥락 정보에 기초하여 영상을 분석할 수 있다. 일 실시예에 따른 특징 및 맥락 분석부(1230)는 특징 추출부(1210)에서 추출된 영상의 각 영역마다의 국소적인 특징 및 맥락 생성부(1220)에서 재구성된 전역적인 맥락을 결합(concatenate)하는 등의 방식으로 함께 사용하여, 입력 영상을 분류하거나 입력 영상에 포함된 관심 객체의 위치 등을 찾는데 이용할 수 있다. 입력 영상 내 특정 2차원 위치에서의 정보는 국소적인 특징 정보뿐만 아니라 전역적인 맥락 정보까지 포함하게 되므로, 특징 및 맥락 분석부(1230)는 이들 정보를 이용함으로써, 실제 내용은 상이하지만 국소적인 특징 정보가 유사한 입력 영상들에 대해 보다 정확한 인식 또는 분류 등이 가능하게 된다.
전술한 바와 같이, 본 개시의 일 실시 예에 따른 발명은, 일반적인 합성곱 신경망 기법이 사용하는 국소적인 특징뿐만 아니라 전역적인 맥락 정보를 함께 사용함으로써, 보다 더 정확하고 효율적인 학습 및 영상 분석이 가능하게 된다. 이러한 관점에서 본 개시에 따른 발명이 적용된 신경망을 '맥락 분석을 통한 심층 신경망'이라 할 수 있다.
도 13은 본 개시의 일 실시 예에 따른 영상의 맥락 정보를 생성하고 분석하는 과정을 나타내는 도면이다.
도 13의 특징 추출부(1310), 맥락 생성부(1320), 및 특징 및 맥락 분석부(1330)는 각각 도 12의 특징 추출부(1210), 맥락 생성부(1220), 및 특징 및 맥락 분석부(1230)의 일 실시 예일 수 있다.
도 13을 참조하면, 특징 추출부(1310)는 입력 영상(1312)을 이용하여 입력 영상(1312)으로부터 특징을 추출하고, 추출된 특징 정보를 포함하는 특징 영상(1314)을 생성할 수 있다. 상기 추출된 특징은 입력 영상의 국소 영역에 대한 특징일 수 있다. 상기 입력 영상(1312)은 영상 분석 장치의 입력 영상 또는 합성곱 신경망 모델 내의 각 계층에서의 특징맵을 포함할 수 있다. 또한 상기 특징 영상(1314)은 입력 영상(1312)에 대해 합성곱 신경망 기법 및/또는 풀링 기법을 적용하여 획득된 특징맵 및/또는 특징 벡터를 포함할 수 있다.
맥락 생성부(1320)는 특징 추출부(1310)에서 추출된 특징 영상(1314)에 대해 합성곱 신경망 기법 및/또는 풀링 기법을 적용하여 맥락 정보를 생성할 수 있다. 예컨대, 맥락 생성부(1320)는 풀링의 간격(stride)을 다양하게 조절함으로써 영상 전체, 4등분 영역, 9등분 영역 등의 다양한 크기(scale)의 맥락 정보를 생성할 수 있다. 도 13을 참조하면, 영상 전체 크기의 영상에 대한 맥락 정보를 포함하는 전체 맥락 정보 영상(1322), 영상 전체를 4등분한 크기의 4등분 영상에 대한 맥락 정보를 포함하는 4등분 맥락 정보 영상(1324) 및 영상 전체를 9등분한 크기의 9등분 영상에 대한 맥락 정보를 포함하는 9등분 맥락 정보 영상(1326)이 획득될 수 있다.
특징 및 맥락 분석부(1330)는 상기 특징 영상(1314)과 상기 맥락 정보 영상(1322, 1324, 1326)을 모두 이용하여 분석 대상 영상의 특정 영역에 대한 분석을 보다 정확히 수행할 수 있다.
예컨대, 자동차(car)와 유사한 형태를 갖는 보트(boat)가 포함된 영상이 입력 영상인 경우, 특징 추출부(1310)가 추출한 국소적인 특징을 포함하는 특징 영상(1314)으로부터는 상기 식별된 객체가 자동차인지 보트인지 정확히 판단할 수 없다. 즉, 특징 추출부(1310)는 국소적인 특징에 기초하여 객체의 형상을 인식할 수 있으나, 해당 객체의 형상만 가지고는 정확히 객체를 식별하고 분류할 수 없는 경우가 있다.
본 개시의 일 실시 예에 따른 맥락 생성부(1320)는 상기 분석 대상 영상 또는 상기 특징 영상(1314)에 기초하여 맥락 정보(1322, 1324, 1326)를 생성함으로써, 보다 정확히 객체를 식별하고 분류할 수 있다. 예컨대, 전체 영상에 대해 추출된 특징이 "자연 경관"으로 인식 또는 분류되고, 4등분 영상에 대해 추출된 특징이 "호수"로 인식 또는 분류되고, 9등분 영상에 대해 추출된 특징이 "물"로 인식 또는 분류되는 경우, 상기 추출된 특징인 "자연 경관", "호수", "물"을 맥락 정보로서 생성하고 활용할 수 있다.
본 개시의 일 실시 예에 따른 특징 및 맥락 분석부(1330)는 상기 맥락 정보를 활용함으로써, 상기 보트 또는 자동차의 형상을 갖는 객체를 "보트"로 식별할 수 있다.
도 13을 참조하여 설명한 실시 예에서는 전체 영상에 대한 맥락 정보, 4등분 영상에 대한 맥락 정보, 9등분 영상에 대한 맥락 정보를 생성하고 활용하는 것에 대해 설명하였으나, 맥락 정보를 추출하는 영상의 크기는 이에 한정되지 않는다. 예컨대, 전술한 크기의 영상 이외의 크기를 갖는 영상에 대한 맥락 정보를 생성하고 활용할 수도 있다.
본 개시의 일 실시 예에 따른 합성곱 신경망 기법 및 풀링에 대해서는 도 16 및 도 17을 참조하여 후술한다.
도 14는 본 개시의 일 실시 예에 따른 영상 분석 장치가 영상을 분석하여 객체를 식별하는 과정을 설명하기 위한 도면이다.
예컨대, 영상 분석 장치(1400)는 영상(1410)을 입력 받고, 다양한 크기의 영상 영역에 대한 정보를 생성함으로써, 영상(1410)에 포함된 객체를 정확히 식별 및/또는 분류할 수 있다. 입력 영상(1410)은 예컨대, 가방을 포함하는 X-ray 영상일 수 있다. 영상 분석 장치(1400)는 전술한 바에 따라 입력 영상(1410)을 분석하여, 영상 전체에 대한 특징, 영상의 일부 영역에 대한 특징을 추출하고 이를 이용하여 영상(1410)에 포함된 객체를 정확히 식별할 수 있다. 상기 영상 전체에 대한 특징(1422)은 예컨대, 가방의 형상에 대한 특징일 수 있다. 상기 영상의 일부 영역에 대한 특징은 예컨대, 손잡이에 대한 특징(1424), 지퍼에 대한 특징(1426, 고리에 대한 특징(1428) 등을 포함할 수 있다.
