KR102598426B1 - 합성곱 신경망법을 이용한 체결력 예측방법 - Google Patents
합성곱 신경망법을 이용한 체결력 예측방법 Download PDFInfo
- Publication number
- KR102598426B1 KR102598426B1 KR1020180160834A KR20180160834A KR102598426B1 KR 102598426 B1 KR102598426 B1 KR 102598426B1 KR 1020180160834 A KR1020180160834 A KR 1020180160834A KR 20180160834 A KR20180160834 A KR 20180160834A KR 102598426 B1 KR102598426 B1 KR 102598426B1
- Authority
- KR
- South Korea
- Prior art keywords
- image
- convolutional neural
- neural network
- fastening force
- cepstrum
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 8
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 5
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 3
- 238000011176 pooling Methods 0.000 claims description 17
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
- G01L5/24—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes for determining value of torque or twisting moment for tightening a nut or other member which is similarly stressed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L1/00—Measuring force or stress, in general
- G01L1/24—Measuring force or stress, in general by measuring variations of optical properties of material when it is stressed, e.g. by photoelastic stress analysis using infrared, visible light, ultraviolet
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
본 발명은 합성곱 신경망법을 이용한 체결력 예측방법에 관한 것으로서, 보다 상세하게는 볼트의 체결력을 예측하는 합성곱 신경망법을 이용한 체결력 예측방법에 관한 것으로서, 신호처리 분석장치로부터 Cepstrum 이미지를 생성하는 Cepstrum 이미지 생성단계; 인공지능학습을 통해 상기 생성된 Cepstrum 이미지의 픽셀에 소정의 가중치값을 곱하고 특성 이미지를 추출하는 특성 이미지 추출단계; 상기 추출된 특성 이미지 중에서 가장 큰 픽셀을 추출하는 대표 이미지 추단계; 상기 추출된 대표 이미지 정보를 종합하여 종합 이미지를 생성하는 이미지 종합단계; 상기 종합된 이미지를 기설정된 값과 비교하여 예측되는 체결력을 표시하는 체결력 예측단계; 를 포함하는 합성곱 신경망법을 이용한 체결력 예측방법을 제공하여, 이미지의 크기를 줄이면서 데이터 처리의 속도가 빠르기 때문에 실시간 측정이 용이해지는 강점이 있다.
Description
본 발명은 합성곱 신경망법을 이용한 체결력 예측방법에 관한 것으로서, 보다 상세하게는 볼트의 체결력을 예측하는 합성곱 신경망법을 이용한 체결력 예측방법에 관한 것이다.
볼트는 부품간 체결에 중요한 요소로 사용된다.
강 구조물의 접합부에는 규정에 적합한 볼트를 사용하여야 하고, 볼트의 축력은 엄격하게 관리되어야 한다.
한국산업규격(Korean industrial Standards; KS)은 볼트의 종류를 토크계수에 따라 A종과 B종으로 분류하고, 적합한 토크계수를 규정하고 있다.
KS규격은 A종 볼트에 대해서는 토크계수의 평균값이 0.11~0.15에 적합하도록, B종 볼트에 대해서는 토크계수의 평균값이 0.15~0.19에 적합하도록 규정하고 있다.
볼트의 체결축력은 토크값, 토크계수 및 볼트의 직경으로부터 계산될 수 있고, 토크값을 조절함으로써 원하는 체결축력을 얻을 수 있다.
볼트의 축력 관리를 위하여 조임 방법이 사용되고 있으며, 일반적으로 볼트의 조임 방법은 토크제어방식(Torque control method)과 너트 회전각 방식(turn of the nut method)으로 분류된다.
너트 회전각 방식은 너트의 회전각도를 이용하기 때문에 축력의 산포가 상대적으로 적은 이점이 있다.
이에 배해, 토크제어방식은 토크값의 상한 및 하한을 결정하고 토크렌치를 이용하여 볼트를 조이기 때문에 작업성이 우수한 이점이 있다.
그러나, 볼트의 토크계수는 일정하게 유지되지 않고, 물리적 요인인 볼트의 길이 및 환경적 요인인 온도와 같은 여러가지 요인으로 인해 변경될 수 있다.
