1 |
1
대상 식물을 촬영하여 식물 이미지를 생성하는 식물 이미지 생성부;컨볼루션 신경망(Convolutional Neural Network) 기반의 기계 학습 모델을 통해 상기 식물 이미지의 각 화소별로 식물 영역과 배경 영역을 구분한 제1 식물 영역 추출 데이터를 생성하는 제1 식물 영역 추출부; 및상기 식물 이미지 및 상기 제1 식물 영역 추출 데이터를 활용하여, 상기 식물 이미지의 복수의 화소 간의 상호 연결성을 최대화한 제2 식물 영역 추출 데이터를 생성하는 제2 식물 영역 추출부를 포함하며,상기 제1 식물 영역 추출부의 상기 컨볼루션 신경망(Convolutional Neural Network) 기반의 기계 학습 모델은, 상기 식물 이미지에 대한 피쳐맵을 생성하는 컨볼루션 단계(Conv), 상기 피쳐맵의 해상도를 감소시키는 트랜지션 다운(TD) 단계 및 피쳐맵의 해상도를 증가시키는 트랜지션 업(TU) 단계를 포함하고, 상기 트랜지션 다운에 입력되는 데이터는 트랜지션 업에서 출력되는 데이터와 스킵 연결(skip connetion)되며,상기 제1 식물 영역 추출부의 상기 컨볼루션 신경망(Convolutional Neural Network) 기반의 기계 학습 모델은 복수의 컨볼루션 단계를 포함하는 밀도 블록(Dense Block)을 포함하고, 상기 밀도 블록 내에서 컨볼루션을 통해 생성된 피쳐맵은 누적되어 초기 단계 정보가 소거되지 않고 후기 단계 정보와 계속 이어지는 것을 특징으로 하는 식물 영역 추출 시스템
|
2 |
2
삭제
|
3 |
3
삭제
|
4 |
4
대상 식물을 촬영하여 식물 이미지를 생성하는 식물 이미지 생성부;컨볼루션 신경망(Convolutional Neural Network) 기반의 기계 학습 모델을 통해 상기 식물 이미지의 각 화소별로 식물 영역과 배경 영역을 구분한 제1 식물 영역 추출 데이터를 생성하는 제1 식물 영역 추출부; 및상기 식물 이미지 및 상기 제1 식물 영역 추출 데이터를 활용하여, 상기 식물 이미지의 복수의 화소 간의 상호 연결성을 최대화한 제2 식물 영역 추출 데이터를 생성하는 제2 식물 영역 추출부를 포함하며,상기 식물 이미지가 상기 제1 식물 영역 추출부에서 처리 가능한 이미지의 크기보다 큰 경우, 상기 제1 식물 영역 추출부는 상기 식물 이미지를 상기 처리 가능한 이미지의 크기로 분할하여 복수의 서브 식물 이미지를 생성하고, 상기 복수의 서브 식물 이미지 각각에 대한 제1 서브 식물 영역 추출 데이터를 각각 생성하고, 상기 생성된 각각의 제1 서브 식물 영역 추출 데이터를 조합하여 상기 제1 식물 영역 추출 데이터를 생성하며,상기 제1 식물 영역 추출부는 상기 생성된 각각의 제1 서브 식물 영역 추출 데이터가 상기 복수의 서브 식물 이미지의 중복되는 화소 영역을 포함하는 경우,상기 중복되는 화소 영역에 대해 가장 높은 확률 값을 가진 제1 서브 식물 영역 추출 데이터를 선택하여 상기 제1 식물 영역 추출 데이터를 조합하는 것을 특징으로 하는 식물 영역 추출 시스템
|
5 |
5
삭제
|
6 |
6
제1 항에 있어서,상기 제2 식물 영역 추출부는 상기 제1 식물 영역 추출 데이터에 따른 각 화소가 식물 영역에 해당할 확률 값 및 상기 복수의 화소들 사이의 상호 연결 그래프를 모두 형성하고 연결된 화소들간의 상호 영향성을 고려하여 각 화소가 식물 영역인지 여부를 결정한 상기 제2 식물 영역 추출 데이터를 생성하는 것을 특징으로 하는 식물 영역 추출 시스템
|
7 |
7
제6 항에 있어서,상기 상호 영향성은 연결된 화소간의 거리 차이 및 상기 식물 이미지의 R, G, B 값의 유사 여부를 고려하여 결정되는 것을 특징으로 하는 식물 영역 추출 시스템
|
8 |
8
제1 항에 있어서,상기 식물은 단자엽 식물(Monocotyledonous Plants)인 것을 특징으로 하는 식물 영역 추출 시스템
|
9 |
9