영상 분석 장치(1400)는 상기 생성된 특징들(1422, 1424, 1426, 1428)을 맥락 정보로서 활용함으로써, 상기 영상(1410)에 포함된 객체가 "가방"이라는 것을 정확히 식별할 수 있다.
만약 상기 생성된 특징들 중 일부가 “가방”과 관련이 없는 특징이라면, 영상 분석 장치(1400)는 상기 영상(1410)에 포함된 객체가 “가방”이라고 식별할 수 없거나 또는 상기 영상(1410)에 포함된 객체를 “가방”으로 식별할 수 없다는 분석 결과를 제공할 수 있다. 또는, 맥락 정보 중 일부가 다른 맥락 정보와 관련이 없는 경우, 해당 객체의 이상을 출력할 수 있다. 예컨대, "가방"에 대한 통상의 특징과는 관련이 없는 비정형의 공간, 일정한 두께 이상의 공간 등이 검출되는 경우, 해당 "가방"은 이상이 있는 가방이라는 신호를 출력할 수 있다.
상기와 같이, 통상의 맥락 정보와는 관련이 없는 맥락 정보가 포함되는 경우, 그러한 사실은 판독원에게 출력될 수 있으며, 판독원은 이에 기초하여 해당 영상의 화물 또는 객체에 대한 정밀 검사 또는 개장 검사를 실시할 수 있다.
도 15는 본 개시의 일 실시 예에 따른 영상 분석 장치의 동작을 설명하기 위한 도면이다.
S1500 단계에서 영상 분석 장치는 분석 대상 영상의 특징을 추출할 수 있다.
일 실시 예에 따른 영상 분석 장치는 일반적인 합성곱 신경망 기법 또는 풀링 기법을 이용하여 입력 영상의 특징을 추출할 수 있다. 상기 분석 대상 영상의 특징은 영상의 각 영역마다의 국소적인 특징일 수 있으며, 또한 상기 풀링 기법은 맥스 풀링 기법 및 평균 풀링 기법 중 적어도 하나를 포함할 수 있다.
S1510 단계에서 영상 분석 장치는 S1500 단계에서 추출된 특징에 기초하여 맥락 정보를 생성할 수 있다.
일 실시 예에 따른 영상 분석 장치는 합성곱 신경망 기법 및/또는 풀링 기법을 S1500 단계에서 추출된 특징에 적용하여 맥락 정보를 생성할 수 있다. 상기 맥락 정보는 분석 대상 영상의 전체 또는 일부 영역을 나타내는 대표값일 수 있다. 또한 상기 맥락 정보는 입력 영상의 전역적인 맥락 정보일 수 있다. 또한, 상기 풀링 기법은 예컨대, 평균 풀링 기법일 수 있다.
S1520 단계에서 영상 분석 장치는 S1500 단계에서 추출된 특징 및 S1510 단계에서 생성된 맥락 정보에 기초하여 상기 분석 대상 영상을 분석할 수 있다.
예컨대, 영상 분석 장치는 S1500 단계에서 추출된 영상의 각 영역마다의 국소적인 특징 및 S1510 단계에서 재구성된 전역적인 맥락을 결합하여 입력 영상을 분류하거나 입력 영상에 포함된 관심 객체의 위치 등을 찾을 수 있다. 따라서, 입력 영상에서 특정 2차원 위치에서의 정보가 국소적인 정보부터 전역적인 맥락까지 포함됨으로써, 실제 내용은 상이하지만 국소적인 정보가 유사한 입력 영상들에 대해 보다 정확한 인식 또는 분류 등이 가능하다. 또는 다른 맥락 정보와 관련이 없는 맥락 정보를 포함하는 객체에 대한 검출이 가능하다.
도 16은 다채널 특징맵을 생성하는 합성곱 신경망의 일 실시 예를 설명하기 위한 도면이다.
합성곱 신경망 기반의 영상 처리는 다양한 분야에 활용될 수 있다. 예컨대, 영상의 객체 인식(object recognition)을 위한 영상 처리 장치, 영상 복원(image reconstruction)을 위한 영상 처리 장치, 시맨틱 세그먼테이션(semantic segmentation)을 위한 영상 처리 장치, 장면 인식(scene recognition)을 위한 영상 처리 장치 등에 이용될 수 있다.
입력 영상(1610)은 합성곱 신경망(1600)을 통해 처리됨으로써 특징맵 영상을 출력할 수 있다. 출력된 특징맵 영상은 전술한 다양한 분야에 활용될 수 있다.
합성곱 신경망(1600)은 복수의 계층들(1620, 1630, 1640)을 통해 처리될 수 있으며, 각 계층은 다채널 특징맵 영상들(1625, 1635)을 출력할 수 있다. 일 실시예에 따른 복수의 계층들(1620, 1630, 1640)은 입력받은 데이터의 좌측 상단으로부터 우측 하단까지 일정한 크기의 필터를 적용하여 영상의 특징을 추출할 수 있다. 예를 들어, 복수의 계층들(1620, 1630, 1640)은 입력 데이터의 좌측 상단 NxM 픽셀에 가중치를 곱해서 특징맵의 좌측 상단의 한 뉴런에 매핑시킨다. 이 경우, 곱해지는 가중치도 NxM가 될 것이다. 상기 NxM은 예컨대, 3x3일 수 있으나, 이에 한정되지 않는다. 이후, 동일한 과정으로, 복수의 계층들(1620, 1630, 1640)은 입력 데이터를 좌측에서 우측으로, 그리고 상단에서 하단으로 k 칸씩 스캔하면서 가중치를 곱하여 특징맵의 뉴런에 매핑한다. 상기 k 칸은 합성곱 수행시 필터를 이동시킬 간격(stride)을 의미하며, 출력 데이터의 크기를 조절하기 위해 적절히 설정될 수 있다. 예컨대, k는 1일 수 있다. 상기 NxM 가중치는 필터 또는 필터 커널이라고 한다. 즉, 복수의 계층들(1620, 1630, 1640)에서 필터를 적용하는 과정은 필터 커널과의 컨볼루션 연산을 수행하는 과정이며, 그 결과 추출된 결과물을 "특징맵(feature map)" 또는 "특징맵 영상"이라고 한다. 또한, 컨볼루션 연산이 수행된 계층을 합성곱 계층이라 할 수 있다.