따라서, 토크제어방식은 토크계수의 변화로 인하여 축력의 산포가 큰 단점이 있다.
또한, 현장에서는 토크렌치를 사용하여 볼트를 조인 후, 별도의 계측장치를 사용하여 조여진 볼트의 축력을 측정하는 것이 요구되는 불편함이 있다.
따라서, 볼트가 적절한 체결력을 유지하기 위하여 볼트 체결력을 예측하는 것은 중요하다.
한편, 최근 인공지능을 이용한 각종 예측 기술들이 등장하고 있다.
그 중에서도 볼트의 체결력에 대하여 인공 신경망을 통한 예측 기술이 소개되고 있다.
종래 인공 신경망을 이용한 축력 계산법은 센서부를 통해 취득한 신호에서 Cepstral Coefficient 와 STFT를 각각 도출한다.
삭제
Cepstral Coefficient의 경우 취득한 신호를 소음의 영향을 줄이기 위해 고주파대역만을 하이패스필터를 사용하여 추출한다.
그 후에 각각의 프레임에 대푯값을 뽑은 후 수백개로 등분된 주파수영역에 각각 이등변 삼각형 형태 분포의 가중치를 곱한 후 합산하여 구한다.
산출된 값에 Log를 취하고 Discrete Cosine Transform을 거쳐서 Cepstral Coefficient를 도출한다.
STFT의 경우 취득 신호를 짧은 시간을 기준으로 50%의 겹침구간을 가지면서 Fast Fourier Transform을 거쳐 수백 여개의 프레임을 갖는 주파수 영역 데이터로 변환된다.
이러한 Cepstral Coefficient 및 STFT된 데이터의 특징은 Supervised Signal로 입력되며 비용 함수를 이용한 경사하강법을 통해 다층 Weight Matrix Layer를 형성하며 이를 이용하여 축력 예측값을 표시한다.
그러나, 이와 같은 종래의 예측 기술은 복잡하기 때문에 실시간 축력 예측이 어렵고 정확도도 낮은 문제가 있었다.
위와 같은 문제점을 해결하기 위한 본 발명은 간단하면서도 정확도가 향상되어 실시간으로 예측이 가능한 합성곱 신경망법을 이용한 체결력 예측방법을 제공하는 것에 목적이 있다.
신호처리 분석장치로부터 Cepstrum 이미지를 생성하는 Cepstrum 이미지 생성단계; 인공지능학습을 통해 상기 생성된 Cepstrum 이미지의 픽셀에 소정의 가중치값을 곱하고 특성 이미지를 추출하는 특성 이미지 추출단계; 상기 추출된 특성 이미지 중에서 가장 큰 픽셀을 추출하는 대표 이미지 추단계; 상기 추출된 대표 이미지 정보를 종합하여 종합 이미지를 생성하는 이미지 종합단계; 상기 종합된 이미지를 기설정된 값과 비교하여 예측되는 체결력을 표시하는 체결력 예측단계; 를 포함하는 합성곱 신경망법을 이용한 체결력 예측방법을 포함한다.
또한, 상기 이미지 종합단계와 상기 체결력 예측단계 사이에는 상기 가중치 값의 최적화를 위한 Adam Optimization이 적용되는 것을 특징으로 하는 합성곱 신경망법을 이용한 체결력 예측방법을 포함한다.
또한,상기 Adam Optimization에는 손실함수가 적용되는 것을 특징으로 하는 합성곱 신경망법을 이용한 체결력 예측방법을 포함한다.
또한, 상기 특성 이미지 추출단계에는 Convolution filter가 적용되는 것을 특징으로 하는 합성곱 신경망법을 이용한 체결력 예측방법을 포함한다.
또한, 상기 대표 이미지 추출단계는 Pooling filter가 적용되는 것을 특징으로 하는 합성곱 신경망법을 이용한 체결력 예측방법을 포함한다.
또한, 상기 Convolution filter는 적어도 2 이상이 연속하여 적용되는 것을 특징으로 하는 합성곱 신경망법을 이용한 체결력 예측방법을 포함한다.
또한, 상기 추출된 대표 이미지가 적어도 한번 다시 상기 특성 이미지 추출단계를 거치는 것을 특징으로 하는 합성곱 신경망법을 이용한 체결력 예측방법을 포함한다.
