| 1 |
1
하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서,병해충 분류 대상 이미지를 입력받는 단계;합성곱 신경망(convolutional neural network)을 이용하여 입력된 상기 이미지에 대한 1차 분류 결과를 산출하는 단계; 및상기 1차 분류 결과 및 기 설정된 병해충 그룹 정보를 이용하여 상기 이미지에 대한 2차 분류 결과를 산출하는 단계를 포함하며,상기 합성곱 신경망은, 상기 이미지와 기 설정된 필터 간의 합성곱 연산을 통해 피처맵(feature map)을 생성하는 합성곱 레이어(convolutional layer) 및 상기 피처맵의 각 픽셀에 기 설정된 크기의 마스크를 적용하고, 상기 마스크 내의 픽셀 값을 이용하여 상기 피처맵에 대한 서브 샘플링(sub sampling)을 수행하는 풀링 레이어(pulling layer)의 쌍이 복수 개 반복되도록 구성되는 특징 추출 레이어 그룹; 및상기 특징 추출 레이어 그룹에서 출력되는 복수 개의 피처맵의 각 픽셀 값으로부터 상기 1차 분류 결과를 계산하는 복수 개의 전결합 레이어(fully-connected layer)를 포함하는 특징 분류 레이어 그룹을 포함하여 구성되고,상기 2차 분류 결과를 산출하는 단계는, 상기 1차 분류 결과를 포함하는 병해충 그룹 정보가 존재하는 경우, 해당 병해충 그룹 정보에 대응되는 병해충 분류값을 상기 2차 분류 결과로 설정하도록 구성되는, 방법
|
| 2 |
2
청구항 1에 있어서,상기 1차 분류 결과를 산출하는 단계의 수행 전, 상기 입력된 이미지를 전처리하는 단계를 더 포함하는, 방법
|
| 3 |
3
청구항 2에 있어서,상기 전처리하는 단계는,상기 입력된 이미지를 기 설정된 크기로 리사이징하는 단계; 및리사이징된 이미지에 호모모픽 필터를 적용하는 단계를 포함하여 구성되는, 방법
|
| 4 |
4
청구항 1에 있어서,상기 합성곱 레이어는, ReLU(Rectified Linear Hidden Unit) 함수를 이용하여 상기 합성곱 연산을 수행하는, 방법
|
| 5 |
5
청구항 1에 있어서,상기 풀링 레이어는, 상기 마스크 내의 픽셀 중 최대값을 출력하는 맥스 풀링 레이어(max pooling layer)인, 방법
|
| 6 |
6
청구항 1에 있어서,상기 특징 추출 레이어 그룹은, 상기 이미지에 상기 합성곱 레이어 및 상기 풀링 레이어의 쌍을 복수 회 반복하여 적용함으로써, 상기 전결합 레이어에 입력 가능한 픽셀 크기를 가지는 복수 개의 피처맵을 생성하도록 구성되는, 방법
|
| 7 |
7
청구항 6에 있어서,상기 특징 추출 레이어 그룹에 포함되는 복수 개의 풀링 레이어 중 제1 단계의 풀링 레이어의 마스크 사이즈는 나머지 풀링 레이어의 마스크 사이즈보다 크도록 설정되는, 방법
|
| 8 |
8
청구항 1에 있어서,상기 특징 분류 레이어 그룹은, 상기 특징 추출 레이어 그룹에서 출력되는 복수 개의 피처맵의 각 픽셀 값을 입력으로 하는 제1 전결합 레이어;상기 제1 전결합 레이어와 연결되는 제2 전결합 레이어; 및상기 제2 전결합 레이어와 연결되는 출력 레이어를 포함하는, 방법
|
| 9 |
9
청구항 8에 있어서,상기 특징 분류 레이어 그룹 중 상기 제2 전결합 레이어에만 기 설정된 드롭아웃 파라미터를 적용하도록 구성되는, 방법
|
| 10 |
10
청구항 8에 있어서,상기 출력 레이어는 하이퍼볼릭 탄젠트 활성화 함수를 이용하여 상기 출력 레이어의 각 노드 별 출력값을 계산하도록 구성되는, 방법
|
| 11 |
11
삭제
|
| 12 |
12