“다채널 특징맵(multiple-channel feature map)"의 용어는 복수의 채널에 대응하는 특징맵들의 세트를 의미하고, 예를 들어 복수의 영상 데이터일 수 있다. 다채널 특징맵들은 합성곱 신경망의 임의의 계층에서의 입력일 수 있고, 컨볼루션 연산 등의 특징맵 연산 결과에 따른 출력일 수 있다. 일 실시예에 따르면, 다채널 특징맵들(1625, 1635)은 합성곱 신경망의 "특징 추출 계층들" 또는 "컨볼루션 계층들"이라고도 불리는 복수의 계층들(1620, 1630, 1640)에 의해 생성된다. 각각의 계층은 순차적으로 이전 계층에서 생성된 다채널 특징맵들을 수신하고, 출력으로서 그 다음의 다채널 특징맵들을 생성할 수 있다. 최종적으로 L(L은 정수)번째 계층(1640)에서는 L-1번째 계층(미도시)에서 생성한 다채널 특징맵들을 수신하여 미도시의 다채널 특징맵들을 생성할 수 있다.
도 16을 참조하면, 채널 K1개를 가지는 특징맵들(1625)은 입력 영상(1610)에 대해 계층 1에서의 특징맵 연산(1620)에 따른 출력이고, 또한 계층 2에서의 특징맵 연산(1630)을 위한 입력이 된다. 또한, 채널 K2개를 가지는 특징맵들(1635)은 입력 특징맵들(1625)에 대해 계층 2에서의 특징맵 연산(1630)에 따른 출력이고, 또한 계층 3에서의 특징맵 연산(미도시)을 위한 입력이 된다.
도 16을 참조하면, 첫 번째 계층(1620)에서 생성된 다채널 특징맵들(1625)은 K1(K1은 정수)개의 채널에 대응하는 특징맵들을 포함한다. 또한, 두 번째 계층(1630)에서 생성된 다채널 특징맵들(1635)은 K2(K2은 정수)개의 채널에 대응하는 특징맵들을 포함한다. 여기서, 채널의 개수를 나타내는 K1 및 K2는, 첫 번째 계층(1620) 및 두 번째 계층(1630)에서 각각 사용된 필터 커널의 개수와 대응될 수 있다. 즉, M(M은 1 이상 L-1 이하의 정수)번째 계층에서 생성된 다채널 특징맵들의 개수는 M번째 계층에서 사용된 필터 커널의 개수와 동일할 수 있다.
도 17은 풀링 기법의 일 실시 예를 설명하기 위한 도면이다.
도 17에 도시된 바와 같이, 풀링의 윈도우 사이즈는 2x2, 스트라이드는 2이며, 맥스 풀링을 입력 영상(1710)에 적용하여 출력 영상(1790)을 생성할 수 있다.
도 17의 (a)에서, 입력 영상(1710)의 좌측 상단에 2x2 윈도우(1710)를 적용하고, 윈도우(1710) 영역 내의 값들 중 대표값(여기서는, 최대값 4)을 계산하여 출력 영상(1790)의 대응 위치(1720)에 입력한다.
이후, 도 17의 (b)에서, 스트라이드만큼, 즉, 2만큼 윈도우를 이동하고, 윈도우(1730) 영역 내의 값들 중 최대값 3을 출력 영상(1790)의 대응 위치(1740)에 입력한다.
더 이상 우측으로 윈도우를 이동시킬 없는 경우, 다시 입력 영상의 좌측에서 스트라이드만큼 아래의 위치부터 상기 과정을 반복한다. 즉, 도 17의 (c)에 도시된 바와 같이, 윈도우(1750) 영역 내의 값들 중 최대값 5를 출력 영상(1790)의 대응 위치(1760)에 입력한다.
이후, 도 17의 (d)에 도시된 바와 같이, 스트라이드만큼 윈도우를 이동하고, 윈도우(1770) 영역 내의 값들 중 최대값 2를 출력 영상(1790)의 대응 위치(1780)에 입력한다.
상기 과정은 입력 영상(1710)의 우측 하단 영역에 윈도우가 위치할 때까지 반복적으로 수행됨으로써, 입력 영상(1710)에 풀링을 적용한 출력 영상(1790)을 생성할 수 있다.
이하, 도 18 내지 도 22를 참고하여, 복수의 영상 및/또는 화물 정보를 활용하여 새로운 합성 영상 및/또는 이에 대응하는 가상의 화물 정보를 생성하는 방법의 일 실시 예에 대해 설명한다.
도 18은 본 개시의 일 실시 예에 따른 영상 합성 장치의 구성을 나타내는 블록도이다.
도 18을 참조하면, 영상 합성 장치(1800)는 객체 영상 추출부(1810), 객체 위치 정보 생성부(1820), 영상 합성부(1830) 및/또는 객체 검출 딥러닝 모델 학습부(1840)를 포함할 수 있다. 다만, 이는 본 실시 예를 설명하기 위해 필요한 일부 구성요소만을 도시한 것일 뿐, 영상 합성 장치(1800)에 포함된 구성요소가 전술한 예에 한정되는 것은 아니다. 예컨대, 둘 이상의 구성부가 하나의 구성부 내에서 구현될 수도 있고, 하나의 구성부에서 실행되는 동작이 분할되어 둘 이상의 구성부에서 실행되도록 구현될 수도 있다. 또한, 일부 구성부가 생략되거나 부가적인 구성부가 추가될 수도 있다. 또는, 도 1의 영상 분석 장치(112), 도 5의 영상 강화 장치(500), 도 12의 영상 분석 장치(1200) 및 도 18의 영상 합성 장치(1800)의 구성요소 중, 동일한 기능 또는 유사한 기능을 수행하는 구성부는 하나의 구성요소로서 구현될 수도 있다.
본 개시의 일 실시 예에 따른 영상 합성 장치(1800)는 제1 객체를 포함하는 제1 영상 및 제2 객체를 포함하는 제2 영상을 입력 받아, 제1 영상 및 제2 영상의 각각에 대해 객체와 배경을 구분하고, 구분된 제1 객체 및 제2 객체의 위치 정보를 생성하고, 제1 객체의 위치 정보 및 제2 객체의 위치 정보에 기초하여, 제1 객체 및 제2 객체를 포함하는 제3 영상을 생성하고, 제1 객체의 위치 정보, 제2 객체의 위치 정보 및 제3 영상을 이용하여 객체 검출 딥러닝 모델을 학습할 수 있다.
도 18을 참조하면, 입력 영상(1850)은 단일 객체를 포함하는 영상을 포함할 수 있다. 입력 영상(1850)에 대한 설명은 도 1 등을 참조하여 설명한 입력 영상에 대한 설명과 동일하다.