또한, 신호처리 분석장치로부터 Cepstrum 이미지를 생성하는 Cepstrum 이미지 생성단계; 상기 생성된 Cepstrum 이미지를 기설정된 값과 비교하여 예측되는 체결력을 표시하는 예측단계; 를 포함하는 합성곱 신경망법을 이용한 체결력 예측방법을 포함한다.
이와 같은 본 발명에 따르면 다음과 같은 효과가 있다.
첫째, 이미지의 크기를 줄이면서 데이터 처리의 속도가 빠르기 때문에 실시간 측정이 용이해지는 강점이 있다.
둘째, Adam Optimization 을 적용하기 때문에 반복학습을 통해 경로를 계속하여 찾아가면 가중치들이 충분히 갱신되므로 손실값이 줄어들고 예측의 정확도가 향상되는 장점이 있다.
셋째, 기존의 경사하강법에 비하여 속도가 빠른 장점이 있어 실시간 측정 시스템에서 사용하기 적합한 이점이 있다.
넷째, 체결이 진행되는 동안 신호의 크기가 크게 나오기 때문에 속도가 다른 다단 체결시 명확한 구분이 가능한 이점이 있다.
다섯째, 다단 체결에서 명확한 구분이 이루어지기 때문에 합성곱 신경망의 이미지로 사용할 때 Feature Map을 도출하기가 용이한 장점이 있다.
도 1은 본 발명의 바람직한 실시 예에 따른 흐름도이다.
도 2는 본 발명의 바람직한 실시 예에 따른 합성곱 신경망법의 구성도이다.
도 3은 본 발명의 바람직한 실시 예에 따른 필터의 구성도이다.
도 2는 본 발명의 바람직한 실시 예에 따른 합성곱 신경망법의 구성도이다.
도 3은 본 발명의 바람직한 실시 예에 따른 필터의 구성도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 상세한 설명에 구체적으로 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용한다.
제 1, 제 2등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다. "및/또는" 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다.
일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않아야 한다.
본 발명의 바람직한 실시 예에 따른 합성곱 신경망법을 이용한 체결력 예측방법의 흐름을 설명한다.
도 2는 본 발명의 바람직한 실시 예에 따른 합성곱 신경망법의 구성도이고, 도 3은 본 발명의 바람직한 실시 예에 따른 필터의 구성도이다.
먼저 Cepstrum 이미지 생성단계(S1)는 신호처리 분석장치로부터 Cepstrum 이미지를 생성(S20)한다.
생성된 Cepstrum 이미지는 취득한 신호의 체결력이 증가함에 따른 주파수 변화 정보를 픽셀 값으로 담고 있다.
Cepstrum 이미지는 신호처리 및 분석 장치(S10)로부터 획득될 수 있다.
학습 Cepstrum 이미지(S30)는 생성된 Cepstrum 이미지로부터 획득될 수 있다.
다음으로 특성 이미지 추출단계(S2)는 인공지능학습을 통해 생성된 Cepstrum 이미지(S30)의 픽셀에 소정의 가중치 값을 곱하고 특성 이미지를 추출한다.
이 때 특성 이미지 추출단계(S2)는 Convolution filter(S40)가 적용되는 것이 바람직할 수 있다.
Convolution Filter는 작은 크기의 필터로서 이미지 픽셀에 곱할 가중치 값을 가진다.
보다 상세하게는 Convolution Filter는 입력된 이미지의 추출을 위하여 사용하는 Convolutional Neural Network의 Layer 중 하나이다.
이는 각각의 Deep Learning 학습에서 Convolution Filter의 행렬이 갖는 값은 Mask라 불린다.
Convolution Filter가 사용됨으로써 반복적인 학습을 통한 Mask의 값이 판별에 적절한 값으로 변하며, 그에 따라 학습의 정확도가 높아진다.
Cepstrum 이미지를 Convolution Filter에 입력시키면 이미지 위를 필터가 움직이면서 기설정된 적절한 가중치 값을 곱해서 특성 이미지를 추출하는 것이다.
추출된 특성 이미지는 Pooling Filter(S50)로 입력된다.