병해충 분류 대상 이미지를 입력받는 입력부;합성곱 신경망(convolutional neural network)을 이용하여 입력된 상기 이미지에 대한 1차 분류 결과를 산출하는 제1 계산부; 및상기 1차 분류 결과 및 기 설정된 병해충 그룹 정보를 이용하여 상기 이미지에 대한 2차 분류 결과를 산출하는 제2 계산부를 포함하며,상기 합성곱 신경망은, 상기 이미지와 기 설정된 필터 간의 합성곱 연산을 통해 피처맵(feature map)을 생성하는 합성곱 레이어(convolutional layer) 및 상기 피처맵의 각 픽셀에 기 설정된 크기의 마스크를 적용하고, 상기 마스크 내의 픽셀 값을 이용하여 상기 피처맵에 대한 서브 샘플링(sub sampling)을 수행하는 풀링 레이어(pulling layer)의 쌍이 복수 개 반복되도록 구성되는 특징 추출 레이어 그룹; 및상기 특징 추출 레이어 그룹에서 출력되는 복수 개의 피처맵의 각 픽셀 값으로부터 상기 1차 분류 결과를 계산하는 복수 개의 전결합 레이어(fully-connected layer)를 포함하는 특징 분류 레이어 그룹을 포함하여 구성되고,상기 제2 계산부는, 상기 1차 분류 결과를 포함하는 병해충 그룹 정보가 존재하는 경우, 해당 병해충 그룹 정보에 대응되는 병해충 분류값을 상기 2차 분류 결과로 설정하는, 작물의 병해충 진단 장치
|
| 13 |
13
청구항 12에 있어서,상기 입력부를 통하여 입력된 이미지를 전처리하는 전처리부를 더 포함하는, 작물의 병해충 진단 장치
|
| 14 |
14
청구항 13에 있어서,상기 전처리부는,상기 입력된 이미지를 기 설정된 크기로 리사이징하고, 리사이징된 이미지에 호모모픽 필터를 적용하는, 작물의 병해충 진단 장치
|
| 15 |
15
청구항 12에 있어서,상기 합성곱 레이어는, ReLU(Rectified Linear Hidden Unit) 함수를 이용하여 상기 합성곱 연산을 수행하는, 작물의 병해충 진단 장치
|
| 16 |
16
청구항 12에 있어서,상기 풀링 레이어는, 상기 마스크 내의 픽셀 중 최대값을 출력하는 맥스 풀링 레이어(max pooling layer)인, 작물의 병해충 진단 장치
|
| 17 |
17
청구항 12에 있어서,상기 특징 추출 레이어 그룹은, 상기 이미지에 상기 합성곱 레이어 및 상기 풀링 레이어의 쌍을 복수 회 반복하여 적용함으로써, 상기 전결합 레이어에 입력 가능한 크기를 가지는 복수 개의 피처맵을 생성하도록 구성되는, 작물의 병해충 진단 장치
|
| 18 |
18
청구항 17에 있어서,상기 특징 추출 레이어 그룹에 포함되는 복수 개의 풀링 레이어 중 제1 차 풀링 레이어의 마스크 사이즈는 나머지 풀링 레이어의 마스크 사이즈보다 크도록 설정되는, 작물의 병해충 진단 장치
|
| 19 |
19
청구항 12에 있어서,상기 특징 분류 레이어 그룹은, 상기 특징 추출 레이어 그룹에서 출력되는 복수 개의 피처맵의 각 픽셀 값을 입력으로 하는 제1 전결합 레이어;상기 제1 전결합 레이어와 연결되는 제2 전결합 레이어; 및상기 제2 전결합 레이어와 연결되는 출력 레이어를 포함하는, 작물의 병해충 진단 장치
|
| 20 |
20
청구항 19에 있어서,상기 특징 분류 레이어 그룹 중 상기 제2 전결합 레이어에만 기 설정된 드롭아웃 파라미터를 적용하도록 구성되는, 작물의 병해충 진단 장치
|
| 21 |
21
청구항 19에 있어서,상기 출력 레이어는 하이퍼볼릭 탄젠트 활성화 함수를 이용하여 상기 출력 레이어의 각 노드 별 출력값을 계산하도록 구성되는, 작물의 병해충 진단 장치
|
| 22 |
22
삭제
|