객체 영상 추출부(1810)는 단일 객체를 포함하는 영상(1850)을 수신하고 수신된 영상을 객체와 배경으로 구분할 수 있다. 객체 영상 추출부(1810)에 대한 설명은 도 5 및 도 6을 참조하여 설명한 객체 영상 추출부(520)에 대한 설명과 동일하다.
객체 위치 정보 생성부(1820)는 객체 영상 추출부(1810)로부터 추출된 객체의 위치를 결정할 수 있다. 예컨대, 객체 위치 정보 생성부(1820)는 객체 영역을 둘러싸는 사각형 박스(bounding box)를 특정하고, 특정된 사각형 박스에 기초하여, 객체 영상 추출부(1810)에서 구분된 객체의 위치 정보를 생성할 수 있다. 객체의 위치 정보를 생성하는 방법에 대한 설명은 도 6을 참조한 방법에 대한 설명과 동일하다.
본 개시의 일 실시 예에 따르면, 영상에 포함된 객체의 위치 정보가 자동으로 생성될 수 있으므로, 인공지능 학습을 위해 판독원이 각각의 영상마다 객체의 위치 정보를 직접 입력해야 하는 번거로움을 피할 수 있다.
다시 도 18을 참조하여, 영상 합성부(1830)는 객체 영상 추출부(1810) 및 객체 위치 정보 생성부(1820)를 거쳐 객체의 위치 정보가 획득된 복수의 단일 객체 영상을 이용하여 다중 객체 영상을 생성할 수 있다. 예컨대, 제1 객체를 포함하는 제1 영상 및 제2 객체를 포함하는 제2 영상에 대해, 각각 객체 영상 추출부(1810) 및 객체 위치 정보 생성부(1820)를 거쳐 제1 객체의 위치 정보 및 제2 객체의 위치 정보가 획득되고, 영상 합성부(1830)는 획득된 제1 객체의 위치 정보 및 제2 객체의 위치 정보에 기초하여 제1 객체 및 제2 객체를 포함하는 제3 영상을 생성할 수 있다. 다중 객체 영상을 생성하는 구체적인 과정에 대해 도 19를 참고하여 보다 상세히 설명한다.
도 19는 본 개시의 일 실시 예에 따른 단일 객체를 포함하는 두 개의 영상을 이용하여 다중 객체 영상을 생성하는 과정을 나타내는 도면이다. 도 19의 영상 합성부(1900)는 도 18의 영상 합성부(1830)의 일 실시 예이다. 도 19를 참조하면, 영상 합성부(1900)는 객체 영상 추출부 및 객체 위치 정보 생성부를 통해 획득된 제1 단일 객체 영상(1910), 제2 단일 객체 영상(1920) 및 제1 단일 객체 영상(1910)과 제2 단일 객체 영상(1920)의 위치 정보를 이용하여, 제1 단일 객체 영상(1910)과 제2 단일 객체 영상이 합성된 다중 객체 영상(1940) 및 다중 객체 영상(1940)에 포함된 객체들에 대한 위치 정보(1950)를 획득할 수 있다. 한편, 영상 합성부(1900)는 제1 단일 객체 영상(1910)과 제2 단일 객체 영상(1920)의 합성 시 객체로부터 구분된 배경에 대한 영상(1930)도 함께 이용할 수도 있다. 복수의 영상 합성시, 제1 단일 객체 영상(1910)의 위치 정보와 제2 단일 객체 영상(1920)의 위치 정보는 임의로 수정될 수 있다. 또한, 수정된 위치 정보에 기초하여 영상의 합성이 수행될 수 있다. 그럼으로써, 무수히 많은 양의 합성 영상과 가상의 위치 정보를 생성해 낼 수 있다.
전술한 바와 같이, 합성을 통해 학습에 필요한 만큼의 합성 영상 및/또는 그에 대응하는 가상의 위치 정보를 생성해 낼 수 있다. 따라서, 학습에 필요한 영상 및/또는 위치 정보의 절대적인 수가 작은 경우에도 인공지능 모델을 학습시키기에 충분한 수의 학습 데이터를 얼마든지 생성해 낼 수 있다.
다시 도 18을 참조하여, 객체 검출 딥러닝 모델 학습부(1840)는 제1 객체의 위치 정보, 제2 객체의 위치 정보 및 제3 영상을 이용하여 객체 검출 딥러닝 모델을 학습시킬 수 있다. 예컨대, 객체 검출 딥러닝 모델 학습부(1840)는 합성곱 신경망 모델을 학습시킬 수 있다. 합성곱 신경망 모델의 학습을 위해 제1 객체의 위치 정보, 제2 객체의 위치 정보 및 제3 영상이 이용될 수 있다.
도 20은 본 개시의 일 실시 예에 따른 다중 객체 영상을 이용하여 합성곱 신경망을 학습시키는 과정을 나타내는 도면이다. 도 20의 객체 검출 딥러닝 모델 학습부(2000)는 도 18의 객체 검출 딥러닝 모델 학습부(1840)의 일 실시 예이다. 도 20을 참조하면, 학습에 필요한 데이터로서 단일 객체 영상들과 객체들의 위치 정보를 이용하여 합성된 다중 객체 영상(2010)을 이용할 수 있다. 객체 검출 딥러닝 모델 학습부(2000)는 다중 객체 영상(2010)에 대해 단일 객체 각각의 위치 정보를 함께 사영시킴으로써 합성곱 신경망(2020)을 학습시킬 수 있다. 일 실시 예에 따를 때, 전자 통관 시스템에서 X-Ray 검색기를 통과하는 화물 내에 복수의 객체가 존재하면, 복수의 객체들이 겹쳐진 X-Ray 영상이 획득될 수 있는데, 본 개시에 따르면, 영상 내의 복수의 객체의 위치 정보와 함께 각각의 객체의 형상을 이용하여 합성곱 신경망을 학습시키기 때문에, 객체 간 겹침이 발생하여도 보다 정확한 검출 결과가 획득될 수 있다.
도 21은 본 개시의 일 실시 예에 따른 영상 합성 장치를 이용하여 실제 영상을 분석하는 과정을 설명하기 위한 도면이다.