Pooling Filter(S50)는 픽셀 정보 중에서도 대표값들만을 뽑아낸다.
보다 상세하게는 Pooling Filter(S50)는 Convolution을 통하여 도출된 Feature Map의 가장 부각되는 값을 도출하기 위하여 이용되며, 이미지의 크기를 줄이기 위하여 이용된다.
추출된 특성 이미지가 Pooling Filter(S50)를 통과하면 대표정보만이 저장되며 이미지의 크기가 줄어들게 된다.
Convolution filter는 적어도 2 이상이 연속하여 적용되는 것이 바람직할 수 있다.
다음으로 대표 이미지 추출단계(S3)는 추출된 특성 이미지 중에서 가장 큰 픽셀을 추출한다.
이 때 대표 이미지 추출단계(S3)는 Pooling filter가 적용되는 것이 바람직할 수 있다.
또한, 추출된 대표 이미지가 적어도 한번 다시 특성 이미지 추출단계를 거치는 것이 바람직할 수 있다.
다음으로 이미지 종합단계(S4)는 추출된 대표 이미지 정보를 종합하여 종합 이미지를 생성한다.
마지막으로 체결력 예측단계(S5)는 종합된 이미지를 기설정된 값과 비교하여 예측되는 체결력을 표시(S80)한다.
이 때, 대표값들로 구성된 정보들을 최종적으로 Dense Layer가 종합하여서 가장 높은 확률을 가지는 체결력으로 예측값을 표시한다
예측값은 체결력별 Probability vector(S70)로 나타낸다.
한편, Adam Optimization(S62)은 이미지 종합단계(S4)와 체결력 예측단계(S5) 사이에서 가중치 값의 최적화를 위한 이 적용되는 것이 바람직할 수 있다.
Adam Optimizer를 이용하여 최소값을 도출하기 때문에 기존의 경사하강법에 비하여 속도가 빠른 장점이 있어 실시간 측정 시스템에서 사용하기 적합하게 된다.
이 때 Adam Optimization(S62)에는 손실함수(S61)가 적용되는 것이 바람직할 수 있다.
다시 말해서, Adam Optimization 기법은 Convolution Filter의 최적화를 돕는다.
최적화가 충분히 이루어진 Filter는 이미지의 특성을 효과적으로 추출할 수 있도록 하는 가중치 값을 가진다
도 3을 참조하여 본 발명의 바람직한 실시 예에 따른 필터의 구성에 대하여 상술하면 다음과 같다.
Cepstrum 이미지(100)는 부품으로부터 측정된 데이터로 획득되며, 이 때 이미지의 크기는 599x32 픽셀사이즈이다.
Convolution Filter(200)가 3x3 크기의 Filter가 오른쪽 혹은 아래로 1칸씩 움직이며 이미지 전체에 적용되어 Cepstrum 변화의 특성을 추출한다.
보다 상세하게는 Convolution Filter(200)는 제1 Convolution Filter(210) 및 제2 Convolution Filter(220)가 연속하여 적용될 수 있다.
Convolution Filter(200)로부터 추출된 제1 특성 이미지(310)의 크기는 599x32 픽셀 사이즈로 유지된다.
제1 특성 이미지(310)는 제1 Pooling Filter(410)에 입력된다.
Pooling Filter(400)는 순차적으로 제1 Pooling Filter(410) 및 제2 Pooling Filter(420)를 포함할 수 있다.
Convolution이 끝난 제1 특성 이미지(310)가 Pooling Filter(400)에 들어가면 이미지의 모든 영역이 2x2 영역으로 나뉘게 되고, 각 영역 중 가장 큰 픽셀 값이 추출된다.
이것이 제1 대표 이미지(510)이다.
즉, 도면과 같이 4개의 값 중 1개 대표 이미지 값만 취득하므로 이미지 가로 세로 사이즈가 절반으로 줄어든다.
제1 대표 이미지(510)는 다시 제3 Convolution Filter(230), 제4 Convolution Filter(240)를 거쳐 제2 특성 이미지(320)로 도출된다.
제2 특성 이미지(320)가 다시 제2 Pooling Filter(420)를 거쳐 제2 대표 이미지(520)가 얻어진다.
