| 1 |
1
축산물을 촬영함에 따라 획득되는 복수 개의 학습 이미지 데이터를 입력받는 데이터 입력부;상기 복수 개의 학습 이미지 데이터를 동일한 모양과 형태로 정규화하여 복수 개의 정규화 이미지 데이터를 생성하는 정규화부;상기 복수 개의 정규화 이미지 데이터에 기초하여 특징 파라미터를 획득하고, 상기 특징 파라미터에 기초하여 기설정된 복수 개의 축산물 등급 클래스들에 대응되는 예측값을 산출하여 사용자의 입력에 따른 확인 이미지를 상기 복수 개의 축산물 등급 클래스들 중 어느 하나의 축산물 등급 클래스에 분류하는 학습모델부; 및상기 복수 개의 축산물 등급 클래스들에 기설정된 복수 개의 지도학습값을 클래스별로 부여하고 상기 복수 개의 축산물 등급 클래스들 중 어느 하나의 축산물 등급 클래스에 대응되는 예측값과, 상기 복수 개의 축산물 등급 클래스들 중 어느 하나의 축산물 등급 클래스에 대응되는 지도학습값에 기초하여 분류된 상기 확인 이미지가 상기 복수 개의 축산물 등급 클래스들 중 어느 하나의 축산물 등급 클래스에 대응되는지 여부에 대한 확률을 산출하는 정확도 산출부;를 포함하는 딥러닝 기반의 축산물 이미지 등급 분류 장치
|
| 2 |
2
제1항에 있어서,상기 정규화부는,상기 복수 개의 학습 이미지 데이터를 하나의 기설정된 기준 픽셀 크기를 가지도록 하고, 복수 개의 학습 이미지 데이터들에 포함된 객체 영역이 이미지의 중앙에 위치하도록 하여 정규화 이미지 데이터를 생성하는 것인 딥러닝 기반의 축산물 이미지 등급 분류 장치
|
| 3 |
3
제1항에 있어서,상기 학습모델부는,상기 정규화 이미지 데이터에 대해서 기설정된 마스크와 컨볼루션 연산을 수행함에 따라 반복 학습하여 획득된 기설정된 파라미터들을 저장하는 파라미터부;상기 정규화 이미지 데이터에 있어서 파라미터들에 따른 필터를 이용하여 컨볼루션 연산하여 상기 정규화 이미지 데이터에 대한 특징맵을 생성하는 컨볼루션 레이어부;상기 정규화 이미지 데이터에 대한 특징맵에 대하여 복수 개의 연산값에 대한 대표값을 할당하여 상기 특징맵에 대한 컨볼루션 연산값의 사이즈를 축소하고 풀링 이미지를 생성하는 풀링부; 및소프트맥스를 구비하고, 상기 파라미터부, 상기 컨볼루션 레이어부, 상기 풀링부에 의해 연산된 특징 파라미터에 기초하여 사용자의 입력에 따른 확인 이미지를 상기 복수 개의 축산물 등급 클래스들 중 어느 하나의 축산물 등급 클래스로 분류하는 출력부;를 포함하는 것인 딥러닝 기반의 축산물 이미지 등급 분류 장치
|
| 4 |
4
제3항에 있어서,상기 컨볼루션 레이어부 및 상기 풀링부 중 적어도 하나는,상기 복수 개의 정규화 이미지 데이터에 있어서 상기 파라미터들에 따른 필터를 입력받고 복수 개의 컨볼루션 필터를 가지는 제1 컨볼루션 레이어와 제1 풀링부를 구비하여 제1 특징맵을 생성하는 제1학습모델부;상기 제1학습모델부의 출력을 입력으로 받고 복수 개의 컨볼루션 필터를 가지는 제2 컨볼루션 레이어와 제2 풀링부를 구비하여 제2 특징맵을 생성하는 제2학습모델부;상기 제2학습모델부의 출력을 입력으로 받고 복수 개의 컨볼루션 필터를 가지는 제3 컨볼루션 레이어와 제3 풀링부를 구비하여 제3 특징맵을 생성하는 제3학습모델부; 및상기 제3학습모델부의 출력을 입력으로 받고 복수 개의 컨볼루션 필터를 가지는 제4 컨볼루션 레이어와 제4 풀링부를 구비하여 최종 특징맵을 생성하는 제4학습모델부;를 포함하는 것인 딥러닝 기반의 축산물 이미지 등급 분류 장치
|
| 5 |
5
제4항에 있어서,상기 출력부는,상기 제4학습모델부의 출력을 입력으로 받고, 상기 제1학습모델부 내지 제4학습모델부에 의해 연산된 특징 파라미터와 상기 제4학습모델부가 생성한 상기 최종 특징맵에 기초하여 상기 확인 이미지를 상기 복수 개의 축산물 등급 클래스들 중 어느 하나의 축산물 등급 클래스로 분류하는 것인 딥러닝 기반의 축산물 이미지 등급 분류 장치
|
| 6 |
6
제1항에 있어서,상기 정확도 산출부는,하기 수학식 Ⅰ에 기초하여 상기 정확도를 산출하는 것(수학식 Ⅰ)(여기서, F1-score(에프원스코어) 값은 정확도를 나타내는 값이고, Precision(프리시젼) 값은 긍정에 대응되는 예측값 중에서 긍정에 대응되는 지도학습값의 비율을 나타내는 값이며, Recall(리콜) 값은 긍정에 대응되는 지도학습값 중에서 긍정에 대응되는 예측값의 비율을 나타내는 값이다
|