도 21의 영상 합성 장치(2100)는 도 18의 영상 합성 장치(1800)의 일 실시 예이다. 도 21의 영상 합성 장치(2100)가 포함하는 객체 영상 추출부(2104), 객체 위치 정보 생성부(2106), 영상 합성부(2108) 및 객체 검출 딥러닝 모델 학습부(2110)의 동작은 도 18의 영상 합성 장치(1800)에 포함된 객체 영상 추출부(1810), 객체 위치 정보 생성부(1820), 영상 합성부(1830) 및 객체 검출 딥러닝 모델 학습부(1840)의 동작과 동일하다. 따라서, 영상 합성 장치(2100)는 복수의 단일 객체 영상(2102)에 대해 객체 영상 추출부(2104), 객체 위치 정보 생성부(2106), 영상 합성부(2108) 및 객체 검출 딥러닝 모델 학습부(2110)에서의 동작을 수행함으로써 학습된 합성곱 신경망 모델을 생성할 수 있다. 객체 검출 장치(2120)는 실제 환경의 다중 객체를 포함하는 영상(2122)에 대해 영상 처리 장치(2100)에서 학습된 합성곱 신경망 모델을 이용하여 각각의 객체를 검출할 수 있다.
일 실시 예에 따를 때, 전자 통관 시스템에 본 개시의 발명이 적용되는 경우, 본 개시의 영상 합성 장치(2100)는 X-Ray 영상 내 단일 객체 영역 추출을 기반으로 새롭게 다중 객체 포함 영상을 생성할 수 있다. 또한 객체 검출 장치(2120)는 X-Ray 검색기를 통과하는 화물 내 포함된 다중 객체가 존재하는 영역을 찾을 수 있다. 따라서, X-Ray 영상에 대해 객체의 위치를 자동적으로 추출함으로써, 판독원이 보다 수월하게 영상 검사 작업을 수행할 수 있도록 할 수 있고, 또한 추출된 객체와 화물 내 객체의 수량 정보 등을 포함하는 전산 정보를 비교하는 업무 등에 이용될 수 있다.
도 22는 본 개시의 일 실시 예에 따른 영상 합성 방법을 설명하기 위한 도면이다.
S2200 단계에서, 제1 객체를 포함하는 제1 영상 및 제2 객체를 포함하는 제2 영상을 입력 받아, 제1 영상 및 제2 영상의 각각에 대해 객체와 배경을 구분할 수 있다. 예컨대, 입력 영상의 픽셀값과 소정의 임계값을 비교하여 픽셀값을 이진화하고, 이진화된 픽셀값을 그룹핑함으로써 입력 영상에 포함된 객체를 구분할 수 있다.
S2210 단계에서, 구분된 제1 객체 및 제2 객체의 위치 정보를 생성할 수 있다. 예컨대, 객체 영역을 둘러싸는 사각형 박스를 특정하고, 특정된 사각형 박스에 기초하여, S2200 단계에서 구분된 객체의 위치 정보를 생성할 수 있다.
S2220 단계에서, 제1 객체의 위치 정보 및 제2 객체의 위치 정보에 기초하여, 제1 객체 및 제2 객체를 포함하는 제3 영상을 생성할 수 있다. 예컨대, S2210 단계에서 획득된 제1 객체의 위치 정보 및 제2 객체의 위치 정보에 기초하여 제1 객체 및 제2 객체를 포함하는 제3 영상을 생성할 수 있다.
S2230 단계에서, 제1 객체의 위치 정보, 제2 객체의 위치 정보 및 제3 영상을 이용하여 객체 검출 딥러닝 모델을 학습할 수 있다. 예컨대, 합성곱 신경망 모델을 학습시킬 수 있으며, 합성곱 신경망 모델의 학습을 위해 S2210 단계에서 생성된 제1 객체의 위치 정보와 제2 객체의 위치 정보 및 S2220 단계에서 생성된 제3 영상이 이용될 수 있다.
도 18 내지 도 22를 참조하여 설명한 실시 예에서는 단일 객체를 포함하는 영상을 입력 받아, 객체와 배경을 분리하는 예를 설명하였다. 그러나, 반드시 이에 한정되지 않으며, 입력 영상이 둘 이상의 객체를 포함하는 영상일 수도 있다. 이 경우, 입력 영상으로부터 둘 이상의 객체와 배경을 구분하고, 둘 이상의 객체의 각각에 대해 위치 정보를 생성하여 이용할 수도 있다.
또한, 상기 설명한 실시 예에서는 2개의 단일 객체 영상 및 각 객체의 위치 정보에 기초하여 제3 영상을 생성하는 것으로 설명하였다. 그러나, 반드시 이에 한정되지 않으며, 둘 이상의 단일 객체 영상 및 각 객체의 위치 정보를 이용하여 제3 영상을 생성할 수도 있다. 즉, 본 개시에 따른 영상 처리 방법 및 장치는 각각이 하나 이상의 객체를 포함하는 둘 이상의 영상 및 각 객체의 위치 정보에 기초하여 제3 영상을 생성할 수 있다.
본 개시의 예시적인 방법들은 설명의 명확성을 위해서 동작의 시리즈로 표현되어 있지만, 이는 단계가 수행되는 순서를 제한하기 위한 것은 아니며, 필요한 경우에는 각각의 단계가 동시에 또는 상이한 순서로 수행될 수도 있다. 본 개시에 따른 방법을 구현하기 위해서, 예시하는 단계에 추가적으로 다른 단계를 포함하거나, 일부의 단계를 제외하고 나머지 단계를 포함하거나, 또는 일부의 단계를 제외하고 추가적인 다른 단계를 포함할 수도 있다.
본 개시의 다양한 실시 예는 모든 가능한 조합을 나열한 것이 아니고 본 개시의 대표적인 양상을 설명하기 위한 것이며, 다양한 실시 예에서 설명하는 사항들은 독립적으로 적용되거나 또는 둘 이상의 조합으로 적용될 수도 있다.
또한, 본 개시의 다양한 실시 예는 하드웨어, 펌웨어(firmware), 소프트웨어, 또는 그들의 결합 등에 의해 구현될 수 있다. 하드웨어에 의한 구현의 경우, 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 범용 프로세서(general processor), 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.
본 개시의 범위는 다양한 실시 예의 방법에 따른 동작이 장치 또는 컴퓨터 상에서 실행되도록 하는 소프트웨어 또는 머신-실행가능한 명령들(예를 들어, 운영체제, 애플리케이션, 펌웨어(firmware), 프로그램 등), 및 이러한 소프트웨어 또는 명령 등이 저장되어 장치 또는 컴퓨터 상에서 실행 가능한 비-일시적 컴퓨터-판독가능 매체(non-transitory computer-readable medium)를 포함한다.
본 발명은 영상에 포함된 객체를 분석하는데 이용될 수 있다.