종합 이미지(600)는 Dense Layer(S60) 이미지 정보를 종합하여 50kN~81kN의 31 Class 중 각 Class과의 유사도를 측정하며 이를 모두 더하면 1이 된다.
체결력 예측단계(S5)는 측정한 유사도 중 가장 높은 유사도를 얻은 Class를 판별 체결력으로 확정한다.
위와 같이 Convolution Filter(200)가 제1 Convolution Filter(210) 및 제2 Convolution Filter(220)가 이중으로 사용되는 것이 바람직할 수 있다.
이처럼, 제1 Convolution Filter(210) 및 제2 Convolution Filter(220)를 통해서 획득된 특성 이미지가 제1 Pooling Filter(410)에 제공되고, 다시 제3 Convolution Filter(230) 및 제4 Convolution Filter(240)를 통해서 획득된 특성 이미지가 제2 Pooling Filter(420)에 제공되는 다중 필터 구조를 적용하는 것이 바람직할 수 있다.
즉, 이중 Convolution Filter에 Pooling Filter를 합친 삼중 Filter 구조를 반복해서 사용한 다중 Filter 구조를 적용하는 것이 바람직할 수 있는 것이다.
이와 같이 Convolution Filter를 복층으로 쌓아 깊은 특성을 추출할 수 있다.
또한, Pooling Filter를 적어도 1회 이상 사용함으로써 중요한 정보를 더 작은 이미지에 저장하도록 할 수 있기 때문에 실시간 예측의 속도 및 정확도가 향상되는 것이다.
한편, 본 발명의 바람직한 실시 예에 따른 합성곱 신경망법을 이용한 체결력 예측방법
은 신호처리 분석장치로부터 Cepstrum 이미지를 생성하는 Cepstrum 이미지 생성단계(S31)와 생성된 Cepstrum 이미지를 기설정된 값과 비교하여 예측되는 체결력을 표시하는 예측단계(S80)으로 구성하는 것이 가능하다.
S1 : Cepstrum 이미지 생성단계
S2 : 특성 이미지 추출단계
S3 : 대표 이미지 추출단계
S4 : 이미지 종합단계
S5 : 체결력 예측단계
S2 : 특성 이미지 추출단계
S3 : 대표 이미지 추출단계
S4 : 이미지 종합단계
S5 : 체결력 예측단계
Claims (8)
- 신호처리 분석장치로부터 Cepstrum 이미지를 생성하는 Cepstrum 이미지 생성단계;
인공지능학습을 통해 상기 생성된 Cepstrum 이미지의 픽셀에 소정의 가중치 값을 곱하고 특성 이미지를 추출하는 특성 이미지 추출단계;
상기 추출된 특성 이미지 중에서 가장 큰 픽셀을 추출하는 대표 이미지 추출단계;
상기 추출된 대표 이미지 정보를 종합하여 종합 이미지를 생성하는 이미지 종합단계;
상기 종합된 이미지를 기설정된 값과 비교하여 예측되는 체결력을 표시하는 체결력 예측단계; 를 포함하는,
합성곱 신경망법을 이용한 체결력 예측방법.
- 제1항에 있어서,
상기 이미지 종합단계와 상기 체결력 예측단계 사이에는 상기 가중치 값의 최적화를 위한 Adam Optimization이 적용되는 것을 특징으로 하는,
합성곱 신경망법을 이용한 체결력 예측방법.
- 제2항에 있어서,
상기 Adam Optimization에는 손실함수가 적용되는 것을 특징으로 하는,
합성곱 신경망법을 이용한 체결력 예측방법.
- 제1항에 있어서,
상기 특성 이미지 추출단계에는 Convolution filter가 적용되는 것을 특징으로 하는,
합성곱 신경망법을 이용한 체결력 예측방법.
- 제1항에 있어서,
상기 대표 이미지 추출단계는 Pooling filter가 적용되는 것을 특징으로 하는,
합성곱 신경망법을 이용한 체결력 예측방법.
- 제4항에 있어서,
상기 Convolution filter는 적어도 2 이상이 연속하여 적용되는 것을 특징으로 하는,
합성곱 신경망법을 이용한 체결력 예측방법.
