표제지
목차
국문 초록 10
ABSTRACT 11
Ⅰ. 서론 12
1. 연구 배경 12
2. 연구 동향 13
3. 연구 내용 및 범위 13
Ⅱ. 이론적 배경 15
1. 이미지 처리를 위한 딥러닝 15
A. 딥러닝 15
B. 인공 신경망 15
C. 퍼셉트론 16
Ⅲ. 데이터 수집과 전처리 18
1. 데이터 수집 18
2. 이미지 전처리 20
A. Labeling 20
B. Filter 21
Ⅳ. 객체 탐지 기술을 이용한 딥러닝 모델 훈련 및 평가 31
1. Faster R-CNN 34
2. YOLO 40
Ⅴ. 결론 및 향후 연구 48
References 50
Table 1. 실험 환경 32
Table 2. Faster R-CNN의 전처리에 따른 모델 성능 지표 40
Table 3. Yolov5x의 전처리에 따른 모델 성능 지표 44
Figure 1. 단층 퍼셉트론의 구조 16
Figure 2. 다층 퍼셉트론의 구조 17
Figure 3. AIHub에서 제공하는 점검 유형별 서울시 노후주택 균열 데이터 19
Figure 4. Class 별 노후화 현상 '균열'의 데이터 개수 19
Figure 5. Roboflow anntotaor로 라벨링 된 균열 데이터 21
Figure 6. 균열 데이터의 원본 이미지와 가우시안 필터를 적용한 이미지 23
Figure 7. 샤르 필터의 가로 방향(G(x))과 세로 방향(G(y)) 25
Figure 8. 균열 데이터의 원본 이미지와 샤르 필터를 적용한 이미지 26
Figure 9. 균열 데이터의 원본 이미지와 캐니 엣지 알고리즘을 적용한 이미지 28
Figure 10. 균열 데이터의 원본 이미지와 모폴로지 필터를 적용한 이미지 30
Figure 11. Object Detection 계보도 33
Figure 12. Faster R-CNN의 구조 35
Figure 13. ResNet50의 구조 36
Figure 14. Skip Connection 알고리즘 37
Figure 15. Region Proposal Network의 구조 38
Figure 16. YOLO의 구조 41
Figure 16. 모폴로지 필터와 샤르 필터로 전처리한 YOLOv5x 모델 epoch당 정확도 44
Figure 17. 모폴로지 필터와 샤르 필터로 전처리한 YOLOv5x 모델 epoch당 손실률 45
Figure 18. 모폴로지 필터로 전처리한 YOLOv5x 모델 검증 데이터 예측 46
Figure 19. 모폴로지 필터로 전처리 한 YOLOv5x 모델 테스트 데이터 예측 47