Claims (19)

  1. 적어도 하나의 객체를 포함하는 화물에 관한 분석 대상 영상을 수신하는 수신 단계;
    상기 분석 대상 영상에 대해 전처리를 수행하는 전처리 단계;
    미리 학습된 딥러닝 기반의 모델을 이용하여 상기 분석 대상 영상을 분석하는 분석 단계;
    상기 분석된 결과를 출력하는 출력 단계;
    상기 화물의 개장 검사 결과에 관한 정보를 수신하는 단계; 및
    상기 분석 대상 영상, 상기 분석 결과 및 상기 개장 검사 결과에 관한 정보를 이용하여 상기 딥러닝 기반의 모델을 업데이트하는 모델 업데이트 단계를 포함하는 영상 분석 방법.
  2. 제1항에 있어서,
    상기 분석 대상 영상은, 상기 객체의 물성에 따라 해당 객체의 영역이 상이한 색상으로 표현된 영상이고,
    상기 분석된 결과는 상기 분석 대상 영상에 대응하는 분석 결과 영상이고,
    상기 전처리 단계 또는 상기 출력 단계는,
    상기 분석 대상 영상 또는 상기 분석 결과 영상 내의 픽셀 중 소정의 색상 표현 범위에 포함되는 픽셀의 색상을 표현하는 픽셀 값을 강화하는 영상 강화 처리를 포함하는 영상 분석 방법.
  3. 제2항에 있어서,
    상기 영상 강화 처리는,
    상기 분석 대상 영상으로부터 상기 객체를 추출하고, 상기 객체를 포함하는 객체 영상을 하나 이상의 영역들로 분할하는 단계;
    상기 분할된 영역에 포함된 픽셀의 색상을 표현하는 픽셀 값에 기초하여, 상기 분할된 영역의 색상 분포 정보를 획득하는 단계;
    상기 색상 분포 정보에 기초하여 상기 소정의 색상 표현 범위에 대한 가중치를 결정하는 단계; 및
    상기 분할된 영역에 포함된 제1 픽셀의 색상을 표현하는 픽셀 값이 상기 소정의 색상 표현 범위에 포함되는 경우, 상기 제1 픽셀의 색상을 표현하는 픽셀 값에 상기 가중치를 적용하여 상기 객체 영상에 대한 제1 출력 영상을 생성하는 영상 강화 단계를 포함하는 영상 분석 방법.
  4. 제3항에 있어서,
    상기 영상 강화 처리는,
    상기 하나 이상의 영역들 중 적어도 일부에 대해 에지 기반 필터링 및 평활화 필터링 중 적어도 하나를 적용하여 상기 객체 영상에 대한 제2 출력 영상을 생성하는 단계; 및
    상기 제1 출력 영상 및 상기 제2 출력 영상에 기초하여, 상기 객체 영상에 대한 제3 출력 영상을 생성하는 단계를 더 포함하는 영상 분석 방법.
  5. 제1항에 있어서,
    상기 분석 단계는,
    상기 딥러닝 기반의 모델을 이용하여, 상기 분석 대상 영상으로부터 특징을 추출하는 특징 추출 단계;
    상기 추출된 특징에 기초하여 맥락 정보를 생성하는 맥락 정보 생성 단계; 및
    상기 추출된 특징 및 상기 생성된 맥락 정보에 기초하여 상기 분석 대상 영상을 분석하는 단계를 포함하는 영상 분석 방법.
  6. 제5항에 있어서,
    상기 맥락 정보 생성 단계는,
    합성곱 신경망 기법 및 풀링 기법 중 적어도 하나를 상기 추출된 특징에 적용하여 상기 맥락 정보를 생성하는 영상 분석 방법.
  7. 제6항에 있어서,
    상기 맥락 정보 생성 단계는 상기 풀링의 간격(stride)을 조절함으로써 분석 대상 영상의 전체 또는 일부 영역에 대한 상기 맥락 정보를 생성하고,
    상기 맥락 정보는 상기 분석 대상 영상의 전체 또는 일부 영역을 나타내는 대표값인 영상 분석 방법.
  8. 제1항에 있어서,
    상기 모델 업데이트 단계는,
    상기 분석 대상 영상에 포함된 상기 객체를 추출하는 객체 영역 추출 단계;
    상기 추출된 객체의 위치 정보를 생성하는 단계;
    상기 추출된 객체 및 상기 위치 정보를 이용하여 합성 영상 및 상기 합성 영상에 포함된 객체에 대한 가상 위치 정보를 생성하는 단계; 및상기 합성 영상 및 상기 가상 위치 정보를 상기 딥러닝 기반의 모델의 학습 데이터로 이용하는 단계를 포함하는 영상 분석 방법.
  9. 제8항에 있어서,
    상기 가상 위치 정보는
    상기 추출된 객체의 위치 정보와는 상이하게 생성되는 영상 분석 방법.
  10. 적어도 하나의 객체를 포함하는 화물에 관한 분석 대상 영상을 수신하는 영상 수신부;
    상기 분석 대상 영상에 대해 전처리를 수행하는 전처리부;
    미리 학습된 딥러닝 기반의 모델을 이용하여 상기 분석 대상 영상을 분석하는 영상 분석부; 및
    상기 분석된 결과를 출력하는 출력부를 포함하고,
    상기 영상 분석부는 상기 화물의 개장 검사 결과에 관한 정보를 수신하고, 상기 분석 대상 영상, 상기 분석 결과 및 상기 개장 검사 결과에 관한 정보를 이용하여 상기 딥러닝 기반의 모델을 업데이트하는 영상 분석 장치.
  11. 제10항에 있어서,