- 제6항에 있어서
상기 추출된 대표 이미지가 적어도 한번 다시 상기 특성 이미지 추출단계를 거치는 것을 특징으로 하는,
합성곱 신경망법을 이용한 체결력 예측방법.
- 삭제
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180160834A KR102598426B1 (ko) | 2018-12-13 | 2018-12-13 | 합성곱 신경망법을 이용한 체결력 예측방법 |
DE102019131465.8A DE102019131465A1 (de) | 2018-12-13 | 2019-11-21 | Verfahren zur vorhersage einer spannkraft unter verwendung eines neuronalen faltungsnetzwerk-verfahrens |
US16/691,308 US11530957B2 (en) | 2018-12-13 | 2019-11-21 | Method for predicting clamp force using convolutional neural network |
CN201911157381.3A CN111325314A (zh) | 2018-12-13 | 2019-11-22 | 使用卷积神经网络法来预测夹紧力的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180160834A KR102598426B1 (ko) | 2018-12-13 | 2018-12-13 | 합성곱 신경망법을 이용한 체결력 예측방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20200072817A KR20200072817A (ko) | 2020-06-23 |
KR102598426B1 true KR102598426B1 (ko) | 2023-11-06 |
Family
ID=70858885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180160834A KR102598426B1 (ko) | 2018-12-13 | 2018-12-13 | 합성곱 신경망법을 이용한 체결력 예측방법 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11530957B2 (ko) |
KR (1) | KR102598426B1 (ko) |
CN (1) | CN111325314A (ko) |
DE (1) | DE102019131465A1 (ko) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013175003A (ja) | 2012-02-24 | 2013-09-05 | Osaka Prefecture Univ | Psf推定方法とそれを用いた劣化画像の復元方法およびこれらを記録したプログラムとそれを実行するコンピュータ装置 |
CN108417228A (zh) | 2018-02-02 | 2018-08-17 | 福州大学 | 乐器音色迁移下的人声音色相似性度量方法 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100317522B1 (ko) | 1998-10-21 | 2002-06-20 | 이종훈 | 산업용보일러본체의지지볼트하중조정방법 |
CA2309002A1 (en) * | 2000-05-23 | 2001-11-23 | Jonathan Martin Shekter | Digital film grain reduction |
WO2002027655A1 (en) * | 2000-09-27 | 2002-04-04 | Levin David N | Self-referential method and apparatus for creating stimulus representations that are invariant under systematic transformations of sensor states |
US7167773B2 (en) * | 2001-03-21 | 2007-01-23 | Signature Control Systems | Process and apparatus for improving and controlling the curing of natural and synthetic moldable compounds |
KR100411094B1 (ko) | 2001-04-13 | 2003-12-18 | 현대자동차주식회사 | 차량의 실린더 헤드 볼트 신장량 측정장치 및 축력 측정방법 |
US20080221487A1 (en) * | 2007-03-07 | 2008-09-11 | Motek Bv | Method for real time interactive visualization of muscle forces and joint torques in the human body |
US8126275B2 (en) * | 2007-04-24 | 2012-02-28 | Microsoft Corporation | Interest point detection |
KR20090015359A (ko) | 2007-08-08 | 2009-02-12 | 한국전력공사 | 볼트 축력 예측 방법 |
CN100545651C (zh) * | 2007-09-27 | 2009-09-30 | 上海交通大学 | 三元催化器总成中陶瓷载体脆裂检测方法 |
JP5061883B2 (ja) * | 2007-12-21 | 2012-10-31 | ソニー株式会社 | 画像処理装置、画像処理方法、プログラム、および学習装置 |
WO2009101991A1 (ja) * | 2008-02-12 | 2009-08-20 | Akita University | 表面状態計測装置及び該装置を用いた表面状態計測方法 |
US9630821B2 (en) * | 2011-09-06 | 2017-04-25 | Loron, Inc. | Clamping assembly for load-carrying vehicle |
US9439668B2 (en) * | 2012-04-09 | 2016-09-13 | Ethicon Endo-Surgery, Llc | Switch arrangements for ultrasonic surgical instruments |
KR20180065498A (ko) * | 2016-12-08 | 2018-06-18 | 한국항공대학교산학협력단 | 딥 신경망 학습 방법 및 그를 이용한 다음 예측 영상 생성 방법 |