식물 영역 추출 시스템이, 대상 식물을 촬영하여 식물 이미지를 생성하는 단계;상기 식물 영역 추출 시스템이, 컨볼루션 신경망(Convolutional Neural Network) 기반의 기계 학습 모델을 통해 상기 식물 이미지의 각 화소별로 식물 영역과 배경 영역을 구분한 제1 식물 영역 추출 데이터를 생성하는 단계; 및상기 식물 영역 추출 시스템이, 상기 식물 이미지 및 상기 제1 식물 영역 추출 데이터를 활용하여, 상기 식물 이미지의 복수의 화소 간의 상호 연결성을 최대화한 제2 식물 영역 추출 데이터를 생성하는 단계를 포함하며,상기 컨볼루션 신경망(Convolutional Neural Network) 기반의 기계 학습 모델은, 상기 식물 이미지에 대한 피쳐맵을 생성하는 컨볼루션 단계(Conv), 상기 피쳐맵의 해상도를 감소시키는 트랜지션 다운(TD) 단계 및 피쳐맵의 해상도를 증가시키는 트랜지션 업(TU) 단계를 포함하고, 상기 트랜지션 다운에 입력되는 데이터는 트랜지션 업에서 출력되는 데이터와 스킵 연결(skip connetion)되며,상기 컨볼루션 신경망(Convolutional Neural Network) 기반의 기계 학습 모델은 복수의 컨볼루션 단계를 포함하는 밀도 블록(Dense Block)을 포함하고, 상기 밀도 블록 내에서 컨볼루션을 통해 생성된 피쳐맵은 누적되어 초기 단계 정보가 소거되지 않고 후기 단계 정보와 계속 이어지는 것을 특징으로 하는 식물 영역 추출 방법
|
10 |
10
삭제
|
11 |
11
삭제
|
12 |
12
식물 영역 추출 시스템이, 대상 식물을 촬영하여 식물 이미지를 생성하는 단계;상기 식물 영역 추출 시스템이, 컨볼루션 신경망(Convolutional Neural Network) 기반의 기계 학습 모델을 통해 상기 식물 이미지의 각 화소별로 식물 영역과 배경 영역을 구분한 제1 식물 영역 추출 데이터를 생성하는 단계; 및상기 식물 영역 추출 시스템이, 상기 식물 이미지 및 상기 제1 식물 영역 추출 데이터를 활용하여, 상기 식물 이미지의 복수의 화소 간의 상호 연결성을 최대화한 제2 식물 영역 추출 데이터를 생성하는 단계를 포함하며,상기 제1 식물 영역 추출 데이터를 생성하는 단계는, 상기 식물 이미지를 처리 가능한 이미지의 크기로 분할하여 복수의 서브 식물 이미지를 생성하는 단계;상기 복수의 서브 식물 이미지 각각에 대한 제1 서브 식물 영역 추출 데이터를 각각 생성하는 단계; 및 상기 생성된 각각의 제1 서브 식물 영역 추출 데이터를 조합하여 상기 제1 식물 영역 추출 데이터를 생성하는 단계를 포함하며,상기 생성된 각각의 제1 서브 식물 영역 추출 데이터를 조합하여 상기 제1 식물 영역 추출 데이터를 생성하는 단계는, 상기 생성된 각각의 제1 서브 식물 영역 추출 데이터가 상기 복수의 서브 식물 이미지의 중복되는 화소 영역을 포함하는 경우, 상기 중복되는 화소 영역에 대해 가장 높은 확률 값을 가진 제1 서브 식물 영역 추출 데이터를 선택하여 상기 제1 식물 영역 추출 데이터를 조합하는 것을 특징으로 하는 식물 영역 추출 방법
|
13 |
13
삭제
|
14 |
14
제9 항에 있어서,상기 제2 식물 영역 추출 데이터를 생성하는 단계는 상기 제1 식물 영역 추출 데이터에 따른 각 화소가 식물 영역에 해당할 확률 값 및 상기 복수의 화소들 사이의 상호 연결 그래프를 모두 형성하고 연결된 화소들간의 상호 영향성을 고려하여 각 화소가 식물 영역인지 여부를 결정한 상기 제2 식물 영역 추출 데이터를 생성하는 것을 특징으로 하는 식물 영역 추출 방법
|
15 |
15
제14 항에 있어서,상기 상호 영향성은 연결된 화소간의 거리 차이 및 상기 식물 이미지의 R, G, B 값의 유사 여부를 고려하여 결정되는 것을 특징으로 하는 식물 영역 추출 방법
|
16 |
16
제9 항에 있어서,상기 식물은 단자엽 식물(Monocotyledonous Plants)인 것을 특징으로 하는 식물 영역 추출 방법
|
17 |
17
하드웨어와 결합되어 제9 항, 제12 항, 제14 항 내지 제16 항 중 하나에 따른 식물 영역 추출 방법을 실행하도록 매체에 저장된 컴퓨터 프로그램
|