    상기 분석 대상 영상은, 상기 객체의 물성에 따라 해당 객체의 영역이 상이한 색상으로 표현된 영상이고,
    상기 분석된 결과는 상기 분석 대상 영상에 대응하는 분석 결과 영상이고,
    상기 전처리부 또는 상기 출력부는,
    상기 분석 대상 영상 또는 상기 분석 결과 영상 내의 픽셀 중 소정의 색상 표현 범위에 포함되는 픽셀의 색상을 표현하는 픽셀 값을 강화하는 영상 강화 장치를 포함하는 영상 분석 장치.
  12. 제11항에 있어서,
    상기 영상 강화 장치는,
    상기 분석 대상 영상으로부터 상기 객체를 추출하고, 상기 객체를 포함하는 객체 영상을 하나 이상의 영역들로 분할하는 객체 영상 추출부;
    상기 분할된 영역에 포함된 픽셀의 색상을 표현하는 픽셀 값에 기초하여, 상기 분할된 영역의 색상 분포 정보를 획득하고, 상기 색상 분포 정보에 기초하여 상기 소정의 색상 표현 범위에 대한 가중치를 결정하는 색상 분포 분석부; 및
    상기 분할된 영역에 포함된 제1 픽셀의 색상을 표현하는 픽셀 값이 상기 소정의 색상 표현 범위에 포함되는 경우, 상기 제1 픽셀의 색상을 표현하는 픽셀 값에 상기 가중치를 적용하여 상기 객체 영상에 대한 제1 출력 영상을 생성하는 영상 강화부를 포함하는 영상 분석 장치.
  13. 제12항에 있어서,
    상기 영상 강화부는,
    상기 하나 이상의 영역들 중 적어도 일부에 대해 에지 기반 필터링 및 평활화 필터링 중 적어도 하나를 적용하여 상기 객체 영상에 대한 제2 출력 영상을 더 생성하고, 상기 제1 출력 영상 및 상기 제2 출력 영상에 기초하여, 상기 객체 영상에 대한 제3 출력 영상을 생성하는 영상 분석 장치.
  14. 제10항에 있어서,
    상기 영상 분석부는 맥락 분석 장치를 더 포함하고, 상기 맥락 분석 장치는,
    상기 딥러닝 기반의 모델을 이용하여, 상기 분석 대상 영상으로부터 특징을 추출하는 특징 추출부; 및
    상기 추출된 특징에 기초하여 맥락 정보를 생성하는 맥락 정보 생성부를 포함하고,
    상기 영상 분석부는,
    상기 추출된 특징 및 상기 생성된 맥락 정보에 기초하여 상기 분석 대상 영상을 분석하는 영상 분석 장치.
  15. 제14항에 있어서,
    상기 맥락 정보 생성부는,
    합성곱 신경망 기법 및 풀링 기법 중 적어도 하나를 상기 추출된 특징에 적용하여 상기 맥락 정보를 생성하는 영상 분석 장치.
  16. 제15항에 있어서,
    상기 맥락 정보 생성부는 상기 풀링의 간격(stride)을 조절함으로써 분석 대상 영상의 전체 또는 일부 영역에 대한 상기 맥락 정보를 생성하고,
    상기 맥락 정보는 상기 분석 대상 영상의 전체 또는 일부 영역을 나타내는 대표값인 영상 분석 장치.
  17. 제10항에 있어서,
    상기 영상 분석부는, 상기 모델을 업데이트하기 위해,
    상기 분석 대상 영상에 포함된 상기 객체를 추출하는 객체 영역 추출하고, 상기 추출된 객체의 위치 정보를 생성하고, 상기 추출된 객체 및 상기 위치 정보를 이용하여 합성 영상 및 상기 합성 영상에 포함된 객체에 대한 가상 위치 정보를 생성하고, 상기 합성 영상 및 상기 가상 위치 정보를 상기 딥러닝 기반의 모델의 학습 데이터로 이용하는 영상 분석 장치.
  18. 제17항에 있어서,
    상기 가상 위치 정보는
    상기 추출된 객체의 위치 정보와는 상이하게 생성되는 영상 분석 장치.
  19. 적어도 하나의 객체를 포함하는 화물에 관한 분석 대상 영상을 수신하는 수신 단계;
    상기 분석 대상 영상에 대해 전처리를 수행하는 전처리 단계;
    미리 학습된 딥러닝 기반의 모델을 이용하여 상기 분석 대상 영상을 분석하는 분석 단계;
    상기 분석된 결과를 출력하는 출력 단계;
    상기 화물의 개장 검사 결과에 관한 정보를 수신하는 단계; 및
    상기 분석 대상 영상, 상기 분석 결과 및 상기 개장 검사 결과에 관한 정보를 이용하여 상기 딥러닝 기반의 모델을 업데이트하는 모델 업데이트 단계를 수행하는 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체.
PCT/KR2018/016860 2017-12-29 2018-12-28 영상 분석 장치 및 방법 WO2019132587A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2017-0183856 2017-12-29
KR20170183856 2017-12-29
KR10-2018-0097826 2018-08-22
KR1020180097826A KR101969022B1 (ko) 2017-12-29 2018-08-22 영상 분석 장치 및 방법

Publications (1)

Publication Number Publication Date
WO2019132587A1 true WO2019132587A1 (ko) 2019-07-04

Family

ID=66104916

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2018/016860 WO2019132587A1 (ko) 2017-12-29 2018-12-28 영상 분석 장치 및 방법

Country Status (2)

Country Link
KR (1) KR101969022B1 (ko)
WO (1) WO2019132587A1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401326A (zh) * 2020-04-21 2020-07-10 招商局金融科技有限公司 基于图片识别的目标身份识别方法、服务器及存储介质
CN112307943A (zh) * 2020-10-29 2021-02-02 宁波海棠信息技术有限公司 一种水域人船目标检测方法、系统、终端及介质
CN112560779A (zh) * 2020-12-25 2021-03-26 中科云谷科技有限公司 进料口溢料识别方法、设备及搅拌站进料控制系统

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102048948B1 (ko) * 2019-04-30 2020-01-08 (주)제이엘케이인스펙션 영상 분석 장치 및 방법
KR102179090B1 (ko) * 2020-01-30 2020-11-16 주식회사 투비코 신경망을 이용한 의료 진단 방법
KR102237131B1 (ko) * 2020-05-13 2021-04-09 주식회사 파이리코 객체를 포함하는 이미지를 처리하는 장치 및 방법
KR102378742B1 (ko) 2020-07-30 2022-03-28 한국과학기술연구원 사용자의 x-ray 영상 판독을 지원하는 시스템 및 방법
KR102572455B1 (ko) * 2023-04-19 2023-09-01 주식회사 예본스틸 이미지분석 기반의 혼합 고철 폐기물 무게예측 장치 및 방법
KR102577303B1 (ko) * 2023-04-26 2023-09-14 주식회사 예본스틸 이미지분석 기반의 혼합 고철 폐기물 분류 및 거래비용 산출 장치 및 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060257005A1 (en) * 2005-05-11 2006-11-16 Optosecurity Inc. Method and system for screening cargo containers
KR20140074328A (ko) * 2011-09-07 2014-06-17 라피스캔 시스템스, 인코포레이티드 적하목록 데이터를 이미징/검출 프로세싱에 통합시키는 x-선 검사시스템
KR20160108373A (ko) * 2013-12-27 2016-09-19 눅테크 컴퍼니 리미티드 화물을 자동으로 분류 인식하는 투시 검사 시스템 및 방법
KR20170058263A (ko) * 2015-11-18 2017-05-26 눅테크 컴퍼니 리미티드 화물을 검사하는 방법 및 그 시스템
KR101778503B1 (ko) * 2016-03-25 2017-09-14 한국해양과학기술원 화물 검사 정보 제공 방법, 이를 수행하는 화물 검사 정보 제공 장치 및 이를 저장한 기록매체

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060257005A1 (en) * 2005-05-11 2006-11-16 Optosecurity Inc. Method and system for screening cargo containers
KR20140074328A (ko) * 2011-09-07 2014-06-17 라피스캔 시스템스, 인코포레이티드 적하목록 데이터를 이미징/검출 프로세싱에 통합시키는 x-선 검사시스템
KR20160108373A (ko) * 2013-12-27 2016-09-19 눅테크 컴퍼니 리미티드 화물을 자동으로 분류 인식하는 투시 검사 시스템 및 방법
KR20170058263A (ko) * 2015-11-18 2017-05-26 눅테크 컴퍼니 리미티드 화물을 검사하는 방법 및 그 시스템
KR101778503B1 (ko) * 2016-03-25 2017-09-14 한국해양과학기술원 화물 검사 정보 제공 방법, 이를 수행하는 화물 검사 정보 제공 장치 및 이를 저장한 기록매체

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401326A (zh) * 2020-04-21 2020-07-10 招商局金融科技有限公司 基于图片识别的目标身份识别方法、服务器及存储介质
CN111401326B (zh) * 2020-04-21 2023-04-18 招商局金融科技有限公司 基于图片识别的目标身份识别方法、服务器及存储介质
CN112307943A (zh) * 2020-10-29 2021-02-02 宁波海棠信息技术有限公司 一种水域人船目标检测方法、系统、终端及介质
CN112307943B (zh) * 2020-10-29 2022-06-03 宁波海棠信息技术有限公司 一种水域人船目标检测方法、系统、终端及介质
CN112560779A (zh) * 2020-12-25 2021-03-26 中科云谷科技有限公司 进料口溢料识别方法、设备及搅拌站进料控制系统
CN112560779B (zh) * 2020-12-25 2024-01-05 中科云谷科技有限公司 进料口溢料识别方法、设备及搅拌站进料控制系统

Also Published As

Publication number Publication date
KR101969022B1 (ko) 2019-04-15

Similar Documents

Publication Publication Date Title
WO2019132587A1 (ko) 영상 분석 장치 및 방법
WO2020138803A1 (ko) 영상 분석 장치 및 방법
CN105849274B (zh) 用于显微图像中的单独细胞的分类和识别的方法和系统
US7403656B2 (en) Method and apparatus for recognition of character string in scene image
CN105354599B (zh) 一种基于改进的slic超像素分割算法的颜色识别方法
WO2019132589A1 (ko) 다중 객체 검출을 위한 영상 처리 장치 및 방법
WO2020116923A1 (ko) 영상 분석 장치 및 방법
WO2019132592A1 (ko) 영상 처리 장치 및 방법
WO2020091337A1 (ko) 영상 분석 장치 및 방법
WO2022139110A1 (ko) 해상객체 식별을 위한 초분광 데이터 처리방법 및 장치
WO2020027519A1 (ko) 영상 처리 장치 및 그 동작방법
WO2022139111A1 (ko) 초분광 데이터에 기반하는 해상객체 인식 방법 및 시스템
WO2020116988A1 (ko) 영상 분석 장치, 영상 분석 방법 및 기록 매체
WO2021006482A1 (en) Apparatus and method for generating image
EP3649460A1 (en) Apparatus for optimizing inspection of exterior of target object and method thereof
JPH0793561A (ja) エッジ及び輪郭抽出装置
KR20190059083A (ko) 영상 분할 기반의 해양 상황 인식 장치 및 그 방법
WO2020222555A1 (ko) 영상 분석 장치 및 방법
Dubosclard et al. Automated visual grading of grain kernels by machine vision
Sari et al. Multiplication of V and Cb color channel using Otsu thresholding for tomato maturity clustering
Ettalibi et al. AI and Computer Vision-based Real-time Quality Control: A Review of Industrial Applications
Mahatme et al. Detection and recognition of traffic signs based on RGB to red conversion
WO2020036468A1 (ko) 이미지에 보케 효과를 적용하는 방법 및 기록매체
CN108322723B (zh) 一种色彩失真的补偿方法、装置和电视机
Saifullah et al. Palm Oil Maturity Classification Using K-Nearest Neighbors Based on RGB and L* a* b Color Extraction

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18894446

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18894446

Country of ref document: EP

Kind code of ref document: A1