CN106651887A (zh) * | 2017-01-13 | 2017-05-10 | 深圳市唯特视科技有限公司 | 一种基于卷积神经网络的图像像素分类方法 |
KR102323514B1 (ko) * | 2017-05-15 | 2021-11-05 | 현대자동차주식회사 | 볼트 축력 측정방법 |
CN108446631B (zh) * | 2018-03-20 | 2020-07-31 | 北京邮电大学 | 基于卷积神经网络的深度学习的智能频谱图分析方法 |
-
2018
- 2018-12-13 KR KR1020180160834A patent/KR102598426B1/ko active IP Right Grant
-
2019
- 2019-11-21 DE DE102019131465.8A patent/DE102019131465A1/de active Pending
- 2019-11-21 US US16/691,308 patent/US11530957B2/en active Active
- 2019-11-22 CN CN201911157381.3A patent/CN111325314A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013175003A (ja) | 2012-02-24 | 2013-09-05 | Osaka Prefecture Univ | Psf推定方法とそれを用いた劣化画像の復元方法およびこれらを記録したプログラムとそれを実行するコンピュータ装置 |
CN108417228A (zh) | 2018-02-02 | 2018-08-17 | 福州大学 | 乐器音色迁移下的人声音色相似性度量方法 |
Also Published As
Publication number | Publication date |
---|---|
KR20200072817A (ko) | 2020-06-23 |
DE102019131465A1 (de) | 2020-06-18 |
US11530957B2 (en) | 2022-12-20 |
US20200191667A1 (en) | 2020-06-18 |
CN111325314A (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fan et al. | Vibration signal denoising for structural health monitoring by residual convolutional neural networks | |
Kodovský et al. | Study of cover source mismatch in steganalysis and ways to mitigate its impact | |
CN112560967B (zh) | 一种多源遥感图像分类方法、存储介质及计算设备 | |
CN111597751B (zh) | 基于自扩展深度置信网络的原油油膜绝对厚度反演方法 | |
Melnikov et al. | Mathematical models of nonlinear oscillations of mechanical systems with several degrees of freedom | |
KR102598426B1 (ko) | 합성곱 신경망법을 이용한 체결력 예측방법 | |
Horváth et al. | Sequential monitoring for changes from stationarity to mild non-stationarity | |
Gao et al. | Space target image fusion method based on image clarity criterion | |
CN107437112A (zh) | 一种基于改进多尺度核函数的混合rvm模型预测方法 | |
CN109100165B (zh) | 桥梁运营模态分析方法、装置、终端与计算机可读存储介质 | |
CN110889011A (zh) | 一种视频指纹方法 | |
CN106373157B (zh) | 高光谱异常探测方法和装置 | |
CN109917459A (zh) | 一种压制地震噪声的方法、装置及*** | |
Fischer et al. | JPEG2000 image compression on solar EUV images | |
KR20200114231A (ko) | 볼트 축력 예측 방법 | |
Hong et al. | MEFuse: end-to-end infrared and visible image fusion method based on multibranch encoder | |
JP2011081761A (ja) | 動き推定方法、動き推定装置、及び動き推定プログラム | |
Rybin et al. | Pattern recognition of 1D and 2D signals using normalization and normal transformation | |
US11493434B2 (en) | Method for visualizing spectral data as an image, data processing device and computer-readable storage medium | |
Marwitz et al. | An experimental evaluation of two potential improvements for 3D laser vibrometer based operational modal analysis | |
Asmara et al. | Tropical hardwood species identification based on first order statistical moment of cross section images color and texture extraction using gray level co-occurrence matrix | |
Wang et al. | Research on the feature extraction and pattern recognition of the distributed optical fiber sensing signal | |
Hu et al. | Calibration scheme for space-borne full-disk vector magnetograph under the influence of orbiter velocity | |
CN117975994B (zh) | 嗓音数据的质量分类方法、装置以及计算机设备 | |
Li Sr et al. | Research on fusion method of SAR and RGB image based on wavelet transform |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |